Usprawnianie planowania zatrudnienia, harmonogramów i oceny wyników w szpitalach za pomocą systemu zarządzania zasobami ludzkimi opartego na sztucznej inteligencji

Dlaczego inteligentniejsze harmonogramy mają znaczenie dla pacjentów

Każdy, kto z niepokojem czekał w szpitalnym korytarzu, wie, jak bardzo obsada personelu wpływa na doświadczenie opieki. Gdy na dyżurze jest za mało pielęgniarek lub lekarzy, wydłużają się opóźnienia, a stres rośnie dla wszystkich. Tymczasem tworzenie sprawiedliwych i efektywnych harmonogramów w tak złożonym środowisku jest niezwykle trudne. Artykuł opisuje, jak system napędzany sztuczną inteligencją może pomóc szpitalom przewidywać potrzebną liczbę pracowników, tworzyć lepsze grafiki i nieustannie monitorować wyniki, z ostatecznym celem krótszych kolejek, mniejszego wypalenia i bezpieczniejszej opieki.

Szpitale jako nieustanne akty równowagi

Szpitale działają pod stałą presją. Liczba pacjentów zmienia się w zależności od sezonu, epidemii i nagłych wypadków, podczas gdy budżety i przepisy pracy ograniczają, ile osób może być zatrudnionych i ile może pracować na danej zmianie. Tradycyjnie menedżerowie polegali na doświadczeniu, arkuszach kalkulacyjnych i fragmentarycznych informacjach przy planowaniu personelu. Często skutkuje to harmonogramami, które wolno się aktualizują, ignorują preferencje pracowników i nie odpowiadają w pełni rzeczywistemu zapotrzebowaniu pacjentów. Efektem mogą być długie czasy oczekiwania, zmęczony personel i nierówna jakość opieki.

Cyfrowy asystent składający się z trzech części dla menedżerów

Autorzy proponują zintegrowane ramy cyfrowe łączące trzy zadania, które menedżerowie zwykle traktują oddzielnie: planowanie liczby potrzebnych pracowników, decydowanie, kto i kiedy oraz gdzie pracuje, oraz ocenę, jak zespoły działają w czasie. Po pierwsze, system analizuje przeszłe zapisy szpitalne — takie jak rejestry przyjęć i zajętość łóżek — żeby prognozować, ilu pacjentów może przybyć w najbliższych dniach. Po drugie, wykorzystuje te prognozy do tworzenia grafików personelu, które respektują przepisy prawa pracy, umowy, uwzględniają kwalifikacje i umiejętności oraz preferencje indywidualne. Po trzecie, nieustannie ocenia wyniki, używając zarówno liczb (np. frekwencja i wykonanie zadań), jak i wolnotekstowych opinii pacjentów i współpracowników.

Jak system uczy się zapotrzebowania i tworzy sprawiedliwe harmonogramy

Aby przewidywać zapotrzebowanie, ramy wykorzystują zaawansowane metody predykcyjne, które wychwytują wzorce w czasie, w tym sieci typu long short-term memory i inne modele uczenia maszynowego. Narzędzia te uczą się, jak przyjęcia zmieniają się w zależności od dnia tygodnia, pory roku i linii usług, a następnie przekładają te wzorce na oczekiwane potrzeby personalne dla każdego oddziału i zmiany. Na podstawie tych prognoz silnik optymalizacyjny przydziela konkretne osoby do konkretnych dyżurów. Egzekwuje limity godzin pracy i odpoczynku, zapewnia odpowiedni skład kwalifikacji w jednostkach takich jak oddział intensywnej terapii oraz równomiernie rozkłada obciążenie pracą. Sprawiedliwość nie jest funkcją dodatkową; jest wbudowana w cel, który system stara się poprawiać, więc harmonogramy unikają przeciążania małej grupy pracowników, podczas gdy inni mają lżejsze obowiązki.

Słuchanie głosów, nie tylko liczb

Ponad harmonogramami i liczebnością, ramy uwzględniają doświadczenia. Zbierają komentarze pacjentów i oceny od współpracowników oraz stosują techniki przetwarzania języka naturalnego, aby wykrywać sentyment pozytywny, neutralny i negatywny oraz powtarzające się tematy. Te spostrzeżenia łączone są z wskaźnikami ilościowymi, takimi jak punktualność i absencje, i prezentowane na czytelnych pulpitach menedżerskich. Menedżerowie mogą zobaczyć, na przykład, kiedy rosnące zapotrzebowanie zbiega się ze wzrostem negatywnych komentarzy pacjentów na danym oddziale, i odpowiednio reagować poprzez dostosowanie obsady lub zaoferowanie wsparcia i szkoleń. To sprawia, że ocena wyników jest bardziej ciągła i przejrzysta, a mniej zależna od okazjonalnych, subiektywnych przeglądów.

Co ujawniają próby w praktyce

System testowano zarówno na symulowanych danych szpitalnych, jak i na zapisach dużego szpitala trzeciego stopnia, a następnie pilotażowo wdrożono w rzeczywistych oddziałach. W prognozowaniu modele sieci neuronowych przewidywały przyjęcia pacjentów z wysoką dokładnością. W harmonogramowaniu nowe grafiki zmniejszyły konflikty o ponad jedną trzecią, czas obliczeń utrzymał się poniżej dwóch minut nawet dla 1 000 pracowników, a rozkład godzin pracy między personelem był bardzo równomierny. W ocenie wyników około trzy czwarte komentarzy pacjentów sklasyfikowano jako pozytywne, a analiza wskazała konkretne bolączki, takie jak czasy oczekiwania i luki w komunikacji. Podczas pilotażowych wdrożeń szpitale odnotowały 18% spadek średniego czasu oczekiwania i 14% wzrost wskaźników satysfakcji pacjentów, a personel zgłaszał większe poczucie sprawiedliwości i lepsze dopasowanie do preferowanych zmian.

Co to oznacza dla codziennej opieki

Dla osób nietechnicznych główny wniosek jest prosty: dzięki połączeniu prognozowania, optymalizacji i uważnego słuchania opinii, system oparty na sztucznej inteligencji może pomóc umieścić właściwych ludzi we właściwym miejscu o właściwym czasie, w sposób odbierany jako sprawiedliwy przez personel i bezpieczniejszy dla pacjentów. Podejście to nie zastępuje ludzkiego osądu; daje menedżerom klarowniejszy, oparty na danych obraz zapotrzebowania, zatrudnienia i wyników. Choć szpitale nadal muszą dbać o jakość danych i wspierać personel w korzystaniu z nowych narzędzi, badanie sugeruje, że przemyślanie zaprojektowana sztuczna inteligencja może uczynić pracę w szpitalu bardziej zrównoważoną, a opiekę pacjentom bardziej niezawodną.

Cytowanie: Wang, Y., Zheng, P., Guan, Y. et al. Enhancing hospital workforce planning, scheduling, and performance evaluation through an AI-driven human resource management system. Sci Rep 16, 13379 (2026). https://doi.org/10.1038/s41598-026-43102-w

Słowa kluczowe: obsada szpitala, sztuczna inteligencja, harmonogramowanie personelu, czas oczekiwania pacjenta, wydajność opieki zdrowotnej