Patel MS, Pramesh CS, Sanford NN, Feliciano EJG, Nguyen PL, Iyengar P, et al.

Machine learning reveals country-specific drivers of global cancer outcomes

Ann Oncol 2026:S0923-7534(25)06275-1. DOI: 10.1016/j.annonc.2025.11.014

Esta publicación se anuncia por su importancia y por la herramienta creada, que permite analizar la situación de la radioterapia y del cáncer. Corresponde a Annals of Oncology, titulada “Machine learning reveals country-specific drivers of global cancer outcomes” (Patel MS y cols.), con DOI 10.1016/j.annonc.2025.11.014.

El estudio desarrolla un modelo de aprendizaje automático explicable para identificar qué factores del sistema de salud de cada país están más fuertemente asociados con los resultados oncológicos nacionales, medidos a través del índice mortalidad/incidencia (MIR) de cáncer. Este índice (MIR) sirve como proxy de la supervivencia en cáncer a nivel poblacional: valores más bajos implican mejores resultados en términos de supervivencia relativa.

Objetivo y enfoque metodológico

Los investigadores reunieron datos de 185 países; para cada país, calcularon los MIR a partir de la base GLOBOCAN 2022 y recopilaron múltiples indicadores del sistema de salud: Producto Interior Bruto (PIB) per cápita, índice de cobertura sanitaria universal (UHC), número de centros de radioterapia por población, gasto sanitario como porcentaje del PIB, gasto directo de bolsillo, densidades del personal sanitario (médicos, enfermeras y personal quirúrgico), disponibilidad de servicios de anatomía patológica, índice de desarrollo humano y un índice de desigualdad de género.

Utilizando el algoritmo CatBoost (un modelo de gradient boosting), el equipo entrenó un sistema que predice el MIR para cada país, con validación cruzada leave-one-country-out para evaluar la generalización. Para interpretar las predicciones, emplearon SHAP (Shapley Additive Explanations), una técnica que permite descomponer el impacto de cada factor sobre la predicción para cada país individualmente.

Principales hallazgos globales

El modelo mostró un desempeño muy alto, con un R² de 0,852 (intervalo de confianza del 95 %: 0,801–0,891) y una fuerte correlación entre el MIR observado y el predicho (r = 0,923).

Según los valores SHAP promedio a nivel mundial:

• El PIB per cápita fue el factor más influyente en las diferencias de MIR (≈22,5 % de la contribución global), reflejando la importancia del nivel económico para los resultados oncológicos.
• La densidad de centros de radioterapia (≈15,4 %) y la cobertura sanitaria universal (UHC; ≈12,9 %) también fueron determinantes destacados.
• Otros factores, como la disponibilidad de patología, la densidad de personal sanitario o el gasto directo de bolsillo, variaron en importancia según el país.

Heterogeneidad entre países

Los perfiles SHAP revelaron que no existe un único factor universalmente dominante para todos los países. Por ejemplo:

• En Brasil, el modelo indica que la ampliación de la cobertura sanitaria universal podría tener el mayor impacto en la mejora del MIR, más que otros indicadores.
• En Polonia, la densidad de radioterapia, el PIB per cápita y la UHC fueron los principales impulsores de mejores resultados.
• Japón, Estados Unidos y el Reino Unido mostraron que múltiples factores del sistema contribuyen positivamente, aunque con diferentes pesos según el contexto.
• En China, aunque el PIB per cápita, la UHC y el acceso a la radioterapia se asociaron con mejores resultados, el elevado gasto de bolsillo permanece como una barrera persistente.

Implicaciones y limitaciones

Los autores destacan que este enfoque de inteligencia artificial explicable no prueba causalidad directa, sino asociaciones fuertes que pueden orientar decisiones de política sanitaria específicas para cada país. El estudio proporciona un recurso útil para priorizar inversiones en infraestructura o cobertura sanitaria allí donde tengan un mayor impacto sobre la supervivencia global al cáncer. Sin embargo, advierten que los datos están agregados a nivel nacional y que la calidad de los registros varía entre países, lo que limita la precisión para análisis intranacionales.

link de la maquina de análisis: https://cancersystemsai.org/?tab=analysis