简介《医疗供应链管理基于数据驱动的血小板库存优化模型》配套资源包面向医疗供应链研究人员、医院血库管理者与数据分析从业者解决血小板等短保质期易腐品在需求波动下的库存平衡难题。资源以2016—2018年加拿大汉密尔顿四家医院真实输血数据为基础复现了随机森林需求预测、目标库存水平计算及动态订购策略包含完整可运行的Python代码与逐步注释覆盖特征工程、滞后变量构造、模型评估、库存策略类实现等内容。压缩包共1个文件为PDF格式整体大小约822KB便于直接阅读和参考代码。目前已有62人学习下载适合希望从数据驱动角度优化医疗供应链、减少短缺与浪费、探索牛鞭效应缓解策略的研究者和从业者。通过学习可掌握将需求预测嵌入库存决策的完整流程并了解紧急订单减少、敏感性分析等扩展思路为实际血库管理提供可落地的量化工具。1. 血小板库存优化模型每天在报废和缺货之间做高成本决策血库老师在每天早晨都会做一个相同决策今天备多少袋血小板才够用。备少了急诊创伤和血液科病人需要时只能跨院紧急调剂耽误的每一分钟都是风险备多了血小板常温保存只有五天左右超过效期只能报废一袋成本几百块。这个场景正是数据驱动、需求预测和动态库存策略的典型组合。一个可落地的血小板库存优化模型把手术排班、住院患者数、急诊收治量这些临床特征与历史发血记录统一起来通过预测次日需求的分位数动态决定每日备货量能同时压住报废率和缺货率。这套方案适合医院输血科、血液中心和信息科人员参考不需要采购昂贵系统一套 Python 脚本就能跑通主流程。2. 血小板库存为什么难备业务约束和需求预测的切入点2.1 五天保质期和高度波动的临床需求是库存矛盾的根子血小板和红细胞、血浆不一样它的存储窗口非常短。机采血小板在专用血袋和 22℃ 震荡条件下一般只能保存五天上下算上采集、检测、放行和运输时间真正躺在医院血库里可用的时间往往只有三四天。这意味着库存决策只能按日做每天要根据次日可能的需求量向血液中心下单不能像备药品那样一次囤一个月。医疗需求又有极强的波动性。择期手术可以从排班表里提前看到而急诊创伤、血液病化疗后血小板低下这些场景很难提前预测。一个三甲医院血液科某天可能突然增加五六个需要输注血小板的病人这种脉冲式的需求会把当天库存直接击穿。所以血小板库存的优化目标不是“库存越多越稳”而是“备得恰好”。多备一袋就要承担一袋过期报废的成本少备一袋就要承担抢救延误和跨院调拨的代价。经典的经济订货批量EOQ在这里并不好用因为 EOQ 假设需求率相对平稳而血小板的需求方差远大于均值。短效期加高波动让这个场景天然指向了“每日动态决策”的建模思路。2.2 需求预测不是猜一个数而是猜一个分布很多团队做这个课题时第一步就把方向带偏了他们先把历史每日用量求平均再乘以一个安全系数当作备货量。这种做法唯一能保证的是月底报废单变厚。血小板需求的可怕之处不在于日均水平而在于需求分布的尾部。某个周三可能连续安排四台大手术同时急诊又推进来一个创伤失血的病人当天用量直接冲到历史最高点的两倍。库存决策真正需要的是分位数而不是均值。p50 告诉你常规用量p80 甚至 p90 告诉你“把库存压到这个数基本能覆盖绝大多数场景”。因此我一般会把需求预测建模成分类别模型用分位数回归直接输出 p50 和 p80 两个预测值前者用于运营参考后者用于目标库存计算。这样预测误差的意义也更明确——看的是“实际需求落在预测分位数覆盖范围内的天数占比”而不是看平均绝对误差。选模型时梯度提升树是我在血小板场景下的第一选择。原因是需求序列里有很多尖峰和零膨胀日子ARIMA 这类时间序列模型对跳跃点很敏感一个异常值会把残差拉到天上Prophet 虽然对节假日支持不错但接入手术台次、住院人数这类临床特征比较别扭。梯度提升树可以直接把这些异质特征和滞后特征混在一起训练配合分位数损失函数输出分布估计。如果医院历史样本不足十二个月我会退一步用指数平滑打底再用临床特征的线性回归残差做修正尽量避免树模型在小样本上过拟合。2.3 入模的临床特征哪些变量真正影响第二天血小板用量以下是一份我在实际项目里整理过的特征清单按对库存决策的边际贡献从大到小排列特征 | 类型 | 说明 次日手术排班台次 | 前视变量 | 择期手术是最大的确定性需求来源 血液科住院患者数 | 同期变量 | 化疗后血小板减少形成持续需求 急诊创伤收治量 | 同期变量 | 急性大出血场景直接冲击库存 节假日与长假事件 | 事件标签 | 择期手术下降但急诊风险上升 近7日滚动平均用量 | 滞后变量 | 捕捉慢性住院带来的缓慢趋势 血型分布比率 | 维度变量 | 各血型需求比例随月份漂移这里要强调一句临床数据在落地时坚决做去标识化只汇总科室级数量不碰患者个人信息这既是合规底线也是信息科愿意配合的前提。特征工程上有一个容易混淆的口径——手术排班是“明天已知事件”属于先验变量而住院人数和创伤量只能拿到今天的记录必须滞后一天对齐到“当下已知信息”的时点。