《Haematologica》：An analytics-driven optimization framework for nurse scheduling under uncertainty
编辑推荐：
本文针对医院护士排班中因突发性缺勤、复杂约束和公平性要求而面临的巨大不确定性，提出了一种创新的、集成预测建模与数学优化于一体的分析驱动优化框架。研究人员通过引入混合整数线性规划(MILP)模型并结合历史缺勤数据计算班次关键性评分，构建了具有前瞻性的、面向高风险班次的定向超员配置策略。框架还包含了基于虚拟溢出单元的实时再分配启发式算法，以应对实时缺勤。利用真实医院数据的广泛计算实验验证了该框架在缺勤覆盖和运营可靠性方面相比传统方法有显著提升。这项研究为提升医疗人力资源调度韧性、保障护理质量和运营效率提供了有力的理论支持和实践工具。
在现代医疗系统中，护士是核心且宝贵的资源。然而，全球范围内高达590万的护士短缺现状，使得医院人力资源的高效管理变得至关重要。护士的排班（或称排班，Rostering）不仅关乎运营成本，更直接影响护理服务的连续性和质量，甚至关系到护士本身的工作满意度和职业倦怠风险。这个任务在学术和实践中被称为护士调度问题（Nurse Scheduling Problem, NSP）。它是一个复杂的组合优化问题，需要在有限的规划周期内，为护士们分配合适的班次，同时满足林林总总的硬性约束（如法规、合同）和软性约束（如个人偏好）。更棘手的是，现实中的医院环境充满了不确定性——突发性的员工缺勤、难以预测的患者需求波动以及紧急情况，常常让事先精心制定的排班表“瞬间破功”。传统的排班模型往往假设所有情况均可预知，这导致产生的排班表僵化，难以应对突发状况，最终可能增加成本、降低效率，并加剧管理者和护士的压力。因此，如何设计出既能满足日常运营需求，又能抵御不确定事件冲击的韧性（Robust）排班方案，成为了医院管理者和研究者共同面临的重大挑战。
为了攻克这一难题，研究人员开展了一项题为“不确定性下基于分析驱动的护士调度优化框架”的研究，相关成果已发表在《Haematologica》期刊上。该研究旨在开发一个将预测性分析与数学优化相结合的综合框架，以创建更具韧性的护士排班。为了解决护士缺勤带来的不确定性，研究团队并没有采取“均匀撒网”式的传统缓冲策略，而是创新性地提出了“基于关键性的定向超员配置”思路。其核心洞见在于：并非所有班次面临缺勤的风险是均等的。通过深入分析历史缺勤数据，可以识别出那些更容易出现人手短缺的“高风险”班次。基于此，研究构建了一个多目标混合整数线性规划（Mixed-Integer Linear Programming, MILP）模型，将班次级别的关键性指标嵌入目标函数，从而在制定初始排班时，就能主动、有倾向性地为这些关键班次配置额外的护士（即“超员”），形成一种结构化的缓冲。此外，研究还设计了一个名为“带溢出单元的护士再分配”的快速反应启发式算法。当实际缺勤发生时，该算法能够动态地将预先安排在超员班次上的护士，根据其资质重新分配到出现缺勤的岗位，就像一个虚拟的“人力储备池”在实时运作，从而快速填补空缺，避免大规模的排班重构。为了在实验阶段更真实地测试框架的稳健性，研究人员还利用一个两部分Hurdle回归模型来生成符合历史规律的模拟缺勤场景。通过在真实医院数据上进行的大量计算实验表明，这种数据驱动的、结合了前瞻性优化和反应性调整的框架，在缺勤覆盖率、运营可靠性、工作负载均衡和护士偏好满意度等关键指标上，均显著优于传统的均匀或随机超员排班方法。
为开展这项研究，作者们主要运用了以下几种关键技术方法：首先，基于真实医院运营数据（包括历史排班、护士资质、缺勤记录等），构建了多目标混合整数线性规划（MILP）数学模型，该模型是研究框架的核心优化引擎。其次，为了评估排班方案在不确定性下的表现，研究人员采用了两部分Hurdle回归模型，基于历史数据预测不同班次的缺勤概率，并以此生成用于压力测试的模拟缺勤场景。再者，研究开发了一种名为“带溢出单元的护士再分配”的启发式算法，作为应对实时缺勤的快速反应机制。最后，利用来自合作医院的实际数据集进行了广泛的、对照的计算实验，以量化比较所提出的定向超员策略与多种基线策略（如均匀超员、随机超员）的性能差异。
研究结果
