Larvicidas administrados digitalmente como un costo
Malaria Journal volumen 22, Número de artículo: 114 (2023) Citar este artículo
1027 Accesos
2 Altmetric
Detalles de métricas
Una vez que fue el pilar de las operaciones de eliminación de la malaria, el manejo de la fuente de larvas (LSM), es decir, el tratamiento de los hábitats de reproducción de mosquitos, ha sido marginado en África a favor de los mosquiteros insecticidas de larga duración (LLIN) y la fumigación de interiores con efecto residual (IRS). Sin embargo, el desarrollo de nuevas tecnologías y la creciente resistencia de los mosquitos a los insecticidas utilizados en LLIN e IRS despiertan un interés renovado en LSM.
El Ministerio de Salud (MOH) y ZzappMalaria LTD lanzaron una operación de administración digital de larvicidas (DML) en tres de los siete distritos de Santo Tomé y Príncipe (STP). La operación estuvo guiada por el sistema Zzapp, que consta de una aplicación móvil designada basada en GPS y un tablero en línea, que facilita la detección, el muestreo y el tratamiento de los criaderos de mosquitos. Durante la operación, se desarrollaron e implementaron procedimientos de garantía de calidad (QA) y métodos de gestión de campo.
Se localizaron 12.788 cuerpos de agua y se trataron un total de 128.864 veces. El impacto de reducción en la población de mosquitos y en la incidencia de malaria fue de 74,90% y 52,5%, respectivamente. El costo total por persona protegida (PPA) fue de US$ 0,86. El costo varió entre áreas: US$ 0,44 PPA en el área urbana y US$ 1,41 PPA en el área rural. Los principales factores de coste fueron la mano de obra, el transporte y el material larvicida.
DML puede producir resultados altamente rentables, especialmente en áreas urbanas. Las herramientas digitales facilitan la estandarización de las operaciones, la implementación de procedimientos de control de calidad y el seguimiento del desempeño de los trabajadores de campo. Los datos espaciales generados digitalmente también tienen el potencial de ayudar en las operaciones de gestión integrada de vectores (IVM). Se necesita un ensayo controlado aleatorio (ECA) con una muestra más grande para corroborar aún más los hallazgos.
Apuntar a los cuerpos de agua en los que se reproducen los mosquitos fue el pilar de muchas operaciones de control de la malaria en las décadas de 1930 y 1940, lo que a menudo resultó en la eliminación completa de la transmisión local de la malaria. Un ejemplo notable es una operación en el este de Brasil dirigida por el epidemiólogo Fred Soper, donde la invasora Anopheles gambiae fue eliminada del país en menos de dos años. Soper, que era conocido por su minuciosidad, hizo hincapié en la supervisión estrecha y la asignación clara de responsabilidades a las personas [1]. De hecho, el éxito de las operaciones de LSM depende en gran medida de la proporción de cuerpos de agua que se pueden identificar y tratar (cobertura de intervención) [2]. Desafortunadamente, los intentos de introducir LSM, y específicamente larvicidas, en el África subsahariana a menudo se encontraron con dificultades operativas que llevaron a una cobertura limitada y una reducción insuficiente de las poblaciones de mosquitos [3]. Las pautas actuales de la Organización Mundial de la Salud (OMS) recomiendan LSM como una intervención complementaria junto con LLIN y IRS, y solo en áreas donde los cuerpos de agua son "pocos, fijos y localizables" [4].
Sin embargo, varios factores contribuyen a un renovado interés en LSM. Primero, ayuda a mitigar dos de los principales desafíos que enfrentan los LLIN y el IRS: el comportamiento de morder al aire libre y la resistencia a los insecticidas [5]. Esto, debido a que afecta a los mosquitos en sus etapas acuáticas a través de agentes biológicos o mecanismos físicos a los que no se espera que desarrollen resistencia [6]. Además, LSM es potencialmente muy rentable en entornos urbanos [7], lo que lo convierte en una solución atractiva a la luz de la creciente tasa de urbanización en el África subsahariana [8] y de la propagación en África de la especie invasora Anopheles stephensi que prospera en las ciudades [9]. Finalmente, las nuevas tecnologías, por ejemplo, los drones y la inteligencia artificial, pueden facilitar la detección y el tratamiento de cuerpos de agua [10]. Del mismo modo, las herramientas digitales pueden promover intervenciones basadas en datos y basadas en datos y mejorar los aspectos operativos y de gestión de las operaciones de LSM a gran escala.
Una de esas herramientas es el sistema Zzapp, que se desarrolló para abordar los desafíos operativos que implican las operaciones de control de vectores de la malaria a gran escala. El sistema consta de (1) un tablero en línea donde se delimitan las áreas de tratamiento y el gerente a nivel de distrito asigna y supervisa las tareas diariamente; y (2) una aplicación móvil basada en GPS impulsada por Mapbox que guía a los trabajadores de campo durante la implementación. La siguiente descripción se refiere a las capacidades del sistema en términos de gestión de larvicidas tal como se utiliza en la operación en STP. Otras funcionalidades del sistema, como una inteligencia artificial que planifica las operaciones de IVM (p. ej., identificar casas para el IRS en función de la ubicación de los cuerpos de agua informados en el sistema) no se analizan aquí.
