Descubra como a inteligência artificial identifica os principais fatores que influenciam a sobrevivência ao câncer em 185 países e quais mudanças nos sistemas de saúde podem salvar mais vidas.
A inteligência artificial revelou as principais razões pelas quais a taxa de sobrevivência ao câncer varia tanto entre os países.
O novo modelo indica quais mudanças nos sistemas de saúde poderiam fazer a maior diferença na salvação de vidas, país por país. Crédito: Shutterstock
Pesquisadores aplicaram pela primeira vez o aprendizado de máquina, uma forma de inteligência artificial (IA), para identificar os fatores mais ligados à sobrevivência ao câncer em quase todos os países do mundo.
O estudo, publicado na principal revista de oncologia Annals of Oncology, vai além das comparações gerais, mostrando quais políticas específicas ou melhorias no sistema de saúde teriam o maior impacto na sobrevivência ao câncer em cada nação. A equipe também criou uma ferramenta online que permite selecionar um país e visualizar como fatores como riqueza nacional, acesso à radioterapia e cobertura universal de saúde se relacionam aos resultados do câncer.
Transformando dados globais em insights práticos
🔥 Melhores Promoções do Dia
⏰ Oferta válida por 24 horas
--:--:--
👉 Ver promoções agora
*Ofertas podem mudar ao longo do dia.
O Dr. Edward Christopher Dee, médico residente em oncologia radioterápica do Memorial Sloan Kettering (MSK) Cancer Center em Nova York, EUA, e co-líder do estudo, destacou a importância do trabalho. “Os desfechos do câncer variam muito globalmente, principalmente devido às diferenças nos sistemas nacionais de saúde. Queríamos criar um modelo prático e orientado por dados que ajude os países a identificar as políticas mais eficazes para reduzir a mortalidade por câncer e diminuir desigualdades.”
Ele ressaltou que diversos fatores se destacaram consistentemente: “Descobrimos que o acesso à radioterapia, a cobertura universal de saúde e a força econômica foram frequentemente alavancas importantes, associadas a melhores resultados nacionais no câncer. Porém, outros fatores também são relevantes.”
Analisando dados de 185 países
Para chegar a essas conclusões, Dr. Dee e colegas usaram aprendizado de máquina para analisar dados de incidência e mortalidade do câncer extraídos do Global Cancer Observatory (GLOBOCAN 2022), abrangendo 185 países. Eles combinaram essas informações com dados dos sistemas de saúde obtidos da Organização Mundial da Saúde, Banco Mundial, agências da ONU e do Diretório de Centros de Radioterapia.
O conjunto de dados incluía gastos com saúde como porcentagem do PIB, PIB per capita, número de médicos, enfermeiros, parteiras e profissionais cirúrgicos por 1000 habitantes, níveis de cobertura universal de saúde, acesso a serviços de patologia, índice de desenvolvimento humano, número de centros de radioterapia por 1000 pessoas, índice de desigualdade de gênero e a parcela dos custos de saúde pagos diretamente pelos pacientes.
Construção do modelo de aprendizado de máquina
O modelo de aprendizado de máquina foi desenvolvido por Milit Patel, primeiro autor do estudo e pesquisador em bioquímica, estatística, ciência de dados, reforma e inovação em saúde na Universidade do Texas em Austin, EUA, e no MSK.
Patel explicou o motivo dessa abordagem: “Optamos por usar modelos de aprendizado de máquina porque eles permitem gerar estimativas e previsões específicas para cada país. Estamos cientes das limitações dos dados populacionais, mas esperamos que esses achados possam orientar o planejamento dos sistemas de câncer globalmente.”
Medição da efetividade do tratamento oncológico
O modelo calcula a razão mortalidade-incidência (MIR), que representa a proporção de casos de câncer que resultam em morte e serve como indicador da efetividade do cuidado oncológico em cada país. Para mostrar como cada fator individual influencia essas estimativas, os pesquisadores usaram o método SHAP (Shapley Additive exPlanations), que mede a contribuição de cada variável nas previsões.
Segundo Patel, o objetivo era ir da descrição à ação: “Mais do que descrever disparidades, nosso método oferece roteiros práticos e orientados por dados para os formuladores de políticas, mostrando exatamente quais investimentos no sistema de saúde estão associados aos maiores impactos para cada país. Conforme o impacto global do câncer cresce, esses insights ajudarão as nações a priorizar intervenções.”
Matéria original: https://www.sciencedaily.com/releases/2026/01/260117053526.htm