顺序弄反了模型就会偷看未来数据回测指标虚高得毫无意义。3. 动态库存策略从需求分位数到每日补货指令3.1 报童模型决定最佳库存水位有了需求分位数之后下一个问题是怎么把分位数换算成库存目标。这里我采用报童模型的思路多备一袋的边际成本是它过期报废的损失少备一袋的边际成本是缺货带来的抢救延误和紧急调拨费用。设单位缺货成本为 Cs单位过期成本为 Co最佳库存水位就在需求累计分布函数等于 Cs 除以 Cs 加 Co 的位置。这个比值就是目标服务水平记作 α。血小板场景里 Cs 通常远高于 Co。一袋血小板采集和检测成本几百块但一次缺货可能导致患者输血延迟、夜间跨院调拨车辆、甚至演变成医疗纠纷所以 α 常常要取到 0.8 以上。换句话说目标库存的目标是让 80% 的日子实际用血需求不超过现有库存。这个 α 不是一个拍脑袋的安全系数而是一个成本权衡结果。我见过有医院缺货记录多但报废率低这代表 Cs 相对过高α 应该调高也见过血库报废单堆成山但缺货率很低这说明 α 定得太保守。每季度用真实的缺货笔数和报废笔数反推一次成本比是校准服务水平最直接的手段。参数对照表参数含义参考取值Cs单位缺货成本800 元/袋Co单位过期成本300 元/袋α目标服务水平0.8缺货成本高时上调lead_time_days从下单到入库的提前期1 天血液中心当日订次日达3.2 用临床特征修正系数让安全库存动起来动态库存策略不能只靠一个固定的安全库存乘数因为血小板需求的方差在不同运营条件下差异巨大。手术日的需求集中而可预期长假期间择期手术暂停但急诊风险上升血液科集中收治的季节则会出现连续多日的高基线用量。我的做法是用模型输出的 p80 分位数作为基础目标库存再叠加临床修正系数。比如次日排了十二台择期手术修正系数取 1.15长假前一天择期手术基本停掉急诊值班满编系数取 0.9 再外加两袋应急储备。这个系数由输血科和系统实施人员共同维护不需要每次重训模型相当于在预测模型之上留了一层人工运营接口。血型维度也要在这个环节处理。血小板输注遵循同型优先原则紧急情况下允许异型输出但这不能作为常规备货依据。如果只做总量模型A 型缺货和 O 型过期会被平均报表互相抵消看起来指标正常实际临床风险一直存在。所以目标库存计算按血型分桶并行执行各桶共享同一套预测模型但安全库存权重可以不同。3.3 补货指令目标库存、在途库存与紧急阈值动态库存策略落成指令核心公式只有一句话当日下单量等于目标库存减去可用库存再减去在途库存。目标库存来自分位数预测和临床修正系数可用库存要排除已经超过效期但尚未完成报损处理的袋数在途库存是指血液中心已发出、医院还没完成入库的袋数。漏掉在途库存是最常见的翻车原因我见过有医院按公式跑了一个月库存一天比一天高报废率上涨五六个百分点最后追查发现每天下午到货的那批也在系统里被重复下单。另一个必须存在的组件是紧急阈值。当可用库存加在途库存已经低于绝对袋数比如两袋以下无论模型算出什么结果都应该直接触发血液中心加急配送或跨院调拨。这一层是安全阀不属于优化模型但上线时必须保留。库存策略最忌讳把模型当黑匣子直接用完全取消人工干预通道临床场景承不起这种试错成本。4. 数据驱动的库存模型代码实现特征、预测、补货、回测一条龙4.1 特征工程把发血记录和临床特征拼成训练集做这个模型你至少需要两张表。一张是每日发血记录字段包含日期、血型和袋数另一张是临床特征表包含次日手术台次、血液科住院人数、急诊收治量和节假日标记。两张表按日期合并成一行一条样本后再补充滞后特征和滚动统计特征。下面的代码完成第一步。import pandas as pd import numpy as np def build_feature_frame(demand_df, clinical_df): # demand_df: [date, blood_type, bags] # clinical_df: [date, surgery_tomorrow, hemato_inpatients, # emergency_trauma, is_holiday] # 先按日汇总全血型用量血型分桶见 5.4 节 daily demand_df.groupby(date)[bags].sum().reset_index() daily daily.merge(clinical_df, ondate, howleft) daily daily.sort_values(date).reset_index(dropTrue) daily[dow] pd.to_datetime(daily[date]).dt.dayofweek daily[month] pd.to_datetime(daily[date]).dt.month # 滞后特征今天能拿到的历史用量 for lag in [1, 2, 3, 7, 14]: daily[fdemand_lag{lag}] daily[bags].shift(lag) # 滚动窗口统计也要 shift(1)防止当天用量泄漏进特征 daily[rolling_mean_7] daily[bags].rolling(7).mean().shift(1) daily[rolling_max_7] daily[bags].rolling(7).max().shift(1) # 手术排班是明天的先验事件直接用 # 住院人数和创伤量只有今天的记录要滞后一天对齐 daily[hemato_yesterday] daily[hemato_inpatients].shift(1) daily[trauma_yesterday] daily[emergency_trauma].shift(1) # 标签次日实际用量 daily[target] daily[bags].shift(-1) # 清理没有历史窗口或没有标签的行 daily daily.replace([np.inf, -np.inf], np.nan) daily daily.dropna( subset[demand_lag1, demand_lag2, rolling_mean_7, surgery_tomorrow, target]) return daily这段代码的关键点是所有特征都来自“今天能拿到的信息”而预测目标是明天用量。rolling_mean_7和rolling_max_7都带shift(1)是为了避免当天实际用量混进当天特征hemato_yesterday和trauma_yesterday做了同样的对齐处理。surgery_tomorrow是唯一例外因为医院手术排班表本来就是提前一天确定的本质上是先验变量。如果医院给出的手术台次字段是当天发生的而不是次日排班那这里要改成shift(-1)把明天的台次挪到今天的行上。这个口径必须在数据清洗时和医务处确认清楚错了整个预测链条都会偏。原始数据不足三个月时模型基本没有参考价值建议至少准备十二个月的日粒度记录。4.2 分位数需求预测用 LightGBM 输出 p50 和 p80库存决策需要的是高位分位数LightGBM 的原生分位数损失函数可以直接输出 p50 和 p80。我一般训练两个模型一个做常规参考一个做库存目标。import lightgbm as lgb feature_cols [ dow, month, demand_lag1, demand_lag2, demand_lag3, demand_lag7, demand_lag14, rolling_mean_7, rolling_max_7, surgery_tomorrow, hemato_yesterday, trauma_yesterday ] def train_quantile_model(X, y, alpha): model lgb.LGBMRegressor( objectivequantile, alphaalpha, n_estimators500, learning_rate0.05, num_leaves31, min_child_samples10, random_state42 ) # 按时间顺序切分绝不随机打乱 split_idx int(len(X) * 0.8) X_train, X_valid X.iloc[:split_idx], X.iloc[split_idx:] y_train, y_valid y.iloc[:split_idx], y.iloc[split_idx:] model.fit( X_train, y_train, eval_set[(X_valid, y_valid)], callbacks[lgb.early_stopping(50, verboseFalse)] ) return model model_p50 train_quantile_model(df[feature_cols], df[target], alpha0.5) model_p80 train_quantile_model(df[feature_cols], df[target], alpha0.8)代码里alpha0.5输出中位数预测用于日常参考alpha0.8输出一个覆盖 80% 场景的高位数预测作为目标库存的基础。训练切分时用了时间顺序而不是普通 K 折随机切分这是时间序列任务里最重要的一条纪律。血小板需求有周内季节性随机切分会把训练集前后的数据混进验证集指标虚高得没有参考价值。early_stopping(50)的含义是连续 50 轮验证损失不下降就停止训练。这个值不要设太小血小板需求序列尖峰多验证损失会有毛刺太小容易提前停下来导致欠拟合。num_leaves31是控制树复杂度的关键参数样本量不大时可以降到 15 以下。4.3 动态目标库存与每日补货决策拿到 p80 预测之后下一步是把分位数改写成具体的下单袋数。