CN114595865A - 一种ivd诊断试剂耗材的需求预测方法 - Google Patents
一种ivd诊断试剂耗材的需求预测方法 Download PDFInfo
- Publication number
- CN114595865A CN114595865A CN202210060754.0A CN202210060754A CN114595865A CN 114595865 A CN114595865 A CN 114595865A CN 202210060754 A CN202210060754 A CN 202210060754A CN 114595865 A CN114595865 A CN 114595865A
- Authority
- CN
- China
- Prior art keywords
- consumable
- demand
- level
- reagent
- reagents
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003153 chemical reaction reagent Substances 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000013277 forecasting method Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 238000009098 adjuvant therapy Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 16
- 238000013439 planning Methods 0.000 abstract description 2
- 230000001932 seasonal effect Effects 0.000 description 14
- 238000013210 evaluation model Methods 0.000 description 10
- 238000012384 transportation and delivery Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000007306 turnover Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- VOUAQYXWVJDEQY-QENPJCQMSA-N 33017-11-7 Chemical compound OC(=O)CC[C@H](N)C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)NCC(=O)NCC(=O)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N1[C@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(O)=O)CCC1 VOUAQYXWVJDEQY-QENPJCQMSA-N 0.000 description 3
- 108010075254 C-Peptide Proteins 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- VOXZDWNPVJITMN-ZBRFXRBCSA-N 17β-estradiol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 VOXZDWNPVJITMN-ZBRFXRBCSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- AUYYCJSJGJYCDS-LBPRGKRZSA-N Thyrolar Chemical class IC1=CC(C[C@H](N)C(O)=O)=CC(I)=C1OC1=CC=C(O)C(I)=C1 AUYYCJSJGJYCDS-LBPRGKRZSA-N 0.000 description 1
- 239000013566 allergen Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012888 cubic function Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229960005309 estradiol Drugs 0.000 description 1
- 229930182833 estradiol Natural products 0.000 description 1
