特別養護老人ホームを運営する法人が過去の入所・退所・入院の記録から、施設ごとの3か月先までの空床の数を Python で幅付きで予測し、待機者との面談を早めに始める
特別養護老人ホームの過去の入所・退所・入院の記録から、施設ごとに翌月から3か月先までの退所の数を Python で幅付きで予測します。いまの空床と入所の確定の数を足し引きして月末の空床の見込みに直し、待機者との面談を何人分進めておくかの案を出します。
- 連携・自動化
- Python
- 対象業界
- その他/介護/医療
- 対象部門
- 経営企画
- 対象業務
- 集計・分析
- 主な課題
- 判断に時間がかかる/属人化している/期限・対応漏れが起きる
- AIで行う処理
- 予測
- 主な効果
- 判断支援/属人化解消/機会損失防止
- 導入難易度
- ★★★★☆
- 実装レベル
- 本格構成
- 費用感
- 個別開発(大)
- 人間の確認
- 条件付き
01導入前 / 導入後の業務フロー
- 月末に、生活相談員が介護ソフトから当月の入所・退所の記録と、入院中の入所者の一覧を書き出す
- 入院中の入所者について、入院日と病院からの見通しを看護職員に聞き、手元のメモに書く
- 前の年の同じ月と直近の数か月の退所の数を数え、来月の退所の数の見通しを立てる
- 待機者の名簿を見直し、入所の意向の確認が古くなっている人に連絡するかを決める
- 本部の様式に、いまの入所者数・空床・来月の見込みを書き込んで送る
- 本部の担当が12施設分を1つの表にまとめ、法人全体の稼働の見込みを作る
- 退所が出たら、その日から待機者に連絡し、面談と書類の段取りを始める
- 自動毎月1日の朝、本部のサーバーで Python の処理が動き、介護ソフトから書き出した前の月までの入所・退所・入院の記録を読む
- 自動記録を施設ごと・月ごとの件数(退所の数、月初の入所者数、入院中の人数、入院が60日を超えた人数)にまとめる。個人の行はここで捨てる
- 自動ポアソン回帰で、施設ごとに翌月・2か月先・3か月先の退所の数の見込みと、80%の幅を出す
- 自動いまの空床と、入所の確定の数を足し引きして、月末ごとの空床の見込みと上側の値を出す
- 自動施設ごとの見込みの表と、法人全体のまとめの表を作り、本部の共有フォルダに置く
- 人施設長と生活相談員が自施設の表を開き、記録に出ていない事情(退所の日が決まった方、他の施設への移動の予定)を書き足す
- 人上側の値をもとに、待機者との面談と書類の準備を何人分進めるかを決める。順位は入所の指針と入所検討の会議で決める
- 人本部の担当が、書き足しを反映した法人全体の稼働の見込みを確かめる
- 自動翌月の1日に、実際の退所の数と見込みの幅を突き合わせ、当たり方の記録を足す
各工程の詳しい説明を読む
- 月末に、生活相談員が介護ソフトから当月の入所・退所の記録と、入院中の入所者の一覧を書き出す
- 入院中の入所者について、入院日と病院からの見通しを看護職員に聞き、手元のメモに書く
- 前の年の同じ月と直近の数か月の退所の数を数え、来月の退所の数の見通しを立てる
- 待機者の名簿を見直し、入所の意向の確認が古くなっている人に連絡するかを決める
- 本部の様式に、いまの入所者数・空床・来月の見込みを書き込んで送る
- 本部の担当が12施設分を1つの表にまとめ、法人全体の稼働の見込みを作る
- 退所が出たら、その日から待機者に連絡し、面談と書類の段取りを始める
(a)段取りが退所の後から始まる。 7番目のとおり、面談の連絡は空床が出てからです。見込みでは「空くかもしれない」と分かっていても、何人分を前もって進めるかの根拠が無いので、動き出せません。 前もって面談しても空かなければ、待機者と家族に期待だけを持たせることになるからです。
(b)見込みが相談員の経験で決まる。 3番目の見通しは、相談員が過去の月を思い出して立てています。経験の長い相談員は冬の月の退所の多さを織り込みますが、替わったばかりの相談員にはそれができません。 同じ法人の中で、施設ごとに見込みの当たり方が違います。
(c)1つの数で報告している。 5番目の様式には、来月の見込みの欄が1つしかありません。「2名」と書いた月に0名でも5名でも、外れたことしか分かりません。 どのくらい揺れうるかが書かれていないので、本部は法人全体の見込みを足し算するしかありません。
(d)集計に時間を取られる。 1番目と6番目は毎月同じ作業で、見通しを考える時間より、数える時間のほうが長くなっています。
- 【自動】 毎月1日の朝、本部のサーバーで Python の処理が動き、介護ソフトから書き出した前の月までの入所・退所・入院の記録を読む
