Geographical targeting of active case finding for tuberculosis in Pakistan using artificial intelligence software: a qualitative study embedded within the SPOT TB trial

La tuberculosis sigue siendo uno de los asesinos más persistentes del mundo, una enfermedad que prospera tanto en las sombras de las ciudades congestionadas como en las aldeas remotas. En países como Pakistán, donde la carga de la enfermedad es excepcionalmente alta, los trabajadores de la salud enfrentan un desafío desalentador: encontrar a los millones de personas que están enfermas pero que aún no han sido diagnosticadas. Para captar estos casos ocultos, los programas envían equipos móviles a las comunidades para establecer campamentos de detección, utilizando máquinas de rayos X para buscar signos de infección en los pulmones de las personas. Durante años, la decisión de dónde establecer estos campamentos dependió del juicio humano, los mapas locales y la experiencia del personal de campo. Pero a medida que el volumen de datos crecía, los funcionarios de salud comenzaron a preguntarse si las computadoras podrían hacer un mejor trabajo. Se volcaron hacia la inteligencia artificial, una tecnología capaz de analizar vastas cantidades de información para detectar patrones que los humanos podrían pasar por alto. La esperanza era que un programa informático inteligente pudiera señalar directamente a los trabajadores de la salud los vecindarios donde era más probable encontrar personas enfermas, haciendo que la búsqueda fuera más rápida y efectiva.

Esta pregunta impulsó un experimento a gran escala en Pakistán conocido como el ensayo SPOT-TB. Los investigadores querían ver si el uso de una herramienta de inteligencia artificial llamada MATCH-AI para elegir las ubicaciones de los campamentos encontraría más casos de tuberculosis que el método tradicional de seleccionar sitios basados en el conocimiento local. La herramienta analizó datos rutinarios de salud y condiciones locales para generar una lista de ubicaciones recomendadas. Sin embargo, la recomendación de una computadora es tan buena como la realidad sobre el terreno. Para comprender por qué el ensayo no mostró una mejora clara en la detección de casos, un equipo separado de investigadores realizó una investigación profunda del lado humano del proyecto. Entrevistaron a los médicos, supervisores y coordinadores que realmente conducían las camionetas y montaban las carpas, preguntándoles sobre sus experiencias diarias con la nueva tecnología. Su objetivo no era solo ver si el software funcionaba en una pantalla, sino comprender cómo funcionaba en la compleja y desordenada realidad del sistema de salud de Pakistán.

Los investigadores descubrieron que la herramienta de inteligencia artificial era un arma de doble filo. Por un lado, muchos miembros del personal de campo apreciaron el software por aportar un sentido de imparcialidad y estructura a su trabajo. Antes de la herramienta, la elección de dónde realizar un campamento podía verse influenciada por conexiones personales, presión política de líderes locales o el simple hábito de regresar a los mismos lugares familiares. El software eliminó este sesgo humano, generando una lista de sitios basada puramente en datos. Esto ayudó al personal a resistir la presión de los funcionarios que querían campamentos en áreas específicas por sus propios intereses. En algunos casos, la herramienta dirigió a los equipos hacia aldeas remotas o previamente ignoradas donde descubrieron grupos de casos de tuberculosis que de otro modo habrían pasado desapercibidos. Un equipo, por ejemplo, siguió una recomendación hacia un hogar distante en Faisalabad y encontró a cinco personas infectadas viviendo juntas, un descubrimiento que atribuyeron a la capacidad del software para mirar más allá de los límites habituales.

Sin embargo, la historia del éxito de la herramienta se complicó por las duras realidades del paisaje y los límites de la propia tecnología. El software, aunque bueno procesando números, carecía del sentido común que proviene de vivir en la comunidad. A veces sugería ubicaciones que eran físicamente imposibles de alcanzar, como picos de montañas cubiertos de nieve o áreas aisladas por ríos, sin darse cuenta de que una camioneta móvil no podría llegar allí. En otros casos, señalaba lugares que eran inseguros debido a riesgos de seguridad locales o áreas donde las normas culturales hacían imposible que las mujeres viajaran lejos o visitaran un campamento público. En regiones conservadoras, por ejemplo, las mujeres podrían negarse a salir de sus hogares para viajar cinco kilómetros hasta un campamento en un mercado concurrido, especialmente si el área de detección carecía de privacidad. El software no comprendía estas barreras sociales; solo veía un punto en un mapa. El personal de campo, que conocía el terreno y a la gente, a menudo tenía que anular las sugerencias de la computadora, utilizando su propio juicio para encontrar puntos que fueran accesibles y aceptables para la comunidad.

La brecha entre el plan digital y el mundo físico se vio ampliada por la infraestructura necesaria para ejecutar el sistema. El software dependía de una plataforma digital para recopilar datos en tiempo real, pero en muchas zonas remotas, la conexión a internet era poco fiable o inexistente. Cuando la señal caía, el sistema se congelaba o los datos ingresados en el campo no lograban sincronizarse con el servidor central. Esto obligaba a los trabajadores de la salud a volver a los registros de papel tradicionales, que luego debían transcribir a la computadora al regresar a la ciudad. Este doble trabajo generaba frustración y fatiga, ralentizando el mismo proceso que la tecnología pretendía acelerar. Además, las personas en la primera línea a menudo no comprendían completamente cómo el software tomaba sus decisiones. Se les decía que siguieran la lista de ubicaciones, pero rara vez se les daba una explicación clara de la lógica detrás de ellas. Esta falta de comprensión dificultaba que confiaran en la herramienta o sintieran un sentido de pertenencia sobre el nuevo sistema, lo que llevó a algunos a ignorar sus recomendaciones en favor de su propia experiencia.

El estudio conclyó que, si bien la inteligencia artificial posee una promesa genuina para organizar y mejorar la detección de la tuberculosis, no puede reemplazar el profundo conocimiento contextual de las personas que trabajan en el campo. La tecnología es un asistente poderoso que puede reducir el sesgo y resaltar áreas que de otro modo serían ignoradas, pero no es un sustituto del juicio humano. No puede tener en cuenta la seguridad de un vecindario, las sensibilidades culturales de una comunidad o las condiciones de un camino de tierra. Para que la herramienta funcione de manera efectiva, debe estar respaldada por una infraestructura confiable, como conexiones a internet estables, y debe introducirse con una capacitación exhaustiva que ayude al personal a entender no solo qué hacer, sino por qué. Los investigadores encontraron que el enfoque más exitoso era uno híbrido, donde la computadora proporciona un punto de partida y el equipo humano utiliza su experiencia local para adaptar esas recomendaciones al mundo real. Al final, la tecnología es tan fuerte como el sistema que la respalda y las personas que la utilizan.