論文の概要: A Multi-Objective Genetic Algorithm for Healthcare Workforce Scheduling

• arxiv url: http://arxiv.org/abs/2508.20953v1
• Date: Thu, 28 Aug 2025 16:16:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.500884
• Title: A Multi-Objective Genetic Algorithm for Healthcare Workforce Scheduling
• Title（参考訳）: 医療労働力スケジューリングのための多目的遺伝的アルゴリズム
• Authors: Vipul Patel, Anirudh Deodhar, Dagnachew Birru,
• Abstract要約: 本稿では,多目的遺伝的アルゴリズム (MOO-GA) を提案する。 コスト、患者ケアのカバレッジ、スタッフの満足度を客観的に定義することにより、GAは膨大な検索スペースをナビゲートし、高品質で非支配的なソリューションの集合を特定する。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Workforce scheduling in the healthcare sector is a significant operational challenge, characterized by fluctuating patient loads, diverse clinical skills, and the critical need to control labor costs while upholding high standards of patient care. This problem is inherently multi-objective, demanding a delicate balance between competing goals: minimizing payroll, ensuring adequate staffing for patient needs, and accommodating staff preferences to mitigate burnout. We propose a Multi-objective Genetic Algorithm (MOO-GA) that models the hospital unit workforce scheduling problem as a multi-objective optimization task. Our model incorporates real-world complexities, including hourly appointment-driven demand and the use of modular shifts for a multi-skilled workforce. By defining objective functions for cost, patient care coverage, and staff satisfaction, the GA navigates the vast search space to identify a set of high-quality, non-dominated solutions. Demonstrated on datasets representing a typical hospital unit, the results show that our MOO-GA generates robust and balanced schedules. On average, the schedules produced by our algorithm showed a 66\% performance improvement over a baseline that simulates a conventional, manual scheduling process. This approach effectively manages trade-offs between critical operational and staff-centric objectives, providing a practical decision support tool for nurse managers and hospital administrators.
• Abstract（参考訳）: 医療分野における労働力のスケジューリングは、患者負荷の変動、多様な臨床スキル、高水準の患者ケアを維持しながら労働コストを抑えるための重要な必要性を特徴とする、重要な運用上の課題である。 この問題は本質的に多目的であり、給与の最小化、患者のニーズに対する適切なスタッフ確保、バーンアウトを軽減するためのスタッフの選好の調整など、競合する目標間の微妙なバランスを必要とする。 本稿では,多目的遺伝的アルゴリズム (MOO-GA) を提案する。 私たちのモデルは、時間ごとの予約駆動需要や、マルチスキルな労働力のためのモジュラーシフトの利用など、現実世界の複雑さを取り入れています。 コスト、患者ケアのカバレッジ、スタッフの満足度を客観的に定義することにより、GAは膨大な検索スペースをナビゲートし、高品質で非支配的なソリューションの集合を特定する。 この結果から,MOO-GAは安定かつバランスの取れたスケジュールを生成することが明らかとなった。 提案アルゴリズムは,従来の手動スケジューリング処理をシミュレートしたベースラインに対して,平均66%の性能向上を示した。 このアプローチは、重要な運用目標とスタッフ中心の目標とのトレードオフを効果的に管理し、看護師や病院管理者に実用的な意思決定支援ツールを提供する。

関連論文リスト

• P-CAFE: Personalized Cost-Aware Incremental Feature Selection For Electronic Health Records [3.870455775654713]
  EHRデータセットに特化して、個人化、オンライン化、費用対効果を考慮した新しい機能選択フレームワークを提案する。 このフレームワークはスパースデータとマルチモーダルデータを効果的に管理し、堅牢でスケーラブルなパフォーマンスを保証するように設計されている。 本手法の主な応用は,患者検診における医師の意思決定を支援することである。
  論文  参考訳（メタデータ） (2025-08-12T05:23:46Z)
• Controlled Data Rebalancing in Multi-Task Learning for Real-World Image Super-Resolution [51.79973519845773]
  実世界の画像超解像(Real-SR)は、低解像度画像の複雑な劣化パターンのために難しい問題である。 本稿では,データヘテロジニアスなマルチタスク学習問題としてReal-SRの枠組みを改良したパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-05T21:40:21Z)
• A Hybrid Data-Driven Approach For Analyzing And Predicting Inpatient Length Of Stay In Health Centre [0.0]
  本研究は,患者フローの最適化のためのオール・エンコンパス・フレームワークを提案する。 我々は、230万件の未確認患者記録の包括的なデータセットを用いて、人口統計、診断、治療、サービス、費用、料金を分析した。 本モデルでは,患者の入院時間(LoS)を教師付き学習アルゴリズムを用いて予測する。
  論文  参考訳（メタデータ） (2025-01-30T18:01:48Z)
• Optimizing Nurse Scheduling: A Supply Chain Approach for Healthcare Institutions [0.0]
  我々は,契約上の義務や強制的な休息期間などの要因によって複雑化した作業である,スタッフのシフト割り当ての最適化に焦点をあてる。 特に注目されているのは、医療現場で一般的な人事スケジューリングの課題である、看護師のロスターリングの問題です。 新型コロナウイルス(COVID-19)パンデミックが続く中、医療機関のスタッフの課題が悪化している。
  論文  参考訳（メタデータ） (2024-05-29T15:37:51Z)
• Automated Multi-Task Learning for Joint Disease Prediction on Electronic Health Records [4.159498069487535]
  本稿では,タスクグループとアーキテクチャの最適構成を同時に検索できるAutoDPという自動手法を提案する。 ハンドクラフトと自動化された最先端の手法の両方に対して大幅な性能向上を実現し、同時に検索コストを同時に維持する。
  論文  参考訳（メタデータ） (2024-03-06T22:32:48Z)
• Exposing and Addressing Cross-Task Inconsistency in Unified Vision-Language Models [80.23791222509644]
  一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。 最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。 本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
  論文  参考訳（メタデータ） (2023-03-28T16:57:12Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。