Por primera vez, los científicos han aplicado el aprendizaje automático, una forma de inteligencia artificial (IA), para identificar los factores más estrechamente asociados con la supervivencia al cáncer en casi todos los países del mundo.
La investigación fue publicada en la principal revista sobre cáncer. Anales de oncologíaVa más allá de comparaciones amplias para mostrar qué cambios de políticas específicos o mejoras del sistema podrían tener el mayor impacto en la supervivencia al cáncer en cada nación. El equipo también desarrolló una herramienta en línea que permite a los usuarios seleccionar un país y ver cómo los recursos nacionales, el acceso a la radioterapia y la cobertura sanitaria universal se relacionan con los resultados del cáncer.
Convertir datos globales en conocimientos prácticos
El Dr. Edward Christopher Dee, médico residente en oncología radioterápica del Centro Oncológico Memorial Sloan Kettering (MSK) en Nueva York, EE. UU., y codirector del estudio, destacó por qué el trabajo es importante. “Los resultados del cáncer varían ampliamente en todo el mundo, en gran parte debido a las diferencias en los sistemas de salud nacionales. Queríamos desarrollar un marco viable basado en datos que ayude a los países a identificar sus palancas políticas más impactantes para reducir la mortalidad por cáncer y cerrar las brechas de equidad”.
Señala que varios factores se destacan consistentemente. “Descubrimos que el acceso a la radioterapia, la cobertura sanitaria universal y el poder económico a menudo se asociaban con mejores resultados nacionales en materia de cáncer en hígados importantes. Sin embargo, otros factores clave también fueron relevantes”.
Análisis de datos sobre el cáncer y los sistemas de salud de 185 países
Para llegar a esta conclusión, el Dr. Dee y sus colegas utilizaron el aprendizaje automático para examinar los datos de incidencia y mortalidad del cáncer del Observatorio Mundial del Cáncer (GLOBOCAN 2022), que abarca 185 países. Combinaron esta información con datos del sistema de salud recopilados de la Organización Mundial de la Salud, el Banco Mundial, agencias de las Naciones Unidas y directorios de centros de radioterapia.
El conjunto de datos incluía el gasto en salud como porcentaje del PIB, el PIB per cápita, el número de médicos, enfermeras, parteras y trabajadores quirúrgicos por cada 1.000 personas, el nivel de cobertura sanitaria universal, el acceso a los servicios de patología, un índice de desarrollo humano, el número de centros de radioterapia por cada 1.000 personas, indicadores de los servicios de salud prestados e indicadores de la atención sanitaria proporcionada directamente.
Construyendo modelos de aprendizaje automático
El modelo de aprendizaje automático fue desarrollado por Milit Patel, el primer autor del estudio. Es investigador en Bioquímica, Estadística y Ciencias de la Información, Reforma e Innovación en Salud en Austin, Universidad de Texas, EE. UU. y Maestría.
El Sr. Patel explicó el fundamento de este enfoque. “Elegimos utilizar modelos de aprendizaje automático porque nos permiten hacer estimaciones (y predicciones relacionadas) específicas para cada país. Por supuesto, somos conscientes de las limitaciones de los datos a nivel de población, pero esperamos que estos hallazgos puedan guiar la planificación del sistema mundial contra el cáncer”.
Medir la eficacia de la atención del cáncer
El modelo calcula la relación mortalidad-incidencia (MIR), que representa la proporción de casos de cáncer que provocan la muerte y sirve como indicador de la eficacia de la atención del cáncer en un país determinado. Para mostrar cómo los factores individuales afectan estas estimaciones, los investigadores utilizaron un método que mide la contribución de cada variable para explicar las predicciones, conocido como SHAP (Shapley Additive Explanations).
Según Patel, el objetivo era pasar de la descripción a la acción. “Más allá de simplemente describir las disparidades, nuestro enfoque proporciona hojas de ruta viables basadas en datos para los responsables de la formulación de políticas, que muestran con precisión qué inversiones en sistemas de salud están asociadas con el mayor impacto para cada país. A medida que aumenta la carga global del cáncer, estos conocimientos pueden ayudar a los países a priorizar los recursos y cerrar las brechas de supervivencia. Herramientas basadas en la web para resaltar áreas de inversión, particularmente en entornos con recursos limitados”.