El sistema utiliza la ubicación de la casa (basada en imágenes satelitales) para definir las áreas que necesitan ser tratadas dentro de los distritos que fueron elegidos para la intervención. Luego divide estas áreas en unidades operativas. Los gerentes que trabajan con el tablero basado en la web asignan estas áreas a los trabajadores de campo, a quienes se les asignan tareas específicas (escaneo, tratamiento, muestreo o control de calidad). Los trabajadores de campo reciben sus tareas en los teléfonos móviles a través de una aplicación basada en GPS designada que puede ser utilizada por cualquier teléfono móvil con un sistema operativo Android (versión 7.0 o posterior) que tenga un GPS, una brújula, una cámara y más de 1 GB de RAM ( estos requisitos los cumplen la mayoría de los teléfonos inteligentes disponibles en África en la actualidad). La aplicación apoya las actividades de los trabajadores de campo en función de la tarea específica que están implementando. En las tareas de escaneo, rastrea el progreso de los trabajadores de campo en el campo, resaltando las áreas que han medido para garantizar que se haya escaneado toda el área. En las tareas de muestreo y tratamiento, la aplicación guía a los trabajadores de campo a los cuerpos de agua que necesitan tratamiento (Fig. 1). La aplicación también permite a los trabajadores de campo cargar información sobre los cuerpos de agua que detectan, muestrean y tratan y reportar la finalización de sus tareas.
capturas de pantalla de la aplicación móvil Zzapp. Izquierda: vista de mapa durante la actividad de mapeo que muestra las áreas visitadas anteriormente por el trabajador de campo resaltadas en amarillo. El círculo azul indica la ubicación actual del trabajador de campo, y los íconos de gotas azules indican los cuerpos de agua informados anteriormente. Centro: preguntas de muestra del cuestionario completado por los trabajadores de campo para cada cuerpo de agua informado. Derecha: vista de mapa durante la actividad de tratamiento que muestra íconos de gotas correspondientes a cuerpos de agua, codificados por colores según el estado (verde: tratado; rojo: indicación de un problema que impide el tratamiento; azul: no tratado)
Toda la información se carga en el tablero, lo que permite a los gerentes monitorear la operación. Según el porcentaje de área que se escaneó y la cantidad de cuerpos de agua que se detectaron, muestrearon o trataron, los gerentes deciden si aprueban la finalización de la tarea, si le piden al trabajador de campo que rehaga una parte o la totalidad de la tarea (p. ej., escanear un área que se perdió), o para asignarlo a otro trabajador de campo. El sistema también produce varios informes sobre el desempeño de los trabajadores de campo individuales (p. ej., la cantidad de horas trabajadas, el porcentaje del área que se escaneó y la cantidad de cuerpos de agua que resultaron positivos después de haber sido informados como tratados) y sobre la cobertura general de pueblos (Fig. 2).
Cobertura durante la fase de mapeo. Los cuadrados azules indican las áreas que fueron inspeccionadas por los trabajadores de campo (editado a partir de una captura de pantalla del tablero que muestra el pueblo de Blublu, distrito de Mé-Zóchi, 28 de enero de 2022). Datos de mapas: ©2022 Google
En una prueba a pequeña escala de la aplicación móvil realizada en Obuasi, Ghana, en 2018, los trabajadores de campo guiados por la aplicación informaron un 28 % más de cuerpos de agua en comparación con un equipo de control que cartografió la misma área utilizando métodos tradicionales [11]. El artículo actual informa los resultados de una operación realizada en STP por ZzappMalaria LTD y el Ministerio de Salud de STP.
La República Democrática de STP es un país insular en el Golfo de Guinea que consta de dos islas principales, Santo Tomé y Príncipe. A partir de 2021, STP tiene una población estimada de 228.000 [12], más del 95% de los cuales viven en la isla de São Tomé. Esta isla de 854 km2 contiene varias regiones climáticas y tiene una estación lluviosa prolongada que comienza en septiembre y dura hasta mayo. El número de casos de malaria notificados en STP en 2020 fue de 1933, con una incidencia de 8,7 por 10009. El piloto de larvicidas se realizó en tres distritos: Água Grande (distrito urbano), Mé-Zóchi y Lobata (rural y semiurbano) , con un área combinada de 243,5 km2 (28% del área de la isla de São Tomé), y una población estimada de 166.500 personas (73% de la población del país). Los distritos de Cantagalo, Lembá, Caué y la isla autónoma de Príncipe (rural y semiurbano), con una población total estimada de 61.500 personas, no se incluyeron en la intervención y, por lo tanto, se utilizaron como control (Fig. 3). Tenga en cuenta que el piloto no está bien equilibrado, ya que el área de control no tiene un distrito urbano, como Água Grande. Por lo tanto, por robustez, los principales resultados del estudio se informan con y sin Água Grande.
Santo Tomé y Príncipe. Izquierda: Mapa de Santo Tomé y Príncipe, con los distritos de intervención de Agua Grande, Lobata y Me-Zochi resaltados. Derecha: Dentro de los tres distritos, el sistema Zzapp marcó las áreas pobladas y las dividió en 255 unidades operativas, con una superficie total de 125,41 km2
Si bien no formaba parte de la intervención de aplicación de larvicidas digitalizada informada, las actividades de control de vectores en curso, incluidos el IRS, los LLIN, la distribución de medicamentos y la aplicación de larvicidas en la comunidad, continuaron realizándose en todos los distritos.
