Diagnosis of patients with blood cell count for COVID-19: An explainable artificial intelligence approach / Diagnóstico de pacientes com hemograma para COVID-19: Uma abordagem com inteligência artificial explicável / Diagnóstico de pacientes con hemograma para COVID-19: un enfoque explicable de inteligencia artificial

Objective: Present an explainable artificial intelligence (AI) approach for COVID-19 diagnosis with blood cell count. Methods: Five AI algorithms were evaluated: Logistic Regression, Random Forest, Support Vector Machine, Gradient Boosting and eXtreme Gradient Boosting. A Bayesian optimization with 5-Fold cross-validation was used to hyper-parameters tuning. The model selection evaluated three results: cross validation performance, test set prediction performance and a backtest: performance on identifying patients negative for COVID-19, but positive for others respiratory pathologies. Shapley Additive explanations (SHAP) was used to explain the chosen model. Results: A Random Forest model was obtained with 77.7% F1-Score (IC95%:57.1;92.3), 85.9% AUC (IC95%:73.7;95.9), 74.4% Sensitivity (IC95%:50.0;92.1) and 97.5% Specificity (IC95%:93.6;100.0). The main features were leukocytes, platelets and eosinophils. Conclusion: The research highlights the importance of model interpretability, demonstrating blood cell count as a possibility for COVID-19 diagnosis. The methodological structure developed, using TRIPOD's guidelines, can be extrapolated to other pathologies.

Objetivo: Propor uma abordagem com inteligência artificial explicável para diagnóstico de COVID-19 com hemograma. Métodos: Cinco algoritmos de IA foram testados: Regressão Logística, Florestas Aleatórias, Máquina de Vetores de Suporte, Gradient Boosting e eXtreme Gradient Boosting. Os hiper-parâmetros foram definidos através da otimização bayesiana com validação cruzada 5-Fold. A seleção de modelo utilizou três resultados de desempenho para definir o melhor modelo: validação cruzada, conjunto de teste e rendimento na identificação de pacientes negativos para COVID-19, porém positivos para outras patologias respiratórias (backtest). Ao final, Shapley Additive explanations (SHAP) foi utilizado para explicar o modelo escolhido. Resultados: Obteve-se um modelo Random Forest com F1-Score de 77.7% (IC95%:57.1;92.3), AUC de 85.9% (IC95%:73.7;95.9), Sensibilidade de 74.4% (IC95%:50.0;92.1) e Especificidade de 97.5% (IC95%:93.6;100.0). As principais variáveis foram leucócitos, plaquetas e eosinófilos. Conclusão: A pesquisa destaca a importância da interpretabilidade do modelo, demonstrando o hemograma como uma possibilidade para diagnosticar COVID-19. A estrutura metodológica desenvolvida no estudo, utilizando as diretrizes do TRIPOD, pode ser extrapolada para detecção de outras patologias.

Objetivo: Proponer un enfoque explicable de inteligencia artificial (IA) para el diagnóstico de COVID-19 con el uso de hemograma. Métodos: Cinco modelos de IA fueron evaluados: Logistic Regression, Random Forest, Support Vector Machine, Gradient Boosting e eXtreme Gradient Boosting. Los hiper-parámetros fueron definidos a través de optimización bayesiana con validación cruzada 5-Folds. La selección del modelo se utilizó tres resultados: rendimiento del validación cruzada, rendimento en conjunto de pruebas y el análisis de desempeño en identificación de pacientes negativos para COVID-19, pero positivos para otras patologías respiratorias (backtest). Shapley Additive explanations (SHAP) fue utilizado para explicar el modelo elegido. Resultados: Se obtuvo un modelo Random Forest con F1-Score de 77.7% (IC95%:57.1;92.3), AUC de 85.9% (IC95%:73.7;95.9), Sensibilidad de 74.4% (IC95%:50.0;92.1) y Especificidad de 97.5% (IC95%:93.6;100.0). Las principales variables fueron leucocitos, plaquetas y eosinófilos. Conclusión: La investigación presenta la importancia de la interpretabilidad del modelo, demostrando el uso de hemograma como posibilidad para diagnosticar COVID-19. La estructura elaborada, siguiendo las directrices de TRIPOD, puede ser extrapolar para otras patologías.

