การจำลองเปรียบเทียบการสำรองยารักษาโรคมะเร็งโดยคลังยาด้วยระบบการเติมสินค้าโดยผู้ขายผ่านการจำแนกข้อมูลด้วยต้นไม้ตัดสินใจในสถาบันมะเร็งแห่งชาติ

บทคัดย่อ

ภูมิหลัง: ระบบการเติมสินค้าโดยผู้ขาย Vendor Managed Inventory (VMI) เป็นวิธีการหนึ่งของการจัดการสินค้าคงคลัง (inventory management) โดยมีหลักการให้ผู้ขาย (vendor) เข้า ถึงข้อมูลยอดคงเหลือ รวมถึงการเคลื่อนไหวของสินค้าในคลังของ ลูกค้า และทำหน้าที่บริหารจัดการเติมสินค้าให้ลูกค้าทดแทนระบบ การรับคำสั่งซื้อแบบเดิม มีเป้าหมายเพื่อลดการสำรองสินค้าที่มาก เกินจำเป็น และในปัจจุบันซึ่งเป็นยุคแห่งเทคโนโลยี การเรียนรู้ของ เครื่อง (machine learning) เป็นสาขาหนึ่งของปัญญาประดิษฐ์ ที่พัฒนามาจากการศึกษาการรู้จำแบบ ทำให้คอมพิวเตอร์มีความ สามารถในการเรียนรู้ด้วยตนเองจากชุดข้อมูลตัวอย่าง นำอัลกอริทึม มาใช้ในการสร้างตัวแบบการเรียนรู้ทำนายหรือตัดสินใจได้ภายหลัง โดยปราศจากการทำงานตามลาดับคำสั่งโปรแกรม ถูกนำมาใช้ ประโยชน์ในหลากหลายด้าน จึงเป็นสิ่งท้าทายที่จะศึกษาและประยุกต์ การนำระบบ VMI เข้ามาใช้ในโรงพยาบาล ด้วยการสร้างตัวแบบ จากการเรียนรู้ของเครื่อง (machine learning) และให้คลังยาทำหน้าที่ในการเติมยาให้หน่วยบริการ เป็นการปรับปรุงกระบวนการ ทำงาน พร้อม ทั้งพัฒนาระบบการสารองยาให้มีประสิทธิภาพมากขึ้น วัตถุประสงค์: เพื่อจำลองสถานการณ์การสำรองยารักษาโรคมะเร็ง โดยคลังยา ด้วยระบบการเติมสินค้าโดยผู้ขาย ผ่านการจำแนกข้อมูล ด้วยต้นไม้ตัดสินใจ เปรียบเทียบกับสถานการณ์จริงในคลังยาย่อย เพื่อให้มีปริมาณเพียงพอต่อการให้บริการและลดมูลค่าการสำรองยา คงคลังลง วิธีการ: เนื่องด้วยลักษณะความต้องการใช้ของยาแต่ละ รายการมีความแตกต่างกัน ทำให้ไม่สามารถใช้นโยบายในการสำรอง ยาเพียงนโยบายเดียวได้ จึงใช้การศึกษาสถานการณ์ข้อมูลการใช้ยา รักษาโรคมะเร็งในสถาบันมะเร็งแห่งชาติย้อนหลัง นำมาวิเคราะห์จัด แบ่งตามลักษณะของความต้องการใช้ยาด้วยวิธีการเรียนรู้ของเครื่อง (machine learning) จำแนกข้อมูลด้วยต้นไม้ตัดสินใจ (decision trees classification) และจำลองสถานการณ์การเติมสินค้าโดย ผู้ขายด้วยตัวแบบที่เหมาะสม ผล: พบว่าสามารถลดมูลค่าการสำรอง ยาคงคลังเฉลี่ย (average Inventory value) ลงได้ 788,328.53 บาท / วัน คิดเป็นร้อยละ 13.28 และลดจำนวนวันสำรองยาคงคลัง เฉลี่ย (average days of stock) จาก 18.04 วัน เป็น 15.84 วัน ด้วย ระดับการบริการ (service rate) ร้อย ละ 99.96 พร้อมทั้งลดจานวน ครั้งในการสำรองยาลงได้ร้อยละ 72.73 สรุป: การเติมสินค้าโดย ผู้ขายด้วยตัวแบบที่เหมาะสมจากการจัดแบ่งตามลักษณะของความ ต้องการใช้ยาด้วยวิธีการเรียนรู้ของเครื่อง (machine learning) ผ่านการจำแนกข้อมูลด้วยต้นไม้ตัดสินใจ สามารถลดมูลค่าการ สำรองยาคงคลังเฉลี่ย (average Inventory value), จำนวนวัน สำรองยาคงคลังเฉลี่ย (average days of stock) และจำนวนครั้ง ในการสำรองยาลง โดยยังรักษาระดับการบริการ (service rate) ไว้ ได้ พบการสำรองยาที่ไม่เพียงพอต่อการให้บริการอยู่ร้อยละ 0.04 สาเหตุหลักเกิดจากการเปลี่ยนแปลงของลักษณะการใช้ยาที่เพิ่มขึ้น จากเดิมมาก ทั้งนี้กรณียาในกลุ่มยามุ่งเป้า (targeted therapy) ที่มีความต้องการใช้ยาเฉพาะเจาะจงกับผู้ป่วยแต่ละราย การใช้กฎ ในการจำแนกลักษณะความต้องการใช้ยาจากจำนวนผู้ป่วยและ อัตราการใช้ยาย้อนหลังจากงานวิจัยนี้อาจไม่เหมาะสม ก่อให้เกิด ความเสี่ยงในการสำรองยาคลาดเคลื่อนจากจานวนผู้ป่วยที่แท้จริงได้