HS#2017-3512, Adaptive Interventions for Optimizing Malaria Control: A Cluster-Randomized SMART Trial

I det seneste årti har massiv opskalering af langtidsholdbare insekticid-behandlede net (LLIN'er) og indendørs restsprøjtning (IRS) i Afrika ført til betydelige reduktioner i malariadødelighed og -mobilitet. Men de nuværende første-linje-interventioner er ikke tilstrækkelige til at eliminere malaria i de fleste lande. Den udbredte brug af pyrethroid-insekticider har resulteret i resistente vektorpopulationer, og høj dækning af LLIN'er og IRS har ført til øget udendørs menneskelig fodringsadfærd og hvileadfærd. Disse ændringer i vektorøkologi og adfærd har væsentligt begrænset effektiviteten af ​​nuværende førstelinjeinterventioner, der er rettet mod indendørs bidende og hvilende myg. Ydermere, som et resultat af økologiske ændringer og interventionsforanstaltninger, er malariarisikoen i en lokalitet dynamisk, og anvendeligheden af ​​malaria-interventionsværktøjer kan variere, efterhånden som nye værktøjer bliver godkendt og introduceret, og prisen på hvert værktøj varierer mellem steder og over tid. Sådanne variationer i malariarisiko, vektorøkologi og brugen af ​​interventionsværktøjer eksemplificerer behovet for at udvikle optimale adaptive interventioner skræddersyet til lokale malariarisici, vektorøkologi og forsyningskæder. Det centrale formål med denne ansøgning er at designe optimale adaptive kombinationer af vektorkontrolinterventioner for at maksimere reduktioner i malariabyrden baseret på lokale malariatransmissionsrisici, skiftende vektorøkologi og tilgængelig blanding af interventioner godkendt af sundhedsministeriet i hvert målland. Den centrale hypotese er, at en adaptiv tilgang baseret på lokal malariarisiko og skiftende vektorøkologi vil føre til betydelige reduktioner i malariaforekomst og smitterisiko. For at nå dette mål foreslår vi følgende tre specifikke mål:

1. Mål malariaforekomst og forudsig risiko ved hjælp af miljømæssige, biologiske, sociale og klimatiske egenskaber med maskinlæringstilgange. Hypotese: Forudsigelse af malariarisiko kan forbedres gennem brug af maskinlæringsteknikker, der inkluderer miljømæssige, biologiske, socioøkonomiske og klimatiske egenskaber. Fremgangsmåde: Hvert sted vil måle malariaforekomst, prævalens og socialøkonomiske faktorer gennem samfundsundersøgelser. Klassifikationsbaserede og regressionsbaserede tilgange vil blive brugt til at udvikle malariarisikoprædiktive modeller, og modellens ydeevne vil blive valideret. Resultat: Dette mål vil etablere forbedrede malariarisikoforudsigelsesmodeller og lægge et vigtigt grundlag for udvikling af interventionsstrategier, der er tilpasset lokal vektorøkologi og fremtidige malariarisici ved hjælp af forstærkede maskinlæringstilgange.
2. Brug et klynge-randomiseret sekventielt, multiple assignment randomized trial (SMART) design til at udvikle en optimal adaptiv interventionsstrategi. Hypotese: Malariakontrolinterventioner, der er tilpasset lokal malariarisiko og vektorøkologi og er omkostningseffektive, kan identificeres ved hjælp af et klyngerandomiseret SMART-design. Fremgangsmåde: Cluster-randomiseret SMART-design vil blive brugt i områder med høj transmission i Kenya for at evaluere virkningen af ​​adaptive interventioner, der involverer sekventiel og kombinationsbrug af næste generations net, indendørs sprøjtning af ikke-pyrethroide insekticider og larvekildehåndtering for malaria styring.
3. Evaluer omkostningseffektiviteten og virkningen af ​​en adaptiv interventionstilgang på sekundære endepunkter relateret til malariarisiko og -overførsel. Hypotese: Interventionsstrategier tilpasset lokal malariarisiko og vektorøkologi vil være mere omkostningseffektive til at reducere malariaforekomst og smitterisiko end den aktuelt anvendte LLIN-intervention. Fremgangsmåde: De økonomiske omkostninger ved individuelle interventioner eller kombinationer heraf vil blive vurderet fra både et udbyder- og samfundsmæssigt perspektiv ved hjælp af standard økonomiske evalueringsmetoder. Omkostningseffektivitet vil blive målt i form af omkostninger pr. beskyttet person. Undersøgelsen vil undersøge ændringer i lægemiddel- og insekticidresistens og infektionsprævalens, der kan tilskrives de adaptive interventioner.

Malariainterventioner tilpasset hurtigt skiftende malariarisiko og vektorøkologier er kritisk nødvendige for at forbedre effektiviteten af ​​malariakontrolforanstaltninger. Denne undersøgelse vil bruge nye teknikker, herunder maskinlæring og et nyt klynge-randomiseret SMART-design, til at udvikle optimale adaptive malaria-interventionsstrategier.