Background: Laboratory professionals aim to provide a reliable laboratory service using public resources efficiently while planning a test's procurement. This intuitive approach is ineffective, as seen in the COVID-19 pandemic, where the dramatic changes in admissions (e.g. decreased patient admissions) and the purpose of testing (e.g. D-dimer) were experienced. A model based on objective data was developed that predicts the future test consumption of coagulation tests whose consumptions were highly variable during the pandemic.
Methods: Between December 2018 and July 2021, monthly consumptions of coagulation tests (PTT, aPTT, D-dimer, fibrinogen), total-, inpatient-, outpatient-, emergency-, non-emergency -admission numbers were collected. The relationship between input and output is modeled with an external input nonlinear autoregressive artificial neural network (NARX) using the MATLAB program. Monthly test consumption between January and July 2021 was used to test the power of the forecasting model.
Uvod: Laboratorijski stručnjaci imaju za cilj da obezbede pouzdanu laboratorijsku uslugu koristeći javne resurse efikasno dok planiraju nabavku testa. Ovaj intuitivni pristup je neefikasan, kao što se vidi u pandemiji COVID-19, gde su doživljene dramatične promene u prijemu (npr. smanjen broj prijema pacijenata) i svrha testiranja (npr. D-dimer). Razvijen je model zasnovan na objektivnim podacima koji predviđa buduću potrošnju testova koagulacionih testova čija je potrošnja bila veoma varijabilna tokom pandemije.
Metode: Od decembra 2018. do jula 2021. prikupljane su mesečne potrošnje testova koagulacije (PTT, aPTT, D-dimer, fibrinogen), ukupnih, bolničkih, ambulantnih, hitnih, nehitnih prijemnih brojeva. Odnos između ulaza i izlaza je modelovan sa eksternom ulaznom nelinearnom autoregresivnom veštačkom neuronskom mrežom (NARKS) korišćenjem MATLAB programa. Mesečna potrošnja testova između januara i jula 2021. korišćena je za testiranje snage modela predviđanja.
Rezultati: Prema kointegracionoj analizi, u model je uključen ukupan broj kao i broj hitnih i nehitnih pregleda i broj radnih dana u mesecu. Kada je procenjena potrošnja aPTT i fibrinogena, bilo je moguće predvideti potrošnju drugih testova. Podaci za pedeset meseci korišćeni su za predviđanje potrošnje u narednih šest meseci, a predviđanje zasnovano na NARKS-u bilo je robusniji pristup za oba testa.
Zaključak: Model dubokog učenja daje bolje rezultate od intuitivnog pristupa u predviđanju, čak i u eri pandemije, i pokazuje da će efektivnije i efikasnije planiranje biti moguće ako se u predviđanju koriste mehanizmi odlučivanja podržani ANN-om.
Keywords: NARX (nonlinear autoregressive with external input) neural network; artificial neural network; coagulation test; deep learning; test consumption; test procurement.
2024 Basok Banu Isbilen, Kocakoc Ipek Deveci, Veli Iyilikci, Selena Kantarmaci, Mesut Fidan, published by CEON/CEES.