- 【自動】 記録を施設ごと・月ごとの件数(退所の数、月初の入所者数、入院中の人数、入院が60日を超えた人数)にまとめる。個人の行はここで捨てる
- 【自動】 ポアソン回帰で、施設ごとに翌月・2か月先・3か月先の退所の数の見込みと、80%の幅を出す
- 【自動】 いまの空床と、入所の確定の数を足し引きして、月末ごとの空床の見込みと上側の値を出す
- 【自動】 施設ごとの見込みの表と、法人全体のまとめの表を作り、本部の共有フォルダに置く
- 【人】 施設長と生活相談員が自施設の表を開き、記録に出ていない事情(退所の日が決まった方、他の施設への移動の予定)を書き足す
- 【人】 上側の値をもとに、待機者との面談と書類の準備を何人分進めるかを決める。順位は入所の指針と入所検討の会議で決める
- 【人】 本部の担当が、書き足しを反映した法人全体の稼働の見込みを確かめる
- 【自動】 翌月の1日に、実際の退所の数と見込みの幅を突き合わせ、当たり方の記録を足す
6番目が、この設計の分かれ目です。 モデルは記録に出ていることしか知りません。退所の日が決まった方や、家族と移動の相談が進んでいる方は、相談員だけが知っています。 その分は書き足しとして別の欄に入れ、モデルの見込みを書き換えずに並べます。 後で当たり方を比べるときに、どちらが外れたかが分かります。
7番目の順位は、この構成の外に置いています。 誰から面談するかは、入所の指針と会議で決めることです。この構成が出すのは「何人分を前もって進めるか」の数だけです。
02今回想定するシステム構成
介護ソフト(入所・退所・入院の記録) │ 毎月末に CSV を書き出し、本部の共有フォルダへ ▼【トリガー】毎月1日の朝の定時実行 Python(pandas) ├──▶ 施設ごと・月ごとの件数にまとめる(個人の行は捨てる) ▼ scikit-learn の PoissonRegressor │ 施設ごと・月ごとの退所の数の見込み ▼ Python(SciPy)── ポアソン分布の80%の幅、月末の空床の見込み ▼ 施設ごとの見込みの表/法人全体のまとめの表(共有フォルダ) ▼ 【人】施設長・生活相談員が事情を書き足し、面談を何人分進めるかを決める
| 役割 | 想定する製品 | 代替候補 |
|---|---|---|
| 実行環境 | Python(pandas・scikit-learn・SciPy) | R |
| 処理エンジン | scikit-learn の PoissonRegressor(ポアソン回帰) | statsmodels の一般化線形モデル、LightGBM(objective="poisson") |
| 集計 | Python(SciPy のポアソン分布による幅、空床の見込みへの換算) | スプレッドシートの計算式 |
| 保管 | 本部の共有フォルダ(書き出した記録、見込みの表、書き足し、当たり方の記録) | 法人の文書管理の仕組み |
| 定時実行 | Windows のタスク スケジューラ | cron |
新しく足すのは、Python の処理と、見込みの表の様式です。 介護ソフトと待機者の名簿はこれまでどおりで、この構成は介護ソフトにも名簿にも書き込みません。 処理は本部のサーバーの中で動かし、入院の記録を外部のサービスへ送りません。
予測のエンジンに PoissonRegressor を選んだのは、件数を扱え、係数を読めるからです。 公式のページでは、ポアソン分布の一般化線形モデルで、log のリンク関数を使うとされています。係数を exp で戻すと、項目が1増えたときに退所の数が何倍になるかとして読めます。12施設×5年で行は約720行と少なく、施設長に「冬はどれくらい増えるのか」を説明できる形のほうが運用に向きます。
fit は sample_weight を受け取ります。 目的を「定員1床あたりの退所の率」にし、重みに定員を渡すと、定員の大きい施設ほど重く見る、率のポアソン回帰と同じ形になります。29床と100床の施設を同じ物差しで比べられます。L2 の罰則の強さ alpha は既定が1で、0にすると罰則の無いモデルになります。
幅は SciPy のポアソン分布で出します。 scipy.stats.poisson は平均 mu を受け取り、ppf で累積の確率から件数を返します。見込みの平均を mu に入れ、0.1と0.9の ppf を80%の幅の下と上にします。
生成AIは使いません。 出すのは件数の表で、文章を作る部分がありません。 入院の記録を外に出さないためにも、処理を Python の中で閉じます。
03どうやって実装するのか
処理の起点を決める
