Page 62 - 《中国医疗器械杂志》2025年第6期

Chinese Journal of Medical Instrumentation 2025年 第49卷 第6期

临 床 医 学 工 程

负担，导致二级库耗材管理面临新挑战 。 型，通过自注意力机制高效建模，从而在长时间序
[2]
[8]
因此，合理规划供应方式对减轻临床科室的工 列中捕捉不同位置之间的依赖关系 。
作压力、降低库存管理难度具有十分重要的意义。 不同模型参数设置如表1所示。

本研究运用智能化技术和数据分析方法，选取某三 表1 不同模型参数设置
甲医院冠脉支架供应及临床使用数据，探讨深度学 Tab.1 Different model parameter settings
习方法 对冠脉支架需求的预测能力，并以此为依 模型参数 CNN模型 LSTM模型 Transformer
[3]
模型
据优化供应管理措施、提高供货效率，为临床二级 （ 批次大小, 1, （批次大小, 1, （批次大小, 1,

库管理提供参考，从而保障医疗质量，也可进一步 输入维度 序列长度, 序列长度, 序列长度,
特征维度） 特征维度） 特征维度）
推动冠脉支架集采政策的落地与优化。
Embedding
嵌入层 无 无 （ 特征维度,
1 资料与方法 隐藏层维度）
Conv2D→ LSTM

1.1 一般资料 基底层 BatchNorm2D （特征维度, Transformer
→ReLU→ 隐藏层维度, Encoder Layer
选取2022年1月至2024年8月共计32个月某三甲 MaxPool2D 层数）
医院冠脉支架集采耗材供应商供货数据及临床科室 汇聚层 Flatten→Linear Flatten→Linear Flatten→Linear
库存、使用数据作为研究对象，供应商供货数据包 Linear Linear Linear
分类器 （ 512，分类 （ 512，分类 （ 512，分类
括供货产品、供货时间、供货频次、供货数量及临 数） 数） 数）
床科室使用数据等，用于分析冠脉支架实际使用需 激活函数 ReLU Tanh ReLU
标准化
求及需求波动。 方案 BatchNorm2D LayerNorm LayerNorm
1.2 方法 Scaled Dot-
注意力
1.2.1 深度学习在需求预测中的应用 机制 无 无 Product Multi-
Head Attention
医疗耗材管理在现代医疗体系中至关重要，关 Conv2D层间， LSTM层间，分
Dropout层 无
系医疗质量和患者安全，还直接影响医疗机构的运 分类器前 类器前

营效率。传统的医疗耗材管理方法包括线性规划、 同时，构建预测模型框架，如图1所示。
强化学习等，但这些方法在面对复杂的医疗耗材管
理场景时，往往存在局限性。深度学习技术在冠脉 数据预处理
支架集采类耗材管理中的应用，为优化供应及使用
管理提供了新的途径。深度学习模型可以自动识别 形成模型数据集
并预测医院内部冠脉支架需求量，提高物资管理效
[4]
率和管理水平 。基于深度学习的冠脉支架集采类
耗材管理系统通常包括数据源、数据集市和数据服
CNN模型 LSTM模型 Transformer模型
务等层级，能够实现对冠脉支架从计划采购、供
应、储存到使用全流程管理，并做到对冠脉支架需
求与供应管理的监督和优化。
训练与预测
1.2.2 模型选择与架构
本 研 究 为 实 现 冠 脉 支 架 需 求 预 测 的 目 标 ，
采用了多种深度学习模型进行比较，包括 CNN 形成MSE趋势图及各模型预测结果
卷积神经网络）、LSTM（长短期记忆网络）、
（
[5]
Transformer 。这些模型各有特点：
评估各模型预测误差
CNN：在提取时间序列数据中的局部特征方
[6]
面更具优势，适合用于捕捉短期需求模式 。 图1 预测模型框架
LSTM：适用于捕捉序列数据中的长期依赖关 Fig.1 Prediction model framework
系，通过“门”的机制来控制信息的流入和流出， 1.2.3 模型训练与验证
对处理梯度消失问题价值较高 。 为了实现冠脉支架需求预测的目标，本研究对
[7]
Transformer：基于自注意力机制的深度学习模 所选的深度学习模型进行了系统的训练与验证。

648