Page 65 - 《中国医疗器械杂志》2025年第6期

预测值
真实值
预测值
数量 个 数量 个 日期 真实值 数量 个 数量 个
Chinese Journal of Medical Instrumentation 2025年 第49卷 第6期

临 床 医 学 工 程

日期

140 真实值 140 效性。尤其是Transformer模型，其MSE随训练轮次
预测值（Transformer）
120 120 的增加呈现更陡峭的下降曲线，最终稳定在更低水
100 100 平，相较于CNN的局部感受野和LSTM的序列处理
数量/个 80 80 数量/个 局限，Transformer的自注意力机制能更好地捕捉时
60
60
间序列中的长程依赖关系，这对处理具有政策周期
40 40
（ 如集采报量、签订协议等窗口期）的医疗耗材数
20 20
[15]
据至关重要 。
0 0 此外，本研究所探讨的MSE虽然能够反映预测
2024-04-23 2024-05-14 2024-06-04 2024-06-25 2024-07-16 2024-08-06 2024-08-27 值与真实值之间的误差大小，但单一的评估指标无
日期 法全面衡量模型的性能。因而本研究引入RMSE、
2
图4 各模型预测结果 MAE、R 评价指标，多维度对模型的预测性能进
Fig.4 Prediction results of different models
行评估。评估结果显示，Transformer模型的RMSE
为验证本文模型的精准度及有效性，对CNN、
为5.433、MAE为4.852、R²为0.968，对比CNN和
LSTM、Transformer模型的评价指标进行对比分
LSTM模型，其在RMSE、MAE和R²评价指标上均
析，结果如表3所示。 具有显著优势，说明Transformer模型在预测冠脉支

表3 各模型评价指标对比 架需求时，不仅整体误差更低，预测值与真实值之
Tab.3 Comparison of evaluation indicators for different models
间的平均偏差和平均绝对误差都较小，且对极端值
模型 RMSE MAE R 2
的预测偏差更小，预测结果更加接近实际情况，预
CNN 12.172 10.963 0.841
测精度更高。因此实验结果表明，Transformer模型
LSTM 10.256 9.481 0.887
能够更准确地预测冠脉支架的需求趋势，对时间序
Transformer 5.433 4.852 0.968
列数据中蕴含的规律和趋势捕捉更为精准。本文通

由表3可知，对比CNN、LSTM模型，Transformer 过深度学习模型捕捉到数据中的潜在规律和趋势，
模型的RMSE分别降低了6.739、4.823，MAE分别 可以据此合理安排采购计划，为优化供应以及临床
[16]
降低了6.111、4.629，可以看出Transformer模型在 二级库管理等方面提供重要的技术支持 。
RMSE和MAE指标上表现更优；同时Transformer模 4 结论与展望
2
型在R 上显著优于CNN和LSTM模型，高达0.968，
进一步证明了Transformer模型可以更准确地理解数 在冠脉支架需求预测和供应优化管理的研究
据的整体结构和趋势。 中，数据样本的局限性是一个不可忽视的问题，这

3 讨论 主要体现在以下几个方面：冠脉支架的需求与供应
涉及多个相关方，包括生产厂家、供应公司、医院
[17]
[12]
既往研究中，占盛鹤等 提出了需将大数据分 和患者等，数据的获取和整合难度较大 。此外，
析方法应用于耗材需求预测和库存优化，但并未明 若发生突发公共事件（如疫情、自然灾害等），冠
确深度学习的具体方法，缺乏数学模型对案例的应 脉支架供应链管理的模型可能面临供应链中断，如
[13]
用，缺少合理的完整验证过程；衡婉琼等 提出通 生产中断、物流受阻等挑战和不确定性，进而影响
过时间序列方法建立耗材需求预测模型，但仅采取 冠脉支架的需求量及供应量。因此本研究仍有进步
半年数据，数据量不足，短时间的数据可能导致无 空间，在这种情况下，模型可能需要考虑供应链的
法反映长期趋势，进而影响结果的可靠性。 弹性和韧性，通过建立供应商综合评价体系、缺货
本研究以2022年1月至2024年8月的冠脉支架集 补货模型等方式来降低风险，使得冠脉支架需求与
采数据为基础，运用CNN、LSTM 和Transformer 供应模型更为完整。
3种深度学习模型对冠脉支架需求趋势进行预测 ， 在冠脉支架集中带量采购的形势下，医院各方
[14]
[18]
发现3种深度学习模型从数据中提取一定的特征和 面均向着精细化管理的方向推进 。本研究通过对
规律后，表现出不同的预测性能，说明深度学习机 医院冠脉支架的既往使用量进行基于深度学习的建
制在处理冠脉支架集采数据及预测需求方面具有有 模与分析，预测未来需求量，提前备货，优化供

651