સ્ટોક, એક્સપાયરેશન અને સપ્લાય મેનેજમેન્ટમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ

નફો:

• આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે સ્ટોક લેવલ, એક્સપાયરી ટ્રેકિંગ અને ઓર્ડર પ્લાનિંગનું વિશ્લેષણ કરવાની અને નિર્ણયનો ડ્રાફ્ટ તૈયાર કરવાની ક્ષમતા
• વાસ્તવિક સ્ટોક ડેટા અને કોલ્ડ ચેઇન નિયમો સાથે કૃત્રિમ બુદ્ધિ દ્વારા ઉત્પાદિત માંગની આગાહીઓ અને સમાપ્તિ ચેતવણીઓ ચકાસવાની ક્ષમતા
• સમજવું કે ડ્રગ ટ્રેસેબિલિટી (ITS), કોલ્ડ ચેઇન અને પરત/નિકાલ પ્રક્રિયાઓમાં અંતિમ જવાબદારી ફાર્માસિસ્ટની છે.

ફાર્મસીના છાજલીઓ પર સેંકડો, ઘણીવાર હજારો, વિવિધ ઉત્પાદનો હોય છે, અને દરેકની કિંમત, સમાપ્તિ તારીખ (સમાપ્તિ તારીખ) અને માંગની પેટર્ન હોય છે. યોગ્ય જથ્થામાં યોગ્ય ઉત્પાદન હોવું; તે દર્દીને ખાલી હાથે ન છોડવા અને સમયસીમા સમાપ્ત થઈ ગયેલી દવાઓ પર પૈસા ન ખર્ચવા વચ્ચેના નાજુક સંતુલન પર પ્રહાર કરે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ આ સંતુલનમાં એક શક્તિશાળી વિશ્લેષણ અને આયોજન સહાય છે: તે ઐતિહાસિક વેચાણ ડેટામાંથી માંગ પેટર્નને બહાર કાઢે છે, સમાપ્તિ નજીક આવતા ઉત્પાદનોને હાઇલાઇટ કરે છે, ઓર્ડર ડ્રાફ્ટ્સ સૂચવે છે. પરંતુ આ સૂચનો ક્રૂડ અનુમાન છે; વાસ્તવિક સ્ટોક, કોલ્ડ ચેઇન નિયમો, કાયદા અને ફાર્માસિસ્ટના ક્ષેત્રના જ્ઞાન સાથે ચકાસણી કર્યા વિના તેને લાગુ કરી શકાતું નથી. આ એકમમાં, તમે કૃત્રિમ બુદ્ધિને સ્ટોક, અપ્રચલિત અને સપ્લાય મેનેજમેન્ટમાં સલામત નિર્ણય સહાયક સાધન કેવી રીતે બનાવવું તે શીખીશું.

સ્ટોક મેનેજમેન્ટના ત્રણ અક્ષો

ઇન્વેન્ટરી મેનેજમેન્ટ એ ત્રણ સમસ્યાઓનું સંતુલન છે:

• ઉપલબ્ધતા: દર્દીને જે દવાની જરૂર છે તે શેલ્ફ પર છે? તેમને વેચવાથી દર્દીના સંતોષ અને વિશ્વાસ બંનેને નુકસાન થાય છે.
• મૂડી: શેલ્ફ પરના દરેક બોક્સ પૈસા સાથે જોડાયેલા છે. વધુ પડતી ઇન્વેન્ટરી રોકડ પ્રવાહમાં વિક્ષેપ પાડે છે.
• સમાપ્તિ તારીખ: સમાપ્ત થયેલ દવા નાશ પામે છે; આ સીધું નુકસાન છે અને દર્દીની સલામતી માટે મહત્વપૂર્ણ છે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ ત્રણેય અક્ષોનું એકસાથે પૃથ્થકરણ કરી શકે છે અને "કયું ઉત્પાદન મંગાવવું જોઈએ અને કેટલામાં, કયું અપ્રચલિત થવાનું જોખમ છે?" જેવા પ્રશ્નોના ડ્રાફ્ટ જવાબો ઉત્પન્ન કરી શકે છે. પરંતુ દરેક જવાબનું વાસ્તવિક સ્ટોકટેકિંગ અને ક્ષેત્ર જ્ઞાન સામે પરીક્ષણ કરવું આવશ્યક છે.

