Estimating the impact of prevention action: A simulation model of - PowerPoint PPT Presentation

Estimating the impact of prevention action: A simulation model of cervical cancer progression Michal Rosen-Zvi 1 , Lavi Shpigelman 1 , Alan Kalton 1 , Omer Weissbrod 1 , Saheed Akindeinde 1 , Soren Benefeldt 2 , Andrew Bentley 3 , Terry Everett 2 , Joseph Jajinski 1 , Emmanuel Kweyu 4 , Chalapathy Neti 1 , Joesep Saab 2 , Osamuyimen Stewart 1 , Malcolm Ward 2 , Guo Tong Xie 1 1 . IBM Research 2 . IBM services 3 . IBM Software 4 . Strathmore University Kenya

Cervical ¡cancer ¡in ¡East ¡Africa ¡ ¡ Papilloma ¡Virus ¡ ¡ The ¡major ¡cause ¡ VS ¡Western ¡countries: ¡ of ¡cervical ¡cancer ¡ x7 ¡incidence ¡, ¡x13 ¡mortality ¡ ¡ (deadliest ¡cancer ¡for ¡women) ¡ Source: GLOBOCAN 2012 2

Prevention HPV Screening Awareness Vaccinations & treatment Eliminates 70% of Pre-cancerous cancer cases tissue removal is highly effective

Doing more with less: Single visit screening and treatment approach Visual Inspection with Acetic Acid (VIA) or with Lugol’s Iodine (VILI) Cryotherapy 4

Collect and monitor data efficiently Effective planning Analyze current disease levels Implement predictive models that learn from data Enable evidence- based decisions to optimize the use of limited resources

Suggested solution A ¡new ¡system ¡that ¡leverages ¡ mobile ¡and ¡ cloud ¡technologies ¡to ¡ gather , ¡ manage , ¡ analyze ¡and ¡ visualize ¡data ¡on ¡cervical ¡cancer ¡ in ¡Kenya ¡ 6

Solution Architecture Collect data in the field Gather Ga her Mana anage ge Centralized data warehouse Data access and Visualization app for decision support Vis isualiz ualize e Anal nalyze e model of cervical cancer care 7

Mobile application prototype that community and healthcare workers can take to the field § Developed ¡using ¡the ¡IBM ¡Worklight ¡pla>orm ¡ § Runs ¡on ¡Android ¡/ ¡iOS ¡devices ¡ § Uses ¡a ¡cervical ¡cancer ¡ ¡form ¡on ¡the ¡device ¡to ¡record ¡data ¡ § Data ¡can ¡be ¡stored ¡on ¡the ¡device ¡unFl ¡a ¡mobile ¡data ¡network ¡can ¡be ¡ established, ¡then ¡uploaded ¡to ¡the ¡registry ¡ § Can ¡capture ¡image ¡of ¡the ¡screening ¡test ¡result ¡for ¡later ¡follow-­‑up ¡review ¡ Current paper form = 8

The new disease model relates disease dynamics to demographics of population and healthcare system services. This allows researchers to create “what-if” scenarios to determine the best outcome of where to spend efforts and budget. § Client ¡Value ¡ – Help ¡government ¡agencies ¡ understand ¡ disease ¡progression ¡over ¡Ime ¡ across ¡ different ¡regions ¡of ¡Kenya ¡ – Help ¡policy ¡makers ¡to ¡ evaluate ¡the ¡impact ¡ of ¡different ¡programs ¡and ¡make ¡the ¡best ¡ decision ¡ § Key ¡Technology ¡ – Dynamic ¡Bayesian ¡Network ¡with ¡ ¡ LocaIon ¡-­‑ ¡specific ¡and ¡ ¡ disease ¡-­‑ ¡specific ¡variables PopulaIon ¡ Demographics ¡ Disease ¡ ¡ Co-­‑incident ¡ StaIsIcs ¡ Medical ¡ ¡ InformaFon ¡ Health ¡ Co-­‑incident ¡ Resources ¡ Social ¡ ¡ InformaFon ¡ EducaFon ¡ Data ¡ Genomic ¡ Data ¡ 9

Model:

Model: Location Specific Effects of location Disease On disease Specific

Modelling intervention Vaccination program Model Outputs • Program Cost • 10 / 30 Year View • Lives saved • Years of life saved mobile • Cancer incidence rate facility clinics • Economic impact awareness program

The Front End Demo Various ‘What if’ scenarios Map of Kenya interactively updated based on chosen scenario

Taking known demographics into account Age distribution: Showing number of women (x1000) aged 35-40 (left) and 9-12 (right) per district Other features includes rural /urban ratio, population density, locations of clinics and schools and HIV prevalence 14

Model estimates: mortality rate per 100K women aged 35-40 in 10 years status quo screen & treat 90% screen & treat 90% who this year live near health facility 15