毎月1日の朝6時に、タスク スケジューラで Python の処理を動かします。 前の月の記録がそろってから動かすため、施設の生活相談員には、月末の最終日に介護ソフトから記録を書き出し、決まったフォルダに置いてもらいます。 書き出しの様式は12施設で同じにします。
月の途中では動かしません。 退所は月の途中でも起きますが、見込みの単位は月です。月の途中で動かすと、まだ終わっていない月の件数が少なく見え、モデルが「今月は退所が少ない」と読みます。 途中の変化は、施設の書き足しの欄で扱います。
処理が終わったら、本部の担当と12施設の施設長に、表を置いたことをメールで知らせます。書き出しが無い施設は予測せず、メールに施設名を書きます。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 入所・退所の記録 | 施設、入所日、退所日、退所の区分(死亡・入院・他の施設・在宅など) | 介護ソフトの書き出し |
| 入院の記録 | 施設、入院日、退院日(入院中なら空) | 介護ソフトの書き出し |
| 施設の情報 | 定員、ユニット型か従来型か、地域密着型か、開設の年月、定員の変更の履歴 | 本部の施設の一覧 |
| 入所の確定 | 入所検討の会議で入所が決まり、まだ入所していない人数と入所の予定月 | 施設の生活相談員の入力 |
| 施設の書き足し | 退所の日が決まった人数、他の施設への移動の予定の人数、その月の事情 | 施設の生活相談員の入力 |
個人を特定する項目は、書き出しに含めません。 氏名と被保険者番号は外し、介護ソフトの中の利用者の番号だけを残します。その番号も、施設ごと・月ごとの件数にまとめた時点で捨てます。 同じ人の入所と退所と入院を結び付けるためだけに使う番号です。
退所の区分は、件数を見るために使います。 区分ごとに別のモデルを作ることはしません。死亡による退所だけを取り出して予測すると、看取りの見込みの話になり、この構成の目的から外れます。 区分は、当たり方を振り返るときに「どの区分で外れたか」を見るためだけに残します。
入所の確定と書き足しは、モデルの外の数です。 予測の材料には入れず、空床の見込みに直す段で足し引きします。
データの取得方法を決める
介護ソフトの帳票の書き出しを使います。 多くの介護ソフトは、利用者の一覧や入退所の一覧を CSV で書き出せますが、項目名と並びはソフトごとに違います。 最初に1施設分の書き出しを見て、項目の対応表を作ります。
| 取るもの | どこから | 何に使うか |
|---|---|---|
| 入所日・退所日・退所の区分 | 入退所の一覧の書き出し | 月ごとの退所の数と、月初の入所者数 |
| 入院日・退院日 | 入院・外泊の一覧の書き出し | 月初の入院中の人数と、入院が60日を超えた人数 |
| 定員と種別 | 本部の施設の一覧 | 率に直す分母と、施設の違い |
| 入所の確定・書き足し | 見込みの表の入力欄 | 空床の見込みへの足し引き |
過去の記録は、最初に5年分をまとめて書き出します。 以後は前の月の分だけを足します。介護ソフトを入れ替えた施設は、古い様式の対応表も作ります。
入院が60日を超えた人数を数えるのは、運営基準の入院の扱いがあるからです。 指定介護老人福祉施設の運営基準では、入院後おおむね3か月以内に退院することが明らかに見込まれるときは、退院後に再び円滑に入所できるようにしなければならないとされています。入院が長引くほど、その月の退所の数に効いてきます。 ただし、どの方を退所とするかは、施設がその方と家族の希望を聞いて決めることで、モデルが決めることではありません。
AIへ渡す前に整形する
- 様式の確認 … 項目の並びと文字の符号を確かめ、対応表どおりに読めない書き出しは処理を止めて施設名を知らせます
- 個人の項目の確認 … 氏名・被保険者番号・生年月日の列が混ざっていたら、読み込んだ直後に捨て、ログに「混入あり」と書きます
- 月ごとの件数への集計 … 施設×月ごとに、退所の数、月初の入所者数、月初の入院中の人数、入院が60日を超えた人数を数えます
- 率への換算 … 退所の数を定員で割り、定員を重みにします。定員を変えた月からは新しい定員で割ります
- 季節の項目 … 12月〜2月を冬、それ以外の月を月の番号の項目にします
- 施設の過去の率 … 前の12か月の退所の率を、その施設の「ふだんの率」として入れます。予測する月の情報は混ぜません
- 外す月 … 開設から12か月未満の月、改修で入所を止めていた月、集団感染で入所を止めていた月は学習から外し、印を付けます
