Utilização de dispositivos IoT vestíveis em um ambiente de fog cloud para identificação de Covid-19
Com a pandemia de Covid-19, a população mundial enfrenta um novo desafio e diversos estudos estão sendo realizados com o objetivo de descobrir formas de reduzir o contágio. Este artigo apresenta um esforço de simulação, baseado na mudança de hábitos e na monitoração, com o uso de dispositivos IoT vestíveis.
Thiago G. Thomé, Victor Ströele e Mario A. R. Dantas, departamento de ciência da computação, da UFJF – Universidade Federal de Juiz de Fora
Com a pandemia de Covid-19, a população mundial enfrenta um novo desafio e diversos estudos estão sendo realizados com objetivos de descobrir formas de reduzir o contágio [WHO, 2020]. Este artigo apresenta um esforço de simulação, baseado na mudança de hábitos e na monitoração, com o uso de dispositivos IoT – Internet das coisas vestíveis. O objetivo é para a prevenção e identificação de casos de contágio em um ambiente onde o distanciamento social é difícil. Importante, também, observar a impossibilidade de se efetuar testes de contaminação de maneira contínua. Desta forma, o esforço deste artigo é uma ferramenta essencial, onde os testes de contaminação foram realizados e a monitoração vai auxiliar na indicação de contaminações em diversos cenários.
Sendo cada vez mais frequentes no uso diário da população, os dispositivos wearables, também denominados como IoT vestíveis, podem fornecer dados essenciais para o monitoramento da saúde do seu usuário (Amaral e Dantas 2018). Parâmetros como frequência cardíaca, pressão arterial, nível de oxigenação e temperatura podem fornecer indicativos básicos de uma possível contaminação com Coronavírus. De forma complementar, por exemplo, o uso destes dispositivos em AAL – Ambientes Domiciliares Assistidos, que tem por conceito garantir qualidade de vida e independência para pessoas que precisam ser assistidas, podem prover perspectivas diferenciadas de usabilidade e acessibilidade. Assim, uma grande quantidade de dados pode ser coletada para ser interpretada e prover indicação de possíveis contaminações.
Os ambientes de clouds na computação são usualmente considerados como servidores dispersos ao redor do mundo, permitindo a execução de aplicações e serviços, além da armazenagem e acesso aos arquivos. Com uma grande quantidade de informações sendo coletada, todo o processo de filtragem, limpeza e aprendizagem pode representar um atraso na execucação e um aumento dos custos, caso seja completamente efetuado pelas clouds.
Como uma solução tecnológica moderna, o conceito fog/cloud propõe o uso de dispositivos edge (de borda), que podem ser smartphones, computadores e servidores locais de uma determinada região. A razão é evitar o desnecessário processamento nas clouds e uma primeira execução dos serviços dos dados nas fogs antes de enviá-los para as clouds.
Como a obtenção de bases de dados da saúde é usualmente complexo (Mendonça e Dantas, 2020), pois os dados são dos próprios usuários e que os mesmos comumente não os disponibilizam de forma pública, utilizamos neste trabalho o simulador Siafu (NEC-1, 2020). Este simulador é caracterizado por ser de contexto, permitindo o controle de características dos locais e comportamentos dos agentes, além da criação e transferência dos dados gerados.
Proposta
Com o intuito de criar uma solução, neste artigo foi especificado um modelo que engloba desde os hábitos dos agentes dos ambientes simulados até o sistema computacional. Este responsável por realizar as predições em healthcare, como representado na figura abaixo.
No modelo, os agentes da simulação são pessoas que necessitam de acompanhamento e utilizam wearables em um ambiente domiciliar assistido. As fogs são dispositivos que representam uma determinada região e que executam processos computacionais. A cloud é responsável por receber dados processados das diversas fogs e efetuar rotinas de aprendizagem. O sistema é caracterizado como uma aplicação web onde predições, gráficos e relatórios podem ser acessados. Os stakeholders são usuários do sistema que desejam consumir as informações geradas, podem ser parentes ou profissionais da saúde responsáveis pelos pacientes.
Para a avaliação preliminar da proposta, somente a simulação e a criação das informações de saúde dos agentes coletadas pelos wearables foram implementadas. No ambiente simulado o distanciamento social é difícil e é representado neste modelo por um lar de idosos com 18 agentes. O ambiente possui seis dormitórios, dois banheiros, uma sala de convivência e um refeitório. É relevante observar que o ambiente simulado, também, poderia ser uma academia, bar, hotel, hospital ou restaurante. O ambiente de simulação é ilustrado na figura abaixo.
Obtenção dos dados
Como mencionado anteriormente, os dados coletados são oriundos das simulações realizadas no simulador Siafu. Para expressar fidelidade ao modelo, cada agente apresenta características personalizadas, desde horários para acordar, realizar refeições, dormir e até comportamentos diferentes sobre medidas preventivas antes e depois da descoberta do primeiro caso no ambiente.
