基于XGBoost机器学习模型的住院药房口服药拆零用量预测效果分析OA

目的:探讨使用极端梯度提升(XGBoost)机器学习模型预测住院药房口服药拆零用量需求的可行性,提升药品拆零计划的科学性。方法:基于该院20种常用拆零口服药52周(2024年7月至2025年6月)的拆零用量数据,采用XGBoost算法建立未来1周口服药拆零用量的预测模型。模型纳入了历史用量和长假等特征,并通过比较不同历史数据长度(预测周前1~5周)的预测效果,确定最优模型,并将该模型预测与传统药师人工预测进行对比。结果:在与4个周次的人工预测对比中,XGBoost模型展现出显著的优越性。模型的平均绝对误差显著低于人工预测[98.65(95%CI=70.19~127.12)vs. 2 001.21(95%CI=1 344.26~2 658.17)],差异有统计学意义(P<0.001)。同时,模型预测的平均绝对百分比误差远低于人工预测(21.09%vs. 314.16%)。结论:与传统药师人工预测相比,XGBoost机器学习模型在住院药房口服药拆零用量需求中的预测性能更加优越,可以更好地辅助口服药拆零计划的制定,提升药品质量管理水平。