[pt] Nesta tese, abordamos o escalonamento de profissionais de saúde para propor um uso mais eficiente da capacidade existente e fornecer acesso oportuno em diferentes serviços de saúde. Apresentamos um conjunto de problemas relacionados à programação de equipes de saúde. O primeiro problema procura reduzir o tempo de porta-médico em uma unidade de pronto atendimento; o segundo problema visa reduzir o tempo de espera total de tratamento também em uma unidade de pronto atendimento; o terceiro problema visa fornecer acesso oportuno à consulta clínica e à cirurgia em uma unidade cirúrgica especializada. Foram propostos e resolvidos modelos de programação estocástica de dois estágios que procuram representar com precisão as características particulares inerentes a cada problema. Um aspecto importante em problemas de saúde é o grande número de incertezas envolvidas nos processos. A incorporação da incerteza aumenta a complexidade do problema e, portanto, torna-se impossível computacionalmente considerar todos os cenários possíveis. Essa dificuldade é contornada usando a Aproximação por Média Amostral (SAA) para representar a incerteza na demanda. Modelo de simulação de eventos discretos (DES) é usado para representar os problemas. Por fim, as soluções foram aplicadas a estudos de caso reais, mostrando que os modelos propostos são adaptáveis a diferentes prestadores de serviços de saúde. Ao longo da tese, resolvemos com eficiência os modelos utilizando casos reais de hospitais no Brasil e nos EUA. / [en] In this thesis, we approach the problem of healthcare staff scheduling to propose a more efficient use of existing capacity to provide timely access in different health services. We present a set of problems related to healthcare staff scheduling. The first problem seeks to reduce the door-to-doctor time in an Emergency Department; the second problem aims to reduce the waiting time of the overall treatment also in an Emergency Department; the third problem aims to provide timely access to both clinic and surgery in a specialized surgical unit. We formulate and solve two-stage stochastic programming models that seek to accurately represent the particular features that are inherent of each problem. An important aspect in healthcare problems is a large number of uncertainties involved in the processes. The incorporation of the uncertainty increases the complexity of the problem, and it, therefore, becomes computationally infeasible to consider all of the possible scenarios. We circumvent this difficulty by relying on Sample Average Approximation (SAA) to address the demand uncertainty. We also use a discrete-event simulation (DES) model to represent the problems. Finally, we apply the framework to real case studies showing that the proposed models are adaptable to different healthcare providers. Throughout the thesis, we efficiently solve the models using real cases of Brazil and USA hospitals.