Han pasado 9 años desde que Lanner comenzó su apoyo a la Liverpool School of Tropical Medicine (LSTM), brindando acceso al software de simulación predictiva, WITNESS, para modelar las vías del paciente durante el diagnóstico de la Tuberculosis (TB) en países con ingresos bajos y medios. Trabajando con algunos de los científicos investigadores, líderes en TB y nuevas tecnologías de diagnóstico innovadoras, el equipo de investigación de LSTM ha construido y utilizado modelos en muchos países del mundo, incluyendo Tanzania, Etiopía, Sudáfrica, Brasil, Nepal y Filipinas.

Los modelos iniciales desarrollados para Tanzania demostraron cómo las nuevas tecnologías de diagnóstico utilizadas en un algoritmo de diagnóstico apropiado podrían aumentar la detección de TB de forma rentable [1]. Se demostró que estos resultados eran sólidos en Etiopía y Sudáfrica [2, 3], pero cuando se modelaron algoritmos similares en Filipinas, se demostró que era poco probable que la misma tecnología aumentara la detección de la TB sensible a los medicamentos. Sin embargo, es importante destacar que la detección de la TB resistente a múltiples fármacos se mejoraría sustancialmente y justificaría la implementación de las nuevas herramientas por sí misma.


Pacientes haciendo cola para el tratamiento de la TB-MDR en Filipinas

En Filipinas los modelos se ampliaron para ver el acceso a los pacientes para el diagnóstico y el impacto en los costes incurridos por los pacientes. Estas ejecuciones del modelo mostraron que uno de los beneficios clave para los pacientes en Filipinas sería la reducción de costes gracias al decremento de viajes y la reducción de la pérdida de ingresos. Una parte clave del proyecto en Filipinas fue crear la capacidad para utilizar modelos, lo que se ha logrado con éxito a través de programas de capacitación y nuevos fondos.

Al inicio del desarrollo de los modelos de WITNESS, se decidió vincular los modelos de simulación con los modelos de transmisión para comprender cómo estas nuevas tecnologías podrían afectar la transmisión de la enfermedad. En Tanzania, los modelos revelaron que el impacto fue pequeño, ya que la mayoría de los pacientes ya habrían infectado a amigos cercanos y familiares para cuando solicitaron el tratamiento.

Con esto y con la nueva estrategia "End-TB" de la Organización Mundial de la Salud (OMS), ahora existe un nuevo enfoque en los modelos de TB creados en WITNESS. El objetivo es observar estrategias de detección de casos activos para la TB, para que los pacientes puedan ser diagnosticados antes y, por lo tanto, recibir el tratamiento adecuado antes, reduciendo el riesgo de transmisión. Actualmente se están desarrollando nuevos modelos para ver esto en Filipinas y Nepal.


El modelo de WITNESS de las vías del paciente en Filipinas

Los últimos 9 años han mostrado cómo los modelos WITNESS aplicados a proyectos de salud en países de ingresos bajos y medios pueden llevar a intervenciones que mejoren la sociedad al ayudar a los países y organizaciones mundiales a desarrollar estrategias que aumenten la detección de enfermedades infecciosas mortales, como la tuberculosis, mientras que, al mismo tiempo, se reduce la carga para los individuos a través de la reducción de los costes del paciente y la menor transmisión.

  • [1].Langley I, Lin H-H, Egwaga S, et al. (2014). Assessment of the patient, health system, and population effects of Xpert MTB/RIF and alternative diagnostics for tuberculosis in Tanzania: an integrated modelling approach. Lancet. Glob. Heal. 2014;2(10):e581-91. doi:10.1016/S2214-109X(14)70291-8.
  • [2].Tesfaye A, Fiseha D, Assefa D, Klinkenberg E, Balanco S, Langley I. (2017). Modeling the patient and health system impacts of alternative Xpert® MTB/RIF algorithms for the diagnosis of pulmonary tuberculosis in Addis Ababa, Ethiopia. BMC Infect Dis. 2017 May 2;17(1):318. doi: 10.1186/s12879-017-2417-6.
  • [3].Dunbar R, Naidoo P, Beyers N, Langley I. (2017). High laboratory cost predicted per tuberculosis case diagnosed with increased case finding without a triage strategy. Int J Tuberc Lung Dis. 2017 Sep 1;21(9):1026-1034. doi: 10.5588/ijtld.17.0156.

¡Atención! Este sitio usa cookies y tecnologías similares. Si no cambia la configuración de su navegador, usted acepta su uso.