La operación de aplicación de larvicidas se dividió en dos fases: una fase de mapeo durante la cual los trabajadores de campo buscaron cuerpos de agua y una fase de tratamiento en la que los cuerpos de agua fueron tratados con larvicida semanalmente. Los materiales larvicidas utilizados fueron VectoBac® G (gránulos) aplicados a mano y VectoBac® WDG (gránulos dispersables en agua) aplicados como solución acuosa. Ambos productos contienen la bacteria Bacillus thuringiensis var. israelensis (Bti), que produce toxinas dirigidas a una proteína específica en el tracto digestivo de las larvas de mosquitos y moscas negras, sin efectos nocivos sobre otros insectos o vertebrados.
Antes de la implementación, los trabajadores de campo realizaron un curso de capacitación de tres días, que incluyó una descripción general del ciclo de transmisión de la malaria y el ciclo de vida del mosquito Anopheles; los objetivos de la operación; orientación sobre el uso de la aplicación móvil en la ejecución del mapeo y aplicación de larvicidas de cuerpos de agua (incluyendo grandes cuerpos de agua); seguridad personal; práctica de campo; y una prueba práctica. Un equipo designado fue capacitado por un entomólogo del Ministerio de Salud para tomar muestras de cuerpos de agua en busca de larvas y pupas de mosquitos. El muestreo se realizó al comienzo de la operación (es decir, antes del tratamiento de cualquier cuerpo de agua) para determinar la tasa de positividad de la línea de base y continuó cada dos semanas durante la operación en los mismos pueblos muestreados en la línea de base. Este equipo tomó muestras repetidamente de las mismas aldeas en las que se identificaron 150 cuerpos de agua con resultados positivos para larvas de Anopheles antes de la aplicación del larvicida (50 cuerpos de agua positivos por distrito) para monitorear el cambio en la positividad a lo largo del tiempo.
Otro grupo de trabajadores de campo, que también fueron capacitados para tomar muestras de cuerpos de agua, sirvió como equipo de control de calidad. Su objetivo era complementar el sistema Zzapp para garantizar que se escaneara toda el área; que dentro de esta zona se ubicaron todos los cuerpos de agua; que todos los cuerpos de agua fueran tratados adecuadamente (es decir, con la cantidad correcta de larvicida con la frecuencia correcta); y que se detectaron todos los cuerpos de agua que aparecieron después de la lluvia. El control de calidad se logró volviendo a escanear ciertas áreas (ya sea por el equipo de control de calidad o por trabajadores de campo regulares) y tomando muestras, para cada trabajador de campo, de algunos cuerpos de agua tratados para verificar la aplicación adecuada de larvicida (Fig. 4).
Cobertura durante la fase de tratamiento. Gotas azules: cuerpos de agua tratada. Gotas moradas: cuerpos de agua ubicados durante la fase de mapeo pero informados durante la fase de tratamiento como inexistentes (p. ej., secos). Gotas naranjas: cuerpos de agua omitidos por el trabajador de campo. Gotas rojas: cuerpos de agua informados como tratados, pero luego el equipo de control de calidad los encontró positivos (editado desde una pantalla de tablero que presenta el pueblo Blublu, distrito de Mé-Zóchi, 28 de enero de 2022)
El control de calidad se realizó de forma aleatoria o en función del bajo rendimiento detectado con la ayuda del tablero. Durante la fase de escaneo, algunos de los trabajadores lograron menos del 50% de cobertura de las áreas que se les asignó para buscar. Se enviaron equipos de control de calidad a esas áreas para determinar si la baja cobertura estaba justificada o no (por ejemplo, debido a la inaccesibilidad). Con base en los resultados del control de calidad, se volvió a capacitar a algunos trabajadores de campo. QA también se usó durante la fase de tratamiento, donde se tomaron muestras de algunos cuerpos de agua después de que se reportaron como tratados. Los informes del tablero revelaron que el 64 % de las masas de agua que resultaron positivas entre 1 y 6 días después del tratamiento (es decir, que no se trataron adecuadamente o se informaron falsa o erróneamente como tratadas) eran atribuibles al 15 % de los trabajadores de campo. Estos trabajadores de campo fueron reentrenados o reasignados a otras tareas.
Hacia el final de la operación, después de darse cuenta de que no se estaban cumpliendo los hitos preestablecidos para el progreso, el sistema se utilizó para producir informes semanales para evaluar el progreso de los trabajadores de campo con respecto a las horas de trabajo, la cantidad de áreas asignadas para escanear, el nivel de cobertura de escaneo. dentro de las áreas asignadas y el número de cuerpos de agua que no fueron tratados o fueron tratados de manera insuficiente. Además, se llevaron a cabo discusiones de grupos focales, entrevistas en profundidad, visitas de campo y discusiones informales para permitir una mejor comprensión de las expectativas de los trabajadores de campo y los desafíos de implementación. Como resultado, se reorganizó la estructura laboral, se firmaron nuevos convenios que especificaban las horas de trabajo y las tareas, se estableció un sistema de bonificación que otorgaba dádivas en efectivo a los trabajadores destacados y se proporcionaban almuerzos diarios a los trabajadores. Estos cambios se correlacionaron con un aumento en la productividad del 26%.
La operación se puso a prueba para probar el sistema Zzapp en preparación para una operación nacional en STP y no fue diseñada como un RCT de grupo. Sus efectos se midieron según dos criterios entomológicos y uno epidemiológico: (1) efecto sobre larvas/pupas y mosquitos adultos; y (2) efecto sobre la incidencia de la malaria. El efecto sobre larvas y pupas se midió a través de muestreos de cuerpos de agua realizados por trabajadores de campo capacitados por un entomólogo de la SESAL. En cada evento de muestreo, se tomaron cinco cucharadas de agua del cuerpo de agua y se contaron las larvas y pupas para cada cucharada, en función de su etapa de desarrollo: Anopheles larvas de 1.º y 2.º estadio, Anopheles larvas de 3.º y 4.º estadio, Culex/Aedes Larvas de primer y segundo estadio, larvas de Culex/Aedes de tercer y cuarto estadio y pupas (todas las especies). El muestreo se realizó al comienzo de la operación (es decir, antes del tratamiento de cualquier cuerpo de agua) para determinar la tasa de positividad de la línea de base y continuó cada dos semanas durante la operación en los mismos pueblos muestreados en la línea de base. Además, el equipo de control de calidad tomó muestras de algunos cuerpos de agua tratados por cada trabajador de campo para verificar el tratamiento adecuado.
El efecto de la intervención en la población de mosquitos adultos se basa en el muestreo entomológico de rutina del Ministerio de Salud realizado quincenalmente por el Ministerio de Salud de la STP, en dos lugares en cada uno de los siete distritos del país. Las colecciones incluyen trampas de luz CDC y colecciones de aterrizaje humano (HLC), en interiores y exteriores. Basado en datos históricos, HLC para interiores y trampas de luz para interiores y exteriores capturan una cantidad baja de mosquitos. Por esta razón, solo se usaron datos de HLC al aire libre para el análisis.
Para cada punto de recolección, la relación entre el antes y el después se usó como un estimador del aumento de la población de mosquitos en esa comunidad. La mediana de las proporciones en todas las comunidades de intervención se utilizó como un estimador robusto del aumento en toda el área de intervención. De la misma manera se estimó el incremento en el control. La relación entre el aumento del área de intervención y el aumento del área de control es el estimador del impacto de la intervención. También se calcularon las proporciones medias, los intervalos de confianza y los resultados de la prueba T. Dado que el área de intervención y control no están bien equilibrados (porque el área de intervención contiene el distrito urbano de Água Grande), todos los cálculos se repitieron sin Água Grande. Finalmente, debido al pequeño número de ubicaciones de muestreo y la dificultad de suponer una distribución normal de la relación, también se calculó el valor p no paramétrico de Mann-Whitney.
El impacto de la intervención en la incidencia de la malaria se basa en los datos oficiales de casos de malaria, que en STP son recopilados de manera rutinaria por el Ministerio de Salud, según los informes semanales de los establecimientos de salud que atribuyen cada caso de malaria a una ubicación a nivel de aldea. Se calculó la incidencia de malaria por cada 10.000 personas en toda el área de intervención y en toda el área de control, tanto en el período anterior a la intervención (semanas 1 a 49 de 2021) como en el período posterior a la intervención (semanas 1 a 19 de 2022) . La relación entre la intervención y la relación después-antes del control es el estimador del impacto de la intervención. Los intervalos de confianza se calcularon sobre la base de los datos de incidencia a nivel de aldea. Debido a la dificultad para calcular la desviación estándar de las proporciones, especialmente porque muchas de las aldeas tenían cero casos, se calcularon los intervalos de confianza de arranque utilizando el algoritmo Monte Carlo de remuestreo de casos. Tenga en cuenta que los mosquitos viajan de pueblo en pueblo y, por lo tanto, los pueblos no son completamente independientes entre sí.
Para el área de intervención, se hizo un cálculo adicional en el que se excluyó el distrito urbano de Água Grande, con el fin de equilibrar mejor la intervención y el control. Para reflejar el efecto por distrito, que se adapta mejor a la intervención de control de vectores, ya que es más probable que los distritos se distribuyan de forma independiente en comparación con las aldeas, se utilizó un valor de p de Man-Whitney, excluyendo los distritos con menos de 10 casos en total. antes del" período. La advertencia de este enfoque es el tamaño muy pequeño de la muestra (7 distritos en lugar de 533 aldeas).
El área total visitada por los trabajadores de campo durante el reconocimiento del terreno fue de 90,8 km2 (Fig. 5). Se reportaron un total de 12,788 cuerpos de agua en el sistema. Estos cuerpos de agua fueron tratados un total de 128.864 veces y muestreados 31.353 veces. Se informó en el sistema un total de 28.250 "problemas" relacionados con ellos (por ejemplo, desaparición o falta de accesibilidad).
Cobertura obtenida en actividades de mapeo. Los polígonos blancos indican el área identificada para la intervención larvicida. Las áreas visitadas por los trabajadores de campo durante la etapa de mapeo están resaltadas en azul (a una resolución de 10 m2). Los íconos de gotas azules marcan los cuerpos de agua informados por los trabajadores de campo
En general, se realizaron 31.353 muestras de cuerpos de agua a lo largo de la operación, mostrando una disminución del 61,64 % en la tasa de positividad de larvas de Anopheles durante la fase de tratamiento, del 19,42 % antes del primer tratamiento al 7,44 % después del 12/01/2022, y una reducción de 81,84% en la tasa de positividad de pupa, del 9,24% antes del primer tratamiento al 1,67% después del 12/01/2022 (Fig. 6). A pesar de esta tendencia, algunos cuerpos de agua se mantuvieron positivos incluso después de la fase de tratamiento, ya sea porque se trataron de manera inadecuada, se omitieron durante la fase de tratamiento o aparecieron después de la fase de mapeo.
