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

La tuberculose demeure l'un des tueurs les plus persistants au monde, une maladie qui prospère aussi bien dans l'ombre des villes surpeuplées que dans les villages reculés. Dans des pays comme le Pakistan, où le fardeau de la maladie est exceptionnellement élevé, les agents de santé sont confrontés à un défi de taille : trouver les millions de personnes qui sont malades mais qui n'ont pas encore été diagnostiquées. Pour débusquer ces cas cachés, des programmes envoient des équipes mobiles dans les communautés pour installer des camps de dépistage, utilisant des appareils de radiographie pour rechercher des signes d'infection dans les poumons des individus. Pendant des années, la décision de l'emplacement de ces camps reposait sur le jugement humain, les cartes locales et l'expérience du personnel de terrain. Mais à mesure que le volume de données augmentait, les responsables de la santé ont commencé à se demander si les ordinateurs pourraient faire mieux. Ils se sont tournés vers l'intelligence artificielle, une technologie capable de passer au crible de vastes quantités d'informations pour repérer des modèles que les humains pourraient manquer. L'espoir était qu'un programme informatique intelligent puisse orienter directement les agents de santé vers les quartiers où les personnes malades seraient les plus susceptibles d'être trouvées, rendant la recherche plus rapide et plus efficace.

Cette question a conduit à une expérience à grande échelle au Pakistan connue sous le nom de essai SPOT-TB. Les chercheurs voulaient voir si l'utilisation d'un outil d'intelligence artificielle appelé MATCH-AI pour choisir les emplacements des camps permettrait de trouver plus de cas de tuberculose que la méthode traditionnelle consistant à choisir les sites en fonction des connaissances locales. L'outil analysait les données de santé de routine et les conditions locales pour générer une liste de lieux recommandés. Cependant, la recommandation d'un ordinateur n'est aussi bonne que la réalité du terrain. Pour comprendre pourquoi l'essai n'a pas montré d'amélioration globale claire dans la détection des cas, une équipe distincte de chercheurs a mené une analyse approfondie de la dimension humaine du projet. Ils ont interrogé les médecins, les superviseurs et les coordinateurs qui conduisaient réellement les camionnettes et installaient les tentes, en les interrogeant sur leurs expériences quotidiennes avec la nouvelle technologie. Leur objectif n'était pas seulement de voir si le logiciel fonctionnait sur un écran, mais de comprendre comment il fonctionnait dans la réalité complexe et désordonnée du système de santé pakistanais.

Les chercheurs ont découvert que l'outil d'intelligence artificielle était une arme à double tranchant. D'une part, de nombreux membres du personnel de terrain ont apprécié le logiciel pour le sentiment d'équité et de structure qu'il apportait à leur travail. Avant l'outil, le choix de l'endroit où tenir un camp pouvait être influencé par des relations personnelles, des pressions politiques de la part de dirigeants locaux ou la simple habitude de retourner dans les mêmes endroits familiers. Le logiciel a éliminé ce biais humain, générant une liste de sites basée uniquement sur les données. Cela a aidé le personnel à résister aux pressions des officiels qui voulaient des camps dans des zones spécifiques pour leurs propres raisons. Dans certains cas, l'outil a orienté les équipes vers des villages reculés ou précédemment négligés où elles ont découvert des grappes de cas de tuberculose qui seraient autrement passées inaperçues. Une équipe, par exemple, a suivi une recommandation vers un foyer éloigné à Faisalabad et a trouvé cinq personnes infectées vivant ensemble, une découverte qu'ils attribuent à la capacité du logiciel à regarder au-delà des limites habituelles.

Pourtant, le succès de l'outil était compliqué par les réalités difficiles du paysage et les limites de la technologie elle-même. Le logiciel, bien que performant pour traiter les chiffres, manquait du bon sens qui vient de la vie en communauté. Il suggérait parfois des emplacements physiquement impossibles à atteindre, tels que des sommets de montagnes recouverts de neige ou des zones coupées par des rivières, sans réaliser qu'une camionnette mobile ne pourrait pas s'y rendre. Dans d'autres cas, il pointait des endroits dangereux en raison de risques sécuritaires locaux ou des zones où les normes culturelles rendaient impossible le déplacement des femmes ou leur visite dans un camp public. Dans les régions conservatrices, par exemple, les femmes pourraient refuser de quitter leur domicile pour voyager cinq kilomètres jusqu'à un camp dans un marché animé, surtout si la zone de dépistage manquait d'intimité. Le logiciel ne comprenait pas ces barrières sociales ; il ne voyait qu'un point sur une carte. Les agents de terrain, qui connaissaient le terrain et les gens, devaient souvent passer outre les suggestions de l'ordinateur, utilisant leur propre jugement pour trouver des endroits accessibles et acceptables pour la communauté.

L'écart entre le plan numérique et le monde physique était accentué par l'infrastructure nécessaire au fonctionnement du système. Le logiciel reposait sur une plateforme numérique pour collecter des données en temps réel, mais dans de nombreuses zones reculées, la connexion Internet était peu fiable ou inexistante. Lorsque le signal tombait, le système se figeait ou les données saisies sur le terrain ne parvenaient pas à se synchroniser avec le serveur central. Cela obligeait les agents de santé à revenir aux anciens registres papier, qu'ils devaient ensuite saisir dans l'ordinateur à leur retour en ville. Ce double travail créait de la frustration et de la fatigue, ralentissant le processus même que la technologie était censée accélérer. De plus, les personnes en première ligne ne comprenaient pas pleinement comment le logiciel prenait ses décisions. On leur disait de suivre la liste des emplacements, mais on leur donnait rarement une explication claire de la logique sous-jacente. Ce manque de compréhension rendait difficile pour eux de faire confiance à l'outil ou de ressentir un sentiment d'appropriation du nouveau système, ce qui amenait certains à ignorer ses recommandations au profit de leur propre expérience.

L'étude a conclu que, bien que l'intelligence artificielle offre de réelles promesses pour organiser et améliorer le dépistage de la tuberculose, elle ne peut remplacer la connaissance contextuelle profonde des personnes travaillant sur le terrain. La technologie est un assistant puissant qui peut réduire les biais et mettre en évidence des zones qui pourraient autrement être ignorées, mais elle n'est pas un substitut au jugement humain. Elle ne peut pas tenir compte de la sécurité d'un quartier, des sensibilités culturelles d'une communauté ou de l'état d'une route de terre. Pour que l'outil fonctionne efficacement, il doit être soutenu par une infrastructure fiable, telle que des connexions Internet stables, et il doit être introduit avec une formation approfondie qui aide le personnel à comprendre non seulement quoi faire, mais aussi pourquoi. Les chercheurs ont constaté que l'approche la plus réussie était une approche hybride, où l'ordinateur fournit un point de départ, et l'équipe humaine utilise son expertise locale pour adapter ces recommandations au monde réel. En fin de compte, la technologie n'est aussi forte que le système qui la soutient et les personnes qui l'utilisent.