AI vạch trần "thế lực ngầm" quyết định tỷ lệ tử vong do ung thư toàn cầu

Bằng việc "soi chiếu" dữ liệu y tế của 185 nước, mô hình AI này không chỉ vạch ra những yếu tố then chốt quyết định sự sống còn mà còn cung cấp một lộ trình cải cách y tế cụ thể cho từng quốc gia.

Nghiên cứu được công bố trên tạp chí ung thư hàng đầu Annals of Oncology (Châu Âu). Thay vì đưa ra những so sánh chung chung, nhóm nghiên cứu đã xây dựng một công cụ trực tuyến cho phép người dùng chọn bất kỳ quốc gia nào để xem xét tác động cụ thể của các yếu tố như kinh tế, khả năng tiếp cận xạ trị hay độ bao phủ y tế toàn dân đối với kết quả điều trị ung thư.

Tiến sĩ Edward Christopher Dee, bác sĩ nội trú về xạ trị ung thư tại Trung tâm Ung thư Memorial Sloan Kettering (Mỹ), đồng trưởng nhóm nghiên cứu, giải thích mục tiêu của dự án: "Chúng tôi muốn tạo ra một khuôn khổ dựa trên dữ liệu, giúp các quốc gia xác định được đòn bẩy chính sách nào là hiệu quả nhất để giảm tỷ lệ tử vong do ung thư và thu hẹp khoảng cách bất bình đẳng".

Để làm được điều này, nhóm nghiên cứu đã sử dụng học máy  để phân tích dữ liệu từ Đài quan sát Ung thư Toàn cầu (GLOBOCAN 2022) kết hợp với các chỉ số hệ thống y tế từ WHO và Ngân hàng Thế giới.

Kết quả phân tích cho thấy không có một công thức chung cho tất cả. Ví dụ, tại Brazil, AI chỉ ra rằng việc ưu tiên mở rộng Bảo hiểm Y tế Toàn dân (UHC) sẽ mang lại lợi ích lớn nhất, vượt trội hơn so với việc tăng số lượng y tá hay dịch vụ giải phẫu bệnh vào thời điểm hiện tại. Còn tại Ba Lan, các yếu tố như khả năng tiếp cận xạ trị và thu nhập bình quân đầu người lại đóng vai trò quyết định. Đối với Trung Quốc, nghiên cứu chỉ ra một bức tranh phức tạp hơn. Mặc dù hệ thống y tế phát triển nhanh chóng, nhưng chi phí điều trị tự chi trả quá cao đang là rào cản lớn. AI khuyến nghị nước này cần tập trung chính sách vào việc giảm gánh nặng tài chính cho người bệnh để tối đa hóa hiệu quả của hệ thống y tế. Trong khi đó, tại các nước phát triển như Nhật Bản, Mỹ và Anh, hầu hết các yếu tố của hệ thống y tế đều có liên kết chặt chẽ với kết quả điều trị tốt.

Mô hình sử dụng các thanh màu xanh và đỏ để biểu thị mức độ tác động. Milit Patel, tác giả đầu tiên của nghiên cứu, lưu ý rằng: "Thanh màu đỏ không có nghĩa là yếu tố đó không quan trọng hay nên bị bỏ qua. Nó chỉ phản ánh rằng, dựa trên dữ liệu hiện tại, yếu tố đó ít có khả năng giải thích cho sự khác biệt lớn nhất về kết quả điều trị ngay lúc này". Ngược lại, tập trung đầu tư vào các yếu tố có thanh màu xanh sẽ là chiến lược mang lại tác động tích cực nhanh nhất.

Dù còn một số hạn chế về chất lượng dữ liệu ở các nước thu nhập thấp, nghiên cứu này được đánh giá là bước tiến quan trọng hướng tới "y tế công cộng chính xác", giúp các nhà hoạch định chính sách tối ưu hóa nguồn lực hạn hẹp để cứu sống nhiều bệnh nhân hơn.