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

パキスタンで実施されたこの実用的なステップウェッジクラスター無作為化試験は、能動的症例発見キャンプにおいて、AI によるターゲティング戦略（MATCH-AI）が、従来のサイト選択法と比較して、特に農村部および中程度のベースライン検出率を有する地域において、細菌学的に確認された結核の検出率を有意に向上させることを示している。

要約

本研究を簡単な言葉と日常的な比喩を用いて説明します。

大きな問題：干し草の山から針を見つけること

あなたが巨大な干し草の山の中に隠された数本の特定の針を見つけようとしている状況を想像してください。この物語において、針とは結核（TB）に罹患している人々を指し、干し草の山とはパキスタンの一般人口を指します。

長年にわたり、保健従事者は移動式バンを使って町や村を回り、現れた人々に無料の胸部 X 線検査を提供してきました。これは「能動的症例発見」と呼ばれます。しかし、バンをどこに駐車するかを決める従来の方法は、ある種の「推測」に近いものでした。保健従事者は直感や過去の経験に頼るか、地元の指導者に「どこに行けばよいと思いますか？」と尋ねていました。

問題は、この「推測ゲーム」がしばしば針（TB 症例）が極めて少ない地域にバンを駐車させ、時間とリソースを無駄にしていたことです。

新しいアイデア：疾患のための GPS

研究者たちは、新しいツールのテストを望みました。それはMATCH-AIと呼ばれるAI ソフトウェアです。このソフトウェアを、食料品店への最速のルートではなく、TB が最も隠れている可能性のある「ホットスポット」へのルートを示すハイテク GPS と考えてください。

このソフトウェアはパキスタンの地図を分析し、人口密度、所得水準、過去の TB 報告書などのデータを用いて、診断されていない TB 症例が最も存在する可能性が高い地域を正確に予測します。そして、保健従事者に対して訪問すべき特定の GPS 座標のリストを提供します。

実験：推測対 GPS のレース

GPS が直感よりも優れているかどうかを確認するため、研究者たちはパキスタン全体で30 台の移動式 X 線バンと68 の地区を巻き込んだ大規模な実験を行いました。

彼らは「ステップド・ウェッジ」試験と呼ばれる巧妙な設定を用いました。これは、ランナーが異なるタイミングでレーンを交代するリレーレースを想像してください。

1. 第 1 フェーズ： 30 台すべてのバンは、まず旧来の方法（推測／地域の知識）を使用して開始しました。
2. 第 2 フェーズ： 毎月、3 台のバンが新しい方法（AI GPS の使用）に切り替わりました。
3. 第 3 フェーズ： 最終的には、30 台すべてのバンが AI GPS を使用していました。

これにより、同じバンが旧来の方法を使用している場合と新しい方法を使用している場合を比較でき、さらにバン同士を相互に比較することが可能になりました。

結果：それは運転の仕方によります

研究はいくつかの興味深い結果をもたらしましたが、重大な注意点がありました。このツールは、実際に指示に従わなければ機能しません。

1. 「アイトゥー・トリートメント」の結果（入り混じった結果）
研究者たちが AI バンが運営したすべてのキャンプを調べたところ、結果は旧来の方法よりわずかに優れていましたが、統計的に有意なほどではありませんでした。

• なぜか？ 研究者たちは、バンが AI の指示した場所に必ずしも正確に行かなかったことを発見しました。時には交通渋滞、道路閉鎖、あるいは地元の約束のために、推奨された場所から数マイル離れた場所に駐車していました。
• 比喩： GPS が「赤い家の左折で」と言っているのに、ドライバーが赤い家が塞がれているため、次の家の左折で曲がってしまうようなものです。その結果、間違った地域に到着し、針を見つけることができません。

2. 「検証済み」の結果（成功物語）
研究者たちは次に、バンが AI の推奨場所から実際に 5 キロメートル以内に駐車したキャンプのみを対象に分析しました。

• 結果： この「完全な遵守」のキャンプにおいて、AI 指導のチームは、従来の推測方法を使用するチームよりも32% 多い TB 症例を発見しました。
• 教訓： 保健従事者が AI の地図を正確に遵守したとき、彼らは疾患を見つけるのにはるかに効率的でした。

