1 INTRODUÇÃO
1.1 CONTEXTUALIZAÇÃO
Ambientes hospitalares, clínicas,
laboratórios e hemocentros, precisam de geladeiras específicas (ou
refrigeradores hospitalares) para o armazenamento de fármacos, vacinas, bolsas
de sangue, dentre outros. Tais equipamentos de refrigeração, são configurados
de forma a manter determinada faixa de temperatura, visto que os produtos
armazenados são sensíveis a mudanças de temperatura além da faixa adequada para
cada tipo de ativo [1].
1.2 DESCRIÇÃO DO PROBLEMA
A má gestão e mau uso dos
refrigeradores hospitalares podem causar o comprometimento de medicamentos,
vacinas, dentre outros produtos ali armazenados. Um exemplo prático dessa
situação, ocorreu em 2017, em Brasília, onde várias doses de imunoglobulina
humana e outros medicamentos foram desperdiçados por terem sido armazenados em
temperatura incorreta [2].
Além desse caso, no Amapá, auditores encontraram embalagens de suco, frutas e
garrafas d'água nos mesmos refrigeradores usados para guardar os remédios [2]. Usar os refrigeradores para guardar
alimentos e bebidas, permite contaminações e colabora para que o refrigerador
seja aberto com maior frequência, dificultando a manutenção da temperatura
apropriada [1]. No caso de vacinas, o monitoramento
de temperatura deve ser feito tanto no transporte quanto no armazenamento, pois
pode gerar invalidade das mesmas. Em julho de 2021, o Distrito Federal recebeu
40,1 mil doses de vacinas congeladas, que ficaram indisponíveis para uso [3].
1.3 OBJETIVO
Este trabalho tem por objetivo fazer
uma análise dos dados obtidos de refrigeradores hospitalares sobre como tem
sido o condicionamento térmico de bolsas de sangue.
1.4 JUSTIFICATIVA
As vacinas e fármacos necessitam que os limites de temperatura
sejam respeitados para manter a qualidade e eficácia [4]. Diante de preços elevados ou
dificuldades na aquisição dos mesmos, a conservação do maior número de unidades
é essencial, para imunizar ou tratar o maior número de pessoas possível, assim
como evitar gastos indesejados e desperdícios.
Pensando nesse desafio, este projeto trará vários benefícios ao
ajudar a identificar problemas e falhas nos equipamentos que armazenam as
vacinas e medicamentos, para que sejam consertados, mantendo os fármacos na
temperatura ideal.
1.5 ESCOPO NEGATIVO
Como limitações, este projeto não trará soluções para a
notificação de eventuais problemas em armazenamentos; não serão desenvolvidos
novos modelos de equipamentos de armazenamento; não serão desenvolvidos modelos
de termômetros; e este projeto não explicará as boas práticas de armazenamento
e transporte de vacinas.
2 FUNDAMENTAÇÃO TEÓRICA
2.1
REFRIGERADORES HOSPITALARES
Os medicamentos termolábeis são sensíveis à variação da
temperatura, e geralmente requerem armazenamento sob refrigeração (entre 2,0ºC
e 8,0ºC), que deve ser realizado em refrigeradores apropriados [1]. As vacinas são produtos
biológicos sensíveis, que podem ser danificados por exposição a temperaturas de
congelamento, ao calor e à luz. Uma vez que a eficácia da vacina é perdida, ela
não pode ser recuperada [4].
Para manter a qualidade da vacina, é essencial haver o
monitoramento da temperatura em toda a cadeia de abastecimento. O monitoramento
eficaz e a manutenção de registros alcançam os seguintes objetivos [4]:
1.Verificação de que as
temperaturas de armazenamento da vacina estão dentro de intervalos aceitáveis
de +2,0°C a +8,0°C em câmaras frigoríficas e geladeiras de vacina; e -25,0°C
a -15,0°C em salas de congelamento e freezers de vacina;
2.Detecção de temperaturas de
armazenamento fora do intervalo de modo que alguma ação corretiva pode ser
tomada;
3.Detecção de temperaturas de
transporte fora do intervalo de modo que ação corretiva pode ser tomada.
Para auxiliar nas orientações com relação ao transporte, manuseio
e armazenamento de medicamentos sensíveis à temperatura, o Ministério da Saúde
emitiu uma resolução, a RDC Nº 304 de 17 de setembro de 2019, que dispõe sobre
as boas práticas de distribuição, armazenagem e de transporte de medicamentos [5]. Mas como a RDC N° 304 era
apenas um manual de boas práticas, e não obrigatório, em 8 de outubro de 2020,
a RDC Nº 430 foi lançada, e dentre outras alterações com relação à anterior,
surge a obrigatoriedade de monitoramento de temperatura, sendo isento apenas em
casos de transporte de até 8 horas de duração [6].
O refrigerador hospitalar deve ser utilizado exclusivamente para o
armazenamento de medicamentos, não sendo permitida a manutenção de qualquer
outro produto, inclusive na porta [2]. A colocação do material na porta o expõe a uma maior variação de
temperatura, enquanto a presença de alimentos permite contaminações e colabora
para que o refrigerador seja aberto com maior frequência, dificultando a
constância da temperatura apropriada.
Atualmente, muitos modelos de termômetros utilizados são
fabricados fora do país, então é necessário verificar se existe uma chave de
alternância de leitura entre Fahrenheit e Celsius, para posicioná-la em graus
Celsius. O termômetro deve ser fixado no lado externo da porta do refrigerador,
sendo introduzido o cabo extensor pelo lado de fixação das dobradiças,
localizando o sensor (ou bulbo) na parte central da segunda prateleira. O bulbo
não deve ser colocado dentro de líquidos ou recipientes, visto que a
recomendação de manter a faixa de temperatura de armazenamento entre 2,0°C e
8,0°C é baseada no ar circulante [1, 4].
Para determinar se as características farmacológicas de um
determinado medicamento foram mantidas, é necessário analisar um parâmetro
conhecido como estabilidade. Para determinar este parâmetro, é necessário avaliar
5 propriedades do produto: química, física, microbiológica, terapêutica e
toxicidade.
Diversos fatores (intrínsecos ou
extrínsecos) podem causar alterações nestas propriedades. Entre os extrínsecos,
está o controle de temperatura inadequado que pode levar a perda total ou
parcial das propriedades do medicamento. Portanto, manter a refrigeração
adequada dos mesmos é de fundamental importância para ter-se uma preservação de
qualidade, evitando quaisquer danos à sua saúde [7].
2.2 DETECÇÃO DE ANOMALIAS
Em conjuntos de dados, existem pontos de dados normais e podem
existir pontos de dados que se destacam como sendo diferentes de todos os
outros pontos de dados. Esses pontos de dados que diferem significativamente de
outros pontos de dados são chamados de outliers ou anomalias [8].
É de extrema importância identificá-los e entender porque esses
pontos de dados podem estar associados a situações fraudulentas. A detecção de
anomalias é o processo responsável por identificar pontos de dados incomuns,
descobrir padrões anteriormente desconhecidos e fornecer informações
importantes para a empresa [9].
Existem diferentes métodos para detectar anomalias:
supervisionados, semi supervisionados e não supervisionados.
Quando os conjuntos
de dados têm um rótulo (por exemplo, normal e outlier), métodos supervisionados
são aplicados. Quando os conjuntos de dados não possuem um rótulo, então, nesse
caso, métodos não supervisionados devem ser aplicados [8].
2.3 TRABALHOS RELACIONADOS
·
Network Anomalies Detection Using
Statistical Technique [10]: A Chi-Square approach: este artigo tem como objetivo construir
um Sistema de Detecção de Anomalias que pode detectar anomalias conhecidas e
desconhecidas automaticamente. Este estudo mostra o plano, a implementação e a
análise destas ameaças através da utilização de uma técnica estatística, de
forma a prevenir estes ataques e construir um sistema de detecção de anomalias
na Rede.
·
Unsupervised Anomaly Detection of Retail
Stores Using Predictive Analysis Library on SAP HANA XS Advanced [11]: Esse artigo discute sobre
como algoritmos de mineração de dados podem ser úteis para detectar anomalias,
diferenciando o normal do anormal. Este estudo adotou o algoritmo de
agrupamento k-Means para detecção de anomalias em uma amostra de 90 lojas em uma
grande rede varejista de alimentos, revelando a existência de alguns outliers
nos dados.
· A Real-time Temperature Anomaly
Detection Method for IoT Data [12]: Um
método de detecção de anomalias de temperatura baseado no limiar dinâmico
adaptativo e no algoritmo Smoothed Z-Score é proposto, para detectar anomalias
em dados de séries temporais de refrigeradores IoT, para melhorar a qualidade e
a eficiência do gerenciamento de temperatura de armazenamento de medicamentos.
Este método leva em consideração a estacionariedade e a periodicidade da série
temporal de temperatura e, assim, desenvolve uma abordagem de detecção mais
precisa.
3 MATERIAIS E MÉTODOS
3.1 STAKEHOLDERS
ENVOLVIDOS
Para esse projeto, serão necessários dois grupos de Stakeholders:
·
Usuários principais: responsáveis pelo monitoramento e uso dos
refrigeradores hospitalares (como por exemplo, farmacêuticos e gerentes de
operação);
·
Usuários intermediários: responsáveis pelo acompanhamento do
monitoramento.
3.2
DESCRIÇÃO DA BASE DE DADOS
A base de dados utilizada neste projeto foi cedida pela empresa
SENFIO, que trabalha com termômetros IoT para monitoramento de temperatura de
refrigeradores hospitalares em clínicas, laboratórios, hemocentros, etc. Esta
base contém medições de temperatura num espaço de tempo, separadamente para
cada refrigerador monitorado.
São armazenadas na base de dados as informações de temperatura,
data e hora de registro da medição. Cada planilha contém a informação de um
intervalo de tempo determinado, de acordo com o modelo do termômetro utilizado.
Podendo ter registros de temperatura a cada 5 minutos ou 30 minutos.
Além das medições habituais, a base de dados também armazena
informações dos alertas gerados quando há uma variação expressiva de
temperatura em um refrigerador, além dos limites pré-estabelecidos. Nessa
situação, são salvas as informações da data e hora da ocorrência, além da
temperatura marcada.
Os dados são armazenados em duas tabelas diferentes: a primeira é
um relatório detalhado enviado a cada período de tempo definido pelo cliente,
enquanto que a segunda é um relatório específico para alertas, onde são
apresentados os dados dos alertas citados anteriormente e o tipo de alerta que
foi enviado naquele instante (e-mail ou SMS).
Para as análises desenvolvidas neste artigo, foi necessário
realizar um pré-processamento dos dados originais, convertendo as duas tabelas
recebidas em apenas uma tabela adequadamente formatada. Nenhum dado foi
alterado ou gerado aleatoriamente, foi feita apenas uma conversão das informações
originais.
Com o pré-processamento (que será descrito com maiores detalhes na
seção 3.4), os dados compreendem as medições de um refrigerador específico,
durante o período de 12/01/2021 até 31/05/2021. A Quadro 1 mostra o
dicionário de dados pré-processados.
Quadro 1- Dicionário de dados
|
ATRIBUTO
|
DOMÍNIO
|
DESCRIÇÃO
|
|
monitored_object
|
Texto
|
identificador do equipamento
|
|
day
|
Numérico
|
int
|
|
month
|
Texto
|
string
|
|
year
|
Numérico
|
int
|
|
weekday
|
Texto
|
string
|
|
hour
|
Numérico
|
int
|
|
minute
|
Numérico
|
int
|
|
value
|
Numérico
|
Temperatura (ºC)
|
|
is_alert
|
Numérico
|
1 = true, 0 = false
|
Fonte: Os autores.
3.3
ANÁLISE DESCRITIVA DOS DADOS
A base de dados utilizada possui medições feitas num intervalo de
cinco minutos, durante cerca de cinco meses. Total são mais de 38.000 medições,
cada uma com respectiva data, hora, temperatura medida e se foi gerado um
alerta no momento.
A partir da base de dados, foi escolhido o atributo nominal hour
e o numérico value para analisar as medições de temperatura
registradas. Com a primeira visão geral sobre toda a base, é possível notar que
as temperaturas variam muito, mas grande parte está contida entre -21,0° e
-19,0°, então as casas decimais dos valores precisam ser mantidas sem
alterações, a fim de não haver perda significativa dos dados.