સાવધાન: કૃત્રિમ બુદ્ધિ ઐતિહાસિક ડેટા જોઈને ભાવિ માંગની આગાહી કરે છે; પરંતુ અણધારી રોગચાળો, પુરવઠાની કટોકટી, નિયમનકારી ફેરફાર અથવા સ્થાનિક ઘટના આગાહીમાં ખલેલ પહોંચાડે છે. માંગની આગાહી એ કોઈ ભલામણ અથવા ભવિષ્યવાણી નથી; ફાર્માસિસ્ટના ચુકાદા દ્વારા સંતુલિત.

મિઆડ મેનેજમેન્ટ અને FEFO

એક્સપાયરી મેનેજમેન્ટનો સુવર્ણ નિયમ FEFO (ફર્સ્ટ એક્સપાયરી, ફર્સ્ટ આઉટ) છે. બીજા શબ્દોમાં કહીએ તો, શેલ્ફ પર તેની સમાપ્તિ તારીખની સૌથી નજીકનું ઉત્પાદન પ્રથમ વેચવું જોઈએ. જો કૃત્રિમ બુદ્ધિને સ્ટોક ડેટા સાથે ખવડાવવામાં આવે છે:

• એવા ઉત્પાદનોની યાદી આપે છે કે જેની સમાપ્તિ તારીખ ચોક્કસ થ્રેશોલ્ડ (દા.ત. 3 મહિના) નજીક આવી રહી છે.
• તે એવી વસ્તુઓને ચિહ્નિત કરે છે જે ધીમે ધીમે ફરે છે અને સમાપ્ત થવાનું જોખમ છે.
• વળતર અથવા પ્રમોશન માટે ઉમેદવાર ઉત્પાદનોની ભલામણ કરે છે.

પરંતુ વાસ્તવિક વિનાશ/વળતરનો નિર્ણય, ઉત્પાદનનું ભૌતિક નિયંત્રણ, કોલ્ડ ચેઈનનું પાલન અને કાયદા અનુસાર પરત કરવાની પ્રક્રિયા ફાર્માસિસ્ટની જવાબદારી છે.

કોલ્ડ ચેઇન અને ટ્રેસેબિલિટી

કેટલીક દવાઓ (રસીઓ, ઇન્સ્યુલિન, જૈવિક દવાઓ) ચોક્કસ તાપમાન શ્રેણીમાં સંગ્રહિત હોવી આવશ્યક છે; તેને કોલ્ડ ચેઇન કહેવામાં આવે છે. એકવાર સાંકળ તૂટી જાય પછી, દવા તેની અસર ગુમાવી શકે છે, અને આ એક અદ્રશ્ય ભય છે. વધુમાં, Türkiye માં, ITS (ડ્રગ ટ્રેકિંગ સિસ્ટમ) સાથે QR કોડ દ્વારા દવાઓનું નિરીક્ષણ કરવામાં આવે છે; દરેક બોક્સનું વેચાણ, વળતર અને વિનાશ નોંધાયેલ છે. AI આ પ્રક્રિયાઓમાં રીમાઇન્ડર્સ અને ડ્રાફ્ટ દસ્તાવેજો જનરેટ કરી શકે છે; જો કે, તાપમાન રેકોર્ડિંગ નિયંત્રણ, QR કોડ વ્યવહારો અને સત્તાવાર સૂચનાઓ માનવ નિયંત્રણ હેઠળ છે.

ત્રણ નાના કેસો

કેસ 1 - ટર્મ ક્લિનિંગ. એક ફાર્મસી 40 પેન ઓળખવા માંગતી હતી જે 3 મહિનામાં સમાપ્ત થઈ જશે. ફાર્માસિસ્ટે કૃત્રિમ બુદ્ધિમત્તાને સ્ટોક લિસ્ટ (કિંમત અને દર્દીની માહિતી વિના) આપ્યું; કૃત્રિમ બુદ્ધિમત્તાએ તેમને પરિપક્વતા દ્વારા વર્ગીકૃત કરી અને ધીમે ધીમે પાછા ફરનારાઓને ચિહ્નિત કર્યા. ફાર્માસિસ્ટે સૂચિને ભૌતિક શેલ્ફ સાથે સરખાવી, જોયું કે કેટલીક વસ્તુઓ પહેલેથી જ વેચાઈ ગઈ છે, અને વાસ્તવિક 32 વસ્તુઓ માટે વળતર/ઝુંબેશ યોજના બનાવી છે. કૃત્રિમ બુદ્ધિએ વર્ગીકરણના કલાકોને મિનિટમાં ઘટાડી દીધા; ફાર્માસિસ્ટે નિર્ણય લીધો.

