Impactevaluatie van het gebruik van MATCH AI-voorspellende modellen voor de identificatie van hotspots voor het actief vinden van tuberculosegevallen (SPOT-TB)
Impactevaluatie van het gebruik van MATCH AI-voorspellende modellen voor de identificatie van hotspots voor het vinden van actieve gevallen van tuberculose in Pakistan: een pragmatisch gerandomiseerd onderzoek met Stepped Wedge Clusters
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Ondanks aanzienlijke vooruitgang in de afgelopen decennia werden in 2021 naar schatting 10,6 miljoen mensen ziek van tuberculose (tbc), en de ziekte veroorzaakte wereldwijd 1,6 miljoen sterfgevallen. Pakistan wordt gerangschikt als het vijfde land met de hoogste tuberculoselast ter wereld en tuberculose veroorzaakt jaarlijks 42.000 sterfgevallen in het land. Een belangrijke uitdaging in de Pakistaanse reactie op tuberculose is het garanderen van de diagnose en behandeling van alle individuen met tuberculose. In 2020 werden van de 573.000 gevallen in totaal 276.736 (48%) gemeld. Het overbruggen van deze kloof in de detectie van gevallen is een cruciale doelstelling voor het Nationale Tbc-programma (NTP). Actieve case-finding (ACF) is een potentiële strategie om de detectie van gevallen te vergroten door systematische screening van gemeenschappen op tuberculose. Recent bewijs geeft aan dat ACF ook de incidentie en prevalentie van tuberculose op populatieniveau kan verminderen door vroege detectie. Hoewel ACF-interventies hun effectiviteit hebben aangetoond in gemeenschapsproeven en nu op grote schaal worden uitgevoerd in Pakistan, blijven er zorgen bestaan over de opbrengsten en kosteneffectiviteit ervan in programmatische settings.
Het primaire doel van deze studie is om te onderzoeken of een gerichte aanpak van gemeenschapsgerichte screening met behulp van MATCH-AI, een kunstmatige intelligentiesoftware die de prevalentie van tuberculose in subdistricten modelleert, de opbrengst van ACF-interventies in Pakistan kan verbeteren. In de interventietak zal het veldteam community-based ACF-activiteiten (zogenaamde borstkampen) uitvoeren, voornamelijk op locaties waarvan door MATCH-AI wordt voorspeld dat ze een hogere prevalentie van tuberculose zullen hebben. In de controlegroep zullen de veldteams de bestaande aanpak voor de selectie van kampeerplekken blijven gebruiken. De proef zal worden uitgevoerd in 65 districten van Pakistan in samenwerking met implementatiepartners van het NTP.
Studietype
Inschrijving (Geschat)
Fase
- Niet toepasbaar
Contacten en locaties
Studiecontact
- Naam: Amna Mahfooz, MS(PH)
- Telefoonnummer: +923438101441
- E-mail: amna.mahfooz@cgph.org.pk
Studie Contact Back-up
- Naam: Faheem Baig
- Telefoonnummer: +923345379004
- E-mail: faheem@cgph.org.pk
Studie Locaties
-
-
-
Islamabad, Pakistan
- Werving
- Mercy Corps Pakistan
-
Contact:
- Nainan Nawaz
- E-mail: nanawaz@mercycorps.org
-
Hoofdonderzoeker:
- Abdullah Latif
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Beschrijving
Inclusiecriteria: Alle personen die zich op campings presenteren, komen in aanmerking voor deelname aan screening, inclusief degenen met een voorgeschiedenis van tuberculose.
Uitsluitingscriteria: Kinderen <15 jaar en zwangere vrouwen worden uitgesloten.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Primair doel: Onderzoek naar gezondheidsdiensten
- Toewijzing: Gerandomiseerd
- Interventioneel model: Crossover-opdracht
- Masker: Enkel
Wapens en interventies
Deelnemersgroep / Arm |
Interventie / Behandeling |
|---|---|
|
Experimenteel: Interventie
Selectie van kampeerlocaties voor actieve opsporing van tuberculose met behulp van MATCH-AI
|
De belangrijkste interventie in dit onderzoek is de uitrol van MATCH-AI, een software voor kunstmatige intelligentie die de prevalentie van tuberculose in subdistricten modelleert, om de locatieselectie van ACF-kampen te begeleiden.
De MATCH-AI-tool maakt gebruik van een Bayesiaanse modelleringsaanpak om de prevalentie van tuberculose te voorspellen tot een resolutie van 10.000 populaties, die in kaart worden gebracht als polygonen.
Het model integreert gegevens uit een reeks bronnen, waaronder historische gegevens over meldingen van tbc-centra, eerdere ACF-gegevens en contextuele factoren zoals demografische gegevens, inkomen, bevolkingsdichtheid, gezondheidsindicatoren zoals vaccinatiegraad en klimaatgerelateerde variabelen om de lokale tbc-prevalentie te voorspellen.
In de interventietak zullen de kampen voornamelijk plaatsvinden op locaties die worden begeleid door MATCH-AI.
|
|
Geen tussenkomst: Controle
Selectie van kampeerlocaties voor actieve opsporing van gevallen van tuberculose met behulp van bestaande benaderingen.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Positieve opbrengst van het kamp
Tijdsspanne: 12 maanden
|
Tellingen van bacteriologisch bevestigde gevallen van tuberculose (B+), gediagnosticeerd in elk kamp
|
12 maanden
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Positief percentage kamp
Tijdsspanne: 12 maanden
|
Bacteriologisch bevestigde gevallen van tuberculose (B+) per gescreende populatie
|
12 maanden
|
|
Camp All-Forms-opbrengst
Tijdsspanne: 12 maanden
|
Tellingen van alle vormen van tuberculose (AF-TB) die in elk kamp zijn gediagnosticeerd
|
12 maanden
|
|
Camp All-Forms tbc-tarief
Tijdsspanne: 12 maanden
|
Gevallen van alle vormen van tuberculose (AF-tbc) per gescreende populatie
|
12 maanden
|
Medewerkers en onderzoekers
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Faran Emmanuel, Centre for Global Public Health Pakistan
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- CGPH-TB2023-24
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .