Forecasting Oncology Demand Trends with Boosting-Based Bayesian Conjugate Models

Technisches Fazit: Prognose von Nachfrageentwicklungen in der Onkologie mit Boosting-basierten Bayes'schen konjugierten Modellen

Problemstellung
Eine präzise Prognose des Gesundheitsbedarfs, insbesondere in der Onkologie, ist für die Ressourcenallokation und die Dienstleistungsplanung von entscheidender Bedeutung. Onkologische Einheiten sehen sich jedoch aufgrund hoher Variabilität der Patientenvolumina, die durch verzögerte Diagnosen, individualisierte Behandlungsprotokolle und unregelmäßige Nachuntersuchungen verursacht wird, erheblichen Herausforderungen gegenüber. Traditionelle Zeitreihenmodelle wie das Autoregressive Integrated Moving Average (ARIMA) und Exponential Smoothing (ETS) haben oft Schwierigkeiten, strukturelle Verschiebungen, nicht-stationäre Trenddynamiken zu erfassen oder Vorwissen effektiv einzubeziehen. Darüber hinaus können zwar maschinelle Lernmodelle wie Long Short-Term Memory (LSTM)-Netzwerke und XGBoost Flexibilität bieten, ihnen fehlen jedoch oft die analytische Handhabbarkeit und die Quantifizierung von Unsicherheiten, die für dynamische Gesundheitsumgebungen erforderlich sind. Die spezifische Herausforderung besteht in der Notwendigkeit eines Modells, das sich an nicht-stationäre Muster anpassen, sowohl kurz- als auch langfristige Trendverschiebungen verfolgen und geschlossene Aktualisierungsfunktionen beibehalten kann.

Methodik
Die Autoren schlagen einen Bayes'schen Inferenzrahmen vor, der konjugierte Verteilungen mit einem residualbasierten Boosting-Mechanismus kombiniert. Die Methodik läuft in drei sequenziellen Stufen ab:

1. Basis-Modell (Gamma–Poisson-Konjugation):
   Die Kernprognose der Nachfrage nutzt ein Gamma–Poisson-Konjugatenpaar. Die wöchentlichen Terminzahlen ($x_t$) werden als Poisson-Prozess mit einem unbekannten Ratenparameter $\lambda_t$ modelliert. Eine Gamma-Verteilung dient als konjugierte Prior-Verteilung für $\lambda$. Dies ermöglicht eine sequenzielle Bayes'sche Aktualisierung, bei der die Posterior-Verteilung in der Gamma-Familie verbleibt und eine geschlossene Lösung für die Posterior-Mittelwert-Prognose liefert. Diese Komponente erfasst das langfristige Gedächtnis des Nachfrageprozesses.

2. Residualmodellierung (Gamma–Log-Normal-Konjugation):
   Um systematische Abweichungen zwischen beobachteten und vorhergesagten Werten zu adressieren, analysiert das Modell die Residuen. Die multiplikativen Residuen werden mittels einer Logarithmusfunktion ($\log_p1(x) = \log(x+1)$) transformiert, um eine Normalverteilung zu approximieren. Auf diese transformierten Residuen wird dann eine Gamma–Log-Normal-Konjugatstruktur angewendet. Konkret wird die Präzision des Fehlers mit einer Gamma-Prior-Verteilung modelliert, und der Mittelwert des Fehlers wird mit einer Normalverteilung modelliert, die bedingt ist durch die Präzision. Dies ergibt einen Posterior-Mittelwert für den Fehlerterm, der einen gewichteten Durchschnitt aus virtuellen und empirischen Evidenzen darstellt.

3. Boosting und Korrektur:
   Die endgültige Prognose ($\hat{x}_{t+1}$) wird durch Summierung der Basis-Poisson-Prognose ($\hat{\lambda}_{t+1}$) und der rücktransformierten Fehlerprognose erzeugt. Der Fehlerterm wird exponentiert und angepasst ($\exp(\hat{\mu}_{t+1}) - 1$), um zur ursprünglichen Skala zurückzukehren, wobei eine max(0, ...)-Funktion angewendet wird, um numerische Instabilität zu verhindern. Diese additive Korrektur ermöglicht es dem Modell, sich dynamisch an Änderungen des datengenerierenden Prozesses anzupassen, während die analytische Handhabbarkeit der konjugierten Aktualisierungen erhalten bleibt.