કેસ 2 - મોસમી માંગ. શિયાળા પહેલા, ફાર્મસીએ ઠંડા ઉત્પાદનો માટે ઓર્ડર પ્લાન બનાવ્યો. આર્ટિફિશિયલ ઇન્ટેલિજન્સે પાછલા વર્ષોના વેચાણ પરથી આગાહી કરી હતી. ફાર્માસિસ્ટે આ અંદાજને તે વર્ષે પ્રદેશમાં પ્રારંભિક ફ્લૂ વેવ અને સપ્લાયરની સ્ટોક ઉપલબ્ધતા સાથે સમાયોજિત કર્યો; તે 20% દ્વારા અનુમાન કરતાં વધી ગયું છે. AI એ પ્રારંભિક બિંદુ આપ્યું; અંતિમ સંખ્યા ક્ષેત્ર જ્ઞાન દ્વારા આકાર આપવામાં આવી હતી.

કેસ 3 - કોલ્ડ ચેઇન દસ્તાવેજીકરણ. રેફ્રિજરેટરની ખામીના કિસ્સામાં, તાપમાનની શ્રેણી થોડા સમય માટે ઓળંગાઈ ગઈ હતી. ફાર્માસિસ્ટે એઆઈને ઘટના રેકોર્ડ અને સંબંધિત ઉત્પાદનોના ડ્રાફ્ટ મૂલ્યાંકન ચેકલિસ્ટ માટે પૂછ્યું. આર્ટિફિશિયલ ઈન્ટેલિજન્સે કઈ માહિતી રેકોર્ડ કરવી જોઈએ તે સૂચિબદ્ધ કર્યું છે. ફાર્માસિસ્ટે ઉત્પાદક/કાયદાની કોલ્ડ ચેઇન બ્રેકિંગ પ્રક્રિયા અનુસાર ઉત્પાદનોની ઉપયોગિતાનું મૂલ્યાંકન કર્યું અને જરૂરી સૂચના આપી. AI એ દસ્તાવેજીકરણને ઝડપી બનાવ્યું છે; આ નિર્ણય કાયદા અને ઉત્પાદકની જાણકારી સાથે લેવામાં આવ્યો હતો.

સ્ટેપ બાય સ્ટેપ સ્ટોક અને એક્સપાયરી એનાલિસિસ

1. અનામી અને સચોટ રીતે ડેટા તૈયાર કરો. ઉત્પાદન, જથ્થો, સમાપ્તિ તારીખ, વેચાણ દર (દર્દી/ગોપનીય માહિતી વિના).
2. વિશ્લેષણની વિનંતી કરો. આર્ટિફિશિયલ ઇન્ટેલિજન્સ અપ્રચલિત થવાના જોખમને દૂર કરે છે, ધીમી ગતિએ વળતી વસ્તુઓ અને ઓર્ડર ડ્રાફ્ટ્સ.
3. વાસ્તવિક સ્ટોક સાથે સરખામણી કરો. ભૌતિક ગણતરી અને સિસ્ટમ ડેટા સાથે ચકાસો.
4. ક્ષેત્ર સંદર્ભ સાથે ઠીક કરો. રોગચાળો, પુરવઠો, નિયમનકારી અને સ્થાનિક જ્ઞાન ઉમેરો.
5. કોલ્ડ ચેઇન/ITS નિયમો લાગુ કરો. કાયદા અનુસાર વળતર, વિનાશ અને સંગ્રહ પ્રક્રિયાઓ હાથ ધરો.
6. નિર્ણય સાચવો. ઓર્ડર અને નિકાલના કારણો શોધી શકાય તેવા રાખો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા: "મારે શું ઓર્ડર કરવું જોઈએ?"

સશક્ત: "નીચેના ઇન્વેન્ટરી ડેટાનું વિશ્લેષણ કરો (ઉત્પાદન, ઉપલબ્ધ જથ્થો, છેલ્લા 6 મહિના માટે માસિક વેચાણ, સમાપ્તિ તારીખ). અર્ક: 1) આઇટમ કે જે 3 મહિનામાં સમાપ્ત થશે અને વેચાણ વેગના આધારે ફરી ભરવામાં આવશે નહીં, 2) ભલામણને પુનઃક્રમાંકિત કરો (વર્તમાન વેગ + સલામતી સ્ટોક લોજિક સાથે), 3) તે ધીમી આઇટમ્સ પ્રપોઝલ ટર્નઓવર તરીકે રાજ્ય કરશે. વાસ્તવિક ઇન્વેન્ટરી કાઉન્ટ અને સપ્લાય સ્ટેટસ દ્વારા ચકાસવામાં આવે છે કિંમત/નફા પર ટિપ્પણી કરશો નહીં.

શક્તિશાળી પ્રોમ્પ્ટમાં, ડેટા માળખું, ઇચ્છિત આઉટપુટ અને માન્યતા મર્યાદા સ્પષ્ટ છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

કાર્ય: ટર્મ રિસ્ક એનાલિસિસ (ડ્રાફ્ટ).ઇનપુટ: | ઉત્પાદન | જથ્થો | માસિક વેચાણ | સમાપ્તિ "ગલન સમય" અંદાજ બતાવો. તે વાસ્તવિક શેલ્ફ સાથે ચકાસવામાં આવશે.

કાર્ય: ભલામણને ફરીથી ગોઠવો. ઇનપુટ: ઉત્પાદન, વર્તમાન સ્ટોક, સરેરાશ માસિક વેચાણ, લીડ ટાઇમ (દિવસો). ગણતરી કરો: સલામતી સ્ટોક + લીડ ટાઇમ વિનંતી → સૂચવેલ ઓર્ડર જથ્થો. પગલાં બતાવો. ફાર્માસિસ્ટ દ્વારા પુરવઠાની સ્થિતિ અને મોસમ ઉમેરવામાં આવશે.

કાર્ય: ધીમો ટર્નઅરાઉન્ડ પ્રોડક્ટ રિપોર્ટ. ઇનપુટ: વેચાણ ઇતિહાસ. આઉટપુટ: આઇટમ્સ કે જે છેલ્લા [X] મહિનામાં [Y] એકમો કરતાં ઓછી વેચાઈ છે; વળતર/ઝુંબેશ/છાજલી ફિટ માટે ચિહ્ન. નિર્ણય ફાર્માસિસ્ટનો છે.

કાર્ય: ડ્રાફ્ટ કોલ્ડ ચેઈન ઘટના રેકોર્ડ. ઘટના: [તારીખ, અવધિ, તાપમાન શ્રેણી, અસરગ્રસ્ત ઉત્પાદનો]. આઉટપુટ: રેકોર્ડ કરવાની માહિતી + આકારણી ચેકલિસ્ટ. ઉત્પાદન ઉપલબ્ધતા ઉત્પાદક/નિયમનકારી પ્રક્રિયા દ્વારા નક્કી કરવામાં આવશે; AI નિર્ણયો લેતું નથી.

