dc.contributor.advisor | Gullhav, Anders N. | |
dc.contributor.advisor | Langseth, Helge | |
dc.contributor.advisor | Bovim, Thomas | |
dc.contributor.author | Johansen, Anne-Sofie | |
dc.contributor.author | Nag, Bendik | |
dc.contributor.author | Tveit, Herborg Hermansen | |
dc.date.accessioned | 2024-01-16T18:19:43Z | |
dc.date.available | 2024-01-16T18:19:43Z | |
dc.date.issued | 2023 | |
dc.identifier | no.ntnu:inspera:146857327:153167808 | |
dc.identifier.uri | https://hdl.handle.net/11250/3111993 | |
dc.description.abstract | Turnusplanlegging er avgjørende for alle sykehus for å sikre tilstrekkelig pasientbehandling og balansert arbeidsbelastning for sykepleierne. Det er et komplekst problem, og turnusplanen er utsatt for usikkerhet både i tilbud og etterspørsel av sykepleiere. Til tross for denne kompleksiteten blir planleggingen ofte gjort manuelt, noe som er tidskrevende for lederne. En dårlig konstruert turnus fører til replanlegging, noe som er kostbart for sykehuset, tidkrevende for lederne og upraktisk for sykepleierne. Replanlegging refererer til den reaktive prosessen med å gjøre justeringer i planen på grunn av uforutsette hendelser som sykepleierfravær eller endringer i pasientbelastningen. For å motvirke behovet for replanlegging kan proaktive strategier implementeres for å forbedre robusthet og fleksibilitet i turnusen. Robusthet refererer til turnusplanens evne til å absorbere forstyrrelser, mens fleksibilitet er evnen til å gjenopprette turnusplanen effektivt. Det er interessant å identifisere hvordan samspillet mellom proaktive strategier i planlegging og reaktive strategier i replanlegging kan forbedre turnuskvaliteten, samt legge til rette for de reaktive tiltakene i replanlegging.
Denne masteroppgaven kombinerer optimering og maskinlæring for å forbedre prosessene for turnusplanlegging og replanlegging ved hjelp av reell data fra Klinikk for hjertemedisin ved St. Olavs sykehus. Vi utvikler en grunnleggende flerobjektiv, blandet heltallsmodell der målene er å skape turnusplaner som gjenspeiler de faktiske planene ved klinikken. Vi utvider denne modellen ved å implementere en bufferstrategi som går på tvers av seksjoner og en fleksibel strategi for økt robusthet og fleksibilitet. Modellen utvides ved å implementere strategier for å øke planenes robusthet og fleksibilitet. De genererte turnusene brukes som input til replanleggingsproblemet, som brukes for å evaluere turnusplanene. Replanleggingsproblemet er formulert som en grunnleggende blandet heltalls modell med objektiv om å minimere totale kostnader knyttet til økte lønnskostnader som følge av reaktive tiltak. Det integreres i et simuleringsrammeverk som benytter seg av historiske data fra Klinikk for hjertemedisin for å etterligne tilbudet etter sykepleiere og faktisk etterspørsel i simuleringsperioden. Vi har utviklet to maskinlæringsmodeller for å forutsi fremtidig etterspørsel. Resultatene fra den mest lovende modellen brukes i kombinasjon med replanleggingsmodellen for å forbedre replanleggingskostnadene.
Resultatene viser at de proaktive strategiene konstruerer turnuser med tilsvarende objektivverdier som de grunnleggende turnusene, samtidig som de reduserer de totale kostnadene for replanlegging. Bufferstrategien tilpasser seg den daglige etterspørselen for hver seksjon og fordeler tilgjengelige sykepleiere effektivt.Den fleksible strategien viser gunstige kostnadsresultater, selv om fordelingen av arbeidsbelastning for sykepleierne kan forbedres. Maskinlæringsprediksjoner reduserer konsekvent replanleggingskostnadene. | |
dc.description.abstract | Nurse scheduling is essential for all hospitals to ensure sufficient patient treatment and a balanced workload for the nurses. It is a complex problem, and the schedules are subject to uncertainties in both supply and demand for nurses. Despite this complexity, scheduling is often done manually, which is time-consuming for managers. A poorly constructed schedule leads to nurse rescheduling, resulting in additional time and cost burdens for the hospital and inconvenience for nurses. Nurse rescheduling refers to the reactive process of making adjustments to the schedule due to unexpected events such as nurse absences or changes in patient load. To combat disruptions, proactive strategies can be implemented to improve the robustness or flexibility of the schedule. Robustness refers to the schedule's ability to absorb disruptions, and flexibility is the ability to efficiently reestablish the schedule. It is interesting to identify how the interplay between proactive strategies in scheduling and reactive strategies in rescheduling can improve the overall quality of the schedules and facilitate reactive measures in rescheduling.
This thesis combines operations research and machine learning to improve the scheduling and rescheduling processes using real-life data from the Clinic of Cardiology at St. Olavs Hospital. We formulate a baseline multi-objective mixed-integer scheduling model. The objectives aim to create schedules that reflect the actual schedules at the clinic. We extend this model using a cross-section buffer strategy and flexible assignment strategy for increased robustness and flexibility. The generated schedules are used as input to the rescheduling problem, formulated as a baseline mixed integer model to minimize total rescheduling costs related to increased wage costs from reactive actions. To evaluate the schedule, the rescheduling model is embedded in a simulation framework using historical data from the clinic to imitate the supply of nurses and actual demand for the simulation period. We have developed two machine learning models for predicting future demand. The results from the most promising model are used in combination with the rescheduling model to improve the rescheduling costs.
Our results show that proactive strategies achieve similar objective values as the baseline schedule while outperforming the total costs of the baseline schedule during rescheduling. Cross-section buffer schedules efficiently distribute nurses by adapting to daily demand. The flexible assignments strategy demonstrates favorable cost outcomes, although with potential for improving the distribution of workload for the nurses. Machine learning predictions consistently decrease rescheduling costs. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Nurse Scheduling and Rescheduling: Combining Optimization with Machine Learning-Driven Demand Predictions | |
dc.type | Master thesis | |