科學家首次用AI模型確定全球各國癌癥患者生存率影響因素

　　近日，一項發表于《腫瘤學年鑒》的研究利用人工智能（AI）工具，為探究全球癌癥生存率差異巨大的原因提供了新視角。

　　科學家首次將機器學習應用于確定全球幾乎所有國家癌癥患者生存率相關因素。通過分析185個國家的癌癥數據和衛生系統信息，該AI模型突出了諸如放療可及性、全民健康覆蓋水平、經濟實力等因素與各國癌癥患者生存率之間的緊密聯系。

　　該研究不局限于寬泛的比較，指出了每個國家的哪些具體的政策調整或系統改進能夠對癌癥患者生存率產生最大影響。研究團隊同時開發了一個在線工具，用戶可查看任一國家國民財富、放療可及性、全民健康覆蓋水平等因素與癌癥治療結果之間的關聯。

　　“我們希望創建一個可操作的、基于數據的框架，幫助各國確定其最具影響力的政策杠桿，以降低癌癥死亡率并縮小公平差距。”研究團隊負責人、美國紀念斯隆-凱特琳癌癥中心（MSK）放射腫瘤科住院醫師Edward Christopher Dee強調了該研究的重要性。

　　在上述研究中，團隊利用機器學習技術，對交互式平臺——全球癌癥觀察站（GLOBOCAN 2022）的185個國家癌癥發病率和死亡率數據進行了分析，并將其與世界衛生組織、聯合國機構、放射治療中心目錄等衛生系統數據相結合。最終數據集包含了衛生支出占國內生產總值（GDP）的百分比、人均GDP、全民健康覆蓋水平、病理服務可及性、人類發展指數、每千人擁有的醫療資源量、患者直接支付醫療費用比例等。

　　該研究采用的機器學習模型由論文第一作者、MSK研究員Milit Patel開發。“我們選擇利用機器學習模型，是因為它能幫助我們生成每個國家的具體估計值及相關預測。盡管人口層面數據存在局限性，但我們希望能為全球癌癥系統規劃提供指導。”Patel說。

　　該模型計算了癌癥死亡率與發病率比（MIR），這代表了導致死亡的癌癥病例所占比例，可作為衡量特定國家癌癥治療效果的指標。為了展示單個因素如何影響估計值，研究人員使用了SHAP模型預測方法。該方法可量化每個特征對模型預測的貢獻。

　　“我們的模型不只是描述差異，還為政策制定者提供了切實可行、基于數據的路線圖，明確指出每個國家哪些醫療系統投資能產生最大影響。”Patel表示，隨著全球癌癥負擔加重，這些見解有助于各國以最公平、最有效的方式優先配置資源，縮小患者生存差距。國際組織、醫療服務提供者和倡導者也可以利用這個工具，突出投資重點領域，尤其是在資源有限的環境中。”

　　研究結果表明，對癌癥患者生存率影響較大的因素因國家而異。在巴西，模型顯示全民健康覆蓋水平與MIR的改善呈強正相關性。而其他因素，如病理服務可及性、每千人擁有的醫療人員數量目前發揮的作用較小。研究人員表示，這意味著巴西優先考慮提升全民健康覆蓋水平，獲益最大。

　　在波蘭，情況則有所不同。在該國，放療服務可及性、人均GDP及全民健康覆蓋水平對癌癥治療結果影響很大。這表明該國近期擴大醫療保險和醫療服務可及性帶來的效果強于總體衛生支出。

　　相較上述國家，日本、美國和英國呈現出更廣泛的模式，幾乎所有衛生系統因素都與更好的癌癥治療結果相關。在日本，放射治療中心密度的影響最為突出；在美國和英國，人均GDP影響最大。這些發現為每個國家的政策制定者指明了可能取得最大成效的努力方向。

　　但Patel強調，這不意味著其他影響較小的因素不值得關注或可以被忽視，因為上述結果是根據模型和現有數據得出的結論，存在一定局限性。比如該分析依賴于國家層面的數據而非個體患者的記錄，數據質量差異很大，尤其是在許多低收入國家，而且國家層面的趨勢可能掩蓋了國內的差異。此外，該研究無法證明專注于某個特定因素會導致更好的癌癥治療結果，只能表明此類努力與改善的結果有關聯。

　　即便如此，該研究仍為確定相關行動的優先次序提供了參考。“隨著全球癌癥負擔加重，這一模型有助于各國在資源有限的情況下實現效益最大化。它將復雜的數據轉化為政策制定者易于理解且可付諸行動的建議。”Dee說。

　　相關論文信息：https://doi.org/10.1016/j.annonc.2025.11.014