A Figura 1 mostra um gráfico BoxPlot que relaciona as horas com as
medições de temperatura. É possível observar os vários outliers
presentes principalmente em temperaturas acima de -19,0°C. Além disso, é válido
ressaltar a estreita faixa entre os primeiros e terceiros quartis, indicando
que a grande parte das medições de temperatura obtiveram valores próximos à
mediana.
Figura 1- BoxPlot
Fonte: Os autores.
A Figura 2 representa um histograma contabilizando todos os
alertas registrados em cada hora. A base de dados registra temperaturas uma vez
a cada cinco minutos, então em cada hora é possível haver até 12 registros de
alertas. É possível notar que de madrugada é registrado bem menos alertas, mas
o número sobe rapidamente a partir das 6 horas da manhã.
Na Figura 3 pode ser observado o gráfico de dispersão, onde é
notável que grande parte das medições possui valores próximos a -20,0°C. Além
disso, a quantidade de outliers é grande, mas fazendo a contagem na base
de dados, a grande maioria deles estão em temperaturas inferiores a -19,0°.
Figura 2- Histograma
Fonte: Os autores.
Figura 3- Gráfico de Dispersão
Fonte: Os autores.
A Figura 4 apresenta o gráfico de violino, que mostra basicamente
as mesmas informações que o BoxPlot, mas faz a divisão entre as medições
comuns, e as que geraram um alerta de temperatura. Com isso, é possível notar
que grande parte dos alertas foram de temperaturas próximas do limite, por
volta de -20,0°C.
Figura 4- Gráfico de Violino
Fonte: Os autores.
Após uma análise dos dados através dos gráficos apresentados a
seguir, a primeira conclusão a se observar é que à noite as temperaturas são
mais baixas em relação ao resto do dia. Além disso, caso seja desejado mais
atenção para conter o número de alertas, a melhor opção é observar as primeiras
horas da manhã (entre 6h e 9h).
3.4
PRÉ-PROCESSAMENTO DOS DADOS
Para permitir o melhor uso dos dados, foi desenvolvido um
algoritmo com a finalidade de extrair os dados das duas bases recebidas
originalmente, e organizá-los de forma que facilitasse o uso.
As entradas do algoritmo foram duas planilhas, onde uma dispõe dos
dados referentes aos alertas e a outra os dados referentes a relatórios onde os
equipamentos estavam funcionando perfeitamente, porém ambas não seguiam um
padrão. A saída foi uma nova planilha onde todos os dados estavam juntos e
padronizados. Os passos realizados no pré-processamento foram os seguintes:
1. Conversão das duas bases do formato original (.xls) para um
formato de arquivo que fosse mais fácil de analisar e trabalhar nas ferramentas
utilizadas (.csv);
2. Integração dos dados, retirando
dados redundantes que são resultado da conversão do formato de arquivos;
3. Mesclagem das duas tabelas, formando uma nova base de dados, com a
adição de um atributo is_alert, que indica quando a linha (que é uma
medição de temperatura num dado momento) gerou um alerta.
4. Limpeza dos dados, excluindo
linhas com atributos ausentes, duplicados ou inconsistentes;
5. Como as duas bases originais não possuem as mesmas datas de início
e fim, foi necessário remover dados de uma das tabelas. Caso esta etapa não
fosse feita, a base teria vários dias sem alertas, o que não foi o caso na
realidade;
6. Transformação dos dados, utilizando a
data de cada linha para gerar quatro novos atributos: day, month,
year e weekday. Além disso, o horário foi utilizado para gerar
dois atributos: hour e minute.
7.
Exportação da nova base, no formato .csv.
Com os passos acima realizados, o resultado foi uma base de dados
única e formatada corretamente, com medições realizadas entre 12 de janeiro de
2021 até 31 de maio de 2021. Além disso, a data e hora são separados por
atributos para uma melhor visualização das tendências, e o atributo is_alert
elimina a necessidade de utilizar uma segunda base de dados para a constatação
de quais medições geraram um alerta.
3.5
METODOLOGIA EXPERIMENTAL
Nos experimentos realizados foram implementados diferentes técnicas
de detecção de anomalias, utilizando três métodos de agrupamento: k-means,
DBSCAN e Isolation Forest. Para cada teste, foi realizada uma etapa de
pré-processamento adicional para extrair os atributos que seriam utilizados em
cada algoritmo. Para isso, foi utilizado o LabelEncoder da biblioteca sklearn
do Python para converter valores categóricos em numéricos. Por último
foi feita a normalização dos dados.
