NurseSchedRL：基于注意力引导的护士-患者分配强化学习框架
机器学习
2025-09-24 v1 人工智能
摘要
医疗系统面临不断增加的压力，需在考虑技能异构性、患者病情严重程度、员工疲劳和护理连续性的前提下，高效分配有限的护理资源。传统的优化和启发式调度方法难以捕捉这些动态、多约束环境。本文提出NurseSchedRL，一种用于护士-患者分配的强化学习框架，集成了结构化状态编码、受约束的动作掩码以及对技能、疲劳和地理位置的注意力表示。NurseSchedRL使用带有可行性掩码的近端策略优化（PPO），确保分配遵守现实约束，同时动态适应患者到达和护士可用性变化。在使用真实护士和患者数据的仿真实验中，NurseSchedRL在调度效率、技能与患者需求的匹配度以及疲劳减少方面优于基线启发式和非受约束强化学习方法。这些结果凸显了强化学习在复杂高风险医疗 workforce management 决策支持方面的潜力。
引用
@article{arxiv.2509.18125,
title = {NurseSchedRL: Attention-Guided Reinforcement Learning for Nurse-Patient Assignment},
author = {Harsha Koduri},
journal= {arXiv preprint arXiv:2509.18125},
year = {2025}
}