يكشف الذكاء الاصطناعي كيف يمكن لكل دولة أن تعزز فرص بقاء مرضى السرطان على قيد الحياة

كشف الذكاء الاصطناعي عن سبب الاختلاف الكبير في معدلات بقاء مرضى السرطان على قيد الحياة في جميع أنحاء العالم، وسلط الضوء على عوامل النظام الصحي المحددة الأكثر أهمية في كل بلد.

وقد طبق الباحثون لأول مرة التعلم الآلي، شكل من أشكال الذكاء الاصطناعي (AI)، لتحديد العوامل الأكثر ارتباطًا ببقاء السرطان على قيد الحياة في كل بلد تقريبًا في جميع أنحاء العالم.

تظهر النتائج اليوم (13 يناير) في مجلة السرطان الرائدة حوليات الأورام. ويذهب البحث إلى ما هو أبعد من الاتجاهات العالمية الواسعة من خلال إظهار الإجراءات السياسية المحددة أو تحسينات النظام التي يمكن أن تعزز بشكل فعال بقاء السرطان في البلدان الفردية. ومن خلال أداة على الإنترنت طورها الفريق، يستطيع المستخدمون اختيار بلد واستكشاف العناصر، بما في ذلك الدخل الوطني، والقدرة على الوصول إلى العلاج الإشعاعي، والتغطية الصحية الشاملة، الأكثر ارتباطا بنتائج السرطان.

تحويل البيانات إلى إرشادات سياسية قابلة للتنفيذ

وأكد الدكتور إدوارد كريستوفر دي، الطبيب المقيم في علاج الأورام بالإشعاع في مركز ميموريال سلون كيترينج للسرطان (MSK) في نيويورك بالولايات المتحدة الأمريكية، والقائد المشارك للدراسة، على الاختلافات الواسعة في نتائج السرطان بين الدول. “تختلف نتائج السرطان العالمية بشكل كبير، ويرجع ذلك إلى حد كبير إلى الاختلافات في النظم الصحية الوطنية. أردنا إنشاء إطار عملي قائم على البيانات يساعد البلدان على تحديد أدوات السياسات الأكثر تأثيرا للحد من الوفيات الناجمة عن السرطان وسد فجوات العدالة.”

وأضاف أن عدة عوامل برزت مرارا وتكرارا. “لقد وجدنا أن الوصول إلى العلاج الإشعاعي والتغطية الصحية الشاملة والقوة الاقتصادية كانت في كثير من الأحيان أدوات مهمة مرتبطة بنتائج أفضل للسرطان على المستوى الوطني. ومع ذلك، كانت هناك عوامل رئيسية أخرى ذات صلة أيضًا.”

تحليل بيانات السرطان من 185 دولة

ولبناء النموذج، قام الدكتور دي وزملاؤه بتحليل بيانات حالات الإصابة بالسرطان والوفيات من المرصد العالمي للسرطان (GLOBOCAN 2022)، الذي يغطي 185 دولة. وقاموا بدمج ذلك مع بيانات النظام الصحي من منظمة الصحة العالمية، والبنك الدولي، ووكالات الأمم المتحدة، ودليل مراكز العلاج الإشعاعي.

وتضمنت المعلومات الإنفاق على الصحة كنسبة من الناتج المحلي الإجمالي، ونصيب الفرد من الناتج المحلي الإجمالي، وعدد الأطباء والممرضات والقابلات والعاملين الجراحيين لكل 1000 شخص، ومستويات التغطية الصحية الشاملة، والوصول إلى خدمات علم الأمراض، ومؤشرات التنمية البشرية، وتوافر مراكز العلاج الإشعاعي لكل 1000 شخص، ومؤشر عدم المساواة بين الجنسين، وحصة تكاليف الرعاية الصحية المدفوعة من الجيب.

بناء نموذج التعلم الآلي

تم تطوير نموذج التعلم الآلي بواسطة السيد ميليت باتيل، المؤلف الأول للدراسة. وهو باحث في الكيمياء الحيوية، والإحصاء وعلوم البيانات، وإصلاح الرعاية الصحية والابتكار في جامعة تكساس في أوستن، الولايات المتحدة الأمريكية، وفي MSK.

