ИИ картирует скрытые силы, формирующие выживаемость при раке во всем мире

Исследователи впервые применили машинное обучение для глобального анализа факторов, влияющих на выживаемость при раке, используя данные из 185 стран. Модель рассчитывала отношение смертности к заболеваемости (Mortality-to-Incidence Ratio, MIR) как показатель эффективности онкологической помощи и оценивала вклад различных факторов (доступ к радиотерапии, всеобщее медицинское страхование (Universal Health Coverage, UHC), ВВП на душу, количество медперсонала и т. д.) с помощью метода SHAP (SHapley Additive exPlanations). Это позволило перейти от общего описания неравенства к созданию индивидуальных «дорожных карт» для политиков каждой страны, показывающих, какие именно инвестиции в систему здравоохранения могут дать наибольший эффект.

Анализ показал, что ключевые факторы сильно различаются в зависимости от страны. Например, в Бразилии наибольшее положительное влияние оказывает всеобщее медицинское страхование (UHC), в Польше — доступ к радиотерапии и ВВП на душу, в Японии — плотность центров радиотерапии, а в США и Великобритании — ВВП на душу. В Китае, несмотря на прогресс, высокие личные расходы пациентов остаются критическим барьером. Результаты представлены в виде онлайн-инструмента, где для каждой страны факторы отображены цветными столбцами: зелёные указывают на самые сильные положительные ассоциации, а красные — не на неважность, а на то, что эти области в текущих данных объясняют меньшую долю различий в результатах.

Исследователи подчёркивают, что, хотя модель не доказывает причинно-следственную связь и опирается на агрегированные данные, которые могут скрывать внутреннее неравенство, она предоставляет странам, особенно с ограниченными ресурсами, научно обоснованный подход к расстановке приоритетов. Это позволяет превращать сложные глобальные данные в понятные и действенные рекомендации, приближая эру «прецизионного общественного здравоохранения» для борьбы с раком.