HS#2017-3512, Adaptive Interventions for Optimizing Malaria Control: A Cluster-Randomized SMART Trial

I det siste tiåret har massiv oppskalering av langvarige insektmiddelbehandlede nett (LLIN) og innendørs restsprøyting (IRS) i Afrika ført til betydelige reduksjoner i malariadødelighet og mobilitet. Nåværende førstelinjeintervensjoner er imidlertid ikke tilstrekkelig for å eliminere malaria i de fleste land. Den utbredte bruken av pyretroid-insekticider har resultert i resistente vektorpopulasjoner, og høy dekning av LLIN-er og IRS har ført til økt utendørs fôringsatferd og hvileadferd. Disse endringene i vektorøkologi og atferd har betydelig begrenset effektiviteten til dagens førstelinjeintervensjoner som retter seg mot innendørs bitende og hvilende mygg. Videre, som et resultat av økologiske endringer og intervensjonstiltak, er malariarisiko i en lokalitet dynamisk, og nytten av malariaintervensjonsverktøy kan variere etter hvert som nye verktøy blir godkjent og introdusert og kostnadene for hvert verktøy varierer mellom steder og over tid. Slike variasjoner i malariarisiko, vektorøkologi og bruken av intervensjonsverktøy eksemplifiserer behovet for å utvikle optimale adaptive intervensjoner skreddersydd til lokale malariarisikoer, vektorøkologi og forsyningskjeder. Det sentrale målet med denne applikasjonen er å designe optimale adaptive kombinasjoner av vektorkontrollintervensjoner for å maksimere reduksjoner i malariabyrden basert på lokal malariaoverføringsrisiko, endret vektorøkologi og tilgjengelig blanding av intervensjoner godkjent av helsedepartementet i hvert målland. Den sentrale hypotesen er at en adaptiv tilnærming basert på lokal malariarisiko og endret vektorøkologi vil føre til betydelige reduksjoner i malariaforekomst og overføringsrisiko. For å nå dette målet foreslår vi følgende tre spesifikke mål:

1. Mål malariaforekomst og forutsi risiko ved å bruke miljømessige, biologiske, sosiale og klimatiske funksjoner med maskinlæringsmetoder. Hypotese: Forutsigelse av malariarisiko kan forbedres ved bruk av maskinlæringsteknikker som inkluderer miljømessige, biologiske, sosioøkonomiske og klimatiske egenskaper. Tilnærming: Hvert nettsted vil måle malariaforekomst, prevalens og sosialøkonomiske faktorer gjennom samfunnsundersøkelser. Klassifikasjonsbaserte og regresjonsbaserte tilnærminger vil bli brukt for å utvikle malariarisikoprediktive modeller, og modellens ytelse vil bli validert. Resultat: Dette målet vil etablere forbedrede malariarisikoprediksjonsmodeller og legge et viktig grunnlag for å utvikle intervensjonsstrategier tilpasset lokal vektorøkologi og fremtidig malariarisiko ved bruk av forsterkede maskinlæringsmetoder.
2. Bruk en klynge-randomisert sekvensiell, multiple assignment randomized trial (SMART) design for å utvikle en optimal adaptiv intervensjonsstrategi. Hypotese: Malariakontrollintervensjoner som er tilpasset lokal malariarisiko og vektorøkologi og er kostnadseffektive kan identifiseres ved hjelp av et klyngerandomisert SMART-design. Tilnærming: Klyngerandomisert SMART-design vil bli brukt i områder med høy overføring i Kenya for å evaluere virkningen av adaptive intervensjoner som involverer sekvensiell og kombinasjonsbruk av neste generasjons nett, innendørs sprøyting av ikke-pyretroide insektmidler og larvekildehåndtering for malaria kontroll.
3. Evaluer kostnadseffektiviteten og virkningen av en adaptiv intervensjonstilnærming på sekundære endepunkter relatert til malariarisiko og overføring. Hypotese: Intervensjonsstrategier tilpasset lokal malariarisiko og vektorøkologi vil være mer kostnadseffektive for å redusere malariaforekomst og overføringsrisiko enn den nåværende LLIN-intervensjonen. Tilnærming: De økonomiske kostnadene ved individuelle intervensjoner eller kombinasjoner av disse vil bli vurdert både fra et tilbyder- og samfunnsperspektiv ved bruk av standard økonomisk evalueringsmetodikk. Kostnadseffektivitet vil bli målt i form av kostnad per beskyttet person. Studien vil undersøke endringer i medikament- og insektmiddelresistens og infeksjonsprevalens som kan tilskrives de adaptive intervensjonene.

Malariatiltak tilpasset raskt skiftende malariarisiko og vektorøkologier er kritisk nødvendige for å forbedre effektiviteten av malariakontrolltiltak. Denne studien vil bruke nye teknikker, inkludert maskinlæring og en ny klynge-randomisert SMART-design, for å utvikle optimale adaptive malaria-intervensjonsstrategier.