ДалееСледующее руководство
Искусственный интеллект для переиспользования лекарств
Отрасли
РУКОВОДСТВО ПО Отраслям
ИИ для решения проблем нехватки лекарств и аптечного инвентаря состоит из трех частей.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Модели прогнозирования определяют, сколько каждого лекарства понадобится аптеке. Модели риска используют сигналы цепочки поставок, чтобы предупредить о вероятных дефицитах. Клиническая логика предлагает одобренные терапевтические заменители, когда продукт заканчивается. Это важно, потому что дефициты стерильных инъекций, препаратов от рака и распространенных антибиотиков неоднократно нарушали уход, а запасы медикаментов занимают большую часть наличности аптеки.
Most drug shortages start on the supply side. Common causes include manufacturing quality problems that shut down a production line, markets with only one or two makers, very low margins on older generic sterile injectables, and occasional demand surges. In 2023, for example, US shortages of cisplatin and carboplatin followed disruption at a major manufacturer. A pediatric respiratory illness surge coincided with amoxicillin suspension shortages in 2022 and 2023. Pharmacists follow the FDA's drug shortage database and the shortage lists maintained by ASHP (the American Society of Health-System Pharmacists). AI cannot make more drugs. What it can offer is earlier warning, better allocation and faster substitution. Demand forecasting sets reorder points and par levels. Shortage risk models combine signals such as the number of manufacturers, recalls, FDA inspection findings, wholesaler allocations and price trends to estimate which products may become scarce. A key misconception is that the right response to a warning is to buy as much as possible. Panic ordering spreads through the supply chain, and small demand changes become large swings in upstream orders, known as the bullwhip effect. That worsens shortages for other hospitals. Many health systems therefore have allocation and conservation policies, and a well-designed system recommends buying within those limits. Substitution needs care. Therapeutic interchange must follow protocols approved by the pharmacy and therapeutics committee. Substitutes can differ in concentration, route, stability or how they are handled, and those differences can cause dosing errors. Software can list approved options and do the conversion math, but a pharmacist checks it and communicates the change to prescribers and nurses. Another misconception is that shortage prediction can be precise. Shortages are rare and often sudden, so these models produce risk rankings, not firm dates.
Медицинская система прогнозирует недельный спрос на каждый продукт в каждой точке. Она использует данные о выдаче из автоматизированных диспенсерных шкафов, сезонность и график операционных залов для установки нормативных уровней, чтобы запасы не переполняли один пункт, пока в другом они заканчиваются.
Рисковый балл помечает стерильный инъекционный препарат, у которого один производитель, недавняя проблема с качеством и новая квота от оптовика. Это даёт покупателю время обеспечить поставку в рамках политики системы против накопления запасов.
Во время нехватки педиатрического антибиотика в суспензии инструмент перечисляет одобренные комитетом по фармацевтике и терапии альтернативы и рассчитывает эквивалентные дозы для подтверждения фармацевтом.
Розничная сеть прогнозирует спрос на респираторные лекарства и вакцины во время грипповой сезона и перемещает запасы между ближайшими магазинами до того, как они исчерпают.
Лучшее обмен данными между производителями, оптовиками и поставщиками улучшит предупреждения о дефицитах больше, чем лучшие алгоритмы, и прогресс в этом зависит от регулирования и отраслевых соглашений. Внутри больниц прогнозирование, связанное с автоматизированными системами выдачи и закупок, вероятно, станет стандартом. Поддержка замены, вероятно, будет встроена в ввод заказа, но она всё равно будет зависеть от протоколов, одобренных комитетом, и проверки фармацевтом. Ни одно из этого не исправляет экономику уязвимого генерического снабжения, что является вопросом политики, а не программного обеспечения.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Искусственный интеллект для дефицитов лекарств и аптечных запасов состоит из трех частей. Модели прогнозирования определяют, сколько каждого лекарства понадобится аптеке. Модели риска используют сигналы цепочки поставок, чтобы предупредить о вероятных дефицитах. Клиническая логика предлагает одобренные терапевтические заменители, когда продукт заканчивается. Это важно, потому что дефициты стерильных инъекций, препаратов от рака и распространенных антибиотиков неоднократно нарушали уход, а запасы медикаментов занимают большую часть наличности аптеки.
Руководство говорит, что большинство дефицитов начинаются с проблем поставок, таких как сбои в качестве производства, концентрированные рынки и низко маржинальные генерические инъекции.
Складывание создает эффект булька, при котором небольшие изменения спроса становятся большими колебаниями вверх по цепочке, усугубляя дефицит для других больниц.
Дефицит часто заставляет переключаться на другой NDC. Отслеживание клинического продукта сохраняет непрерывность истории спроса через эти переключения.
Программное обеспечение может перечислять одобренные альтернативы и выполнять расчеты преобразования, но взаимозаменяемость следует протоколам, одобренным комитетом, и фармацевт проверяет и сообщает об этом.
Руководство отмечает, что прерывистый спрос плохо обрабатывается стандартными методами временных рядов, а метод Кростона или вероятностные модели лучше подходят.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Искусственный интеллект для переиспользования лекарств
Отрасли