提前期参数lead_time_days在这里很关键大多数城市血液中心当日订次日达取值为 1偏远地区或者血液中心库存偏紧时按 1.5 到 2 天处理。import math def compute_target_inventory(forecast_p80, clinical_factor, lead_time_days1): # 提前期内的需求分布近似为当日分布的叠加 base forecast_p80 * (lead_time_days 1) target base * clinical_factor # 血小板以袋为最小单位向上取整 return max(0, math.ceil(target)) def decide_order_quantity(target, on_hand, in_transit, emergency_floor2): # on_hand: 血库当前可用袋数 # in_transit: 血液中心已发货、医院未入库的袋数 # emergency_floor: 低于这个数必须走紧急通道 if on_hand in_transit emergency_floor: return URGENT_ORDER, target - on_hand - in_transit order target - on_hand - in_transit return REGULAR_ORDER, max(0, order)clinical_factor是临床特征修正系数手术排班多的时候取 1.1 到 1.2长假期间择期手术停摆取 0.85 到 0.95。这个系数由输血科每月复核一次不需要跟随模型重训相当于在预测模型和最终指令之间保留一个人工运营层。emergency_floor2是经验值具体按医院对接的血液中心配送时效来定配送需要两小时以上的建议调高到 4。注意当目标库存低于当前可用库存时下单量为 0这代表当天不需要补货。血小板不存在退货多余库存只能通过后续停单来消化。目标库存每天浮动属于正常现象不要因为单日预测波动大就频繁人工干预容易把库存节奏打乱。4.4 滚动回测验证动态库存策略的真实收益不经过回测就上线等于把不确定的模型直接压到临床流程上。我习惯写一个轻量级模拟器把每天的到货、老化、报废、发血按时间顺序跑一遍。def simulate_inventory(target_series, actual_demand_series, initial_stock10, shelf_life5): # inventory 里每个元素是一袋血小板已经入库多少天 inventory [0] * initial_stock in_transit 0 shortage_list, outdate_list [], [] for day, demand in enumerate(actual_demand_series): # 前一晚下的订单今天早上到货 if in_transit 0: inventory [0] * in_transit in_transit 0 # 库存老化一天超过保存期立即报废 inventory [age 1 for age in inventory] outdated sum(1 for age in inventory if age shelf_life) inventory [age for age in inventory if age shelf_life] outdate_list.append(outdated) # 满足当日需求优先消耗最陈旧的库存 inventory.sort(reverseTrue) if len(inventory) demand: inventory inventory[demand:] shortage_list.append(0) else: shortage_list.append(demand - len(inventory)) inventory [] # 按目标库存决策明天的补货量 target target_series[day] on_hand len(inventory) in_transit order max(0, target - on_hand) in_transit order total_cost sum(shortage_list) * 800 sum(outdate_list) * 300 return { shortage_days: sum(1 for s in shortage_list if s 0), outdated_bags: sum(outdate_list), total_cost: total_cost }模拟器的动作顺序是固定的先到货、再老化、然后报废、最后满足需求。顺序颠倒会让报废率和缺货率同时失真。