وأوضح السيد باتيل سبب اختيار هذا النهج. “لقد اخترنا استخدام نماذج التعلم الآلي لأنها تسمح لنا بتوليد التقديرات – والتنبؤات ذات الصلة – الخاصة بكل بلد. نحن، بالطبع، ندرك القيود المفروضة على البيانات على مستوى السكان ولكننا نأمل أن تتمكن هذه النتائج من توجيه تخطيط نظام السرطان على مستوى العالم “.

قياس فعالية رعاية مرضى السرطان

يركز النموذج على نسب الوفيات إلى حالات الإصابة (MIR)، والتي تمثل حصة حالات السرطان التي تؤدي إلى الوفاة وتكون بمثابة مؤشر على مدى فعالية رعاية مرضى السرطان داخل البلد. لتوضيح كيفية تأثير كل عامل على النتائج، استخدم الباحثون طريقة تشرح التنبؤات الفردية عن طريق حساب مساهمة كل متغير، والمعروفة باسم SHAP (تفسيرات شابلي الإضافية).

ووفقا للسيد باتيل، كان الهدف هو التأثير العملي. “إلى جانب مجرد وصف التفاوتات، يوفر نهجنا خرائط طريق قابلة للتنفيذ ومبنية على البيانات لصانعي السياسات، توضح بدقة استثمارات النظام الصحي المرتبطة بأكبر تأثير لكل بلد. ومع تزايد العبء العالمي للسرطان، يمكن لهذه الأفكار أن تساعد الدول على تحديد أولويات الموارد وسد فجوات البقاء على قيد الحياة بأكثر الطرق إنصافًا وفعالية ممكنة. ويمكن للمنظمات الدولية ومقدمي الرعاية الصحية والمدافعين أيضًا استخدام الأداة المستندة إلى الويب لتسليط الضوء على مجالات الاستثمار، خاصة في البيئات المحدودة الموارد.”

الأمثلة القطرية تسلط الضوء على أولويات مختلفة

ويكشف التحليل أن العوامل الأكثر تأثيرا تختلف من بلد إلى آخر. ففي البرازيل، على سبيل المثال، تظهر التغطية الصحية الشاملة أقوى ارتباط إيجابي مع تحسن معدلات الوفيات إلى معدلات الإصابة. ويبدو أن العوامل الأخرى، مثل خدمات علم الأمراض وعدد الممرضات والقابلات لكل 1000 شخص، لها تأثير أقل في الوقت الحاضر. وبناءً على هذه النتائج، يقترح الباحثون أن توسيع التغطية الصحية الشاملة يجب أن يكون أولوية قصوى بالنسبة للبرازيل.

وفي بولندا، يكون لتوافر خدمات العلاج الإشعاعي، ونصيب الفرد من الناتج المحلي الإجمالي، ومؤشر التغطية الصحية الشاملة التأثير الأكبر على نتائج السرطان. ويشير هذا النمط إلى أن الجهود الأخيرة لتعزيز التأمين الصحي والحصول على الرعاية قد أنتجت مكاسب أكبر من الإنفاق العام على الصحة، وهو ما يظهر تأثيرا أكثر تواضعا.

وتعرض اليابان والولايات المتحدة والمملكة المتحدة صورة مختلفة. وفي هذه البلدان، ترتبط جميع عوامل النظام الصحي تقريبًا بنتائج أفضل في مجال السرطان. وتبرز كثافة مراكز العلاج الإشعاعي بقوة في اليابان، في حين أن نصيب الفرد من الناتج المحلي الإجمالي له التأثير الأكبر في الولايات المتحدة الأمريكية والمملكة المتحدة. وتشير هذه النتائج إلى المجالات التي قد يحقق فيها صناع السياسات أعظم الفوائد.

وتقدم الصين مزيجا أكثر تعقيدا. يساهم ارتفاع نصيب الفرد من الناتج المحلي الإجمالي، والتغطية الصحية الشاملة على نطاق أوسع، وزيادة الوصول إلى مراكز العلاج الإشعاعي في تحسين نتائج السرطان. وفي المقابل، فإن الإنفاق من الجيب، وحجم القوى العاملة الجراحية لكل 1000 شخص، والإنفاق على الصحة كنسبة من الناتج المحلي الإجمالي، هي في الوقت الحالي أقل فعالية في تفسير الاختلافات في النتائج.

