人工智能揭示全球癌症存活率背後的關鍵因素
科學家首次利用機器學習（一種人工智能技術）分析近乎全球所有國家的癌症存活率差異，找出影響存活率的主要因素。這項研究發表於頂尖癌症期刊《Annals of Oncology》，不但超越了以往僅作廣泛比較的研究，還進一步指出各國應該優先改進的政策和醫療體系環節，從而最大化提升癌症患者的存活率。研究團隊更開發了一個線上工具，讓用戶能夠選擇不同國家，查看國家財富、放射治療可及性、全民健康保障等因素如何影響癌症治療結果。
將全球數據轉化為實用見解
紐約Memorial Sloan Kettering癌症中心放射腫瘤科醫師Edward Christopher Dee博士兼研究共同領導人強調：「全球癌症治療結果差異巨大，主要歸因於各國醫療體系的差異。我們希望建立一套以數據為基礎、可操作的框架，協助國家找出最有效的政策杠杆，減少癌症死亡率，縮小健康不平等。」他指出，放射治療的可及性、全民健康保障及經濟實力是與較佳癌症存活率最密切相關的因素，但其他關鍵因素亦不可忽視。
分析185國癌症與醫療體系數據
研究團隊利用機器學習分析來自全球癌症觀察站（GLOBOCAN 2022）的癌症發病及死亡數據，涵蓋185個國家，並結合世界衛生組織、世界銀行、聯合國機構及放射治療中心目錄等多方醫療系統數據。所用資料包括醫療支出佔國內生產總值（GDP）比率、人均GDP、每千人醫生及護理人員數量、全民健康保障水平、病理服務可及性、人類發展指數、每千人放射治療中心數量、性別不平等指數，以及患者直接支付醫療費用的比例。
機器學習模型的建立與解讀
這個模型由研究第一作者、德克薩斯大學奧斯汀分校及MSK的生物化學、統計及數據科學研究者Milit Patel先生開發。Patel先生解釋：「我們選擇機器學習模型，是因為它能針對每個國家生成具體估計及預測。雖然知道人口層級數據有其限制，但我們希望研究結果能指導全球癌症醫療規劃。」
模型通過計算死亡率與發病率比率（MIR）來衡量癌症醫療成效，MIR反映確診癌症患者中死亡的比例。研究團隊利用一種名為SHAP（Shapley Additive exPlanations）的方法，量化每個變量對結果的貢獻，令模型結果更具解釋力。
從數據到行動的轉變
Patel表示：「我們不僅描述全球癌症存活率差異，還提供具體、數據驅動的政策路線圖，指明哪些醫療系統投資在各國最可能帶來最大影響。隨著全球癌症負擔增加，這些洞見能幫助國家更有效分配資源，公平縮小存活率差距。國際組織、醫療服務提供者及倡導者亦可利用線上工具，特別在資源有限地區，找出最需投資的領域。」
不同國家有不同優先項目
研究結果顯示，不同國家的主要影響因素差異甚大。例如，巴西的模型顯示全民健康保障（UHC）與改善MIR的關聯最強，病理服務及護理人員數量目前影響較小，建議巴西應優先推進UHC。波蘭則顯示放射治療服務可及性、人均GDP及UHC指數影響最大，反映該國擴大健康保險及醫療服務的努力已見成效。日本、美國及英國則呈現較全面的健康系統因素影響，日本尤以放射治療中心密度突出，美英則是人均GDP影響最大。
中國的情況較為複雜，人均GDP、UHC覆蓋及放射治療中心可及性對改善癌症結果貢獻較大，但患者自付醫療費、外科醫護人員數量及醫療支出佔GDP比率對結果影響較小。研究指出：「即使中國在健康體系發展及癌症控制方面取得顯著進步，患者高昂的直接醫療費用仍是阻礙優化癌症結果的關鍵障礙，顯示需加強政策以減少患者自付費用並深化UHC實施。」
解讀圖表中的綠紅色條形
Patel解釋，綠色條形代表該國現時與改善癌症結果關聯最強且正面影響的因素，是持續或加大投資最有可能產生重大效果的領域。紅色條形則不代表該項目不重要，而是根據現有數據，該因素目前對結果差異的解釋力較低，可能因為該領域已較為完善、數據有限或其他特定情況所致。他強調，紅色條形不應成為放棄該領域努力的理由，因為全面提升癌症醫療還是需要多方面持續改進。
研究的優勢與局限及未來展望
這項研究的優勢在於涵蓋幾乎所有國家，使用最新全球健康數據，提供國家層面的具體政策建議，而非簡單全球平均值，且採用透明度較高的AI模型。研究同時承認局限，包括依賴國家層級數據而非個別患者資料，數據質量在低收入國家差異大，國家整體趨勢可能掩蓋國內不平等，且無法證明特定因素直接導致結果改善，只能說明相關性。
儘管如此，研究成果為各國在有限資源下如何最大化癌症治療成效提供了實用指引。Dee博士總結：「隨著全球癌症負擔日益加重，這套模型幫助各國用有限資源達致最大效益，將複雜數據轉化為清晰且可執行的政策建議，推動精準公共衛生的實現。」
—
評論與啟示
這項研究以機器學習深入剖析全球癌症存活率背後的多重因素，成功將龐大且複雜的跨國數據轉化為具體可行的政策建議，對公共衛生和醫療資源分配具有重要意義。過去多依賴粗略的跨國比較，難以為各國提供針對性策略；此模型不但考慮經濟、醫療資源、全民健康保障等多面向因素，還能揭示不同國家最需優先強化的領域，為政策制定者提供精準指引。
尤其值得注意的是，研究強調「財富」和「醫療資源」並非唯一關鍵，政策執行力和全民健康保障的完善度同樣重要，提醒我們醫療公平與制度效率的不可或缺。中國案例突顯高昂自付費用依然是阻礙優質癌症治療的瓶頸，顯示經濟快速發展不必然消除醫療不平等，政策制定者需更加聚焦「普惠醫療」的深入推進。
不過，研究也提醒我們，數據質量和國家層級分析的局限可能掩蓋內部地區差異與個別患者情況，未來應結合更多基層數據和患者層級研究，以補充政策制定的細節。此外，人工智能模型雖強大，仍需與專業醫療知識和社會文化背景結合，才能真正落地生根。
總括而言，這項研究開創了利用AI驅動全球公共衛生策略的新方向，為癌症防治帶來更精準、更公平的未來藍圖。香港作為國際大都會，同時面對本地及跨境健康挑戰，也應借鑑此類數據導向的策略工具，推動本地癌症治療資源優化，提升全民健康保障，減少社會醫療不平等。
以上文章由GPT 所翻譯及撰寫。而圖片則由GEMINI根據內容自動生成。
