Geographical targeting of active case finding for tuberculosis in Pakistan using artificial intelligence software (SPOT-TB): a pragmatic stepped wedge cluster randomized control trial.

Cette étude pragmatique en grappes randomisées à échelle progressive au Pakistan démontre que la stratégie de ciblage guidée par l'intelligence artificielle (MATCH-AI) améliore significativement le rendement de la détection de tuberculose bactériologiquement confirmée lors de campagnes de recherche active de cas par rapport aux méthodes conventionnelles de sélection des sites, en particulier dans les districts ruraux et les zones présentant un rendement de base modéré.

L'essentiel

Le Grand Problème : Trouver des Aiguilles dans une Botte de Foin

Imaginez que vous essayez de trouver quelques aiguilles spécifiques cachées dans une immense botte de foin. Dans cette histoire, les aiguilles sont des personnes atteintes de tuberculose (TB), et la botte de foin est la population générale du Pakistan.

Pendant des années, les agents de santé ont utilisé des vans mobiles pour parcourir les villes et les villages, offrant des radiographies thoraciques gratuites à toute personne qui se présentait. Cela s'appelle la « Détection active des cas ». Cependant, l'ancienne méthode pour choisir où garer les vans ressemblait un peu à de la devinette. Les agents de santé se fiaient à leur intuition, à leur expérience passée ou demandaient aux leaders locaux : « Où pensez-vous que nous devrions aller ? »

Le problème est que ce « jeu de devinettes » conduisait souvent les vans à se garer dans des zones où il y avait très peu d'aiguilles (peu de cas de TB), gaspillant ainsi du temps et des ressources.

La Nouvelle Idée : Un GPS pour la Maladie

Les chercheurs voulaient tester un nouvel outil : un logiciel d'IA appelé MATCH-AI. Imaginez ce logiciel comme un GPS haute technologie qui ne vous indique pas l'itinéraire le plus rapide vers l'épicerie, mais plutôt l'itinéraire vers les « points chauds » où la TB se cache le plus probablement.

Le logiciel examine une carte du Pakistan et utilise des données (comme la densité de population, les niveaux de revenus et les rapports passés sur la TB) pour prédire exactement quels quartiers sont les plus susceptibles d'avoir des cas de TB non diagnostiqués. Il fournit ensuite aux agents de santé une liste de coordonnées GPS spécifiques à visiter.

L'Expérience : Une Course entre Devinettes et GPS

Pour voir si le GPS était meilleur que l'intuition, les chercheurs ont mené une vaste expérience à travers le Pakistan impliquant 30 vans mobiles de radiographie et 68 districts.

Ils ont utilisé une configuration ingénieuse appelée essai en « échelle en escalier ». Imaginez une course de relais où les coureurs changent de voie à différents moments :

1. Phase 1 : Les 30 vans ont tous commencé par utiliser l'ancienne méthode (devinettes/connaissance locale).
2. Phase 2 : Chaque mois, trois vans ont basculé vers la nouvelle méthode (utilisation du GPS IA).
3. Phase 3 : À la fin, les 30 vans utilisaient tous le GPS IA.

Cela leur a permis de comparer les mêmes vans utilisant l'ancienne méthode contre les mêmes vans utilisant la nouvelle méthode, tout en les comparant entre eux.

Les Résultats : Cela Dépend de la Façon Dont Vous Conduisez

L'étude a révélé des résultats intéressants, mais avec une mise en garde majeure : L'outil ne fonctionne que si vous suivez réellement les indications.

1. Le Résultat « Intention de Traiter » (Le Mélange)
Lorsque les chercheurs ont examiné tous les camps organisés par les vans IA, les résultats étaient juste un tout petit peu meilleurs que l'ancienne méthode, mais pas assez pour être statistiquement significatifs.

• Pourquoi ? Les chercheurs ont constaté que les vans ne se rendaient pas toujours exactement là où l'IA les envoyait. Parfois, en raison du trafic, de fermetures de routes ou d'engagements locaux, ils se garaient à quelques kilomètres du lieu recommandé.
• L'Analogie : C'est comme avoir un GPS qui dit « Tournez à gauche à la maison rouge », mais le conducteur tourne à gauche à la prochaine maison parce que la maison rouge était bloquée. Vous vous retrouvez dans le mauvais quartier, et vous ne trouvez pas les aiguilles.

2. Le Résultat « Validé » (L'Histoire de Succès)
Les chercheurs ont ensuite examiné uniquement les camps où les vans se sont réellement garés à moins de 5 kilomètres du lieu recommandé par l'IA.

