A carregar...
Publicação
Criação automática de escalas de turnos em saúde com inteligência artificial
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.99 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
A criação de escalas de turnos em saúde é um processo crítico, que exige conciliar regras legais e institucionais, requisitos mínimos de cobertura por turno, indisponibilidades e preferências dos profissionais. Apesar da relevância operacional, esta atividade continua a ser realizada de forma manual ou semiautomática, implicando consumo de tempo, risco de inconsistências e dificuldade em responder a alterações imprevistas. Neste contexto, esta dissertação analisa de que forma a Inteligência Artificial pode apoiar a criação automática de escalas de turnos em saúde, adotando uma abordagem de Design Science Research (DSR), suportada por uma Revisão Sistemática da Literatura (SLR). A SLR identificou abordagens
predominantes, como programação matemática, meta-heurísticas e métodos híbridos, e limitações associadas à escalabilidade, integração com dados reais e adoção em contexto organizacional. Com base nessa evidência, é proposta uma abordagem centrada na aplicabilidade, concretizada num artefacto que utiliza um template Excel e IA generativa para interpretar regras em linguagem natural e validar o cumprimento das regras ativas, destinado a perfis operacionais e de gestão, sem necessidade de conhecimentos técnicos especializados.
O artefacto produz automaticamente a escala, um resumo por profissional e um módulo de validação, promovendo transparência e auditabilidade. A solução foi demonstrada em dois cenários, geração de uma escala completa e replaneamento por ausência imprevista, e validada através de entrevistas semiestruturadas. Os resultados evidenciam potencial para reduzir o esforço manual, reforçar a consistência e melhorar a resposta a imprevistos, salientando a importância da estabilidade no replaneamento para viabilizar a adoção em serviços de saúde.
Healthcare shift rostering is a critical process that requires balancing legal and institutional rules, minimum coverage requirements per shift, staff unavailability, and professional preferences. Despite its operational relevance, this activity is still often performed manually or semi-automatically, leading to high time consumption, a greater risk of inconsistencies, and limited ability to respond to unexpected changes. In this context, this dissertation examines how Artificial Intelligence can support the automatic generation of healthcare shift rosters by adopting a Design Science Research (DSR) approach, supported by a Systematic Literature Review (SLR). The SLR identified dominant approaches, including mathematical programming, metaheuristics, and hybrid methods, as well as recurring limitations related to scalability, integration with real data, and organisational adoption. Building on this evidence, an applicability-oriented approach is proposed and materialised in an artefact that uses an Excel template and generative AI to interpret rules written in natural language and to validate compliance with active rules, targeting operational and managerial profiles without requiring specialised technical knowledge. The artefact automatically produces the roster, a per-professional summary, and a validation module, promoting transparency and auditability. The solution was demonstrated in two scenarios, full roster generation and rerostering triggered by an unexpected absence, and validated through semistructured interviews. The results indicate potential to reduce manual effort, strengthen consistency, and improve responsiveness to unforeseen events, highlighting the importance of rerostering stability to enable adoption in healthcare services.
Healthcare shift rostering is a critical process that requires balancing legal and institutional rules, minimum coverage requirements per shift, staff unavailability, and professional preferences. Despite its operational relevance, this activity is still often performed manually or semi-automatically, leading to high time consumption, a greater risk of inconsistencies, and limited ability to respond to unexpected changes. In this context, this dissertation examines how Artificial Intelligence can support the automatic generation of healthcare shift rosters by adopting a Design Science Research (DSR) approach, supported by a Systematic Literature Review (SLR). The SLR identified dominant approaches, including mathematical programming, metaheuristics, and hybrid methods, as well as recurring limitations related to scalability, integration with real data, and organisational adoption. Building on this evidence, an applicability-oriented approach is proposed and materialised in an artefact that uses an Excel template and generative AI to interpret rules written in natural language and to validate compliance with active rules, targeting operational and managerial profiles without requiring specialised technical knowledge. The artefact automatically produces the roster, a per-professional summary, and a validation module, promoting transparency and auditability. The solution was demonstrated in two scenarios, full roster generation and rerostering triggered by an unexpected absence, and validated through semistructured interviews. The results indicate potential to reduce manual effort, strengthen consistency, and improve responsiveness to unforeseen events, highlighting the importance of rerostering stability to enable adoption in healthcare services.
Descrição
Dissertação de Mestrado em Informação e Sistemas Empresariais, em associação com o Instituto Superior Técnico, apresentada à Universidade Aberta
Palavras-chave
Escalas de turnos Planeamento em saúde Inteligência artificial IA Generativa Design Science Research Revisão sistemática da literatura Shift rostering Healthcare workforce planning Artificial intelligence Generative AI Systematic literature review
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC