Pela primeira vez, os cientistas aplicaram a aprendizagem automática, uma forma de inteligência artificial (IA), para identificar os factores mais estreitamente associados à sobrevivência ao cancro em quase todos os países do mundo.
O estudo é publicado em uma importante revista sobre câncer Anais de Oncologiavai além de comparações amplas para mostrar quais mudanças políticas específicas ou melhorias nos sistemas podem ter o maior impacto na sobrevivência ao cancro em cada país. 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 estão relacionados com os resultados do cancro.
Transforme dados globais em insights acionáveis
Dr. Edward Christopher Dee, residente do Departamento de Oncologia de Radiação do Memorial Sloan Kettering (MSK) Cancer Center na cidade de Nova York e co-líder do estudo, enfatizou a importância deste trabalho. “Os resultados do cancro variam amplamente em todo o mundo, 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 alavancas políticas mais impactantes para reduzir a mortalidade por cancro e colmatar as lacunas de equidade”.
Vários fatores se destacam consistentemente, observou ele. “Descobrimos que o acesso à radioterapia, a cobertura universal de saúde e a força económica tendem a ser alavancas importantes associadas a melhores resultados nacionais sobre o cancro. No entanto, outros factores-chave também foram associados.”
Analisar dados sobre câncer e sistemas de saúde de 185 países
Para chegar a estas conclusões, o Dr. Dee e colegas usaram a aprendizagem automática para examinar a incidência de cancro e os dados de morte do Observatório Global do Cancro (GLOBOCAN 2022), abrangendo 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 de directórios de centros de radioterapia.
O conjunto de dados inclui despesas de saúde como percentagem do PIB, PIB per capita, número de médicos, enfermeiros, parteiras e pessoal cirúrgico por 1.000 pessoas, nível de cobertura universal de saúde, acesso a serviços de patologia, índice de desenvolvimento humano, número de centros de radioterapia por 1.000 pessoas, índice de desigualdade de género e percentagem de custos de cuidados de saúde pagos directamente pelos pacientes.
Crie um modelo de aprendizado de máquina
O modelo de aprendizado de máquina foi desenvolvido por Milit Patel, o primeiro autor do estudo. Ele é pesquisador nas áreas de bioquímica, estatística e ciência de dados, e reforma e inovação em saúde na Universidade do Texas em Austin e MSK.
O Sr. Patel explicou o raciocínio por trás desta abordagem. “Optamos por usar modelos de aprendizagem automática porque nos permitiram gerar estimativas e previsões associadas específicas para cada país. É claro que estamos cientes das limitações dos dados a nível populacional, mas esperamos que estas descobertas orientem o planeamento do sistema global de cancro”.
Medindo a eficácia dos tratamentos contra o câncer
O modelo calcula a relação mortalidade/incidência (MIR), que representa a proporção de casos de cancro que resultam em morte e serve como um indicador da eficácia dos cuidados oncológicos num determinado país. Para mostrar como os fatores individuais afetam essas estimativas, os pesquisadores usaram um método que explica as previsões medindo a contribuição de cada variável, chamado SHAP (Shapley Additive exPlanations).
Patel disse que o objetivo era passar da descrição à ação. “Além de simplesmente descrever as diferenças, a nossa abordagem fornece aos decisores políticos um roteiro prático e baseado em dados que mostra exatamente quais os investimentos no sistema de saúde que estão associados ao maior impacto em cada país. À medida que o fardo global do cancro aumenta, estas informações podem ajudar os países a dar prioridade aos recursos e a colmatar as lacunas de sobrevivência da forma mais equitativa e eficaz. As organizações internacionais, os prestadores de cuidados de saúde e os defensores também podem utilizar ferramentas baseadas na Internet para destacar áreas para investimento, especialmente em ambientes com recursos limitados”.
