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

Deze pragmatische gestapeld-gewelfde cluster-gerandomiseerde trial in Pakistan toont aan dat een door AI geleide gerichte strategie (MATCH-AI) de opbrengst van bacteriologisch bevestigde tuberculose tijdens kampen voor actieve casusopsporing aanzienlijk verbetert in vergelijking met conventionele methoden voor het selecteren van locaties, met name in landelijke districten en gebieden met een gemiddelde basisopbrengst.

De kern

Het Grote Probleem: Naalden in een Hooiberg vinden

Stel je voor dat je probeert een paar specifieke naalden te vinden die verborgen zitten in een enorme hooiberg. In dit verhaal zijn de naalden mensen met tuberculose (TB), en is de hooiberg de algemene bevolking in Pakistan.

Jarenlang hebben gezondheidswerkers mobiele wagens ingezet om door steden en dorpen te rijden en gratis borstfoto's aan te bieden aan iedereen die langskwam. Dit heet "Actieve Gevallenopsporing". De oude manier om te bepalen waar de wagens moesten parkeren, leek echter een beetje op gokken. Gezondheidswerkers vertrouwden op hun buikgevoel, eerdere ervaringen of vroegen lokale leiders: "Waar denk jij dat we naartoe moeten?"

Het probleem is dat dit "gokspel" er vaak toe leidde dat wagens parkeerden in gebieden waar zeer weinig naalden zaten (weinig TB-gevallen), waardoor tijd en middelen werden verspild.

Het Nieuwe Idee: Een GPS voor Ziekten

De onderzoekers wilden een nieuw hulpmiddel testen: een AI-software genaamd MATCH-AI. Denk aan deze software als een high-tech GPS die je niet de snelste route naar de supermarkt vertelt, maar eerder de route naar de "hotspots" waar TB het meest waarschijnlijk schuilt.

De software bekijkt een kaart van Pakistan en gebruikt gegevens (zoals bevolkingsdichtheid, inkomensniveaus en eerdere TB-rapporten) om precies te voorspellen welke buurten het meest waarschijnlijk ongediagnosticeerde TB-gevallen hebben. Vervolgens geeft het de gezondheidswerkers een lijst met specifieke GPS-coördinaten die ze moeten bezoeken.

Het Experiment: Een Wedloop tussen Gokken en GPS

Om te zien of de GPS beter was dan het buikgevoel, draaiden de onderzoekers een enorm experiment in heel Pakistan met 30 mobiele röntgenwagens en 68 districten.

Ze gebruikten een slimme opzet die een "stapsgewijze wig"-trial wordt genoemd. Stel je een estafettewedstrijd voor waarbij de renners op verschillende tijdstippen van baan wisselen:

1. Fase 1: Alle 30 wagens begonnen met de oude methode (gokken/lokale kennis).
2. Fase 2: Elke maand schakelden drie wagens over naar de nieuwe methode (het gebruik van de AI-GPS).
3. Fase 3: Tegen het einde gebruikten alle 30 wagens de AI-GPS.

Dit stelde hen in staat om dezelfde wagens die de oude methode gebruikten te vergelijken met dezelfde wagens die de nieuwe methode gebruikten, terwijl ze ze ook met elkaar vergeleken.

De Resultaten: Het Hangt Af van Hoe Je Rijdt

De studie leverde interessante resultaten op, maar met een belangrijke kanttekening: Het werkt alleen als je de aanwijzingen daadwerkelijk opvolgt.

1. Het "Intention-to-Treat"-Resultaat (Het Gemengde Pakket)
Toen de onderzoekers keken naar alle kampen die door de AI-wagens werden gerund, waren de resultaten slechts een klein beetje beter dan de oude manier, maar niet genoeg om statistisch significant te zijn.

• Waarom? De onderzoekers ontdekten dat de wagens niet altijd precies naar de plek reden die de AI had aangegeven. Soms, door verkeersdrukte, wegsluitingen of lokale verplichtingen, parkeerden ze een paar kilometer verwijderd van de aanbevolen plek.
• De Analogie: Het is alsof je een GPS hebt die zegt "Sla linksaf bij het rode huis", maar de bestuurder slaat linksaf bij het volgende huis omdat het rode huis geblokkeerd was. Je belandt dan in de verkeerde wijk en je vindt de naalden niet.

2. Het "Geverifieerde" Resultaat (Het Succesverhaal)
Vervolgens keken de onderzoekers alleen naar de kampen waar de wagens daadwerkelijk binnen 5 kilometer van de aanbevolen plek van de AI parkeerden.

