Dynamische CDSA zur Betreuung kranker Kinder in Tansania (DYNAMIC-TZ)

Kinder sind eine anerkanntermaßen gefährdete Bevölkerungsgruppe, die immer noch unter einer hohen Rate an akuten Infektionskrankheiten und vermeidbaren Todesfällen leidet. Dies gilt insbesondere für die fragilen Gesundheitssysteme in Afrika südlich der Sahara, wo die Sterblichkeit von Kindern unter fünf Jahren zehnmal höher ist als in Ländern mit hohem Einkommen. Die Behandlung kranker Kinder auf der Ebene der Primärversorgung in diesen Umgebungen ist nach wie vor von unzureichender Qualität, da es den Ärzten an vorderster Front an angemessener Diagnostik, Aufsicht zur Verbesserung ihrer Fähigkeiten und Instrumenten zur Entscheidungsunterstützung mangelt. Klinisch validierte Point-of-Care (POC)-Diagnosetests sind häufig nicht verfügbar und Praxisrichtlinien sind aufgrund neuer Erkenntnisse und sich ändernder Epidemiologie schnell veraltet. Wenn eine Epidemie auftritt, können diese statischen, allgemeinen Richtlinien sogar schädlich sein, wenn das Ereignis nicht rechtzeitig erkannt und in die Empfehlungen integriert wird.

Mangels verlässlicher Leitlinien tendieren Gesundheitsfachkräfte dazu, zu viele Antibiotika zu verschreiben (Hopkins et al. 2017, Fink et al. 2019). Ungefähr 9 von 10 Kindern in der Grundversorgung in Tansania erhalten ein Antibiotikum, während nur 1 von 10 eines benötigt (D'Acremont et al. 2014). Der unsachgemäße Einsatz von Antibiotika stört die Darmflora, begünstigt die Vermehrung von Krankheitserregern und schwächt die Immunantwort eines Kindes (Benoun et al. 2016). Es ist auch ein wesentlicher Treiber der Antibiotikaresistenz, die bis 2050 Schätzungen zufolge für bis zu 10 Millionen Todesfälle pro Jahr verantwortlich sein wird (Holmes et al. 2016, Fink et al. 2019). Ebenso wichtig wie der übermäßige Einsatz von Antibiotika ist der unzureichende Einsatz. Wenn ein Kind vermisst wird, das eine Antibiotikabehandlung benötigt, oder wenn einem Kind eine unangemessene Art oder Dosierung eines Antibiotikums verabreicht wird, besteht für das Kind das Risiko vermeidbarer Morbidität und Tod. Das Gleiche gilt für Malariamedikamente, die nicht immer den bedürftigen Kindern verschrieben werden: denjenigen mit einem positiven Malariatestergebnis.

Fehldiagnosen haben Folgen, die über den Patienten hinausgehen. Sie erhöhen die Wiederaufnahmequote, führen zu einer weiteren Überlastung der primären Gesundheitseinrichtungen und verursachen wirtschaftliche Verluste nicht nur für Familien, sondern für das gesamte Gesundheitssystem. Systematische Fehler in Daten auf Patientenebene häufen sich, und wenn sie zur Messung von Indikatoren auf Bevölkerungsebene aggregiert werden, können sie die Statistiken verzerren, die zur Priorisierung von Gesundheitsinterventionen und, was wichtig ist, zur Identifizierung von Epidemien verwendet werden.

