IA mapeia as forças ocultas que moldam a sobrevivência do câncer em todo o mundo

A pesquisa, publicada na principal revista sobre câncer Anais de Oncologiavai além de comparações amplas para mostrar quais mudanças políticas específicas ou melhorias no sistema poderiam ter o maior impacto na sobrevivência ao câncer em cada nação. A equipa também criou uma ferramenta online que permite aos utilizadores seleccionar um país e ver como factores como a riqueza nacional, o acesso à radioterapia e a cobertura universal de saúde se relacionam com os resultados do cancro.

Transformando dados globais em insights práticos

Edward Christopher Dee, médico residente em oncologia de radiação no Memorial Sloan Kettering (MSK) Cancer Center em Nova York, EUA, e co-líder do estudo, destacou por que o trabalho é importante. “Os resultados globais do cancro variam muito, em grande parte devido às diferenças nos sistemas nacionais de saúde. Queríamos criar um quadro prático e baseado em dados que ajudasse os países a identificar as suas alavancas políticas mais impactantes para reduzir a mortalidade por cancro e colmatar as lacunas de equidade”.

Ele observou que vários fatores se destacaram consistentemente. “Descobrimos que o acesso à radioterapia, a cobertura universal de saúde e a força económica eram muitas vezes alavancas importantes associadas a melhores resultados nacionais em matéria de cancro. No entanto, outros factores-chave também foram relevantes”.

Analisando dados sobre câncer e sistemas de saúde de 185 países

Para chegar a essas conclusões, o Dr. Dee e seus colegas usaram o aprendizado de máquina para examinar os dados de incidência e morte por câncer do Observatório Global do Câncer (GLOBOCAN 2022), cobrindo 185 países. Combinaram esta informação com dados do sistema de saúde recolhidos da Organização Mundial de Saúde, do Banco Mundial, de agências das Nações Unidas e do Diretório de Centros de Radioterapia.

O conjunto de dados incluía despesas de saúde como percentagem do PIB, PIB per capita, o número de médicos, enfermeiros, parteiras e trabalhadores cirúrgicos por 1000 pessoas, níveis de cobertura universal de saúde, acesso a serviços de patologia, um índice de desenvolvimento humano, o número de centros de radioterapia por 1000 pessoas, um índice de desigualdade de género e a parcela dos custos de saúde pagos diretamente pelos pacientes.

Construindo o modelo de aprendizado de máquina

O modelo de aprendizado de máquina foi desenvolvido pelo Sr. Milit Patel, o primeiro autor do estudo. Ele é pesquisador em bioquímica, estatística e ciência de dados, reforma e inovação em saúde na Universidade do Texas em Austin, EUA, e na MSK.

Sr., Patel explicou o raciocínio por trás desta abordagem. “Optamos por utilizar modelos de aprendizagem automática porque nos permitem gerar estimativas – e previsões relacionadas – específicas para cada país. Estamos, claro, conscientes das limitações dos dados a nível populacional, mas esperamos que estas descobertas possam orientar o planeamento do sistema de cancro a nível global”.

Medindo a eficácia do tratamento do câncer

O modelo calcula os rácios de mortalidade por incidência (MIR), que representam a percentagem de casos de cancro que resultam em morte e servem como um indicador da eficácia dos cuidados oncológicos num determinado país. Para mostrar como os fatores individuais influenciam essas estimativas, os pesquisadores usaram um método que explica as previsões medindo a contribuição de cada variável, conhecido como SHAP (Shapley Additive exPlanations).

Segundo o Sr. Patel, o objetivo era passar da descrição à ação. “Além de simplesmente descrever as disparidades, nossa abordagem fornece roteiros acionáveis ​​e baseados em dados para os formuladores de políticas, mostrando precisamente quais investimentos no sistema de saúde estão associados ao maior impacto para cada país. À medida que a carga global do câncer aumenta, esses insights podem ajudar as nações a priorizar recursos e fechar lacunas de sobrevivência da maneira mais equitativa e eficaz possível. Organizações internacionais, prestadores de cuidados de saúde e defensores também podem usar a ferramenta baseada na web para destacar áreas para investimento, especialmente em ambientes com recursos limitados”.

Exemplos de países mostram prioridades diferentes

Os resultados revelam que os fatores mais influentes variam amplamente de país para país. No Brasil, o modelo indica que a cobertura universal de saúde (CUS) tem a associação positiva mais forte com a melhoria das taxas de mortalidade/incidência. Outros factores, como os serviços de patologia e o número de enfermeiros e parteiras por 1000 pessoas, parecem desempenhar actualmente um papel menor. Os pesquisadores sugerem que isso significa que o Brasil poderia obter os maiores ganhos ao priorizar a cobertura universal de saúde.

