Développement d’une méthode d’optimisation pour la génération des horaires des infirmières afin de minimiser l’absentéisme
Bibliographic record
Abstract
Depuis quelques années, le réseau public de la santé du Québec fait face à une pénurie grandissante de main-d’oeuvre. Cette pénurie est reliée à une réforme du système de santé au Québec ayant introduit de nombreux changements administratifs et plusieurs coupes budgétaires. L’analyse des infirmières montre que celles-ci travaillent dans des conditions difficiles, ce qui cause une détérioration de leur santé mentale et physique. Entre autres, le taux d’absentéisme des infirmières a atteint un sommet historique et continue d’augmenter chaque année. De plus, un grand nombre de cas d’épuisements professionnels ont été recensés dans les dernières années, causant des arrêts de travail pour des périodes prolongées. Les conséquences sont ressenties par une augmentation de la charge de travail des infirmières, qui doivent effectuer des quarts de travail en temps supplémentaire afin de compenser le manque de personnel soignant. Pour toutes ces raisons, les infirmières ont besoin d’horaires de travail convenables et adaptés à leur situation. Ce mémoire propose une solution à la problématique de gestion des horaires des infirmières afin de réduire les risques d’absentéisme à l’aide d’une valeur permettant de quantifier le bien-être des infirmières. Un modèle d’optimisation en nombres entiers est utilisé afin de construire des horaires pour les infirmières d’une unité de soins. Un algorithme Branchand-bound est utilisé afin de résoudre le modèle. Ce modèle d’optimisation est supporté par un autre modèle issu de l’apprentissage machine, où l’un des paramètres d’optimisation est calculé par un algorithme Random Forest Regression (RFR). Ce dernier permet de prédire le paramètre de bien-être des infirmières en utilisant l’historique des horaires antérieurs. À partir de ces données, la sommation du nombre de quarts travaillés (ex. à temps régulier, à temps supplémentaire, etc.), des congés et des absences est utilisée pour la construction d’une variable de prédiction de l’état de chaque infirmière. L’objectif du modèle d’optimisation est de diminuer la charge de travail des infirmières à risque en assignant le nombre minimal de quarts de travail requis, en leur offrant de meilleures assignations à des quarts de préférence et en évitant les quarts de travail problématique (ex. temps supplémentaire). Les résultats obtenus à l’aide du modèle de prédiction et d’optimisation sont tous deux concluants. Le modèle de prédiction est en mesure de suivre l’évolution de la tendance du bien-être des infirmières. En analysant les données d’horaire des infirmières, les semaines menant à un arrêt de travail se traduisent généralement par une dégradation de la valeur de bien-être précédant l’absence d’une infirmière. Les horaires réels provenant des données fournies sont comparés avec ceux générés en répliquant leurs paramètres dans le modèle d’optimisation. Les horaires générés satisfont toutes les contraintes du modèle, diminuent le nombre d’affectations de temps supplémentaires et répartissent mieux les quarts de travail aux infirmières. En général, les infirmières à risque sont rarement affectées à des quarts en temps supplémentaires, obtiennent leurs quarts de préférence et sont affectées moins fréquemment à l’horaire.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".