Exemplos de países mostram prioridades diferentes
Os resultados mostram que os fatores mais influentes variam entre os países. No Brasil, o modelo mostra que a cobertura universal de saúde (UHC) tem a associação positiva mais forte com melhorias na mortalidade e morbidade. Outros factores, como os serviços de patologia e o número de enfermeiros e parteiras por cada 1.000 pessoas, parecem actualmente desempenhar um papel menor. Os pesquisadores acreditam que isso significa que o Brasil poderia ganhar mais ao priorizar a cobertura universal de saúde.
Na Polónia, a disponibilidade de serviços de radioterapia, o PIB per capita e o Índice de Cobertura Universal de Saúde tiveram o maior impacto nos resultados do cancro. Este padrão sugere que os esforços recentes para expandir os seguros e os serviços de saúde produziram melhorias maiores do que as despesas gerais com saúde, que parecem ter tido efeitos mais limitados.
O Japão, os Estados Unidos e o Reino Unido mostraram um padrão mais amplo, com quase todos os factores do sistema de saúde associados a melhores resultados do cancro. No Japão, o impacto da densidade dos centros de radioterapia é mais pronunciado, enquanto nos Estados Unidos e no Reino Unido o impacto do PIB per capita é maior. Estas conclusões apontam para onde os decisores políticos de cada país poderiam ganhar mais.
A situação na China é mais complexa. Um PIB per capita mais elevado, uma cobertura universal de saúde mais ampla e um maior acesso a centros de radioterapia são muito úteis para melhorar os resultados do cancro. Em contraste, as despesas correntes, a dimensão da força de trabalho cirúrgica por cada 1.000 pessoas e as despesas com a saúde em percentagem do PIB explicam actualmente menos as diferenças nos resultados.
“Mesmo com melhorias no financiamento e acesso à saúde nacional, os elevados custos diretos para os pacientes continuam a ser uma barreira crítica para resultados óptimos do cancro”, escreveram os investigadores no seu artigo sobre a China. “Estas conclusões destacam que, embora o rápido desenvolvimento do sistema de saúde da China tenha produzido ganhos importantes no controlo do cancro, persistem lacunas na protecção e cobertura financeiras, exigindo maior enfoque político, redução dos custos directos e maior reforço da implementação da cobertura universal de saúde para maximizar o impacto do sistema de saúde”.
Como ler as barras verdes e vermelhas
O Sr. Patel também explicou o significado das barras verdes e vermelhas mostradas nos gráficos específicos de cada país. “As barras verdes representam factores actualmente 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 ter um impacto significativo”.
Ele enfatizou que a faixa vermelha não deve ser mal interpretada. “No entanto, as barras vermelhas não indicam que estas áreas não sejam importantes ou devam ser ignoradas. Em vez disso, reflectem áreas que, com base no modelo e nos dados actuais, provavelmente não explicarão as maiores diferenças nos resultados actuais. Isto pode dever-se ao já forte desempenho nestas áreas, 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’ não deve, de forma alguma, ser interpretado como uma razão para interromper os esforços para fortalecer este pilar do tratamento do câncer – as melhorias nessas áreas continuam valiosas para o sistema de saúde geral de um país. Nossos resultados simplesmente sugerem que, se o objetivo é maximizar as melhorias nos resultados do câncer definidos pelo modelo, então focar primeiro nos fatores positivos mais fortes (verdes) pode ser a estratégia mais impactante”.
Pontos fortes, limitações e próximos passos
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 inteligência artificial mais transparentes. Os pesquisadores também reconhecem as principais limitações. A análise baseou-se em dados a nível nacional e não em registos individuais de pacientes. A qualidade dos dados varia muito, especialmente em muitos países de baixo rendimento, e as tendências nacionais podem mascarar diferenças dentro dos países. Além disso, o estudo não pode provar que a concentração em factores específicos leva a melhores resultados no cancro, apenas que tais esforços estão associados a melhores resultados.
Apesar destas limitações, os resultados fornecem um método útil para priorizar ações. Dee concluiu: “À medida que o fardo global do cancro aumenta, este modelo pode ajudar os países a maximizar o impacto com recursos limitados. Ele transforma dados complexos em recomendações práticas e fáceis de compreender para os decisores políticos, permitindo uma saúde pública precisa”.