Programs ¡comparison ¡ soluIon ¡ program ¡ cost ¡per ¡ Life-­‑years ¡ Life-­‑years ¡ PopulaIon ¡ cost ¡($K) ¡ life-­‑year-­‑ saved ¡ ¡ saved ¡ ¡ (1000 ¡women) ¡ saved($/yr) ¡ 10-­‑yr ¡pd ¡ 30-­‑yr ¡pd ¡ (years) ¡ (years) ¡ ¡ 9-­‑12 ¡year ¡olds: ¡ 0 ¡ 0 ¡ 0 ¡ 0 ¡ 2091 ¡ status ¡quo ¡ 9-­‑12 ¡year ¡olds: ¡ 21846 369 625 59277 2091 vaccinate ¡ 35-­‑40 ¡year ¡olds: ¡ 0 0 0 0 1195 status ¡quo ¡ 35-­‑40 ¡year ¡olds: ¡ 15523 221 5047 70190 1195 status ¡quo ¡ 16

Programs ¡comparison ¡ soluIon ¡ program ¡ cost ¡per ¡ Life-­‑years ¡ Life-­‑years ¡ PopulaIon ¡ cost ¡($K) ¡ life-­‑year-­‑ saved ¡ ¡ saved ¡ ¡ (1000 ¡women) ¡ saved($/yr) ¡ 10-­‑yr ¡pd ¡ 30-­‑yr ¡pd ¡ (years) ¡ (years) ¡ ¡ 9-­‑12 ¡year ¡olds: ¡ 0 ¡ 0 ¡ 0 ¡ 0 ¡ 2091 ¡ status ¡quo ¡ 9-­‑12 ¡year ¡olds: ¡ 21846 369 625 59277 2091 vaccinate ¡ 35-­‑40 ¡year ¡olds: ¡ 0 0 0 0 1195 status ¡quo ¡ 35-­‑40 ¡year ¡olds: ¡ 15523 221 5047 70190 1195 status ¡quo ¡ MOOV 17

Summary § Proposed ¡a ¡system ¡for ¡accessing ¡cervical ¡cancer ¡prevenFon ¡policies ¡ in ¡low ¡resource ¡se[ngs ¡ § Based ¡on ¡modelling ¡the ¡dependency ¡of ¡cervical ¡cancer ¡on ¡local ¡ demographics ¡and ¡health ¡services ¡availability ¡ § Effects ¡of ¡prevenFon ¡programs ¡can ¡be ¡simulated ¡and ¡contrasted ¡ § DigiFzed ¡collecFon ¡of ¡paFent ¡records ¡(or ¡specific ¡aggregated ¡ staFsFcs) ¡is ¡essenFal ¡for ¡model ¡fi[ng, ¡validaFon ¡and ¡monitoring ¡of ¡ future ¡programs. ¡ 18

THANK YOU 19

Decision support tool Optimizer Programs visualizer & contraster Program Program maker analyzer

Cervical cancer is the largest cancer threat to women’s health in Africa Africa Age Standardized Rates per 100K Cancer type Source: GLOBOCAN 2012 21

Cervical cancer incidence is ~7 times higher in East Africa than in most western countries Mortality Source: GLOBOCAN 2012 22

Human Papilloma Virus § The ¡major ¡cause ¡of ¡cervical ¡cancer ¡ § Over ¡100 ¡strains ¡of ¡HPV ¡ § Sexually ¡transmiced ¡ § 80% ¡of ¡all ¡women ¡have ¡an ¡HPV ¡infecFon ¡ over ¡their ¡lifeFme ¡(but ¡only ¡0.66% ¡ develop ¡cervical ¡cancer) ¡ § Strains ¡16 ¡and ¡18 ¡cause ¡70% ¡of ¡all ¡cervical ¡ cancers. ¡ § There ¡are ¡HPV ¡vaccines ¡that ¡cover ¡types ¡ 16,18 ¡(+ ¡6 ¡and ¡11) ¡ § Vaccines ¡considered ¡effecFve ¡only ¡before ¡ first ¡infecFon ¡(of ¡same ¡strain) ¡ 23

2012 CCA REPORT CARD http://www.cervicalcanceraction.org/home/home.php

Cervical screening in developed countries – Pap Smear Requires ¡ § Shipping ¡of ¡sample ¡to ¡lab ¡ § Expensive ¡equipment ¡ § Trained ¡lab ¡staff ¡ § Electricity ¡ § Screening ¡result ¡not ¡ immediately ¡available ¡ – ¡Return ¡visit ¡for ¡ ¡ ¡treatment ¡ ¡ 25

Mobile clinic for cervical cancer screening 26

2012 CCA REPORT CARD http://www.cervicalcanceraction.org/home/home.php

Health service information management in Africa § Mostly ¡paper ¡based ¡ § DigiFzaFon ¡only ¡of ¡selected ¡ aggregated ¡ staFsFcs ¡ § PaFent ¡records ¡stay ¡on ¡paper ¡in ¡visited ¡ clinic ¡ ¡ § Uncollected ¡staFsFcs ¡are ¡virtually ¡ unrecoverable ¡ 28