6番目の「予測する月の情報を混ぜない」を守ってください。 その月の退所を含めた12か月の率を入れると、過去の当たり方がよく見えるのに、新しい月では当たらないモデルになります。 12か月の窓は、予測する月の前の月で閉じます。
7番目の集団感染の月は、外した理由を残します。 外したまま忘れると、同じことが起きた月に「モデルが外れた」としか分かりません。
AIに処理させる
させるのは、施設ごとに翌月・2か月先・3か月先の退所の数の見込みを出すことだけです。 空床の見込みへの換算と、面談を何人分進めるかの目安は、Python の計算で行います。
近い月と先の月で、モデルを分けます。
| モデル | 使う項目 | 使う月 |
|---|---|---|
| 近い月のモデル | 月初の入院中の人数の割合、入院が60日を超えた人数の割合、冬かどうか、月の番号、施設の種別、施設のふだんの率 | 翌月 |
| 先の月のモデル | 冬かどうか、月の番号、施設の種別、施設のふだんの率 | 2か月先・3か月先 |
入院中の人数は、翌月にしか使えません。 2か月先の月初に誰が入院しているかは、いまは分かりません。いまの入院中の人数を2か月先にも当てはめると、たまたま入院の多い月に、3か月先まで退所を多く見込み続けます。 先の月は、季節と施設のふだんの率だけで見込みます。
| 出すもの | 中身 | 使いみち |
|---|---|---|
| 退所の見込み | その月の退所の数の平均 | 法人全体の稼働の見込み |
| 80%の幅 | ポアソン分布の0.1と0.9の値 | 揺れの大きさを施設長に見せる |
| 月末の空床の見込み | いまの空床 + その月までの退所の見込みの合計 - 入所の確定 | 稼働の報告 |
| 段取りの目安 | その月までの退所の上側の値 + いまの空床 - 入所の確定 | 面談と書類の準備を進める人数 |
月をまたいだ合計の幅は、平均を足してから出します。 ポアソン分布に従う数を足すと、平均を足したポアソン分布になる、という性質を使います。月ごとの上側の値を足すと、3か月の上側が大きく出すぎます。
| させないこと | 理由 |
|---|---|
| 入所者一人ひとりの退所の見込み | ケアの場面に持ち込まれる。予測は施設ごとの件数だけ |
| 入所の順位 | 入所の指針と入所検討の会議で決める |
| 入院中の方を退所とする判断 | その方と家族の希望を聞き、施設が決める |
| 面談の人数の確定 | 待機者の名簿の状況を知る相談員が決める |
| 新しい施設の見込み | 記録が足りない。法人の平均の率を参考に施設長が決める |
1行目を外すと、この構成は使えなくなります。 個人ごとの予測は技術的には作れますが、作った時点で、その一覧を見た職員の関わり方が変わるおそれがあります。 処理の中で個人の行を捨てるのは、そのためです。
指示内容を固定する
生成AIを使わないので、プロンプトはありません。 かわりに、集計と学習と幅の計算の設定を示します。
import numpy as np
import pandas as pd
from scipy.stats import poisson
from sklearn.linear_model import PoissonRegressor
from sklearn.model_selection import TimeSeriesSplit
# 施設×月の行。個人の番号はこの前の集計で捨ててある
NEAR = ["hosp_ratio", "hosp60_ratio", "winter", "type_unit",
"type_local", "base_rate_12m"] + [f"m{i}" for i in range(2, 13)]
FAR = [c for c in NEAR if c not in ("hosp_ratio", "hosp60_ratio")]
panel["rate"] = panel["discharges"] / panel["capacity"]
train = panel[~panel["exclude"]] # 開設直後・入所停止の月は外す
def fit(cols, alpha):
m = PoissonRegressor(alpha=alpha, max_iter=300)
m.fit(train[cols], train["rate"], sample_weight=train["capacity"])
return m
# alpha は月の順に並べた検証で選ぶ(未来の月で学習しない)
months = np.sort(train["ym"].unique())
tscv = TimeSeriesSplit(n_splits=5, test_size=6)