Die WHO hat digitale Gesundheitsinterventionen und Prognoseinstrumente in der Primärversorgung als Schlüsselbeschleuniger für die Erreichung des nachhaltigen Entwicklungsziels 3 für 2030, die Gewährleistung von Gesundheit und Wohlbefinden für alle, identifiziert. Neue einfache und kostengünstige Technologien wie mobile Geräte könnten zusammen mit den Fortschritten in der Computer- und Datenwissenschaft dazu beitragen, mehrere der oben genannten Herausforderungen zu mildern. Bei der vorgeschlagenen digitalen Intervention handelt es sich um einen klinischen Entscheidungsunterstützungsalgorithmus (CDSA) der dritten Generation, der HCWs auf der Ebene der Primärversorgung bei der Behandlung von Kindern mit akuten Erkrankungen unterstützen soll. Die ersten beiden Versionen des Algorithmus wurden unter kontrollierten Forschungsbedingungen strengen Evaluierungen unterzogen, wie im Folgenden zusammengefasst:

Der Algorithmus der ersten Generation namens ALMANACH wurde 2010–2011 in Tansania getestet und erzielte im Vergleich zur Routineversorgung eine verbesserte klinische Heilung (von 92 % auf 97 %) und eine Verringerung der Antibiotika-Verschreibung (von 84 % auf 15 %) (Shao et al. 2015A). ALMANACH führte auch zu konsistenteren klinischen Beurteilungen, ohne mehr Zeit in Anspruch zu nehmen als eine herkömmliche Konsultation und wurde von Ärzten als „ein leistungsstarkes und nützliches“ Instrument wahrgenommen (Shao et al. 2015B).

Der Algorithmus der zweiten Generation namens ePOCT wurde 2014–2016 in Tansania getestet. Zusätzlich zu den Symptomen und Anzeichen wurden mehrere POC-Tests eingesetzt, um Kinder mit schweren Infektionen, die eine Krankenhausbehandlung erfordern (Oxymetrie und Hämoglobinspiegel), und/oder Kinder mit schweren bakteriellen Infektionen (CRP) zu erkennen. Die Verwendung von ePOCT führte zu einer höheren klinischen Heilung (98 %) im Vergleich zu ALMANACH (96 %) und der Routineversorgung (95 %). Der Algorithmus reduzierte außerdem die Verschreibung von Antibiotika weiter auf 11 %, verglichen mit 30 % bei der Verwendung von ALMANACH und 95 % in der Routineversorgung (Keitel et al. 2017).

Elektronische Algorithmen können somit erfolgreich implementiert werden, um die klinische Beratung zu verbessern und den Ärzten Feedback zu geben sowie Datenanalysen nahezu in Echtzeit für M&E von Gesundheitsinterventionen, Krankheitsüberwachung und Ausbruchserkennung zu ermöglichen. Das Ziel dieser Studie besteht darin, die klinische Diagnose zu verbessern, die Morbidität und Mortalität von Kindern zu senken und antimikrobielle Resistenzen zu mildern. Dazu werden neuartige dynamische POC-Technologien eingesetzt, die HCWs an vorderster Front dabei helfen, kranke Patienten zu behandeln, ergänzt durch intelligente Mechanismen zur Krankheitsüberwachung und Ausbruchserkennung.

Genauer gesagt zielt diese Studie darauf ab:

Ziel 1: Verbesserung der integrierten Behandlung von Kindern mit einer akuten Erkrankung durch die Bereitstellung eines elektronischen CDSA (ePOCT+) für Kliniker, die auf der Ebene der Grundversorgung arbeiten;

Ziel 2: Verbesserung der Genauigkeit des klinischen Algorithmus und Anpassung an räumlich-zeitliche Schwankungen in der Epidemiologie und den Ressourcen, basierend auf den mit dem ePOCT+-Tool generierten, mithilfe maschinellen Lernens analysierten und von klinischen Experten überprüften Daten;

Ziel 3: Verbesserung der Fähigkeiten zur Krankheitsüberwachung und Ausbruchserkennung im Distrikt (und auf nationaler Ebene) unter Verwendung der mit dem ePOCT+-Tool generierten klinischen Daten, ergänzt durch gezielte mikrobiologische Untersuchungen und Mustererkennung durch maschinelles Lernen;

Ziel 4: Verbesserung des regionalen (und nationalen) Gesundheitsmanagement-Informationssystems zur Überwachung und Bewertung sowie zur Durchführung unterstützender Aufsicht und Betreuung in Gesundheitseinrichtungen unter Verwendung der vom ePOCT+-Tool generierten klinischen Daten, ergänzt durch zusätzliche Datenanalyse- und Visualisierungs-Dashboards;

Ziel 5: Schaffung eines Rahmens für die Entwicklung und Implementierung dynamischer CDSA- und Krankheitsüberwachungstools für den groß angelegten, nachhaltigen und klinisch verantwortungsvollen Einsatz von maschinellem Lernen und Datenwissenschaft.

