Искусственный интеллект показывает, как каждая страна может повысить выживаемость при раке
Искусственный интеллект выявил причины столь значительных различий в показателях выживаемости при раке по всему миру, подчеркнув специфические факторы системы здравоохранения, имеющие наибольшее значение в каждой стране.
Исследователи впервые применили машинное обучение, форму искусственного интеллекта (ИИ), для определения факторов, наиболее тесно связанных с выживаемостью при раке почти в каждой стране мира.
Результаты исследования опубликованы сегодня (13 января) в ведущем онкологическом журнале Annals of Oncology. Исследование выходит за рамки общих глобальных тенденций, показывая, какие конкретные политические меры или улучшения системы могут наиболее эффективно повысить выживаемость при раке в отдельных странах. С помощью разработанного командой онлайн-инструмента пользователи могут выбрать страну и изучить, какие элементы, включая национальный доход, доступ к лучевой терапии и всеобщее медицинское страхование, наиболее тесно связаны с результатами лечения рака.
Превращение данных в практические рекомендации по политике
Доктор Эдвард Кристофер Ди, врач-ординатор отделения радиационной онкологии в онкологическом центре Memorial Sloan Kettering (MSK) в Нью-Йорке, США, и один из руководителей исследования, подчеркнул значительные различия в результатах лечения рака в разных странах. «Результаты лечения рака в мире сильно различаются, в основном из-за различий в национальных системах здравоохранения. Мы хотели создать действенную, основанную на данных систему, которая поможет странам определить наиболее эффективные политические рычаги для снижения смертности от рака и сокращения неравенства в доступе к медицинской помощи».
Он добавил, что несколько факторов неоднократно выделялись. «Мы обнаружили, что доступ к лучевой терапии, всеобщее медицинское страхование и экономическая мощь часто являются важными рычагами, связанными с улучшением национальных показателей лечения рака. Однако другие ключевые факторы также имели значение».
Информация включала в себя расходы на здравоохранение в процентах от ВВП, ВВП на душу населения, количество врачей, медсестер, акушерок и хирургического персонала на 1000 человек, уровень всеобщего медицинского страхования, доступ к патологоанатомическим услугам, показатели человеческого развития, доступность центров лучевой терапии на 1000 человек, индекс гендерного неравенства и долю расходов на здравоохранение, оплачиваемых из собственных средств.
Создание модели машинного обучения
Модель машинного обучения была разработана г-ном Милитом Пателем, первым автором исследования. Он является исследователем в области биохимии, статистики и анализа данных, реформы здравоохранения и инноваций в Техасском университете в Остине, США, и в MSK.
Г-н Патель объяснил, почему был выбран именно такой подход: «Мы решили использовать модели машинного обучения, потому что они позволяют нам генерировать оценки — и связанные с ними прогнозы — специфичные для каждой страны. Мы, конечно, осознаем ограничения данных на уровне населения, но надеемся, что эти результаты помогут в планировании системы борьбы с раком во всем мире».
Оценка эффективности лечения рака
Модель фокусируется на соотношении смертности и заболеваемости (MIR), которое отражает долю случаев рака, приводящих к смерти, и служит индикатором эффективности лечения рака в стране. Для уточнения влияния каждого фактора на результаты исследователи использовали метод, объясняющий индивидуальные прогнозы путем расчета вклада каждой переменной, известный как SHAP (Shapley Additive exPlanations).
По словам г-на Пателя, цель заключалась в практическом применении. «Помимо простого описания различий, наш подход предоставляет действенные, основанные на данных планы действий для политиков, точно показывая, какие инвестиции в систему здравоохранения оказывают наибольшее влияние на каждую страну. По мере роста глобального бремени рака эти данные могут помочь странам расставить приоритеты в распределении ресурсов и сократить разрыв в выживаемости наиболее справедливым и эффективным способом. Международные организации, поставщики медицинских услуг и правозащитники также могут использовать веб-инструмент для выделения областей для инвестиций, особенно в условиях ограниченных ресурсов».
Примеры стран подчеркивают различные приоритеты
Анализ показывает, что наиболее влиятельные факторы различаются по странам. Например, в Бразилии всеобщее медицинское страхование (ВМС) демонстрирует наиболее сильную положительную связь с улучшением соотношения смертности и заболеваемости. Другие факторы, такие как патологоанатомические услуги и количество медсестер и акушерок на 1000 человек, в настоящее время, по-видимому, оказывают меньшее влияние. На основании этих выводов исследователи предполагают, что расширение ВМС должно стать приоритетной задачей для Бразилии.
В Польше доступность услуг лучевой терапии, ВВП на душу населения и индекс ВМС оказывают наибольшее влияние на результаты лечения рака. Эта закономерность предполагает, что недавние усилия по укреплению медицинского страхования и доступности медицинской помощи принесли больший успех, чем общие расходы на здравоохранение, которые демонстрируют более скромный эффект.
В Японии, США и Великобритании наблюдается иная картина. В этих странах почти все факторы системы здравоохранения связаны с улучшением результатов лечения рака. Плотность центров лучевой терапии наиболее ярко выражена в Японии, в то время как ВВП на душу населения оказывает наибольшее влияние в США и Великобритании. Эти результаты указывают на то, где политики могут добиться наибольшей выгоды.
В Китае ситуация сложнее. Более высокий ВВП на душу населения, более широкое всеобщее медицинское страхование и больший доступ к центрам лучевой терапии вносят наибольший вклад в улучшение результатов лечения рака. В отличие от этого, расходы из собственного кармана, численность хирургического персонала на 1000 человек и расходы на здравоохранение в процентах от ВВП в настоящее время менее эффективны в объяснении различий в результатах лечения.
Исследователи отмечают в своей статье: «Высокие прямые затраты для пациентов остаются критическим препятствием для достижения оптимальных результатов лечения рака, даже на фоне национальных улучшений в финансировании здравоохранения и доступности медицинской помощи. Эти выводы подчеркивают, что, хотя быстрое развитие системы здравоохранения Китая приносит важные результаты в борьбе с раком, сохраняются различия в финансовой защите и охвате, что требует усиления политического внимания к сокращению расходов из собственного кармана и дальнейшему укреплению внедрения всеобщего медицинского страхования для максимизации воздействия на систему здравоохранения».
