一种新的人工智能驱动的预测性绘图模型在中非共和国（CAR）班吉市发现了此前未被发现的结核病（TB）传播热点，提供了一份高分辨率的空间蓝图，这可能会改变该国首都公共卫生干预措施的部署方式。
这项研究发表在《热带医学与传染病》杂志上，题为“利用人工智能预测中非共和国班吉社区级别的潜在结核病热点”。研究由来自The Union、EPCON和中非共和国国家结核病计划（NTP）的国际和当地研究人员团队进行。该团队使用贝叶斯建模和地理空间数据，识别出当前监测系统未能覆盖的高风险社区，提出了关于资源分配、通知差异和数据驱动干预措施的紧迫问题。
尽管中非共和国是一个结核病负担较高的国家，2020年的估计发病率为每10万人中有540例，但该国仍然主要依赖于有限的医疗机构进行被动病例检测和报告。在班吉市，仅有14家结核病诊所服务于近百万居民，导致覆盖率存在严重缺口，尤其是在城市的北部和东部地区。
该研究的AI模型试图通过创建一个100x100米分辨率的结核病风险空间网格来填补这一缺口，使用了人口数据、诊所位置、医疗服务可及性和社会决定因素（如贫困、卫生设施获取、识字率和疫苗接种覆盖率）的组合。研究人员根据20分钟的旅行半径计算了每个诊所的服务范围，然后叠加了2021年和2022年的诊所级通知数据和居民诊断数据。
由此生成了一张数字流行病学地图，指出了高结核病阳性率的社区，特别是在偏远、拥挤或与诊所连接不良的地区。这种细致的方法揭示了官方报告病例与预测结核病负担之间的重大不匹配，表明被动监测可能错过了在报告不足或难以到达的社区中的关键传播集群。
在纳入研究的14家诊所中，只有两家位于模型定义的高风险区域内。有七家诊所的位置与预测或报告的结核病阳性率显著偏离。值得注意的是，Community Hospital位于模型标记的低风险区域，但却报告了大量的结核病阳性通知，这表明可能存在来自远距离地区的患者流入或诊断覆盖率的不一致。相比之下，Obrou Fidel Camp和Amis Afrique ONG等设施位于AI预测结核病率高于实际通知的区域，提示可能存在漏诊或错失外展机会。
在整个班吉市，高风险区域的特点是人口密度更大，夜间光照强度更高，这是城市活动的代理指标。这些指标显示与报告和预测的结核病率呈中度正相关。然而，模型还识别出与HIV患病率、儿童营养不良和发育迟缓之间存在统计显著的负相关——这些因素通常被认为会增加结核病风险。
研究人员表示，这种矛盾指向了在极度贫困和医疗保健获取困难的地区存在结构性报告不足的问题。这些地区的居民可能由于距离、污名化或服务不足而不会寻求治疗。因此，高风险区域在传统的基于通知的系统下可能显得风险较低，突显了主动病例发现和基于预测分析的目标外展的重要性。
据研究人员称，该模型的最大用途在于其能够细化中非共和国2024-2028年的结核病控制策略。该计划旨在将低通报区的病例检出率从45%提高到90%，扩大分子诊断，并将耐多药结核病（MDR-TB）的通知率从19%提高到2028年的90%。通过将高分辨率风险地图纳入规划，卫生官员可以优先在被忽视的地区进行主动病例发现，更有效地分配诊断工具，并确定需要加强或重新定位的诊所。
然而，作者也提醒说，这些预测必须通过现场研究和与实际病例趋势的时间序列比较进行验证。他们承认，假设全市结核病发病率均匀和依赖过时的人口网格引入了不确定性。冲突驱动的迁移、非正式定居点和健康寻求行为的变化可能会扭曲空间估计并降低某些区域的模型精度。
尽管如此，贝叶斯模型为作者所称的“适应性结核病监测”提供了坚实的起点——这是一种可以实时响应新信息和变化的传播模式的数据驱动系统。该模型还设计用于扩展，能够整合有关耐药结核病菌株的基因组数据，并通过持续集成新的项目数据进行改进。
进一步的改进可能包括潜类分析以识别脆弱群体、改进空间分层以捕捉微观层面的变异性，以及混合评估技术，结合传统的AI指标和地理空间性能指标。
虽然人工智能不能替代强大的监测基础设施，但研究人员认为，对于像中非共和国这样卫生系统负担过重且流行病学数据稀缺的国家来说，它是一种不可或缺的工具。预测性绘图可以为政策制定提供依据，推动服务交付的公平性，并指导有限资源的有效利用。
(全文结束)
