Pela primeira vez, os cientistas utilizaram 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 foi publicado em uma importante revista de oncologia 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 país. A equipa também criou uma ferramenta online que permite aos utilizadores selecionar um país e ver como fatores como a riqueza nacional, o acesso à radioterapia e a cobertura universal de cuidados de saúde estão associados aos resultados do cancro.
Transformando dados globais em informações acionáveis
Dr. Edward Christopher Dee, médico residente em oncologia de radiação no Memorial Sloan Kettering Cancer Center (MSK), em Nova York, EUA, e um dos líderes do estudo, enfatizou por que este trabalho é importante. “Os resultados globais do cancro variam amplamente, 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 eficazes para reduzir as mortes por cancro e colmatar as lacunas de equidade.”
Ele observou que vários fatores foram consistentemente destacados. “Descobrimos que o acesso à radioterapia, a cobertura universal de cuidados de saúde e o poder económico são muitas vezes alavancas importantes associadas a melhores resultados do cancro no país. No entanto, outros factores-chave também estão envolvidos”.
Análise de dados sobre câncer e cuidados de saúde de 185 países
Para chegar a estas conclusões, o Dr. Dee e os seus colegas utilizaram a aprendizagem automática para examinar os dados de incidência e morte por cancro do Observatório Global do Cancro (GLOBOCAN 2022), que abrange 185 países. Eles combinaram essas informações com dados do sistema de saúde coletados da Organização Mundial da Saúde, do Banco Mundial, de agências das Nações Unidas e do Diretório de Centros de Radioterapia.
O conjunto de dados incluía despesas com cuidados de saúde como percentagem do PIB, PIB per capita, número de médicos, enfermeiros, parteiras e trabalhadores cirúrgicos por 1.000 pessoas, 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 despesas com cuidados de saúde pagas directamente pelos pacientes.
Construindo 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 em bioquímica, estatística e ciência de dados, reforma e inovação em saúde na Universidade do Texas em Austin, EUA, e na MSK.
O Sr. Patel explicou a razão por trás desta abordagem. “Optamos por utilizar modelos de aprendizagem automática porque nos permitem criar estimativas – e previsões associadas – que são específicas para cada país. É claro que estamos cientes das limitações dos dados a nível populacional, mas esperamos que estas descobertas possam orientar o planeamento do sistema de cancro em todo o mundo.”
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 explica as previsões medindo a contribuição de cada variável, conhecido como SHAP (Shapley Additive Explanations).
Segundo o Sr. Patel, o objetivo era passar da descrição à ação. “Além de simplesmente descrever as disparidades, nossa abordagem fornece roteiros acionáveis baseados em dados para os formuladores de políticas que mostram exatamente quais investimentos no sistema de saúde têm o maior impacto em cada país. À medida que a carga global do câncer aumenta, esses insights podem ajudar os países a priorizar recursos e preencher lacunas na sobrevivência da maneira mais equitativa e eficiente. Organizações internacionais, prestadores de cuidados de saúde e ativistas de direitos humanos também podem usar a ferramenta baseada na web para identificar áreas para investimento, especialmente em ambientes com recursos limitados.”
Exemplos de países mostram prioridades diferentes
Os resultados mostram que os fatores mais influentes variam muito de país para país. No Brasil, o modelo mostra que a cobertura universal de saúde (UHC) tem a associação positiva mais forte com a melhoria das taxas de mortalidade e morbidade. Outros factores, como os serviços de patologia e o número de enfermeiros e parteiras por cada 1.000 pessoas, parecem desempenhar actualmente um papel menor. Os pesquisadores sugerem que isso significa que o Brasil poderia se beneficiar mais ao favorecer a cobertura universal de saúde.
Na Polónia, a disponibilidade de radioterapia, o PIB per capita e o índice CUS têm 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 de saúde produziram melhorias maiores do que a despesa global com cuidados de saúde, o que parece ter um efeito mais limitado.
O Japão, os Estados Unidos e o Reino Unido apresentam um quadro mais amplo, onde quase todos os factores do sistema de saúde estão associados a melhores resultados do cancro. No Japão, a densidade dos centros de radioterapia é o que mais se destaca, enquanto nos EUA e no Reino Unido o PIB per capita tem o maior impacto. Estas conclusões mostram onde os decisores políticos de cada país podem fazer mais progressos.
A China apresenta um quadro mais misto. Um PIB per capita mais elevado, uma cobertura universal de saúde mais alargada e um maior acesso aos centros de radioterapia são os que mais contribuem para a melhoria dos resultados do cancro. Em contraste, as despesas correntes, a dimensão da força de trabalho cirúrgica por cada 1.000 pessoas e as despesas com cuidados de saúde em percentagem do PIB explicam atualmente menos a diferença nos resultados.
Os investigadores escrevem sobre a China: “Os elevados custos directos para os pacientes continuam a ser uma barreira crítica para alcançar resultados óptimos do cancro, mesmo no meio de melhorias no financiamento e acesso aos cuidados de saúde a nível nacional. Estas conclusões destacam que, embora o rápido desenvolvimento do sistema de saúde da China esteja a fazer progressos importantes na luta contra o cancro, persistem disparidades na protecção financeira e na cobertura, exigindo maior atenção política para reduzir os custos directos e reforçar ainda mais a implementação da CUS para maximizar os impactos no sistema de saúde”.
Como ler as listras verdes e vermelhas
O Sr. Patel também explicou o significado das barras verdes e vermelhas mostradas nos gráficos dos países. “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 contínuo ou aumentado provavelmente terá um impacto significativo.”
Ele enfatizou que as listras vermelhas não devem ser mal interpretadas. “No entanto, as barras vermelhas não significam que estas áreas não sejam importantes ou devam ser negligenciadas. Em vez disso, reflectem domínios que, de acordo com o modelo e os dados actuais, têm menos probabilidade de explicar a maior variação nos resultados neste momento. Isto pode dever-se ao já elevado desempenho nestes aspectos, às limitações dos dados disponíveis ou a outros factores específicos do contexto.”
Ele acrescentou uma advertência importante. “É importante ressaltar que a observação de uma barra ‘vermelha’ nunca deve ser vista como uma razão para interromper os esforços para fortalecer este pilar do tratamento do câncer – a melhoria nessas áreas ainda pode ser valiosa para o sistema geral de saúde do país. Nossos resultados simplesmente sugerem que, se o objetivo é maximizar as melhorias nos resultados do câncer, conforme definido pelo modelo, focar primeiro nos fatores positivos mais fortes (verdes) pode ser a estratégia mais eficaz.”
Pontos fortes, limitações e o que vem a seguir
Os pontos fortes do estudo incluem a cobertura de quase todos os países, a utilização de dados de saúde globais atualizados, recomendações políticas específicas de cada país, em vez de simples médias globais, e a utilização de modelos de IA mais transparentes. Os pesquisadores também reconhecem as principais limitações. A análise baseia-se 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 diferenças dentro dos países. Além disso, a investigação não pode 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 ações. 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 claros e práticos para os decisores políticos, tornando possível uma saúde pública precisa”.
