Análise espaço-temporal e modelagem preditiva dos fatores associados à disseminação de bactérias multirresistentes no estado de São Paulo
Carregando...
Data
Autores
Orientador
Pugliesi, Edmur Azevedo 
Coorientador
Fortaleza, Carlos Magno Castelo Branco
Pós-graduação
Ciências Cartográficas - FCT
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso restrito
Resumo
Resumo (português)
As infecções relacionadas à assistência à saúde são aquelas adquiridas durante a permanência do paciente em ambiente hospitalar. Nesses locais, pacientes infectados ou colonizados podem contaminar superfícies e equipamentos, facilitando a transmissão bacteriana entre pacientes, profissionais e unidades de saúde. Nesse contexto, o surgimento e a disseminação de resistência ao antibiótico carbapenêmico representam uma crescente ameaça à saúde pública global. Surtos esporádicos ou situações endêmicas envolvendo Acinetobacter spp. e enterobactérias resistentes aos carbapenêmicos têm sido cada vez mais reportados, com registros no Brasil a partir de 2011. Esta tese teve como objetivo principal analisar a disseminação espaço-temporal das infecções por bactérias multirresistentes associadas a fatores socioeconômicos e hospitalares, especificamente Acinetobacter spp. e enterobactérias, no estado de São Paulo, no período entre 2011 e 2019. Para isso, foram aplicadas técnicas de análise espacial e modelagem preditiva com algoritmos de machine learning, destacando a relevância desse estudo frente à ameaça global crescente da resistência antimicrobiana, enfatizada por organismos como a Organização Mundial da Saúde (OMS) e a Agência Nacional de Vigilância Sanitária (ANVISA). Na primeira etapa, de análise espacial, a metodologia envolveu análise descritiva de dados, técnicas de autocorrelação espacial univariada e bivariada e a elipse do desvio padrão. Os resultados obtidos revelaram tendências distintas para os dois grupos bacterianos estudados: enquanto as infecções por Acinetobacter spp. mostraram tendência geral de redução ao longo dos anos analisados, as infecções por enterobactérias aumentaram até 2016, apresentando posteriormente variações. Municípios pertencentes aos DRS da Grande São Paulo, Campinas e Baixada Santista destacaram-se pela presença de aglomerados espaciais positivos com valores elevados, sugerindo que hospitais com maior capacidade de internação, especialmente em unidades de terapia intensiva (UTIs), concentram taxas mais elevadas de infecções por Acinetobacter spp. e enterobactérias. Observa-se, ainda, que regiões com maior fluxo de pacientes estão associadas a uma disseminação mais intensa dessas infecções, sendo a variável paciente-dia um fator relevante, indicando que a alta rotatividade e o fluxo intenso de pacientes potencializam a disseminação bacteriana. Na segunda, voltada à modelagem preditiva, foram empregados os algoritmos de machine learning: Floresta Aleatória, Redes Neurais, XGBoost, LightGBM e CatBoost, em tarefas de regressão e classificação, com implementação em linguagem Python. As análises foram conduzidas separadamente para as unidades hospitalares e para os municípios. No nível municipal, a Floresta Aleatória apresentou o melhor desempenho nos modelos de regressão, com coeficiente de determinação (R²) de 0,953 para predição de infecções por Acinetobacter spp., enquanto o algoritmo Catboost apresentou o melhor desempenho para infecções por enterobatérias com R² de 0,984. As variáveis mais relevantes no modelo de Floresta Aleatória foram o número de leitos hospitalares, o total de pacientes-dia e o número de leitos de UTI. Para predição de infecções por enterobactérias, o CatBoost identificou o número de hospitais como variável mais relevante, seguido por leitos de UTI e leitos hospitalares. Ao considerar as unidades hospitalares, os modelos de regressão apresentaram resultados insatisfatórios obtendo um R² abaixo de 0,452. Já nos modelos de classificação, o algoritmo CatBoost destacou-se no nível municipal com área sob a curva ROC (AUC-ROC) de 0,953 para a predição de infecções por Acinetobacter spp. e de 0,984 para enterobactérias, enquanto os demais algoritmos também apresentaram bom desempenho, todos com AUC-ROC superior a 0,884. As variáveis explicativas mais relevantes nesse contexto foram o número de leitos hospitalares, leitos de UTI, pacientes-dia e quantidade de hospitais. No nível hospitalar, o XGBoost apresentou o melhor desempenho na tarefa de classificação, com AUC-ROC de 0,866 para Acinetobacter spp. e de 0,812 para enterobactérias, sendo o número de leitos hospitalares e o total de pacientes-dia as variáveis de maior importância. Os resultados evidenciam que a disseminação das bactérias resistentes está fortemente relacionada à infraestrutura hospitalar, reforçando que indicadores como paciente-dia, número de leitos hospitalares e leitos de UTI são fundamentais para compreender e predizer a dinâmica epidemiológica das bactérias multirresistentes.