def forecast(model, row, cols):
mu = model.predict(row[cols]) * row["capacity"] # 率を件数に戻す
return mu, poisson.ppf(0.1, mu), poisson.ppf(0.9, mu)
def cumulative(mus, current_vacant, confirmed):
total_mu = np.sum(mus) # 平均を足してから幅を出す
upper = poisson.ppf(0.9, total_mu)
expected_vacant = current_vacant + total_mu - confirmed
prepare = max(0, current_vacant + upper - confirmed)
return expected_vacant, prepare
alpha は、月の順に並べた検証で選びます。 TimeSeriesSplit は、k 回目に最初の k の区切りで学習して次の区切りで確かめる分け方で、学習に未来の月が入りません。 施設×月の行は月で並べ、区切りは月の単位で切ります。行の番号で切ると、同じ月の施設が学習と検証に分かれます。
当たり方は、2つの素朴なやり方と比べます。 「前の年の同じ月の退所の数」と「直近12か月の平均」です。どちらにも勝てない施設は、モデルの見込みを出さず、直近12か月の平均を出して表に「平均」と書きます。 あわせて、実際の退所の数が80%の幅に入った月の割合を施設ごとに数えます。8割から大きく外れる施設は、幅の置き方を見直します。
係数は、年に1回、施設長の会議で読み合わせます。 「冬の月は退所が何割増えるか」が係数から読めます。感覚と逆の向きの係数が出たら、書き出しの誤りを先に疑います。
出力形式を固定する
施設ごとの表を、次の形の CSV と、印刷用の PDF で出します。
{
"facility_id": "F07",
"as_of": "2026-11-01",
"capacity": 80,
"current_residents": 78,
"current_vacant": 2,
"confirmed_admissions": 1,
"forecast": [
{ "month": "2026-11", "mu": 1.9, "low": 0, "high": 4 },
{ "month": "2026-12", "mu": 2.4, "low": 1, "high": 4 },
{ "month": "2027-01", "mu": 2.6, "low": 1, "high": 5 }
],
"cumulative": [
{ "through": "2026-11", "expected_vacant": 2.9, "prepare": 5 },
{ "through": "2027-01", "expected_vacant": 7.9, "prepare": 11 }
],
"model": "near+far",
"fallback": false,
"notes_by_facility": ""
}
1つ目の理由は、平均と幅を別の項目で持てることです。 mu は法人全体の稼働の見込みに足し、high は面談の段取りに使います。同じ見込みから、2つの使いみちに別の値を渡せます。
2つ目は、施設の書き足しをモデルの値と並べられることです。 notes_by_facility と書き足しの人数は別の欄に入れ、mu を書き換えません。 翌月に当たり方を振り返るとき、モデルが外れたのか、書き足しが外れたのかを分けて見られます。
3つ目は、fallback でモデルを使っていない施設が分かることです。 素朴なやり方に負けた施設や、開設から日の浅い施設は true になり、表に「平均」と出ます。
段取りの目安(prepare) | 進めること |
|---|---|
| 0 | 待機者の名簿の意向の確認だけを進める |
| 1〜2 | 名簿の上から、その人数分の面談の日程を仮に押さえる |
| 3以上 | 面談に加え、健康診断書の準備を家族に頼み、入所検討の会議の日を前倒しする |
この表の区切りは、施設長と相談員が決める取り決めです。 待機者と家族に期待だけを持たせないよう、面談の場では「空床が出た時点で改めて連絡する」ことを必ず伝えます。
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(手で行う) | 入所・退所・入院の記録を共有フォルダに置く |