Positividad de larva y pupa durante el transcurso de la operación
La Tabla 1 presenta la positividad de los cuerpos de agua antes y durante la intervención. El sistema Zzapp ayuda a analizar la positividad de los cuerpos de agua por tipo y características antes de la intervención, y a identificar los cuerpos de agua que permanecen positivos después del tratamiento (Tabla 1, Archivo adicional 2: Apéndice S2). Este conocimiento se puede utilizar en colaboraciones intersectoriales, por ejemplo, para notificar al municipio que los canales son una de las principales fuentes de mosquitos. También puede servir para fines operativos, como comprender si los trabajadores de campo están tratando adecuadamente los cuerpos de agua contaminados (Archivo adicional 2: Apéndice S2).
Un factor adicional que explica la positividad de los cuerpos de agua puede haber sido la frecuencia insuficiente del tratamiento. La Figura 7 muestra la correlación entre la positividad de los cuerpos de agua y el número de días desde el último tratamiento. En este piloto, el tiempo mínimo entre eventos de tratamiento se estableció en cinco días, el intervalo objetivo en siete días y el intervalo máximo en 14 días, después de lo cual el sistema alertaría al administrador de la operación a través del tablero. En la operación, el intervalo promedio entre visitas fue de 10,8 días, lo que puede explicar la positividad de algunos cuerpos de agua.
Muestreo de cuerpos de agua por parte del equipo de QA. Tenga en cuenta que la positividad inicial (antes del tratamiento) para las larvas es del 19,3 % y para las pupas es del 9,2 %. Incluso después de 17 días, el tratamiento tiene cierto impacto en la positividad del cuerpo de agua para los mosquitos Anopheles.
Las colecciones de interior produjeron recuentos bajos de Anopheles en comparación con las colecciones de exterior. El promedio mensual de mosquitos Anopheles recolectados en 2021, para todos los puntos de recolección combinados, fue de 0,8 (interiores) frente a 18 (exteriores) para HLC (Tabla 2). Solo se utilizaron las colecciones exteriores, para reducir el ruido estadístico.
La proporción mensual promedio después-antes fue de 0,41 (IC del 95 %: 0,01 a 0,81, mediana = 0,2) y de 1,3 (IC del 95 %: 0 a 2,54, mediana = 0,78) para la intervención (n = 6) y el control (n = 8) áreas, respectivamente (p = 0,11). La mediana del cambio relativo (intervención frente a control) fue − 74,9 % (IC 95 % − 100 %, − 30 %, Mann-Whitney p = 0,26). Para el área de intervención sin el distrito urbano de Água Grande (n = 5), la media fue de 0,51 (IC 95% 0–0,52, p = 0,15).
El nivel de significancia de los resultados es consistente con lo que se considera aceptable para los estudios piloto clínicos [13, 14], pero requiere una confirmación adicional de un ECA grupal bien potenciado y equilibrado. Sin embargo, es importante tener en cuenta que este resultado sigue siendo sólido en otros métodos de análisis, incluidos los datos de colecciones en interiores y el uso de trampas de luz en lugar de HLC.
La relación antes-después en las áreas de control fue de 3,57 y en el área de intervención de 1,7 (relación = 0,475, p = 0,006), lo que representa una reducción del 52,5%. Los resultados siguen siendo similares al excluir el área urbana de Água Grande de la muestra (relación = 0,47 p = 0,008). El valor P de la prueba de Mann-Whitney basada en el distrito es 0,35 (n_intervención = 3, n_control = 3). Tenga en cuenta que el distrito de Príncipe fue excluido de la prueba de Mann-Whitney porque tenía menos de 10 casos de malaria en el período "antes". Todos los demás distritos tuvieron más de 40 casos cada uno en este período (Cuadro 3).
El costo total de la operación, incluyendo una etapa de mapeo de dos meses y una etapa de larvicida de 5,5 meses, fue de US$ 143.821. Las categorías de costos se detallan a continuación. Los principales factores de costo fueron la mano de obra, el transporte y el material larvicida (similar a Worrall et al. [15]). El costo total de la operación por persona protegida (PPP) fue de US$ 0,86. El costo varió significativamente con la densidad de población (Cuadro 4).
Del área total escaneada, el 12,87 % (16,15 km2) era urbana (> 1500 estructuras por kilómetro cuadrado, según el conjunto de datos de Open Buildings) [16], en la que se estima que vive el 56,31 % de la población total de la intervención (93 762 personas). Para mayor resolución de la correlación entre densidad de población y costo PPA, ver Fig. 7. Según datos de la aplicación móvil, el 27,2% de las jornadas laborales y el 47,5% de los eventos de tratamiento ocurrieron en estas localidades urbanas. El costo en la zona urbana se estimó en US$ 41.109 y US$ 0,44 PPA, y en la zona rural se estimó en US$ 102.710 y US$ 1,41 PPA (ver Fig. 8). Archivo adicional 1: el Apéndice S1 presenta un cálculo más detallado del costo y el ahorro de costos que podría lograrse mediante el uso de automóviles propiedad de la operación en lugar de taxis.
Comparación de densidad de población (basada en número de edificios por km2; izquierda) y costo PPA por localidad (derecha)
El objetivo de este estudio fue demostrar el potencial de las herramientas digitales para facilitar la elaboración de estrategias, la implementación y el seguimiento de operaciones LSM a gran escala. Los hallazgos de la operación que se informa aquí indican la alta rentabilidad de DML. La eficacia que se logró (reducción del 52,5 % de la incidencia de paludismo) es comparable a la informada en los estudios que miden la eficacia de los LLIN (45 % [17]) y el RRI (18 % [18]). El costo fue de US$ 0,86 por persona protegida por 6 meses en comparación con US$ 0,695 [19] y US$ 6,19 [20] para LLIN e IRS, respectivamente. En áreas urbanas y semiurbanas, el costo de LMD fue significativamente más bajo que el de LLIN: $ 0,44 por persona protegida por 6 meses, en comparación con $ 0,695. Tenga en cuenta que los resultados indican que la intervención también es eficaz en las zonas rurales.
La ventaja de DML puede ser aún mayor cuando se considera el margen de mejora (consulte la elaboración en el archivo adicional 1: Apéndice S1). Si bien la distinción entre áreas urbanas y rurales en el contexto de la malaria no siempre es clara [21], las herramientas de IA que cuentan casas, como el sistema Zzapp o el proyecto Open Buildings de Google, permiten estimar los costos operativos para diferentes ubicaciones (Fig. 8 ), que puede ayudar a los encargados de formular políticas a asignar presupuestos contra la malaria entre LMD y otras intervenciones de manera rentable. De manera crucial, la digitalización permite un monitoreo efectivo de la operación, haciendo que las operaciones sean más estandarizadas y replicables.
Tenga en cuenta que algunos de los resultados, especialmente a nivel de distrito, no fueron estadísticamente significativos, quizás debido al bajo número de distritos. Además, los distritos no estaban bien equilibrados entre áreas urbanas y rurales. Por lo tanto, es necesario confirmar los hallazgos a través de un ECA grupal bien diseñado, que también examinará el valor incremental de DLM en comparación con las operaciones de aplicación de larvicidas convencionales.
La rentabilidad de DML tiene el potencial de mejorarse mediante el uso de nuevas herramientas. Por ejemplo, la detección de cuerpos de agua a través de imágenes satelitales o de drones que usan IA se puede utilizar para optimizar la detección y el tratamiento de cuerpos de agua [22, 23], y el análisis de las condiciones y patrones climáticos puede ayudar a elegir el mejor momento para las intervenciones.
Es importante señalar que durante las operaciones de DML, se recopila una gran cantidad de datos sobre la ubicación y otros parámetros (p. ej., tipo o nivel de positividad) de los criaderos de mosquitos. Esta información se puede utilizar no solo para las propuestas funcionales inmediatas de las operaciones LSM, sino también para aumentar el conocimiento sobre la dinámica de vectores en general. Con respecto a ambos, DML puede desempeñar un papel crucial en la mitigación del riesgo que representa para los países africanos la especie invasora Anopheles stephensi. Este vector, a diferencia de las especies nativas africanas, es capaz de reproducirse en los recipientes de agua hechos por el hombre que abundan en las ciudades, lo que representa una amenaza para grandes poblaciones que antes se habían visto menos afectadas por la malaria [9]. Anopheles stephensi también ha mostrado resistencia a los insecticidas recomendados por la OMS en MILD y RRI, por lo que su control se centra en estrategias que no incluyen insecticidas, como LSM [24]. La digitalización no solo puede facilitar tales operaciones de control de vectores, sino que también puede respaldar los esfuerzos de vigilancia nacionales y regionales.
Además, el modelado espacial y los datos sobre la ubicación de los cuerpos de agua pueden optimizar el uso de otros métodos, por ejemplo, recomendando qué casas deben tratarse con IRS o dónde colocar cebos de azúcar dirigidos atractivos (ATSB) [25]. Por lo tanto, la digitalización puede permitir las operaciones IVM buscadas durante mucho tiempo, pero rara vez implementadas, que se han recomendado en el contexto de An. Stephensi [26] y el control de vectores de manera más amplia [27].
La clave de todo lo anterior son los mecanismos de monitoreo eficientes que brindan datos confiables y granulares en tiempo real. Durante las operaciones, el monitoreo permite el seguimiento del progreso, la evaluación del desempeño de los trabajadores, el marcado de áreas que requieren atención adicional y la expansión de intervenciones exitosas. El monitoreo también facilita el seguimiento de los gastos, lo que ayuda a reducir los costos operativos y proporciona informes de rendición de cuentas claros, detallados y precisos a las partes interesadas. Finalmente, el monitoreo cercano fortalece la solidez de los resultados, lo que genera información y recomendaciones confiables basadas en datos para futuras investigaciones e intervenciones. La digitalización facilita la recopilación y el análisis de varios datos sobre la malaria y en múltiples niveles, desde la ubicación de un cuerpo de agua en un pueblo hasta la distancia promedio a los hospitales en un distrito determinado, desde los costos de transporte hasta la aceptación de la comunidad. La agregación de esta información en una sola plataforma basada en el espacio puede mejorar significativamente las operaciones de control de vectores, hasta el punto de reproducir los resultados de las operaciones históricas de LSM: eliminación a nivel nacional.
