Pela primeira vez, os investigadores utilizaram a aprendizagem automática, um tipo de inteligência artificial (IA), para identificar os principais fatores que influenciam a sobrevivência ao cancro em quase todos os países do mundo.
O estudo, publicado na revista científica Annals of Oncology, fornece informações sobre quais as melhorias ou mudanças nas políticas públicas que podem ser implementadas em cada país para se obter o maior impacto na sobrevivência ao cancro. A ferramenta online, criada pelos investigadores, permite a qualquer pessoa encontrar o seu país e ver que fatores, como a riqueza nacional, o acesso à radioterapia e a cobertura universal de saúde, estão mais associados aos resultados do tratamento do cancro.
Edward Christopher Dee, médico residente em radio-oncologia no Memorial Sloan Kettering Cancer Center, em Nova Iorque, EUA, e colíder da investigação, refere que “os resultados globais do tratamento do cancro variam muito, em grande parte devido às diferenças nos sistemas nacionais de saúde. O nosso objetivo era criar uma estrutura prática e baseada em dados que ajudasse os países a identificar as políticas mais impactantes para reduzir a mortalidade por cancro e diminuir as desigualdades”.
Para isso, verificaram que “o acesso à radioterapia, a cobertura universal de saúde e a força económica eram frequentemente fatores importantes associados a melhores resultados nacionais no tratamento do cancro. No entanto, outros fatores-chave também se revelaram relevantes”.
Tomar decisões baseadas em dados
Os investigadores utilizaram a aprendizagem automática para analisar os dados sobre a incidência e mortalidade por cancro do Observatório Global do Cancro (GLOBOCAN 2022) em 185 países. Recolheram também informações sobre os sistemas de saúde da Organização Mundial de Saúde, do Banco Mundial, de agências das Nações Unidas e do Diretório de Centros de Radioterapia, o que incluiu os gastos em cuidados de saúde em percentagem do PIB, o PIB per capita, o número de médicos, enfermeiros, parteiras e profissionais cirúrgicos por 1.000 habitantes, a cobertura universal de cuidados de saúde, a disponibilidade de serviços de patologia, um índice de desenvolvimento humano, o número de centros de radioterapia por 1.000 habitantes, um índice de desigualdade de género e a percentagem de gastos diretos em cuidados de saúde.
Milit Patel, primeiro autor do estudo e investigador em bioquímica, estatística e ciência de dados, reforma e inovação em saúde na Universidade do Texas, criou o modelo de aprendizagem automática com base nestes dados globais dos sistemas de saúde.
“Optámos por utilizar modelos de aprendizagem automática porque nos permitem gerar estimativas, e previsões relacionadas, específicas para cada país. Estamos, naturalmente, conscientes das limitações dos dados a nível populacional, mas esperamos que estas descobertas possam orientar o planeamento do sistema de tratamento do cancro a nível global”, refere.
O modelo gera taxas de mortalidade por incidência (MIR), que refletem a proporção de casos de cancro que resultam em morte e que servem como indicador da eficácia do tratamento do cancro.
“Além de simplesmente descrever as disparidades, a nossa abordagem fornece roteiros práticos e baseados em dados para os decisores políticos, mostrando precisamente quais os investimentos no sistema de saúde que estão associados ao maior impacto para cada país”, acrescenta.
“À medida que a carga global do cancro aumenta, esta informação pode ajudar as nações a priorizar os recursos e a reduzir as disparidades de sobrevivência da forma mais equitativa e eficaz possível. As organizações internacionais, os profissionais de saúde e os defensores da causa também podem utilizar a ferramenta online para destacar áreas de investimento, especialmente em contextos com recursos limitados.”
Exemplos concretos
Tomando o Brasil como exemplo, o modelo mostra que o fator com maior impacto positivo na relação mortalidade/incidência é a cobertura universal de saúde, enquanto os serviços de patologia e o número de enfermeiros e parteiras por 1000 habitantes podem não ter um efeito tão substancial nos resultados. Ou seja, isto sugere que o Brasil deve priorizar a cobertura.
Na Polónia, a densidade de serviços de radioterapia, o PIB per capita e o índice de cobertura universal de saúde demonstraram o maior impacto nos resultados do tratamento do cancro. Esta descoberta sugere que os esforços atuais para reforçar o seguro de saúde e o acesso aos serviços levaram a ganhos mais expressivos do que fatores como a despesa geral em saúde, que apresenta um efeito positivo menor.
No Japão, nos EUA e no Reino Unido, os dados mostram que todos os fatores do sistema de saúde estão ligados a melhores resultados no tratamento do cancro, sendo a densidade de centros de radioterapia no Japão e o PIB per capita nos EUA e no Reino Unido os que têm maior impacto. Isto sugere que estes são os fatores sobre os quais os decisores políticos se devem concentrar.
Os gráficos são ilustrados por barras verdes e vermelhas e patel explica porquê: “as barras verdes representam os fatores que se mostram atualmente mais fortemente associados à melhoria dos resultados do tratamento do cancro num determinado país. Estas são áreas onde o investimento contínuo ou alargado tem maior probabilidade de gerar um impacto significativo. No entanto, as barras vermelhas não indicam que estas áreas sejam irrelevantes ou devam ser negligenciadas. Em vez disso, refletem domínios que, de acordo com o modelo e os dados atuais, têm menor probabilidade de explicar as maiores diferenças nos resultados neste momento. Isto pode dever-se ao desempenho já expressivo nestes aspetos, às limitações dos dados disponíveis ou a outros específicos do contexto”.
É importante salientar que a presença de uma barra ‘vermelha’ nunca deve ser interpretada como um motivo para interromper os esforços para fortalecer este pilar do tratamento do cancro; a melhoria nestas áreas pode ainda ser valiosa para o sistema de saúde geral de um país.
Os pontos fortes do estudo incluem:
- abrangência de quase todos os países,
- utilização de dados globais de saúde atualizados;
- fornecimento de recomendações políticas práticas e específicas para cada país (e não apenas médias globais) e
- modelos de IA mais explicáveis.
As limitações incluem:
- dependência de dados agregados a nível nacional, e não de registos individuais de doentes;
- variabilidade na qualidade dos registos e dos dados, especialmente em muitos países de baixo rendimento;
- as tendências nacionais podem não refletir disparidades dentro de cada país, o que merece investigação adicional;
- o estudo não consegue comprovar que o foco numa área específica resultará numa melhoria dos desfechos do cancro, apenas que tais esforços podem estar associados a esses desfechos. As conclusões ajudarão os decisores políticos a priorizar as ações, mas são necessários mais estudos que intervenham em áreas específicas.
“À medida que a carga global do cancro aumenta, este modelo ajuda os países a maximizar o impacto com recursos limitados. Transforma dados complexos em conselhos compreensíveis e práticos para os decisores políticos, tornando possível a saúde pública de precisão”, conclui Dee.
Crédito imagem: Unsplash
