Aplicação de aprendizado de máquina para melhoria do fluxo de tratamento de radioterapia

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Emiliozzi, Caroline Zeppellini dos Santos
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
aprendizado de máquina
ciência de dados
data science
linear programming
machine learning
programação linear
radioterapia
radiotherapy
tempo de espera
tempo de tratamento
treatment time
waiting time
Link de acesso: https://www.teses.usp.br/teses/disponiveis/85/85131/tde-12072023-120018/
Resumo: O câncer é o principal problema de saúde pública no mundo. A radioterapia é uma das formas mais comuns e efetivas de tratamento de câncer. Porém, atualmente existe um desequilíbrio entre a demanda de tratamentos e a disponibilidade de equipamentos de radioterapia o que leva a atrasos no início de tratamento, esses atrasos produzem sofrimento psicológico e menor probabilidade de controle da doença. Como há uma grande pressão para a contenção de custos, muitas vezes não é possível resolver o problema da falta de equipamentos com a expansão de centros de tratamento. Por outro lado, existe uma ineficiência nos processos relacionados ao fluxo de trabalho e no agendamento de pacientes para início de tratamento. Neste trabalho buscou-se, através da análise de dados do setor de radioterapia do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo, estudar meios de otimização do fluxo de trabalho para se obter uma gestão eficaz e eficiente do tempo de espera. Com intuito de fazer previsões do tempo de espera e do tempo de tratamento dos pacientes foram comparados quatro algoritmos de AM (Aprendizado de Máquina) com técnica de regressão (Support Vector Machine, Extreme Gradient Boosting , Random forest e Redes neurais) e para a otimização do agendamento de radioterapia foi proposto um modelo de programação linear inteiro misto. Com base no trabalho realizado, conclui-se que a utilização de AM ajuda entender os problemas encontrados no setor. Foram propostas mudanças na rotina, definidos tempo de espera e de tratamento mais adequados e conseguiu-se que o agendamento automático possibilitasse a diminuição do tempo de espera dos pacientes, com priorização dos pacientes com pior prognóstico.
id USP_dc0fd5e3d2f540ff29f07a2441683ad0
oai_identifier_str oai:teses.usp.br:tde-12072023-120018
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Aplicação de aprendizado de máquina para melhoria do fluxo de tratamento de radioterapiaMachine learning application to improve the flow of radiotherapy treatmentaprendizado de máquinaciência de dadosdata sciencelinear programmingmachine learningprogramação linearradioterapiaradiotherapytempo de esperatempo de tratamentotreatment timewaiting timeO câncer é o principal problema de saúde pública no mundo. A radioterapia é uma das formas mais comuns e efetivas de tratamento de câncer. Porém, atualmente existe um desequilíbrio entre a demanda de tratamentos e a disponibilidade de equipamentos de radioterapia o que leva a atrasos no início de tratamento, esses atrasos produzem sofrimento psicológico e menor probabilidade de controle da doença. Como há uma grande pressão para a contenção de custos, muitas vezes não é possível resolver o problema da falta de equipamentos com a expansão de centros de tratamento. Por outro lado, existe uma ineficiência nos processos relacionados ao fluxo de trabalho e no agendamento de pacientes para início de tratamento. Neste trabalho buscou-se, através da análise de dados do setor de radioterapia do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo, estudar meios de otimização do fluxo de trabalho para se obter uma gestão eficaz e eficiente do tempo de espera. Com intuito de fazer previsões do tempo de espera e do tempo de tratamento dos pacientes foram comparados quatro algoritmos de AM (Aprendizado de Máquina) com técnica de regressão (Support Vector Machine, Extreme Gradient Boosting , Random forest e Redes neurais) e para a otimização do agendamento de radioterapia foi proposto um modelo de programação linear inteiro misto. Com base no trabalho realizado, conclui-se que a utilização de AM ajuda entender os problemas encontrados no setor. Foram propostas mudanças na rotina, definidos tempo de espera e de tratamento mais adequados e conseguiu-se que o agendamento automático possibilitasse a diminuição do tempo de espera dos pacientes, com priorização dos pacientes com pior prognóstico.Cancer is the main public health problem in the world. Radiotherapy (RT) is an importante modality in the treatment of these patients. With this growing global burden, demand for RT has been increasing continuously and supply-demand imbalances have become a major concern, due to the negative impact of treatment delays. Evidence has been published of the negative impact of treatment delays on measures such as tumor progression, persistence of cancer symptoms, psychological distress and decreased cancer control and survival rates. The reason for delays in Radiotherapy is not only due to imbalance between capacity and demand, but also due to inefficiency of workflow, for instance, scheduling problems. Consequently, as there is pressure to contain costs, it is often not possible to solve the problem of the lack of