Para testar os algoritmos de detecção de anomalias, 30% da base
foi utilizada para testes, e para apresentar os resultados, foram utilizadas as
funções: accuracy_score, confusion_matrix e classification_report
da biblioteca sklearn do Python. Com isso, foi possível analisar
e comparar o desempenho de cada técnica.
4 ANÁLISE E DISCUSSÃO
DOS RESULTADOS
Os resultados dos testes estão apresentados na Tabela 2. A
detecção de anomalias utilizando o DBSCAN obteve o melhor desempenho (76,7% de
acurácia), porém a diferença na performance não é grande, o que pode indicar
que uma análise mais detalhada dos parâmetros dos testes pode influenciar na
busca por melhores soluções.
Tabela 2 - Comparação entre técnicas
|
Método
|
Acurácia
|
|
K-means
|
74,6%
|
|
DBSCAN
|
76,7%
|
|
Isolation
Forest
|
68,0%
|
Fonte: Os autores.
Levando em consideração a acurácia encontrada, o método utilizado
para o agrupamento do algoritmo de detecção de anomalias foi o DBSCAN.
O algoritmo encontrou um total de 946 anomalias na base que possui
cerca de 38 mil medições de temperatura. Com diferentes parâmetros é possível
aumentar o número de anomalias, para reconhecer mais medições que geraram
alertas, mas como a própria base de dados possui essa informação facilmente
acessível, foi decidido que as anomalias seriam medições com temperaturas mais
críticas (como grandes variações).
A Figura 5 faz uma comparação entre as medições existentes na base
de dados, com as anomalias que foram detectadas. É possível perceber que o
algoritmo detectou principalmente medições com temperaturas mais altas que o
comum, indicando que é útil para encontrar a maioria das anomalias na base de
dados.
O algoritmo de detecção de anomalias gera uma base de dados
somente com as medições que foram reconhecidas como anomalias. Com isso, é
possível realizar várias análises em busca de informações úteis sobre medições
que geraram alertas de temperatura, como mostra a Figura 6.
Figura 5 - Comparação entre a base de dados e as anomalias detectadas
Fonte: Os autores.
A Figura 6 mostra o número de anomalias encontradas, divididas por
hora. A primeira conclusão que se pode obter é que às 7h da manhã, existe algum
evento que altera bruscamente a temperatura do refrigerador. Como nas horas
subsequentes o número de alertas diminui expressivamente, este evento não deve
ser duradouro. Também é possível notar que os horários de madrugada possuem um
número de anomalias relativamente baixo.
Figura 6 - Histograma do número de anomalias por hora
Fonte: Os autores.
Durante o dia, de acordo com a Figura 6, o número de anomalias
possui picos perto das 12h e 19h. Levando essas análises em consideração, é
possível concluir que a presença de pessoas no local pode influenciar no número
de alertas (e consequentemente, anomalias) na base de dados, pois 7h e 19h são
horários comuns para o início e fim do expediente de trabalho, além de que 12h é
o início do horário de almoço de boa parte das pessoas.
5 CONCLUSÕES E
TRABALHOS FUTUROS
Quando se trata da preservação de vacinas e fármacos, é necessário
a atenção à temperatura do refrigerador para que o produto seja bem preservado
e não sofra alterações em sua composição que possam danificá-lo. Pensando
nisso, a detecção de anomalias com o algoritmo DBSCAN analisar situações onde a
temperatura do refrigerador está acima do adequado, para que os resultados da
análise possam ser utilizados no futuro como base para trabalhos de previsão de
alertas, por exemplo.
Com a análise realizada, foi possível perceber diversas relações
entre os valores de temperatura, quantidade de alertas e os horários que eles
aconteceram. Observou-se que a maior parte das anomalias encontradas
aconteceram entre às 6:00 e às 8:00 horas da manhã, coincidindo com o horário
de troca de turnos entre funcionários.
Os resultados encontrados neste trabalho abrem portas para
previsões de alertas, onde é possível prever em uma semana, por exemplo, um
número de alertas. Com isso pode haver uma otimização do tempo para prevenir ou
minimizar os danos causados.
