ИИ отображает скрытые силы, определяющие выживаемость рака во всем мире

Исследование, опубликованное в ведущем онкологическом журнале Анналы онкологиивыходит за рамки широких сравнений и показывает, какие конкретные изменения в политике или системные улучшения могут оказать наибольшее влияние на выживаемость при раке в каждой стране. Команда также создала онлайн-инструмент, который позволяет пользователям выбирать страну и видеть, как такие факторы, как национальное богатство, доступ к лучевой терапии и всеобщий охват услугами здравоохранения, связаны с исходами рака.

Превращение глобальных данных в практические идеи

Доктор Эдвард Кристофер Ди, врач-резидент отдела радиационной онкологии Онкологического центра Мемориала Слоана Кеттеринга (MSK) в Нью-Йорке, США, и один из руководителей исследования, подчеркнул, почему эта работа важна. «Показатели рака в мире сильно различаются, в основном из-за различий в национальных системах здравоохранения. Мы хотели создать действенную, основанную на данных структуру, которая поможет странам определить наиболее эффективные политические рычаги для снижения смертности от рака и устранения неравенства».

Он отметил, что последовательно выделяются несколько факторов. «Мы обнаружили, что доступ к лучевой терапии, всеобщий охват услугами здравоохранения и экономическая мощь зачастую являются важными рычагами, связанными с лучшими показателями лечения рака в стране. Однако имеют значение и другие ключевые факторы».

Анализ данных о раке и системах здравоохранения из 185 стран

Чтобы прийти к этим выводам, доктор Ди и его коллеги использовали машинное обучение для изучения данных о заболеваемости и смертности от рака из Глобальной обсерватории рака (GLOBOCAN 2022), охватывающей 185 стран. Они объединили эту информацию с данными системы здравоохранения, полученными от Всемирной организации здравоохранения, Всемирного банка, агентств ООН и Справочника центров лучевой терапии.

Набор данных включал расходы на здравоохранение в процентах от ВВП, ВВП на душу населения, количество врачей, медсестер, акушерок и хирургических работников на 1000 человек, уровни всеобщего медицинского страхования, доступ к патологоанатомическим услугам, индекс человеческого развития, количество центров лучевой терапии на 1000 человек, индекс гендерного неравенства и долю расходов на здравоохранение, оплачиваемых непосредственно пациентами.

Построение модели машинного обучения

Модель машинного обучения была разработана Милитом Пателем, первым автором исследования. Он является исследователем в области биохимии, статистики и науки о данных, реформы здравоохранения и инноваций в Техасском университете в Остине, США, и в MSK.

Г-н Патель объяснил причину такого подхода. «Мы решили использовать модели машинного обучения, потому что они позволяют нам генерировать оценки – и соответствующие прогнозы – специфичные для каждой страны. Мы, конечно, осознаем ограничения данных на уровне населения, но надеемся, что эти результаты могут помочь в планировании системы борьбы с раком в глобальном масштабе».

Измерение эффективности лечения рака

Модель рассчитывает соотношение смертности к заболеваемости (MIR), которое представляет собой долю случаев рака, приведших к смерти, и служит индикатором того, насколько эффективна помощь при раке в конкретной стране. Чтобы показать, как отдельные факторы влияют на эти оценки, исследователи использовали метод, объясняющий прогнозы путем измерения вклада каждой переменной, известный как SHAP (аддитивные объяснения Шепли).

По словам г-на Пателя, целью было перейти от описания к действию. «Помимо простого описания различий, наш подход предоставляет политикам действенные, основанные на данных дорожные карты, показывающие, какие именно инвестиции в систему здравоохранения связаны с наибольшим воздействием для каждой страны. По мере роста глобального бремени рака эти идеи могут помочь странам расставить приоритеты в ресурсах и устранить пробелы в выживании наиболее справедливым и эффективным способом. Международные организации, поставщики медицинских услуг и правозащитники могут также использовать веб-инструмент, чтобы выделить области для инвестиций, особенно в условиях ограниченных ресурсов».

Примеры стран показывают разные приоритеты

Результаты показывают, что наиболее влиятельные факторы сильно различаются в зависимости от страны. В Бразилии модель показывает, что всеобщий охват услугами здравоохранения (ВОУЗ) имеет самую сильную положительную связь с улучшением соотношения смертности к заболеваемости. Другие факторы, такие как патологоанатомические службы и количество медсестер и акушерок на 1000 человек, в настоящее время играют меньшую роль. Исследователи предполагают, что это означает, что Бразилия могла бы получить наибольшие выгоды, отдав приоритет всеобщему охвату услугами здравоохранения.

В Польше наибольшее влияние на исходы рака оказывают доступность услуг лучевой терапии, ВВП на душу населения и индекс ВОУЗ. Эта закономерность предполагает, что недавние усилия по расширению медицинского страхования и доступа к медицинской помощи привели к более значительным улучшениям, чем общие расходы на здравоохранение, которые, по-видимому, имеют более ограниченный эффект.

Япония, США и Великобритания демонстрируют более широкую картину: почти все факторы системы здравоохранения связаны с лучшими результатами лечения рака. В Японии наиболее сильно выделяется плотность центров лучевой терапии, а в США и Великобритании наибольшее влияние имеет ВВП на душу населения. Эти результаты указывают на то, где политики в каждой стране могут добиться наибольшей выгоды.

Китай представляет собой более неоднозначную картину. Более высокий ВВП на душу населения, более широкий охват услугами здравоохранения и больший доступ к центрам лучевой терапии в наибольшей степени способствуют улучшению результатов лечения рака. Напротив, наличные расходы, численность хирургического персонала на 1000 человек и расходы на здравоохранение в процентах от ВВП в настоящее время объясняют меньшую разницу в результатах.

Исследователи пишут о Китае: «Высокие прямые затраты для пациентов остаются критическим барьером на пути к оптимальным результатам лечения рака, даже несмотря на национальные улучшения в финансировании и доступе к здравоохранению. Эти результаты подчеркивают, что, хотя быстрое развитие системы здравоохранения Китая приносит важные успехи в борьбе с раком, различия в финансовой защите и страховом покрытии сохраняются, что требует усиленного политического внимания к сокращению наличных расходов и дальнейшему усилению внедрения всеобщего охвата услугами здравоохранения для максимального воздействия на систему здравоохранения».

Как читать зеленые и красные полосы

Г-н Патель также объяснил значение зеленых и красных полос, показанных на графиках для конкретных стран. «Зеленые столбцы обозначают факторы, которые в настоящее время наиболее сильно и положительно связаны с улучшением результатов лечения рака в конкретной стране. Это области, в которых продолжение или увеличение инвестиций, скорее всего, приведет к значительному воздействию».

Он подчеркнул, что красные полосы не следует понимать неправильно. «Однако красные полосы не указывают на то, что эти области не важны или ими следует пренебрегать. Скорее, они отражают области, которые, согласно модели и текущим данным, с меньшей вероятностью объясняют наибольшие различия в результатах прямо сейчас. Это может быть связано с уже высокими показателями в этих аспектах, ограничениями доступных данных или другими факторами, специфичными для контекста».

Он добавил важное предостережение. «Важно отметить, что «красная» полоса ни в коем случае не должна интерпретироваться как повод для прекращения усилий по укреплению этого столпа онкологической помощи — улучшения в этих областях все еще могут быть ценными для всей системы здравоохранения страны. Наши результаты просто показывают, что, если цель состоит в том, чтобы максимизировать улучшение результатов лечения рака, как это определено моделью, сосредоточение внимания в первую очередь на наиболее сильных положительных (зеленых) факторах может быть наиболее эффективной стратегией».

Сильные стороны, ограничения и что будет дальше

Сильные стороны исследования включают охват почти всех стран, использование текущих глобальных данных о здравоохранении, политические рекомендации для конкретных стран, а не простые глобальные средние значения, а также использование более прозрачных моделей искусственного интеллекта. Исследователи также признают ключевые ограничения. Анализ основан на данных национального уровня, а не на индивидуальных картах пациентов, качество данных сильно различается, особенно во многих странах с низким уровнем дохода, а национальные тенденции могут скрывать различия внутри стран. Кроме того, исследование не может доказать, что сосредоточение внимания на конкретном факторе приведет к улучшению исходов рака, а лишь то, что такие усилия связаны с улучшением результатов.

Даже несмотря на эти ограничения, результаты предлагают полезный способ расставить приоритеты действий. Доктор Ди заключил: «Поскольку глобальное бремя рака растет, эта модель помогает странам максимизировать воздействие при ограниченных ресурсах. Она превращает сложные данные в понятные, практические советы для политиков, делая возможным точное общественное здравоохранение».