• Het Resultaat: In deze kampen met "perfecte adherentie" vonden de door AI geleide teams 32% meer TB-gevallen dan de teams die de oude gokmethode gebruikten.
• De Les: Wanneer de gezondheidswerkers de kaart van de AI exact volgden, waren ze veel efficiënter in het vinden van de ziekte.

3. Waar Werkte Het Het Best?
De AI-software was bijzonder goed in het vinden van naalden in:

• Plattelandsgebieden: Plekken met een lagere bevolkingsdichtheid.
• "Middelgrote-opbrengst"-districten: Gebieden waar TB bestaat maar niet voor het grijpen ligt. In gebieden waar TB al overal voorkomt (hoge opbrengst), deden de oude methoden al een behoorlijk goede baan. In gebieden waar TB zeer zeldzaam is (lage opbrengst), kon de AI niet veel naalden vinden omdat er simpelweg niet veel te vinden waren.

De Conclusie

Deze studie bewijst dat AI kan fungeren als een krachtig kompas voor het vinden van tuberculose. Het kompas is echter alleen nuttig als de bestuurders de route daadwerkelijk volgen.

Toen gezondheidswerkers in Pakistan de AI-software gebruikten om hun locaties precies te kiezen zoals aangegeven, vonden ze aanzienlijk meer TB-gevallen dan toen ze vertrouwden op hun eigen ervaring. Dit suggereert dat het in de toekomst, door menselijke ervaring te combineren met datagedreven AI-kaarten, mogelijk levens kan redden door ervoor te zorgen dat screeningswagens precies naar de plekken gaan waar ze het hardst nodig zijn.

Technische samenvatting

Technische Samenvatting: Geografische Targeting van Actieve Case Finding voor Tuberculose in Pakistan met AI (SPOT-TB)

Probleemstelling
Tuberculose (TB) blijft een kritieke uitdaging voor de volksgezondheid in Pakistan, dat goed is voor 6,3% van de wereldwijde TB-last en geconfronteerd wordt met een gat van 25% tussen de geschatte incidentiegevallen en de gemelde gevallen. Hoewel actieve case finding (ACF) op gemeenschapsniveau via mobiele röntgenfoto-campagnes is opgeschaald om dit gat te dichten, neemt de efficiëntie van deze interventies af. Naarmate het screenen uitbreidt tot de algemene bevolking, nemen de opbrengsten van de detectie af. Eerdere reviews en programmatische gegevens suggereren dat conventionele strategieën voor locatiekeuze – die vertrouwen op de ervaring van veldpersoneel, historische papieren registers en overleg met lokale belanghebbenden – vaak suboptimaal zijn, wat leidt tot screening in gebieden met een lage TB-prevalentie en het verdunnen van de impact van middelen. Er ontbreekt prospectief, gerandomiseerd bewijs dat evalueert of datagedreven, door kunstmatige intelligentie (AI) geleide geografische targeting de opbrengst van TB-detectie kan verbeteren ten opzichte van routine programmatische benaderingen in gebieden met een hoge last.

Methodologie
De auteurs voerden een pragmatische, gestapeld-wedge cluster-gerandomiseerde gecontroleerde studie (NCT06017843) uit, ingebed in het Nationale TB-Controleprogramma (NTP) van Pakistan, ondersteund door het Global Fund en uitgevoerd door Mercy Corps.

• Onderzoeksopzet: De studie omvatte 30 mobiele röntgenbus-teams die opereerden in 68 districten over vier provincies. Het ontwerp gebruikte een gestapeld-wedge-aanpak waarbij alle teams begonnen in de controlegroep (routine locatiekeuze) en sequentieel overgingen naar de interventiegroep over een periode van 13 maanden (augustus 2023 – september 2024).
• Interventie: De interventiegroep gebruikte MATCH-AI, een besluitvormingssoftware die Bayesiaanse modellering toepast om programmatische surveillancegegevens en contextuele variabelen (bijv. inkomen, bevolkingsdichtheid, vaccinatiegraad) te integreren om het TB-risico te voorspellen en hotspots met hoge prevalentie te identificeren. Teams kregen GPS-coördinaten van de polygonen met het hoogste risico en kregen de instructie om campagnes op deze locaties te houden.
• Controle: De controlegroep ging door met standaard praktijken voor locatiekeuze, geleid door District Field Supervisors die gebruik maakten van lokale kennis, historische meldingsgegevens en overleg met belanghebbenden, zonder systematische kwantitatieve targeting.
• Deelnemers: De studie omvatte 269.254 individuen die werden gescreend in 3.936 campagnes. Kinderen (<12 jaar) en zwangere vrouwen werden uitgesloten van röntgenfoto-screening conform nationale richtlijnen, maar werden wel opgenomen in de aantallen aanwezigen.
• Resultaten: Het primaire resultaat was de Camp Positivity Yield (aantal bacteriologisch bevestigde TB-gevallen per campagne). Secundaire resultaten omvatten de Camp Positivity Rate (gevallen per gescreende bevolking), de All-Forms TB Yield en de All-Forms TB Rate.
• Analyse: De primaire analyse was Intention-to-Treat (ITT). Er werd ook een "gevalideerde" per-protocol-analyse uitgevoerd, waarbij alleen interventiecampagnes werden opgenomen waarbij GPS-verificatie bevestigde dat de campagne werd gehouden binnen een straal van 5 km van de door AI aanbevolen locatie. Generalized linear mixed models (negatief binomiaal en Poisson) werden gebruikt om te corrigeren voor clustering en seculaire trends.

