Content area
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.
