本科毕业设计开题报告

基于SpringBoot的医护人员排班系统的设计与实现

一、选题的背景与意义

1. 研究背景

排班管理是医院护理人力资源管理的核心环节，直接关系到护理质量、患者安全以及医护人员的工作满意度。我国三级医院普遍实行三班倒或两班倒的护理工作制度，一个护理单元通常包含数十名护士，需同时兼顾白班、小夜班、大夜班等多种班次类型，排班过程需综合考虑护士资质层级、夜班轮转规则、连续工作天数限制、个人请假调班等多重约束。

然而，当前多数医院的护理排班仍以手工方式为主。护士长通常借助Excel表格进行排班，通过人工比对的方式校验约束条件，一次完整的月度排班往往需要数小时甚至更长时间。这种手工排班方式存在明显弊端：其一，排班效率低下，当科室人员规模较大或规则较为复杂时，人工排班的时间成本急剧上升；其二，公平性难以保证，手工排班容易受到主观因素影响，导致护士之间工作量分配不均，进而引发团队矛盾；其三，排班规则执行缺乏系统性保障，夜班连排超限、大夜后未安排充分休息等违规情况难以完全避免。

从技术发展趋势来看，以Spring Boot为代表的Java后端框架凭借其自动配置、起步依赖等特性，已成为企业级Web应用开发的主流选择。前后端分离架构的成熟，使得前端交互与后端业务逻辑可以并行开发、独立部署。与此同时，约束求解技术在排班优化领域的应用日益深入，开源求解器（如Google OR-Tools）提供了可编程的约束建模与求解能力，为排班系统的智能化升级提供了技术基础。在此背景下，设计并实现一个基于SpringBoot的医护人员排班系统，以信息化手段替代手工排班，具有明确的现实需求和技术可行性。

2. 研究目的与意义

本课题旨在构建一个面向医院科室场景的护理排班管理系统，将排班规则配置、自动排班、手动调整、审批发布等环节纳入统一平台，解决手工排班中效率低、公平性差、规则执行不严格等突出问题。

从效率提升角度看，系统通过自动化排班算法可将排班时间从数小时缩短至秒级，护士长的工作重心从“填表”转向“审核与微调”。从公平性保障角度看，系统引入工作量统计与公平性评分机制，使排班结果可量化、可比较，减少主观因素对排班决策的影响。从规则执行力角度看，系统将硬性约束（如夜班上限、连续工作天数限制）内置为算法校验条件，排班方案在生成时即保证合规，人工调整时亦实时校验，杜绝规则违规。从推动信息化角度看，本系统可作为医院护理管理信息化的一个模块，为后续与HIS系统集成预留接口，具有实际应用价值。

二、国内外研究现状

1. 国内研究现状

国内护理排班系统的研究经历了从手工信息化记录到智能化优化的演进过程。早期系统主要实现排班结果的电子化存储与查询，本质上是将纸质排班表搬到了电脑上，并未改变排班的决策方式。近年来，智能化排班研究逐步深入。有研究基于回答集编程（ASP）构建智能化护理排班管理系统框架，通过形式化规则描述实现排班约束的自动满足。在工程实践层面，基于SpringBoot与Vue的排班系统逐步出现，部分系统引入OR-Tools CP-SAT求解器实现约束优化排班，并增加了公平性评分与可解释性输出功能。

然而，现有国内研究与实践仍存在不足：多数智能化排班研究停留在算法验证层面，缺乏面向实际科室场景的完整系统实现；部分开源方案技术栈偏重或文档不完善，不利于本科阶段独立开发；此外，排班结果的可解释性与公平性量化评价仍处于起步阶段，护士长对算法生成结果的信任度有限。

2. 国外研究现状

国外在护理排班优化领域的研究积累更为深厚。爱尔兰HSE部署的TrendCare系统将患者 acuity（病情严重程度）评估与护理工时需求计算相结合，实现基于患者需求的排班匹配，已在17家医院运行。该系统通过集成PAS、HR和电子排班系统，实现患者需求与护理人力的实时比对。美国Ochsner Health在47家医院部署M7 Health排班平台，护士可通过移动端表达排班偏好、认领开放班次，管理者获得跨单元的覆盖率可视性与实时决策支持。在学术研究层面，有研究开发了面向护士、责任护士和管理员三种角色的移动排班应用，系统地将硬约束（如每周至少40小时、夜班后休息要求）与软约束（如年资护士周末值班限制）编码为算法条件。一项范围综述指出，现有AI驱动的护士排班系统主要采用遗传算法等元启发式方法，系统层面的功能成熟度较高，但在实时适应性和与医院信息系统集成方面仍存在明显空白。

3. 研究现状总结

综合来看，当前护理排班领域存在以下研究空间：国外成熟系统功能完善但部署成本高、本地化适配复杂，不适合直接移植；国内学术研究侧重算法优化但系统实现完整性不足；面向本科毕业设计层面、技术栈适中且功能覆盖“规则配置—自动排班—手动调整—审批发布”全流程的系统设计与实现研究较为缺乏。本课题拟针对上述空白，设计一个聚焦科室级护理排班场景、技术栈明确、功能闭环的Web管理系统。

