Media > AI活用ユースケース > 経営企画 > 訪問介護の事業所が、サービス提供の記録から Python で翌月の曜日・時間帯ごとの提供時間を予測し、ヘルパーの配置の計画に使う

訪問介護の事業所が、サービス提供の記録から Python で翌月の曜日・時間帯ごとの提供時間を予測し、ヘルパーの配置の計画に使う

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

翌月の訪問の予定と過去の提供の記録から、予定のうち実際に行われる時間と臨時の訪問の時間を Python で見込み、事業所・曜日・時間帯ごとの提供時間を幅つきで出します。ヘルパーの勤務の希望と並べ、足りなくなりそうな枠を先に示します。

サマリー
連携・自動化
Python
対象業界
介護/医療
対象部門
経営企画
対象業務
集計・分析
主な課題
人手が足りない/判断に時間がかかる/属人化している
AIで行う処理
予測
主な効果
判断支援/属人化解消/工数削減
導入難易度
★★★★☆
実装レベル
半自動化
費用感
個別開発(大)
人間の確認
条件付き
現在工数
50h/月
AI導入後
10h/月
想定削減
80%
年間削減
480h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 月の下旬、サービス提供責任者が介護ソフトで翌月の予定を利用者ごとに開く
  2. 利用者ごとに、最近の様子・入院の有無・中止の多さを思い出し、予定のうち実際に行われそうな回を見込む
  3. 退院の予定・家族の事情など、臨時の訪問が入りそうな利用者に印を付ける
  4. 曜日・時間帯ごとに、見込んだ時間を表計算のファイルで足し上げる
  5. ヘルパーの勤務の希望の時間と比べ、足りない枠を本部に報告する
  6. 本部が3事業所の報告をまとめ、応援と採用の判断をする
導入後(After)
  1. 自動月の下旬の定めた日に、Python のスクリプトが介護ソフトから書き出した翌月の予定と、過去24か月の予定・実績・提供の記録を読み込む
  2. 自動予定の訪問1回ごとに、実施の確率をロジスティック回帰で見込む
  3. 自動事業所・曜日・時間帯ごとに、週あたりの臨時の訪問の件数をポアソン回帰で見込む
  4. 自動実施と臨時を NumPy で5,000回引き直し、枠ごとの提供時間の中ほどと多めの見込みを出す
  5. 自動ヘルパーの勤務の希望の時間と並べ、足りなくなりそうな枠と、見込みの確かめが要る利用者に印を付ける
  6. 人サービス提供責任者が、印の付いた利用者(入院中・退院の予定・新規・区分の変更中)の見込みを確かめて直す
  7. 自動直した値で枠ごとの見込みを出し直す
  8. 人本部とサービス提供責任者が、足りない枠の応援・採用・勤務の相談を決める
  9. 自動翌月が終わったら、枠ごとの見込みと実際の提供時間の差を記録する
各工程の詳しい説明を読む
  1. 月の下旬、サービス提供責任者が介護ソフトで翌月の予定を利用者ごとに開く
  2. 利用者ごとに、最近の様子・入院の有無・中止の多さを思い出し、予定のうち実際に行われそうな回を見込む
  3. 退院の予定・家族の事情など、臨時の訪問が入りそうな利用者に印を付ける
  4. 曜日・時間帯ごとに、見込んだ時間を表計算のファイルで足し上げる
  5. ヘルパーの勤務の希望の時間と比べ、足りない枠を本部に報告する
  6. 本部が3事業所の報告をまとめ、応援と採用の判断をする

(a)差し引きの読みが人に寄る。 「この方は冬になると入院しがち」「この方の家族は月末に不在が多い」。読みはサービス提供責任者の頭の中にあり、どの程度差し引いたかは表に残りません。 同じ事業所の2人でも、差し引く量が違います。

(b)臨時の訪問を見込みに入れにくい。 臨時の訪問は、誰に入るかを前もって決められません。利用者ごとに見る今のやり方では、臨時の分は「なんとなく多め」としか書けず、枠ごとの数字になりません。

(c)朝夕の枠で足りない週が出る。 予定の時間だけで配置を考えると余り、差し引きすぎると足りなくなります。足りないことが分かるのは当日の朝で、サービス提供責任者自身が訪問に出ることになります。