ويشير الباحثون في ورقتهم البحثية إلى أن “ارتفاع التكاليف المباشرة للمرضى تظل عائقا حاسما أمام النتائج المثلى للسرطان، حتى في خضم التحسينات الوطنية في تمويل الصحة والوصول إليها. وتؤكد هذه النتائج أنه في حين أن التطور السريع للنظام الصحي في الصين يحقق مكاسب مهمة في مكافحة السرطان، فإن الفوارق في الحماية المالية والتغطية لا تزال قائمة، مما يستدعي تركيز السياسات المكثفة على الحد من النفقات المباشرة ومواصلة تعزيز تنفيذ التغطية الصحية الشاملة لتعظيم تأثير النظام الصحي”.

فهم المؤشرات الخضراء والحمراء

وأوضح السيد باتل أيضًا كيفية تفسير الأشرطة الخضراء والحمراء الموضحة في الرسوم البيانية الخاصة بكل بلد. “تمثل الأشرطة الخضراء العوامل التي تظهر حاليًا بقوة وإيجابية مرتبطة بتحسن نتائج السرطان في بلد معين. وهذه هي المجالات التي من المرجح أن يؤدي فيها الاستثمار المستمر أو المتزايد إلى تأثير ملموس.”

وحذر من إساءة قراءة الأشرطة الحمراء. “ومع ذلك، لا تشير الأشرطة الحمراء إلى أن هذه المجالات غير مهمة أو يجب إهمالها. بل إنها تعكس المجالات التي، وفقًا للنموذج والبيانات الحالية، أقل احتمالاً لتفسير الاختلافات الأكبر في النتائج في الوقت الحالي. وقد يكون هذا بسبب الأداء القوي بالفعل في هذه الجوانب، أو القيود المفروضة على البيانات المتاحة، أو عوامل أخرى محددة السياق.”

وأضاف أن الاتحادات الأضعف لا ينبغي أن تثبط التحسين المستمر. “من المهم أن رؤية الشريط “الأحمر” لا ينبغي أبدًا تفسيرها على أنها سبب لوقف الجهود الرامية إلى تعزيز تلك الركيزة لرعاية مرضى السرطان – فالتحسين في تلك المجالات يمكن أن يظل ذا قيمة للنظام الصحي الشامل في أي بلد. وتشير نتائجنا ببساطة إلى أنه إذا كان الهدف هو تحقيق أقصى قدر من التحسن في نتائج السرطان على النحو المحدد في النموذج، فإن التركيز أولاً على أقوى الدوافع الإيجابية (الخضراء) قد يكون الإستراتيجية الأكثر تأثيرًا.”

نقاط القوة والحدود والطريق إلى الأمام

وتشمل نقاط القوة في الدراسة تغطيتها شبه العالمية، واستخدام البيانات الصحية الدولية الحالية، ورؤى السياسات الخاصة بكل بلد بدلاً من المتوسطات العالمية، واستخدام أساليب الذكاء الاصطناعي الأكثر شفافية. وفي الوقت نفسه، يعترف الباحثون بوجود قيود مهمة. ويعتمد التحليل على البيانات على المستوى الوطني بدلاً من سجلات المرضى الفردية، وتختلف جودة البيانات بشكل كبير بين البلدان، وخاصة في المناطق المنخفضة الدخل، ويمكن للاتجاهات الوطنية أن تخفي أوجه عدم المساواة داخل البلدان. بالإضافة إلى ذلك، لا يمكن للدراسة أن تثبت أن تغيير عامل معين سيؤدي بشكل مباشر إلى نتائج أفضل للسرطان، فقط أن هذه التغييرات ترتبط بنتائج محسنة.

وعلى الرغم من هذه التحذيرات، فإن النتائج توفر أداة قيمة لتحديد الأولويات. واختتم الدكتور دي قائلاً: “مع تزايد العبء العالمي للسرطان، يساعد هذا النموذج البلدان على تحقيق أقصى قدر من التأثير بموارد محدودة. فهو يحول البيانات المعقدة إلى نصائح مفهومة وقابلة للتنفيذ لصانعي السياسات، مما يجعل الصحة العامة الدقيقة ممكنة.”

المرجع: “التعلم الآلي يكشف عن الدوافع الخاصة بكل بلد لنتائج السرطان العالمية” بقلم MS Patel وآخرون، 13 يناير 2026، حوليات الأورام.
دوى: 10.1016/j.annonc.2025.11.014

لا تفوت أي اختراق: انضم إلى النشرة الإخبارية SciTechDaily.
تابعونا على جوجل و أخبار جوجل.