Inteligência artificial identifica as estratégias mais eficazes contra o cancro.

Em todo o mundo, os cuidados oncológicos estão a melhorar, mas não ao mesmo ritmo.

Uma nova ferramenta de IA aponta a razão.

Investigadores recorreram à inteligência artificial para vasculhar dados de saúde de quase todos os países do planeta, descobrindo que políticas específicas salvam mais vidas do cancro em cada lugar. Os resultados apontam para um futuro em que os governos podem orientar a despesa de forma muito mais precisa, em vez de copiarem um modelo único para todos.

IA transforma os dados globais do cancro num roteiro prático

A nova análise baseia-se em dados de 185 países, cruzando a incidência do cancro e as taxas de mortalidade com números concretos sobre o funcionamento real dos sistemas de saúde. Isso inclui a despesa pública em saúde, os índices de cobertura universal, o acesso à radioterapia e o número de médicos e enfermeiros disponíveis.

Em vez de observar cada fator de forma isolada, os investigadores usaram aprendizagem automática para deixar que os dados “falassem” e classificassem o que mais pesa na sobrevivência em contextos diferentes. No centro do trabalho está uma métrica-chave: o rácio mortalidade/incidência do cancro.

Quanto mais baixo for o rácio mortalidade/incidência, mais pessoas com cancro continuam vivas, tendo em conta quantas são diagnosticadas.

Ao explicar porque é que este rácio varia tanto entre países, o algoritmo consegue destacar quais as alavancas – da cobertura do seguro de saúde às unidades de radioterapia – com maior probabilidade de alterar a sobrevivência.

Não existe a mesma receita em todo o lado: o que o modelo mostra

O estudo confirma um padrão amplo: a riqueza continua a importar. O rendimento nacional por pessoa (PIB per capita), a cobertura universal de saúde e o acesso a centros de radioterapia surgem como os três preditores globais mais fortes de uma melhor sobrevivência ao cancro. Ainda assim, a forma como se combinam está longe de ser uniforme.

Em alguns países, alargar o seguro de saúde faz a maior diferença. Noutros, acrescentar equipamentos de radioterapia ou aumentar a densidade de profissionais tem mais impacto do que simplesmente investir mais dinheiro.

O mesmo investimento pode ter efeitos muito diferentes consoante o local e a forma como é aplicado.

Prioridades específicas por país: alavancas diferentes, o mesmo objetivo

• Brasil: O modelo aponta uma maior cobertura de saúde como a medida principal. Ter mais pessoas cobertas e com acesso ao diagnóstico e ao tratamento parece ser mais urgente do que acrescentar equipamento de alta tecnologia.
• Polónia: Aqui, o acesso melhorado à radioterapia destaca-se. Aumentar a capacidade de tratamento por radiação parece trazer ganhos mais expressivos na sobrevivência do que outras reformas.
• Japão: Apesar de ter um sistema de saúde sólido, o estrangulamento continua a ser o acesso à radioterapia, o que sugere que reforçar a infraestrutura de tratamento do cancro pode compensar.
• Estados Unidos: A riqueza global está fortemente ligada à sobrevivência, mas o modelo sugere que a forma como essa riqueza se converte em acesso equitativo continua a ser uma questão crucial.

Estes exemplos mostram porque é que receitas de política importadas na íntegra de um país para outro muitas vezes desiludem. A IA oferece algo mais ajustado: uma lista ordenada de medidas que se enquadram nas realidades locais.

Como o algoritmo encontra as alavancas mais poderosas

Os investigadores treinaram um modelo de aprendizagem automática com bases de dados internacionais que combinam:

Tipo de dados	Exemplos de indicadores
Resultados oncológicos	Taxas de incidência, taxas de mortalidade, rácio mortalidade/incidência
Capacidade do sistema de saúde	Número de médicos, enfermeiros e especialistas por habitante
Acesso ao tratamento	Número e distribuição de centros de radioterapia, disponibilidade de quimioterapia
Financiamento e cobertura	Despesa pública em saúde, índices de cobertura universal de saúde
Contexto socioeconómico	PIB per capita, estrutura demográfica, distribuição urbano-rural

Ao testar milhares de combinações, o modelo identifica que variáveis explicam melhor as diferenças nos rácios de sobrevivência. Esse processo não “substitui” a epidemiologia clássica, mas deteta padrões que seriam difíceis de ver apenas com métodos tradicionais, sobretudo quando muitos fatores interagem.

Das lacunas descritas às áreas onde os governos devem agir

Durante anos, os relatórios globais sobre o cancro documentaram enormes desigualdades entre países. Este trabalho baseado em IA muda o foco da descrição do problema para a apresentação de ações concretas, ordenadas pelo impacto e adaptadas ao ponto de partida de cada sistema de saúde.

Em vez de perguntar “porque é que os resultados são piores aqui?”, os decisores podem perguntar “quais são as duas ou três alterações que vão salvar mais vidas com o orçamento que temos?”.

A ferramenta funciona, na prática, como um painel de controlo para a política oncológica. Governos e entidades de saúde podem ajustar barras hipotéticas – mais cobertura, mais capacidade de radioterapia, melhor dotação de pessoal – e simular como essas mudanças poderiam alterar a sobrevivência ao longo do tempo.

