HS#2017-3512, Adaptive Interventionen zur Optimierung der Malariakontrolle: Eine Cluster-randomisierte SMART-Studie

In den letzten zehn Jahren hat die massive Ausweitung von langlebigen insektizidbehandelten Netzen (LLINs) und Indoor Residual Spraying (IRS) in Afrika zu einer signifikanten Verringerung der Malaria-Mortalität und -Mobilität geführt. Die derzeitigen Erstlinienmaßnahmen reichen jedoch in den meisten Ländern nicht aus, um Malaria zu eliminieren. Die weit verbreitete Verwendung von Pyrethroid-Insektiziden hat zu resistenten Vektorpopulationen geführt, und eine hohe Abdeckung von LLINs und IRS hat zu einem erhöhten Fress- und Ruheverhalten des Menschen im Freien geführt. Diese Veränderungen in der Vektorökologie und im Verhalten haben die Wirksamkeit der derzeitigen Erstlinienmaßnahmen, die auf stechende und ruhende Mücken in Innenräumen abzielen, erheblich eingeschränkt. Darüber hinaus ist das Malariarisiko in einem Ort aufgrund ökologischer Veränderungen und Interventionsmaßnahmen dynamisch, und der Nutzen von Malaria-Interventionsinstrumenten kann variieren, wenn neue Instrumente genehmigt und eingeführt werden und die Kosten für jedes Instrument von Ort zu Ort und im Laufe der Zeit unterschiedlich sind. Solche Variationen des Malariarisikos, der Vektorökologie und des Nutzens von Interventionsinstrumenten veranschaulichen die Notwendigkeit, optimale adaptive Interventionen zu entwickeln, die auf lokale Malariarisiken, Vektorökologie und Lieferketten zugeschnitten sind. Das zentrale Ziel dieser Anwendung ist die Entwicklung optimaler adaptiver Kombinationen von Vektorkontrollinterventionen zur Maximierung der Reduzierung der Malariabelastung auf der Grundlage lokaler Malariaübertragungsrisiken, sich ändernder Vektorökologie und einer verfügbaren Mischung von Interventionen, die vom Gesundheitsministerium in jedem Zielland genehmigt wurden. Die zentrale Hypothese ist, dass ein adaptiver Ansatz, der auf dem lokalen Malariarisiko und der sich ändernden Vektorökologie basiert, zu einer signifikanten Verringerung der Malariainzidenz und des Übertragungsrisikos führen wird. Um dieses Ziel zu erreichen, schlagen wir die folgenden drei spezifischen Ziele vor:

1. Messen Sie die Malaria-Inzidenz und prognostizieren Sie das Risiko anhand ökologischer, biologischer, sozialer und klimatischer Merkmale mit Ansätzen des maschinellen Lernens. Hypothese: Die Vorhersage des Malariarisikos kann durch den Einsatz von maschinellen Lerntechniken verbessert werden, die ökologische, biologische, sozioökonomische und klimatische Merkmale umfassen. Ansatz: Jeder Standort wird Malaria-Inzidenz, -Prävalenz und sozioökonomische Faktoren durch Gemeindeerhebungen messen. Klassifikationsbasierte und regressionsbasierte Ansätze werden verwendet, um Vorhersagemodelle für das Malariarisiko zu entwickeln, und die Modellleistung wird validiert. Ergebnis: Dieses Ziel wird verbesserte Modelle zur Vorhersage des Malariarisikos etablieren und eine wichtige Grundlage für die Entwicklung von Interventionsstrategien schaffen, die an die lokale Vektorökologie und zukünftige Malariarisiken angepasst sind, indem verstärkte maschinelle Lernansätze verwendet werden.
2. Verwenden Sie ein SMART-Design (Cluster-Randomized Sequential, Multiple Assignment Randomized Trial), um eine optimale adaptive Interventionsstrategie zu entwickeln. Hypothese: Interventionen zur Malariakontrolle, die an das lokale Malariarisiko und die Vektorökologie angepasst und kosteneffektiv sind, können mithilfe eines Cluster-randomisierten SMART-Designs identifiziert werden. Ansatz: Cluster-randomisiertes SMART-Design wird in Gebieten mit hoher Übertragung in Kenia verwendet, um die Auswirkungen adaptiver Interventionen zu bewerten, die den sequentiellen und kombinierten Einsatz von Netzen der nächsten Generation, das Sprühen von Nicht-Pyrethroid-Insektiziden in Innenräumen und das Larvenquellenmanagement für Malaria beinhalten Kontrolle.
3. Bewerten Sie die Kosteneffizienz und die Auswirkungen eines adaptiven Interventionsansatzes auf sekundäre Endpunkte im Zusammenhang mit Malariarisiko und -übertragung. Hypothese: Interventionsstrategien, die an das lokale Malariarisiko und die Vektorökologie angepasst sind, werden bei der Reduzierung der Malariainzidenz und des Übertragungsrisikos kosteneffektiver sein als die derzeit verwendete LLIN-Intervention. Ansatz: Die wirtschaftlichen Kosten einzelner Interventionen oder Kombinationen davon werden sowohl aus Anbieter- als auch aus gesellschaftlicher Perspektive unter Verwendung von Standardmethoden zur ökonomischen Bewertung bewertet. Die Kostenwirksamkeit wird anhand der Kosten pro geschützter Person gemessen. Die Studie wird Veränderungen in der Arzneimittel- und Insektizidresistenz und der Infektionsprävalenz untersuchen, die auf die adaptiven Interventionen zurückzuführen sind.

Malariainterventionen, die an sich schnell ändernde Malariarisiken und Vektorökologien angepasst sind, sind dringend erforderlich, um die Wirksamkeit von Malariakontrollmaßnahmen zu verbessern. Diese Studie wird neue Techniken verwenden, darunter maschinelles Lernen und ein neuartiges Cluster-randomisiertes SMART-Design, um optimale adaptive Malaria-Interventionsstrategien zu entwickeln.