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

Esta ensaio pragmático randomizado em cluster com design de cunha em etapas, realizado no Paquistão, demonstra que uma estratégia de direcionamento guiada por IA (MATCH-AI) melhora significativamente o rendimento de casos de tuberculose confirmados bacteriologicamente durante campanhas de busca ativa de casos em comparação com métodos convencionais de seleção de locais, particularmente em distritos rurais e áreas com rendimentos basais moderados.

O essencial

O Grande Problema: Encontrar Agulhas num Palheiro

Imagine que você está tentando encontrar algumas agulhas específicas escondidas dentro de um palheiro massivo. Nesta história, as agulhas são pessoas com Tuberculose (TB), e o palheiro é a população geral do Paquistão.

Durante anos, os agentes de saúde têm usado vans móveis para percorrer cidades e vilas, oferecendo radiografias de tórax gratuitas a qualquer pessoa que se apresente. Isso é chamado de "Busca Ativa de Casos". No entanto, a maneira antiga de escolher onde estacionar as vans era um pouco como adivinhar. Os agentes de saúde confiavam em seus instintos, experiências passadas ou perguntavam a líderes locais: "Onde você acha que devemos ir?"

O problema é que esse "jogo de adivinhação" frequentemente levava as vans a estacionarem em áreas onde havia muito poucas agulhas (poucos casos de TB), desperdiçando tempo e recursos.

A Nova Ideia: Um GPS para Doenças

Os pesquisadores queriam testar uma nova ferramenta: um software de IA chamado MATCH-AI. Pense neste software como um GPS de alta tecnologia que não diz a você o caminho mais rápido para o supermercado, mas sim a rota para os "pontos quentes" onde a TB está mais provavelmente se escondendo.

O software analisa um mapa do Paquistão e usa dados (como densidade populacional, níveis de renda e relatórios anteriores de TB) para prever exatamente quais bairros têm maior probabilidade de ter casos não diagnosticados de TB. Em seguida, fornece aos agentes de saúde uma lista de coordenadas GPS específicas para visitar.

O Experimento: Uma Corrida entre Adivinhação e GPS

Para ver se o GPS era melhor do que o instinto, os pesquisadores realizaram um experimento massivo em todo o Paquistão, envolvendo 30 vans móveis de raio-X e 68 distritos.

Eles usaram uma configuração inteligente chamada ensaio de "cunha escalonada". Imagine uma corrida de revezamento onde os corredores trocam de pista em momentos diferentes:

1. Fase 1: Todas as 30 vans começaram usando o método antigo (adivinhação/conhecimento local).
2. Fase 2: A cada mês, três vans mudaram para o novo método (usando o GPS de IA).
3. Fase 3: No final, todas as 30 vans estavam usando o GPS de IA.

Isso permitiu que eles comparassem as mesmas vans usando o método antigo contra as mesmas vans usando o novo método, além de compará-las entre si.

Os Resultados: Depende de Como Você Dirige

O estudo encontrou alguns resultados interessantes, mas com uma grande ressalva: A ferramenta só funciona se você realmente seguir as instruções.

1. O Resultado "Intenção de Tratar" (O Misto)
Quando os pesquisadores olharam para todos os acampamentos que as vans com IA realizaram, os resultados foram apenas um pouco melhores do que a maneira antiga, mas não o suficiente para serem estatisticamente significativos.

• Por quê? Os pesquisadores descobriram que as vans nem sempre iam exatamente para onde a IA dizia. Às vezes, devido ao trânsito, fechamento de estradas ou compromissos locais, elas estacionavam alguns quilômetros de distância do local recomendado.
• A Analogia: É como ter um GPS que diz "Vire à esquerda na casa vermelha", mas o motorista vira à esquerda na próxima casa porque a casa vermelha estava bloqueada. Você acaba no bairro errado e não encontra as agulhas.

2. O Resultado "Validado" (A História de Sucesso)
Os pesquisadores então olharam apenas para os acampamentos onde as vans realmente estacionaram dentro de 5 quilômetros do local recomendado pela IA.

• O Resultado: Nestes acampamentos de "adesão perfeita", as equipes guiadas por IA encontraram 32% mais casos de TB do que as equipes usando o método antigo de adivinhação.
• A Conclusão: Quando os agentes de saúde seguiam o mapa da IA exatamente, eles eram muito mais eficientes na descoberta da doença.