(d)1人ずつ見るのに時間がかかる。 1事業所100人の予定を1人ずつ開いて見直すと、月末の数日がこの作業でつぶれます。 その間、サービス提供責任者の本来の仕事(利用者の状況の把握、ヘルパーへの指導)が後回しになります。

  1. 【自動】 月の下旬の定めた日に、Python のスクリプトが介護ソフトから書き出した翌月の予定と、過去24か月の予定・実績・提供の記録を読み込む
  2. 【自動】 予定の訪問1回ごとに、実施の確率をロジスティック回帰で見込む
  3. 【自動】 事業所・曜日・時間帯ごとに、週あたりの臨時の訪問の件数をポアソン回帰で見込む
  4. 【自動】 実施と臨時を NumPy で5,000回引き直し、枠ごとの提供時間の中ほどと多めの見込みを出す
  5. 【自動】 ヘルパーの勤務の希望の時間と並べ、足りなくなりそうな枠と、見込みの確かめが要る利用者に印を付ける
  6. 【人】 サービス提供責任者が、印の付いた利用者(入院中・退院の予定・新規・区分の変更中)の見込みを確かめて直す
  7. 【自動】 直した値で枠ごとの見込みを出し直す
  8. 【人】 本部とサービス提供責任者が、足りない枠の応援・採用・勤務の相談を決める
  9. 【自動】 翌月が終わったら、枠ごとの見込みと実際の提供時間の差を記録する

6番目で人が見るのは、300人全員ではありません。 モデルが過去の記録から読めない事情を持つ利用者、つまり入院中、退院の予定がある、利用を始めたばかり、要介護度の区分の変更を申請中の利用者だけです。ほかの利用者は、過去の記録からの見込みをそのまま使います。

8番目は、人の判断として残します。 足りない枠が出ても、誰にどの時間を頼むかは、ヘルパーの事情と労働時間の決まりを知る人が決めます。

02今回想定するシステム構成

構成図
介護ソフト(予定・実績・提供の記録)+ 勤務の希望の表 + 確かめが要る利用者の一覧
   ▼【トリガー】月の下旬の定めた日(定時の実行)
Python(pandas)
   ├──▶ 特徴を作る:曜日・時間帯・サービスの種類・要介護度・直近の中止の割合など
   ├──▶ scikit-learn LogisticRegression … 予定の訪問1回ごとの実施の確率
   ├──▶ scikit-learn PoissonRegressor  … 枠ごと・週ごとの臨時の訪問の件数
   ├──▶ NumPy(5,000回の引き直し)     … 枠ごとの提供時間の分布
   ▼
枠ごとの見込み(中ほど・多め)× 勤務の希望の時間
   ▼
足りない枠の一覧 ──【サービス提供責任者が印の利用者を直す】──▶ 本部で配置を決める
   ▼ 翌月の終わり
見込みと実際の差の記録
役割想定する製品代替候補
実行環境Python(pandas・scikit-learn・NumPy)R
処理エンジンscikit-learn の LogisticRegression(実施の確率)と PoissonRegressor(臨時の件数)statsmodels の一般化線形モデル
集計Python(枠ごとの足し上げ、勤務の希望との比べ、見込みと実際の差)表計算のファイルの式
入力介護ソフトの予定・実績の書き出し(CSV)介護ソフトの帳票の出力

新しく足すのは、Python のスクリプトだけです。 介護ソフトと勤務の希望の表は今のものを使い、介護ソフトへは書き込みません。 見込みは本部の共有フォルダに表として出します。

実施の確率には、scikit-learn の LogisticRegression を使います。 公式ページ(1.9.1)では、predict_proba はクラスごとの確率の見込みを返すとされています。予定の1回が「行われる/中止になる」の2つのどちらになるかを、確率で受け取ります。

臨時の訪問の件数には、PoissonRegressor を使います。 公式ページでは、ポアソン分布と対数のリンク関数を使う一般化線形モデルとされ、predict は元の目的の値の尺度で見込みを返します。件数のように0以上の整数で、平均の近くでばらつく値に合います。

