По први пут, научници су применили машинско учење, облик вештачке интелигенције (АИ), да идентификују факторе који су најближе повезани са преживљавањем од рака у скоро свакој земљи широм света.
Истраживање, објављено у водећем часопису за рак Анналс оф Онцологипревазилази широка поређења како би показао које специфичне промене политике или побољшања система могу имати највећи утицај на преживљавање од рака у свакој нацији. Тим је такође креирао онлајн алат који омогућава корисницима да одаберу земљу и виде како су фактори као што су национално богатство, приступ радиотерапији и универзална здравствена покривеност повезани са исходом рака.
Претварање глобалних података у практичне увиде
Др Едвард Кристофер Ди, стални лекар на радијационој онкологији у Меморијалном центру за рак Слоун Кетеринг (МСК) у Њујорку, САД, и ко-вођа студије, истакао је зашто је рад битан. „Глобални исходи рака варирају у великој мери, углавном због разлика у националним здравственим системима. Желели смо да створимо делотворан оквир заснован на подацима који помаже земљама да идентификују своје најутицајније политичке полуге за смањење смртности од рака и смањење јаза у правичности.“
Он је приметио да се неколико фактора доследно издваја. „Открили смо да су приступ радиотерапији, универзална здравствена покривеност и економска снага често важне полуге повезане са бољим националним исходима рака. Међутим, и други кључни фактори су такође били релевантни.“
Анализа података о раку и здравственом систему из 185 земаља
Да би дошли до ових закључака, др Ди и његове колеге су користили машинско учење да испитају податке о учесталости рака и смрти из Глобалне опсерваторије за рак (ГЛОБОЦАН 2022), која покрива 185 земаља. Они су комбиновали ове информације са подацима здравственог система прикупљеним од Светске здравствене организације, Светске банке, агенција Уједињених нација и Директоријума центара за радиотерапију.
Скуп података је укључивао здравствену потрошњу као проценат БДП-а, БДП по глави становника, број лекара, медицинских сестара, бабица и хируршких радника на 1000 људи, нивое универзалне здравствене покривености, приступ услугама патологије, индекс хуманог развоја, број центара за радиотерапију на 1000 људи, родну неравноправност плаћену директно по индексу здравствених трошкова и индекс здравствених трошкова.
Изградња модела машинског учења
Модел машинског учења развио је господин Милит Пател, први аутор студије. Он је истраживач у области биохемије, статистике и науке о подацима, реформи здравствене заштите и иновацијама на Универзитету Тексас у Остину, САД, и на МСК.
Г. Пател је објаснио разлоге за овај приступ. „Одлучили смо да користимо моделе машинског учења јер нам омогућавају да генеришемо процене – и сродна предвиђања – специфичне за сваку земљу. Наравно, свесни смо ограничења података на нивоу популације, али се надамо да ови налази могу да усмере планирање система рака на глобалном нивоу.“
Мерење ефикасности неге против рака
Модел израчунава однос морталитета и инциденције (МИР), који представља удео случајева рака који доводе до смрти и служе као индикатор колико је ефикасна брига о раку у датој земљи. Да би показали како појединачни фактори утичу на ове процене, истраживачи су користили метод који објашњава предвиђања мерењем доприноса сваке варијабле, познат као СХАП (Схаплеи Аддитиве ЕкПланатионс).
Према речима господина Патела, циљ је био прелазак са описа на акцију. „Поред једноставног описа разлика, наш приступ пружа ефикасне мапе пута за креаторе политике, показујући прецизно које су инвестиције у здравствени систем повезане са највећим утицајем на сваку земљу. Како глобално оптерећење рака расте, ови увиди могу помоћи нацијама да дају приоритет ресурсима и затворе јаз у преживљавању на најправеднији и најефикаснији начин. истаћи области за улагања, посебно у окружењима са ограниченим ресурсима.“
Примери земаља показују различите приоритете
Резултати откривају да се најутицајнији фактори веома разликују од земље до земље. У Бразилу, модел указује да универзална здравствена покривеност (УХЦ) има најјачу позитивну повезаност са побољшаним односом морталитета и инциденције. Чини се да други фактори, као што су службе патологије и број медицинских сестара и бабица на 1000 људи, тренутно играју мању улогу. Истраживачи сугеришу да то значи да би Бразил могао да оствари највеће добитке дајући приоритет УХЦ-у.
У Пољској, доступност услуга радиотерапије, БДП по глави становника и УХЦ индекс показују највећи утицај на исход рака. Овај образац сугерише да су недавни напори да се прошире здравствено осигурање и приступ нези довели до снажнијих побољшања од опште здравствене потрошње, што изгледа да има ограниченији ефекат.
Јапан, САД и Велика Британија показују шири образац, при чему су скоро сви фактори здравственог система повезани са бољим исходима рака. У Јапану се најјаче истиче густина радиотерапијских центара, док у САД и УК највећи утицај има БДП по глави становника. Ови налази указују на то где креатори политике у свакој земљи могу постићи највеће добитке.
Кина представља мешовитију слику. Већи БДП по глави становника, шири УХЦ и већи приступ центрима за радиотерапију највише доприносе побољшању исхода рака. Насупрот томе, потрошња из џепа, величина хируршке радне снаге на 1000 људи, и здравствена потрошња као проценат БДП-а тренутно објашњавају мање варијације у исходима.
Истраживачи пишу о Кини: „Високи директни трошкови за пацијенте остају критична препрека за оптималне исходе рака, чак и усред националног побољшања у финансирању и приступу здравству. Ови налази наглашавају да, иако брзи развој здравственог система у Кини доноси значајне добитке у контроли рака, диспаритети у финансијској заштити и покривености и даље постоје, што гарантује интензивирани фокус политике на смањење расхода у здравству и даље јачање система здравствене заштите. утицај.“
Како читати зелене и црвене траке
Господин Пател је такође објаснио значење зелених и црвених трака приказаних на графиконима за специфичне земље. „Зелене траке представљају факторе који су тренутно најснажније и најпозитивније повезани са побољшаним исходима рака у датој земљи. То су области у којима ће наставак или повећана улагања највероватније довести до значајног утицаја.“
Он је нагласио да црвене траке не треба погрешно схватити. „Међутим, црвене траке не указују на то да су ове области неважне или да их треба занемарити. Уместо тога, оне одражавају домене за које је, према моделу и тренутним подацима, мање вероватно да ће објаснити највеће разлике у исходима у овом тренутку. Ово може бити због већ јаког учинка у овим аспектима, ограничења доступних података или других фактора специфичних за контекст.“
Додао је важан опрез. „Важно је да гледање ‘црвене’ траке никада не би требало тумачити као разлог за заустављање напора да се ојача тај стуб заштите од рака – побољшање у тим областима и даље може бити вредно за укупан здравствени систем земље. Наши резултати једноставно сугеришу да, ако је циљ да се максимизирају побољшања у исходима рака како је дефинисано моделом, фокусирање прво на најјачи покретач, најпозитивнија стратегија може бити (зелена)
Снаге, ограничења и шта следи
Јаке стране студије укључују њену покривеност скоро свих земаља, коришћење тренутних глобалних здравствених података, смернице специфичне за државу, а не једноставне глобалне просеке, и употребу транспарентнијих АИ модела. Истраживачи такође признају кључна ограничења. Анализа се ослања на податке на националном нивоу, а не на појединачне картоне пацијената, квалитет података увелико варира, посебно у многим земљама са ниским приходима, а национални трендови могу сакрити диспаритете унутар земаља. Осим тога, студија не може доказати да ће фокусирање на одређени фактор узроковати боље исходе рака, само да су такви напори повезани са побољшаним резултатима.
Чак и са овим ограничењима, налази нуде користан начин да се одреди приоритет акција. Др Ди је закључио: „Како глобално оптерећење рака расте, овај модел помаже земљама да максимизирају утицај са ограниченим ресурсима. Он претвара сложене податке у разумљиве, корисне савете за креаторе политике, чинећи прецизно јавно здравље могућим.“
