Urbanization, geographic accessibility, and delayed entry into tuberculosis-designated care in southwestern China: a machine-learning prediction study

Technische Samenvatting: Urbanisatie, Geografische Toegankelijkheid en Vertraagde TB-zorg in Zuidwest-China

Probleemstelling
Vertraging bij TB-patiënten—het interval tussen het begin van de symptomen en de start van effectieve zorg—blijft een kritieke barrière voor vroege diagnose, behandeling en transmissiecontrole. Hoewel eerder onderzoek demografische, sociaaleconomische en klinische determinanten van vertraging heeft geïdentificeerd, vertrouwen studies in bergachtige, snel urbaniserende regio's vaak op grove geografische proxies (bijv. plattelandsbewoning of administratieve grenzen) in plaats van fijnmazige toegankelijkheid via het wegennetwerk. In gebieden zoals Guangxi en Guizhou, China, waar het terrein complex is en nederzettingen verspreid liggen, kunnen deze grove maten er niet in slagen de werkelijke fysieke last van het bereiken van TB-bestemde faciliteiten accuraat weer te geven. Bovendien hervormt de dynamische aard van urbanisatie en investeringen in infrastructuur de ruimtelijke toegang continu, maar weinig studies onderzoeken hoe deze processen de paden naar bestemde zorg veranderen. Deze studie adresseert de kloof in het begrip van hoe fijnmazige geografische toegankelijkheid bijdraagt aan vertraagde toegang tot TB-bestemde zorg binnen een multi-etnische, bergachtige context.

Methodologie
De auteurs voerden een retrospectieve voorspellingsmodellerende studie uit met behulp van een grote, routinematige surveillance-dataset van 60.778 nieuw geregistreerde pulmonale TB-patiënten uit de provincies Guangxi en Guizhou.

• Databronnen: De analyse integreerde TB-surveillancegegevens, klinische en publieke gezondheidsbeheer variabelen, informatie over ziektekostenverzekeringen, ziekenhuisdiagnosecodes en hoogwaardige geografische toegankelijkheidsgegevens.
• Definitie van Uitkomst: De primaire uitkomst was "vertraagde toegang tot TB-bestemde zorg", gedefinieerd als een interval van ten minste 14 dagen tussen het begin van de symptomen en het eerste geregistreerde bezoek aan een TB-bestemde faciliteit. Een drempelwaarde van 7 dagen werd gebruikt voor de sensitiviteitsanalyse.
• Feature Engineering: Predictoren omvatten demografie, migratiestatus, verzekeringstype, comorbiditeiten (HIV/AIDS, diabetes), temporele kenmerken, symptoomkenmerken en gedetailleerde geografische toegankelijkheidsmetrieken (nabijste en gemiddelde reistijd via het wegennetwerk, afstand via het wegennetwerk en hemelsbrede afstand). Ontbrekende gegevens werden afgehandeld via informatieve categorieën, modus-imputatie of modelspecifieke schatting.
• Modelontwikkeling: De dataset werd gesplitst in een trainingsset van 70% en een onafhankelijke testset van 30% met behulp van uitkomststratificatie. Vijf-voudige gestratificeerde kruisvalidatie werd toegepast voor hyperparameteroptimalisatie. Kandidaat-modellen waren onder meer LightGBM, XGBoost, Random Forest, Elastic Net logistische regressie en een mean-probability ensemble.
• Evaluatiemetrieken: Prestaties werden beoordeeld via discriminatie (ROC-AUC, PR-AUC), kalibratie, decision curve analysis (net benefit) en variabele belangrijkheid (SHAP-waarden). Drempelwaarden werden geselecteerd om de Youden-index te maximaliseren, met aanvullende rapportage voor sensitiviteitsgeoriënteerde drempelwaarden.

