Identificação de bactérias comuns em feridas infectadas
(Staphylococcus aureus e Pseudomonas aeruginosa) através de um nariz
eletrônico e modelos de Inteligência Artificial
Bactérias. Feridas. Nariz Eletrônico. Aprendizado de
Máquina.
As infecções em feridas são umas das complicações mais comuns que atrasam a
sua cicatrização. As principais bactérias que causam esta infecção são
Staphylococcus aureus e Pseudomonas aeruginosa, elevando a morbidade e
mortalidade dos pacientes. Os principais métodos atuais para auxiliar no
diagnóstico de infecções em feridas causadas por estas bactérias são a
cultura e o método molecular, que possuem elevado período para
identificação das espécies e elevado custo financeiro, respectivamente.
Neste sentido, um excelente recurso tecnológico em informática é o nariz
eletrônico, uma técnica de amostragem não invasiva, indolor e barata, com
elevada taxa de precisão. Na literatura científica são abordados poucos
estudos acerca do uso do nariz eletrônico no campo de feridas infectadas
por bactérias, desta forma, este estudo justifica-se por apresentar uma
nova metodologia que torne a identificação de bactérias de forma mais
precisa e rápida, podendo ser um recurso que auxiliará profissionais de
saúde em um breve futuro. Neste sentido, este estudo objetivou identificar
bactérias comuns em feridas infectadas (Staphylococcus aureus e Pseudomonas
aeruginosa) através de um nariz eletrônico e modelos de Inteligência
Artificial. A metodologia deste estudo experimental utilizou um nariz
eletrônico com controle automático e quatro culturas bacterianas, sendo
duas da espécie Staphylococcus aureus e duas culturas da espécie
Pseudomonas aeruginosa foram utilizadas no experimento. Após o processo de
coleta das amostras no nariz eletrônico, foi desenvolvido um banco de dados
composto por 4249 amostras, onde 2719 foram utilizadas para o treinamento
dos modelos (60%), 850 para validação (20%) e 680 para testes dos modelos
de Inteligência Artificial utilizados (20%). Quatro algoritmos de
classificação supervisionados com base em séries temporais foram utilizados
no processamento de dados. Após os experimentos envolvendo os modelos de
Inteligência Artificial, verificou-se que no conjunto de teste (os modelos
são colocados em contato com amostras desconhecidas), o classificador
InceptionTime obteve o melhor desempenho para a identificação das bactérias
Staphylococcus aureus e Pseudomonas aeruginosa, com uma acurácia de 99,50%
(desvio padrão: 0,00074) e uma precisão de 99,51%. O desempenho médio dos
modelos no conjunto de teste apresentou resultados satisfatórios, com uma
acurácia de 97,70% e uma precisão de 97,73%. Constatou-se que a metodologia
proposta utilizando um nariz eletrônico e modelos de aprendizado de máquina
baseado em séries temporais pode ajudar a identificar espécies bacterianas
presentes em feridas infectadas de forma mais precisa, rápida e eficiente
do que os métodos de identificação existentes.