近日，一项发表于《肿瘤学年鉴》的研究利用人工智能（AI）工具，为探究全球癌症生存率差异巨大的原因提供了新视角。

科学家首次将机器学习应用于确定全球几乎所有国家癌症患者生存率相关因素。通过分析185个国家的癌症数据和卫生系统信息，该AI模型突出了诸如放疗可及性、全民健康覆盖水平、经济实力等因素与各国癌症患者生存率之间的紧密联系。

该研究不局限于宽泛的比较，指出了每个国家的哪些具体的政策调整或系统改进能够对癌症患者生存率产生最大影响。研究团队同时开发了一个在线工具，用户可查看任一国家国民财富、放疗可及性、全民健康覆盖水平等因素与癌症治疗结果之间的关联。

“我们希望创建一个可操作的、基于数据的框架，帮助各国确定其最具影响力的政策杠杆，以降低癌症死亡率并缩小公平差距。”研究团队负责人、美国纪念斯隆-凯特琳癌症中心（MSK）放射肿瘤科住院医师Edward Christopher Dee强调了该研究的重要性。

在上述研究中，团队利用机器学习技术，对交互式平台——全球癌症观察站（GLOBOCAN 2022）的185个国家癌症发病率和死亡率数据进行了分析，并将其与世界卫生组织、联合国机构、放射治疗中心目录等卫生系统数据相结合。最终数据集包含了卫生支出占国内生产总值（GDP）的百分比、人均GDP、全民健康覆盖水平、病理服务可及性、人类发展指数、每千人拥有的医疗资源量、患者直接支付医疗费用比例等。

该研究采用的机器学习模型由论文第一作者、MSK研究员Milit Patel开发。“我们选择利用机器学习模型，是因为它能帮助我们生成每个国家的具体估计值及相关预测。尽管人口层面数据存在局限性，但我们希望能为全球癌症系统规划提供指导。”Patel说。

该模型计算了癌症死亡率与发病率比（MIR），这代表了导致死亡的癌症病例所占比例，可作为衡量特定国家癌症治疗效果的指标。为了展示单个因素如何影响估计值，研究人员使用了SHAP模型预测方法。该方法可量化每个特征对模型预测的贡献。

“我们的模型不只是描述差异，还为政策制定者提供了切实可行、基于数据的路线图，明确指出每个国家哪些医疗系统投资能产生最大影响。”Patel表示，随着全球癌症负担加重，这些见解有助于各国以最公平、最有效的方式优先配置资源，缩小患者生存差距。国际组织、医疗服务提供者和倡导者也可以利用这个工具，突出投资重点领域，尤其是在资源有限的环境中。”

研究结果表明，对癌症患者生存率影响较大的因素因国家而异。在巴西，模型显示全民健康覆盖水平与MIR的改善呈强正相关性。而其他因素，如病理服务可及性、每千人拥有的医疗人员数量目前发挥的作用较小。研究人员表示，这意味着巴西优先考虑提升全民健康覆盖水平，获益最大。

在波兰，情况则有所不同。在该国，放疗服务可及性、人均GDP及全民健康覆盖水平对癌症治疗结果影响很大。这表明该国近期扩大医疗保险和医疗服务可及性带来的效果强于总体卫生支出。

相较上述国家，日本、美国和英国呈现出更广泛的模式，几乎所有卫生系统因素都与更好的癌症治疗结果相关。在日本，放射治疗中心密度的影响最为突出；在美国和英国，人均GDP影响最大。这些发现为每个国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强调，这不意味着其他影响较小的因素不值得关注或可以被忽视，因为上述结果是根据模型和现有数据得出的结论，存在一定局限性。比如该分析依赖于国家层面的数据而非个体患者的记录，数据质量差异很大，尤其是在许多低收入国家，而且国家层面的趋势可能掩盖了国内的差异。此外，该研究无法证明专注于某个特定因素会导致更好的癌症治疗结果，只能表明此类努力与改善的结果有关联。

即便如此，该研究仍为确定相关行动的优先次序提供了参考。“随着全球癌症负担加重，这一模型有助于各国在资源有限的情况下实现效益最大化。它将复杂的数据转化为政策制定者易于理解且可付诸行动的建议。”Dee说。

相关论文信息：https://doi.org/10.1016/j.annonc.2025.11.014