Belangrijkste Resultaten

• Prevalentie: 63,5% (38.590/60.778) van de patiënten ervoer vertraagde toegang tot TB-bestemde zorg. Vertraagde patiënten waren over het algemeen ouder, vaker boeren en kampten met minder gunstige geografische toegankelijkheid (bijv. de mediaan van de dichtstbijzijnde reistijd via het wegennetwerk was 2126 seconden versus 2035,5 seconden voor niet-vertraagde patiënten).
• Modelprestaties: LightGBM behaalde de beste prestaties op de onafhankelijke testset, met een ROC-AUC van 0,703 en een PR-AUC van 0,796. Bij de Youden-index drempelwaarde vertoonde het een accuratesse van 0,651, een sensitiviteit van 0,678 en een specificiteit van 0,603. XGBoost presteerde nagenoeg identiek, terwijl Random Forest en Elastic Net lagere discriminatie lieten zien.
• Predictor Belangrijkheid: Geografische toegankelijkheidsindicatoren (afstand via het wegennetwerk, reistijd via het wegennetwerk en hemelsbrede afstand) bleken de meest informatieve predictor-domeinen, die hoger rangschikten dan conventionele demografische, klinische en gebruik-van-diensten variabelen. SHAP-analyse bevestigde dat deze ruimtelijke variabelen de voorspellende kracht van het model dreven.
• Robuustheid: Sensitiviteitsanalyse met een 7-daagse vertragingsdrempel leverde een hogere ROC-AUC (0,727) en PR-AUC (0,874) op, wat consistent is met het hogere aantal gebeurtenissen. Subgroepanalyses over leeftijd, geslacht en verblijfstatus toonden breed consistente discriminatie (ROC-AUC 0,688–0,706).

Betekenis en Claims
Het artikel claimt dat fijnmazige geografische toegankelijkheid cruciale voorspellende informatie biedt die vaak wordt verborgen door grove administratieve proxies. De studie herpositioneert het begrip van TB-vertraging in bergachtige, multi-etnische omgevingen:

1. Ruimtelijke Dynamiek: Geografische barrières zijn geen statische topografische kenmerken, maar worden dynamisch gevormd door urbanisatie, investeringen in infrastructuur en de decentralisatie van de gezondheidszorg.
2. Predictieve Hiërarchie: Wanneer directe maten van toegang via het wegennetwerk worden opgenomen, overtreffen deze vaak traditionele predictoren zoals de bron van de patiënt, verzekeringsstatus of beroep bij het identificeren van risicopopulaties. Dit suggereert dat eerdere associaties tussen deze factoren en vertraging deels een reflectie kunnen zijn van niet-gemeten ruimtelijke toegangsproblemen.
3. Beleidsimplicaties: De auteurs betogen dat het verminderen van TB-vertraging vereist dat transportplanning, stedelijke ontwikkelingsstrategie en de herontwerp van gezondheidsdiensten worden geïntegreerd. Beleid moet geografische barrières niet behandelen als onveranderlijke achtergrondcondities. In plaats daarvan kan routinematige TB-surveillance gekoppeld aan ruimtelijke toegankelijkheidsmaten gerichte outreach, verwijzingscoördinatie en seizoensgebonden dienstplanning ondersteunen (bijv. rekening houdend met landbouwcycli of regenseizoenen).
4. Methodologische Bijdrage: De studie demonstreert het nut van machine learning (met name ensemble tree-gebaseerde methoden) bij het integreren van complexe, niet-lineaire interacties tussen demografische, klinische en ruimtelijke data voor risicostratificatie in de publieke gezondheidszorg.

De auteurs hanteren een bescheiden toon met betrekking tot de bruikbaarheid van het model, waarbij zij het karakteriseren als een "surveillance-gebaseerd planningsinstrument" in plaats van een deterministische beslissingsregel voor individuele patiënten. Zij benadrukken dat externe en prospectieve validatie noodzakelijk is alvorens operationele inzet mogelijk is, en erkennen beperkingen zoals het gebrek aan data over gedragsfactoren (bijv. gezondheidsvaardigheden, stigma) en het onvermogen om zorg te observeren voorafgaand aan het eerste bezoek aan een TB-bestemde faciliteit.