Resumo (inglês)
Healthcare-associated infections are those acquired during a patient's stay in a hospital environment. In such settings, infected or colonized patients may contaminate surfaces and equipment, facilitating bacterial transmission among patients, healthcare workers, and healthcare facilities. In this context, the emergence and spread of resistance to carbapenem antibiotics represent an increasing threat to global public health. Sporadic outbreaks or endemic situations involving Acinetobacter spp. and carbapenem-resistant Enterobacteriaceae have been increasingly reported, with records in Brazil dating back to 2011. The main objective of this thesis was to analyze the spatiotemporal spread of multidrug-resistant bacterial infections associated with socioeconomic and hospital-related factors, specifically Acinetobacter spp. and Enterobacteriaceae, in the state of São Paulo from 2011 to 2019. To this end, spatial analysis techniques and predictive modeling using machine learning algorithms were applied, highlighting the relevance of this study in light of the growing global threat of antimicrobial resistance, as emphasized by organizations such as the World Health Organization (WHO) and the Brazilian Health Regulatory Agency (ANVISA). In the first stage, dedicated to spatial analysis, the methodology included descriptive data analysis, univariate and bivariate spatial autocorrelation techniques, and standard deviation ellipse. The results revealed distinct trends for the two bacterial groups studied: while infections caused by Acinetobacter spp. showed a general downward trend over the analyzed years, Enterobacteriaceae infections increased until 2016, followed by fluctuations. Municipalities belonging to the Regional Health Departments (DRS) of Greater São Paulo, Campinas, and Baixada Santista stood out for the presence of high-value positive spatial clusters, suggesting that hospitals with greater admission capacity, especially in intensive care units (ICUs), concentrate higher infection rates of both Acinetobacter spp. and Enterobacteriaceae. Furthermore, regions with higher patient flow were associated with more intense dissemination of these infections, with the variable “patient-day” emerging as a relevant factor, indicating that high turnover and intensive patient flow potentiate bacterial spread. In the second stage, focused on predictive modeling, the following machine learning algorithms were employed: Random Forest, Neural Networks, XGBoost, LightGBM, and CatBoost, in regression and classification tasks, implemented in Python. Analyses were conducted separately for hospital units and municipalities. At the municipal level, Random Forest showed the best performance in regression models, with a coefficient of determination (R²) of 0.953 for predicting Acinetobacter spp. infections, while the CatBoost algorithm performed best for Enterobacteriaceae, with an R² of 0.984. The most relevant variables in the Random Forest model were the number of hospital beds, total patient-days, and number of ICU beds. For predicting Enterobacteriaceae infections, CatBoost identified the number of hospitals as the most relevant variable, followed by ICU beds and hospital beds. In hospital-level analyses, regression models yielded unsatisfactory results, with R² values below 0.452. However, in classification models, CatBoost stood out at the municipal level, with an area under the ROC curve (AUC-ROC) of 0.953 for Acinetobacter spp. and 0.984 for Enterobacteriaceae, while the other algorithms also performed well, all achieving AUC-ROC values above 0.884. The most relevant explanatory variables in this context were the number of hospital beds, ICU beds, patient-days, and number of hospitals. At the hospital level, XGBoost showed the best classification performance, with an AUC-ROC of 0.866 for Acinetobacter spp. and 0.812 for Enterobacteriaceae, with the number of hospital beds and total patient-days being the most important variables. The results clearly demonstrate that the spread of resistant bacteria is strongly related to hospital infrastructure, reinforcing that indicators such as patient-days, number of hospital beds, and ICU capacity are essential to understand and predict the epidemiological dynamics of multidrug-resistant bacteria.
Descrição
Palavras-chave
Análise espacial, Infecções hospitalares, Acinetobacter spp, Enterobactérias, Machine learning, Spatial analysis, Hospital-acquired infections, Acinetobacter spp, Enterobacteriaceae, Machine learning
Idioma
Português
Citação
FAUSTINO, Renata Cristina. Análise espaço-temporal e modelagem preditiva dos fatores associados à disseminação de bactérias multirresistentes no estado de São Paulo. Orientador: Edmur Azevedo Pugliesi. 2026. 243 f. Tese (Doutorado em Ciências Cartográficas) - Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente, 2025.
