Optimization of CAR T-Cell Therapies’ Supply Chain with the help of Machine Learning

Παπαϊακώβου, Σταύρος; Papaiakovou, Stavros

dc.contributor.author	Παπαϊακώβου, Σταύρος	el
dc.contributor.author	Papaiakovou, Stavros	en
dc.date.accessioned	2022-10-14T08:08:49Z
dc.date.available	2022-10-14T08:08:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55928
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23626
dc.rights	Default License
dc.subject	Μικτός Ακέραιος Γραμμικός Προγραμματισμός	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Εφοδιαστική Αλυσίδα	el
dc.subject	Βελτιστοποίηση	el
dc.subject	Εξατομικευμένες Θεραπείες	el
dc.subject	Mixed Integer Linear Programming	en
dc.subject	Machine Learning	en
dc.subject	Personalized Medicine	en
dc.subject	Supply Chain	en
dc.subject	Optimization	en
dc.title	Optimization of CAR T-Cell Therapies’ Supply Chain with the help of Machine Learning	en
heal.type	bachelorThesis
heal.classification	Βελτιστοποίηση	el
heal.classification	Optimization	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-08
heal.abstract	Οι θεραπείες Τ-λεμφοκυττάρων με Χιμαιρικό Αντιγονικό Υποδοχέα είναι κυτταρικές ανοσοθεραπείες που εμφάνισαν ενθαρρυντικά αποτελέσματα στη θεραπεία τύπων καρκίνου του αίματος όπως η οξεία λεμφοβλαστική λευχαιμία και το επιθετικό λέμφωμα Β-κυττάρων. Οι αυτόλογες θεραπείες Τ-λεμφοκυττάρων με Χιμαιρικό Αντιγονικό Υποδοχέα είναι εξατομικευμένες για τον ασθενή και επομένως ακολουθούν το επιχειρηματικό μοντέλο 1:1, όπου κάθε θεραπεία παράγεται και διανέμεται ξεχωριστά. Προκειμένου να έχουμε μια ικανή αλυσίδα εφοδιασμού που μπορεί να ικανοποιήσει τη ζήτηση και να ανταποκρίνεται στους διάφορους περιορισμούς που συνεπάγονται με τις θεραπείες αυτές όπως χρονικούς περιορισμούς, χρησιμοποιούνται τα μαθηματικά μοντέλα τα οποία ήδη αποτελούν μεγάλο μέρος ως εργαλεία υποστήριξης αποφάσεων. Ωστόσο, λόγω της φύσης αυτών των θεραπειών, η αύξηση στην παραγωγή δημιουργεί ένα δυσεπίλυτο πρόβλημα βελτιστοποίησης της αλυσίδας εφοδοιασμού όταν μοντελοποιείται με το μοντέλο Μικτού Ακέραιου Γραμμικού Προγραμματισμού. Για να καταπολεμηθεί αυτό, εισάγεται μια αποσύνθεση του προβλήματος σε μακροπρόθεσμο σχεδιασμό και βραχυπρόθεσμο προγραμματισμό. Έτσι, χρησιμοποιούνται τεχνικές Μηχανικής Μάθησης για την επίλυση του μακροπρόθεσμου σχεδιασμού της συγκεκριμένης αλυσίδας εφοδιασμού και στη συνέχεια οι λύσεις τους τροφοδοτούνται στο αρχικό μοντέλο Μικτού Ακέραιου Γραμμικού Προγραμματισμού για την επίλυση του προβλήματος προγραμματισμού. Χρησιμοποιήθηκαν τρεις διαφορετικοί αλγόριθμοι Multi-Layer Perceptron, Random Forest και Support Vector Machines, που καταλήγουν να δίνουν πολύ παρόμοια αποτελέσματα. Οι αλγόριθμοι Μηχανικής Μάθησης μειώνουν την πολυπλοκότητα του αρχικού μοντέλου MILP για κάθε δοκιμασμένο σενάριο, μειώνοντας τις διακριτές μεταβλητές και τους περιορισμούς κατά μέσο όρο 63%. Αυτό με τη σειρά του σημαίνει παρόμοια μείωση στη χρήση του κεντρικού επεξεργαστή κατά την επίλυση του προβλήματος βελτιστοποίησης.	el
heal.abstract	Chimeric Antigen Receptor (CAR) T-cell therapies are cellular immunotherapies that displayed encouraging results in the treatment of blood cancer types like acute lymphoblastic leukemia and aggressive B-cell lymphoma. Autologous CAR T-cell therapies are patient-specific and therefore follow a 1:1 business model, where every single therapy is produced and distributed uniquely. In order to have a responsive supply chain that can satisfy the demand under the tight time constraints of the supply chain, decision support tools such as mathematical models are already utilized. However, due to the nature of the autologous CAR T-cell therapies, volumetric scale-up is not possible and a scale-out creates an intractable problem to solve. To combat this drawback, a decomposition solution strategy is introduced, where the model is split into long-term planning and short-term scheduling. To this extent, Machine Learning (ML) techniques are used to solve the long-term planning of the supply chain, and then the results are fed to the original Mixed Integer Linear Programming (MILP) model to solve the scheduling problem. Three different ML algorithms were used, namely Multi-Layer Perceptron, Random Forest, and Support Vector Machines, that ended up yielding very similar results. The ML algorithms reduce the complexity of the original MILP model for every scenario tested, by reducing on average the binary variables and constraints by 63%. This in turn means the same reduction in CPU time usage.	en
heal.advisorName	Κοκόσης, Αντώνης	el
heal.committeeMemberName	Τόπακας, Ευάγγελος	el
heal.committeeMemberName	Ζουμπουλάκης, Λουκάς
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών. Τομέας Ανάλυσης, Σχεδιασμού και Ανάπτυξης Διεργασιών και Συστημάτων (ΙΙ)	el
heal.academicPublisherID	ntua
heal.numberOfPages	116 σ.	el
heal.fullTextAvailability	false