Der Algorithmus ist für Online-Lernen konzipiert und aktualisiert die Posterior-Parameter ($\alpha, \beta$ für das Basis-Modell; Statistiken für das Fehlermodell) bei jedem Zeitschritt, sobald neue Daten eintreffen.

Hauptbeiträge

• Hybrides Bayes'sches Framework: Die Integration eines Gamma–Poisson-Basis-Modells mit einem Gamma–Log-Normal-Residual-Boosting-Mechanismus, die die Verfolgung sowohl von Nachfragezahlen als auch von systematischen Trendverschiebungen ermöglicht.
• Analytische Handhabbarkeit: Die Verwendung konjugierter Prior-Verteilungen gewährleistet geschlossene, sequenzielle Aktualisierungen und vermeidet die Rechenkosten simulationsbasierter Methoden wie MCMC, was für Echtzeit- oder ressourcenbeschränkte Umgebungen vorteilhaft ist.
• Explizite Betonung der Trendrichtung: Die Methodik priorisiert explizit die Richtung von Trends unter Verwendung der Metrik „Percentage of Correct Direction" (POCID), anstatt sich ausschließlich auf Fehler in der Größenordnung zu konzentrieren.
• Validierung in der realen Welt: Das Modell wurde an realen wöchentlichen Onkologie-Dienstleistungsdaten des Krankenhauses São Vicente de Paula in Cariri, Ceará, Brasilien, evaluiert, die zehn verschiedene Krebsarten (z. B. Prostata, Brust, Rektum) von Januar 2023 bis Dezember 2024 abdecken.

Ergebnisse
Das vorgeschlagene Modell wurde mit fünf Baselines verglichen: Naive Prognose, Lineare Regression, ARIMA, LSTM und XGBoost.

• Trendrichtung (POCID): Das vorgeschlagene Modell erzielte in den meisten Reihen die höchsten POCID-Werte und übertraf in spezifischen Fällen den zweitbesten Ansatz um bis zu 38,25 %. Es zeigte eine überlegene Stabilität und Genauigkeit bei der Vorhersage der Richtung von Nachfrageänderungen im Vergleich zu ARIMA, Linearer Regression und Naiven Methoden.
• Skalen-sensitive Metriken: Das Modell zeigte signifikante Reduktionen bei Fehlermetriken im Vergleich zu parametrischen und baumbasierten Baselines. Die medianen Reduktionen betrugen 74,5 % bei MAPE gegenüber ARIMA, 77,6 % gegenüber Linearer Regression, 75,7 % gegenüber LSTM und 74,7 % gegenüber XGBoost.
• Statistische Signifikanz: Unter Verwendung des auf dem Mean Squared Error (MSE) basierenden Diebold–Mariano (DM)-Tests übertraf das vorgeschlagene Modell statistisch den zweitbesten Modell in 7 von 10 Reihen. In den verbleibenden Fällen waren die Ergebnisse nicht eindeutig, wendeten die Autoren jedoch ein Rückfallkriterium an, das das vorgeschlagene Modell begünstigte.

Bedeutung und Behauptungen
Die Autoren behaupten, dass die Integration von Vorwissen mit residualbasiertem Boosting einen prinzipiellen Rahmen für den Umgang mit nicht-stationären Gesundheitszeitreihen bietet. Die Autoren argumentieren, dass dieser Ansatz einen deutlichen Vorteil bei der Identifizierung von Nachfrage-Trendrichtungen bietet, wo traditionelle Modelle versagen, sich an strukturelle Variabilität anzupassen.

Die Autoren bleiben hinsichtlich der Universalität des Modells bescheiden und stellen fest, dass:

• Die Leistungsgewinne gegenüber dem Naiven Benchmark reihenabhängig sind.
• Die Leistung des Modells empfindlich auf die Initialisierung der Prior-Verteilungen reagiert, insbesondere wenn Daten knapp oder stark variabel sind.
• Bestimmte Evaluierungsmetriken empfindlich auf Ausreißer reagierten, was die endgültigen Bewertungen beeinflusste.

Als zukünftige Arbeiten wird vorgeschlagen, systematische Ansätze zur Prior-Elicitation (potenziell unter Verwendung von Empirischem Bayes) zu erforschen und kurz- und langfristige Gedächtnismechanismen, die von LSTM-Netzwerken inspiriert sind, zu integrieren, um die Anpassungsfähigkeit an sich entwickelnde Datenstrukturen weiter zu verbessern.