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

• Ano de defesa: 2023
• Autor(a) principal: Emiliozzi, Caroline Zeppellini dos Santos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• 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/

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.