inventory.sort(reverseTrue)保证了先进先出老的库存先被消耗这样过期统计才符合血库实际作业。目标库存序列来自前一步的预测函数输出实际需求序列来自历史发血记录。回测时建议把“固定库存策略”和“动态库存策略”跑在同一段历史数据上对比。固定策略通常用历史平均用量乘以 1.5 作为恒定目标库存动态策略则每日变化。对比口径用总成本最直观缺货一袋按 800 元计过期一袋按 300 元计成本权重按医院实际采购价和临床风险重新标定即可。5. 避坑排查血小板库存优化模型落地的五个翻车点5.1 模型预测均值很准库存却越囤越多现象验证集上平均绝对误差表现不错但实际跑了两周报废率明显上升库存水位一天比一天高。原因平均绝对误差衡量的是均值预测能力而库存决策需要的是分位数。均值模型预测“明天大概用 8 袋”等于把库存押在 50% 分位上一旦临床冲击到 12 袋立刻缺货。为了压住缺货业务端会手工加单库存逐渐堆积效期被拉满报废率自然升高。解决把损失函数直接换成objectivequantile用 p80 分位数作为目标库存。评估指标也对应换成“实际需求小于 p80 预测的天数占比”这个指标低于 90% 就必须调整模型或修正系数。5.2 春节和长假一过模型集体翻车现象节前三天库存冗余节后第一周却接连缺货预测值远低于实际用量。原因长假在历史数据里一年只有十几天树模型学不到“节后创伤外科集中补手术”这种脉冲式反弹。把日期当普通星期几建模长假前后的结构突变就被平均掉了。解决手工构造holiday_before和holiday_after事件特征并在回测中单独统计节假日窗口的覆盖率。如果历史样本实在不足就用规则覆盖节后第一天在模型输出上乘 1.3之后连续三天逐步降回 1.0。5.3 在途库存没纳入公式同一批血小板被订了两遍现象上线两周内报废率没有明显变化可用库存却翻倍月底报废率突然飙到历史新高。原因补货公式里只减了在库数量忘了减在途数量。血液中心从发货到入库有半天到一天的延迟模型认为库存低连续下单两批货在同一天到库效期重叠。解决在订单表里维护独立的在途队列下单量等于目标库存减在库库存减在途库存。回测模拟器里也要带上in_transit状态否则代码层面根本测不出这个问题。5.4 总量模型掩盖了血型错配现象总报废率和总缺货率都控制在 5% 以内但翻开明细A 型多次缺货O 型在过期报废。原因全血型合计预测把各血型的波动相互抵消了总量看着平稳实际上完全没有区分度。异型输注只能在紧急情况下使用不能作为常规备货依据。解决按血型分桶跑同一套预测和补货逻辑各桶独立生成目标库存。分桶后每桶样本量变小可以共享特征、独立训练模型血型样本太少时适当缩小滞后窗口或直接用三个月滚动均值替代树模型。5.5 模型成黑匣子业务方不敢签字现象系统每天输出“建议下单 14 袋”输血科主任问为什么是 14 不是 12没人能解释清楚上线评审就被卡住。原因交付团队只把预测结果丢给业务方没有拆开目标服务水平、临床特征修正系数和库存缺口。临床负责人需要的是可解释的决策建议而不是一个只能看结论的黑匣子。解决补货指令页面至少展示四个字段今日预测中位数、今日目标 p80、临床修正系数、当前库存缺口。让业务方看到“因为明天有十台手术所以比平时多备两袋”这种因果链路。同时保留一个人工修正输入框业务方可以覆盖系统建议这些人工修正记录反过来用于下一轮调参。6. 让模型持续可用的滚动验证和补货日志模型上线前最重要的一件事是建立季度滚动验证机制。我会把历史数据切成 13 周的滚动窗口每周用过去 12 周数据重新训练一次在接下来 4 周的时间段上做补货模拟再把这些碎片拼成一整年的回测曲线。这样评估的不是某一个模型实例而是“这个策略长期坚持下来”的真实表现。回测指标做成一张对账表每季度看一次趋势指标正常区间异常信号平均在库袋数5 至 15 袋持续高于 20 袋说明目标库存过高每月报废袋数小于 3 袋连续两个月上升要调低 α每月缺货天数小于 2 天缺货连续出现要调高 α 或修正系数p80 覆盖率90% 以上低于 90% 说明分位数模型失效万元总成本随季节波动环比上升 30% 要排查临床特征漂移上线之后要维护每日补货日志把日期、预测 p50、预测 p80、修正系数、下单量、到货量、报废量、缺货量这八个字段落库。三个月后拿日志去对账比任何抽象指标都直白哪一天缺了货翻到当天看预测值和在途记录原因基本一目了然。这是我最依赖的落地手段也算得上一句血泪经验——绝大多数模型上线后失效不是预测算法出了问题而是运营侧动作没有记录下来导致问题出现后无从排查。我自己每季度会把人工修正记录也统计一遍看看业务方在哪些日子覆盖了模型建议。如果某个血型的人工修正比率超过三成说明该血型的分位数或修正系数需要重新调校而不是业务方不配合。一套血小板库存优化模型的价值不在训练集上的分数而在连续几个月的真实补货里既保住抢救窗口又把报废率压在合理区间。做完这步模型才算真正落进了血库的日常。希望这些经验能帮到你。本文还有配套的精品资源点击获取