Redes neurais baseadas em grafos espaçotemporais para a previsão de agentes infecciosos em ambientes hospitalares

O aumento da resistência bacteriana é um problema endêmico em ambientes hospitalares, afetando principalmente pacientes imunossuprimidos, e que tem se intensificado nas últimas décadas. Durante a pandemia da COVID-19, esse fenômeno foi agravado, ao mesmo tempo em que surgiram novos modelos de previsão de epidemias baseados em redes neurais artificiais. Em termos gerais, tais modelos apresentam desempenho superior aos métodos estatísticos tradicionais, e sua aplicação em ambientes fechados e monitorados, como hospitais, pode contribuir para o controle de agentes infecciosos. Dentre essas abordagens, as redes neurais baseadas em grafos têm ganhado destaque por sua capacidade de representar dinâmicas complexas do mundo real. Nesse contexto, este trabalho investiga modelos de aprendizado profundo sobre grafos dinâmicos discretos para a previsão e o monitoramento da presença de espécies bacterianas em enfermarias de um hospital do Rio de Janeiro. As contribuições deste trabalho são: (i) formular a vigilância intra-hospitalar de espécies bacterianas como uma tarefa de previsão espaço-temporal multirrótulo em nível de enfermaria, sobre uma sequência de grafos construída a partir de dados rotineiros de microbiologia, ocupação e transferências de pacientes; (ii) comparar uma linha de base por média histórica com arquiteturas espaciais, temporais e espaço-temporais baseadas em GraphSAGE, GRU, atenção temporal e GAT, considerando diferentes horizontes de previsão, definições de vizinhança e representações de atributos clínico-microbiológicos; e (iii) analisar o impacto de inconsistências nas movimentações de pacientes sobre a coerência da sequência temporal e o desempenho preditivo. Os resultados indicam que a dinâmica temporal das enfermarias é o principal sinal preditivo, com melhor desempenho obtido pelo modelo GRU nos horizontes de três, sete e quinze dias. A estrutura espacial do hospital e os atributos microbiológicos enriquecidos contribuem de forma complementar, mas os modelos baseados em grafos não superaram a arquitetura temporal pura nas configurações avaliadas.

Resumo (inglês)

The increase in bacterial resistance is an endemic problem in hospital settings, primarily affecting immunocompromised patients, and has intensified over the past decades. During the COVID-19 pandemic, this phenomenon was further aggravated, while new epidemic forecasting models based on artificial neural networks were developed. In general, such models achieve better performance than traditional statistical approaches, and their application in closed and monitored environments, such as hospitals, may support the control of infectious agents. Among these approaches, graph-based neural networks have gained prominence due to their ability to represent complex real-world dynamics. In this context, this work investigates deep learning models over discrete dynamic graphs for forecasting and monitoring the presence of bacterial species across wards in a hospital in Rio de Janeiro. The contributions of this work are: (i) we formulate intra-hospital bacterial surveillance as a ward-level spatiotemporal multilabel forecasting task over a sequence of graphs constructed from routinely collected microbiology, occupancy, and patient transfer data; (ii) we compare a historical-mean baseline with spatial, temporal, and spatiotemporal architectures based on GraphSAGE, GRU, temporal attention, and GAT, considering different forecasting horizons, neighborhood definitions, and clinical-microbiological attribute representations; and (iii) we analyze the impact of inconsistencies in patient movement records on the coherence of the temporal sequence and on predictive performance. The results indicate that ward-level temporal dynamics are the dominant predictive signal, with the GRU model achieving the best performance for three-, seven-, and fifteen-day horizons. The hospital spatial structure and enriched microbiological attributes provide complementary information, but graph-based models did not outperform the purely temporal architecture in the evaluated configurations.