Inteligența artificială și supraviețuirea în cancer: ce factori contează cel mai mult la nivel național

Un studiu realizat la Memorial Sloan Kettering Cancer Center și publicat în Annals of Oncology a utilizat, pentru prima dată la scară globală, învățarea automată pentru a identifica principalii factori care influențează supraviețuirea în cancer în aproape toate țările lumii. Cercetarea arată că diferențele dintre sistemele de sănătate explică o mare parte din inegalitățile globale în mortalitatea oncologică și oferă un cadru practic pentru prioritizarea politicilor publice.

Idei principale

• Modelele de inteligență artificială pot identifica factorii-cheie ai supraviețuirii în cancer la nivel de țară.
• Produsul intern brut pe cap de locuitor, accesul la radioterapie și acoperirea universală a sănătății sunt determinanți majori la nivel global.
• Importanța fiecărui factor variază substanțial între țări, necesitând politici adaptate contextului local.
• Modelul prezice raportul mortalitate–incidență cu acuratețe ridicată (R² = 0,852).
• Un instrument web permite explorarea acestor rezultate pentru fiecare țară în parte.

Context

Diferențele globale în accesul la diagnostic oncologic, tratament și protecție financiară se reflectă direct în variații mari ale raportului mortalitate–incidență (MIR), utilizat ca indicator de substituție pentru supraviețuirea în cancer. Studiile anterioare au descris aceste disparități, însă majoritatea analizelor s-au bazat pe medii globale sau regionale, fără a oferi recomandări adaptate fiecărei țări. În acest context, utilizarea inteligenței artificiale explicabile oferă posibilitatea de a transforma datele agregate în ipoteze operaționale pentru politici de sănătate.

Despre studiu

Autorii au analizat date privind incidența și mortalitatea prin cancer din baza GLOBOCAN 2022 pentru 185 de țări. Aceste informații au fost corelate cu indicatori ai sistemelor de sănătate proveniți din surse internaționale, incluzând:

• Produsul intern brut pe cap de locuitor.
• Indicele de acoperire universală a sănătății.
• Numărul centrelor de radioterapie raportat la populație.
• Cheltuielile de sănătate ca procent din produsul intern brut.
• Cheltuielile directe din buzunarul pacienților.
• Densitatea personalului medical: medici, asistente medicale, moașe și personal chirurgical.
• Disponibilitatea serviciilor de anatomie patologică.
• Indicele dezvoltării umane și indicele inegalității de gen.

A fost construit un model de tip CatBoost gradient boosting, antrenat prin validare încrucișată repetată de tip „exclude o țară” (10 repetări, 1.850 de predicții). Interpretabilitatea modelului a fost asigurată prin metoda SHapley Additive exPlanations (SHAP), care cuantifică contribuția fiecărui factor la predicția finală pentru fiecare țară. Performanța modelului a fost evaluată prin R², eroare medie la pătrat, eroare medie absolută și corelație Pearson, cu estimarea incertitudinii prin bootstrap.

Rezultate

Modelul a demonstrat o performanță ridicată în predicția raportului mortalitate–incidență, cu R² = 0,852 (interval de încredere 95%: 0,801–0,891) și o corelație puternică între valorile prezise și cele observate (r = 0,923). Analiza globală SHAP a arătat că:

• Produsul intern brut pe cap de locuitor contribuie cu 22,5% la variația rezultatelor oncologice.
• Densitatea centrelor de radioterapie explică 15,4% din variație.
• Acoperirea universală a sănătății reprezintă 12,9% din contribuția totală.

La nivel național, profilurile SHAP au evidențiat o heterogenitate marcată. De exemplu, în Brazilia, acoperirea universală a sănătății este principalul factor asociat cu îmbunătățirea MIR, în timp ce alți indicatori, precum densitatea personalului de îngrijire, au un impact relativ mai redus. În Polonia, radioterapia, produsul intern brut pe cap de locuitor și acoperirea universală a sănătății au cea mai mare influență, sugerând că extinderea accesului la servicii specifice este mai eficientă decât creșterea nestructurată a cheltuielilor generale.

În Japonia, Statele Unite și Regatul Unit, aproape toți indicatorii sunt asociați cu rezultate oncologice mai bune, însă importanța relativă diferă: densitatea centrelor de radioterapie în Japonia și produsul intern brut pe cap de locuitor în Statele Unite și Regatul Unit sunt factorii dominanți. În China, imaginea este mixtă: dezvoltarea economică, acoperirea universală a sănătății și radioterapia au contribuțiile cele mai mari, în timp ce cheltuielile directe ale pacienților rămân o barieră semnificativă.

Autorii subliniază că barele „verzi” din instrumentul web indică domeniile cu impact pozitiv major în prezent, fără ca barele „roșii” să sugereze lipsa de importanță a celorlalți factori. Mai degrabă, acestea reflectă zone unde performanța este deja ridicată sau unde datele disponibile explică mai puțin variația actuală a rezultatelor.

Puncte forte și limitări

Printre punctele forte se numără acoperirea aproape globală, utilizarea unor date actualizate și furnizarea de recomandări specifice fiecărei țări, bazate pe modele de inteligență artificială explicabile. Limitările includ utilizarea datelor agregate la nivel național, variația calității registrelor oncologice și imposibilitatea de a demonstra relații cauzale directe între intervenții și îmbunătățirea supraviețuirii.

Concluzii

Acest studiu demonstrează că inteligența artificială explicabilă poate transforma datele globale despre cancer în instrumente concrete pentru politici de sănătate. Identificarea factorilor dominanți specifici fiecărei țări permite prioritizarea investițiilor cu impact maxim, în special în contextul creșterii poverii globale a cancerului și al resurselor limitate.