LSM es uno de los métodos más antiguos para combatir la malaria; con el uso de herramientas modernas, también puede ser uno de los más rentables. La aplicación de larvicidas es segura, simple y comprobada, y agrega una intervención que es sinérgica con los métodos de aplicación de adulticidas como el IRS y los LLIN. Si bien actualmente muchos lo consideran un método secundario de control de vectores, LSM tiene el potencial de convertirse en la intervención fundamental de las operaciones de control de vectores rentables y a gran escala. Las operaciones LSM bien planificadas y minuciosamente ejecutadas abordan el problema desde la raíz y brindan información valiosa sobre la ubicación, el tipo y la positividad de los cuerpos de agua, que pueden servir como base para optimizar otras intervenciones de control de vectores. La digitalización facilita todos los aspectos de las operaciones de LSM: desde la planificación hasta la ejecución y el seguimiento. Facilita el trabajo de los gerentes y trabajadores de campo y presenta una imagen clara y confiable del progreso, los gastos y los resultados de las operaciones, que se puede compartir fácilmente con las partes interesadas y la comunidad. Se necesita más investigación y experimentación para agotar por completo las posibilidades de DML y su transformación en la base de un sistema IVM digital completo (dIVM).
Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.
Killeen GF, Fillinger U, Kiche I, Gouagna LC, Knols BG. Erradicación de Anopheles gambiae de Brasil: ¿lecciones para el control de la malaria en África? Lancet Infect Dis. 2002;2:618–27.
Artículo PubMed Google Académico
Chaki PP, Govella NJ, Shoo B, Hemed A, Tanner M, Fillinger U, Killeen GF. Lograr una alta cobertura de vigilancia de mosquitos en etapa larvaria: desafíos para un programa de control de mosquitos basado en la comunidad en la zona urbana de Dar es Salaam. Tanzanía Malar J. 2009;8:311.
Artículo PubMed Google Académico
Fillinger U, Lindsay SW. Gestión de fuentes larvarias para el control de la malaria en África: mitos y realidad. Malar J. 2011;10:353.
Artículo PubMed PubMed Central Google Académico
OMS. Gestión de fuentes larvales: una medida complementaria para el control de vectores de malaria, un manual operativo. Ginebra, Organización Mundial de la Salud; 2013. https://www.who.int/publications/i/item/9789241505604. Consultado el 3 de febrero de 2023.
Sanou A, Nelli L, Guelbéogo WM, Cissé F, Tapsoba M, Ouédraogo P, et al. Resistencia a insecticidas y adaptación del comportamiento como respuesta al despliegue de redes insecticidas de larga duración en vectores de malaria en la región de Cascades de Burkina Faso. Sci Rep. 2021;11:17569.
Artículo CAS PubMed PubMed Central Google Scholar
Tetreau G, Stalinski R, David JP, Després L. Supervisión de la resistencia a Bacillus thuringiensis subsp. israelensis en el campo realizando bioensayos con cada toxina Cry por separado. Mem Inst Oswaldo Cruz. 2013;108:894–900.
Artículo PubMed PubMed Central Google Académico
Maheu-Giroux M, Castro MC. Rentabilidad de los larvicidas para el control de la malaria urbana en Tanzania. Malar J. 2014;13:477.
Artículo PubMed PubMed Central Google Académico
El Banco Mundial. Urbanización en África: tendencias, promesas y desafíos. Grupo del Banco Mundial, 2015. https://www.worldbank.org/en/events/2015/06/01/urbanization-in-africa-trends-promises-and-challenges. Consultado el 3 de febrero de 2023.
Sinka ME, Pironon S, Massey NC, Longbottom J, Hemingway J, Moyes CL, et al. Un nuevo vector de malaria en África: predicción del rango de expansión de Anopheles stephensi e identificación de las poblaciones urbanas en riesgo. Proc Natl Acad Sci USA. 2020;117:24900–8.
Artículo CAS PubMed PubMed Central Google Scholar
Hardy A, Makame M, Cross D, Majambere S, Msellem M. Uso de drones de bajo costo para mapear los hábitats de los vectores de la malaria. Vectores de parásitos. 2017;10:29.
Artículo PubMed PubMed Central Google Académico
Williams I, Vigodny A, Desewu K, Houri-Yafin A. ¿Se podría recrear el éxito de Soper con los larvicidas en África con una aplicación móvil? Un ensayo controlado a pequeña escala en Obuasi, Ghana. Disponible en: https://endmalaria.org/sites/default/files/4_Arnon%20Yafin.pdf. Consultado el 3 de febrero de 2023.
https://databank.worldbank.org/source/population-estimates-and-projections. Consultado el 3 de febrero de 2023.
Lee EC, Whitehead AL, Jacques RM, Julious SA. La interpretación estadística de los ensayos piloto: ¿deberían reconsiderarse los umbrales de significación? Método BMC Med Res. 2014; 141:41.
Artículo Google Académico
Schoenfeld D. Consideraciones estadísticas para estudios piloto. Int J Radiat Oncol Biol Phys. 1980;6:371–4.
Artículo CAS PubMed Google Académico
Worrall E, Fillinger U. Uso a gran escala del manejo de fuentes de larvas de mosquitos para el control de la malaria en África: un análisis de costos. Malar J. 2011;10:338.
Artículo PubMed PubMed Central Google Académico
https://sites.research.google/open-buildings. Consultado el 3 de febrero de 2023.
Pryce J, Richardson M, Lengeler C. Mosquiteros tratados con insecticida para prevenir la malaria. Cochrane Database Syst Rev. 2018;11:CD000363.
Académico de Google de PubMed
Pryce J, Medley N, Choi L. Fumigación residual en interiores para prevenir la malaria en comunidades que utilizan mosquiteros tratados con insecticida. Sistema de base de datos Cochrane Rev. 2022;1:CD012688.
