Search

IntroductionInfections acquired during healthcare setting stay pose significant public health threats. These infections are known as Healthcare-Associated Infections (HAI), mostly caused by pathogenic bacteria, which exhibit a wide range of antimicrobial resistance. Currently, there is no knowledge about the global cleaning process of hospitals and the bacterial diversity found in ICUs of Brazilian hospitals contributing to HAI.ObjectiveCharacterize the microbiome and common antimicrobial resistance genes present in high-touch Intensive Care Unit (ICU) surfaces, and to identify the potential contamination of the sanitizers/processes used to clean hospital surfaces.MethodsIn this national, multicenter, observational, and prospective cohort, bacterial profiles and several antimicrobial resistance genes from 41 hospitals across 16 Brazilian states were evaluated. Using high-throughput 16S rRNA amplicon sequencing and real-time PCR, the bacterial abundance and resistance genes presence were analyzed in both ICU environments and cleaning products.ResultsWe identified a wide diversity of microbial populations with a recurring presence of HAI-related bacteria among most of the hospitals. The median bacterial positivity rate in surface samples was high (88.24%), varying from 21.62 to 100% in different hospitals. Hospitals with the highest bacterial load in samples were also the ones with highest HAI-related abundances. Streptococcus spp., Corynebacterium spp., Staphylococcus spp., Bacillus spp., Acinetobacter spp., and bacteria from the Flavobacteriaceae family were the microorganisms most found across all hospitals. Despite each hospital particularities in bacterial composition, clustering profiles were found for surfaces and locations in the ICU. Antimicrobial resistance genes mecA, blaKPC-like, blaNDM-like, and blaOXA-23-like were the most frequently detected in surface samples. A wide variety of sanitizers were collected, with 19 different active principles in-use, and 21% of the solutions collected showed viable bacterial growth with antimicrobial resistance genes detected.ConclusionThis study demonstrated a diverse and spread pattern of bacteria and antimicrobial resistance genes covering a large part of the national territory in ICU surface samples and in sanitizers solutions. This data should contribute to the adoption of surveillance programs to improve HAI control strategies and demonstrate that large-scale epidemiology studies must be performed to further understand the implications of bacterial contamination in hospital surfaces and sanitizer solutions.

Introdução: Dados a respeito da importância do ambiente e o real papel da higiene ambiental na transmissão de MOs multirresistentes são escassos, especialmente, no que se refere a aspectos mais específicos como microecologia e interação entre MOs nos diferentes ambientes hospitalares. Este estudo representa uma subanálise dos dados do projeto SANEANTES (“Importância dos saneantes e do ambiente hospitalar para transmissão de Bactérias Multirresistentes – Programa IMPACTO MR”), tendo como objetivo avaliar as associações mais comuns entre patógenos ambientais de interesse no que se refere a IRAS, no ambiente de Unidade de Terapia Intensiva (UTI). Metodologia: Estudo observacional, prospectivo. Coletadas 38 amostras ambientais de 38 hospitais, das 5 regiões do Brasil. Técnicas de Sequenciamento Genético de Nova Geração (NGS) 16S realizadas em laboratório central (material genético mensurado em reads, unidade que guarda relação direta com presença e quantidade de MOs. Realizada descrição dos “patógenos companheiros” dos 5 MOs mais prevalentes como causadores de infecções hospitalares (dados não publicados, projeto SANEANTES): 1°) K. pneumoniae, 2°) P. aeruginosa, 3°) E. coli, 4°) S. aureus e 5°) A. baumannii. Ênfase dada na comparação entre dois grupos, conforme tercis de ocorrência de IRAS: hospitais com mais (grupo 2) e com menos (grupo 0). Resultados e discussão: De forma contraintuitiva, como patógenos primários no ambiente, E. coli foi identificada em apenas 2 hospitais do grupo 0 vs. 3 hospitais do grupo 2; enquanto P. aeruginosa foi identificada em todos os hospitais, independentemente do grupo. Adicionalmente, se associaram nessa mesma linha, foi observado que a quantidade de reads de K. pneumoniae, em oposição aos demais MOs foi de 3.962 vs. 4.859, nos grupos 2 e 0, respectivamente. No que tange à presença dos “patógenos companheiros”, A. baumannii, K. pneumoniae, P. aeruginosa, S. aureus apresentaram frequências equivalentes tanto no grupo 0 (19,5–21,9%) quanto no grupo 2 (24,7%), com exceção da E. coli (14,6% × 36,2%, nos grupos 0 e 2, respectivamente). Conclusão: Considerando os MOs mais frequentemente associados a IRAS, as hipóteses de predominância em quantidade de hospitais e reads no ambiente não foram universalmente observadas. Em relação aos “patógenos companheiros”, possibilidades de interações promotoras e protetoras não podem ser descartadas, com aspectos da microecologia merecendo ser estudados em maior detalhe.

Effort estimation is a big challenge for those trying to manage a project. In a software development project, testing is essential to assure product quality. However, it is a time consuming activity, and its work must be estimated for successful project execution. In our research, we concentrate our efforts on comparing some known methods of test effort estimation. So, this paper aims to analyze three different test effort estimation methods and compare them with the effort spent on real projects. Firstly we compare two widely used effort estimation methods: Test Point Analysis (TPA) and Use Case Points (UCP). Thereafter, we create an artificial neural network (ANN) based on the TPA, trained to estimate the testing work in software development projects, and compare it with pure TPA, to check which of them results in better estimates. Analyzing the experiment results, we concluded that the neural networks gave the best results, followed by TPA and then UCP.