Czy AI może pomóc zmniejszyć rotację pielęgniarek i lekarzy w szpitalu?

AI może pomóc zmniejszyć rotację personelu medycznego, ale nie przez jakąś gotową receptę. Konkretnie: analiza danych z grafiku, ewidencji nieobecności i wywiadów wyjściowych pozwala wskazać, które osoby są statystycznie bliskie decyzji o odejściu, zanim jeszcze złożą wypowiedzenie. To dane, które masz w swoich systemach, ale których nikt nie zestawia razem i nikt nie patrzy na nie w czasie. Rotacja pielęgniarek i lekarzy to jeden z poważniejszych kosztów operacyjnych szpitali i przychodni, przy czym koszt to nie tylko rekrutacja, ale też utracona wiedza kliniczna i przerwy w ciągłości opieki nad pacjentem.

Skąd wiadomo, że ktoś jest bliski odejścia

Kilka miesięcy przed złożeniem wypowiedzenia zwykle coś się zmienia. Częstsze zwolnienia lekarskie, zwłaszcza jednodniowe. Nagłe prośby o zamianę dyżuru. Pominięcie szkoleń, na które wcześniej się zapisywała. Coraz krótsze wpisy w systemie. Mniej inicjatywy.

Żaden kierownik oddziału nie jest w stanie monitorować tych sygnałów dla 30 osób naraz. Ma własne dyżury, własne dokumentowanie, swoje spotkania z ordynatorem. AI nie ma tego ograniczenia. Typowo wygląda to tak, że system śledzi wzorce zachowania w czasie i generuje alert, gdy u konkretnej osoby kilka wskaźników zmienia się jednocześnie w ciągu kwartału. Nie diagnozuje motywacji, bo tego nie potrafi. Mówi: tu coś się dzieje, warto porozmawiać.

Dyrektorzy, z którymi rozmawiamy, często mówią to samo: wiedziałem, że coś jest nie tak, ale dowiedziałem się dopiero z wypowiedzenia. AI nie zastąpi tej rozmowy. Może ją poprzedzić i dać konkret zamiast przeczucia.

Jakich danych potrzebuje AI, żeby to zadziałało

Bez danych nie ma analizy. Co AI powinno odczytywać:

• grafiki pracy i historia zmian dyżurów (eksport z systemu kadrowego albo arkusze, które prowadzi kierownik oddziału)
• ewidencja nieobecności: L4, urlopy wypoczynkowe, urlopy na żądanie, zwolnienia opiekuńcze
• historia nadgodzin i dyżurów nocnych z rozbiciem na konkretne osoby i stanowiska
• uczestnictwo w szkoleniach obowiązkowych i wewnętrznych (lista z systemu szkoleń lub z Excela prowadzonego przez dział kadr)
• metadane z systemu HIS jako jeden ze wskaźników zaangażowania: liczba wpisów, czas aktywności w systemie, nie treść dokumentacji

Te dane są w twoich systemach. Problem polega na tym, że nikt nie patrzy na nie razem. Jeden L4 to przypadek. Pięć L4 w kwartale, plus trzy prośby o zamianę dyżuru, plus pominięcie ostatnich dwóch szkoleń obowiązkowych, plus grafik z dwukrotnie wyższym odsetkiem dyżurów nocnych niż średnia na oddziale: to sygnał, który powinien trafić do kierownika jako fakt, a nie plotka zasłyszana na korytarzu.

Połączenie danych z kilku różnych źródeł to zwykle największy wysiłek techniczny przy takim wdrożeniu. Na start możesz zacząć od jednego obszaru: analizy wywiadów wyjściowych. Żadnej integracji z systemami nie trzeba.

Wywiady wyjściowe leżą odłogiem w większości szpitali

Większość placówek przeprowadza wywiady wyjściowe. Formularz jest wypełniany przez odchodzącego pracownika, trafia do teczki personalnej i na tym koniec. U jednego z naszych klientów zebraliśmy formularze z kilku ostatnich lat. Przy analizie tekstu okazało się, że spora część odchodzących wspominała o trudnościach z grafikiem. Ale żaden nie napisał wprost "odchodzę przez grafik". Pisali o "braku elastyczności", "niemożności zaplanowania życia prywatnego", "problemach z urlopem w sierpniu mimo prośby złożonej w marcu". Bez analizy treści te sygnały giną w biurokracji.

AI może zebrać takie odpowiedzi z wielu lat, wyciągnąć najczęściej powtarzające się tematy i powiedzieć: oto trzy powody, przez które najczęściej odchodziły osoby z oddziału X, a oto dwa powody z oddziału Y. To nie jest skomplikowana analiza. Wymaga zestawienia danych i systematyczności, której zwykle brakuje działowi HR zarządzającemu jednocześnie kilkudziesięcioma sprawami.

