Imported Article – 2026-02-20 05:15:19

A pesquisa, publicada na renomada revista de câncer Annals of Oncology, vai além de comparações amplas para mostrar quais mudanças específicas de políticas ou melhorias nos sistemas poderiam ter o maior impacto sobre a sobrevivência ao câncer em cada nação. A equipe também criou uma ferramenta online que permite aos usuários selecionar um país e ver como fatores como riqueza nacional, acesso à radioterapia e cobertura universal de saúde se relacionam com os resultados do câncer.

Transformando Dados Globais em Insights Práticos

O Dr. Edward Christopher Dee, um médico residente em oncologia radioterápica no Memorial Sloan Kettering (MSK) Cancer Center em Nova Iorque, EUA, e co-líder do estudo, destacou a importância do trabalho. “Os resultados globais relacionados ao câncer variam consideravelmente, em grande parte devido a diferenças nos sistemas de saúde nacionais. Queríamos criar uma estrutura acionável, baseada em dados, que ajudasse os países a identificar suas políticas mais impactantes para reduzir a mortalidade por câncer e fechar lacunas de equidade.”

Ele observou que vários fatores se destacaram de forma consistente. “Descobrimos que o acesso à radioterapia, cobertura universal de saúde e força econômica eram frequentemente alavancas importantes associadas a melhores resultados nacionais em câncer. No entanto, outros fatores-chave também foram relevantes.”

Analisando Dados sobre Câncer e Sistemas de Saúde de 185 Países

Para chegar a essas conclusões, o Dr. Dee e seus colegas utilizaram aprendizado de máquina para examinar dados de incidência e mortalidade por câncer do Global Cancer Observatory (GLOBOCAN 2022), abrangendo 185 países. Eles combinaram essas informações com dados do sistema de saúde obtidos da Organização Mundial da Saúde, do Banco Mundial, de agências das Nações Unidas e do Diretório de Centros de Radioterapia.

O conjunto de dados incluiu gastos com saúde como porcentagem do PIB, PIB per capita, o número de médicos, enfermeiros, parteiras e profissionais cirúrgicos por 1000 pessoas, níveis de cobertura universal de saúde, acesso a serviços de patologia, um índice de desenvolvimento humano, o número de centros de radioterapia por 1000 pessoas, um índice de desigualdade de gênero e a parte dos custos de saúde pagos diretamente pelos pacientes.

Construindo o Modelo de Aprendizado de Máquina

O modelo de aprendizado de máquina foi desenvolvido por Mr. Milit Patel, o primeiro autor do estudo. Ele é pesquisador em bioquímica, estatística e ciência de dados, reforma e inovação em saúde na Universidade do Texas em Austin, EUA, e no MSK.

Mr. Patel explicou a razão por trás dessa abordagem. “Escolhemos usar modelos de aprendizado de máquina porque eles nos permitem gerar estimativas – e previsões relacionadas – específicas para cada país. Estamos, claro, cientes das limitações dos dados populacionais, mas esperamos que essas descobertas possam guiar o planejamento do sistema de câncer globalmente.”

Medindo a Eficácia do Cuidado com o Câncer

O modelo calcula as razões de mortalidade para incidência (MIR), que representam a parte dos casos de câncer que resultam em morte e servem como um indicador de quão eficaz é o cuidado do câncer em um determinado país. Para mostrar como fatores individuais influenciam essas estimativas, os pesquisadores usaram um método que explica as previsões medindo a contribuição de cada variável, conhecido como SHAP (Shapley Additive exPlanations).

De acordo com Mr. Patel, o objetivo era passar da descrição para a ação. “Além de simplesmente descrever disparidades, nossa abordagem fornece mapamemtos acionáveis e baseados em dados para formuladores de políticas, mostrando precisamente quais investimentos no sistema de saúde estão associados ao maior impacto para cada país. À medida que o ônus do câncer global cresce, esses insights podem ajudar as nações a priorizar recursos e fechar lacunas de sobrevivência da maneira mais equitativa e eficaz possível. Organizações internacionais, prestadores de saúde e defensores também podem usar a ferramenta online para destacar áreas para investimento, especialmente em contextos de recursos limitados.”

Exemplos de Países Mostram Diferentes Prioridades

Os resultados revelam que os fatores mais influentes variam amplamente de país para país. No Brasil, o modelo indica que a cobertura universal de saúde (UHC) tem a associação positiva mais forte com a melhoria das razões de mortalidade para incidência. Outros fatores, como serviços de patologia e o número de enfermeiros e parteiras por 1000 pessoas, parecem ter um papel menor no momento. Os pesquisadores sugerem que isso significa que o Brasil poderia ver os maiores ganhos priorizando a UHC.

