CDSA dynamique pour gérer les enfants malades en Tanzanie (DYNAMIC-TZ)

Les enfants sont une population vulnérable bien connue qui souffre encore d'un taux élevé de maladies infectieuses aiguës et de décès évitables. Cela est particulièrement vrai dans les systèmes de santé fragiles d'Afrique subsaharienne, où la mortalité des moins de cinq ans est 10 fois plus élevée que dans les pays à revenu élevé. La prise en charge des enfants malades au niveau des soins primaires dans ces environnements reste de qualité insuffisante car les cliniciens de première ligne manquent de diagnostics appropriés, de supervision pour améliorer leurs compétences et d'outils d'aide à la décision. Les tests de diagnostic cliniquement validés au point de service (POC) ne sont souvent pas disponibles, et les directives de pratique sont rapidement dépassées par de nouvelles preuves et l'évolution de l'épidémiologie. Lorsqu'une épidémie survient, ces directives statiques et génériques peuvent même devenir délétères si l'événement n'est pas détecté à temps et intégré dans les recommandations.

En l'absence de conseils fiables, les travailleurs de la santé (TS) ont tendance à sur-prescrire des antibiotiques (Hopkins et al. 2017, Fink et al. 2019). Environ 9 enfants sur 10 au niveau des soins primaires en Tanzanie reçoivent un antibiotique, tandis que seulement 1 sur 10 en a besoin (D'Acremont et al. 2014). L'utilisation inappropriée d'antibiotiques perturbe la flore intestinale, favorisant la prolifération d'agents pathogènes et affaiblissant la réponse immunitaire de l'enfant (Benoun et al. 2016). C'est également un moteur majeur de la résistance aux antibiotiques, qui serait responsable de jusqu'à 10 millions de décès par an d'ici 2050 (Holmes et al. 2016, Fink et al. 2019). Tout aussi important pour la surutilisation des antibiotiques, est sa sous-utilisation. Le fait de manquer un enfant ayant besoin d'un traitement antibiotique ou de fournir à un enfant un type ou un dosage inapproprié d'antibiotique l'expose à un risque de morbidité et de décès évitables. Il en va de même pour les antipaludéens qui ne sont pas toujours prescrits aux enfants qui en ont besoin : ceux dont le test de dépistage du paludisme est positif.

Les erreurs de diagnostic ont des conséquences qui vont au-delà du patient. Ils augmentent les taux de fréquentation, encombrant davantage les établissements de soins de santé primaires et entraînant des pertes économiques non seulement pour les familles mais pour l'ensemble du système de santé. Les erreurs systématiques dans les données au niveau des patients s'accumulent et, comme elles sont agrégées pour mesurer les indicateurs au niveau de la population, elles peuvent fausser les statistiques utilisées pour hiérarchiser les interventions sanitaires et, surtout, identifier les épidémies.

L'OMS a identifié les interventions de santé numérique et les outils prédictifs dans les soins primaires comme des accélérateurs clés dans la réalisation de l'objectif de développement durable 2030 3 d'assurer une bonne santé et le bien-être pour tous. De nouvelles technologies simples et bon marché, telles que les appareils mobiles, associées aux progrès de l'informatique et de la science des données, pourraient aider à atténuer plusieurs des défis susmentionnés. L'intervention numérique proposée est un algorithme d'aide à la décision clinique de troisième génération (CDSA) destiné à aider les travailleurs de la santé au niveau des soins primaires à gérer les enfants atteints de maladies aiguës. Les deux premières versions de l'algorithme ont fait l'objet d'évaluations rigoureuses dans des conditions de recherche contrôlées, comme résumé ci-dessous :

L'algorithme de première génération appelé ALMANACH a été testé en Tanzanie en 2010-2011, obtenant une amélioration de la guérison clinique (de 92% à 97%) et une diminution de la prescription d'antibiotiques (de 84% à 15%) par rapport aux soins de routine (Shao et al. 2015A). ALMANACH a également conduit à des évaluations cliniques plus cohérentes sans prendre plus de temps qu'une consultation classique et a été perçu par les cliniciens comme un outil "puissant et utile" (Shao et al. 2015B).

L'algorithme de deuxième génération appelé ePOCT a été testé en Tanzanie en 2014-2016. En plus des symptômes et des signes, il a utilisé plusieurs tests POC pour aider à détecter les enfants atteints d'infections graves nécessitant un traitement hospitalier (oxymétrie et taux d'hémoglobine) et/ou les enfants atteints d'infection bactérienne grave (CRP). L'utilisation d'ePOCT a entraîné une guérison clinique plus élevée (98 %) par rapport à ALMANACH (96 %) et aux soins de routine (95 %). L'algorithme a également réduit davantage la prescription d'antibiotiques à 11 %, contre 30 % avec l'utilisation d'ALMANACH et 95 % dans les soins de routine (Keitel et al. 2017).

Des algorithmes électroniques peuvent ainsi être mis en œuvre avec succès pour améliorer les conseils cliniques et fournir un retour d'information aux cliniciens, ainsi que pour permettre des analyses en temps quasi réel des données pour le S&E des interventions sanitaires, la surveillance des maladies et la détection des épidémies. L'objectif de cette étude est d'améliorer le diagnostic clinique, de réduire la morbidité et la mortalité des enfants et d'atténuer la résistance aux antimicrobiens à l'aide de nouvelles technologies POC dynamiques qui aident les travailleurs de la santé de première ligne à gérer les patients malades, renforcées par des mécanismes intelligents de surveillance des maladies et de détection des épidémies.

Plus précisément, cette étude vise à :

Objectif 1 : Améliorer la prise en charge intégrée des enfants atteints d'une maladie aiguë grâce à la fourniture d'un CDSA électronique (ePOCT+) aux cliniciens travaillant au niveau des soins primaires ;

Objectif 2 : Améliorer la précision de l'algorithme clinique et l'adapter aux variations spatio-temporelles de l'épidémiologie et des ressources, sur la base des données générées grâce à l'outil ePOCT+, analysées en machine learning et vérifiées par des experts cliniques ;

Objectif 3 : Améliorer la capacité de surveillance des maladies et de détection des épidémies au niveau du district (et du pays) à l'aide des données cliniques générées par l'outil ePOCT+, complétées par des enquêtes microbiologiques ciblées et la détection de schémas d'apprentissage automatique ;

Objectif 4 : Améliorer le système d'information sur la gestion de la santé au niveau du district (et du pays) pour le suivi et l'évaluation et la conduite d'une supervision formative et d'un mentorat dans les établissements de santé en utilisant les données cliniques générées par l'outil ePOCT+, améliorées par des tableaux de bord supplémentaires d'analyse et de visualisation des données ;

Objectif 5 : Créer un cadre pour le développement et la mise en œuvre d'outils dynamiques de surveillance CDSA et des maladies, pour une utilisation à grande échelle, durable et cliniquement responsable de l'apprentissage automatique et de la science des données.

L'étude d'intervention primaire sera menée en deux phases.

Phase 1 : étude pragmatique, contrôlée, randomisée en grappes, ouverte, dans 40 établissements de santé. L'intervention consiste en un algorithme d'aide à la décision clinique ePOCT+ (CDSA) affiché sur des tablettes (medAL-reader), des tests et des dispositifs au point de service qui ne font pas partie des soins de routine (oxymètre de pouls, test rapide CRP, cuvettes d'hémoglobine supplémentaires), une formation sur l'outil, un suivi régulier et des visites de mentorat/supervision par l'équipe d'étude et/ou l'équipe de gestion de la santé du Conseil (CHMT). Le mentorat et la supervision seront activés par un tableau de bord complémentaire (medAL-monitor), utilisé pour visualiser et surveiller les indicateurs liés à l'étude. En raison de la nature pragmatique de l'étude, la conception est adaptative, en ce sens que des changements dans la mise en œuvre tout au long de la phase 1 peuvent être apportés en fonction des données de surveillance et des commentaires des établissements de santé. Ces changements de mise en œuvre (à l'exclusion des adaptations importantes du contenu de l'algorithme) seront soigneusement documentés et pris en compte dans les analyses longitudinales.

Phase 2 : extension de l'intervention à davantage d'établissements de santé et transformation en un algorithme dynamique un total de jusqu'à 100 installations. Dans la phase 2, une conception d'étude adaptative sera utilisée pour mesurer les mêmes indicateurs de résultats que dans la phase 1. Le contenu médical de l'algorithme ne sera plus figé, mais plutôt modifiable. Chaque modification potentielle sera d'abord évaluée par le groupe d'experts cliniques tanzaniens pour sa cohérence clinique, sa sécurité et son bénéfice potentiel, puis appliquée aux données rétrospectives. Si ces analyses confirment à la fois un impact positif cliniquement pertinent et estiment qu'il y aura suffisamment de cas futurs au cours de la période d'étude pour détecter cette amélioration, le changement d'algorithme sera testé dans une sous-étude randomisée utilisant le même plan d'étude qu'en Phase 1, sauf que la randomisation aura lieu au niveau du patient plutôt qu'au niveau de l'établissement de santé. Si l'impact positif est confirmé dans la sous-étude, la modification sera mise en œuvre dans tous les sites/sous-groupes de patients concernés.

Des études de recherche opérationnelle transversales supplémentaires à méthodes mixtes auront lieu tout au long de la période d'intervention pour étudier le contexte de mise en œuvre, les facilitateurs et les obstacles à la mise à l'échelle de cette intervention et à son intégration dans le système de santé primaire de la Tanzanie.