Maching Learningによる修正

南山大学　先生方による論文 です。

JSME-TJ

✨ 本論文の要約（A solution method of nurse scheduling problem using machine learning）

1. 研究の背景

• 看護師の勤務表作成（ナーススケジューリング問題）は、依然として多くの病院で手作業で行われている。

• 数理最適化（MIP）による自動生成手法は多数存在するが、現場の看護師長が持つ暗黙の条件（hidden conditions）を満たせず、実用化が進んでいない。

• 暗黙条件の例：看護師同士の相性、連続勤務の微妙な調整、病棟特有の慣習など。

2. 研究の目的

• 数理最適化（MIP）＋機械学習（DNN）を組み合わせたハイブリッド手法により、

  • 暗黙の条件を学習し、

  • 看護師長が受け入れられる勤務表を自動生成すること。

3. 提案手法の概要

ステップ構成

1. MIPで初期勤務表 S を生成

2. 看護師長が不満な部分を修正 → F（修正後勤務表）

3. S を入力、F を教師データとして DNN を学習

4. 学習済み DNN が勤務表を自動修正

5. 修正が不要になるまで 2〜4 を繰り返す

→ 看護師長は暗黙条件を言語化する必要がなく、修正作業そのものが学習データになる。

4. 暗黙条件を模擬する「仮想看護師長問題（VCNP）」

• 実験前に、暗黙条件を数理的に模擬するために VCNP を構築。

• VCNP は「看護師の相性」などの隠れた条件を含む MIP。

• VCNP の解を DNN の教師データとして使用し、暗黙条件を学習させる。

5. シミュレーション結果

• 20名・28日間の小規模問題で検証。

• DNN の損失（MSE）は 約20回の反復でほぼゼロに収束。

• 学習後、異なる初期勤務表を入力しても、

  • 相性の悪い看護師が同じシフトに入らない

  • その他の制約も破らない といった「暗黙条件を満たす勤務表」が自動生成された。

• 1回の反復は約20秒で実行可能。

6. 実際の病院での実験（藤田医科大学ばんたね病院）

• 看護師長が実際に勤務表を修正し、その修正を DNN が学習。

• 結果：

  • 約20回の反復（約30分）で看護師長が受け入れる勤務表を生成

  • 従来は勤務表作成に 6時間以上かかっていた

  • 学習後は、別の初期勤務表でも 即座に受け入れ可能な勤務表を生成

→ 現場での実用性が高いことを確認

7. 結論

• 提案手法は、数理最適化では扱えない暗黙条件を DNN が学習することで、現場の看護師長が受け入れる勤務表を生成できる。

• 実験では、手作業の負担を大幅に削減できることが示された。

• 今後は、より複雑な暗黙条件や実運用システムの構築を進める予定。

8. 本研究の意義

• 数理最適化と機械学習のハイブリッドは、人間の暗黙知を取り込む新しいスケジューリング手法として有望。

• 医療現場の働き方改革に寄与する可能性が高い。