Com o início inesperado da pandemia, diversos estudos foram iniciados e com diferentes formas de combates sendo adotadas em cada país, alguns números como porcentagem de assintomáticos apresentam divergências. Neste artigo foram realizadas compilações de estudos recentes e reconhecidos como conceituados.
Dentre as principais taxas adotadas, está a taxa de assintomáticos em 30% da população. Em relação à proteção, foi considerada uma chance de redução de risco do contágio em 95% quando há a utilização de máscaras PFF2, 67% em outras máscaras e 78% para protetores de olhos. Quanto ao distanciamento social, quando há um distanciamento de um metro a redução dos riscos de contaminação é de 82% e o mesmo cai pela metade para cada metro adicional.
Quatro ambientes foram preparados para demonstrar como a eficácia de métodos de prevenção e a mudança de comportamento dos agentes influencia na contaminação de um ambiente onde o distanciamento social é difícil, e estes ambientes estão descritos na tabela abaixo.
Hábitos e ambientes simulados
| Hábitos | Ambiente simulado 1 e 3 | Ambiente simulado 2 e 4 | ||
|
Hábitos antes da divulgação do primeiro caso no ambiente |
Hábitos depois da divulgação do primeiro caso no ambiente | Hábitos antes da divulgação do primeiro caso no ambiente | Hábitos depois da divulgação do primeiro caso no ambiente | |
| Uso de máscara PFF2/N95 (%) |
0 |
100 | 90 | 100 |
| Uso de outras máscaras (%) | 50 | 0 | 10 | 0 |
| Uso de protetor de olhos (%) | 0 | 90 | 50 | 90 |
| Aumento médio da distância (m) | 0 | 1,5 | 1,0 | 1,5 |
Mais uma caraterística que diferencia os ambientes simulados é o isolamento dos agentes quando os sintomas são iniciados e identificados. Para isso, os ambientes 1 e 2 afastam os pacientes identificados dos demais, evitando a contaminação a partir de casos conhecidos. Em contrapartida, tais características não ocorrem nos ambientes 3 e 4, que por não ser executado o isolamento destes pacientes, permitem a chance de contágio por agentes com a doença identificada.
Ambiente e resultados experimentais
Em cada simulação, foram efetuadas 50 execuções, no computador SX-Aurora TSUBASA da NEC [NEC-2, 2020]. Alguns pontos de interesse do estudo, como a porcentagem de agentes contaminados antes e após a identificação do primeiro caso estão descritos na tabela abaixo.
Situações e contaminações
| Situação | Agentes contaminados | |||
| Ambiente simulado 1 | Ambiente simulado 2 | Ambiente simulado 3 | Ambiente simulado 4 | |
| Contaminados até a identificação do 1ª caso (%) | 65,22 | 11,44 | 61,56 | 11 |
| Contaminados após a identificação do 1º caso (%) | 2,67 | 0,67 | 15,44 | 14,89 |
| Contaminados até o final da simulação (%) | 67,89 | 12,11 | 77 | 25,89 |
Com os dados coletados, é possível identificar que aproximadamente 67,89% dos agentes do ambiente simulado 1 foram contaminados até o final das simulações, sendo somente 2,67% após a identificação do primeiro caso. Já no ambiente simulado 2, somente 12,11% dos agentes foram contaminados, sendo 0,67% após a descoberta a doença no ambiente.
Para o ambiente 3, 15,44% dos agentes foram contaminados após a identificação da doença, com o total de 77% no final da simulação. Por fim, o ambiente 4 apresentou taxas de contaminação de 14,89% após a descoberta do primeiro caso e 25,89% ao total.
Por outro ponto de vista, na figura abaixo é possível analisar a concentração de agentes contaminados concomitantemente ao decorrer dos dias após o primeiro agente ser contaminado.
Com os dados coletados, é possível identificar que aproximadamente 67,89% dos agentes do ambiente simulado 1 foram contaminados até o final das simulações, sendo somente 2,67% após a identificação do primeiro caso. Já no ambiente simulado 2, somente 12,11% dos agentes foram contaminados, sendo 0,67% após a descoberta a doença no ambiente.
Para o ambiente 3, 15,44% dos agentes foram contaminados após a identificação da doença, com o total de 77% no final da simulação. Por fim, o ambiente 4 apresentou taxas de contaminação de 14,89% após a descoberta do primeiro caso e 25,89% ao total.
Por outro ponto de vista, na figura abaixo é possível analisar a concentração de agentes contaminados concomitantemente ao decorrer dos dias após o primeiro agente ser contaminado.
Conclusões
Com os resultados obtidos neste trabalho é possível inferir que a abordagem pode ser um elemento tecnológico diferencial no presente combate a contaminação por Covid-19. Interessante de se observar que o elemento fog-cloud, como uma infraestrutura computacional. Podendo representar uma solução com um grande potencial na captação, armazenamento, limpeza dos dados e o processamento efetivo nas bordas (edge). Subsequentemente enviando estes dados para as configurações de cloud.