3. どこで最も機能しましたか？
AI ソフトウェアは、特に以下の場所で針を見つけるのに優れていました。

• 農村地域： 人口密度が低い場所。
• 「中程度の収量」の地区： TB は存在するが顕著ではない地域。TB がすでに至る所に存在する地域（高収量）では、旧来の方法ですでにそれなりの成果を上げていました。TB が非常に稀な地域（低収量）では、AI は多くの針を見つけることができませんでした。なぜなら、そもそも見つけるべき針が少なかったからです。

結論

この研究は、AI が結核を見つけるための強力なコンパスとして機能しうることを証明しています。ただし、このコンパスはドライバーが実際にルートに従う場合にのみ有用です。

パキスタンの保健従事者が AI ソフトウェアを使用して、指示通りに場所を選定したとき、彼らは自身の経験に頼った場合よりも有意に多くの TB 症例を発見しました。これは、将来的に人間の経験とデータ駆動型の AI マップを組み合わせることで、スクリーニングバンが最も必要とされる場所に正確に向かうことを保証し、命を救うのに役立つことを示唆しています。

技術概要

技術的概要：人工知能を用いたパキスタンにおける結核の能動的症例発見の地理的ターゲティング（SPOT-TB）

問題提起
結核（TB）は、世界全体の TB 負荷の 6.3% を占め、推定新規患者数と報告患者数の間に 25% のギャップが存在するパキスタンにおいて、依然として重要な公衆衛生上の課題である。モバイル胸部 X 線検査「キャンプ」による地域全体を対象とした能動的症例発見（ACF）がこのギャップを埋めるために大規模に展開されているが、これらの介入の効率性は低下している。スクリーニングが一般人口全体に拡大するにつれ、検出率は低下する。過去のレビューおよびプログラムデータは、現場スタッフの経験、歴史的な紙の登録簿、地域関係者との協議に依存する従来のサイト選定戦略はしばしば最適ではなく、TB 有病率の低い地域でのスクリーニングを招き、資源の影響を希薄化させていることを示唆している。高負荷環境において、データ駆動型の人工知能（AI）による地理的ターゲティングが、通常のプログラム的アプローチと比較して TB 検出率を改善するかどうかを評価する、前向きな無作為化エビデンスは欠如している。

方法論
著者らは、パキスタンの国家結核制御プログラム（NTP）に組み込まれた、グローバル・ファンドの支援を受け、Mercy Corps によって実施された、実用的なステップウェッジ・クラスター無作為化対照試験（NCT06017843）を実施した。

• 研究デザイン: 本試験には、4 州の 68 地区で活動する 30 台のモバイル X 線バンチームが参加した。デザインはステップウェッジ方式を採用し、すべてのチームは対照群（通常のサイト選定）から開始し、13 ヶ月間（2023 年 8 月～2024 年 9 月）にわたって順次介入群へ移行した。
• 介入: 介入群では、プログラム監視データと文脈変数（例：所得、人口密度、予防接種覆盖率）を統合して TB リスクを予測し、高有病率の「ホットスポット」を特定するためにベイズモデリングを採用した意思決定支援ソフトウェア「MATCH-AI」を使用した。チームには、最高リスクのポリゴンの GPS 座標が提供され、これらの場所でのキャンプ実施を指示された。
• 対照: 対照群は、体系的な量的ターゲティングなしに、地域知識、歴史的な報告データ、および関係者との協議に基づき、地区フィールド監督官が指導する標準的なサイト選定慣行を継続した。
• 対象者: 本研究には、3,936 回のキャンプでスクリーニングされた 269,254 人が含まれた。小児（12 歳未満）および妊婦は、国のガイドラインに従って胸部 X 線スクリーニングから除外されたが、出席者数には含まれた。
• 結果: 主要評価項目は「キャンプ陽性率（1 キャンプあたりの細菌学的に確認された TB 症例数）」であった。副次評価項目には、キャンプ陽性率（スクリーニング対象人口あたりの症例数）、全形態 TB 検出数、および全形態 TB 率が含まれた。
• 解析: 主要解析は意向治療（ITT）解析であった。「検証済み」の従来プロトコール解析も実施され、GPS 検証により AI が推奨した場所から 5 キロメートル圏内でキャンプが実施された介入キャンプのみが含まれた。クラスター化と世俗的傾向を調整するために、一般化線形混合モデル（負の二項分布およびポアソン分布）が使用された。

