Un algoritmo di intelligenza artificiale ha identificato per la prima volta, paese per paese, i fattori dei sistemi sanitari nazionali che influenzano maggiormente la sopravvivenza ai tumori. La ricerca, pubblicata sulla rivista Annals of Oncology, rappresenta un passo avanti nella capacità di tradurre grandi quantità di dati epidemiologici in indicazioni precise per chi deve decidere dove investire risorse limitate. Invece di limitarsi a confronti generici tra nazioni, lo studio utilizza tecniche di machine learning per costruire mappe personalizzate delle priorità sanitarie, mostrando quali interventi potrebbero salvare più vite in ciascun contesto nazionale.
Il gruppo di ricerca, coordinato dal dottor Edward Christopher Dee, medico specializzando in radioterapia oncologica presso il Memorial Sloan Kettering Cancer Center di New York, ha analizzato dati provenienti da 185 paesi, attingendo all'Osservatorio Globale sul Cancro (GLOBOCAN 2022) e integrandoli con informazioni sui sistemi sanitari fornite dall'Organizzazione Mondiale della Sanità, dalla Banca Mondiale e da agenzie delle Nazioni Unite. Le variabili considerate includevano la spesa sanitaria in percentuale del PIL, il PIL pro capite, il numero di medici, infermieri, ostetriche e chirurghi ogni mille abitanti, il livello di copertura sanitaria universale, l'accesso ai servizi di anatomia patologica, l'indice di sviluppo umano, la densità di centri di radioterapia e la quota di spese sanitarie pagate direttamente dai pazienti.
L'approccio metodologico si basa sul calcolo del rapporto mortalità-incidenza, un indicatore che misura la proporzione di casi di tumore che risultano letali, fungendo da proxy dell'efficacia complessiva dei sistemi di cura oncologica. Milit Patel, primo autore dello studio e ricercatore in biochimica, statistica e innovazione sanitaria presso l'Università del Texas ad Austin, ha sviluppato il modello di machine learning utilizzando il metodo SHAP (Shapley Additive exPlanations), che consente di quantificare il contributo di ciascuna variabile alle previsioni dell'algoritmo. Questo permette di andare oltre le correlazioni generiche e di stimare l'impatto specifico di ogni singolo fattore del sistema sanitario sugli esiti oncologici nazionali.
I risultati mostrano una notevole eterogeneità nelle priorità da paese a paese. In Brasile, ad esempio, la copertura sanitaria universale emerge come il fattore con la maggiore associazione positiva rispetto alla riduzione della mortalità oncologica, suggerendo che gli investimenti in questa direzione potrebbero produrre i guadagni più significativi. Al contrario, in Polonia, la disponibilità di servizi di radioterapia, il PIL pro capite e l'indice di copertura universale mostrano l'impatto più marcato, indicando che i recenti sforzi per ampliare l'accesso alle cure hanno generato miglioramenti più sostanziali rispetto all'aumento generico della spesa sanitaria.
Nelle economie più sviluppate come Giappone, Stati Uniti e Regno Unito, quasi tutti i fattori del sistema sanitario risultano associati a migliori esiti oncologici, con alcune specificità: in Giappone la densità di centri di radioterapia riveste il ruolo più importante, mentre negli Stati Uniti e nel Regno Unito il PIL pro capite emerge come variabile dominante. La Cina presenta un quadro più articolato: mentre il PIL pro capite, la copertura sanitaria universale e l'accesso alla radioterapia contribuiscono significativamente ai miglioramenti, la spesa sanitaria diretta dei pazienti, il numero di chirurghi per mille abitanti e la quota di spesa sanitaria sul PIL spiegano attualmente una porzione minore della varianza negli esiti.
Per rendere accessibili queste informazioni, i ricercatori hanno creato uno strumento online che consente a utenti non specialisti, policy maker e organizzazioni internazionali di selezionare un paese e visualizzare immediatamente quali fattori appaiono più strettamente correlati agli esiti oncologici locali. Le barre verdi nelle visualizzazioni grafiche rappresentano i domini dove investimenti continuativi o incrementati hanno la maggiore probabilità di produrre benefici tangibili. Le barre rosse, come sottolinea Patel, non indicano aree da trascurare, ma piuttosto fattori che secondo il modello e i dati attuali contribuiscono meno a spiegare le differenze negli esiti, eventualmente perché già adeguatamente sviluppati o per limitazioni dei dati disponibili.
Lo studio presenta limiti intrinseci riconosciuti dagli autori: l'analisi si basa su dati aggregati a livello nazionale piuttosto che su cartelle cliniche individuali, la qualità dei dati varia considerevolmente soprattutto nei paesi a basso reddito, e le tendenze nazionali possono mascherare profonde disparità interne. Inoltre, trattandosi di uno studio osservazionale, le associazioni identificate non dimostrano relazioni di causa-effetto dirette, ma indicano correlazioni statisticamente robuste tra investimenti in specifici settori e miglioramenti negli indicatori di mortalità oncologica.
Nonostante queste cautele metodologiche, il lavoro apre prospettive concrete per quella che i ricercatori definiscono "sanità pubblica di precisione". Con il carico globale di tumori in crescita costante e risorse finanziarie invariabilmente limitate, disporre di roadmap basate su evidenze quantitative per ciascun contesto nazionale può orientare le decisioni verso gli interventi con il maggiore rapporto costo-efficacia. La ricerca futura dovrà affrontare l'integrazione di dati più granulari a livello sub-nazionale, la validazione prospettica delle previsioni del modello e l'inclusione di variabili aggiuntive come fattori ambientali, stili di vita e marcatori genetici di popolazione, per affinare ulteriormente la capacità predittiva e prescrittiva di questi strumenti.
.jpg)