Die primäre Interventionsstudie wird in zwei Phasen durchgeführt.

Phase 1: pragmatische, offene Cluster-randomisierte kontrollierte Studie in 40 Gesundheitseinrichtungen. Die Intervention besteht aus dem ePOCT+-Algorithmus zur klinischen Entscheidungsunterstützung (CDSA), der auf Tablets angezeigt wird (medAL-Reader), Point-of-Care-Tests und Geräten, die nicht Teil der Routineversorgung sind (Pulsoximeter, CRP-Schnelltest, zusätzliche Hämoglobinküvetten), ergänzend Schulung zum Tool, regelmäßige Überwachung und Mentoring-/Supervisionsbesuche durch das Studienteam und/oder das Council Health Management Team (CHMT). Mentoring und Supervision werden durch ein ergänzendes Dashboard (medAL-Monitor) ermöglicht, das zur Visualisierung und Überwachung studienbezogener Indikatoren verwendet wird. Aufgrund des pragmatischen Charakters der Studie ist das Design adaptiv, da Änderungen in der Umsetzung während der gesamten Phase 1 auf der Grundlage von Überwachungsdaten und Rückmeldungen der Gesundheitseinrichtungen vorgenommen werden können. Diese Implementierungsänderungen (mit Ausnahme wesentlicher Anpassungen des Algorithmusinhalts) werden gründlich dokumentiert und in Längsschnittanalysen berücksichtigt.

Phase 2: Ausweitung der Intervention auf weitere Gesundheitseinrichtungen und Umwandlung in einen dynamischen Algorithmus. Das ePOCT+-Tool wird auf die Gesundheitseinrichtungen ausgeweitet, die in Phase 1 als Kontrollen dienen, sowie auf weitere benachbarte Einrichtungen unseres Zielgebiets, um es zu erreichen insgesamt bis zu 100 Einrichtungen. In Phase 2 wird ein adaptives Studiendesign verwendet, um dieselben Ergebnisindikatoren wie in Phase 1 zu messen. Der medizinische Inhalt des Algorithmus wird nicht mehr festgelegt, sondern veränderbar sein. Jede potenzielle Änderung wird zunächst von der tansanischen klinischen Expertengruppe auf ihre klinische Kohärenz, Sicherheit und ihren potenziellen Nutzen hin bewertet und dann auf die retrospektiven Daten angewendet. Wenn diese Analysen sowohl eine klinisch relevante positive Auswirkung bestätigen als auch davon ausgehen, dass es während des Studienzeitraums genügend zukünftige Fälle geben wird, um diese Verbesserung festzustellen, wird die Änderung des Algorithmus in einer randomisierten Teilstudie mit demselben Studiendesign wie in Phase getestet 1, mit der Ausnahme, dass die Randomisierung auf Patientenebene und nicht auf Ebene der Gesundheitseinrichtung erfolgt. Wenn sich die positiven Auswirkungen in der Teilstudie bestätigen, wird die Änderung an allen relevanten Standorten/Patientenuntergruppen umgesetzt.

Während des gesamten Interventionszeitraums werden zusätzliche querschnittliche operative Forschungsstudien mit gemischten Methoden durchgeführt, um den Umsetzungskontext, die Erleichterungen und Hindernisse für die Ausweitung dieser Intervention und ihre Integration in das primäre Gesundheitssystem Tansanias zu untersuchen.