Po raz pierwszy badacze wykorzystali uczenie maszynowe, aby w skali niemal całego świata wskazać, które elementy systemów ochrony zdrowia najsilniej wpływają na przeżywalność chorych na raka. Wyniki badania opublikowanego w Annals of Oncology pokazują, że nie istnieje jeden uniwersalny przepis na poprawę wyników leczenia – kluczowe są decyzje dopasowane do realiów konkretnego kraju.
Z tego artykułu dowiesz się…
- Jak model sztucznej inteligencji analizuje dane z 185 krajów i wskazuje, które elementy systemu ochrony zdrowia najsilniej wpływają na przeżywalność chorych na raka.
- Które inwestycje systemowe (np. radioterapia, powszechna opieka zdrowotna, finansowanie) przynoszą największy efekt w różnych państwach, w tym w Polsce.
- Jak interpretować wyniki modelu AI (MIR, metoda SHAP) i dlaczego nie ma jednego uniwersalnego rozwiązania dla wszystkich krajów.
- Jakie są realne możliwości wykorzystania AI przez decydentów do planowania polityki onkologicznej przy ograniczonych zasobach.
Jak powstał model sztucznej inteligencji
Zespół badawczy pod kierownictwem dr. Edwarda Christophera Dee z Memorial Sloan Kettering Cancer Center zastosował modele uczenia maszynowego do analizy danych z 185 krajów. Wykorzystano m.in. statystyki zachorowań i zgonów z powodu nowotworów z GLOBOCAN 2022, a także informacje o systemach ochrony zdrowia pochodzące ze World Health Organization, World Bank, agend ONZ oraz Katalogu Centrów Radioterapii. Analizie poddano m.in.:
- wydatki na zdrowie jako procent PKB,
- PKB per capita,
- liczbę lekarzy, pielęgniarek, położnych i chirurgów na 1000 mieszkańców,
- dostęp do powszechnej opieki zdrowotnej (UHC),
- dostępność patologii,
- liczbę ośrodków radioterapii,
- wskaźnik rozwoju społecznego i nierówności płci,
- udział wydatków własnych pacjentów.
Wskaźnik MIR i metoda SHAP – co mierzy model
Model generuje wskaźnik śmiertelności do zachorowań (MIR), który odzwierciedla, jaki odsetek rozpoznań nowotworowych kończy się zgonem. To syntetyczna miara skuteczności opieki onkologicznej w skali kraju. Do interpretacji wyników zastosowano metodę SHAP (Shapley Additive ExPlanations), pozwalającą precyzyjnie określić, jaki wkład ma każdy czynnik systemowy w końcowy wynik prognozy.Pan Milit Patel, pierwszy autor badania, podkreślił:
Zdecydowaliśmy się na wykorzystanie modeli uczenia maszynowego, ponieważ pozwalają nam one generować szacunki – i powiązane z nimi prognozy – specyficzne dla każdego kraju. Zdajemy sobie oczywiście sprawę z ograniczeń danych na poziomie populacji, ale mamy nadzieję, że te odkrycia pomogą w planowaniu leczenia raka na całym świecie.
Od danych do polityki zdrowotnej
Największą wartością badania jest przełożenie złożonych analiz statystycznych na praktyczne wskazówki dla decydentów. Jak zaznaczył Patel:
Poza prostym opisem dysproporcji, nasze podejście dostarcza decydentom praktyczny, oparty na danych plan działania, pokazując precyzyjnie, które inwestycje w system opieki zdrowotnej mają największy wpływ na każdy kraj.
Przykłady krajowe: różne drogi do lepszych wyników
Poniższe przykłady pokazują, jak model sztucznej inteligencji identyfikuje różne, specyficzne dla danego kraju czynniki, które mogą najskuteczniej poprawić wyniki leczenia raka.
Brazylia
Model wskazuje, że kluczowym czynnikiem poprawy wskaźnika MIR jest powszechna opieka zdrowotna (UHC). Inne elementy, takie jak liczba pielęgniarek czy dostęp do patologii, mają mniejsze znaczenie w obecnym kontekście. To sugeruje, że dalsze wzmacnianie UHC może przynieść największy efekt.
Polska
Największy wpływ na wyniki leczenia raka mają gęstość ośrodków radioterapii, PKB per capita oraz poziom UHC. Oznacza to, że inwestycje w dostęp do radioterapii i stabilne finansowanie systemu ochrony zdrowia są bardziej efektywne niż ogólne zwiększanie wydatków zdrowotnych bez ukierunkowania.
Japonia, Stany Zjednoczone i Wielka Brytania
We wszystkich trzech krajach niemal każdy analizowany element systemu ochrony zdrowia koreluje z lepszymi wynikami leczenia. Najsilniejszym czynnikiem jest gęstość radioterapii w Japonii oraz PKB per capita w USA i Wielkiej Brytanii, co wskazuje na znaczenie zaawansowanej infrastruktury i stabilnej bazy ekonomicznej.
Chiny
Sytuacja jest bardziej złożona. Największy pozytywny wpływ mają PKB per capita, UHC oraz dostęp do radioterapii. Jednocześnie wysokie wydatki własne pacjentów pozostają istotną barierą. Jak napisali autorzy:
Wysokie koszty bezpośrednie dla pacjentów pozostają istotną barierą dla optymalnych wyników leczenia raka, nawet w obliczu ogólnokrajowej poprawy finansowania i dostępu do opieki zdrowotnej…
Jak interpretować „zielone” i „czerwone” czynniki
Zielone słupki w narzędziu online oznaczają obszary, w których dodatkowe inwestycje mogą przynieść największą poprawę wyników leczenia raka. Czerwone nie wskazują na nieistotność danego elementu, lecz na mniejszą zdolność wyjaśniania obecnych różnic w MIR. Jak podkreślają autorzy, nie powinny one być pretekstem do rezygnacji z dalszego wzmacniania tych filarów systemu.
Ograniczenia badania
Autorzy otwarcie wskazują ograniczenia: analiza opiera się na danych zagregowanych na poziomie krajowym, jakość rejestrów różni się między państwami, a model nie dowodzi związku przyczynowego. Wyniki stanowią jednak solidną podstawę do ustalania priorytetów i projektowania dalszych, bardziej szczegółowych badań.
Główne wnioski
- Model oparty na uczeniu maszynowym wykorzystał dane epidemiologiczne i systemowe z 185 krajów, pokazując, że skuteczność leczenia raka zależy od lokalnych uwarunkowań, a nie jednego uniwersalnego czynnika.
- Dostęp do radioterapii, powszechna opieka zdrowotna (UHC) i PKB per capita najczęściej należą do czynników najsilniej powiązanych z niższym wskaźnikiem MIR, choć ich znaczenie różni się między krajami.
- W Polsce największy wpływ na wyniki leczenia raka mają gęstość ośrodków radioterapii, poziom UHC oraz PKB per capita, a nie same ogólne wydatki na ochronę zdrowia.
- Badanie nie dowodzi związku przyczynowego, ale dostarcza praktycznego, opartego na danych narzędzia, które może pomóc decydentom priorytetyzować inwestycje i ograniczać nierówności w leczeniu nowotworów.
Źródło:
- European Society for Medical Oncology
- https://www.annalsofoncology.org/article/S0923-7534(25)06275-1/abstract