主要な結果

• 意向治療（ITT）解析: 特定の AI 場所への遵守の有無にかかわらず、介入群へ移行後にチームが実施したすべてのキャンプを含む ITT 解析では、介入群のキャンプ陽性率が対照群より 7% 高かった。しかし、この差は統計的に有意ではなかった（調整後リスク比 [RR] 1.07、95% 信頼区間 [CI]: 0.94–1.22）。
• 検証済み従来プロトコール解析: AI の推奨事項を厳密に遵守したキャンプ（ターゲットから 5 キロメートル以内）に解析を限定した場合、介入群は対照群と比較して、キャンプ陽性率が統計的に有意な 32% 増加を示した（調整後 RR 1.32、95% CI: 1.12–1.54）。
• 副次評価項目: 検証済み従来プロトコール解析において、介入群のキャンプ陽性率も有意に高かった（調整後 RR 1.20、95% CI: 1.02–1.41）。全形態 TB の結果については、有意な差は観察されなかった。
• サブグループ分析:
  • ベースライン検出率: 介入は中程度のベースライン検出率（0.5%～1%）を持つ地区で最も効果的であり、調整後 RR は 1.57（95% CI: 1.13–2.18）であった。低または高のベースライン検出率を持つ地区では、効果は統計的に有意ではなかった。
  • 地理的分布: 介入は農村地区（調整後 RR 1.43、95% CI: 1.23–1.65）およびパンジャーブ州（調整後 RR 1.51、1.17–1.95）で有意に高い結果をもたらした。
• 遵守率: AI の推奨事項への遵守率は州によって大きく異なり（ハイベル・パクトゥンクワ州で最高 44.5%、バロチスタン州で最低 8.3%）、報告された介入キャンプの 56% だけが 5 キロメートルの目標半径内にあることが確認された。

意義と主張
本論文は、高発生環境における TB スクリーニングの地理的ターゲティング戦略の最初の前向き評価であると主張している。その主な意義は、AI によるターゲティングが能動的症例発見の効率を大幅に改善する可能性を有している一方で、その成功は推奨される場所への厳格な遵守に依存していることを示している点にある。

著者らは、有意ではない ITT 結果と有意な従来プロトコール結果との乖離は、正確な AI 推奨サイトからの逸脱が介入の影響を希薄化させることを浮き彫りにしていると論じている。本研究は以下の実証的エビデンスを提供する。

1. TB の分布は空間的に不均一であり、予測されたホットスポットにおけるターゲティングされたスクリーニングは、経験に基づく通常のサイト選定を上回る可能性がある。
2. MATCH-AI のような AI ツールは、必ずしもスクリーニングの総数を増やすことなく、高負荷・低資源環境における資源配分を最適化するための支援的意思決定ツールとして機能し得る。
3. 通常の戦略が検出されていない感染の pockets を見逃す可能性のある、中程度のベースライン検出率を持つ地区において、そのようなツールの最大の恩恵が実現される可能性がある。

著者らは、フィールドでの遵守や運用上の制約に関する課題が解決されれば、空間的知性を通常の運用計画に統合することは、早期診断を改善し TB 排除を加速させる viable な戦略であると結論付けている。彼らは、ソフトウェアが人間の判断を代替するものではなく、むしろ効果を最大化するために文脈的な人間の知識と統合されるべきであると示唆している。