Effektevaluering af brug af MATCH AI prædiktiv modellering til identifikation af hotspots for TB Active Case Finding (SPOT-TB)

På trods af betydelige fremskridt i de seneste årtier blev anslået 10,6 millioner individer syge af tuberkulose (TB) i 2021, og sygdommen forårsagede 1,6 millioner dødsfald globalt. Pakistan er rangeret som det 5. højeste TB-byrdeland i verden, og TB forårsager 42.000 dødsfald årligt i landet. En central udfordring i Pakistans reaktion på TB er at sikre diagnosticering og behandling af alle individer med TB. I 2020 blev der anmeldt 276.736 (48%) ud af de 573.000 sager. At bygge bro over dette tilfælde-detektionskløft er et kritisk mål for det nationale TB-program (NTP). Active case-finding (ACF) er en potentiel strategi til at øge case-detektion ved systematisk screening af samfund for TB. Nylige beviser indikerer, at ACF også kan reducere TB-forekomst og prævalens på populationsniveau gennem tidlig påvisning. Mens ACF-interventioner har vist effektivitet i samfundsforsøg og nu udføres i stor skala i Pakistan, er der stadig bekymringer vedrørende deres udbytte og omkostningseffektivitet i programmatiske omgivelser.

Det primære formål med denne undersøgelse er at undersøge, om en målrettet tilgang til fællesskabsbaseret screening ved hjælp af MATCH-AI, en kunstig intelligens-software, der modellerer sub-distrikts TB-prævalens, kan forbedre udbyttet af ACF-interventioner i Pakistan. I interventionsarmen vil feltteamet udføre lokalsamfundsbaserede ACF-aktiviteter (kaldet brystlejre) primært på steder, som af MATCH-AI forudsiges at have en højere forekomst af TB. I kontrolarmen vil felthold fortsætte med at bruge eksisterende tilgange til udvælgelse af campingpladser. Forsøget vil blive gennemført i 65 distrikter i Pakistan i samarbejde med implementeringspartnere af NTP.