Belangrijkste Resultaten

• Intention-to-Treat (ITT) Analyse: De ITT-analyse, die alle campagnes omvatte die door teams werden gehouden nadat ze waren overgegaan naar de interventiegroep, ongeacht de naleving van specifieke AI-locaties, toonde een 7% hogere Camp Positivity Yield in de interventiegroep in vergelijking met de controle. Dit verschil was echter niet statistisch significant (Adjusted Risk Ratio [RR] 1,07, 95% BI: 0,94–1,22).
• Gevalideerde Per-Protocol Analyse: Bij het beperken van de analyse tot campagnes die strikt voldeden aan de AI-aanbevelingen (binnen 5 km van het doel), toonde de interventie een statistisch significante toename van 32% in de Camp Positivity Yield in vergelijking met de controle (Adjusted RR 1,32, 95% BI: 1,12–1,54).
• Secundaire Resultaten: In de gevalideerde per-protocol-analyse was de Camp Positivity Rate ook significant hoger in de interventiegroep (Adjusted RR 1,20, 95% BI: 1,02–1,41). Er werden geen significante verschillen waargenomen voor All-Forms TB-resultaten.
• Subgroepbevindingen:
  • Basisopbrengst: De interventie was het meest effectief in districten met matige basisopbrengsten (0,5%–1%), waarbij de adjusted RR 1,57 was (95% BI: 1,13–2,18). Effecten waren niet statistisch significant in districten met lage of hoge basisopbrengsten.
  • Geografie: De interventie leverde significant hogere resultaten op in landelijke districten (Adjusted RR 1,43, 95% BI: 1,23–1,65) en in de provincie Punjab (Adjusted RR 1,51, 1,17–1,95).
• Naleving: De naleving van AI-aanbevelingen varieerde aanzienlijk per provincie (hoogst in Khyber Pakhtunkhwa met 44,5%, laagst in Balochistan met 8,3%), waarbij slechts 56% van de gerapporteerde interventiecampagnes werd geverifieerd als binnen de 5-km-doelstraal te liggen.

Betekenis en Beweringen
Het artikel claimt de eerste prospectieve evaluatie te zijn van een geografische targetingstrategie voor TB-screening in een omgeving met hoge incidentie. De primaire betekenis ligt in het aantonen dat AI-geleide targeting het potentieel heeft om de efficiëntie van actieve case finding aanzienlijk te verbeteren, maar dat het succes afhankelijk is van strikte naleving van de aanbevolen locaties.

De auteurs betogen dat de afwijking tussen de niet-significante ITT-resultaten en de significante per-protocol-resultaten benadrukt dat afwijkingen van precieze door AI aanbevolen locaties de impact van de interventie verdunnen. De studie levert empirisch bewijs dat:

1. De TB-verdeling ruimtelijk heterogeen is en dat gerichte screening in voorspelde hotspots de routine, op ervaring gebaseerde locatiekeuze kan overtreffen.
2. AI-tools zoals MATCH-AI kunnen dienen als ondersteunende instrumenten voor besluitvorming om de toewijzing van middelen te optimaliseren in gebieden met een hoge last en weinig middelen, zonder noodzakelijkerwijs het totale aantal screenings uit te breiden.
3. Het grootste voordeel van dergelijke tools kan worden gerealiseerd in districten met matige basisopbrengsten, waar routine strategieën ongedetecteerde zakken van transmissie kunnen missen.

De auteurs concluderen dat het integreren van ruimtelijke intelligentie in routine operationele planning een haalbare strategie is om vroege diagnose te verbeteren en de eliminatie van TB te versnellen, mits implementatieuitdagingen met betrekking tot naleving op het veld en operationele beperkingen worden aangepakt. Zij claimen niet dat de software menselijk oordeel vervangt, maar suggereren eerder dat deze geïntegreerd moet worden met contextuele menselijke kennis om de effectiviteit te maximaliseren.