ИИ картирует скрытые силы, формирующие выживаемость при раке во всем мире

ИИ картирует скрытые силы, определяющие выживаемость при раке во всем мире

Впервые учёные применили машинное обучение, форму искусственного интеллекта (ИИ), чтобы выявить факторы, наиболее тесно связанные с выживаемостью при раке почти в каждой стране мира. Исследование, опубликованное в ведущем онкологическом журнале Annals of Oncology, выходит за рамки общего сравнения и показывает, какие конкретные изменения в политике или улучшения в системе здравоохранения могли бы иметь наибольшее влияние на выживаемость при раке в каждой стране. Команда также создала онлайн-инструмент, позволяющий выбрать страну и увидеть, как такие факторы, как национальное богатство, доступ к радиотерапии и универсальное покрытие здравоохранения, соотносятся с исходами при раке.

Преобразование глобальных данных в практические выводы

Доктор Эдвард Кристофер Ди, ординатор по радиационной онкологии в Центре рака Мемориал Слоун Кеттеринг (MSK) в Нью-Йорке, США, и один из со-руководителей исследования, подчеркнул важность работы. «Глобальные исходы при раке сильно различаются, во многом из-за различий в национальных системах здравоохранения. Мы хотели создать практическую, основанную на данных систему, которая поможет странам определить наиболее эффективные политические рычаги для снижения смертности от рака и сокращения неравенства».

Он отметил, что несколько факторов постоянно выделялись. «Мы обнаружили, что доступ к радиотерапии, универсальное покрытие здравоохранения и экономическая мощь часто являются важными факторами, ассоциированными с лучшими национальными исходами при раке. Однако значимыми оказывались 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 анализа данных о заболеваемости и смертности от рака из Глобальной обсерватории рака (GLOBOCAN 2022), охватывающих 185 стран. Они объединили эту информацию с данными о системах здравоохранения, собранными Всемирной организацией здравоохранения, Всемирным банком, агентствами Организации Объединённых Наций и Директорием радиотерапевтических центров.

Набор данных включал расходы на здравоохранение в процентах от ВВП, ВВП на душу населения, число врачей, медсестёр, акушерок и хирургических работников на 1000 человек, уровни универсального покрытия здравоохранения, доступ к патологическим услугам, индекс человеческого развития, число радиотерапевтических центров на 1000 человек, индекс гендерного неравенства и долю расходов на здравоохранение, оплачиваемых непосредственно пациентами.

Построение модели машинного обучения

Модель машинного обучения разработал мистер Милит Патель, первый автор исследования. Он является исследователем в областях биохимии, статистики и науки о данных, реформы здравоохранения и инноваций в Техасском университете в Остине, США, и в MSK.

Мистер Патель объяснил логику такого подхода. «Мы выбрали модели машинного обучения, потому что они позволяют генерировать оценки — и соответствующие прогнозы — специфичные для каждой страны. Мы, конечно, осознаём ограничения данных на уровне популяции, но надеемся, что эти выводы смогут направлять планирование систем борьбы с раком по всему миру».

Оценка эффективности онкологической помощи

Модель рассчитывает коэффициенты смертности к заболеваемости (MIR), которые показывают долю случаев рака, приводящих к смерти, и служат индикатором эффективности онкологической помощи в данной стране. Чтобы показать, как отдельные факторы влияют на эти оценки, исследователи использовали метод, объясняющий предсказания путём измерения вклада каждой переменной, известный как SHAP (Shapley Additive exPlanations).

По словам мистера Пателя, цель заключалась в переходе от описания к действию. «Помимо простого описания различий, наш подход предоставляет практические, основанные на данных дорожные карты для политиков, показывая точно, какие инвестиции в систему здравоохранения связаны с наибольшим эффектом для каждой страны. По мере роста глобального бремени рака эти выводы могут помочь государствам приоритизировать ресурсы и сократить разрывы в выживаемости самым справедливым и эффективным способом. Международные организации, поставщики медицинской помощи и сторонники могут также использовать веб-инструмент для определения областей, требующих инвестиций, особенно в условиях ограниченных ресурсов».

Примеры по странам показывают разные приоритеты

Результаты показывают, что наиболее влиятельные факторы сильно различаются по странам. В Бразилии модель указывает, что универсальное покрытие здравоохранения (UHC) имеет самое сильное положительное отношение к улучшению коэффициентов смертности к заболеваемости. Другие факторы, такие как патология и число медсестёр и акушерок на 1000 человек, в настоящее время играют меньшую роль. Исследователи предполагают, что это означает: Бразилия могла бы получить наибольшие выгоды, сосредоточив усилия на развитии UHC.

