Stochastic optimization and machine learning applied in the demand forecast, allocation and distribution of vaccines between Brazilian states (2022)
- Authors:
- Autor USP: LOPES, JULIANO MARÇAL - EP
- Unidade: EP
- Sigla do Departamento: PEA
- Subjects: OTIMIZAÇÃO ESTOCÁSTICA; DEMANDA; APRENDIZADO COMPUTACIONAL; VACINAS
- Agências de fomento:
- Language: Inglês
- Abstract: Os avanços em pesquisa e desenvolvimento resultaram no surgimento de muitas novas vacinas nas últimas décadas. No entanto, a distribuição de vacinas e o combate de doenças imunopreveníveis ainda é um desafio para os gestores da cadeia. A cadeia de suprimentos de vacinas normalmente possui orçamentos limitados, dificuldade em controlar a temperatura dos produtos, gerenciamento deficiente de inventário e falta de protocolo para alta demanda e situações incertas. O mau gerenciamento da cadeia de suprimentos da vacina pode levar a um surto de doença ou, na pior das hipóteses, a uma pandemia. Felizmente, um grande número de desafios da cadeia de suprimentos de vacinas, como alocação ideal de doses, melhoria da estratégia de vacinação e gerenciamento de inventário, entre outros, pode ser aprimorado por meio de abordagens de otimização. Diante desse cenário, o objetivo desse trabalho é o de propor métodos de redução de custos da cadeia. Isso se deu por meio da criação de um modelo de machine learning para previsão de demandas e um modelo de otimização estocástica para melhoria da distribuição de imunobiológicos entre estados brasileiros. Os modelos aqui apresentados, apesar de considerarem o cenário brasileiro, possuem o potencial de terem suas aplicações estendidas para a cadeia de suprimentos de vacinas de outros países. Para realização desse trabalho, primeiramente foram realizadas visitas em cinco estados brasileiros para entendimento e mapeamento dos processos da cadeia de distribuição de vacinas do Ministério da Saúde. Este mapeamento permitiu que as soluções aqui propostas fossem elaboradas levando em consideração o cenário atual da cadeia. O modelo de machine learning desenvolvido engloba o uso das técnicas de Gradient Boosting e Random Forest Regressor, e seusresultados são utilizados como dados de entrada do modelo de otimização proposto. O modelo de otimização estocástica considera a demanda incerta de três cenários. Os resultados do estudo mostram que o modelo de machine learning apresenta uma previsão da demanda com erros relevantemente mais baixos do que os que cadeia atualmente apresenta. E ainda, os resultados do modelo de otimização auxiliam os tomadores de decisão com uma sugestão do número de doses que devem sem enviados para cada estado em cada um dos meses do período considerado, reduzindo assim, a chance de falta de vacinas.
- Imprenta:
- Data da defesa: 03.02.2022
-
ABNT
LOPES, Juliano Marçal e DIAS, Eduardo Mario. Stochastic optimization and machine learning applied in the demand forecast, allocation and distribution of vaccines between Brazilian states. 2022. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-05092022-095859/. Acesso em: 28 jan. 2026. -
APA
Lopes, J. M., & Dias, E. M. (2022). Stochastic optimization and machine learning applied in the demand forecast, allocation and distribution of vaccines between Brazilian states (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3143/tde-05092022-095859/ -
NLM
Lopes JM, Dias EM. Stochastic optimization and machine learning applied in the demand forecast, allocation and distribution of vaccines between Brazilian states [Internet]. 2022 ;[citado 2026 jan. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-05092022-095859/ -
Vancouver
Lopes JM, Dias EM. Stochastic optimization and machine learning applied in the demand forecast, allocation and distribution of vaccines between Brazilian states [Internet]. 2022 ;[citado 2026 jan. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-05092022-095859/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
