Pela primeira vez, cientistas aplicaram o aprendizado de máquina, uma forma de inteligência artificial (IA), para identificar os fatores mais intimamente relacionados à sobrevida por câncer em quase todos os países do mundo.
A pesquisa, publicada na renomada revista de câncer Annals of Oncology, vai além de comparações gerais para mostrar quais mudanças específicas de políticas ou melhorias nos sistemas poderiam ter o maior impacto na sobrevida por câncer em cada nação. A equipe também criou uma ferramenta online que permite aos usuários selecionar um país e ver como fatores como riqueza nacional, acesso à radioterapia e cobertura universal de saúde se relacionam aos desfechos do câncer.
Transformando Dados Globais em Insights Práticos
Dr. Edward Christopher Dee, médico residente em oncologia radioterápica no Memorial Sloan Kettering (MSK) Cancer Center em Nova York, EUA, e co-líder do estudo, destacou a importância do trabalho. “Os resultados globais em câncer variam muito, em grande parte devido às diferenças nos sistemas de saúde nacionais. Queríamos criar uma estrutura acionável orientada por dados que ajude os países a identificar seus principais alavancadores de políticas para reduzir a mortalidade por câncer e fechar lacunas de equidade.”
Ele observou que vários fatores se destacaram consistentemente. “Descobrimos que o acesso à radioterapia, a cobertura universal de saúde e a força econômica eram frequentemente alavancas importantes associadas a melhores resultados nacionais de câncer. No entanto, outros fatores-chave também eram relevantes.”
Analisando Dados de Câncer e Sistemas de Saúde de 185 Países
Para chegar a essas conclusões, Dr. Dee e seus colegas utilizaram aprendizado de máquina para examinar dados de incidência e mortalidade por câncer do Global Cancer Observatory (GLOBOCAN 2022), cobrindo 185 países. Eles combinaram essas informações com dados sobre sistemas 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 incluiu gastos com saúde como porcentagem do PIB, PIB per capita, o número de médicos, enfermeiros, parteiras e trabalhadores cirúrgicos por 1000 pessoas, níveis de cobertura universal de saúde, acesso a serviços de patologia, um índice de desenvolvimento humano, o número de centros de radioterapia por 1000 pessoas, um índice de desigualdade de gênero e a proporção de custos de saúde pagos diretamente pelos pacientes.
Construindo o Modelo de Aprendizado de Máquina
O modelo de aprendizado de máquina foi desenvolvido por Milit Patel, primeiro autor do estudo. Ele é pesquisador em bioquímica, estatísticas e ciência de dados, reforma e inovação na saúde na Universidade do Texas em Austin, EUA, e no MSK.
Mr. Patel explicou a lógica por trás dessa abordagem. “Escolhemos usar modelos de aprendizado de máquina porque eles nos permitem gerar estimativas – e previsões relacionadas – específicas para cada país. Estamos, é claro, cientes das limitações dos dados em nível populacional, mas esperamos que esses achados possam orientar o planejamento dos sistemas de câncer globalmente.”
Medindo a Eficácia do Cuidado ao Câncer
O modelo calcula as proporções de mortalidade para incidência (MIR), que representam a parcela de casos de câncer que resultam em morte e servem como um indicador de quão eficaz é o tratamento do câncer em um determinado país. Para mostrar como fatores individuais influenciam essas estimativas, os pesquisadores usaram um método que explica previsões medindo a contribuição de cada variável, conhecido como SHAP (Shapley Additive exPlanations).
Segundo Mr. Patel, o objetivo era passar da descrição para a ação. “Além de simplesmente descrever disparidades, nossa abordagem fornece roteiros acionáveis e orientados por dados para os formuladores de políticas, mostrando precisamente quais investimentos nos sistemas de saúde estão associados ao maior impacto para cada país. À medida que a carga global de câncer cresce, esses insights podem ajudar as nações a priorizar recursos e fechar lacunas de sobrevida da forma mais equitativa e eficaz possível. Organizações internacionais, prestadores de serviços de saúde e defensores também podem usar a ferramenta online para destacar áreas para investimento, especialmente em configurações com recursos limitados.”
Exemplos de Países Mostram Diferentes Prioridades
Os resultados revelam que os fatores mais influentes variam amplamente por país. No Brasil, o modelo indica que a cobertura universal de saúde (UHC) tem a associação positiva mais forte com a melhoria das proporções de mortalidade para incidência. Outros fatores, como serviços de patologia e o número de enfermeiros e parteiras por 1000 pessoas, parecem ter um papel menor no momento. Os pesquisadores sugerem que isso significa que o Brasil poderia ver os maiores ganhos ao priorizar o UHC.
