S'abonner

Improved neural network for predicting blood donations based on two emergent factors - 25/01/23

Doi : 10.1016/j.tracli.2023.01.006 
Xiaofei Li a, Xinyi Ding b, Helong Guo c, Xiao Zhang b,
a Department of Blood Transfusion, Beijing Friendship Hospital, China 
b Faculty of Information Technology, Beijing University Of Technology, China 
c Beijing Tongzhou Central Blood Station, China 

Corresponding author at: Faculty of Information Technology, Beijing University of Technology, No. 100, Pingleyuan, Chaoyang District, Beijing, 100124, ChinaFaculty of Information Technology
Sous presse. Manuscrit accepté. Disponible en ligne depuis le Wednesday 25 January 2023
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder

Highlight:

Daily blood donations are influenced by a variety of social factors.
Epidemics affect blood donation to a greater extent than weather.
A new model was developed to improve the accuracy of blood donation prediction under both factors.
The prediction accuracy was improved by 36.1% compared to the traditional model.

Le texte complet de cet article est disponible en PDF.

Abstract

Background

Blood donation forecasting is a critical part of blood supply chain management. However, few studies have focused on modeling blood donation with different emergency factors.The purpose of this study was to investigate the effects of different emergency events on blood donation and to build a suitable blood volume prediction model.

Materials and methods

The amount of blood donation from 2015 to December 2021 at Beijing Tongzhou District Central Blood Station was selected as the time series data. First, statistical methods were employed to analyze the effect of weather and epidemic factors on blood donation. Second, a hybrid model of SARIMAX and a neural network was built to predict the blood donation volume in the next two weeks with two factors.

Results

We identified significant differences in blood donations under different emergency conditions and a high correlation between epidemic status and blood donations. In addition, the decision coefficient improved by 60.7%, and the Root Mean Square Error(RMSE) decreased by 1.668 when using the hybrid model of SARIMAX and the neural network, indicating that the model was effective in reducing the prediction error of blood donation.

Conclusion

The hybrid model approach allows long-term forecasting of blood donations under emergency conditions and provides reliable and accurate forecasting results for blood stations up to 2 weeks in advance, facilitating warnings on the blood supply to relevant hospitals and improving hospital treatment rates while reducing blood transportation costs.

Le texte complet de cet article est disponible en PDF.

Keywords : Blood prediction, Social Factors, Neural Network Models, Blood Donation


Plan


© 2023  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.