Resumo Técnico: Detecção de Anomalias Operacionais em Refrigeradores de Vacinas via Supervisão Fraca

Declaração do Problema

A potência das vacinas depende da manutenção de uma cadeia de frio ininterrupta, tipicamente entre +2°C e +8°C. Embora falhas de equipamentos e restrições logísticas contribuam para excursões de temperatura, uma parte significativa decorre dos padrões de interação humana com as unidades de refrigeração. Especificamente, a abertura de portas interrompe o equilíbrio térmico, e a perturbação de temperatura resultante depende de interdependências complexas: a duração e a frequência das aberturas, o horário do dia, as condições ambientes e as características físicas do refrigerador.

A literatura existente divide-se em categorias distintas: levantamentos de temperatura que carecem de atribuição causal ao comportamento do usuário, auditorias de equipamentos que carecem de monitoramento contínuo e modelos preditivos limitados a dados de pequena escala ou simulados. Existe uma lacuna crítica em frameworks de grande escala, baseados em dados, que analisem conjuntamente o comportamento do usuário e a resposta térmica do dispositivo em diversas implantações do mundo real. Além disso, a escassez de dados de verdade fundamental (ground-truth) anotados manualmente para anomalias raras dificulta a aplicação de técnicas padrão de aprendizado supervisionado.

Metodologia

Conjunto de Dados

O estudo utiliza um conjunto de dados empírico de grande escala, compreendendo milhões de registros de telemetria com carimbo de tempo de 500 refrigeradores de vacina TCW 40 SDD implantados em 32 países. Os dados consistem em uma série temporal multivariada híbrida contendo:

• Dados síncronos: Temperatura interna, temperatura ambiente e nível de bateria registrados em intervalos de 10 minutos.
• Dados assíncronos: Sinais orientados por eventos capturando os momentos exatos de abertura de portas e flutuações de bateria.

Visão Geral do Framework

O framework proposto opera em dois estágios: Rotulagem Fraca (Weak Labeling) e Detecção de Anomalias.

1. Construção de Eventos e Engenharia de Atributos

Os fluxos brutos de sensores são transformados em "episódios de porta" semanticamente estruturados (intervalos de abertura-fechamento).

• Extração de Episódio de Porta: Para cada episódio, o sistema calcula a duração, a temperatura de linha de base, o pico de elevação de temperatura ($\Delta T_{peak}$), o tempo para o pico e o tempo de recuperação (tempo para retornar a uma fração $\alpha$ da elevação do pico).
• Inferência de Horas de Operação: Um algoritmo baseado em dados infere as "horas de operação" por dispositivo, analisando a distribuição temporal dos eventos históricos de porta, suavizando um perfil de 24 horas para identificar padrões de atividade consistentes.
• Processamento de Sinal de Bateria: Eventos discretos de mudança de bateria e episódios contíguos de bateria baixa são extraídos para identificar problemas de qualidade de telemetria.

2. Supervisão Fraca via Regras Heurísticas

Em vez de anotação manual, os autores definem seis categorias interpretáveis de anomalias baseadas em conhecimento de domínio e regras heurísticas:

• A1 (Acesso fora do cronograma): Eventos de porta ocorrendo fora das horas de operação inferidas.
• A2 (Longa duração): Aberturas que excedem o percentil 95 de duração ou outliers baseados em IQR.
• A3 (Acesso em surtos/bursty): Agrupamentos de aberturas dentro de uma janela de 30 minutos que excedem $\mu + 3\sigma$.
• A4 (Desajuste térmico): Respostas de temperatura inconsistentes com a física (ex: elevação mínima em condições ambientes quentes ou elevação extrema em condições moderadas).
• A5 (Potencial recuperação lenta): Tempos de recuperação que excedem um limiar de percentil 95 ajustado dinamicamente, considerando a temperatura ambiente, a duração e o contexto do surto.
• A6 (Problema de sensor/operação): Eventos que se sobrepõem a episódios de bateria baixa ou grandes quedas de bateria ($\le -10\%$).

Essas regras geram "rótulos fracos" para treinamento.

3. Pipeline de Detecção de Anomalias

Os episódios rotulados são inseridos em modelos de aprendizado de máquina usando três grupos de atributos:

1. Atributos de nível de episódio: Duração, $\Delta T_{peak}$, tempo de recuperação, etc.
2. Atributos contextuais: Hora do dia, dia da semana, estatísticas de temperatura ambiente.
3. Atributos de histórico do dispositivo: Desvios pontuados em Z (Z-scored) relativos ao comportamento histórico do dispositivo específico (frequência de surtos, temperatura/recuperação/duração normalizadas).