Los ejemplos de países muestran diferentes prioridades
Los resultados revelan que los factores más influyentes varían ampliamente según el país. En Brasil, el modelo indica que la cobertura sanitaria universal (CSU) tiene la asociación positiva más fuerte con una mejor relación mortalidad-incidencia. Otros factores, como los servicios de patología y el número de enfermeras y parteras por cada 1.000 personas, parecen desempeñar actualmente un papel menor. Los investigadores sugieren que esto significa que Brasil podría obtener los mayores beneficios si priorizara la cobertura universal de salud.
En Polonia, la disponibilidad de servicios de radioterapia, el PIB per cápita y el índice CSU mostraron el mayor impacto en los resultados del cáncer. Este patrón sugiere que los esfuerzos recientes para ampliar el seguro médico y el acceso a la atención han producido mejoras más fuertes que el gasto general en salud, que parece haber tenido un efecto más limitado.
Japón, Estados Unidos y el Reino Unido muestran un patrón más amplio, con casi todos los factores del sistema de salud asociados con mejores resultados en materia de cáncer. En Japón, la concentración de centros de radioterapia destacó con mayor fuerza, mientras que en EE.UU. y el Reino Unido, el PIB per cápita tuvo el mayor impacto. Estos resultados indican dónde las autoridades de cada país pueden lograr los mayores beneficios.
China presenta un panorama más heterogéneo. Un mayor PIB per cápita, una mayor cobertura sanitaria universal y un mayor acceso a los centros de radioterapia son los factores que más contribuyen a la mejora del cáncer. Por el contrario, el gasto de bolsillo, el tamaño del personal quirúrgico por cada 1.000 personas y el gasto en salud como porcentaje del PIB actualmente explican menos de la variación en los resultados.
Los investigadores escribieron sobre China: “Los altos costos directos para los pacientes siguen siendo una barrera importante para obtener resultados óptimos en el cáncer, incluso en medio de mejoras nacionales en el financiamiento y el acceso a la salud. Estos hallazgos dejan en claro que el rápido desarrollo del sistema de salud de China está generando avances importantes en el control del cáncer, la protección financiera y las disparidades en la cobertura persisten, y fortalecen las políticas que enfatizan la recuperación. La implementación de la CSU para maximizar el impacto del sistema de salud”.
Cómo leer las barras verde y roja
Patel también explicó el significado de las barras verde y roja que se muestran en el gráfico específico del país. “Las barras verdes representan factores que actualmente están asociados de manera más fuerte y positiva con mejores resultados de cáncer en un país determinado. Estas son áreas donde es más probable que una inversión continua o mayor tenga un impacto significativo”.
Hizo hincapié en que no se deben malinterpretar las barras rojas. “Sin embargo, las barras rojas no indican que estas áreas deban carecer de importancia o descuidarse. Más bien, reflejan dominios que, según el modelo y los datos actuales, es poco probable que expliquen las mayores diferencias en los resultados en este momento. Esto puede deberse a un desempeño ya sólido en estos aspectos, limitaciones de los datos disponibles u otros factores específicos del contexto”.
Añade una advertencia importante. “Es importante destacar que ver una barra ‘roja’ nunca debe interpretarse como una razón para detener los esfuerzos para fortalecer ese pilar de la atención del cáncer; las mejoras en esa área aún pueden ser valiosas para el sistema de salud general de un país. Nuestros resultados simplemente sugieren eso, si el objetivo es maximizar los resultados del cáncer según lo define el modelo”.
Poder, límites y lo que viene después
Las fortalezas del estudio incluyen la cobertura de casi todos los países, el uso de datos de salud global actuales, orientación política específica de cada país en lugar de promedios globales generales y el uso de modelos de IA más transparentes. Los investigadores también reconocen limitaciones clave. Como el análisis se basa en datos a nivel nacional en lugar de registros de pacientes individuales, la calidad de los datos varía ampliamente, particularmente en muchos países de bajos ingresos, y las tendencias nacionales pueden enmascarar disparidades entre países. Además, los estudios no pueden probar que centrarse en un factor específico conducirá a mejores resultados en el cáncer, sólo que dichos esfuerzos están asociados con mejores resultados.
Incluso con estas limitaciones, los resultados ofrecen una forma útil de priorizar la acción. El Dr. Dee concluyó: “A medida que aumenta la carga mundial del cáncer, este modelo ayuda a los países a maximizar el impacto con recursos limitados. Convierte datos complejos en consejos comprensibles y prácticos para los responsables de la formulación de políticas, lo que hace que la salud pública sea más precisa”.