Académico de Google de PubMed
Conteh L, Shuford K, Agboraw E, Kont M, Kolaczinski J, Patouillard E. Costos y rentabilidad de las intervenciones de control de la malaria: una revisión sistemática de la literatura. Valora la Salud. 2021;24:1213–22.
Artículo PubMed PubMed Central Google Académico
Johns B, Mignote H. PMI IRS Country Programs: análisis comparativo de costos de 2019. Proyecto VectorLink de PMI, Abt Associates Inc. 2020. https://d1u4sg1s9ptc4z.cloudfront.net/uploads/2021/03/pmi-vectorlink-2019-cost-study-report_approved-3.pdf. Consultado el 3 de febrero de 2023.
Larson PS, Eisenberg JNS, Borrocal VJ, Mathanga DP, Wilson ML. Un continuo urbano a rural del riesgo de malaria: nuevos enfoques analíticos caracterizan patrones en Malawi. Malar J. 2021;20:418.
Artículo PubMed PubMed Central Google Académico
[Artículo gratuito de PMC] [PubMed] Mukabana WR, Welter G, Ohr P, Tingitana L, Makame MH, Ali AS, et al. Drones para el manejo de la fuente de larvas de mosquitos de la malaria en toda el área. Drones. Rev. 2022;6:1
Artículo Google Académico
Talal M, Panthakkan A, Mukhtar H, Mansoor W, Almansoori S, Al Ahmad H. Detección de cuerpos de agua mediante segmentación semántica. En: 2018 Conferencia Internacional sobre Procesamiento de Señales y Seguridad de la Información (ICSPIS). 2018; 1–4.
Ahmed A, Abubakr M, Ali Y, Siddig EE, Mohamed NS. Estrategia de control de vectores para Anopheles stephensi en África. Microbio lanceta. 2022;1: e403.
Artículo Google Académico
White MT, Griffin JT, Churcher TS, Ferguson NM, Basáñez MG, Ghani AC. Modelado del impacto de las intervenciones de control de vectores en la dinámica de la población de Anopheles gambiae. Vectores de parásitos. 2011;4:153.
Artículo PubMed PubMed Central Google Académico
Mnzava A, Monroe AC, Okumu F. Anopheles stephensi en África requiere una respuesta más integrada. Malar J. 2022;21:156.
Artículo PubMed PubMed Central Google Académico
Beier JC, Keating J, Githure JI, Macdonald MB, Impoinvil DE, Novak RJ. Manejo integrado de vectores para el control de la malaria. Malar J. 2008;7(Suplemento 1):S4.
Artículo PubMed PubMed Central Google Académico
Descargar referencias
La operación fue financiada por ZzappMalaria LTD y el Ministerio de Salud (MINSA) de STP.
ZzappMalaria, Menachem Begin 23, Tel Aviv, Israel
Arbel Vigodny, Michael Ben Aharon, Jonathan Fialkoff y Arnon Houri-Yafin
Escuela de Higiene y Medicina Tropical, ZzappMalaria, Londres, Tailandia
Alexandra Wharton-Smith
ZzappMalaria, Santo Tomé, Santo Tomé y Príncipe
Fernando Braganza y Flavio Soares Da Graça
Investigador independiente, Tel Aviv, Israel
dan gluck
Ministerio de Salud, Santo Tomé, Santo Tomé y Príncipe
João Alcântara Viegas D'Abreu & Herodes Rompão
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
También puede buscar este autor en PubMed Google Scholar
AV: administración del proyecto, conceptualización, redacción—borrador original. MBA: administración de proyectos. AW-S: investigación, administración de proyectos, redacción—borrador original. YF: redacción—borrador original. AHY: conceptualización, análisis formal, metodología. FB: administración de proyectos. FSDG: administración de proyectos. DG: análisis formal. JAVD: supervisión, metodología. RRHH: supervisión, conceptualización. Todos los autores leyeron y aprobaron el manuscrito final.
Correspondencia a Yonatan Fialkoff.
No aplica.
La operación fue financiada por ZzappMalaria LTD y STP MOH.
Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.
: Tabla S1. Localidades rurales vs. urbanas en el área de intervención. Tabla S2. Costos estimados de transporte (US$).
Tabla S3. Distribución de cuerpos de agua según tipo. Tabla S4. Regresión logística de características de cuerpos de agua y positividad antes del tratamiento. Tabla S5. Regresión logística de las características de los cuerpos de agua y positividad después del tratamiento. Figura S1. Positividad del cuerpo de agua según el tipo.
Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/. La renuncia de Creative Commons Public Domain Dedication (http://creativecommons.org/publicdomain/zero/1.0/) se aplica a los datos disponibles en este artículo, a menos que se indique lo contrario en una línea de crédito a los datos.
Reimpresiones y permisos
Vigodny, A., Ben Aharon, M., Wharton-Smith, A. et al. Larvicidas administrados digitalmente como una intervención rentable para la malaria urbana: lecciones operativas de un piloto en Santo Tomé y Príncipe guiado por el sistema Zzapp. Malar J 22, 114 (2023). https://doi.org/10.1186/s12936-023-04543-0
Descargar cita
Recibido: 15 noviembre 2022
Aceptado: 23 de marzo de 2023
Publicado: 06 abril 2023
DOI: https://doi.org/10.1186/s12936-023-04543-0
Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:
Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.
Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt