DOI: https://doi.org/10.3389/fphar.2025.1608843
PMID: https://pubmed.ncbi.nlm.nih.gov/41585895
تاريخ النشر: 2026-01-09
المؤلف: Hyun Soo Roe وآخرون
الموضوع الرئيسي: اقتصاديات الأدوية والسياسة
نظرة عامة
تتناول هذه الدراسة القضية المهمة لنقص الأدوية في كوريا الجنوبية من خلال تطوير نموذجين لتعلم الآلة يهدفان إلى التنبؤ بمدة النقص وتحديد أسبابه. باستخدام مجموعة بيانات تتكون من 1,054 حالة نقص أدوية تم الإبلاغ عنها من قبل الجهات التنظيمية من عام 2018 إلى 2024، أنشأ الباحثون النموذج 1 لتقدير نطاقات مدة النقص والنموذج 2 لتصنيف أسباب النقص إلى سبع فئات. تم تحديد المؤشرات الرئيسية من خلال تحليل أهمية الميزات باستخدام الغابة العشوائية، حيث كانت المتغير الأكثر تأثيرًا في التنبؤ بالمدة هو تكرار حدوث النقص (الأهمية = 0.152). حقق النموذج 1 دقة بنسبة 62%، بينما أظهر النموذج 2 أداءً قويًا مع دقة مرجحة، واسترجاع، ودرجات F1 تتجاوز 70%.
تشير النتائج إلى أن وزارة الغذاء والدواء الكورية (KMFDS) يجب أن تعزز مراقبة الأدوية التي تعاني من نقص متكرر من خلال التقارير المنتظمة وأنظمة الإنذار المبكر. تؤكد الدراسة على أهمية دمج مؤشرات جانب العرض، وخاصة تلك المتعلقة بالجدوى الاقتصادية، في برامج المراقبة الوطنية للتخفيف من النقص ومدته. علاوة على ذلك، تدعو إلى نظام متكامل لمشاركة البيانات بين أصحاب المصلحة لتسهيل الاستجابة السريعة للنقص وتحسين مرونة نظام الرعاية الصحية. سيتطلب التنفيذ الفعال التعاون بين كيانات مختلفة، بما في ذلك الجهات التنظيمية الحكومية، والمصنعين، والباحثين الأكاديميين.
مقدمة
تناقش مقدمة ورقة البحث القضية المعقدة لنقص الأدوية، التي تفتقر إلى تعريف عالمي موحد ويمكن أن تنشأ من نقص في العرض أو زيادة في الطلب داخل أنظمة الرعاية الصحية. يؤثر نقص الأدوية بشكل كبير على الصحة العامة، مما يؤدي إلى تقليل الوصول إلى الأدوية، وزيادة تكاليف الرعاية الصحية، وتأخير الابتكار في الأدوية. زادت جائحة COVID-19 من تفاقم هذه التحديات، مما أبرز نقاط الضعف في سلسلة إمداد الأدوية الحيوية. أكدت الدراسات السابقة على الحاجة إلى استراتيجيات استباقية، مثل الاستثمارات التكنولوجية وإصلاحات السياسات، للتخفيف من هذه النقص.
في كندا، تم تطوير نموذج لتعلم الآلة للتنبؤ بنقص الأدوية بدقة 69%، على الرغم من محدودية توفر البيانات. في الوقت نفسه، نفذت حكومة كوريا الجنوبية نموذجًا تنبؤيًا لاضطرابات إمداد الأدوية، والذي، على الرغم من كونه مفيدًا للتنبيهات في الوقت الحقيقي، لم يعالج بشكل فعال الأسباب الجذرية للنقص. تقترح هذه الدراسة تحليلًا رجعيًا لـ 1,054 حالة نقص أدوية تم الإبلاغ عنها من قبل الجهات التنظيمية لتطوير نموذجين تنبؤيين: واحد لتحديد أسباب النقص وآخر لتقدير مدته. من خلال التركيز على الميزات التنبؤية الرئيسية، تهدف الدراسة إلى تقديم رؤى قابلة للتنفيذ يمكن أن تُعلم التدخلات الاستراتيجية وتعزز مرونة نظام إمداد الأدوية في كوريا الجنوبية.
الطرق
تحدد قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة تأثيراتها على النتائج ذات الصلة.
شملت جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام أدوات برمجية سهلت تطبيق الاختبارات الإحصائية المناسبة، مثل اختبارات t أو ANOVA، لتحديد الفروق المهمة بين المجموعات. كما يتناول القسم طرق أخذ العينات، والخصائص الديموغرافية للمشاركين، وأي اعتبارات أخلاقية تم أخذها في الاعتبار خلال الدراسة، مما يضمن الالتزام بنزاهة البحث ورفاهية المشاركين. بشكل عام، توفر الطرق المستخدمة إطارًا قويًا لمعالجة فرضيات البحث وتساهم في موثوقية النتائج.
المناقشة
تسلط قسم المناقشة في الدراسة الضوء على النتائج المهمة المتعلقة بنقص الأدوية في كوريا الجنوبية، مع التركيز بشكل خاص على دور “تكرار حدوث النقص” كأهم مؤشر على مدة النقص. يعكس هذا التكرار نقاط الضعف المستمرة في سلسلة الإمداد، مثل القدرة الإنتاجية المحدودة ومشكلات مراقبة الجودة المتكررة، التي تسهم في الاضطرابات المستمرة. كما تحدد التحليلات “حجم الأعمال للشركة المرخصة للتسويق” و”وجود أدوية بديلة بنفس المكونات” كعوامل حاسمة تؤثر على احتمال حدوث النقص. تشير النتائج إلى أن الشركات الأكبر تميل إلى أن تكون لديها قدرات إنتاجية أكثر استقرارًا، بينما تواجه الأدوية التي تفتقر إلى بدائل علاجية مخاطر أعلى خلال انقطاع الإمدادات.
تضع الدراسة هذه النتائج في سياق أوسع لنقص الأدوية على المستوى الدولي، مشيرة إلى أن عوامل جانب العرض تدفع بشكل أساسي النقص عبر دول مختلفة، بما في ذلك كوريا الجنوبية. تؤكد الأبحاث على الحاجة إلى نظام متكامل لمشاركة البيانات بين أصحاب المصلحة لتعزيز الاستجابة للنقص المستقبلي وتحسين المرونة العامة لنظام الرعاية الصحية. من خلال الاستفادة من نماذج تعلم الآلة والتعاون مع كيانات مختلفة في سلسلة إمداد الأدوية، تدعو الدراسة إلى نهج استباقي لإدارة نقص الأدوية، مع التحول من التدابير التفاعلية إلى استراتيجيات وقائية أكثر منهجية.
القيود
تقدم الدراسة حول نقص الأدوية في كوريا الجنوبية عدة قيود قد تؤثر على قوة نتائجها. أولاً، بينما تم اختيار 18 ميزة ذات صلة للتحليل بناءً على توفر البيانات، تم استبعاد عوامل مهمة مثل التغيرات في سلوك المرضى، والاضطرابات في سلسلة الإمداد العالمية، وتغيرات السياسات بسبب التحديات في القياس المتسق وتوفر البيانات. ثانيًا، تمتد البيانات المستخدمة من عام 2018 إلى 2024، مما قد لا يعكس بشكل كافٍ الاتجاهات طويلة الأجل في نقص الأدوية. بالإضافة إلى ذلك، ركز نموذج التنبؤ بشكل أساسي على عوامل جانب العرض، متجاهلاً التفاعلات المحتملة مع التأثيرات من جانب الطلب.
علاوة على ذلك، قد يكون التوزيع غير المتساوي لمدد النقص والأسباب قد أدرج نماذج التنبؤ نحو الفئات الأكثر شيوعًا، حيث لم تنفذ الدراسة تقنيات لمعالجة عدم توازن الفئات، مما قد يحد من الأداء التنبؤي لأنواع النقص الأقل شيوعًا. يحد غياب التحقق الخارجي باستخدام مجموعات بيانات مستقلة من تقييم قابلية تطبيق النموذج في العالم الحقيقي، ويثير تدريب النموذج على بيانات تنظيمية كورية جنوبية تساؤلات حول قابليته للتعميم على أنظمة صحية مختلفة. أخيرًا، هناك حاجة إلى مزيد من الدراسات التجريبية للتحقق من صحة نموذج التنبؤ المقترح وتعزيز فعاليته العملية في معالجة نقص الأدوية. يجب أن تهدف الأبحاث المستقبلية إلى معالجة هذه القيود لتحسين دقة وفائدة نماذج التنبؤ بنقص الأدوية.
DOI: https://doi.org/10.3389/fphar.2025.1608843
PMID: https://pubmed.ncbi.nlm.nih.gov/41585895
Publication Date: 2026-01-09
Author(s): Hyun Soo Roe et al.