ઇન્વેન્ટરી નિર્ણય જવાબદારી ટેબલ

ક્વેસ્ટ

કૃત્રિમ બુદ્ધિ

ફાર્માસિસ્ટ

સમાપ્તિ સૉર્ટ

ઝડપી યાદી

શારીરિક પુષ્ટિ

માંગની આગાહી

ઐતિહાસિક ડ્રાફ્ટ

ફીલ્ડ/સીઝન કરેક્શન

ઓર્ડર જથ્થો

એકાઉન્ટ ભલામણ

પુરવઠો/રોકડ નિર્ણય

કોલ્ડ ચેઇન આકારણી

દસ્તાવેજીકરણ

ઉપલબ્ધતા નિર્ણય

આઇટીએસ/રીટર્ન/વિનાશ

ચેકલિસ્ટ

સત્તાવાર કાર્યવાહી અને જવાબદારી

સામાન્ય ભૂલો

• ભવિષ્યવાણી તરીકેની આગાહીને ભૂલ કરવી. માંગની આગાહી ક્ષેત્રની માહિતી સાથે સુધારવી જોઈએ.
• ભૌતિક ગણતરીને અવગણીને. સિસ્ટમ ડેટા અને શેલ્ફ અલગ હોઈ શકે છે; મુદતના નિર્ણયમાં શેલ્ફ આવશ્યક છે.
• કોલ્ડ ચેઇનનો નિર્ણય આર્ટિફિશિયલ ઇન્ટેલિજન્સ પર છોડીને. ઉપલબ્ધતા ઉત્પાદક/નિયમનકારી પ્રક્રિયા દ્વારા આપવામાં આવે છે.
• ITS/રીટર્ન પ્રક્રિયામાં રાહત. QR કોડ્સ અને સત્તાવાર વ્યવહારો રેકોર્ડ કરવા અને નિયમો અનુસાર હાથ ધરવામાં આવશ્યક છે.
• નિયંત્રણ વિના ગોપનીય/વ્યાપારી ડેટા અપલોડ કરવો. દર્દી અને સંવેદનશીલ વ્યવસાય માહિતી સુરક્ષિત હોવી આવશ્યક છે.

સારાંશમાં

કૃત્રિમ બુદ્ધિ એ સ્ટોક, સમાપ્તિ અને પુરવઠા વ્યવસ્થાપનમાં એક શક્તિશાળી વિશ્લેષણ અને આયોજન સાધન છે; તે અપ્રચલિત જોખમોને હાઇલાઇટ કરે છે, માંગની આગાહી અને ઓર્ડર ડ્રાફ્ટ બનાવે છે અને દસ્તાવેજીકરણને વેગ આપે છે. પરંતુ દરેક દરખાસ્ત એક ડ્રાફ્ટ છે; કોલ્ડ ચેઇન નિયમો, ITS અને કાયદા દ્વારા ચકાસણી વિના વાસ્તવિક સ્ટોક ગણતરીનો અમલ કરી શકાતો નથી. માંગની આગાહી એ પ્રારંભિક બિંદુ છે, જે ક્ષેત્રના જ્ઞાન દ્વારા સંતુલિત છે. ટ્રેસિબિલિટી, કોલ્ડ ચેઇન અને નિકાલના નિર્ણયો માટેની અંતિમ જવાબદારી ફાર્માસિસ્ટની છે.

એપ્લિકેશન કાર્ય

તમારી ફાર્મસીમાંથી એક અનામી સ્ટોક સેમ્પલ તૈયાર કરો (10-15 વસ્તુઓ; જથ્થો, માસિક વેચાણ, સમાપ્તિ). સમાપ્તિ જોખમ વિશ્લેષણની વિનંતી કરો અને આર્ટિફિશિયલ ઇન્ટેલિજન્સમાંથી ભલામણને ફરીથી ગોઠવો. પ્રિન્ટઆઉટની વાસ્તવિક રેક સાથે સરખામણી કરો અને કોઈપણ તફાવતની નોંધ લો. તમારા પોતાના ક્ષેત્રના જ્ઞાન સાથે મોસમી ઉત્પાદન માટે AI આગાહીને ઠીક કરો. છેલ્લે, લખો કે તમે કાલ્પનિક કોલ્ડ ચેઇન બ્રેક માટે કેવી રીતે દસ્તાવેજીકરણ તૈયાર કરશો અને તેને ઉત્પાદક/નિયમનકારી પ્રક્રિયા સાથે ઉકેલશો.

ચેકલિસ્ટ

• [ ] મેં સ્ટોક ડેટા અનામી અને સચોટ રીતે તૈયાર કર્યો છે.
• [ ] મેં જોખમ શબ્દનું વિશ્લેષણ કર્યું હતું અને ભૌતિક શેલ્ફ સાથે તેની પુષ્ટિ કરી હતી.
• [ ] મેં ફીલ્ડ/સીઝનની માહિતી સાથે માંગની આગાહી સુધારી છે.
• [ ] મેં પુરવઠા અને રોકડની ઉપલબ્ધતા સાથે ઓર્ડરની માત્રાને સંતુલિત કરી છે.
• [ ] મેં ઉત્પાદક/નિયમનકારી પ્રક્રિયા પર કોલ્ડ ચેઇનના નિર્ણય પર આધારિત છે.
• [] મેં નિયમિતપણે İTS/રીટર્ન/વિનાશ પ્રક્રિયાઓ હાથ ધરી છે.
• [ ] મેં ઓર્ડર અને વિનાશના કારણો નોંધ્યા.