Tuberkuloza je jedan od vodećih uzroka smrti među mladima širom sveta. Studije modelovanja sugerišu da u preko 96% smrtonosnih slučajeva koji uključuju decu mlađu od 15 godina, zaraženo dete nije dobilo lečenje.
Dva nova algoritma zasnovana na dokazima za dijagnostikovanje pedijatrijske tuberkuloze mogu pomoći da se ovaj trend preokrene.
Naučnici sa Jejlske škole javnog zdravlja predvodili su tim koji je razvio sisteme bodovanja zasnovane na algoritmu koje zdravstveni radnici mogu da koriste za informisanje o svojim odlukama kada dijagnostikuju bolest, koju je često teško identifikovati u klinikama sa nedostatkom resursa. Tim Jejla, u saradnji sa globalnom mrežom naučnika, pregledao je podatke od više od 4.000 dece sa tuberkulozom iz celog sveta i, kroz statističku analizu, razvio, kako kažu, najsnažniji algoritm za pedijatrijsku tuberkulozu.
Kao rezultat analize tima, Svetska zdravstvena organizacija sada preporučuje upotrebu algoritama u svojim najnovijim konsolidovanim smernicama za lečenje bolesti. SZO takođe ohrabruje korišćenje algoritama istraživačkog tima koji vodi Jejl.
„Veliki je pritisak na ove zdravstvene radnike da razmotre nejasne simptome i postave dijagnozu tuberkuloze, što bi delimično moglo objasniti zašto imamo praznine u lečenju tuberkuloze kod male dece“, rekao je Kenet Gunasekera, doktor medicine sa Jejla. student koji je bio prvi autor studije. „Naš rad je motivisan ovim pitanjem. Želeli smo da podržimo zdravstvene radnike koji rade u okruženjima sa ograničenim resursima da donesu odluke o lečenju TB koje su zasnovane na dokazima.“
Nalazi se pojavljuju u The Lancet Child & Adolescent Health.
Algoritmi nisu novi u pedijatrijskoj tuberkulozi. Drugi naučnici su kreirali slične algoritme za poboljšanje dijagnoze bolesti, ali Gunasekera je objasnio da se ti algoritmi u velikoj meri oslanjaju na mišljenje stručnjaka, a ne na rigorozno tumačenje podataka. Takođe, neki od algoritama koji su zasnovani na dokazima napravljeni su korišćenjem podataka iz relativno male veličine uzorka, što može ograničiti njihovu generalizaciju, rekao je Gunasekera. Gunasekerin tim je kombinovao podatke od 4.718 dece iz 13 studija i 12 zemalja, uz pomoć preporuka grupe stručnjaka koje je identifikovala SZO, u nastojanju da razvije čvršće sisteme bodovanja.
Istraživači su izgradili dva algoritma u zavisnosti od sposobnosti zdravstvenih radnika da dobiju rendgenske snimke grudnog koša za svoje pacijente. U oba algoritma, pacijenti dobijaju određeni broj poena za svoje simptome i druge detalje, koje radnici zatim sabiraju da bi dobili preporuku. Ako je skor iznad 10, u proseku, 85% te dece sa tuberkulozom biće ispravno dijagnostikovana. (Pacijenti takođe mogu postići više od 10 ako se zna da su bili izloženi tuberkulozi bez obzira na druge simptome.)
„Sada imamo alat koji je zasnovan na dokazima i pragmatičan u smislu da je zdravstvenim radnicima lako da implementiraju ovaj rezultat“, rekao je Gunasekera. Tim se nada da će novi alat dovesti do toga da više dece dobije blagovremeno lečenje od tuberkuloze.
Ali, upozoravaju istraživači, postoje neka ograničenja u njihovim sistemima bodovanja. Što je najvažnije, tim nije mogao formalno da testira algoritme pre nego što je njihov rad objavljen. Međutim, uskoro će biti u toku studije za procenu sposobnosti algoritama u stvarnom svetu da identifikuju tuberkulozu. I iako izvlačenje iz više studija može pomoći u poboljšanju statističke analize i stvaranju robusnijih skupova podataka, različiti kriterijumi uključivanja i definicije studija mogu dovesti do neznatno iskrivljenih podataka. Konačno, pošto je tuberkulozu već teško dijagnostikovati, „mogli bi doći do nekih netačnih zaključaka“, napisali su autori u svojoj studiji. Više istraživanja o pedijatrijskoj tuberkulozi bi nesumnjivo pomoglo da se poboljšaju novi algoritmi, kao i dodatni podaci i bolji dijagnostički alati.
Ipak, objasnio je Gunasekera, činjenica da je SZO uslovno preporučila upotrebu algoritama za pomoć u dijagnostici pedijatrijske tuberkuloze i ohrabrila nove algoritme tima predvođenog Jejlom za upotrebu na terenu predstavlja snažan podsticaj za buduća istraživanja.
„Zaista se radujem što ću videti rezultate prospektivne evaluacije ovih algoritama, kada će ih drugi zapravo koristiti u studijskom okruženju kako bi pomogli u donošenju odluka o lečenju dece koja se istražuju za TB“, rekao je on. „Izgradili smo algoritme na osnovu dokaza, ali će biti uzbudljivo videti koliko će oni zapravo raditi.
Istraživanje nosi ličnu rezonancu za Gunasekera, koji je na poslednjoj godini svog doktora nauka. program na Jejlu i nada se da će posle diplomiranja raditi na pedijatriji. Projekat je proizašao iz vrednog mentorstva sa liderima u ISPH i šire, rekao je on.
„Kroz ovaj rad, blisko sam sarađivao sa nekim od lidera u oblasti pedijatrijske tuberkuloze, i iskreno je bilo veliko zadovoljstvo raditi sa toliko ljudi čije sam radove čitao“, rekao je on. „Sada, ljudi koje sam obožavao bili su ljudi sa kojima sam radio kao kolege. Za mene je to zaista bila neverovatna prilika i iskustvo dok sam pokušavao da se pozabavim ovim važnim problemom dečje tuberkuloze i globalnog javnog zdravlja.“
