Алгоритми ШІ показали, як знизити смертність від раку

У дослідженні штучного інтелекту виявлено ключові чинники, що впливають на виживаність від раку в різних країнах світу.

Застосування алгоритмів машинного навчання, як форми штучного інтелекту (ШІ), дозволило науковцям проаналізувати дані про захворюваність і смертність від раку в 185 країнах світу. Уперше модель такого масштабу виявила, які зміни в системі охорони здоров’я можуть найбільше вплинути на зниження смертності від раку у конкретних країнах. «Ми прагнули створити практичну, засновану на даних структуру, яка допоможе країнам визначити найефективніші політичні інструменти для зменшення смертності від раку та подолання нерівностей», — пояснив д-р Едвард Крістофер Ді з Memorial Sloan Kettering Cancer Center.

Основними чинниками підвищення виживаності виявилися доступ до променевої терапії, універсальне медичне страхування (UHC) та економічна спроможність країн. Проте впливові змінні можуть відрізнятися залежно від національного контексту. Наприклад, у Бразилії саме UHC відіграє найважливішу роль, тоді як у Польщі — доступність променевої терапії та рівень ВВП на душу населення.

Модель використовує співвідношення смертності до захворюваності (MIR), що вказує на ефективність онкологічної допомоги в кожній країні. Для визначення значення кожного показника застосовано метод SHAP (Shapley Additive exPlanations), який дозволяє пояснити внесок кожної змінної в остаточні прогнози. «Ми хотіли перейти від опису до дії: наш підхід надає конкретні, обґрунтовані рекомендації для державних стратегій», — зазначив головний автор дослідження Міліт Патель з Університету Техасу.

На прикладі таких країн, як США, Японія, Великобританія та Китай, дослідники показали, що найбільший ефект мають різні чинники. У США та Великобританії домінує економічна спроможність (ВВП на душу населення), у Японії — кількість центрів променевої терапії. Водночас у Китаї «високі прямі витрати пацієнтів залишаються бар’єром для досягнення оптимальних результатів», попри загальні покращення.

Застосування візуалізації у вигляді зелених і червоних стовпчиків дозволяє легко ідентифікувати пріоритети: зелений — це чинники з найвищим позитивним впливом, червоний — ті, які менш пов’язані з поліпшеннями на даному етапі. «Червоний бар не означає, що чинник неважливий — просто наразі його внесок у загальні результати менший», — наголошує Патель.

Автори визнають обмеження дослідження: воно базується на національних даних, що не враховують індивідуальні історії пацієнтів, а якість інформації нерівномірна. Попри це, результати дають чітке уявлення про те, як найефективніше використовувати обмежені ресурси. «Ця модель перетворює складні глобальні дані на чіткі рекомендації для конкретних країн, забезпечуючи основи для точного громадського здоров’я», — підсумував д-р Ді.