引き直しには NumPy の Generator を使います。 公式ページでは、binomial(n, p, size) は試行 n 回のうちの成功の数を返し、p は0以上1以下、n と p は配列で渡せます。poisson(lam, size) は決まった時間の中で起きる件数の見込み lam(0以上)からの引き直しを返します。

03どうやって実装するのか

Step1

処理の起点を決める

月の下旬、勤務の希望の締め切りの翌日に、定時の実行で動かします。 翌月の予定は、ケアプランの変更があればその都度直されますが、月の下旬にはおおむね固まっています。 勤務の希望がそろう前に動かすと、足りない枠の比べができません。

動かす前に、2つを確かめます。 1つは、介護ソフトの書き出しに当月の実績が前日分まで入っているかです。実績の入力が遅れている事業所があると、直近の中止の割合が古いままになります。もう1つは、勤務の希望の表に全員分の行があるかです。足りなければ実行を止め、本部の担当に知らせます。

モデルの学び直しは3か月に1回にします。 毎月の実行は学習済みのモデルで見込むだけにし、3か月ごとに、直近24か月の記録で学び直します。 学び直した後は、第7章の「保存・ログ」の検証の結果を本部の担当とサービス提供責任者が見てから切り替えます。

Step2

入力データを集める

データ中身取得元
翌月の予定利用者の番号、日付、開始・終了の時刻、サービスの種類(身体介護・生活援助など)、訪問の人数(1人・2人)介護ソフトの書き出し
過去の予定と実績上記に加え、実施・中止の別、中止の理由の区分、臨時の訪問かどうか介護ソフトの書き出し(直近24か月)
利用者の情報利用者の番号、事業所、要介護度、利用を始めた月、区分の変更の申請中かどうか介護ソフトの書き出し
確かめが要る利用者の一覧入院中、退院の予定日、新規の利用の開始日サービス提供責任者が付けている一覧
勤務の希望ヘルパーごとの、翌月に働ける曜日・時間帯勤務の希望の表
暦祝日、年末年始、お盆暦の表

質を決めるのは、中止の理由の区分です。 介護ソフトで中止を記録するときに、理由を「入院」「体調」「家族の都合」「本人の都合」「事業所の都合」「その他」のように決まった区分で選んでいるかを最初に見ます。自由な書き込みだけだと、事業所の都合の中止(ヘルパーが足りずに行けなかった回)が利用者の側の中止と混ざります。 事業所の都合の中止は、見込みの学習から外す必要があります。

訪問の人数の列も入れます。 2人で訪問する予定は、ヘルパーの時間としては2倍です。提供時間を「利用者の受けた時間」で数えるか「ヘルパーの働いた時間」で数えるかを決め、配置の計画では後者で数えます。

Step3

データの取得方法を決める

介護ソフトから、予定・実績・利用者の情報を CSV で書き出し、pandas で読みます。 書き出しの手順と列の並びは、介護ソフトによって違います。この部分は利用している介護ソフトに応じた個別の設定が要ります。 書き出したファイルは、本部の決まった場所に置き、スクリプトは読み込むときに列の名前を確かめて、合わなければ止めます。

特徴は、予定の訪問1回ごとに作ります。

特徴作り方
曜日・時間帯開始の時刻から。時間帯は「6〜8時」「8〜12時」「12〜14時」「14〜18時」「18〜22時」など、配置の計画と同じ区切り
サービスの種類・訪問の人数予定から
要介護度利用者の情報から。カテゴリの値として1つずつの列に分ける
直近3か月の中止の割合その利用者の、直近3か月の予定のうち利用者の側の理由で中止になった割合
前の月に入院の中止があったかその利用者の、前の月の「入院」の中止の有無
利用の月数利用を始めた月からの月数
月予定の日の月(季節の波)

直近の中止の割合は、予定の日より前の記録だけで作ります。 学習の行を作るときに、その月の後の実績を混ぜると、見込みが実際より良く見えます。 予定の日の前月末までの記録で数えるよう、月ごとに区切って計算します。

臨時の訪問は、事業所・週・曜日・時間帯ごとの件数に直します。 1行が「事業所Aの、ある週の、月曜日の、8〜12時」で、値は臨時の訪問の件数です。件数が0の枠も行として残します。 0の行を落とすと、臨時が入らなかった枠が学習に出てこず、件数を多く見込みます。