Na Polônia, a disponibilidade de serviços de radioterapia, PIB per capita e o índice de UHC mostram o maior impacto nos desfechos do câncer. Esse padrão sugere que os esforços recentes para expandir o seguro de saúde e o acesso aos cuidados produziram melhorias mais forte do que os gastos gerais com saúde, que parecem ter um efeito mais limitado.
Japão, EUA e Reino Unido mostram um padrão mais amplo, com quase todos os fatores do sistema de saúde associados a melhores resultados de câncer. No Japão, a densidade de centros de radioterapia se destaca mais fortemente, enquanto nos EUA e no Reino Unido, o PIB per capita tem a maior influência. Esses achados apontam para onde os formuladores de políticas em cada país podem alcançar os maiores ganhos.
A China apresenta uma imagem mais mista. Um PIB per capita mais alto, uma UHC mais ampla e um maior acesso a centros de radioterapia contribuem mais para a melhoria dos resultados do câncer. Em contrapartida, os gastos diretos dos pacientes, o tamanho da força de trabalho cirúrgica por 1000 pessoas e os gastos com saúde como porcentagem do PIB atualmente explicam menos da variação nos desfechos.
Os pesquisadores escrevem sobre a China: “Altos custos diretos para os pacientes permanecem uma barreira crítica para resultados ótimos do câncer, mesmo em meio a melhorias nacionais no financiamento da saúde e no acesso. Esses achados ressaltam que, embora o rápido desenvolvimento do sistema de saúde da China esteja gerando ganhos importantes no controle do câncer, as disparidades na proteção financeira e na cobertura persistem, exigindo um foco das políticas intensificado na redução das despesas diretas do bolso e no fortalecimento da implementação da UHC para maximizar o impacto do sistema de saúde.”
Como Ler as Barras Verdes e Vermelhas
Mr. Patel também explicou o significado das barras verdes e vermelhas mostradas nos gráficos específicos de cada país. “As barras verdes representam fatores que atualmente parecem estar mais fortemente e positivamente associados a melhores resultados do câncer em um determinado país. Essas são áreas onde investimentos contínuos ou aumentados provavelmente resultarão em impacto significativo.”
Ele enfatizou que as barras vermelhas não devem ser mal interpretadas. “No entanto, as barras vermelhas não indicam que essas áreas são insignificantes ou devem ser negligenciadas. Em vez disso, refletem domínios que, de acordo com o modelo e os dados atuais, são menos propensos a explicar as maiores diferenças nos resultados neste momento. Isso pode ser devido a um desempenho já forte nesses aspectos, limitações dos dados disponíveis ou outros fatores contextuais específicos.”
Ele adicionou uma advertência importante. “Importante, ver uma barra ‘vermelha’ nunca deve ser interpretado como uma razão para interromper esforços para fortalecer aquele pilar do cuidado ao câncer – melhorias nessas áreas ainda podem ser valiosas para o sistema de saúde geral de um país. Nossos resultados simplesmente sugerem que, se o objetivo é maximizar a melhoria nos desfechos do câncer conforme definido pelo modelo, focar primeiro nos principais impulsores positivos (verdes) pode ser a estratégia mais impactante.”
Pontos Fortes, Limites e Próximos Passos
Os pontos fortes do estudo incluem sua cobertura de quase todos os países, uso de dados globais de saúde atualizados, orientações políticas específicas para cada país em vez de médias globais simples e o uso de modelos de IA mais transparentes. Os pesquisadores também reconhecem limitações importantes. A análise depende de dados em nível nacional em vez de registros de pacientes individuais, a qualidade dos dados varia amplamente, especialmente em muitos países de baixa renda, e as tendências nacionais podem ocultar disparidades dentro dos países. Além disso, o estudo não pode provar que focar em um fator específico causará melhores resultados de câncer, apenas que tais esforços estão associados a resultados melhorados.
Mesmo com essas limitações, as descobertas oferecem uma maneira útil de priorizar ações. Dr. Dee concluiu: “À medida que a carga global de câncer cresce, este modelo ajuda os países a maximizar o impacto com recursos limitados. Ele transforma dados complexos em conselhos compreensíveis e acionáveis para os formuladores de políticas, tornando a saúde pública de precisão possível.”
