不確実性下での看護師スケジューリング

 An analytics-driven optimization framework for nurse scheduling under uncertainty

🩺 要約：不確実性下での看護師スケジューリング最適化フレームワーク

1. 研究の背景

• 看護師の欠勤（突発的な病欠・緊急対応など）は 5〜10% と高く、特に病院や救急では 10.7% と最も高い。

• 従来のスケジューリングは「決まった条件を満たす」ことに集中しており、 欠勤の不確実性を十分に扱えていない。

• 欠勤が発生すると、業務負荷の偏り・ケア品質の低下・スタッフの不満が発生する。

2. 本研究の目的

従来の「均一な余剰配置（overstaffing）」ではなく、 欠勤が起こりやすい“クリティカルなシフト”を特定し、そこに重点的に余剰人員を配置する データ駆動型のスケジューリングモデルを提案する。

3. 提案手法の構成（3つの柱）

① データ駆動型の「クリティカルシフト」分析

• 過去の欠勤データから、曜日×シフト（朝・夕・夜）ごとに欠勤率を計算。

• 欠勤が多いシフトに criticality score（重要度） を付与。

• 例：月曜朝・週末夜などが高リスクになりやすい。

② クリティカルシフトを組み込んだ MILP 最適化モデル

• 従来の「均一に余剰配置する」方式を廃止。

• criticality score に応じて余剰配置を優先するように目的関数を修正。

• 余剰配置量にも上限を設定し、過剰な overstaffing を防止。

③ 欠勤発生時のリアルタイム再配置（Overflow Unit Heuristic）

• 余剰配置された看護師を「Overflow Unit（予備ユニット）」として確保。

• 欠勤が発生したら、Overflow Unit から必要な資格を満たす看護師を再配置。

• 特徴：

  • 再最適化不要（高速）

  • 最小限の変更で対応

  • 資格レベルの低い看護師から Overflow に回すことで柔軟性を確保

4. 実験結果（概要）

• 実データを用いて、従来モデル（均一 overstaffing）と比較。

• 提案モデルは以下の点で優れていた：

  • 欠勤発生時の カバー率が向上

  • スケジュールの 安定性が向上

  • 看護師の 希望・公平性・経験バランスも維持

• 特に欠勤が多いシフトでの効果が大きい。

5. 本研究の主な貢献

• クリティカルシフトに基づく余剰配置戦略の提案（既存研究にない視点）

• 汎用的な MILP モデル（病院ごとに制約を調整可能）

• Overflow Unit による高速な欠勤対応アルゴリズム

• 予測モデル（Hurdle Model）による現実的な欠勤シナリオ生成

6. 一言でまとめると

欠勤が起こりやすいシフトをデータで特定し、そこに余剰人員を重点配置することで、 スケジュールの頑健性と実運用の柔軟性を大幅に高めるフレームワークを提案した研究。