基于机器学习与供应链韧性视角的医疗设备召回发起者预测框架研究

本文提出一种融合供应链风险管理（SCRM）与韧性理论的机器学习（ML）驱动框架，通过重构医疗设备召回策略，在上市前阶段实现故障主动检测。该框架以工业案例为基础，通过数据集重构、聚类方法优化及关键输入特征（如产品代码）选择，达成88.85%的预测准确率，为制造商提供高可及性的预测性故障干预方案，显著降低召回风险与经济健康损失。

　　

Section snippets

Reconstructed medical device recall strategy

召回策略可分为主动型（proactive）与反应型（reactive）。主动策略要求企业或组织在客户遭受实际损害前采取干预措施，而反应型召回通常发生在调查后期，多因消费者严重投诉或伤亡事件触发（Chen et al., 2009）。

Discussion, managerial insights and theoretical contributions

本研究（图6）首次将供应链韧性理论与经典召回视角结合，阐释了在上市前阶段开发医疗设备故障预测工具以减少召回事件的必要性。基于供应链韧性理论，本研究从供应链风险管理视角重构医疗设备召回事件管控逻辑，通过前置风险干预提升系统抗扰动能力。相较于传统召回管理，该框架强调在预上市阶段通过机器学习模型（如特征选择中的“产品代码”聚类）实现故障类型预测，为不同规模制造商提供低技术门槛、高实用性的解决方案。理论层面，本研究为上市前故障检测奠定了理论基础，并为政策制定者强化高风险设备（Class II/III）市场准入安全评估策略提供了实践依据。

Declaration of competing interest

作者声明不存在任何已知的竞争性经济利益或个人关系，以避免对研究结果产生潜在影响。