| 本部の施設の一覧 | ファイルの読み取り | 定員・種別・定員の変更の履歴 |
| 共有フォルダ | ファイルの書き込み | 施設ごとの表、法人全体のまとめ、当たり方の記録 |
| メール | 社内のメールの送信 | 表を置いたことと、書き出しの無い施設名の連絡 |
介護ソフトへは書き込みません。 入院や退所の記録を直すのは介護ソフトの側で、この構成は記録の写しを数えるだけです。 待機者の名簿も読みません。名簿には氏名や心身の状況が載っており、面談の人数の目安を出すのに名簿の中身は要りません。
書き出しを手で行うのは、意図してのことです。 介護ソフトと直接つなぐ方法は製品ごとに違い、提供の有無も分かれます。最初は手の書き出しで始め、ソフトの側で自動の書き出しが使えるなら、後から置き換えます。
人が確認する
施設長と生活相談員が、自施設の表を毎月確かめます。 見るのは次の順です。
- 書き足しを入れる … 退所の日が決まった方、他の施設への移動の予定、入所の確定を入力します。記録に無い事情はここで足します
- 幅を見る …
lowとhighが大きく離れている月は、揺れの大きい月です。面談を進める人数はhighを目安にしつつ、名簿の状況と合わせて決めます fallbackを見る … 「平均」と出た施設は、モデルが素朴なやり方に勝てていません。見込みの数の重みを下げ、相談員の見通しを優先します- 面談の人数を決める … 決めた人数と、決めた理由を表の欄に書きます
本部の担当は、12施設の書き足しの後の表をまとめます。 法人全体の見込みは mu の合計と書き足しの両方を並べ、理事会への報告には両方を出します。
目標は、1施設あたりの確認を40分に収めることです。 集計と様式への記入が無くなり、書き足しと面談の人数を決めることに時間を使えます。 40分を大きく超える施設は、書き出しの様式か、表の見方に迷いがあります。
例外に対処する
| 起きること | 対応 |
|---|---|
| 施設の書き出しが無い・様式が違う | その施設だけ予測せず、施設名をメールで知らせる。置かれたら手で動かし直す |
| 氏名などの個人の項目が混ざる | 読み込み直後に捨て、ログに「混入あり」と書き、施設に書き出しの設定を直してもらう |
| 開設から12か月未満の施設 | モデルを使わず、法人の同じ種別の平均の率を参考に出し、fallback を true にする |
| 定員を変えた施設 | 変えた月から新しい定員で率を出す。変えた月の前後で率が飛ぶので、6か月は当たり方を別に見る |
| 集団感染や改修で入所を止めた月 | 学習から外して印を付ける。止めている最中の月は予測を出さず「入所停止中」と書く |
| 実際の退所が幅を大きく外れた | 当たり方の記録に残し、退所の区分ごとに外れた理由を相談員に聞く |
| 入院の記録に退院日が無いまま長い | 介護ソフトの側の記録漏れを疑い、施設に確かめてもらう |
| 素朴なやり方に勝てない施設 | 直近12か月の平均を出して「平均」と書く |
いちばん多いのは、上から2行目までです。 どちらも書き出しの手順の問題で、最初の3か月は本部の担当が設定をそろえます。
記録を残す
- 毎月の書き出しの原本と、読み込んだ日時、混入を捨てた記録
- 施設×月の件数の表(個人の番号を捨てた後のもの)
- 学習に使った月の範囲、外した月とその理由、選んだ
alphaと係数 - 施設ごとの見込みの表と、施設の書き足し、決めた面談の人数と理由
- 翌月の実際の退所の数と、幅に入ったかどうか
- 素朴なやり方との比べ方の結果と、
fallbackになった施設
書き出しの原本は、入院の記録を含むので見られる人を絞った場所に置き、消すまでの期間を決めます。
当たり方の記録は、モデルを見直すときのいちばんの材料です。 冬の月だけ外れる、ある施設だけ外れる、といった偏りは、1年分たまると見えてきます。
04実装レベルの3段階
最小構成では、見込みは出ません。 分かるのは、季節と入院の効き方が自社の記録に表れているかどうかです。 半自動化で、1施設120分が70分程度になります。 集計と見込みは自動になりますが、空床への換算と本部の様式への記入、12施設分のとりまとめが残ります。本格構成で40分になり、この段階が本記事の想定です。 差が大きいのは、3か月先までの換算と法人全体のまとめが、施設ごとの手作業だからです。 段階を飛ばさないでください。 半自動化の翌月の見込みを3か月ほど施設長に見てもらうと、書き足しが要る事情がどの施設にどれくらいあるかが分かります。書き足しの欄の作り方を決めてから本格構成に進みます。
05工数削減シミュレーション
導入後 12件 × 40分 ÷ 60 = 8 時間/月