- 239000003163 gonadal steroid hormone Substances 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- -1 renin-angiotensin Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000005495 thyroid hormone Substances 0.000 description 1
- 229940036555 thyroid hormone Drugs 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种IVD诊断试剂耗材的需求预测方法，包括以下步骤：先定义医院或者实验室用的耗材的参数，再根据每个耗材或试剂的成本水平、需求水平、影响程度和效期水平的四个维度评估和建立相应的耗材试剂需求因子影响模型，根据耗材试剂需求因子影响模型对医院或实验室耗材试剂进行分类，根据耗材试剂的分类，引入预测模型及算法初步验证结果，完成预测，目的是更好的对耗材试剂建立相应准确的需求预测模型，其次更好帮助医院或实验室建立准确的全品类诊断试剂需求智能计划预测模型算法模型和智能化的采购支持系统，以期帮助医院或实验室最大化减少急单、临时需求并降低相应管理成本，提升医院精益化管理水平，便捷实用。
Description
技术领域
本发明属于医用耗材试剂需求的预测技术领域，具体涉及一种IVD诊断试剂耗材的需求预测方法。
背景技术
现有医用诊断试剂及耗材目前医院或实验室没有从需求角度建立相应的分类标准和评价模型，更多的是根据经验或主观猜测对诊断试剂及耗材的需求进行预测和采购，很难建立一套准确的针对所有品类的试剂及耗材试建立相应的需求预测和评价模型；
而且在实际操作中容易出现伪造数据、人力资源浪费、管理维护成本高的现象，且很难保证收货、验收及发货的正确性，从而导致库存不准确、延迟交货，进一步增加运营成本，极为不便。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足，提供一种 IVD诊断试剂耗材的需求预测方法，以解决上述背景技术中提出的问题。
为解决上述技术问题，本发明采用的技术方案是：一种IVD诊断试剂耗材的需求预测方法，包括以下步骤：
S1、定义医院或者实验室用的耗材试剂的参数，具体是从成本水平、需求水平、影响程度和效期水平四个方向定义；
S2、根据每个耗材试剂的成本水平、需求水平、影响程度和效期水平的四个维度评估和建立相应的耗材试剂需求因子影响模型；
S3、根据耗材试剂需求因子影响模型对医用或者实验室用的耗材试剂进行分类；
S4、根据耗材试剂的分类，引入预测模型及算法初步验证结果，完成预测。
进一步的，在S1中，成本水平的定义是：医院或者实验室在一个统计周期12个月内每个试剂或耗材以采购单位计量的采购价格水平，单位采购价格大于等于1000元定义为高值医用耗材试剂，成本水平定义为等级1，医用耗材试剂单位采购价格小于500元为低值医用耗材试剂，成本水平定义为等级3，介于500-1000之间为定义为中值医用耗材试剂，成本水平定义为等级2。
进一步的，在S1中，需求水平定义是：医院或者实验室在一个统计周期12个月内统计有实际需求或使用消耗的月份数量，主要衡量医院及实验室耗材试剂需求不确定的影响程度或重要性，若耗材试剂在一个统计周期的12个月内至少有11个月份中均有使用消耗或实际需求，则该耗材试剂定义为易耗类试剂，其需求水平定义为3；若耗材试剂在一个统计周期的12个月内只有不超过6个月份中有使用消耗或实际需求，则该耗材试剂定义为低耗类耗材试剂，其需求水平定义为1，剩余的耗材试剂定义为中耗类耗材试剂，其需求水平定义为2。
进一步的，在S1中，影响程度的定义是：医院或者实验室的耗材试剂在使用中的用途，对于拯救生命或提供基本医疗保健至关重要定义为V 类；对普通疾病有效的耗材试剂定义为E类；用于轻微的或自限性疾病辅助治疗的耗材试剂定义为N类。
进一步的，在S1中，效期水平的定义是：医院或者实验室的耗材试剂在规定的储藏条件下能保持质量的期限，耗材试剂效期大于9个月定义为长效期，其效期水平定义为3，耗材试剂效期小于6个月定义为短效期，其效期水平定义为1，耗材试剂效期小于9个月大于6个月的定义为中效期，其效期水平定义为2。
进一步的，在S2中，根据每个耗材试剂的成本水平、需求水平、影响程度和效期水平的四个维度评估和建立相应的耗材试剂需求因子影响模型，具体为医院或者实验室的耗材试剂的需求影响因子给予确定数值，其需求影响因子数值大小定义为其对应的成本水平、需求水平和效期水平的数值乘积值，即耗材试剂的需求影响因子值分别为1、2、3、4、8、9、 12、18、27之一，根据需求影响因子值建立耗材试剂的需求因子影响评估模型矩阵。
进一步的，耗材试剂的需求影响因子值大于9以上定义为高影响因子，服务水平有货率Z值的大小定义为2.2；耗材试剂的需求影响因子值等于 9定义为中影响因子，服务水平有货率Z值的大小定义为2.0；耗材试剂的需求影响因子值小于9定义为低影响因子，服务水平有货率Z值的大小定义为1.8。
