論文の概要: NurseSchedRL: Attention-Guided Reinforcement Learning for Nurse-Patient Assignment

• arxiv url: http://arxiv.org/abs/2509.18125v1
• Date: Wed, 10 Sep 2025 21:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-28 15:30:14.390134
• Title: NurseSchedRL: Attention-Guided Reinforcement Learning for Nurse-Patient Assignment
• Title（参考訳）: NurseSchedRL:Nurse-Patient Assignmentのための注意誘導強化学習
• Authors: Harsha Koduri,
• Abstract要約: NurseSchedRLは、看護婦の配当のための強化学習フレームワークである。 構造化された状態符号化、制約されたアクションマスキング、およびスキル、疲労、地理的コンテキストの注意に基づく表現を統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Healthcare systems face increasing pressure to allocate limited nursing resources efficiently while accounting for skill heterogeneity, patient acuity, staff fatigue, and continuity of care. Traditional optimization and heuristic scheduling methods struggle to capture these dynamic, multi-constraint environments. I propose NurseSchedRL, a reinforcement learning framework for nurse-patient assignment that integrates structured state encoding, constrained action masking, and attention-based representations of skills, fatigue, and geographical context. NurseSchedRL uses Proximal Policy Optimization (PPO) with feasibility masks to ensure assignments respect real-world constraints, while dynamically adapting to patient arrivals and varying nurse availability. In simulation with realistic nurse and patient data, NurseSchedRL achieves improved scheduling efficiency, better alignment of skills to patient needs, and reduced fatigue compared to baseline heuristic and unconstrained RL approaches. These results highlight the potential of reinforcement learning for decision support in complex, high-stakes healthcare workforce management.
• Abstract（参考訳）: 医療システムは、スキルの不均一性、患者の明度、スタッフの疲労、ケアの継続性を考慮しつつ、限られた看護資源を効率的に割り当てるよう圧力を増す。 従来の最適化とヒューリスティックスケジューリング手法は、これらの動的なマルチ制約環境を捉えるのに苦労する。 NurseSchedRLは、構造化状態エンコーディング、制約されたアクションマスキング、および注意に基づくスキル、疲労、地理的文脈の表現を統合した、看護婦の指導のための強化学習フレームワークである。 NurseSchedRLはPPO(Proximal Policy Optimization)とファシビリティマスクを使用して、実際の制約を遵守し、患者到着と様々な看護師の可用性に動的に適応する。 現実的な看護師や患者データを用いたシミュレーションでは、NurseSchedRLはスケジュール効率の向上、患者のニーズに対するスキルの整合性の向上、ベースラインヒューリスティックなRLアプローチや制約のないRLアプローチと比較して疲労の低減を実現している。 これらの結果は、複雑で高度な医療従事者管理における意思決定支援のための強化学習の可能性を強調している。

関連論文リスト

• Automated Procedural Analysis via Video-Language Models for AI-assisted Nursing Skills Assessment [5.851959409921155]
  看護スキルトレーニングのための自動手続き評価とフィードバックのAI能力を開発するために,ビデオ言語モデル(VLM)ベースのフレームワークを導入する。 このフレームワークはカリキュラムにインスパイアされた進歩に従っており、ハイレベルな行動認識から手続き的推論へと進歩している。 この研究は、看護教育におけるAI応用を前進させ、より強い労働力開発と究極的には患者ケアに寄与する。
  論文  参考訳（メタデータ） (2025-09-20T21:11:33Z)
• A Multi-Objective Genetic Algorithm for Healthcare Workforce Scheduling [0.764671395172401]
  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。
  論文  参考訳（メタデータ） (2025-08-28T16:16:10Z)
• MORE-CLEAR: Multimodal Offline Reinforcement learning for Clinical notes Leveraged Enhanced State Representation [2.3363060352988283]
  集中治療室におけるセプシス制御のための拡張stAte表現フレームワークを応用したマルチモーダルオフライン強化学習を提案する。 More-CLEARは、臨床ノートからリッチな意味表現の抽出を容易にするために、事前訓練された大規模言語モデル(LLM)を使用している。 我々の知る限り、医療アプリケーションにおける状態表現を改善するために、マルチモーダルオフラインRL内でLLM機能を利用するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-08-11T06:58:33Z)
• 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)
• Enhancing Nursing and Elderly Care with Large Language Models: An AI-Driven Framework [9.201523682061753]
  本稿では,大規模言語モデル(LLM)の看護・介護への応用について検討し,AIによる患者のモニタリングとインタラクションに着目した。 我々は,中国の看護データセットを導入し,インクリメンタル・プレトレーニング(IPT)と教師付き微調整(SFT)技術を実装し,特殊タスクにおけるLLM性能を向上させる。
  論文  参考訳（メタデータ） (2024-12-13T08:10:56Z)
• Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
  我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。 本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
  論文  参考訳（メタデータ） (2023-10-23T19:59:10Z)
• Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
  医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。 医療資源割り当てプロトコルの普遍的な標準は存在しない。 本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-15T17:28:06Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)
• 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)

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。