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。
06向いている企業・向いていない企業
- 特別養護老人ホームを複数運営し、法人本部が毎月の空床と稼働の見込みを施設から集めている社会福祉法人。退所から次の入所まで空床の日が続き、待機者はいるのに面談・健康診断書・入所検討の会議の段取りが退所の後から始まっている場合。介護ソフトから入所・退所・入院の記録を月ごとに書き出せ、5年分ほどの記録が残っている場合。
- 施設が1つで定員が数十名までの場合(月の退所が数件で、予測より相談員の見通しのほうが早い)。入院や退所の記録が紙の台帳だけで、日付がそろっていない場合。待機者がほとんどおらず、空床が出ても入所の申込みを待つしかない場合。なお、入所の順位と入所の可否の決定、入院中の入所者の扱い、退所の判断、看取りを含む入所者のケアの方針は、この構成では代替できません。
07最小構成で試す方法
- 退所の多い施設を1つ選び、介護ソフトから過去5年分の入退所と入院の記録を書き出す
- 表計算のピボットで、月ごとの退所の数と月初の入院中の人数を数える
- 冬の月とそれ以外の月で、退所の数の平均がどれくらい違うかを見る
- 直近の12か月について、「前の年の同じ月」と「直近12か月の平均」で見込んだ場合、実際とどれくらい違ったかを並べる
- 同じ12か月で、相談員が当時本部に報告した見込みと実際を並べる
5番目まで必ずやってください。 モデルを作る前に、素朴なやり方と相談員の見通しで、どれくらい外れていたかを見ます。
| 出てきた内容 | 判断 |
|---|---|
| 冬の月の退所が目に見えて多い | 季節を入れたモデルに進む |
| 入院中の人数が多い月の翌月に退所が多い | 近い月のモデルの材料になる。構成は有効 |
| 月ごとの退所が0〜1名で、揺れしか見えない | 施設を束ねて見るか、予測をやめて名簿の手入れを先にする |
3行目が出る施設は少なくありません。 定員の小さい施設では、月の退所が少なすぎてモデルにする材料がありません。その場合は、地域密着型の施設を束ねて率を出し、施設ごとには定員を掛けて戻します。
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| 個人ごとの退所の見込みを作りたくなる | 作らない。 施設ごとの件数だけを予測し、集計の段で個人の行を捨てる |
| 1つの数で出して外れたことしか分からない | ポアソン分布の80%の幅を付け、面談の段取りには上側の値を使う |
| 3か月の上側を月ごとの上側の和で出す | 平均を足してから幅を出す。 和で出すと大きく出すぎる |
| いまの入院中の人数を先の月にも使う | 翌月だけのモデルに入れ、先の月は季節と施設のふだんの率で見込む |
| 予測する月を含めた12か月の率を入れる | 12か月の窓は予測する月の前の月で閉じる |
| 行の番号で検証を切る | 月の単位で切る。 同じ月の施設が学習と検証に分かれない |
| 小さい施設で揺れしか見えない | 地域密着型を束ねて率を出し、定員を掛けて戻す |
| 書き出しに氏名が混ざる | 読み込み直後に捨て、ログに残し、書き出しの設定を直す |
| 書き足しでモデルの値を書き換える | 別の欄に並べる。振り返りで外れた側が分からなくなる |
| 面談で待機者に期待だけを持たせる | 「空床が出た時点で改めて連絡する」を必ず伝える |
| 見込みを入院中の方の扱いの判断に使う | 使わない。 入院中の方の扱いはその方と家族の希望で施設が決める |
上の3行が、この構成の失敗のほとんどです。 個人を予測しない、幅で出す、幅を正しく足す、の3つを守れば運用に乗ります。
下の2行は、待機者と入所者に直接ひびきます。 見込みは段取りの材料で、待機者への約束でも、入所者の扱いを決める材料でもありません。
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: 入所者の入所日・退所日・退所の区分、入院日と退院日、施設の定員です。入院の記録は心身の状況に関わる情報で、取り扱いに特に注意が要ります。
- 処理を法人の中で閉じる … Python の処理は本部のサーバーで動かし、記録を外部のサービスへ送りません。 生成AIを使わない構成にしているのも、このためです
- 個人の行を早く捨てる … 氏名と被保険者番号は書き出しの時点で外し、利用者の番号も施設ごと・月ごとの件数にまとめた時点で捨てます
- 個人ごとの予測を作らない … 誰が退所しそうかの一覧は、ケアの場面での関わり方を変えるおそれがあります。 予測の単位は施設と月に限ります