三、研究目标与内容

1. 拟解决的主要问题

本课题拟解决以下核心问题：（1）排班规则的配置化管理：硬约束与软约束需从代码中解耦，支持护士长在界面上灵活调整（如修改夜班周上限、调整每班最少人数），规则变更后即时生效。（2）自动排班的约束满足与公平性：需设计或集成约束求解算法，在满足硬约束的前提下，尽可能实现护士间工作量（尤其是夜班数量）的均衡分配。（3）手动调整的实时校验：护士长在自动排班结果基础上进行拖拽或替换操作时，系统需即时校验调整方案是否违反硬约束，并给出明确的不合规原因提示。（4）排班结果的可追溯性：排班方案的审核锁定、调整日志记录需完整保留，保证操作可追溯。

2. 功能需求分析

护士长/管理员端：登录与身份认证；护士档案管理（基本信息、资质层级、可排班类型）；班次配置（定义白班、小夜、大夜等班次的起止时间）；排班规则配置（设置每班最少/最多人数、是否需要高年资护士、夜班周上限、连续工作天数上限等）；一键自动排班；手动调整排班（拖拽或选人替换，实时校验）；排班审批与锁定；调班/请假申请审核；统计报表（个人工作量统计、公平性评分、班次覆盖率）。

护士端：登录；查看本人排班表（日历视图）；提交调班申请（选择目标班次与申请人）；提交请假申请；查看申请审批状态。

3. 系统非功能性需求

安全性：基于JWT的身份认证与角色权限控制，护士长与护士的接口访问范围隔离；排班锁定后仅可撤销审核后修改，修改需密码验证。性能：自动排班算法在30人规模、月度周期的场景下应在合理时间内返回结果（目标不超过10秒）；列表查询响应时间不超过2秒。可扩展性：排班规则以数据库配置驱动，新增规则类型不需修改核心算法代码；预留与HIS系统的数据接口。易用性：排班总览采用周视图网格布局，操作直观；校验失败时以明确文字说明违规原因。

四、研究方法与技术路线

1. 研究方法

本课题采用以下研究方法：（1）文献研究法：查阅护理排班优化、约束求解、Web系统设计相关文献，梳理排班规则建模与算法选型依据。（2）需求分析法：通过分析护理排班场景的典型业务流程，明确功能边界与角色权限。（3）系统设计法：采用分层架构与模块化设计，完成数据库设计、接口设计与算法集成方案。（4）实验验证法：构造典型排班场景的测试用例，验证算法正确性与系统功能完整性。

2. 技术选型与路线

后端：Spring Boot 2.7 + MyBatis Plus + MySQL 8.0 + JWT + Redis。Spring Boot用于快速构建RESTful API服务。排班算法引擎采用Google OR-Tools CP-SAT求解器，通过Python脚本调用，以进程间通信方式与Java后端集成。选择CP-SAT的原因在于其能够有效处理排班问题中的布尔约束与整数变量，在约束满足与优化目标平衡方面表现成熟。前端：Vue 3 + Element Plus + Axios + Vue Router + Pinia。Element Plus的表格、日历、对话框等组件可高效支撑排班管理界面的开发。开发工具：IntelliJ IDEA（后端）、VS Code（前端）、Navicat（数据库）、Postman（接口测试）。

3. 系统架构

系统采用前后端分离架构。前端Vue应用负责界面渲染与用户交互，通过HTTP请求调用后端API；后端Spring Boot应用承载业务逻辑、数据持久化与排班算法调度。后端内部采用Controller-Service-Mapper三层结构，排班算法模块以独立服务形式嵌入，接收规则参数并返回排班结果。数据库存储护士档案、班次配置、排班规则、排班结果、申请与日志等数据。

五、进度安排

六、预期成果

（1）可运行的系统源码（SpringBoot后端项目与Vue前端项目）；（2）排班算法模块的独立说明文档；（3）系统部署与使用文档；（4）本科毕业设计论文一份，涵盖需求分析、系统设计、算法集成、测试验证等内容；（5）系统功能演示视频。

七、参考文献

[1] 邓兰,徐进,黄丽红. 智能化护理排班管理系统设计[J]. 医学信息学杂志, 2022, 43(5): 56-60.

[2] TrendCare: Matching nurse staffing to patient need[EB/OL]. Health Service Executive (Ireland), 2026.

[3] Designing and piloting a mobile application for fair and objective nurse scheduling: a design-based study[J]. BMC Nursing, 2025, 24: 670.

[4] Ochsner Health announces system-wide launch of M7’s Workforce Management Platform[EB/OL]. Ochsner Health News, 2026.

[5] Artificial intelligence-based nurse scheduling in healthcare: A scoping review of functional features and empirical outcomes[J]. International Journal of Nursing Studies, 2026, 165: 105087.

[6] 用CodeBuddy + 混元(Hy3)，开发护士排班从“半天工时”变成“AI 秒算”[EB/OL]. 腾讯云开发者社区, 2026.

[7] 一种手术室护士智能排班方法、系统、终端及存储介质[P]. 中国专利: CN120998437A, 2025-07-29.

[8] j3soon. nurse-scheduling: A flexible web application designed to streamline and automate nurse scheduling[EB/OL]. GitHub, 2026.