进一步的，在S3中，根据耗材试剂需求因子影响模型对医用或者实验室用的耗材试剂进行分类如下：高值易耗类、低值易耗类、高值低耗类、低值低耗类。
进一步的，其中高值易耗类和低值易耗类耗材试剂的用量及需求相对重复稳定，引入时间序列模型等预测方法进行对此类试剂进行较准确的需求预测及相应安全库存水平设置；高值低耗类和低值低耗类耗材试剂由于用量及需求不稳定，因此引入泊松分布的预测算法模型对此类试剂或耗材进行需求预测及相应安全库存水平设置。
本发明与现有技术相比具有以下优点：
本发明通过定义医院或者实验室用的耗材试剂的参数，具体是从成本水平、需求水平、影响程度和效期水平四个方向，再根据每个耗材试剂的成本水平、需求水平、影响程度和效期水平的四个维度评估和建立相应的耗材试剂需求因子影响模型，根据耗材试剂需求因子影响模型对医用或者实验室用的耗材试剂进行分类，根据耗材试剂的分类，引入预测模型及算法初步验证结果，完成预测，更好的对耗材试剂建立相应准确的需求预测模型，更好的帮助医院建立准确的全品类诊断试剂需求计划预测模型算法和智能化的采购支持系统，同时帮助医院对耗材试剂建立相应智能计划预测、订单管理、采购执行、经销商订单确认等、从而帮助医院实现相应耗材试剂在需求计划环节实现数字化、智能化及精益化管理目标，可以帮助医院或实验室最大化减少急单、临时需求并降低相应管理成本、持续降低库存水平、改善库存、提升医院精益化管理水平。
附图说明
图1是本发明耗材试剂的需求因子影响评估模型矩阵图；
图2是本发明实施例中高值易耗和低值易耗类耗材试剂的需求数量或水平近似符合正态分布或时间序列模型分布规律图；
图3是本发明实施例中某医院常用的63个试剂及耗材按照高值易耗、低值易耗、高值低耗及低值低耗分类图；
图4是本发明实施例中预测的月需求数据和当月实际消耗数据相比得到相应的预测数据准确率图；
图5是本发明实施例中预测结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种IVD诊断试剂耗材的需求预测方法，包括以下步骤：
S1、定义医院或者实验室用的耗材试剂的参数，具体是从成本水平、需求水平、影响程度和效期水平四个方向定义；
成本水平的定义是：医院或者实验室在一个统计周期如12个月内每个试剂或耗材以采购单位计量的采购价格水平，单位采购价格大于等于1000元定义为高值医用耗材试剂，成本水平定义为等级1，医用耗材试剂单位采购价格小于500元为低值医用耗材试剂，成本水平定义为等级3，介于500-1000之间为定义为中值医用耗材试剂，成本水平定义为等级2。
需求水平定义是：医院或者实验室在一个统计周期如12个月内统计有实际需求或使用消耗的月份数量，主要衡量医院及实验室耗材试剂需求不确定的影响程度或重要性，若耗材试剂在一个统计周期的12个月内至少有11个月份中均有使用消耗或实际需求，则该耗材试剂定义为易耗类试剂，其需求水平定义为3；若耗材试剂在一个统计周期的12个月内只有不超过6个月份中有使用消耗或实际需求，则该耗材试剂定义为低耗类耗材试剂，其需求水平定义为1，剩余的耗材试剂定义为中耗类耗材试剂，其需求水平定义为2。
影响程度的定义是：医院或者实验室的耗材试剂在使用中的用途，对于拯救生命或提供基本医疗保健至关重要定义为V类；对普通疾病有效的耗材试剂定义为E类；用于轻微的或自限性疾病辅助治疗的耗材试剂定义为N类。
效期水平的定义是：医院或者实验室的耗材试剂在规定的储藏条件下能保持质量的期限，例如耗材试剂效期大于9个月定义为长效期，其效期水平定义为3，耗材试剂效期小于6个月定义为短效期，其效期水平定义为1，耗材试剂效期小于9个月大于6个月的定义为中效期，其效期水平定义为2
S2、根据每个耗材试剂的成本水平、需求水平、影响程度和效期水平的四个维度评估和建立相应的耗材试剂需求因子影响模型；根据每个耗材试剂的成本水平、需求水平、影响程度和效期水平的四个维度评估和建立相应的耗材试剂需求因子影响模型，具体为医院或者实验室的耗材试剂的需求影响因子给予确定数值，其需求影响因子数值大小定义为其对应的成本水平、需求水平和效期水平的数值乘积值，即耗材试剂的需求影响因子值分别为1、2、3、4、8、9、12、18、27之一，根据需求影响因子值建立耗材试剂的需求因子影响评估模型矩阵，具体如图1所示。
耗材试剂的需求影响因子值大于9以上定义为高影响因子，服务水平有货率Z值的大小定义为2.2；耗材试剂的需求影响因子值等于9定义为中影响因子，服务水平有货率Z值的大小定义为2.0；耗材试剂的需求影响因子值小于9定义为低影响因子，服务水平有货率Z值的大小定义为 1.8。
S3、根据耗材试剂需求因子影响模型对医用或者实验室用的耗材试剂进行分类；根据耗材试剂需求因子影响模型对医用或者实验室用的耗材试剂进行分类如下：高值易耗类、低值易耗类、高值低耗类、低值低耗类。