Metodologia TECLIM para uso racional de água na indústria: o banco de ideias no contexto da metodologia front-end loading / TECLIM method for rational water use in industry: the bank of ideas in the context of the front-end loading methodology

RESUMO O banco de ideias (BI) é uma ferramenta da metodologia TECLIM para otimização ambiental de processos industriais. Está conceitualmente associado com a metodologia front-end loading (FEL), a qual considera que forte atenção nas etapas iniciais de identificação e seleção de alternativas aumenta as chances de sucesso de um projeto, evitando que recursos sejam desperdiçados ou mal alocados. O BI abrange a etapa FEL 1, na qual é feito o levantamento de ideias, e segue até parte da etapa FEL 2, na qual as oportunidades selecionadas são desenvolvidas a projetos conceituais. O método para priorização de oportunidades no BI é apresentado demonstrando-se a sinergia com a FEL. A aplicação do BI permitiu o cadastro e processamento de 500 ideias com potencial de redução do consumo de água em 1,4 x 103 t.h-1 e de efluentes em pelo menos 0,5 x 103 t.h-1. O BI direciona recursos para projetos conceituais mais atrativos e sustentáveis.

ABSTRACT The bank of ideas (BI) is a TECLIM tool for environmental optimization of industrial processes. It is conceptually associated with the front-end loading (FEL) methodology, which pays particular attention to the initial stage of identification and selection of alternatives of water use, increasing the chances of a project´s success, avoiding wasted or badly allocated resources. The BI covers FEL 1 stage, in which the ideas are invited, followed by stage FEL 2, in which the opportunities selected are developed into conceptual projects. The method of giving priorities to the opportunities in the BI is presented, showing the synergy with FEL. The application of the BI enabled the register and process of 500 ideas with the potential to reduce water consumption by 1.4 x 103 t.h-1 and effluents by at least 0.5 x 103 t.h-1. The BI tool helps to identify the most attractive and sustainable conceptual projects.

Utilização de coalescedor com leito de resinas de trocas catiônicas para pré-tratamento de óleo emulsionado em efluentes líquidos / Use of coalescer with a bed made of cationic exchange resins for pre-treatment of emulsified oil from oily wastewater

O tratamento de efluentes com coalescedor de leito consiste em induzir o aumento das gotas de óleo, pela passagem da emulsão por um leito poroso, para que elas possam, posteriormente, flotar por processo de separação gravitacional. O objetivo deste artigo foi apresentar considerações técnicas e experimentais sobre o uso do coalescedor de leito granular, com leito constituído por resinas de trocas catiônicas, visando o pré-tratamento de óleo emulsionado em efluentes líquidos. Os testes ocorreram em uma unidade em escala de bancada alimentada com emulsão óleo em água (O/A) com um teor de óleos e graxas (TOG) entre 200 e 400 mg.L-1 e diâmetro de gotas entre 3 a 8 μm. As velocidades do fluido (v) testadas foram entre 4,4 e 17,4 m.h-1. A altura do leito do coalescedor foi fixada em 5 cm. Os parâmetros usados para avaliar a eficiência dos testes foram eficiência de remoção de óleo (%E), pressão diferencial através do leito (Δp) e permeabilidade do leito (ko). Os resultados mostraram que o processo operou em estado estacionário e que os valores de TOG testados influenciaram no processo, bem como as velocidades do fluido, cuja elevação reduziu a eficiência significativamente. Os valores aproximados de %E obtidos foram 50 e 20-30%, para valores de v de 4,4 e 17,4 m.h-1, respectivamente.

