Zur Kurzanzeige

dc.contributor.advisorLins, Lessandra Michelin Rodriguez
dc.contributor.authorLins, Rodrigo Schrage
dc.contributor.otherMichels, Alexandre Fassini
dc.contributor.otherRodrigues, Emerson
dc.contributor.otherMedeiros, Eduardo Alexandrino Servolo de
dc.date.accessioned2023-04-11T17:01:24Z
dc.date.available2023-04-11T17:01:24Z
dc.date.issued2023-04-10
dc.date.submitted2023-03-10
dc.identifier.urihttps://repositorio.ucs.br/11338/11845
dc.descriptionIntrodução: O Comitê de Controle de Infecção Hospitalar (CCIH) é responsável pelo adequado diagnóstico, tratamento e prevenção das Infecções Relacionadas à Assistência em Saúde (IRAS) em hospitais, e a vigilância epidemiológica é a sua principal atividade. A vigilância epidemiológica requer a coleta e o manejo de grande volume de dados, comumente com o uso de diferentes ferramentas, como formulários de papel, planilhas eletrônicas, pequenos bancos de dados etc. Objetivos: Entender o processo de trabalho e fluxo de informação de uma CCIH para desenvolver um aplicativo para dispositivos móveis capaz de gerenciar toda a coleta, acesso e armazenamento de dados, e produção de indicadores gerenciais em uma CCIH. Predizer pacientes com infecção por enterobactérias produtoras de ESBL, com o uso de Inteligência Artificial (IA) antes que os resultados das culturas estejam disponíveis. Métodos: Mapeamento de Fluxo de Valor (MFV) foi utilizado para estudar o fluxo de informação na CCIH e encontrar oportunidades de melhoria no processo de trabalho. Também realizamos uma revisão sistemática para definir as características necessárias que um software de saúde deve ter para garantir a segurança e privacidade dos dados coletados. Os autores utilizaram os resultados de ambas as pesquisas para desenhar as funcionalidades do software. A programação do aplicativo utilizou linguagem Java e tecnologia blockchain para gerenciar e armazenar os dados. Programação usual produziu os indicadores gerenciais solicitados pela CCIH e direção do hospital, e criamos um algoritmo de IA para predizer pacientes com infecção por enterobactérias produtoras de ESBL antes que os resultados das culturas de microbiologia estejam disponíveis. Resultados: Aplicamos MFV para representar o processo de trabalho atual da CCIH (MFV atual) então revisado criticamente por uma equipe multidisciplinar, produzindo um MFV ideal com 15,7 horas/mês a menos de trabalho, menos atividades realizadas retrospectivamente e produção automática de indicadores gerenciais. A pesquisa continuou com o desenvolvimento do software com blockchain e IA. Foi usado um blockchain privado (Plataforma Ethereum) para armazenamento dos dados. Cada nó do blockchain tem uma cópia completa do banco de dados, mas tem acesso apenas aos dados do seu respectivo hospital. Os dados de identificação dos pacientes usaram um segundo contrato no blockchain com criptografia para o reforço da segurança e privacidade dos dados. A latência do blockchain foi contornada com um banco de dados SQLite utilizado como buffer até que os próximos blocos sejam registrados. O algoritmo de IA foi criado utilizando todos os dados nos formulários da vigilância epidemiológica, fatores de risco conhecidos para a infecção de interesse e todas as informações dos pacientes disponíveis nos dados coletados pela CCIH. IA foi aplicada usando Redes Neurais Artificiais (RNA) com 10 neurons (ou camadas ocultas) e aprendizado supervisionado, onde o treinamento é guiado pelo feedback recebido. Um algoritmo de retropropagação com topologia de rede feedforward foi utilizado. Conclusão: Um aplicativo para dispositivos móveis utilizando MFV, blockchain e IA foi desenvolvido. Os métodos/tecnologias utilizados se complementam, e o software resultante pode trazer benefícios significativos quando aplicados em uma CCIH. [resumo fornecido pelo autor]pt_BR
dc.description.abstractBackground: The Hospital Infection Control Committee (HICC) is responsible for adequate diagnosis, treatment, and prevention of Healthcare Associated Infections (HAI) in hospitals, and epidemiologic surveillance is its main activity. Epidemiologic surveillance requires collecting and managing a big amount of data, usually through different tools, such as paper forms, electronic sheets, small databases etc. Objectives: Understand the work process and information flow of a HICC to develop an application for mobile devices capable of managing all data collection, storage, access, and Key Performance Indicators (KPI) production in a HICC. Predict patients with enterobacteria producing ESBL infections before culture results are available with the use of Artificial Intelligence (AI). Methods: Value Stream Mapping (VSM) was applied to study information flow in the HICC and to find opportunities for improvement in the work process. We also performed a systematic review to identify the necessary characteristics a healthcare software must have to ensure security and privacy of data collected. The authors used the results of these studies to design the functionalities of the software. Application programming used Java language and the blockchain technology to manage data collection and storage. Standard programing produced the KPI required by the HICC team and hospital directors, and we created an AI algorithm to predict patients with ESBL producing enterobacteria infections before the microbiology cultures results are available. Results: We applied VSM to represent the current work process of the HICC (actual VSM) and then be critically reviewed by an interdisciplinary team, producing an ideal VSM with 15,7 less hours/month, less activities done retrospectively and automated KPI production. The research continued with the development of the software with blockchain and AI. A private blockchain was used (Ethereum platform) for data storage. Each blockchain node has access to the complete database but only to its respective hospital data. The patient identification data used a second blockchain contract with cryptography to reinforce data security and privacy. Blockchain latency was countered with SQLite database used as buffer until the next blocks were registered. The AI algorithm was created using all data from epidemiological surveillance charts, known risk factors for these infections and all other information available in the HICC recorded data. AI was applied using Artificial Neural Networks (ANN) with 10 neurons (or hidden layers) and supervised learning, where the training is guided by receiving feedback. A backpropagation algorithm with a feedforward network topology was used. Conclusion: A mobile device application using VSM, blockchain and AI was developed. The methods/technologies used can be complementary and the resulting software can bring substantial benefits when applied to a HICC. [resumo fornecido pelo autor]en
dc.language.isoenpt_BR
dc.language.isoptpt_BR
dc.subjectInfecção hospitalar - Banco de dadospt_BR
dc.subjectInteligência artificial - Aplicações médicaspt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectSoftware - Desenvolvimentopt_BR
dc.subjectNosocomial infections - Databasesen
dc.subjectArtificial intelligence - Medical applicationsen
dc.subjectMachine learningen
dc.subjectComputer software - Developmenten
dc.titleDesenvolvimento de software de gerenciamento de informações em controle de infecção hospitalarpt_BR
dc.typeTesept_BR
mtd2-br.advisor.instituationUniversidade de Caxias do Sulpt_BR
mtd2-br.advisor.latteshttp://lattes.cnpq.br/0392002744991888pt_BR
mtd2-br.author.lattesLINS, R. S.pt_BR
mtd2-br.program.nameDoutorado em Ciências da Saúdept_BR
mtd2-br.contributor.coorientadorCorso, Leandro Luis
mtd2-br.campusCampus Universitário de Caxias do Sulpt_BR
local.data.embargo2023-04-10


Dateien zu dieser Ressource

Thumbnail
Thumbnail

Das Dokument erscheint in:

Zur Kurzanzeige