equipment. However, the problem of inefficient processes can be attacked. This work, we analyze the data of electronic health records of radiotherapy department of Hospital das Clínicas de São Paulo to attempt to provide a better understanding of the problem and study ways of optimizing workflow and efficient management of waiting time. In order to make predictions of patient waiting time and treatment time, four machine learning algorithms were compared using regression technique (Support Vector Machine, Extreme Gradient Boosting , Random forest and Neural networks ) and for the optimization of radiotherapy scheduling, a mixed integer linear programming model was proposed.Based on this work, it is concluded that the use of AM helps to understand the problems of the departament. Changes in routine were proposed, more appropriate waiting and treatment times were defined and automatic scheduling made it possible to reduce patient waiting times, prioritizing patients with the worst prognosisBiblioteca Digitais de Teses e Dissertações da USPMenezes, Mário Olímpio deEmiliozzi, Caroline Zeppellini dos Santos2023-04-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/85/85131/tde-12072023-120018/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2023-07-12T19:36:14Zoai:teses.usp.br:tde-12072023-120018Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212023-07-12T19:36:14Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Aplicação de aprendizado de máquina para melhoria do fluxo de tratamento de radioterapia
Machine learning application to improve the flow of radiotherapy treatment
title Aplicação de aprendizado de máquina para melhoria do fluxo de tratamento de radioterapia
spellingShingle Aplicação de aprendizado de máquina para melhoria do fluxo de tratamento de radioterapia
Emiliozzi, Caroline Zeppellini dos Santos
aprendizado de máquina
ciência de dados
data science
linear programming
machine learning
programação linear
radioterapia
radiotherapy
tempo de espera
tempo de tratamento
treatment time
waiting time
title_short Aplicação de aprendizado de máquina para melhoria do fluxo de tratamento de radioterapia
title_full Aplicação de aprendizado de máquina para melhoria do fluxo de tratamento de radioterapia
title_fullStr Aplicação de aprendizado de máquina para melhoria do fluxo de tratamento de radioterapia
title_full_unstemmed Aplicação de aprendizado de máquina para melhoria do fluxo de tratamento de radioterapia
title_sort Aplicação de aprendizado de máquina para melhoria do fluxo de tratamento de radioterapia
author Emiliozzi, Caroline Zeppellini dos Santos
author_facet Emiliozzi, Caroline Zeppellini dos Santos
author_role author
dc.contributor.none.fl_str_mv Menezes, Mário Olímpio de
dc.contributor.author.fl_str_mv Emiliozzi, Caroline Zeppellini dos Santos
dc.subject.por.fl_str_mv aprendizado de máquina
ciência de dados
data science
linear programming
machine learning
programação linear
radioterapia
radiotherapy
tempo de espera
tempo de tratamento
treatment time
waiting time
topic aprendizado de máquina
ciência de dados
data science
linear programming
machine learning
programação linear
radioterapia
radiotherapy
tempo de espera
tempo de tratamento
treatment time
waiting time
description O câncer é o principal problema de saúde pública no mundo. A radioterapia é uma das formas mais comuns e efetivas de tratamento de câncer. Porém, atualmente existe um desequilíbrio entre a demanda de tratamentos e a disponibilidade de equipamentos de radioterapia o que leva a atrasos no início de tratamento, esses atrasos produzem sofrimento psicológico e menor probabilidade de controle da doença. Como há uma grande pressão para a contenção de custos, muitas vezes não é possível resolver o problema da falta de equipamentos com a expansão de centros de tratamento. Por outro lado, existe uma ineficiência nos processos relacionados ao fluxo de trabalho e no agendamento de pacientes para início de tratamento. Neste trabalho buscou-se, através da análise de dados do setor de radioterapia do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo, estudar meios de otimização do fluxo de trabalho para se obter uma gestão eficaz e eficiente do tempo de espera. Com intuito de fazer previsões do tempo de espera e do tempo de tratamento dos pacientes foram comparados quatro algoritmos de AM (Aprendizado de Máquina) com técnica de regressão (Support Vector Machine, Extreme Gradient Boosting , Random forest e Redes neurais) e para a otimização do agendamento de radioterapia foi proposto um modelo de programação linear inteiro misto. Com base no trabalho realizado, conclui-se que a utilização de AM ajuda entender os problemas encontrados no setor. Foram propostas mudanças na rotina, definidos tempo de espera e de tratamento mais adequados e conseguiu-se que o agendamento automático possibilitasse a diminuição do tempo de espera dos pacientes, com priorização dos pacientes com pior prognóstico.
publishDate 2023
dc.date.none.fl_str_mv 2023-04-24
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/85/85131/tde-12072023-120018/
url https://www.teses.usp.br/teses/disponiveis/85/85131/tde-12072023-120018/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815258062520320000

Registros relacionados