Advances in research and development have resulted in the emergence of many new vaccines in recent decades. However, the distribution of vaccines and the fight against vaccine-preventable diseases is still a challenge for chain managers. The vaccine supply chain typically has limited budgets, difficulty controlling product temperatures, poor inventory management, and lack of protocol for high demand and uncertain situations. Mismanagement of the vaccine supply chain can lead to a disease outbreak or, at worst, a pandemic. Fortunately, a large number of vaccine supply chain challenges such as optimal dose allocation, improving vaccination strategy and inventory management, among others, can be improved through optimization approaches. Given this scenario, the objective of this work is to propose methods to reduce costs in the chain. This was done through the creation of a machine learning model to forecast demand and a stochastic optimization model to improve the distribution of immunobiologicals among Brazilian states. The models presented here, despite considering the Brazilian scenario, have the potential to have their applications extended to the vaccine supply chain in other countries. To carry out this work, first visits were carried out in five Brazilian states to understand and map the processes of the vaccine distribution chain of the Ministry of Health. This mapping allowed the solutions proposed here to be elaborated taking into account the current scenario of the chain. The developed machine learning model encompasses the use of Gradient Boosting and Random Forest Regressor techniques, and its results are used as input data for the proposed optimization model. The stochastic optimization model considers the uncertain demand of three scenarios. The results of the study show that the machine learning model presents a demand forecast with errors significantly lower than those that the chain currently presents. Furthermore, the results of the optimization model help decision makers with a suggestion of the number of doses that should be sent to each state in each of the months of the considered period, thus reducing the chance of vaccine shortages.

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 seus resultados 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.