Na Polónia, a disponibilidade de serviços de radioterapia, o PIB per capita e o índice UHC mostram o maior impacto nos resultados do cancro. Este padrão sugere que os esforços recentes para expandir o seguro de saúde e o acesso aos cuidados produziram melhorias mais fortes do que as despesas gerais de saúde, que parecem ter um efeito mais limitado.

O Japão, os EUA e o Reino Unido apresentam um padrão mais amplo, com quase todos os factores do sistema de saúde ligados a melhores resultados do cancro. No Japão, a densidade de centros de radioterapia destaca-se mais fortemente, enquanto nos EUA e no Reino Unido o PIB per capita tem maior influência. Estas conclusões apontam para onde os decisores políticos de cada país podem obter os maiores ganhos.

A China apresenta um quadro mais misto. Um PIB per capita mais elevado, uma cobertura universal de saúde mais ampla e um maior acesso aos centros de radioterapia são os que mais contribuem para a melhoria dos resultados do cancro. Em contraste, as despesas correntes, a dimensão da força de trabalho cirúrgica por cada 1000 pessoas e as despesas com a saúde em percentagem do PIB explicam actualmente menos a variação nos resultados.

Os investigadores escrevem sobre a China: “Os elevados custos directos para os pacientes continuam a ser uma barreira crítica para resultados óptimos do cancro, mesmo no meio de melhorias nacionais no financiamento e no acesso à saúde. Estas conclusões sublinham que, embora o rápido desenvolvimento do sistema de saúde da China esteja a produzir ganhos importantes no controlo do cancro, as disparidades na protecção e cobertura financeiras persistem, garantindo um enfoque político intensificado na redução das despesas do próprio bolso e no reforço adicional da implementação da CUS para maximizar o impacto do sistema de saúde”.

Como ler as barras verdes e vermelhas

Sr., Patel também explicou o significado das barras verdes e vermelhas mostradas nos gráficos específicos do país. “As barras verdes representam factores que actualmente aparecem mais forte e positivamente associados à melhoria dos resultados do cancro num determinado país. Estas são áreas onde o investimento continuado ou aumentado tem maior probabilidade de resultar num impacto significativo”.

Ele enfatizou que as barras vermelhas não devem ser mal interpretadas. “No entanto, as barras vermelhas não indicam que estas áreas não sejam importantes ou devam ser negligenciadas. Em vez disso, reflectem domínios que, de acordo com o modelo e os dados actuais, têm menos probabilidade de explicar as maiores diferenças nos resultados neste momento. Isto pode dever-se ao já forte desempenho nestes aspectos, às limitações dos dados disponíveis ou a outros factores específicos do contexto.”

Ele acrescentou uma advertência importante. “É importante ressaltar que ver uma barra ‘vermelha’ nunca deve ser interpretado como uma razão para interromper os esforços para fortalecer esse pilar do tratamento do câncer – a melhoria nessas áreas ainda pode ser valiosa para o sistema de saúde geral de um país. Nossos resultados simplesmente sugerem que, se o objetivo é maximizar a melhoria nos resultados do câncer, conforme definido pelo modelo, focar primeiro nos fatores positivos (verdes) mais fortes pode ser a estratégia mais impactante”.

Pontos fortes, limites e o que vem a seguir

Os pontos fortes do estudo incluem a cobertura de quase todos os países, a utilização de dados atuais de saúde global, orientações políticas específicas de cada país, em vez de simples médias globais, e a utilização de modelos de IA mais transparentes. Os pesquisadores também reconhecem as principais limitações. A análise baseia-se em dados a nível nacional e não em registos individuais de pacientes, a qualidade dos dados varia amplamente, especialmente em muitos países de baixo rendimento, e as tendências nacionais podem esconder disparidades dentro dos países. Além disso, o estudo não pode provar que a concentração num factor específico causará melhores resultados no cancro, apenas que tais esforços estão associados a melhores resultados.

Mesmo com estes limites, as conclusões oferecem uma forma útil de priorizar a ação. Dee concluiu: “À medida que a carga global do cancro cresce, este modelo ajuda os países a maximizar o impacto com recursos limitados. Transforma dados complexos em conselhos compreensíveis e acionáveis ​​para os decisores políticos, tornando possível uma saúde pública precisa”.