В Польше наибольшее влияние на исходы при раке, по модели, оказывают доступность радиотерапевтических услуг, ВВП на душу населения и индекс UHC. Такая картина предполагает, что недавние усилия по расширению медицинского страхования и доступа к уходу дали более сильные улучшения, чем общие расходы на здравоохранение, которые, по-видимому, имеют более ограниченный эффект.

В Японии, США и Великобритании наблюдается более широкая картина: почти все факторы системы здравоохранения связаны с лучшими исходами при раке. В Японии особенно выделяется плотность радиотерапевтических центров, тогда как в США и Великобритании наибольшее влияние оказывает ВВП на душу населения. Эти результаты указывают на то, где политики в каждой стране могут достичь наибольших улучшений.

Китай демонстрирует более смешанную картину. Более высокий ВВП на душу населения, более широкое UHC и больший доступ к радиотерапевтическим центрам вносят наибольший вклад в улучшение исходов при раке. Напротив, доля расходов, оплачиваемых напрямую пациентами, размер хирургической рабочей силы на 1000 человек и расходы на здравоохранение в процентах от ВВП в настоящее время объясняют меньшую часть вариации исходов.

Исследователи пишут о Китае: «Высокие прямые расходы для пациентов остаются критическим барьером на пути к оптимальным результатам при раке, даже на фоне национальных улучшений в финансировании здравоохранения и доступе. Эти выводы подчеркивают, что хотя быстрое развитие системы здравоохранения Китая приносит важные достижения в борьбе с раком, сохраняются неравенства в финансовой защите и покрытии, что требует усиленного политического внимания к сокращению прямых платежей и дальнейшему укреплению реализации UHC для максимизации эффекта системы здравоохранения».

Мистер Патель также объяснил значение зелёных и красных полос на графиках, специфичных для стран. «Зелёные полосы представляют факторы, которые в настоящее время кажутся наиболее сильно и положительно связанными с улучшением исходов при раке в данной стране. Это области, где продолжение или увеличение инвестиций с наибольшей вероятностью приведёт к ощутимому эффекту».

Он подчеркнул, что красные полосы не следует неправильно трактовать. «Однако красные полосы не означают, что эти области не важны или их следует игнорировать. Скорее они отражают домены, которые, согласно модели и доступным данным, в настоящий момент менее вероятно объясняют наибольшие различия в исходах. Это может быть связано с уже высокой эффективностью в этих аспектах, ограничениями доступных данных или другими факторами контекста».

Он добавил важное предостережение. «Важно помнить, что появление «красной» полосы никогда не должно интерпретироваться как повод прекратить усилия по укреплению данного столпа онкологической помощи — улучшения в этих областях всё ещё могут быть ценными для общей системы здравоохранения страны. Наши результаты просто предполагают, что если цель — максимизировать улучшение исходов при раке, как это определяет модель, сначала имеет смысл сосредоточиться на самых сильных положительных (зелёных) факторах».

Сильные стороны, ограничения и дальнейшие шаги

К сильным сторонам исследования относятся охват почти всех стран, использование актуальных глобальных данных о здравоохранении, предоставление рекомендаций, специфичных для стран, а не простых глобальных усреднённых показателей, и применение более прозрачных моделей ИИ. Исследователи также признают ключевые ограничения. Анализ опирается на данные на национальном уровне, а не на индивидуальные медицинские карты пациентов; качество данных сильно варьируется, особенно во многих странах с низким уровнем дохода; национальные тренды могут скрывать внутристрановые неравенства. Кроме того, исследование не может доказать, что фокусирование на конкретном факторе вызовет улучшение исходов при раке, а лишь показывает, что такие усилия ассоциированы с лучшими результатами.

Даже с учётом этих ограничений, выводы предлагают полезный способ приоритизации действий. Доктор Ди заключил: «По мере роста глобального бремени рака эта модель помогает странам максимально эффективно использовать ограниченные ресурсы. Она превращает сложные данные в понятные, применимые рекомендации для политиков, делая возможным точечное общественное здравоохранение».

Материалы предоставлены European Society for Medical Oncology. Примечание: содержание может быть отредактировано в стиле и объёме.

Список авторов и ссылочная информация M.S. Patel, C.S. Pramesh, N.N. Sanford, E.J.G. Feliciano, P.L. Nguyen, P. Iyengar, T.P. Kingham, J. Willmann, B.A. Mahal, N.Y. Lee, M.J.K. Magsanoc-Alikpala, M. Mutebi, J.F. Wu, J.P.G. Robredo, E.C. Dee. Machine learning reveals country-specific drivers of global cancer outcomes. Annals of Oncology, 2026; DOI: 10.1016/j.annonc.2025.11.014