Na Polônia, a disponibilidade de serviços de radioterapia, PIB per capita e o índice de UHC mostram o maior impacto nos resultados do câncer. Esse padrão sugere que os recentes esforços para expandir o seguro de saúde e o acesso ao cuidado produziram melhorias mais fortes do que os gastos gerais com saúde, que parecem ter um efeito mais limitado.

O Japão, os EUA e o Reino Unido mostram um padrão mais amplo, com quase todos os fatores do sistema de saúde ligados a melhores resultados em câncer. No Japão, a densidade de centros de radioterapia se destaca mais fortemente, enquanto nos EUA e no Reino Unido, o PIB per capita tem a maior influência. Essas descobertas apontam para onde os formuladores de políticas em cada país podem alcançar os maiores ganhos.

A China apresenta uma imagem mais mista. Um PIB per capita mais alto, uma UHC mais ampla e um maior acesso a centros de radioterapia contribuem mais para a melhora dos resultados do câncer. Em contrapartida, os gastos do próprio bolso, o tamanho da força de trabalho cirúrgica por 1000 pessoas e os gastos com saúde como porcentagem do PIB atualmente explicam menos da variação nos resultados.

Os pesquisadores escrevem sobre a China: “Os altos custos diretos para os pacientes permanecem uma barreira crítica para resultados ótimos em câncer, mesmo em meio a melhorias nacionais no financiamento da saúde e no acesso. Essas descobertas destacam que, embora o rápido desenvolvimento do sistema de saúde da China esteja gerando ganhos importantes no controle do câncer, as disparidades na proteção financeira e na cobertura persistem, exigindo foco político intensificado na redução dos gastos do próprio bolso e no fortalecimento adicional da implementação da UHC para maximizar o impacto do sistema de saúde.”

Como Ler as Barras Verdes e Vermelhas

Mr. Patel também explicou o significado das barras verdes e vermelhas mostradas nos gráficos específicos de cada país. “As barras verdes representam fatores que atualmente parecem estar mais fortemente e positivamente associados à melhoria dos resultados do câncer em um determinado país. Essas são áreas onde continuar ou aumentar o investimento é mais provável que resulte em um impacto significativo.”

Ele enfatizou que as barras vermelhas não devem ser mal interpretadas. “No entanto, as barras vermelhas não indicam que essas áreas são irrelevantes ou devem ser negligenciadas. Em vez disso, refletem domínios que, de acordo com o modelo e os dados atuais, têm menos probabilidade de explicar as maiores diferenças nos resultados neste momento. Isso pode ser devido ao já forte desempenho nesses aspectos, limitações dos dados disponíveis ou outros fatores contextuais específicos.”

Ele acrescentou um aviso importante. “Importante, ver uma barra ‘vermelha’ nunca deve ser interpretado como um motivo para interromper os esforços para fortalecer esse pilar do cuidado com o câncer – melhorias nessas áreas ainda podem ser valiosas para o sistema de saúde geral de um país. Nossas descobertas simplesmente sugerem que, se o objetivo é maximizar a melhoria nos resultados do câncer, como definido pelo modelo, concentrar-se primeiro nos motores positivos mais fortes (verdes) pode ser a estratégia mais impactante.”

Pontos Fortes, Limitações e Próximos Passos

Os pontos fortes do estudo incluem sua cobertura de quase todos os países, uso de dados globais de saúde atuais, diretrizes de políticas específicas para cada país em vez de simples médias globais e o uso de modelos de IA mais transparentes. Os pesquisadores também reconhecem limitações importantes. A análise depende de dados em nível nacional em vez de registros de pacientes individuais, a qualidade dos dados varia amplamente, especialmente em muitos países de baixa renda, e as tendências nacionais podem ocultar disparidades dentro dos países. Além disso, o estudo não pode provar que focar em um fator específico causará melhores resultados em câncer, apenas que tais esforços estão associados a resultados aprimorados.

Mesmo com essas limitações, as descobertas oferecem uma maneira útil de priorizar ações. O Dr. Dee concluiu: “À medida que o ônus do câncer global cresce, este modelo ajuda os países a maximizar o impacto com recursos limitados. Ele transforma dados complexos em aconselhamento compreensível e acionável para formuladores de políticas, tornando a saúde pública de precisão possível.”