Step4

AIへ渡す前に整形する

  1. 事業所の都合の中止を外す … 理由が「事業所の都合」の中止は、利用者の側の実施・中止の学習から外します。残すと、人が足りなかった月ほど中止が多く見え、さらに少なく見込むことになります
  2. 時刻の区切りをまたぐ訪問を分ける … 7時30分から8時30分の訪問は、「6〜8時」と「8〜12時」に30分ずつ割り振ります
  3. 入院中の期間を印にする … 確かめが要る利用者の一覧から、入院中の期間の予定に印を付けます。この期間の予定は、モデルで見込まず人が見る扱いにします
  4. 数値の列をそろえる … 中止の割合・利用の月数を標準化します(平均0・ばらつき1)
  5. 学習と検証を時間で分ける … 直近3か月を検証に取り置き、それより前で学習します

4番目は、正則化の効き方をそろえるためです。 LogisticRegression も PoissonRegressor も、既定で係数の大きさに罰を付けます(第7章の次の項)。列の単位がばらばらだと、罰が列ごとに違う強さで効きます。

Step5

AIに処理させる

させるのは、予定の1回ごとの実施の確率と、枠ごとの臨時の件数の見込みです。 生成AIは使いません。見込むのは過去の記録から出る数字で、文章を読む場面はありません。

出すもの中身判断できないときの扱い
実施の確率予定の1回ごとの、行われる確率(0〜1)入院中・新規の利用者は見込まず「要確認」
臨時の件数の見込み事業所・週・曜日・時間帯ごとの件数の平均学習の週が少ない枠は「参考」
枠ごとの提供時間5,000回の引き直しの中ほど(50%点)と多め(90%点)要確認の利用者の分は予定どおりとして足し、印を付ける
足りない見込み多めの見込みと勤務の希望の時間の差勤務の希望の無い枠は空

ロジスティック回帰の設定は、公式ページの今の書き方に合わせます。 公式ページでは、penalty は1.8で非推奨になり1.10で削除される予定で、代わりに l1_ratio と C を使うとされています。l1_ratio の既定は0.0で、罰の掛け方はL1とL2の混ぜ方で決まり、C は正則化の強さの逆数(既定1.0、小さいほど強い)です。既定のまま(L2の罰)で使い、C は検証の結果で選びます。

class_weight は付けません。 公式ページでは、'balanced' はクラスの出現の数に反比例する重みを掛けるとされています。中止は予定の1割前後と少ないので付けたくなりますが、重みを掛けると確率の水準がずれ、足し上げた時間がずれます。 ここで欲しいのは分け方ではなく、足し上げてよい確率です。

ポアソン回帰の alpha は小さくします。 公式ページでは、alpha はL2の罰の強さで既定1.0、0にすると罰の無いモデルになり、その場合は列が互いに独立している必要があるとされています。曜日・時間帯・事業所を列に分けると列の数が増えるので、0にはせず、検証で0.01〜1の間から選びます。

import numpy as np
from sklearn.linear_model import LogisticRegression, PoissonRegressor

clf = LogisticRegression(C=c_best, max_iter=1000)       # l1_ratio は既定(L2)
clf.fit(X_visit_train, y_done_train)                    # y: 1=実施 0=中止
p_done = clf.predict_proba(X_visit_next)[:, list(clf.classes_).index(1)]

pois = PoissonRegressor(alpha=alpha_best, max_iter=1000)
pois.fit(X_slot_train, y_extra_count_train)             # 枠・週ごとの臨時の件数
lam_extra = pois.predict(X_slot_next)

max_iter を1000に上げているのは、公式ページの既定が100だからです。 列の多いモデルでは100回で収まらないことがあり、収まらないまま出た係数で見込むことになります。 警告が出たら回数を上げます。

引き直しは、事業所ごとにまとめて行います。

rng = np.random.default_rng(20261119)
S = 5000
done = rng.binomial(1, p_done, size=(S, len(p_done)))   # 予定の1回ごとの実施
hours_plan = done * dur_h * staff                       # 時間 × 訪問の人数
extra = rng.poisson(lam_extra, size=(S, len(lam_extra))) * extra_mean_h
slot_hours = hours_plan @ visit_to_slot + extra          # 枠ごとの時間(S × 枠)
p50 = np.percentile(slot_hours, 50, axis=0)
p90 = np.percentile(slot_hours, 90, axis=0)

visit_to_slot は、予定の1回がどの週・曜日・時間帯の枠に入るかを0と1で表した表です。extra_mean_h は、その枠の過去の臨時の訪問の平均の時間です。乱数の種を固定するのは、同じ入力から同じ見込みが出るようにするためです。

させないこと理由
予定の訪問を減らす・取りやめる判断予定はケアプランに沿ったもの。見込みで提供を変えない
どのヘルパーをどの訪問に当てるかヘルパーの事情・相性・労働時間の決まりは人が見る
入院中・新規の利用者の見込み過去の記録から読めない事情。サービス提供責任者が見る
利用者の体調の判断見込みは配置のためのもので、体調の評価ではない

1行目がいちばん大事です。 「この方は実施の確率が低い」という見込みを、その方の予定を減らす理由にしてはいけません。 見込みは、人を何人用意するかを決めるためだけに使います。

Step6

指示内容を固定する

この構成は生成AIへの指示文を使いません。代わりに、モデルと足し上げへの「指示」に当たる設定を、本部とサービス提供責任者で決めて表にします。

【学習の設定】
- 学習の期間:直近24か月(検証は直近3か月)
- 学習から外す行:中止の理由が「事業所の都合」の予定、入院中の期間の予定
- 実施の確率:LogisticRegression(L2、C は 0.1/0.3/1/3 から検証で選ぶ)
- 臨時の件数:PoissonRegressor(alpha は 0.01/0.1/1 から検証で選ぶ)
- 学び直し:3か月ごと。検証の結果を見てから切り替える

【見込みの設定】
- 時間帯の区切り:6-8/8-12/12-14/14-18/18-22(配置の計画と同じ)
- 数える時間:ヘルパーの働いた時間(2人の訪問は2倍)
- 引き直しの回数:5,000回、乱数の種は実行の日付
- 配置に使う値:多めの見込み(90%点)
- 足りない枠の印:多めの見込み > 勤務の希望の時間 × 0.9

【要確認の利用者】
- 入院中、退院の予定が翌月にある、利用の開始が3か月以内、区分の変更の申請中
- これらの利用者の予定は実施の確率を 1 として足し、印を付けて人が直す

「勤務の希望の時間 × 0.9」は、移動の時間のための余裕です。 訪問と訪問の間には移動があり、希望の時間をすべて訪問に使えるわけではありません。 0.9という値は、事業所ごとの移動の多さを見て本部とサービス提供責任者が決めます。

要確認の利用者を「予定どおり」として足すのは、少なく見込まないためです。 退院の直後は、予定より訪問が増えることも多くあります。人が直すまでは予定の時間で置き、直した値で出し直します。

Step7

出力形式を固定する

枠ごとの見込みと、要確認の利用者の一覧を、1つの JSON にまとめて出します。

{
  "target_month": "2026-12",
  "model_version": "2026-10-retrain",
  "slots": [
    { "office": "A", "week": "2026-12-07", "weekday": "月", "band": "8-12",
      "plan_h": 42.0, "p50_h": 38.5, "p90_h": 41.5,
      "supply_h": 44.0, "short_flag": true, "review_users": 2 }
  ],
  "review_users": [
    { "office": "A", "user_id": "U-0213", "reason": "退院の予定 12/03",
      "plan_h_month": 18.0, "assumed": "予定どおり" }
  ]
}

人が見るのは、これを表に直したものです。 事業所ごとに、曜日を横、時間帯を縦にした表を週ごとに並べ、足りない枠に色を付けます。 要確認の利用者は別の表に並べ、直した値を書き込める列を置きます。

JSON で持つのは、直す前と直した後の見込みを並べて残すためです。 翌月が終わったときに、モデルの見込みと人が直した見込みのどちらが実際に近かったかを比べられます。

Step8

システムへ連携する

つなぎ先方式内容
介護ソフトCSV の書き出しを読む予定・実績・利用者の情報。書き込まない
勤務の希望の表表計算のファイルを読むヘルパーごとの曜日・時間帯
学習済みのモデルファイルに保存して読む3か月ごとに作り直す
見込みの表共有フォルダに書く枠ごとの表と要確認の利用者の一覧
本部の会議人が使う応援・採用・勤務の相談の判断

介護ソフトへは書き込みません。 予定と実績は介護保険の請求のもとになる記録で、見込みの数字が混ざってはいけません。 この構成が出すのは、共有フォルダの表までです。

Step9

人が確認する

  1. 要確認の利用者を見る … 入院中、退院の予定、新規、区分の変更の申請中の利用者です。退院の予定のある方は、退院後の訪問の増え方をケアマネジャーとの話から見込みます
  2. 足りない枠を見る … 多めの見込みが勤務の希望の時間を超える枠です。連続する週に同じ枠が出ていれば、応援か採用の話にします
  3. 見込みが予定より大きく下がっている利用者を見る … 実施の確率が低く出ている方です。最近の中止の理由が変わっていないかを確かめます
  4. 直した値と理由を残す … 「退院後は毎日の訪問に増える見込み」など一言で残します

3番目は、見込みを疑うための確認です。 中止が続いた理由が入院だった方が、退院して元に戻っていることがあります。過去の記録だけを見たモデルには、それが分かりません。

目標は、300人をならして1人2分です。 印の付いた利用者は1事業所あたり十数人という想定で、ほかの方は表を流し見るだけで済みます。

Step10

例外に対処する

起きること対応
当月の実績の入力が遅れている実行を止めて本部の担当に知らせる
列の名前・並びが違う読み込みで止める
中止の理由が空・自由な書き込み「その他」として扱い、件数を記録する
ロジスティック回帰が収まらないmax_iter を上げて学び直す。それでも収まらなければ前のモデルを使う
学習の週が少ない枠(新しく始めた夜の時間帯など)「参考」の印。臨時の件数を過去の平均で置く
勤務の希望の表に行の無いヘルパーその人の時間を0として比べ、一覧に出す
年末年始・お盆の週暦の印を特徴に入れる。学習の年数が足りなければ「参考」

5行目の新しい時間帯は、事業所が夜の訪問を始めたときなどに起きます。 過去の記録が無いので、モデルは他の時間帯の傾向から何かしらの値を出します。 そのまま使わず、印を付けて人が見ます。

Step11

記録を残す

  • 毎月の入力の CSV、モデルの版、C と alpha の値、乱数の種
  • 予定の1回ごとの実施の確率、枠ごとの中ほど・多めの見込み
  • 要確認の利用者の一覧と、人が直した値と理由
  • 翌月の実際の提供時間(ヘルパーの働いた時間)と、見込みとの差
  • 3か月ごとの検証の結果 … 検証の期間で、実際の提供時間が多めの見込み以下に収まった枠の割合と、実施の確率の足し上げと実際の実施の回数の比

検証の結果は、モデルを切り替えるかを決める材料です。 多めの見込み(90%点)なら、実際の時間が見込み以下に収まった枠が9割の近くにあるかを見ます。大きく下回るなら、臨時の件数か実施の確率が少なく出ています。ポアソン回帰は、公式ページの score が説明できたずれの割合(D²)を返すので、学び直しの前後で比べます。

04実装レベルの3段階

最小構成:1事業所の過去の記録で見込みのモデルを作り、当時の読みと比べる / 見込みの確かめ
半自動化:上記+3事業所で毎月の定時の実行で枠ごとの見込みを出し、勤務の希望と比べ、要確認の利用者だけを人が直す / 枠ごとの見込みと足りない枠の洗い出し
本格構成:上記+月の途中の予定の変更・入退院の連絡で見込みを出し直し、週ごとに更新する / 月の途中の見直しまで

本記事の想定は半自動化です。 1人10分のうち、予定を開いて差し引く作業と、枠ごとの足し上げが見込みに置き換わり、残るのは要確認の利用者の見直しと、足りない枠の判断です。 本格構成は、入退院の連絡が記録として残るようになってからです。 今はサービス提供責任者が電話で受けて手元の一覧に書いているので、月の途中で見込みを出し直すには、その一覧を決まった形にそろえる必要があります。 半自動化で3か月回したら、要確認の利用者の条件を見直します。 サービス提供責任者が毎月同じ利用者の見込みを直しているなら、その方の事情はモデルの特徴に足せるかもしれません。たとえば「家族が月末に不在が多い」という直しが続くなら、月末の週の印を特徴に加えることを考えます。逆に、直した値がモデルの見込みとほとんど同じなら、その条件は要確認から外せます。直した理由の記録が、この見直しの材料です。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
6 名
月間件数
300 件
1件あたり現在時間
10 分
1件あたり導入後時間
2 分
現在  300件 × 10分 ÷ 60 = 50 時間/月
導入後 300件 × 2分 ÷ 60 = 10 時間/月
月間削減時間
40h
削減率
80%
年間削減時間
480h
年間金額換算(時間単価2,800円)
134万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

自社条件で導入効果を整理したい方へ

このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 訪問介護の事業所を複数持ち、利用者が合わせて数百人いる法人。翌月の配置を、サービス提供責任者が利用者ごとの予定を見ながら「この方は入院しがち」「この時間帯は臨時が入る」と頭の中で差し引いて決めていて、人によって見込みが違う場合。朝・夕方の時間帯にヘルパーが足りなくなる週と、余る週の差が大きい場合。介護ソフトから予定と実績(中止の理由を含む)を表として書き出せる場合。
向いていない
  1. 利用者が数十人で、サービス提供責任者が全員の様子を把握できている場合。介護ソフトに中止の理由や臨時の訪問の記録が残っておらず、予定と実績の差が分からない場合。なお、ケアプランの内容、どの利用者にどのサービスを提供するか、ヘルパーの勤務の割り当てと労働時間の管理は、この構成では代替できません。

07最小構成で試す方法

  1. 1つの事業所について、直近24か月の予定・実績を介護ソフトから書き出す
  2. 中止の理由の区分を確かめ、事業所の都合の中止に印を付ける
  3. Python で直近3か月を取り置き、それより前の記録で実施の確率と臨時の件数のモデルを作る
  4. 取り置いた3か月について、枠ごとの中ほど・多めの見込みと実際の提供時間を並べる
  5. サービス提供責任者が当時に見込んでいた時間(残っている表の範囲)と比べる

最初は勤務の希望と比べません。 確かめたいのは、枠ごとの見込みがサービス提供責任者の読みと同じくらい当たるかです。

出てきた内容判断
実際の時間が多めの見込み以下に収まる枠が9割の近く勤務の希望との比べに進む
朝夕の枠で実際が大きく上回る臨時の件数が足りない。 臨時の記録の付け方を確かめる
特定の利用者の予定で外れが続く要確認の利用者の条件を見直す

2行目が出たら、まず記録を疑います。 臨時の訪問を「臨時」として記録せず、予定を書き換えて入れている事業所があると、臨時の件数は少なく、予定の実施の割合は高く見えます。 記録の付け方をそろえるところから始めます。

08実装時につまずきやすいポイント

問題対策
事業所の都合の中止が混ざる理由の区分で学習から外す。残すと人手の足りない月ほど少なく見込む
class_weight='balanced' で確率がずれる付けない。足し上げてよい確率を使う
penalty を指定して警告が出る1.8で非推奨。l1_ratio と C で書く
0件の枠を落として臨時を多く見込む0件の枠も行として残す
直近の中止の割合に未来の記録が混ざる予定の日の前月末までで数える
列の単位がばらばらで罰が偏る数値の列を標準化する
2人の訪問を1人分で数える訪問の人数を掛ける
入院中の利用者を見込みで減らす要確認として予定どおりに置き、人が直す

上の2行が、この構成の失敗のほとんどです。 どちらも見込みを実際より少なくする方向にずれ、足りない週を見逃すことになります。

下から2行目の「2人の訪問」も見落としやすい点です。 予定の表では1行でも、ヘルパーの時間は2人分かかります。体の大きい利用者の入浴の介助などで2人の訪問が多い事業所では、1人分で数えると朝夕の枠の見込みが目に見えて小さくなります。 介護ソフトの書き出しに訪問の人数の列があるかを、最初に確かめてください。

09セキュリティ・AIガバナンス上の注意点

この構成で扱うデータ: 利用者の番号、要介護度、訪問の予定と実績、中止の理由(入院・体調を含む)、ヘルパーの勤務の希望です。入院や体調の記録は、心身の状態に関わる情報です。

  1. データを社外に出さない … 見込みは本部の PC やサーバーの Python で動きます。生成AIのサービスには送りません
  2. 使う項目を絞る … 中止の理由は区分だけを使い、病名や体調の詳しい書き込みはモデルに入れません
  3. 見込みで提供を変えない … 実施の確率が低い方の予定を減らす、後回しにする使い方はしません。見込みは配置の人数を決めるためだけに使います
  4. ヘルパーを評価しない … 勤務の希望の表はヘルパーごとの時間を比べるために使い、ヘルパーごとの中止の多さを見る使い方はしません
  5. 最終の判断は人が行う … 応援・採用・勤務の相談は、本部とサービス提供責任者が決めます

利用者の名前はモデルに入れません。 利用者の番号で扱い、名前は要確認の一覧を人が見るときに介護ソフトで確かめます。共有フォルダの表にも名前を出さないようにします。

誤りが起きた場合のリスクは、少なく見込んで足りない枠を見逃すことと、見込みが提供の判断に使われることの2つです。 前者は多めの見込みと検証で、後者は使い方の決まりとサービス提供責任者の確認で防ぎます。

10まず何から始めるか

1週目:中止の理由の区分を確かめる

介護ソフトで中止の理由がどう記録されているかを3事業所で見比べます。事業所の都合の中止が区別できるかを最初に確かめます。

2週目:1事業所でモデルを作って比べる

第8章の手順で、1事業所の直近24か月の記録から2つのモデルを作り、直近3か月で枠ごとの見込みと実際を比べます。

3週目:要確認の利用者の条件を決める

サービス提供責任者と、どの利用者を人が見るかの条件を決めます。入院・退院・新規・区分の変更の4つから始めます。

4週目:勤務の希望と比べる表を作る

勤務の希望の表を曜日・時間帯の枠にそろえ、多めの見込みと並べる表を作ります。この時点では配置の判断に使わず、今の見込みと見比べるだけにします。

2か月目: 3事業所に広げ、月の下旬の定時の実行で見込みを出し、要確認の利用者を直す形で運用します。1人10分が何分になったかを測ります。3か月目以降: 見込みと実際の差を見てモデルを学び直し、サービス提供責任者が要確認の利用者を直すだけで翌月の足りない枠が分かるようになった時点で、この構成は完成です。


11関連ユースケース

12この仕組みを理解するための記事

13技術仕様の確認日・参考情報

技術仕様確認日:2026-11-19/最終更新:2026-11-19
確認した内容情報源確認日
predict_proba がクラスごとの確率を classes_ の順で返すこと。penalty が1.8で非推奨・1.10で削除予定で、l1_ratio(既定0.0)と C(既定1.0、正則化の強さの逆数)を使うこと。class_weight='balanced' がクラスの出現の数に反比例する重みであること。max_iter の既定が100であること(1.9.1)scikit-learn: LogisticRegression2026-11-19
ポアソン分布と対数のリンク関数の一般化線形モデルであること。alpha がL2の罰の強さで既定1.0、0では罰の無いモデルになること。predict が元の尺度で見込みを返すこと。score が説明できたずれの割合(D²)を返すこと。max_iter の既定が100であること(1.9.1)scikit-learn: PoissonRegressor2026-11-19
binomial(n, p, size) が試行 n 回のうちの成功の数を返し、p が0以上1以下で、n と p を配列で渡せることNumPy: Generator.binomial2026-11-19
poisson(lam, size) が決まった時間の中の件数の見込み lam(0以上)から引き直し、lam を配列で渡せることNumPy: Generator.poisson2026-11-19

ケアプランの内容、提供するサービス、ヘルパーの勤務の割り当てと労働時間の管理は、介護保険の決まりと関係する法令、自社の規程に沿って決めてください。 本記事は公式ページで確認できた範囲だけを扱っています。

実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。

自社の業務に使えるAI活用候補を整理します

このユースケース(UC-4283)についてのご相談はこちらから。

AI活用について相談する
目次