Ученые впервые применили машинное обучение – одну из форм искусственного интеллекта – для выявления факторов, наиболее тесно связанных с выживаемостью при онкологических заболеваниях почти в каждой стране мира. Исследование, опубликованное в ведущем онкологическом журнале «Annals of Oncology», выходит за рамки общих сравнений и показывает, какие конкретные политические изменения или улучшения системы здравоохранения могут оказать наибольшее влияние на показатели выживаемости в каждом отдельно взятом государстве.
Команда исследователей создала онлайн-инструмент, который позволяет выбрать страну и увидеть, как такие факторы, как национальное благосостояние, доступ к лучевой терапии и всеобщее медицинское страхование, соотносятся с исходами лечения рака. «Глобальные результаты лечения рака сильно различаются, в основном из–за разницы в национальных системах здравоохранения, – пояснил доктор Эдвард Кристофер Ди, один из руководителей исследования и врач-ординатор радиационной онкологии в Онкологическом центре имени Слоуна – Кеттеринга в Нью-Йорке. – Мы хотели создать действенную, основанную на данных структуру, которая поможет странам определить наиболее эффективные рычаги политики для снижения смертности от рака и сокращения разрыва в доступности лечения».
Для получения таких выводов ученые проанализировали данные о заболеваемости и смертности от рака из Глобальной онкологической обсерватории (GLOBOCAN 2022), охватывающей 185 стран. Эту информацию объединили со статистикой систем здравоохранения от Всемирной организации здравоохранения, Всемирного банка и других учреждений ООН. Набор данных включал расходы на здравоохранение, ВВП на душу населения, количество врачей и медсестер, уровень всеобщего охвата услугами здравоохранения, доступ к патологоанатомическим службам, количество центров лучевой терапии и долю расходов на медицину, которые пациенты оплачивают из своего кармана.
Модель машинного обучения, разработанная первым автором исследования Милитом Пателем, рассчитывает соотношение смертности к заболеваемости – показатель эффективности онкологической помощи в стране. «Мы решили использовать модели машинного обучения, потому что они позволяют нам генерировать оценки и прогнозы, специфичные для каждой страны», – отметил Патель. По его словам, цель состояла в том, чтобы перейти от простого описания неравенства к действиям и предложить политикам «дорожные карты», показывающие, какие инвестиции в систему здравоохранения связаны с наибольшим эффектом для их страны.
Результаты показывают, что наиболее влиятельные факторы сильно различаются. Например, в Бразилии модель указывает на всеобщее медицинское страхование как на главный рычаг для улучшения ситуации. В Польше наибольшее влияние на исходы лечения рака оказывают доступность лучевой терапии, ВВП на душу населения и индекс всеобщего охвата услугами здравоохранения. В Японии наиболее важным фактором является плотность центров лучевой терапии, а в США и Великобритании – ВВП на душу населения.
В Китае картина более сложная. Хотя рост ВВП и доступ к лучевой терапии способствуют улучшению результатов, высокие прямые расходы пациентов остаются критическим барьером. «Эти выводы подчеркивают, что, хотя быстрое развитие системы здравоохранения Китая приносит важные успехи в борьбе с раком, неравенство в финансовой защите и охвате сохраняется», – пишут исследователи.
Авторы исследования также объясняют, как интерпретировать данные их инструмента. Факторы, отмеченные зеленым цветом, – это области, где дальнейшие инвестиции, скорее всего, принесут максимальную пользу. Факторы, отмеченные красным, не следует считать неважными – просто в данный момент они в меньшей степени объясняют разницу в результатах. Это не повод прекращать усилия в этих направлениях, а лишь указание на приоритеты для достижения наибольшего эффекта.
Несмотря на некоторые ограничения, такие как опора на данные национального уровня, а не на истории болезни отдельных пациентов, и невозможность доказать прямую причинно-следственную связь, исследование предлагает ценный инструмент для принятия решений. «По мере роста глобального бремени рака эта модель помогает странам максимизировать отдачу при ограниченных ресурсах, – заключил доктор Ди. – Она превращает сложные данные в понятные, действенные советы для политиков, делая возможной точечную политику в области общественного здравоохранения».
