Применение машинного обучения и анализа значимых признаков для прогнозирования потребностей на российском фармацевтическом рынке

Статья посвящена исследованию применения компьютерных методов анализа табличных данных для прогнозирования потребления товаров на российском фармацевтическом рынке. В статье раскрывается основной этап разработки информационной системы, предназначенной для прогнозирования закупок лекарственных препаратов и поддержки принятия управленческих решений в сфере лекарственного обеспечения. Рассматриваются особенности закупочной деятельности медицинских организаций и ключевые риски, связанные с планированием потребности в лекарственных средствах и формированием цен на фармацевтическую продукцию. Детально изложены современные методы, используемые в работе, включая модели машинного обучения и анализ значимости признаков с помощью SHAP. Описывается процесс подготовки и предобработки данных, включающий сбор, очистку, преобразование и кодирование признаков, а также формирование обучающих и тестовых выборок для построения регрессионных моделей. Особое внимание уделено выявлению факторов, влияющих на ценообразование лекарственных препаратов, и повышению точности прогнозирования за счет применения специализированных моделей для отдельных групп препаратов. Авторами работы оценивается экономический эффект от использования предложенного решения. Кроме того, инструмент помогает медорганизациям эффективнее планировать закупки путем снижения рисков и оптимизации бюджета. В рамках устойчивого рационального развития фармрынка России подробно рассматриваются вопросы автоматизации закупок и прогнозирования цен в качестве ключевых факторов.

1. Гусев А.В., Зарубина Т.В. Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации. Врач и информационные технологии. 2017;(2):60–72.

2. Малыгина Ю.С., Орлова К.Ю. Прогнозирование продаж групп лекарственных препаратов в аптечном сегменте Российской Федерации. В сборнике: Проблемы экономики современных промышленных комплексов. Финансирование и кредитование в экономике России: методологические и практические аспекты: Сборник трудов XV Всероссийской научно-практической конференции, 05 декабря 2022 года, Самара, Россия. Самара: Самарский научный центр РАН; 2022. С. 16–27.

3. Fazekas M., Veljanov Z., de Oliveira A.B. Predicting pharmaceutical prices. Advances based on purchase-level data and machine learning. BMC Public Health. 2024;24(1). https://doi.org/10.1186/s12889-024-19171-9

4. Ragb H. Multi-layered deep learning perceptron based model for predicting drug price changes. TechRxiv. URL: https://doi.org/10.36227/techrxiv.24417697.v1 [Accessed 15th November 2025].

5. Пучков Е.В. Сравнительный анализ алгоритмов обучения искусственной нейронной сети. Инженерный вестник Дона. 2013;(4). URL: https://ivdon.ru/ru/magazine/archive/n4y2013/2135

6. Парфенов А.К. Анализ и оценка инвестиционных рисков при инвестировании с применением математического моделирования. Молодой ученый. 2024;(49):9–13.

7. Филина О.В., Сунгатуллин К.И. Прогнозирование потребностей рынка в лекарственных средствах на основе технологий искусственного интеллекта. Экономика и безопасность. 2025;(1):22–25.

8. Горячкин Б.С., Чечнев А.А. Анализ чувствительности метрик бинарной классификации к дисбалансу данных. E-Scio. 2021;(4):23–34.

9. Николенко C., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. Санкт-Петербург: Питер; 2020. 480 c.

10. Костяшин Н.А., Колбина О.Н., Яготинцева Н.В. Применение автоматизированных средств сбора информации по сайтам. Информационные технологии и системы: управление, экономика, транспорт, право. 2020;(3):11–17.

11. Строяковский Д.Л., Абрамов М.Е., Демидов Л.В. и др. Практические рекомендации по лекарственному лечению меланомы кожи. Злокачественные опухоли. 2022;12(3S2-1):287–306. https://doi.org/10.18027/2224-5057-2022-12-3s2-287-306

12. Лактионов К.К., Артамонова Е.В., Бредер В.В. и др. Практические рекомендации по лекарственному лечению немелкоклеточного рака легкого. Злокачественные опухоли. 2021;11(3S2-1):36–54. https://doi.org/10.18027/2224-5057-2021-11-3s2-02