Possíveis utilizações para os responsáveis pela saúde

• Dar prioridade ao investimento quando o dinheiro é escasso.
• Verificar se as reformas propostas correspondem às alavancas mais fortes identificadas pelos dados.
• Acompanhar a evolução à medida que surgem novas capacidades ou se alarga a cobertura.
• Justificar ajuda internacional em áreas específicas, como unidades de radioterapia ou formação de oncologistas.

Isto não garante decisões perfeitas, mas dá a ministros e planeadores uma base de prova mais clara do que abordagens baseadas no achismo ou na cópia das políticas dos países vizinhos.

Desigualdades expostas: porque é que a sobrevivência varia tanto

O modelo de IA também ajuda a perceber porque é que o mesmo cancro pode ser quase uma doença diferente consoante o lugar onde alguém vive. Nos países de rendimento elevado, os doentes têm maior probabilidade de receber um diagnóstico precoce, de ser vistos rapidamente por um especialista e de aceder a tratamentos combinados, como cirurgia com radioterapia ou fármacos dirigidos.

Em muitos países de rendimento baixo e médio, o diagnóstico chega frequentemente tarde, as máquinas de radioterapia são escassas e o transporte ou os custos pagos do bolso atrasam os cuidados. Mesmo melhorias modestas na cobertura ou na capacidade de tratamento podem, por isso, traduzir-se em quedas acentuadas no rácio mortalidade/incidência.

Os dados sublinham que alguns dos maiores ganhos potenciais estão em países que, neste momento, dispõem da infraestrutura mais reduzida.

A IA não altera o facto básico de que os sistemas de saúde mais ricos têm mais opções, mas pode ajudar os países menos ricos a escolher os primeiros passos mais eficazes.

O que significa realmente o “rácio mortalidade/incidência”

O estudo apoia-se fortemente no rácio mortalidade/incidência, um conceito que pode soar técnico, mas que na prática é simples.

• Incidência: quantos novos casos de cancro são diagnosticados num determinado período.
• Mortalidade: quantas pessoas morrem de cancro no mesmo período.
• Rácio: mortes divididas por novos casos.

Se um país tiver 100 novos casos de cancro e 40 mortes num ano, o seu rácio é 0,4. Se outro tiver 100 novos casos e 20 mortes, o rácio é 0,2, o que sugere uma melhor sobrevivência após o diagnóstico. Embora a métrica não capte todas as nuances, oferece uma forma rápida de comparar o desempenho dos serviços oncológicos depois de as pessoas adoecerem.

Vantagens e riscos de confiar na IA para a política do cancro

Usar IA para orientar a política oncológica traz benefícios claros. Os modelos conseguem processar enormes volumes de dados, testar milhares de cenários de “e se” e revelar conclusões contraintuitivas. Por exemplo, podem mostrar que, num determinado país, contratar mais enfermeiros de oncologia salva mais vidas do que comprar mais um equipamento de imagiologia.

Também existem riscos. Se os dados de entrada forem incompletos ou tendenciosos, as recomendações vão refletir essas falhas. Países com registos oncológicos fracos podem parecer ter melhores resultados simplesmente porque os casos e as mortes estão subcontabilizados. A transparência sobre a forma como os modelos são construídos, validados e atualizados continua a ser essencial.

A IA pode ser um guia poderoso, mas continua a precisar de discernimento humano, conhecimento local e supervisão ética.

Outra preocupação é a de que os modelos globais possam não detetar barreiras locais, como o estigma cultural, a desconfiança nos serviços de saúde ou problemas logísticos em regiões remotas. A combinação de informação algorítmica com consulta no terreno pode reduzir essa lacuna.

Como isto pode mudar os cuidados oncológicos do dia a dia

Para os doentes, o impacto deste tipo de IA pode não aparecer sob a forma de uma aplicação ou de um assistente conversacional. Em vez disso, poderá manifestar-se através de tempos de espera mais curtos, centros de tratamento mais próximos ou programas nacionais que, finalmente, passam a cobrir cuidados essenciais que antes eram pagos do bolso.

Imagine-se um país de rendimento médio em que o modelo indique que uma expansão modesta do acesso à radioterapia reduziria fortemente a mortalidade. Isso pode levar a um plano nacional para instalar máquinas em hospitais regionais e não apenas na capital, encurtando deslocações e diminuindo atrasos no tratamento. Ou, num contexto em que a cobertura seja a principal alavanca, os governos podem decidir subsidiar cuidados oncológicos básicos nos hospitais públicos, sabendo que o modelo prevê um forte benefício na sobrevivência.

À medida que mais dados se acumulam e os modelos são refinados, estratégias orientadas por IA também poderão ser usadas dentro dos países, identificando que regiões estão mais atrasadas e quais as falhas de serviço que mais importam. Isso pode significar concentrar os esforços de rastreio nas zonas rurais, reforçar os cuidados paliativos ou investir em laboratórios de anatomia patológica para que os diagnósticos sejam mais precisos e mais rápidos.

Por trás dos termos técnicos, o princípio é simples: usar ferramentas baseadas em dados para associar cada sistema de saúde às poucas mudanças com maior probabilidade de salvar o maior número de vidas do cancro, tão depressa e de forma tão justa quanto possível.