The wastewater treatment with a bed coalescer consists of inducing the increase of oil droplets by passing the emulsion through a porous bed, so they can flote by gravitational separation process. The objective of this paper is to present technical and experimental considerations on the use of a granular bed coalescer, with a bed made of cationic exchange resins, for pre-treatment of emulsified oil from oily wastewater. Tests were conducted on a bench scale unit, which was fed with oil in water emulsion with oil and grease concentration (O & G) between 200 and 400 mg.L-1 and oil droplet diameter between 3 and 8 μm. The fluid velocities (v) tested were between 4.4 and 17.4 m.h-1. The coalescer bed height was fixed at 5 cm. The parameters used for assessing the tests efficiency were oil removal efficiency percentage (%E), differential pressure across the bed and, bed permeability. Results showed that the process operates in a steady-state condition and that the influent O&G affected the process efficiency, as well as the fluid velocities which reduced the efficiency significantly, with its increasing. The %E values obtained ​​were between 50 and 20-30% to v between 4.4 and 17.4 m.h-1, respectively.

Tratamento de água produzida de petróleo para remoção de óleo por processos de separação por membranas: revisão / Produced water treatment for oil removal by membrane separation process: review

O gerenciamento da água produzida (AP) de petróleo se constitui em um enorme desafio para as empresas petrolíferas. As alternativas usualmente adotadas para o seu destino são o descarte, injeção e o reúso. Em todos os casos é necessário tratamento da AP, a fim de evitar danos ao meio ambiente e às instalações de produção ou a fim de permitir o seu reúso sem causar prejuízos aos processos nos quais a AP será utilizada. Os processos de separação por membranas (PSM) têm se mostrado capazes de tratar efluentes que apresentam elevados teores de óleo em emulsão e de partículas com tamanhos médios e pequenos, competindo, assim, com tecnologias de tratamento mais complexas, tais como flotação. O objetivo deste artigo foi apresentar uma revisão sobre o tratamento de AP utilizando os PSM discutindo os principais aspectos da AP e os aspectos conceituais dos PSM, com ênfase para sua aplicação para remoção de óleo da AP.

The management of oil produced water (PW) constitutes a major challenge to oil companies. The options usually adopted for PW are disposal, injection and reuse. In all cases, a PW treatment is required in order to avoid damages to the environment and to production facilities or to allow its reuse without causing damage to processes in which the PW is used. The membrane separation processes (MSP) has been shown to be capable of treating effluent with high content of emulsified oil and with medium and small sizes particle, competing well with more complex treatment technologies such as flotation. The aim of this paper was to present a review of the PW treatment by MSP, discussing the main aspects of the PW and the conceptual aspects of the MSP, with emphasis on their application for removal of oil from the PW.

Redes neurais artificiais aplicadas ao processo de coagulação / Artificial neural networks applied to the coagulation process

A coagulação é uma etapa de tratamento da água, e para tal são realizados ensaios de teste de jarro que permitem determinar a dose necessária dos agentes coagulante e químico de ajuste de pH no processo de coagulação. Contudo, esses ensaios demoram a ser executados, não respondendo em tempo real às mudanças da qualidade da água bruta. Para superar tal limitação, redes neurais artificiais multicamadas foram construídas (e seus pesos sinápticos ajustados), validadas e testadas para predizer a dosagem do hidróxido de sódio e do sulfato de alumínio - utilizados como agentes químico de ajuste de pH e coagulante, respectivamente. Os resultados dos modelos obtidos são compatíveis com os dados experimentais tendo em vista que as incertezas das estimativas estão na mesma ordem de grandeza das faixas indicadas pelos ensaios realizados de testes de jarro ao longo de quase seis anos.

Coagulation is a stage in water treatment and, for this, jar tests are performed, which allows determining the optimal coagulant and alkalizer doses in coagulation process. However, these tests are time-consuming and do not enable real-time responses to changes in raw water quality. To overcome these limitations, artificial multilayer perceptron neural networks were built, trained, validated and tested to predict the aluminum and sodium hydroxide doses - used as coagulant and alkalizer, respectively. The results of these models are encouraging to consider that the estimated uncertainties have the same order of the variation limits magnitude indicated by the jar tests for almost a six-year period.