Przy okazji: jeśli twoje formularze wyjściowe mają gotowe opcje do zaznaczenia ("powód: wynagrodzenie / praca zmianowa / inne"), zmień je na otwarte pytania. Gotowe checkboxy nic nie mówią. Pola tekstowe dają materiał do analizy.

Nierówny grafik: powód odejść, którego nikt nie widzi

To jeden z najczęściej pomijanych powodów. Jest niewidoczny dla dyrektora patrzącego na grafik miesięczny, a często też dla samego kierownika oddziału, który tworzy go ręcznie albo w Excelu. Jeśli ta sama pielęgniarka dostaje dyżury nocne w kluczowe terminy od dwóch lat, bo jest "dyspozycyjna" albo rzadziej odmawia, kierownik tego wzorca z jednego miesiąca nie wypatrzy.

AI przeglądające grafiki z ostatnich 12 do 24 miesięcy może wskazać:

• kto dostaje statystycznie więcej dyżurów nocnych i weekendowych niż pozostałe osoby na tym samym stanowisku
• kto regularnie pracuje w trudno obsadzanych terminach: Boże Narodzenie, Wielkanoc, sierpień
• kto przez kilka lat nie dostał urlopu w preferowanym przez siebie terminie
• kto ma nieregularnie rozkładane bloki dyżurów, co niszczy rytm dobowy i regenerację
• kto przejął najwięcej zmian po odejściu poprzednich pracowników i od jak dawna tak jest

Te dane nie piszą grafiku za ciebie. Mówią, gdzie jest nierówność i od jak dawna trwa. I mówią to na podstawie faktów, a nie na podstawie skargi, która mogła jeszcze nie wpłynąć.

Co AI nie zrobi za ciebie

Powiedzmy to wprost. AI nie przeprowadzi rozmowy z pielęgniarką, która od miesiąca przychodzi z ponurą miną. Nie zbuduje relacji z młodym lekarzem, który czuje się ignorowany przez starszą kadrę. Nie podniesie wynagrodzenia i nie zmieni atmosfery na oddziale.

To, co AI daje, to lepszy obraz sytuacji przed tą rozmową. Zamiast domysłów: konkretne dane. Zamiast "wydaje mi się, że coś jest nie tak", masz: ta osoba miała dziewięć dni L4 w ostatnim kwartale, pracuje w godzinach nocnych dwukrotnie częściej niż średnia oddziału i nie brała urlopu od jedenastu miesięcy. Z takimi danymi kierownik lub dyrektor HR wchodzi na rozmowę. I ta rozmowa ma inną jakość niż pytanie "No jak tam, wszystko w porządku?".

Retencja w ochronie zdrowia to w dużej mierze kwestia kultury oddziału i podejścia bezpośrednich przełożonych. AI jest narzędziem diagnostycznym, nie zastępstwem dla dobrego zarządzania.

Od czego zaczynamy

Trzy pierwsze kroki, które możesz zrobić bez dużych inwestycji:

• Analiza wywiadów wyjściowych z ostatnich 2-3 lat. Jeśli je masz, zebranie i analiza tekstu pod kątem powtarzających się tematów da ci pierwszy obraz problemu bez integracji z żadnym systemem.
• Eksport danych z grafiku i ewidencji nieobecności za ostatnie 12 miesięcy. W większości systemów kadrowych to standardowy raport. Sprawdź, czy rozkład dyżurów nocnych i weekendowych jest równomierny między osobami na tych samych stanowiskach.
• Rozmowa z kierownikami oddziałów o tym, jakich sygnałów sami szukają i czy chcieliby dostawać je automatycznie, zamiast wypatrywać ich samodzielnie.

Przy takim wdrożeniu obowiązuje kilka zasad z zakresu ochrony danych: analiza opiera się na danych pseudonimizowanych, dostęp do alertów ma wyłącznie upoważniony przełożony lub dział HR, a pracownicy są informowani o fakcie prowadzenia takiego monitoringu w klauzulach informacyjnych. Zależnie od zakresu może być wymagana ocena skutków dla ochrony danych (DPIA). To nie jest powód, żeby analizy nie robić. To jest powód, żeby zrobić ją zgodnie z procedurą.

Pełna integracja z systemem HIS i kadrowym to kolejny etap, nie punkt wyjścia. Zacznij od danych, które już masz.

Jeśli chcesz zobaczyć, jak takie podejście wygląda w szpitalu lub przychodni podobnej do twojej, zajrzyj do naszych realnych wdrożeń. A jeśli wolisz zacząć od rozmowy o tym, co jest możliwe w twojej placówce, umów się na bezpłatny audyt. Powiemy ci, jakie dane masz już dziś i co z nich można wyciągnąć.