Effektutvärdering av användningen av MATCH AI Predictive Modeling för identifiering av hotspots för TB Active Case Finding (SPOT-TB)

Trots betydande framsteg under de senaste decennierna insjuknade uppskattningsvis 10,6 miljoner individer i tuberkulos (TB) 2021 och sjukdomen orsakade 1,6 miljoner dödsfall globalt. Pakistan rankas som det 5:e landet med högst TB-börda i världen och TB orsakar 42 000 dödsfall årligen i landet. En viktig utmaning i Pakistans svar på tuberkulos är att säkerställa diagnos och behandling av alla individer med tuberkulos. År 2020, av de 573 000 fallen, anmäldes totalt 276 736 (48 %). Att överbrygga detta gap för att upptäcka fall är ett avgörande mål för det nationella TB-programmet (NTP). Active case-finding (ACF) är en potentiell strategi för att öka fallupptäckten genom systematisk screening av samhällen för tuberkulos. Nya bevis tyder på att ACF också kan minska TB-incidens och prevalens på populationsnivå genom tidig upptäckt. Även om ACF-interventioner har visat effektivitet i samhällsförsök och nu genomförs i stor skala i Pakistan, kvarstår oro angående deras avkastning och kostnadseffektivitet i programmatiska miljöer.

Det primära syftet med denna studie är att undersöka om ett riktat tillvägagångssätt mot samhällsbaserad screening med hjälp av MATCH-AI, en programvara för artificiell intelligens som modellerar prevalensen av tuberkulos i underdistriktet, kan förbättra utbytet av ACF-interventioner i Pakistan. I interventionsarmen kommer fältteamet att genomföra samhällsbaserade ACF-aktiviteter (kallade bröstläger) främst på platser som förutspås av MATCH-AI ha en högre prevalens av TB. I kontrollarmen kommer fältteam att fortsätta att använda befintliga metoder för val av campingplats. Rättegången kommer att genomföras i 65 distrikt i Pakistan i samarbete med implementeringspartners av NTP.