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

La tubercolosi rimane uno dei killer più persistenti al mondo, una malattia che prospera nelle ombre delle città affollate e dei villaggi remoti allo stesso modo. In paesi come il Pakistan, dove il carico della malattia è eccezionalmente alto, gli operatori sanitari affrontano una sfida imponente: trovare i milioni di persone che sono malate ma non sono ancora state diagnosticate. Per intercettare questi casi nascosti, i programmi inviano squadre mobili nelle comunità per allestire campi di screening, utilizzando macchine per raggi X per cercare segni di infezione nei polmoni delle persone. Per anni, la decisione su dove allestire questi campi si è basata sul giudizio umano, sulle mappe locali e sull'esperienza del personale sul campo. Ma con l'aumentare del volume dei dati, i funzionari sanitari hanno iniziato a chiedersi se i computer potessero fare un lavoro migliore. Si sono rivolti all'intelligenza artificiale, una tecnologia capace di setacciare enormi quantità di informazioni per individuare schemi che gli esseri umani potrebbero perdere. La speranza era che un programma informatico intelligente potesse indicare agli operatori sanitari direttamente i quartieri dove è più probabile trovare persone malate, rendendo la ricerca più veloce ed efficace.

Questa domanda ha guidato un esperimento su larga scala in Pakistan noto come il trial SPOT-TB. I ricercatori volevano vedere se l'uso di uno strumento di intelligenza artificiale chiamato MATCH-AI per scegliere le posizioni dei campi avrebbe trovato più casi di tubercolosi rispetto al metodo tradizionale di selezione dei siti basato sulla conoscenza locale. Lo strumento ha analizzato i dati sanitari di routine e le condizioni locali per generare un elenco di posizioni raccomandate. Tuttavia, il consiglio di un computer è buono solo quanto la realtà sul campo. Per capire perché il trial non abbia mostrato un miglioramento complessivo chiaro nel reperimento dei casi, un team separato di ricercatori ha condotto un'analisi approfondita sul lato umano del progetto. Hanno parlato con i medici, i supervisori e i coordinatori che effettivamente guidavano i furgoni e allestivano le tende, chiedendo loro delle loro esperienze quotidiane con la nuova tecnologia. Il loro obiettivo non era solo vedere se il software funzionasse su uno schermo, ma capire come funzionasse nella complessa e disordinata realtà del sistema sanitario del Pakistan.

I ricercatori hanno scoperto che lo strumento di intelligenza artificiale era un'arma a doppio taglio. Da un lato, molti membri del personale sul campo hanno apprezzato il software per aver portato un senso di equità e struttura al loro lavoro. Prima dello strumento, la scelta di dove tenere un campo poteva essere influenzata da legami personali, pressioni politiche da parte di leader locali o dalla semplice abitudine di tornare negli stessi luoghi familiari. Il software ha rimosso questo pregiudizio umano, generando un elenco di siti basato puramente sui dati. Ciò ha aiutato il personale a resistere alle pressioni degli ufficiali che volevano campi in aree specifiche per i propri motivi. In alcuni casi, lo strumento ha indirizzato le squadre verso villaggi remoti o precedentemente trascurati dove hanno scoperto cluster di casi di tubercolosi che altrimenti sarebbero rimasti non rilevati. Un team, ad esempio, ha seguito una raccomandazione verso una casa distante a Faisalabad e ha trovato cinque persone infette che vivevano insieme, una scoperta che hanno attribuito alla capacità del software di guardare oltre i confini abituali.

Tuttavia, la storia del successo dello strumento è stata complicata dalle dure realtà del paesaggio e dai limiti della tecnologia stessa. Il software, pur essendo bravo a elaborare numeri, mancava del buon senso che deriva dal vivere nella comunità. A volte suggeriva posizioni fisicamente impossibili da raggiungere, come vette montuose innevate o aree isolate da fiumi, senza rendersi conto che un furgone mobile non poteva arrivarci. In altri casi, indicava luoghi che erano insicuri a causa di rischi di sicurezza locali o aree in cui le norme culturali rendevano impossibile per le donne viaggiare lontano o visitare un campo pubblico. In regioni conservatrici, ad esempio, le donne potrebbero rifiutarsi di lasciare le proprie case per spostarsi di cinque chilometri verso un campo in un mercato affollato, specialmente se l'area di screening mancava di privacy. Il software non comprendeva queste barriere sociali; vedeva solo un punto su una mappa. Il personale sul campo, che conosceva il territorio e la gente, doveva spesso scavalcare i suggerimenti del computer, usando il proprio giudizio per trovare punti che fossero accessibili e accettabili per la comunità.

Il divario tra il piano digitale e il mondo fisico è stato ampliato dall'infrastruttura necessaria per gestire il sistema. Il software si affidava a una piattaforma digitale per raccogliere i dati in tempo reale, ma in molte aree remote la connessione internet era inaffidabile o inesistente. Quando il segnale cadeva, il sistema si bloccava o i dati inseriti sul campo non riuscivano a sincronizzarsi con il server centrale. Questo costringeva gli operatori sanitari a tornare ai vecchi record cartacei, che dovevano poi inserire al computer al loro ritorno in città. Questo doppio lavoro creava frustrazione e fatica, rallentando proprio quel processo che la tecnologia doveva velocizzare. Inoltre, le persone in prima linea spesso non comprendevano appieno come il software prendesse le sue decisioni. Venivano istruite a seguire l'elenco delle posizioni, ma raramente ricevevano una spiegazione chiara della logica che le sottendeva. Questa mancanza di comprensione rendeva difficile per loro fidarsi dello strumento o sentire un senso di appartenenza al nuovo sistema, portando alcuni a ignorare le raccomandazioni a favore della propria esperienza.

Lo studio ha concluso che, sebbene l'intelligenza artificiale rappresenti una vera promessa per l'organizzazione e il miglioramento dello screening della tubercolosi, essa non può sostituire la profonda conoscenza contestuale delle persone che lavorano sul campo. La tecnologia è un potente assistente che può ridurre i pregiudizi e evidenziare aree che altrimenti verrebbero trascurate, ma non è un sostituto del giudizio umano. Non può tenere conto della sicurezza di un quartiere, della sensibilità culturale di una comunità o delle condizioni di una strada sterrata. Affinché lo strumento funzioni efficacemente, deve essere supportato da un'infrastruttura affidabile, come connessioni internet stabili, e deve essere introdotto con una formazione approfondita che aiuti il personale a capire non solo cosa fare, ma anche perché farlo. I ricercatori hanno scoperto che l'approccio più efficace era quello ibrido, in cui il computer fornisce un punto di partenza e l'équipe umana utilizza la propria competenza locale per adattare tali raccomandazioni al mondo reale. In definitiva, la tecnologia è forte quanto il sistema che la sostiene e le persone che la utilizzano.