04:00 
Впервые исследователи применили машинное обучение – разновидность искусственного интеллекта (ИИ) – для выявления наиболее важных факторов выживаемости при раке почти во всех странах мира.
Исследование, опубликованное в ведущем онкологическом журнале Annals of Oncology сегодня (среда), предоставляет информацию о том, какие улучшения или изменения в политике могут быть сделаны в каждой стране, чтобы оказать наибольшее влияние на улучшение выживаемости при раке. Зайдя в онлайн-инструмент, созданный исследователями, любой может найти свою страну и прокрутить вниз, чтобы увидеть, какие факторы, такие как национальное богатство, доступ к лучевой терапии и всеобщее медицинское страхование, больше всего связаны с исходом рака.
Доктор Эдвард Кристофер Ди, врач-ординатор радиационной онкологии в Онкологическом центре Мемориала Слоана Кеттеринга (MSK) в Нью-Йорке, США, который был одним из руководителей исследования, сказал: «Глобальные исходы рака сильно различаются, в основном из-за различий в национальных системах здравоохранения. Мы хотели создать действенную, основанную на данных структуру, которая поможет странам определить наиболее эффективные рычаги политики для снижения смертности от рака и устранения неравенства в справедливости.
«Мы обнаружили, что доступ к лучевой терапии, всеобщий охват услугами здравоохранения и экономическая мощь часто являются важными рычагами, связанными с лучшими национальными показателями лечения рака. Однако имели значение и другие ключевые факторы».
Доктор Ди и его коллеги использовали машинное обучение для анализа данных о заболеваемости и смертности от рака, полученных от Глобальной онкологической обсерватории (GLOBOCAN 2022) для 185 стран. Они также собрали информацию о системах здравоохранения от Всемирной организации здравоохранения, Всемирного банка, учреждений Организации Объединенных Наций и Директории центров лучевой терапии. Сюда входили расходы на здравоохранение в процентах от ВВП, ВВП на душу населения, количество врачей, медсестер, акушерок. и хирургической рабочей силы на 1000 населения, всеобщий охват услугами здравоохранения, доступность патологоанатомической службы, индекс человеческого развития, количество центров лучевой терапии на 1000 населения, индекс гендерного неравенства и процент личных расходов.
Г-н Милит Патель создал модель машинного обучения на основе этих данных глобальных систем здравоохранения. Он является первым автором исследования и исследователем в области биохимии, статистики и науки о данных, реформы здравоохранения и инноваций. в Техасском университете в Остине, США, и в MSK.
Г-н Патель сказал: «Мы решили использовать модели машинного обучения, потому что они позволяют нам генерировать оценки – и соответствующие прогнозы – специфичные для каждой страны. Мы, конечно, осознаем ограниченность данных на уровне населения, но надеемся, что эти результаты могут помочь в планировании системы борьбы с раком в глобальном масштабе».
Модель генерирует соотношение смертности к заболеваемости (MIR), которое отражает долю случаев рака, которые приводят к смерти, и которое служит показателем эффективности лечения рака. В ней используется метод объяснения индивидуальных прогнозов путем количественной оценки вклада каждого фактора в прогноз; это называется SHAP (аддитивные объяснения Шепли).
Г-н Патель сказал: «Помимо простого описания различий, наш подход предоставляет политикам действенные, основанные на данных дорожные карты, показывающие, какие именно инвестиции в систему здравоохранения связаны с наибольшим эффектом для каждой страны. Поскольку глобальное бремя рака растет, эти идеи могут помочь странам расставить приоритеты в ресурсах и сократить разрывы в выживаемости наиболее справедливым и эффективным способом. Международные организации, поставщики медицинских услуг и правозащитники также могут использовать веб-инструмент, чтобы выделить области для инвестиций, особенно в условиях ограниченных ресурсов».
Если взять в качестве примера Бразилию, модель показывает, что фактором, который оказывает наибольшее положительное влияние на соотношение смертности и заболеваемости, является всеобщий охват услугами здравоохранения (ВОУЗ), в то время как патологоанатомические службы, а также медсестры и акушерки на 1000 человек населения могут не иметь столь существенного влияния на результаты. Исследователи говорят, что это предполагает, что Бразилия должна внедрить ВОУЗ является приоритетом.
В качестве другого примера, плотность услуг лучевой терапии, ВВП на душу населения и индекс ВОУЗ продемонстрировали наибольшее влияние в Польше на исходы рака, среди других ключевых факторов. Этот результат предполагает, что текущие усилия по укреплению медицинского страхования и доступа к услугам привели к более выраженным результатам, чем такие факторы, как общие расходы на здравоохранение, которые показывают меньший положительный эффект.
В Японии, США и Великобритании данные показывают, что все факторы системы здравоохранения связаны с улучшением результатов лечения рака, при этом плотность центров лучевой терапии в Японии Япония и ВВП на душу населения в США и Великобритании оказывают наибольшее влияние. Это говорит о том, что именно на этих факторах следует сосредоточить внимание политикам.
В Китае картина более неоднозначная, ВОУЗ и плотность центров лучевой терапии являются факторами, которые больше всего способствуют улучшению результатов лечения рака.
