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.
A pesquisa foi 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 cancro em cada nação. A equipa também desenvolveu uma ferramenta online que permite aos utilizadores selecionar um país e ver como os recursos nacionais, o acesso à radioterapia e a cobertura universal de saúde se relacionam com os resultados do cancro.
Transformando dados globais em insights acionáveis
Edward Christopher Dee, médico residente em oncologia de radiação no Memorial Sloan Kettering (MSK) Cancer Center em Nova York, EUA, e colíder do estudo, destacou por que o trabalho é importante. “Os resultados do cancro variam amplamente em todo o mundo, em grande parte devido às diferenças nos sistemas nacionais de saúde. Queríamos desenvolver 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 observa que vários fatores se destacam de forma consistente. “Descobrimos que o acesso à radioterapia, a cobertura universal de saúde e o poder económico estavam frequentemente associados a melhores resultados nacionais do cancro em fígados importantes. No entanto, outros factores-chave também foram relevantes”.
Analisando dados sobre câncer e sistemas de saúde de 185 países
Para chegar a esta conclusão, o Dr. Dee e os seus colegas utilizaram a aprendizagem automática para examinar os dados de incidência e mortalidade do cancro 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 incluía despesas de saúde em percentagem do PIB, PIB per capita, o número de médicos, enfermeiros, parteiras e trabalhadores cirúrgicos por 1000 pessoas, o nível de cobertura universal de saúde, o acesso a serviços de patologia, um índice de desenvolvimento humano, o número de centros de radioterapia por 1000 pessoas, indicadores de serviços de saúde prestados e indicadores de cuidados de saúde prestados directamente.
Construindo modelos 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 da Informação, Reforma e Inovação em Saúde em Austin, Universidade do Texas, EUA e MSc.
Sr., Patel explicou a lógica por trás desta abordagem. “Optamos por utilizar modelos de aprendizagem automática porque nos permitem fazer estimativas – e previsões relacionadas – específicas para cada país. Estamos obviamente conscientes das limitações dos dados a nível populacional, mas esperamos que estas descobertas possam orientar o planeamento do sistema global de cancro.”
Medindo a eficácia do tratamento do câncer
O modelo calcula a relação mortalidade/incidência (MIR), que representa a proporção de casos de cancro que levam à 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 mede a contribuição de cada variável para explicar as previsões, conhecido como SHAP (Shapley Additive Explanations).
Segundo o Sr. Patel, o objetivo era passar da descrição à ação. “Além de simplesmente descrever as disparidades, a nossa abordagem fornece roteiros práticos e baseados em dados para os decisores políticos, mostrando precisamente quais os investimentos no sistema de saúde que estão associados ao maior impacto para 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. Ferramentas baseadas 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 actualmente desempenhar 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 mostraram 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 tido um efeito mais limitado.
O Japão, os Estados Unidos e o Reino Unido apresentam um padrão mais amplo, com quase todos os factores do sistema de saúde associados a melhores resultados do cancro. No Japão, a concentração de centros de radioterapia destacou-se mais fortemente, enquanto nos EUA e no Reino Unido o PIB per capita teve o maior impacto. Estes resultados indicam 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 maior cobertura universal de saúde e um maior acesso aos centros de radioterapia são os que mais contribuem para a melhoria do cancro. Em contraste, as despesas correntes, o tamanho do pessoal cirúrgico por 1000 pessoas e as despesas de saúde em percentagem do PIB explicam actualmente menos a variação nos resultados.
Os investigadores escreveram sobre a China: “Os elevados custos directos para os pacientes continuam a ser uma barreira importante para os resultados óptimos do cancro, mesmo no meio de melhorias nacionais no financiamento e no acesso à saúde. Estas conclusões deixam claro que o rápido desenvolvimento do sistema de saúde da China está a trazer ganhos importantes no controlo do cancro, a protecção financeira e as disparidades de cobertura persistem, e o reforço de políticas que enfatizam a recuperação. A 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 no gráfico específico do país. “As barras verdes representam factores que estão 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 as barras vermelhas não deveriam ser mal interpretadas. “No entanto, as barras vermelhas não indicam que estas áreas não devam ser importantes ou negligenciadas. Em vez disso, reflectem domínios que, de acordo com o modelo e os dados actuais, provavelmente não explicarão 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 acrescenta 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 – as melhorias nessa área ainda podem ser valiosas para o sistema de saúde geral de um país. Nossos resultados simplesmente sugerem que, se o objetivo for maximizar os resultados do câncer, conforme definido pelo modelo.”
Poder, 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 médias globais gerais, e a utilização de modelos de IA mais transparentes. Os pesquisadores também reconhecem as principais limitações. Como a análise se baseia 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 mascarar disparidades entre países. Além disso, os estudos não podem provar que a concentração num factor específico levará a melhores resultados no cancro, apenas que tais esforços estão associados a melhores resultados.
Mesmo com estas limitações, os resultados oferecem uma forma útil de priorizar a ação. O Dr. Dee concluiu: “À medida que o fardo global do cancro aumenta, 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 a saúde pública mais precisa”.