- 入院中の方の扱いを見込みで決めない … 運営基準では、入院後おおむね3か月以内に退院することが明らかに見込まれるときは、退院後に再び円滑に入所できるようにしなければならないとされています。見込みの数を、入院中の方を退所とする理由にしてはいけません
- 入所の順位をこの構成の外に置く … 運営基準では、入所申込者の数が空いている定員を超えるときは、介護の必要の程度と家族等の状況を勘案し、必要性が高いと認められる人を優先的に入所させるよう努めるとされています。順位は入所の指針と入所検討の会議で決めます
- 原本の置き場所と消す時期を決める … 書き出しの原本は見られる人を絞った場所に置き、件数の表ができた後に消すまでの期間を決めます
誤りが起きた場合のリスクは、面談を進めすぎて待機者に期待を持たせることと、進めなさすぎて空床の日が延びることの2つです。 前者は1つの数で段取りを決めると起き、後者は上側の値を使わないと起きます。どちらも幅を出し、幅の使い方を決めておくことで防ぎます。
10まず何から始めるか
1週目:1施設の記録を書き出す
退所の多い施設を1つ選び、介護ソフトから過去5年分の入退所と入院の記録を書き出します。項目の並びを見て、氏名や被保険者番号を外した書き出しの設定を作ります。 この設定を12施設で使います。
2週目:季節と入院の効き方を見る
表計算で月ごとの退所の数を数え、冬の月とそれ以外の月、入院中の人数の多い月の翌月を比べます。あわせて、相談員が当時報告した見込みと実際を並べます。
3週目:幅の使い方を決める
施設長と相談員で、段取りの目安が0、1〜2、3以上のときに何を進めるかを決めます。面談で待機者に伝える言葉もここで決めます。
4週目:Python で翌月の見込みを出す
12施設の記録を読み、施設ごと・月ごとに集計して、近い月のモデルで翌月の見込みと幅を出します。この時点では見込みを本部の報告に使わず、相談員の見込みと並べるだけにします。
2か月目: 先の月のモデルと3か月先までの空床の見込み、書き足しの欄を足します。3か月目以降: 定時実行に切り替え、実際の退所が幅に入った割合を施設ごとに数えます。係数を施設長の会議で読み合わせ、書き足しと見込みの両方を理事会に出せ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
| 確認した内容 | 情報源 | 確認日 |
|---|---|---|
PoissonRegressor がポアソン分布の一般化線形モデルで log のリンク関数を使うこと。alpha が L2 の罰則の強さで既定が1.0、0で罰則なしのモデルになること。solver の既定が 'lbfgs'、max_iter の既定が100であること。fit が sample_weight を受け取ること。coef_ と intercept_ を持つこと(版 1.9.1) | scikit-learn: PoissonRegressor | 2026-11-04 |
TimeSeriesSplit が k 回目に最初の k の区切りで学習し次の区切りで確かめること、比べられる指標にするには区切りの間隔がそろっている必要があること、test_size と gap を指定できること(版 1.9.1) | scikit-learn: TimeSeriesSplit | 2026-11-04 |
scipy.stats.poisson が平均 mu を受け取り、ppf(cdf の逆)・cdf・sf・interval を持つこと(v1.18.0) | SciPy: scipy.stats.poisson | 2026-11-04 |
| 指定介護老人福祉施設の運営基準の第7条第2項(入所申込者の数が空いている定員を超えるときは、介護の必要の程度及び家族等の状況を勘案し、必要性が高いと認められる入所申込者を優先的に入所させるよう努める)と第19条(入院後おおむね三月以内に退院することが明らかに見込まれるときは、退院後再び円滑に入所できるようにしなければならない)(2025-04-01 施行の版) | e-Gov 法令API: 指定介護老人福祉施設の人員、設備及び運営に関する基準(平成11年厚生省令第39号) | 2026-11-04 |
入所の順位と可否、入院中の入所者の扱い、退所の判断、入所者のケアの方針は、施設の指針と会議、入所者と家族の希望にもとづいて決めてください。 本記事は公開されている仕様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-2866)についてのご相談はこちらから。
