使用SARIMA和指数平滑模型对血液病患者红细胞需求进行时间序列预测：在中国一家三级医院进行的回顾性分析

《Frontiers in Medicine》：Time series forecasting of red blood cell demand in hematology patients using SARIMA and exponential smoothing models: a retrospective analysis in a Chinese tertiary hospital

基于四川某医院2014-2023年每月RBCs用量数据，本研究通过SARIMA(2,1,0)(1,1,1)12模型与Winters加法ES模型对比分析，发现SARIMA模型在预测RBCs需求中具有更优的MRE(8.5%)和MAPE(13.693%)指标，且通过DM检验验证其预测优势。研究为血库科学管理提供了新方法，但需多中心数据验证和动态模型更新。

　　红细胞（RBCs）输注在血液病患者的治疗中具有重要作用。然而，如何在临床需求与血库供应之间保持平衡，依然是一个重要的挑战。本文通过引入季节性自回归积分滑动平均（SARIMA）模型和指数平滑（ES）模型，探索了这两种方法在预测血液病患者每月红细胞输注需求方面的可行性。研究结果表明，SARIMA模型在预测效果上优于ES模型，具有更小的均值相对误差（MRE）和更高的预测精度。这些发现为血库管理提供了重要的参考，有助于优化血库资源分配，减少浪费，提高血液使用效率。

红细胞是血液输注中最常见的成分之一，它在维持患者血容量、提高血红蛋白浓度、增强身体供氧能力以及改善免疫功能方面发挥着关键作用。由于红细胞的储存时间有限，血库在采集和保存红细胞方面受到一定限制，导致临床需求与库存之间经常出现不平衡。当库存不足时，患者可能无法及时接受输血治疗，影响病情恢复；而库存过多则可能导致红细胞因超过储存期限而被浪费。因此，准确预测未来一段时间内的红细胞需求，对于血库的血液采集计划、库存管理和临床资源调配具有重要意义。

在医学领域，时间序列模型被广泛应用于预测各种数据，如发病率、死亡率、住院人数和药物需求等。这些模型基于时间这一单一变量，通过反复识别和分析时间序列的变化规律，构建最优的预测模型。SARIMA模型能够科学地提取和分析时间序列中的季节性、趋势性和其他干扰因素之间的相互影响。而ES模型则通过加权平均过去的数据来预测未来，其特点是赋予近期数据更大的权重，从而更好地反映最新信息。这两种模型各有优势，但在实际应用中，其效果取决于具体的数据特征和应用场景。

本文的研究样本来源于四川省某大型综合医院血液科的信息管理系统，收集了2014年1月至2023年12月期间，该医院血液病患者每月的红细胞使用数据。数据包括不同类型的红细胞（如悬浮红细胞、洗涤红细胞、去白细胞悬浮红细胞、辐照去白细胞悬浮红细胞以及冷冻解冻甘油脱水红细胞）以及不同血型（A型、B型、O型、AB型）的使用情况。红细胞的使用量以单位（U）为单位进行统计，其中1单位相当于200毫升全血。研究还指出，红细胞的规格分为1U、1.5U和2U，部分新生儿可能使用0.25U，因此每月的使用数据以小数形式报告。

在模型构建过程中，研究者首先对原始数据进行了处理，包括一阶差分和一阶季节性差分，以消除趋势和季节性的影响。随后，利用自相关函数（ACF）和偏自相关函数（PACF）图来选择SARIMA模型的参数。通过比较不同模型的参数估计结果和假设检验，最终确定了SARIMA（2,1,0）（1,1,1）₁₂模型作为最优模型。该模型的拟合效果良好，R2值为0.603，均值绝对误差（MAE）为37.092，均值绝对百分比误差（MAPE）为13.693，贝叶斯信息准则（BIC）为7.896。同时，模型的残差序列通过Ljung-Box Q检验，确认其为白噪声序列，符合随机性假设。

相比之下，指数平滑模型（ES）中的Winters加法模型在各项评估指标中表现更优，R2值达到0.702，MAE为32.617，MAPE为12.138，BIC为7.485。然而，尽管Winters加法模型的预测精度较高，但SARIMA模型在均值相对误差（MRE）方面仍优于该模型，其MRE为8.5%，而Winters加法模型的MRE为15.9%。此外，Diebold-Mariano（DM）检验结果进一步验证了SARIMA模型在预测准确性方面的显著优势。这一结果表明，SARIMA模型在预测红细胞需求方面更具可靠性，能够更准确地反映未来的变化趋势。

在模型测试阶段，研究者通过t检验对模型的参数进行显著性检验。如果检验结果中p值小于0.05，则认为该参数具有统计学意义。在SARIMA模型的参数检验中，某些参数未能通过检验，表明模型需要进一步优化。因此，研究者通过从低阶到高阶的逐步尝试，结合多种评估指标和假设检验结果，最终确定了最优的SARIMA模型。对于ES模型，研究者比较了三种不同的季节性模型，发现Winters加法模型在各项指标中表现最佳，但其预测精度仍低于SARIMA模型。

研究还指出，尽管SARIMA和ES模型在预测红细胞需求方面具有一定的优势，但它们的构建均基于已有的时间序列数据，未能考虑突发事件（如新冠疫情）对数据的影响。因此，未来的模型构建需要更加灵活，能够根据实际情况进行调整和更新，以确保预测的准确性和实用性。此外，本研究仅基于单一中心的数据，未来的研究可以扩展到多中心，以获取更具代表性的数据样本，提高研究结果的说服力和适用性。

从临床角度来看，红细胞的预测不仅有助于血库管理，还能为医生和医疗团队提供重要的参考，以制定更合理的输血计划。通过准确预测红细胞需求，可以避免库存不足或过剩的情况，确保患者能够及时获得所需的血液成分，同时减少浪费。此外，预测结果还可以帮助医院优化资源配置，提高医疗效率，特别是在血库资源有限的情况下，具有重要的实际意义。

综上所述，本文通过比较SARIMA模型和ES模型在预测红细胞需求方面的效果，发现SARIMA模型在预测精度和稳定性方面具有优势。然而，研究也指出，未来的模型构建需要考虑更多外部因素的影响，并结合多中心数据以提高预测的全面性和可靠性。同时，模型的持续优化和更新是确保预测准确性的关键，医疗决策者应根据实际需求不断调整模型参数，以适应不断变化的临床环境。这些发现不仅为红细胞需求预测提供了新的思路，也为血库管理和血液资源调配提供了科学依据。