1. 问题陈述与数学模型构建
研究首先清晰地定义了在多重不确定性下的护士排班优化问题。规划周期被划分为天，护士被分配到不同的医院单元和班次（如早班M、晚班E、夜班N）。模型考虑了护士的三级资质体系（助理护士AN、注册护士N、专科护士SN）和经验层级（初级、中级、高级），并允许高资质护士顶替低资质岗位，增加了人员调配的灵活性。研究建立了一个包含丰富约束集的MILP模型，这些约束分为硬约束（必须满足，如最低人员配置要求、连续工作天数上限、最长连续夜班限制、周最大工时限制等）和软约束（期望满足但可违反并产生惩罚，如护士对特定班次或日期的偏好）。目标函数旨在最小化多个冲突的目标，包括相对于平均需求的缺员（Understaffing）、相对于合同工时的工时偏差、专科护士和经验护士的短缺、对护士偏好的违反，以及促进超员任务的公平分配。
2. 数据驱动的定向超员策略
这是本研究的核心贡献。与现有研究通常将缓冲资源（如备用护士、加班）均匀或随机分配不同，本研究提出了一种“定向”超员策略。该策略首先基于历史缺勤数据，计算每个班次（由单元、日期、班型定义）的“关键性”指数，这个指数反映了该班次过去发生缺勤的频繁程度和严重性。然后，在优化模型的目标函数中，为那些被分配到高关键性班次上的“超员”护士（即超过平均需求的部分）赋予更高的奖励权重。这样，优化求解器在生成排班时，会主动倾向于将可用的额外人力（超员配置）优先安排到最脆弱、最需要“加固”的班次上，从而在结构上提升排班对缺勤的抵御能力。
3. 实时再分配启发式算法（Nurse Reassignment with Overflow Unit）
即使有了前瞻性的强化排班，突发缺勤仍可能发生。为此，研究设计了一个反应性的、无需完全重新优化的快速调整算法。其基本思想是：将每个排班周期内所有计划中的“超员”护士（即那些在定向策略下被额外安排到某个班次的护士）虚拟地集中管理，视为一个“溢出单元”。当某个班次有护士缺勤时，算法会从这个“溢出单元”中寻找资质合适（可顶替）且当前未被占用的护士，将其重新分配到出现空缺的岗位上。这个过程是局部的、快速的，旨在用最小的调度扰动来填补空缺，维持排班的可行性。
4. 计算实验与验证
利用从一家医院获取的真实数据（包括28周的排班记录和缺勤数据），研究进行了全面的计算实验。他们比较了三种超员策略：① 提出的基于关键性的定向超员策略；② 均匀超员策略（将总超员量平均分配到所有班次）；③ 随机超员策略。评估指标涵盖了缺勤覆盖率、工作负载不均衡度、护士偏好违反数、以及缺员和超员水平。实验结果表明，在相同的总超员预算下，定向策略在覆盖模拟缺勤方面表现最佳，平均缺勤覆盖率显著高于均匀和随机策略。特别是在高缺勤率场景下，定向策略的优势更加明显。同时，该策略在控制工作负载不均衡和满足护士偏好方面也表现良好。这些结果有力地证明了，将数据驱动的风险洞察融入优化过程，可以更智能、更有效地利用有限的人力缓冲资源，显著提升排班系统的整体韧性和运营效率。
研究结论与意义
本研究成功构建并验证了一个整合预测分析与数学优化的、面向不确定性的护士调度框架。其主要结论在于：第一，通过历史缺勤数据识别班次级别的结构性脆弱性，并据此实施“定向超员”，是一种比均匀或随机分配缓冲资源更高效的排班强化策略。这打破了传统上认为“所有班次风险均等”的隐含假设。第二，将前瞻性的优化排班（MILP模型）与反应性的快速调整启发式算法（带溢出单元的再分配）相结合，构成了一个完整的、从计划到执行的韧性调度闭环，能够在预算和人力资源有限的情况下，更好地平衡运营效率、服务质量和员工满意度。第三，利用预测模型（如Hurdle模型）生成逼真的缺勤场景进行压力测试，是评估和验证排班策略稳健性的有效手段。
这项研究具有重要的理论和实践意义。在理论上，它推进了护士调度问题在不确定性处理方面的研究，明确提出了“基于关键性的资源分配”这一新视角，并提供了可量化的建模和验证方法。在实践上，该框架为医院管理者提供了一个强大、灵活且可定制的决策支持工具。它有助于医院在护士资源全球性短缺的背景下，更科学地进行人力资源规划，降低因突发缺勤导致的运营中断风险，保障患者护理的连续性和质量，同时也有助于改善护士的工作体验，促进其职业健康。最终，这项研究为实现更智能、更具韧性的医疗系统运营管理贡献了有价值的解决方案。