Três modelos são avaliados: XGBoost (supervisionado), Isolation Forest (não supervisionado) e Linear SVM (supervisionado). A avaliação utiliza três estratégias de divisão: IID, retenção de país (country-held-out) e divisões temporais.

Contribuições Principais

1. Caracterização Comportamental e Térmica em Escala Global: O estudo introduz um método robusto para converter telemetria bruta em episódios de porta estruturados, revelando a estrutura circadiana de acesso, a dependência não linear do tempo de recuperação em relação à perturbação térmica e o efeito cumulativo de acessos em surtos.
2. Taxonomia Interpretável de Anomalias Operacionais: A definição de seis categorias de anomalias distintas (A1–A6) une irregularidades comportamentais, desvios térmicos e problemas de telemetria. A análise cruzada de anomalias revela que o uso fora do cronograma (A1) atua como um precursor persistente para falhas térmicas, enquanto padrões de surto (A3) e longas durações (A2) frequentemente se acumulam em uma recuperação lenta (A5).
3. Detecção Multirrótulo de Supervisão Fraca: O artigo demonstra que rótulos derivados de regras podem treinar modelos supervisionados de forma eficaz. O XGBoost treinado nesses rótulos fracos supera os baselines não supervisionados e generaliza através de geografias e períodos de tempo.

Resultados

Análise Estatística

• Durações de Porta: Altamente assimétricas à direita; a duração mediana é de 0,2 minutos, com 95% dos episódios abaixo de 3,3 minutos.
• Padrões Circadianos: O acesso normal atinge o pico no final da manhã; anomalias fora do cronograma (A1) concentram-se entre 00:00 e 03:00.
• Dinâmica Térmica: O tempo de recuperação aumenta não linearmente com $\Delta T_{peak}$ e a duração da porta aberta. O acesso em surtos retarda significativamente a recuperação em comparação com episódios sem surtos.
• Prevalência: Recuperação lenta (A5) e desajuste térmico de baixa $\Delta T$ (A4) são as anomalias mais comuns (~17% cada). Problemas de sensor (A6) são negligenciáveis.

Desempenho do Modelo

• Superioridade do XGBoost: O XGBoost alcançou um F1-score de 0,97 para detecção binária de anomalia (QUALQUER) e um F1-score médio por categoria de 0,82.
• Generalização: O desempenho permaneceu estável através de divisões de retenção de país (queda de F1 < 4%) e divisões temporais.
• Importância de Atributos: A análise SHAP confirmou que características térmicas (desvio de pico, tempo de recuperação) impulsionam a detecção binária, enquanto os escores Z relativos ao dispositivo são críticos para a classificação detalhada por rótulo.
• Robustez: O modelo manteve um F1-score binário de 0,967 mesmo com 20% de ruído de rótulo simulado, confirmando a viabilidade da supervisão fraca heurística.

Desempenho por Categoria Específica

• Alta Precisão: Anomalias térmicas (A5, A4) foram detectadas com F1 scores de 0,98, 0,89 e 0,87.
• Precisão Moderada: Anomalias de duração (A2) e de surto (A3) alcançaram F1 scores de 0,76 e 0,62.
• Baixa Precisão: O acesso fora do cronograma (A1) teve o menor F1 (0,41), atribuído à dificuldade de inferir cronogramas únicos de clínicas apenas com base em carimbos de tempo isolados sem atributos de cronograma explícitos.

Significância e Alegações

O artigo afirma estabelecer um elo quantitativo entre o comportamento operacional e o desempenho térmico do refrigerador em escala global. Ao ir além do monitoramento de temperatura isolado, o framework fornece uma base para um monitoramento da cadeia de frio proativo e consciente do comportamento.

Os autores afirmam que sua abordagem permite uma mudança de alarmes reativos baseados em limiares para inteligência operacional que pode:

• Identificar causas raízes de excursões de temperatura (ex: distinguindo entre falha de equipamento e comportamento do usuário).
• Fornecer diagnósticos acionáveis para engenheiros de campo.
• Operar efetivamente sem a necessidade de rótulos de verdade fundamental caros e curados manualmente.

O estudo conclui que, embora o modelo seja robusto ao ruído e generalize bem, trabalhos futuros devem focar na predição prospectiva de anomalias (antecipar problemas antes que ocorram) e na integração de metadados mais ricos da cadeia de suprimentos. Os autores declaram explicitamente que os resultados apoiam a transição para um monitoramento mais inteligente em programas de imunização globais.