[1Win4] Poster session 1

[1Win4-85] Predicting Patient-Level Demand for Appropriate Control of Medicine Stocks in Pharmacies

〇Shota Shimayoshi¹, Keisuke Hosaka¹, Tomonori Muramatsu², Yuki Yamazaki¹ (1.KAKEHASHI Inc., 2.Pharmarket Co., Ltd.)

Keywords:machine learning, LightGBM, pharmacy, medicine, stock

薬局では患者が持参した処方箋に記載の医薬品をその場で提供するために，定期的に医薬品を発注し，在庫を維持管理している．調剤室のスペースに制約があることや，使用期限を過ぎた医薬品は廃棄になることから，必要最小限の数量を発注することが重要である．しかし，薬局には少数の患者しか使用しない医薬品が多くあり，需要量のスパース性が高いため，必要な数量の推定が難しい．本研究では，患者の治療継続有無が医薬品の需要を大きく左右することに着目し，医薬品の需要予測を患者粒度で構成する手法を提案する．本手法では，薬剤師の専門知識を取り入れた手法で処方箋に紐づく疾患を推定し，患者ごとに同じ疾患における再来局有無を機械学習モデルにより予測する．そして，患者が再来局する場合，処方箋データからルールベースで次回必要な数量・時期を予測する．再来局予測では，処方箋データから抽出した疾患の状態や治療意欲に関する特徴量を使用する．評価の結果，再来局予測はAUCが0.913であり，高精度な予測を実現できた．また，提案手法による需要予測の結果，時系列予測モデルによる需要予測より高い精度が得られ，本手法の有効性を確認した．