• Le Résultat : Dans ces camps de « conformité parfaite », les équipes guidées par l'IA ont trouvé 32 % de cas de TB en plus que les équipes utilisant l'ancienne méthode de devinettes.
• La Conclusion : Lorsque les agents de santé suivaient la carte de l'IA exactement, ils étaient beaucoup plus efficaces pour trouver la maladie.

3. Où Cela a-t-il Mieux Fonctionné ?
Le logiciel d'IA était particulièrement bon pour trouver des aiguilles dans :

• Les zones rurales : Des endroits avec une densité de population plus faible.
• Les districts à « rendement moyen » : Des zones où la TB existe mais n'est pas évidente. Dans les zones où la TB est déjà partout (rendement élevé), les anciennes méthodes faisaient déjà un travail décent. Dans les zones où la TB est très rare (rendement faible), l'IA ne pouvait pas trouver beaucoup d'aiguilles car il n'y en avait tout simplement pas beaucoup à trouver.

La Conclusion

Cette étude prouve que l'IA peut agir comme une boussole puissante pour trouver la tuberculose. Cependant, la boussole n'est utile que si les conducteurs suivent réellement l'itinéraire.

Lorsque les agents de santé au Pakistan ont utilisé le logiciel d'IA pour choisir leurs emplacements exactement comme indiqué, ils ont trouvé significativement plus de cas de TB que lorsqu'ils se fiaient à leur propre expérience. Cela suggère que, dans le futur, mélanger l'expérience humaine avec des cartes IA basées sur les données pourrait aider à sauver des vies en veillant à ce que les vans de dépistage aillent exactement là où ils sont le plus nécessaires.

Résumé technique

Résumé technique : Ciblage géographique de la recherche active de cas de tuberculose au Pakistan utilisant l'IA (SPOT-TB)

Énoncé du problème
La tuberculose (TB) reste un défi majeur de santé publique au Pakistan, qui représente 6,3 % de la charge mondiale de tuberculose et fait face à un écart de 25 % entre les cas incidents estimés et les cas notifiés. Bien que la recherche active de cas (RAC) à l'échelle communautaire via des « camps » mobiles de radiographie thoracique ait été déployée à grande échelle pour combler cet écart, l'efficacité de ces interventions diminue. À mesure que le dépistage s'étend pour couvrir la population générale, les rendements de détection diminuent. Des revues antérieures et des données programmatiques suggèrent que les stratégies conventionnelles de sélection des sites — reposant sur l'expérience du personnel sur le terrain, les registres papier historiques et la consultation des parties prenantes locales — sont souvent sous-optimales, conduisant à un dépistage dans des zones à faible prévalence de TB et diluant l'impact des ressources. Il manque de preuves prospectives et randomisées évaluant si un ciblage géographique guidé par des données et l'intelligence artificielle (IA) peut améliorer les rendements de détection de la TB par rapport aux approches programmatiques de routine dans les contextes à forte charge.

Méthodologie
Les auteurs ont mené un essai contrôlé randomisé en grappes à marche progressive (NCT06017843) pragmatique, intégré au sein du Programme National de Lutte contre la Tuberculose (PNLT) du Pakistan, soutenu par le Fonds mondial et mis en œuvre par Mercy Corps.

• Conception de l'étude : L'essai a impliqué 30 équipes de vans de radiographie mobiles opérant dans 68 districts de quatre provinces. La conception a utilisé une approche à marche progressive où toutes les équipes ont commencé dans le bras témoin (sélection de site de routine) et sont passées séquentiellement au bras intervention sur une période de 13 mois (août 2023 – septembre 2024).
• Intervention : Le bras intervention a utilisé MATCH-AI, un logiciel d'aide à la décision employant une modélisation bayésienne pour intégrer les données de surveillance programmatique et les variables contextuelles (par exemple, revenu, densité de population, couverture vaccinale) afin de prédire le risque de TB et d'identifier les « points chauds » à forte prévalence. Les équipes ont reçu des coordonnées GPS des polygones à risque le plus élevé et ont reçu l'instruction de mener des camps à ces endroits.
• Témoin : Le bras témoin a poursuivi les pratiques standard de sélection des sites, guidées par les superviseurs de terrain des districts utilisant la connaissance locale, les données historiques de notification et la consultation des parties prenantes, sans ciblage quantitatif systématique.
• Participants : L'étude a inclus 269 254 individus dépistés lors de 3 936 camps. Les enfants (< 12 ans) et les femmes enceintes ont été exclus du dépistage par radiographie thoracique conformément aux directives nationales, mais ont été inclus dans les comptes de présence.
• Résultats : Le critère de jugement principal était le Rendement de positivité du camp (nombre de cas de TB bactériologiquement confirmés par camp). Les critères de jugement secondaires comprenaient le Taux de positivité du camp (cas par population dépistée), le Rendement de toutes les formes de TB et le Taux de toutes les formes de TB.
• Analyse : L'analyse principale était en intention de traiter (ITT). Une analyse « validée » par protocole a également été menée, n'incluant que les camps d'intervention où la vérification GPS a confirmé que le camp a été mené dans un rayon de 5 km de l'emplacement recommandé par l'IA. Des modèles linéaires mixtes généralisés (binomiale négative et Poisson) ont été utilisés pour ajuster le regroupement et les tendances séculaires.