3. Onde Funcionou Melhor?
O software de IA foi particularmente bom em encontrar agulhas em:

• Áreas rurais: Lugares com menor densidade populacional.
• Distritos de "Rendimento Médio": Áreas onde a TB existe, mas não é óbvia. Em áreas onde a TB já está em toda parte (alto rendimento), os métodos antigos já estavam fazendo um trabalho decente. Em áreas onde a TB é muito rara (baixo rendimento), a IA não conseguia encontrar muitas agulhas porque simplesmente não havia muitas para encontrar.

A Conclusão

Este estudo prova que a IA pode atuar como uma bússola poderosa para encontrar Tuberculose. No entanto, a bússola só é útil se os motoristas realmente seguirem a rota.

Quando os agentes de saúde no Paquistão usaram o software de IA para escolher seus locais exatamente conforme instruído, eles encontraram significativamente mais casos de TB do que quando confiaram em sua própria experiência. Isso sugere que, no futuro, misturar a experiência humana com mapas de IA baseados em dados pode ajudar a salvar vidas, garantindo que as vans de triagem vão exatamente para onde são mais necessárias.

Resumo técnico

Resumo Técnico: Direcionamento Geográfico da Busca Ativa de Casos para Tuberculose no Paquistão usando IA (SPOT-TB)

Declaração do Problema
A tuberculose (TB) permanece um desafio crítico de saúde pública no Paquistão, que responde por 6,3% da carga global de TB e enfrenta uma lacuna de 25% entre os casos incidentes estimados e os casos notificados. Embora a Busca Ativa de Casos (ACF) em nível comunitário por meio de "campanhas" móveis de radiografia de tórax tenha sido ampliada para fechar essa lacuna, a eficiência dessas intervenções está diminuindo. À medida que a triagem se expande para cobrir a população geral, os rendimentos de detecção diminuem. Revisões anteriores e dados programáticos sugerem que estratégias convencionais de seleção de locais — baseadas na experiência da equipe de campo, registros históricos em papel e consulta a partes interessadas locais — são frequentemente subótimas, levando à triagem em áreas com baixa prevalência de TB e diluindo o impacto dos recursos. Há uma falta de evidências prospectivas e randomizadas que avaliem se o direcionamento geográfico orientado por dados e inteligência artificial (IA) pode melhorar os rendimentos de detecção de TB em comparação com abordagens programáticas rotineiras em cenários de alta carga.

Metodologia
Os autores conduziram um ensaio controlado randomizado por conglomerados em cunha pragmático (NCT06017843) incorporado ao Programa Nacional de Controle da Tuberculose (NTP) do Paquistão, apoiado pelo Fundo Global e implementado pela Mercy Corps.

• Desenho do Estudo: O ensaio envolveu 30 equipes de vans de radiografia móvel operando em 68 distritos em quatro províncias. O desenho utilizou uma abordagem em cunha escalonada, onde todas as equipes começaram no braço de controle (seleção rotineira de locais) e transitaram sequencialmente para o braço de intervenção ao longo de um período de 13 meses (agosto de 2023 a setembro de 2024).
• Intervenção: O braço de intervenção utilizou o MATCH-AI, um software de suporte à decisão que emprega modelagem bayesiana para integrar dados de vigilância programática e variáveis contextuais (por exemplo, renda, densidade populacional, cobertura de vacinação) para prever o risco de TB e identificar "pontos quentes" de alta prevalência. As equipes receberam coordenadas GPS dos polígonos de maior risco e foram instruídas a realizar campanhas nesses locais.
• Controle: O braço de controle continuou com práticas padrão de seleção de locais, orientadas por Supervisores de Campo Distritais usando conhecimento local, dados históricos de notificação e consulta a partes interessadas, sem direcionamento quantitativo sistemático.
• Participantes: O estudo incluiu 269.254 indivíduos triados em 3.936 campanhas. Crianças (<12 anos) e mulheres grávidas foram excluídas da triagem por radiografia de tórax conforme diretrizes nacionais, mas incluídas nas contagens de presença.
• Desfechos: O desfecho primário foi o Rendimento de Positividade da Campanha (número de casos de TB confirmados bacteriologicamente por campanha). Desfechos secundários incluíram a Taxa de Positividade da Campanha (casos por população triada), Rendimento de TB de Todas as Formas e Taxa de TB de Todas as Formas.
• Análise: A análise primária foi por Intenção de Tratar (ITT). Uma análise "validada" por protocolo também foi conduzida, incluindo apenas campanhas de intervenção onde a verificação por GPS confirmou que a campanha foi realizada dentro de um raio de 5 km do local recomendado pela IA. Modelos lineares mistos generalizados (binomial negativo e Poisson) foram usados para ajustar o agrupamento e tendências seculares.

Principais Resultados

• Análise por Intenção de Tratar (ITT): A análise ITT, que incluiu todas as campanhas realizadas pelas equipes após a transição para o braço de intervenção, independentemente da adesão a locais específicos da IA, mostrou um rendimento de positividade da campanha 7% maior no grupo de intervenção em comparação com o controle. No entanto, essa diferença não foi estatisticamente significativa (Risco Relativo Ajustado [RR] 1,07, IC 95%: 0,94–1,22).
• Análise Validada por Protocolo: Ao restringir a análise às campanhas que aderiram estritamente às recomendações da IA (dentro de 5 km do alvo), a intervenção demonstrou um aumento estatisticamente significativo de 32% no rendimento de positividade da campanha em comparação com o controle (RR Ajustado 1,32, IC 95%: 1,12–1,54).
• Desfechos Secundários: Na análise validada por protocolo, a Taxa de Positividade da Campanha também foi significativamente maior no braço de intervenção (RR Ajustado 1,20, IC 95%: 1,02–1,41). Nenhuma diferença significativa foi observada para os desfechos de TB de todas as formas.
• Resultados de Subgrupos:
  • Rendimento Basal: A intervenção foi mais eficaz em distritos com rendimentos basais moderados (0,5%–1%), onde o RR ajustado foi 1,57 (IC 95%: 1,13–2,18). Os efeitos não foram estatisticamente significativos em distritos com rendimentos basais baixos ou altos.
  • Geografia: A intervenção produziu resultados significativamente maiores em distritos rurais (RR Ajustado 1,43, IC 95%: 1,23–1,65) e na província de Punjab (RR Ajustado 1,51, IC 95%: 1,17–1,95).
• Adesão: A adesão às recomendações da IA variou significativamente por província (mais alta em Khyber Pakhtunkhwa, com 44,5%, e mais baixa em Baluchistão, com 8,3%), com apenas 56% das campanhas de intervenção relatadas verificadas como estando dentro do raio-alvo de 5 km.

Significância e Alegações
O artigo alega ser a primeira avaliação prospectiva de uma estratégia de direcionamento geográfico para triagem de TB em um cenário de alta incidência. Sua principal significância reside em demonstrar que, embora o direcionamento orientado por IA tenha o potencial de melhorar substancialmente a eficiência da busca ativa de casos, seu sucesso é contingente à adesão estrita aos locais recomendados.

Os autores argumentam que a divergência entre os resultados ITT não significativos e os resultados por protocolo significativos destaca que desvios dos locais precisos recomendados pela IA diluem o impacto da intervenção. O estudo fornece evidências empíricas de que:

1. A distribuição da TB é espacialmente heterogênea, e a triagem direcionada em pontos quentes previstos pode superar a seleção rotineira de locais baseada em experiência.
2. Ferramentas de IA como o MATCH-AI podem servir como instrumentos de apoio à tomada de decisão para otimizar a alocação de recursos em cenários de alta carga e baixos recursos, sem necessariamente expandir o número total de triagens.
3. O maior benefício de tais ferramentas pode ser realizado em distritos com rendimentos basais moderados, onde estratégias rotineiras podem perder bolsões de transmissão não detectados.

Os autores concluem que integrar inteligência espacial ao planejamento operacional rotineiro é uma estratégia viável para melhorar o diagnóstico precoce e acelerar a eliminação da TB, desde que os desafios de implementação relacionados à adesão de campo e restrições operacionais sejam abordados. Eles não alegam que o software substitui o julgamento humano, mas sugerem que deve ser integrado ao conhecimento humano contextual para maximizar a eficácia.