Além disso, trabalhar com uma base de dados com dados de anos
diferentes, seria interessante para analisar o comportamento do algoritmo ao
receber essas informações, pois podem existir diversas relações que não foram
possíveis de extrair com a base de dados atual. Além de ajudar em uma previsão
melhor, pode ser possível identificar sazonalidades que podem trazer resultados
ainda melhores.
REFERÊNCIAS
[1] RAPKIEWICZ, Jackson C.;
GROBE, Rafaela. Cuidados no Armazenamento de Medicamentos sob
Refrigeração. Disponível em:
https://www.crf-pr.org.br/uploads/revista/24141/cim_crf_pr_2_2014_web.pdf.
Acesso em: 7 jul. 2021.
[2] BBC News Brasil. SUS
joga fora R$ 16 milhões em medicamentos de alto custo. Disponível em:
https://www.bbc.com/portuguese/brasil-41007650. Acesso em: 30 ago. 2021.
[3] G1 Distrito Federal. Vacina
contra Covid-19: DF recebe 40,1 mil doses da Janssen congeladas e
'indisponíveis para uso', diz Secretaria de Saúde. Disponível em:
https://g1.globo.com/df/distrito-federal/noticia/2021/07/03/covid-19-df-recebe-401-mil-doses-da-janssen-congeladas-e-indisponiveis-para-uso.ghtml.
Acesso em: 30 ago. 2021.
[4] World Health
Organization. HOW TO MONITOR TEMPERATURES IN THE VACCINE SUPPLY CHAIN. Disponível em: https://apps.who.int/iris/bitstream/handle/10665/183583/WHO_IVB_15.04_eng.pdf. Acesso em: 26 ago. 2021.
[5] Ministério da Saúde. RDC
Nº 304, DE 17 DE SETEMBRO DE 2019 - Dispõe sobre as Boas Práticas de
Distribuição, Armazenagem e de Transporte de Medicamentos. Disponível em:
https://www.in.gov.br/en/web/dou/-/resolucao-rdc-n-304-de-17-de-setembro-de-2019-216803526.
Acesso em: 26 ago. 2021.
[6] Ministério da Saúde.
RDC Nº 430, DE 8 DE OUTUBRO DE 2020 - Dispõe sobre as Boas Práticas de
Distribuição, Armazenagem e de Transporte de Medicamentos. Disponível em:
https://www.in.gov.br/en/web/dou/-/resolucao-de-diretoria-colegiada-rdc-n-430-de-8-de-outubro-de-2020-282070593.
Acesso em: 15 Set. 2021.
[7] FRIGOCENTER. A
Importância da Refrigeração para a Indústria Farmacêutica. Disponível em:
https://frigocenter.com.br/blog/2019/01/29/importancia-da-refrigeracao-para-industria-farmaceutica.
Acesso em: 7 jul. 2021.
[8] Chen
J., Sathe S., Aggarwal C., Turaga D.Outlier
Detection with Autoencoder Ensembles. Disponível em:
https://doi.org/10.1137/1.9781611974973.1. Acesso em: 26 ago. 2021.
[9] Fan C, Xiao
F, Zhao Y, Wang J. Analytical investigation of autoencoder-based methods for
unsupervised anomaly detection in building energy data. Disponível em: https://doi.org/10.1016/j.apenergy.2017.12.005.
Acesso em: 26 ago. 2021.
[10] Rastogi,
Rahul; Khan, Zubair; Khan, M H. Network Anomalies Detection Using
Statistical Technique : A Chi- Square approach. Disponível em: https://www.proquest.com/docview/1035138243. Acesso
em: 7 jul. 2021.
[11] OLIVEIRA, João Pedro; SOUSA, Rui Dinis. Unsupervised Anomaly Detection of Retail Stores Using Predictive
Analysis Library on SAP HANA XS Advanced. Disponível em:
https://www.sciencedirect.com/science/article/pii/S1877050921002866. Acesso em: 7 jul. 2021.
[12] Liu, W., Jiang, H., Che,
D., Chen, L. e Jiang, Q. A Real-time Temperature Anomaly Detection Method
for IoT Data. Disponível
em: https:https://www.scitepress.org/Papers/2020/94100/94100.pdf. Acesso em: 26
ago. 2021.