Résultats clés

• Analyse en Intention de Traitement (ITT) : L'analyse ITT, qui incluait tous les camps menés par les équipes après leur transition vers le bras intervention, indépendamment de l'adhésion aux emplacements spécifiques de l'IA, a montré un Rendement de positivité du camp de 7 % plus élevé dans le groupe intervention par rapport au témoin. Cependant, cette différence n'était pas statistiquement significative (Rapport de risque ajusté [RR] 1,07, IC à 95 % : 0,94–1,22).
• Analyse Validée par Protocole : En restreignant l'analyse aux camps ayant strictement adhéré aux recommandations de l'IA (dans un rayon de 5 km de la cible), l'intervention a démontré une augmentation statistiquement significative de 32 % du Rendement de positivité du camp par rapport au témoin (RR ajusté 1,32, IC à 95 % : 1,12–1,54).
• Résultats secondaires : Dans l'analyse validée par protocole, le Taux de positivité du camp était également significativement plus élevé dans le bras intervention (RR ajusté 1,20, IC à 95 % : 1,02–1,41). Aucune différence significative n'a été observée pour les résultats concernant toutes les formes de TB.
• Résultats des sous-groupes :
  • Rendement de base : L'intervention a été plus efficace dans les districts avec des rendements de base modérés (0,5 %–1 %), où le RR ajusté était de 1,57 (IC à 95 % : 1,13–2,18). Les effets n'étaient pas statistiquement significatifs dans les districts à faible ou à fort rendement de base.
  • Géographie : L'intervention a produit des résultats significativement plus élevés dans les districts ruraux (RR ajusté 1,43, IC à 95 % : 1,23–1,65) et dans la province du Pendjab (RR ajusté 1,51, IC 1,17–1,95).
• Adhésion : L'adhésion aux recommandations de l'IA variait considérablement selon la province (la plus élevée dans le Khyber Pakhtunkhwa à 44,5 %, la plus faible au Baloutchistan à 8,3 %), avec seulement 56 % des camps d'intervention déclarés vérifiés comme étant dans le rayon cible de 5 km.

Signification et affirmations
L'article prétend être la première évaluation prospective d'une stratégie de ciblage géographique pour le dépistage de la TB dans un contexte à forte incidence. Sa signification principale réside dans la démonstration que, bien que le ciblage guidé par l'IA ait le potentiel d'améliorer considérablement l'efficacité de la recherche active de cas, son succès est conditionné par une adhésion stricte aux emplacements recommandés.

Les auteurs soutiennent que la divergence entre les résultats ITT non significatifs et les résultats par protocole significatifs met en évidence que les écarts par rapport aux sites précis recommandés par l'IA diluent l'impact de l'intervention. L'étude fournit des preuves empiriques que :

1. La distribution de la TB est spatialement hétérogène, et un dépistage ciblé dans les points chauds prédits peut surpasser la sélection de sites de routine basée sur l'expérience.
2. Des outils d'IA comme MATCH-AI peuvent servir d'instruments d'aide à la décision pour optimiser l'allocation des ressources dans des contextes à forte charge et à faibles ressources, sans nécessairement augmenter le nombre total de dépistages.
3. Le plus grand avantage de tels outils pourrait être réalisé dans les districts à rendements de base modérés, où les stratégies de routine peuvent manquer des poches de transmission non détectées.

Les auteurs concluent que l'intégration de l'intelligence spatiale dans la planification opérationnelle de routine est une stratégie viable pour améliorer le diagnostic précoce et accélérer l'élimination de la TB, à condition que les défis de mise en œuvre concernant l'adhésion sur le terrain et les contraintes opérationnelles soient abordés. Ils ne prétendent pas que le logiciel remplace le jugement humain, mais suggèrent plutôt qu'il devrait être intégré aux connaissances humaines contextuelles pour maximiser l'efficacité.