Primary Topic: Pharmaceutical Economics and Policy
Overview
This study addresses the significant issue of drug shortages in South Korea by developing two machine learning models aimed at predicting the duration of shortages and identifying their causes. Utilizing a dataset of 1,054 regulatory-reported drug shortage cases from 2018 to 2024, the researchers created Model 1 to estimate shortage duration ranges and Model 2 to classify the causes of shortages into seven categories. Key predictors were identified through Random Forest feature importance analysis, with the most influential variable for duration prediction being Shortage Incidence Frequency (importance = 0.152). Model 1 achieved an accuracy of 62%, while Model 2 demonstrated robust performance with weighted precision, recall, and F1-scores exceeding 70%.
The findings suggest that the Korean Ministry of Food and Drug Safety (KMFDS) should enhance monitoring of drugs with recurrent shortages through regular reporting and early-warning systems. The study emphasizes the importance of integrating supply-side indicators, particularly those related to economic feasibility, into national surveillance programs to mitigate shortages and their durations. Furthermore, it advocates for an integrated data-sharing system among stakeholders to facilitate rapid responses to shortages and improve the resilience of the healthcare system. Effective implementation will require collaboration among various entities, including government regulators, manufacturers, and academic researchers.
Introduction
The introduction of the research paper discusses the complex issue of drug shortages, which lack a standardized global definition and can arise from both supply inadequacies and demand surges within healthcare systems. Drug shortages significantly impact public health, leading to reduced access to medications, increased healthcare costs, and delays in drug innovation. The COVID-19 pandemic exacerbated these challenges, highlighting the vulnerabilities in the biopharmaceutical supply chain. Previous studies have emphasized the need for proactive strategies, such as technological investments and policy reforms, to mitigate these shortages.
In Canada, a machine-learning model was developed to predict drug shortages with 69% accuracy, despite limited data availability. Meanwhile, South Korea’s government has implemented a predictive model for drug supply disruptions, which, while useful for real-time alerts, has not effectively addressed the root causes of shortages. This study proposes a retrospective analysis of 1,054 regulatory-reported drug shortages to develop two predictive models: one for identifying causes of shortages and another for estimating their duration. By focusing on key predictive features, the study aims to provide actionable insights that can inform strategic interventions and enhance the resilience of the drug supply system in South Korea.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using software tools that facilitated the application of appropriate statistical tests, such as t-tests or ANOVA, to determine significant differences among groups. The section also details the sampling methods, participant demographics, and any ethical considerations taken into account during the study, ensuring adherence to research integrity and participant welfare. Overall, the methods employed provide a robust framework for addressing the research hypotheses and contribute to the reliability of the findings.
Discussion
The discussion section of the study highlights the significant findings regarding drug shortages in South Korea, particularly emphasizing the role of “Shortage Incidence frequency” as the primary predictor of shortage duration. This frequency reflects persistent vulnerabilities in the supply chain, such as limited manufacturing capacity and recurring quality-control issues, which contribute to ongoing disruptions. The analysis also identifies the “Business size of the Marketing Authorized Company” and the “Existence of alternative drugs with same ingredients” as critical factors influencing the likelihood of shortages. The results suggest that larger companies tend to have more stable production capabilities, while drugs lacking therapeutic alternatives face higher risks during supply interruptions.
The study further contextualizes these findings within the broader landscape of international drug shortages, noting that supply-side factors predominantly drive shortages across various countries, including South Korea. The research underscores the need for an integrated data-sharing system among stakeholders to enhance the responsiveness to future shortages and improve the overall resilience of the healthcare system. By leveraging machine learning models and collaborating with various entities in the pharmaceutical supply chain, the study advocates for a proactive approach to drug shortage management, shifting from reactive measures to more systematic prevention strategies.
Limitations
The study on drug shortages in South Korea presents several limitations that may affect the robustness of its findings. Firstly, while 18 relevant features were selected for analysis based on data accessibility, significant factors such as changes in patient behavior, global supply-chain disruptions, and policy changes were excluded due to challenges in consistent measurement and data availability. Secondly, the data utilized spans from 2018 to 2024, which may not adequately capture long-term trends in drug shortages. Additionally, the prediction model primarily focused on supply-side factors, neglecting potential interactions with demand-side influences.
Moreover, the uneven distribution of shortage duration and causes may have biased the prediction models towards majority classes, as the study did not implement techniques to address class imbalance, potentially limiting predictive performance for less common shortage types. The absence of external validation using independent datasets restricts the assessment of the model’s real-world applicability, and the model’s training on South Korean regulatory data raises questions about its generalizability to different health systems. Finally, further empirical studies are necessary to validate the proposed predictive model and enhance its practical effectiveness in addressing drug shortages. Future research should aim to address these limitations to improve the accuracy and utility of drug shortage prediction models.