Las estrategias específicas de búsqueda activa de casos han demostrado su eficacia para aumentar la detección de personas con tuberculosis. Las pruebas de tamizaje basadas en la comunidad a través de unidades móviles pueden cerrar las brechas en los diagnósticos no detectados al llevar los servicios de tamizaje a las comunidades, lo que hace que las pruebas de tamizaje sean más convenientes para las personas con acceso limitado a los servicios apropiados. Sin embargo, quedan preguntas sobre cómo operar eficientemente estas unidades móviles. Pregunta de investigación: ¿Pueden las decisiones basadas en datos, guiadas por un marco de aprendizaje automático, optimizar el movimiento en tiempo real de las unidades móviles de tamizaje de tuberculosis en todo el distrito de Carabayllo en Lima, Perú, aumentando la detección de personas con tuberculosis? Métodos: Utilizando datos históricos sobre dónde y cuándo se diagnostica tuberculosis a las personas, tanto en los centros de salud como en las unidades móviles de tamizaje de tuberculosis en el distrito de Carabayllo, estableceremos tendencias espaciales y temporales de la carga local de tuberculosis, construiremos modelos a nivel de vecindario que reflejen el riesgo local de tuberculosis y desarrollaremos un modelo de decisión de referencia a través de ‘restless multi-armed bandit framework’ para tomar decisiones basadas en datos sobre dónde, cuándo y durante cuánto tiempo colocar las unidades móviles en la comunidad. El modelo de referencia establecerá la viabilidad del enfoque con un conjunto limitado de parámetros de entrada que se pueden recopilar utilizando datos programáticos.