高值易耗类：即需求因子影响评估模型矩阵中的9宫格对应的的最左上面中9和部分高18，12两种类型试剂或耗材；
低值易耗类：即需求因子影响评估模型矩阵的9宫格对应的的最右上面高27和部分高18，12两种类型试剂或耗材；
高值低耗类：即需求因子影响评估模型矩阵中的9宫格对应的的最左下面低1，2，3和部分低8，4两种类型试剂或耗材；
低值低耗类：即需求因子影响评估模型矩阵中的9宫格对应的的最右下面中9和部分低8，4两种类型试剂。
待定类：即评价模型中暂不属于以上四种类型的试剂或耗材，需要医院根据实际情况和要求进行分类和定义是否属于以上四种类型试剂或耗材。
其中高值易耗类和低值易耗类耗材试剂的用量及需求相对重复稳定，引入时间序列模型及正态分布模型等预测方法进行对此类试剂进行较准确的需求预测及相应安全库存水平设置；高值低耗类和低值低耗类耗材试剂由于用量及需求不稳定，因此引入泊松分布的预测算法模型对此类试剂或耗材进行需求预测及相应安全库存水平设置。
S4、根据耗材试剂的分类，引入预测模型及算法初步验证结果，完成预测，是将高值易耗和低值易耗类耗材试剂的需求数量或水平近似符合正态分布或时间序列模型分布规律；
正态分布模型算法介绍：
周转库存LS：周转库存是商业企业为了完成商品流转计划，保证市场正常供应，根据商品销售任务、商品流通环节和速度应保持一定数量的周转需要的商品库存。商业企业的周转库存，是组织商品流通必不可少的物质基础,周转库存和每次订单时间频次和订货提前期，即所需订购的商品的到货期的大小有直接关系，周转库存主要是为了满足一段时间内企业正常生产或消耗所需的平均商品数量或需求水平，例如某医院平均每月按30 天算，下一次试剂订单需求给经销商，经销商收到订单并安排发货到医院仓库所需的时间平均10天左右，因此医院的周转库存水平就是40天即医院每月下单最小数量应不低于40天的日平均需求数量之和进行下单，否则就会可能引起相应缺货。周转库存的算法模型计算公式如下，如果按照月份需求来计算周转库存，将日需求单位和订货提前期天数换算成相应的以月为单位的数量即可。
LS＝F*L
F:平均需求数量，天
L：平均订货提前期，天，
安全库存SS：安全库存是为防止未来商品由于供应或需求的不确定性原因，如大量突发性订货、交货意外中断或突然延期等而准备的缓冲库存。其大小取决于供应和需求的不确定性、顾客服务水平或订货满足率，以及缺货成本和库存持有成本，安全库存主要是为了满足需求的不确定性导致的需求波动，此外一些企业考虑到市场环境、产品策略、供需关系及价格波动等影响提前准备相应的多余库存数量或水平，不过多余库存在医院试剂及耗材行业应用较少，供应链计划预测模型暂时不考虑多余库存的影响，根据经销商端调研经销商的提前期的调研情况，同时目前提前期，到货时间反馈相对较稳定，所以可以忽略因提前期不确定性波动对安全库存水平的影响，因此安全库存的算法模型计算可简化如下所示：
SS＝Z*σ
σ:统计期内的需求数量标准差σ＝sqrt(((x1-x)^2+(x2-x)^2 +......(xn-x)^2)/n)
Z:服务水平定义：在供应链中指下一个补货周期内不发生缺货(有货率)的预期概率,简单地说，服务水平就是当需求产生时，比如客户下订单，多大概率下我们有现成的库存来满足订单。当然，服务水平也可定义为需求产生后，在某个特定的时段里，比如3天、5天或1周，我们能够履行订单的概率。出于简化阐述的目的，我们这里把服务水平定义为需求产生时，我们立即有库存来满足的概率。
当需求相对频繁时，企业一般会设预测，比如每周预测需求是80个，然后每周按照80个的平均需求来补货。当需求符合正态分布时，这意味着一半的情况下，每周的需求会高于80个；一半的情况下，每周的需求会低于80个。如果每周的供应是80个的话，这意味着有50％的概率下，需求能够马上得到满足；有50％的概率下，需求没法立即满足。也就是说，不放任何安全库存，我们的服务水平是50％。而要达到更高的服务水平，我们就得设置安全库存。
当需求服从正态分布时，放1个标准差的安全库存，服务水平会提高 34.1％，由50％提高到84.1％；再放1个标准差的安全库存(Z＝2)，服务水平再提高13.59％，达到97.7％；等放到第3个标准差的安全库存时(Z＝3)，服务水平会再提高2.28％，达到99.9％，也就是说，一旦需求来了，99.9％的情况下我们手头有库存来满足。
正态分布z值表具体如下表所示：根据数理统计和正态分布理论，例如服务水平对应相应的有货率系数Z值，Z值大小可以根据不同的试剂耗材服务水平或有货率要求按照下表的参数表进行查询取值，比如要达到 96.4％的有货率，Z值就等于1.8，即放1.8个标准差的安全库存即可,要达到97.7％的有货率，Z值就等于2.0，即放2个标准差的安全库存,要达到98.6％的有货率，Z值就等于2.2，即放2.2个标准差的安全库存要达到99.9％的有货率，Z值就等于3.00，即放3个标准差的安全库存，即可看得出，服务水平是个系数。服务水平越高，这个系数越大；反之亦然。
因此正态分布算法模型即一段时间内如一个月或一周的需求数量或水平可按照以下公式进行计算和预测需求；
需求预测＝周转库存F*L+安全库存SS)+策略库存。
同时策略库存对于医院试剂及耗材行业应用较少，策略库存备货将予以省略，同时提前期相对稳定，因此针对需求较为频繁稳定医院试剂及耗材正态分布模型及算法公式可进一步简化为：
F(n+1)＝F+Z*σ
时间序列是将某种统计指标的数值按时间先后顺序排到所形成的数列，时间序列预测法就是通过编制和分析时间序列反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。时间序列预测法其实是一种回归预测方法，属于定量预测，前提是假定事物的过去延续到未来，根据过去的变化趋势预测未来的发展, 一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。其内容包括：收集与整理某种社会现象的历史资料；对这些资料进行检查鉴别，排成数列；分析时间数列，从中寻找该社会现象随时间变化而变化的规律，得出一定的模式；以此模式去预测该社会现象将来的情况。
季节波动S：即月度或季度数据呈现出的随一年中季度或月份变化而有规则变动的规律性；
长期趋势T：即随着时间的长期变化呈现出的某种上升、下降或保持在某一水平上的变化规律；
异常波动I：由于需求变异或环境影响产生的明显异常波动；
随机波动C：即由不可控的偶然或随机因素影响而产生的变动。
时间序列预测方法和步骤：
将时间序列分解成长期趋势、季节变动、异常波动和随机波动四个因素后，可认为时间序列Y是这四个因素的函数：
Yi＝f(Ti,Si,Ci,Ii)
如果把季节波动S和异常波动I数据从原时间序列分离后，则新时间序列函数只包含长期趋势和随机波动因素，即：
Y＝f(T,C)
随机波动因素可通过概率进行事先预估分析，得出只包含长期趋势时间序列函数Y(t)＝f(T)，通过统计回归建模拟合Y(t)趋势函数；
把相应季节、异常及随机波动因子影响度进行反向拟合预测未来趋势及需求。
泊松分布：用泊松分布计算服务水平有货率概率并结合相应成本-频率因子影响模型确定重要程度确定耗材试剂备货数量水平。
通过某医院常用医用诊断试剂及耗材使用及供应链管理情况进行初步调研情况如下：
近18个月目前医院从经销商采购的试剂及耗材主要型号共63个，主要用于是核医学科日常及病理检测，检查设备主要是西门子机器，检测方法主要是应用化学发光免疫检测法。目前医院订单和库存常用的包装单位是盒/箱/袋/桶等，在科室使用端大部分是用人/份来衡量使用消耗程度，同时使用端的实时消耗数据需要人工管理。另外同一种试剂在医院端可能会分大小不同的包装单位，例如雌二醇，目前医院试剂及耗材从来源分类主要为进口品牌和国产品牌，国产品牌效期一般可达到6-12个月，进口试剂效期根据不同的使用条件和环境如下所示：
1个月效期约占5％
2-3个月效期约占30-40％
3-6个月效期约占30％
6个月以上效期约占25-30％
医院当前使用的试剂及耗材主要应用于核医学科检验，主要诊断项目包括：体外分析：甲状腺激素、性激素、肾素-血管紧张素、过敏原等近 100项微量物质的定量分析，其中常用的63个试剂及耗材按照高值易耗、低值易耗、高值低耗及低值低耗进行分类如图3所示。
根据以上试剂分类及适用的预测算法模型分别对2020年起共20款试剂的实际消耗历史数据进行初步预测模拟分析结果，高值易耗和低值易耗类耗材试剂的需求数量或水平近似符合正态分布或时间序列模型分布规律；
其中对高值易耗和低值易耗类耗材试剂过去18个月的历史消耗需求建立相应的消耗数量曲线表明易耗类耗材试剂具有一定的趋势需求，并根据不同的月份具有明显的时间分布规律，同时又具有一定的随机波动相应波动预测，因此易耗类耗材试剂需求基本符合和遵循相应的时间序列分布和正态分布模型，因此针对易耗类耗材试剂今后的消耗预测可以建立相应的时间序列预测和正态分布算法模型并通过模型算法预测和管理今后的相应的耗材试剂计划需求。
针对易耗类试剂耗材建立以下需求预测算法模型，运用正态分布预测模型建立算法预测：
F(n+1)＝(Fn+F(n-1)+…+F(n-11))/12+Z*σ
运用时间序列预测模型简单移动平均算法，首先需要每个试剂或耗材历史月份消耗数据，其次需要对历史数据检验是否有异常月份数据，如有异常月份数据需要对该月份数据进行清洗及重新拟合，利用时间序列预测模型算法计算C-肽测定试剂盒四月份需求数量：
按照12个月份计算每个月及前后相邻的月份平均数，其中1月份有两个年份试剂消耗数据。
2020年1月份平均消耗量：
2021年1月份平均消耗量：
然后计算1月份平均消耗系数即把各1月份的平均消耗数量除以相对应的1月份实际消耗数量，
2020年1月份季节影响因子：
2020年1月份季节影响因子：
然后将每个月份的季节影响因子进行简单平均，得到1月份的加权季节影响因子系数：
S1＝(S1(20)+S1(20))/2
同理计算剩余月份季节因子系数如下表所示，但由于通过上述移动平均算法导致12个月份的季节性影响因子平均值只有0.994,并不等于1，所以对季节因子加权计算得出相应的每月加权季节性影响因子数值。
根据时间序列预测模型分离出相应季节性因子影响得到的新的C-肽测定试剂盒历史月消耗数据如下：
| 月份 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 因子总和 |
| 分离季节性影响的月份需求 | 14.63 | 2.75 | 12.85 | 21.31 | 24.92 | 29.18 | 29.18 | 29.18 | 24.09 | 31.84 | 19.00 | 20.49 |
根据分离季节性影响的月份需求通过专门的统计软件(SPSS)做相应回归拟合趋势函数，建立相应月份自变量，根据数理统计理论和回归分析，
其中三次方回归模拟分析函数R方值最大，且同时满足显著值小于 0.05，能够更好的拟合和反映C-肽测定试剂盒月份需求(分离季节性影响) 的长期趋势，C-肽测定试剂盒长期趋势回归模型函数确定为以下三次方函数：
F(n)＝0.058+7.168*VAR0002-0.540*VAR0002*VAR0002+0.009* VAR0002*VAR0002*VAR0002
注：VAR0002：需要预测的月份系数值；
针对回归函数进行计算相应月份需求并进行逆向拟合运算得到相应的月份需求预数量，主要是加入季节性影响因素和随机波动影响因子，同时如有遇到和历史数据相同的异常前置条件或相似影响，应评估加入相应的异常波动因子。
再加入随机波动影响因子，根据模型算法计算可以得出2020年1月以来每个月的预测月需求数据，同时用预测的月需求数据和当月实际消耗数据相比得到相应的预测数据准确率如图4所示。
通过对某医院建立预测模型算法验证和预测准确率结果分析，其中时间序列预测算法模型针对以下20个常用试剂耗材有16款试剂可以达到 60％以上预测准确率，如图5所示，通过对医用及实验室试剂及耗材的需求水平、成本水平、效期水平等因子进行分类可以针对每种类型试剂及耗材建立合适的需求预测算法和模型算法，并基本可以涵盖医院及实验室所有诊断试剂及耗材品类，可以对医用或实验室诊断实际及耗材分布建立适用的预测算法模型，可以对根据某医院诊断试剂及耗材实际使用的试剂耗材进行分类并建立相应的预测算法模型；
因此建立一种供应链计划智能预测管理模块和算法能够帮助医院对相应的试剂耗材用量、计划、采购、物流配送和库存进行更好的系统智能数字化管理，能够更好的帮助医院改善和提升试剂耗材精益化管理能力，同时供应链计划智能预测管理模块可以给医院及实验室提供相应的赋能支持服务，例如试剂及耗材的成本趋势分析和管控、库存实时管理及持续优化、最大化减少人工管理成本等并达到降本增效之目的。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种IVD诊断试剂耗材的需求预测方法，其特征在于，包括以下步骤：
S1、定义医院或者实验室用的耗材试剂的参数，具体是从成本水平、需求水平、影响程度和效期水平四个方向定义；
S2、根据每个耗材试剂的成本水平、需求水平、影响程度和效期水平的四个维度评估和建立相应的耗材试剂需求因子影响模型；
S3、根据耗材试剂需求因子影响模型对医用或者实验室用的耗材试剂进行分类；
S4、根据耗材试剂的分类，引入预测模型及算法初步验证结果，完成预测。
2.根据权利要求1所述的一种IVD诊断试剂耗材的需求预测方法，其特征在于，在S1中，成本水平的定义是：医院或者实验室在一个统计周期的12个月内每个试剂或耗材以采购单位计量的采购价格水平，单位采购价格大于等于1000元定义为高值医用耗材试剂，成本水平定义为等级1，医用耗材试剂单位采购价格小于500元为低值医用耗材试剂，成本水平定义为等级3，介于500-1000之间为定义为中值医用耗材试剂，成本水平定义为等级2。
3.根据权利要求2所述的一种IVD诊断试剂耗材的需求预测方法，其特征在于，在S1中，需求水平定义是：医院或者实验室在一个统计周期12个月内统计有实际需求或使用消耗的月份数量，主要衡量医院及实验室耗材试剂需求不确定的影响程度或重要性，若耗材试剂在一个统计周期的12个月内至少有11个月份中均有使用消耗或实际需求，则该耗材试剂定义为易耗类试剂，其需求水平定义为3；若耗材试剂在一个统计周期的12个月内只有不超过6个月份中有使用消耗或实际需求，则该耗材试剂定义为低耗类耗材试剂，其需求水平定义为1，剩余的耗材试剂定义为中耗类耗材试剂，其需求水平定义为2。
4.根据权利要求3所述的一种IVD诊断试剂耗材的需求预测方法，其特征在于，在S1中，影响程度的定义是：医院或者实验室的耗材试剂在使用中的用途，对于拯救生命或提供基本医疗保健至关重要定义为V类；对普通疾病有效的耗材试剂定义为E类；用于轻微的或自限性疾病辅助治疗的耗材试剂定义为N类。
5.根据权利要求4所述的一种IVD诊断试剂耗材的需求预测方法，其特征在于，在S1中，效期水平的定义是：医院或者实验室的耗材试剂在规定的储藏条件下能保持质量的期限，耗材试剂效期大于9个月定义为长效期，其效期水平定义为3，耗材试剂效期小于6个月定义为短效期，其效期水平定义为1，耗材试剂效期小于9个月大于6个月的定义为中效期，其效期水平定义为2。
6.根据权利要求5所述的一种IVD诊断试剂耗材的需求预测方法，其特征在于，在S2中，根据每个耗材试剂的成本水平、需求水平、影响程度和效期水平的四个维度评估和建立相应的耗材试剂需求因子影响模型，具体为医院或者实验室的耗材试剂的需求影响因子给予确定数值，其需求影响因子数值大小定义为其对应的成本水平、需求水平和效期水平的数值乘积值，即耗材试剂的需求影响因子值分别为1、2、3、4、8、9、12、18、27之一，根据需求影响因子值建立耗材试剂的需求因子影响评估模型矩阵。
7.根据权利要求6所述的一种IVD诊断试剂耗材的需求预测方法，其特征在于，耗材试剂的需求影响因子值大于9以上定义为高影响因子，该试剂服务水平Z值的大小定义为2.2；耗材试剂的需求影响因子值等于9定义为中影响因子，服务水平有货率Z值的大小定义为2.0；耗材试剂的需求影响因子值小于9定义为低影响因子，服务水平有货率Z值的大小定义为1.8。
8.根据权利要求7所述的一种IVD诊断试剂耗材的需求预测方法，其特征在于，在S3中，根据耗材试剂需求因子影响模型对医用或者实验室用的耗材试剂进行分类如下：高值易耗类、低值易耗类、高值低耗类、低值低耗类。
9.根据权利要求8所述的一种IVD诊断试剂耗材的需求预测方法，其特征在于，其中高值易耗类和低值易耗类耗材试剂的用量及需求相对重复稳定，引入时间序列模型及正态分布模型等预测方法进行对此类试剂进行较准确的需求预测及相应安全库存水平设置；高值低耗类和低值低耗类耗材试剂由于用量及需求不稳定，因此引入泊松分布的预测算法模型对此类试剂或耗材进行需求预测及相应安全库存水平设置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210060754.0A CN114595865A (zh) | 2022-01-19 | 2022-01-19 | 一种ivd诊断试剂耗材的需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210060754.0A CN114595865A (zh) | 2022-01-19 | 2022-01-19 | 一种ivd诊断试剂耗材的需求预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114595865A true CN114595865A (zh) | 2022-06-07 |
Family
ID=81806633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210060754.0A Pending CN114595865A (zh) | 2022-01-19 | 2022-01-19 | 一种ivd诊断试剂耗材的需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114595865A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433162A (zh) * | 2023-04-17 | 2023-07-14 | 北京建工环境修复股份有限公司 | 试剂耗材管理方法、装置、电子设备和存储介质 |
| CN117133462A (zh) * | 2023-10-23 | 2023-11-28 | 江苏普若维生物技术有限责任公司 | 一种诊断试剂管理方法 |
-
2022
- 2022-01-19 CN CN202210060754.0A patent/CN114595865A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433162A (zh) * | 2023-04-17 | 2023-07-14 | 北京建工环境修复股份有限公司 | 试剂耗材管理方法、装置、电子设备和存储介质 |
| CN117133462A (zh) * | 2023-10-23 | 2023-11-28 | 江苏普若维生物技术有限责任公司 | 一种诊断试剂管理方法 |
| CN117133462B (zh) * | 2023-10-23 | 2024-02-13 | 江苏普若维生物技术有限责任公司 | 一种诊断试剂管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Petrin et al. | Measuring aggregate productivity growth using plant‐level data | |
| Van Wassenhove et al. | On the effect of quality overestimation in remanufacturing | |
| Sadeghi et al. | An AHP decision making model for optimal allocation of energy subsidy among socio-economic subsectors in Iran | |
| Clemen | Combining forecasts: A review and annotated bibliography | |
| Hendalianpour et al. | Hybrid model of IVFRN-BWM and robust goal programming in agile and flexible supply chain, a case study: automobile industry | |
| Braglia et al. | A continuous review,(Q, r) inventory model for a deteriorating item with random demand and positive lead time | |
| CN102346880B (zh) | 企业资源规划计算机系统和方法 | |
| CN108256898A (zh) | 一种产品销量预测方法、系统及存储介质 | |
| CN114595865A (zh) | 一种ivd诊断试剂耗材的需求预测方法 | |
| Zhang et al. | A dynamic pricing strategy for a 3PL provider with heterogeneous customers | |
| Jánošíková et al. | Location of emergency stations as the capacitated p-median problem | |
| Bi et al. | Improving sales forecasting accuracy: a tensor factorization approach with demand awareness | |
| CN114926305A (zh) | 电力物资管控方法、装置、计算机设备、存储介质 | |
| Pitchipoo et al. | DECISION MODEL FOR SUPPLIER EVALUATION AND SELECTION IN PROCESS INDUSTRY: A HYBRID DEA APPROACH. | |
| CN116611862A (zh) | 一种供电公司月度市场化采购电量的预测方法 | |
| Even et al. | Dual assessment of data quality in customer databases | |
| Chen-Ritzo et al. | Component rationing for available-to-promise scheduling in configure-to-order systems | |
| Palma et al. | Extending the Multiple Discrete Continuous (MDC) modelling framework to consider complementarity, substitution, and an unobserved budget | |
| Tomlin | Japanese FDI into US service industries: Exchange rate changes and services tradability | |
| CN107944795A (zh) | 生鲜分拣报缺货物生成订单的方法以及系统 | |
| CN114066642A (zh) | 电力零售的风险预测方法、终端及存储介质 | |
| Huang et al. | Chance-constrained approach for decentralized supply chain network under uncertain cost. | |
| Even et al. | Understanding Impartial Versus Utility-Driven Quality Assessment In Large Datasets. | |
| CN110264251B (zh) | 表征现金流的数据组织形式与基于多任务学习的预测方法 | |
| Carpio et al. | A general two-constraint model of consumer demand |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |