A inteligência artificial identifica as estratégias mais eficazes contra o cancro.

Em todo o mundo, os cuidados oncológicos estão a melhorar - mas não ao mesmo ritmo.

Uma nova ferramenta de inteligência artificial (IA) ajuda a perceber porquê.

Ao recorrerem a IA para analisar dados de saúde de praticamente todos os países, investigadores identificaram que políticas específicas tendem a salvar mais vidas por cancro em cada contexto. A conclusão aponta para um caminho em que os governos conseguem orientar o investimento com muito mais precisão, em vez de replicarem soluções “tamanho único”.

IA e cancro: como os dados globais se transformam num roteiro prático

A análise reúne informação de 185 países, cruzando a incidência e a mortalidade por cancro com indicadores objetivos do funcionamento dos sistemas de saúde. Entre eles estão: despesa pública em saúde, pontuações de cobertura universal de saúde, acesso a radioterapia e a disponibilidade de médicos e enfermeiros.

Em vez de avaliarem cada variável isoladamente, os investigadores aplicaram aprendizagem automática para deixar os dados “falarem”, hierarquizando o que mais influencia a sobrevivência em diferentes realidades. No centro do estudo está uma métrica essencial: o rácio mortalidade/incidência no cancro.

Quanto mais baixo for o rácio mortalidade/incidência, maior é a proporção de pessoas com cancro que se mantém viva, tendo em conta o número de diagnósticos.

Ao explicar por que motivo este rácio varia tanto entre países, o algoritmo destaca quais as alavancas - desde a cobertura por seguro/financiamento até às unidades de radioterapia - com maior probabilidade de melhorar a sobrevivência.

Nem a mesma receita funciona em todo o lado: o que o modelo evidencia

O estudo confirma uma tendência ampla: a riqueza continua a contar. Rendimento nacional por pessoa (PIB per capita), cobertura universal de saúde e acesso a centros de radioterapia surgem como os três preditores globais mais fortes de melhor sobrevivência ao cancro. Ainda assim, a forma como estes fatores se combinam está longe de ser uniforme.

Em alguns países, alargar a cobertura de saúde (por exemplo, mais pessoas protegidas por financiamento/seguro e com acesso ao diagnóstico e tratamento) é o que mais altera o rácio. Noutros, aumentar a capacidade de radioterapia ou a densidade de profissionais tem mais impacto do que injetar mais dinheiro, por si só.

O mesmo investimento pode produzir efeitos muito diferentes, dependendo do local e da forma como é aplicado.

Prioridades por país na política de cancro: diferentes alavancas, o mesmo objetivo

• Brasil: o modelo aponta o reforço da cobertura de saúde como a medida mais determinante. A urgência parece estar em garantir que mais pessoas conseguem chegar ao diagnóstico e ao tratamento, mais do que acrescentar equipamento de alta tecnologia.
• Polónia: destaca-se o melhor acesso a radioterapia. Aumentar a capacidade de tratamento com radiação aparenta trazer ganhos de sobrevivência superiores aos de outras reformas.
• Japão: apesar de um sistema de saúde robusto, o estrangulamento continua a ser o acesso à radioterapia, sugerindo que modernizar a infraestrutura de tratamento oncológico pode compensar.
• Estados Unidos: a riqueza global do país relaciona-se fortemente com a sobrevivência, mas o modelo sugere que a forma como essa riqueza se traduz (ou não) em acesso equitativo permanece uma questão crítica.

Estes exemplos ajudam a explicar por que razão políticas importadas “em bloco” de um país para outro tantas vezes falham. A IA propõe algo mais ajustado: uma lista priorizada de ações alinhadas com as condições locais.

Como o algoritmo encontra as alavancas mais eficazes

Para treinar o modelo, os investigadores recorreram a bases de dados internacionais que combinam:

Tipo de dados	Exemplos de indicadores
Resultados em cancro	Taxas de incidência, taxas de mortalidade, rácio mortalidade/incidência
Capacidade do sistema de saúde	Número de médicos, enfermeiros e especialistas por habitante
Acesso a tratamento	Número e distribuição de centros de radioterapia, disponibilidade de quimioterapia
Financiamento e cobertura	Despesa pública em saúde, índices de cobertura universal de saúde
Contexto socioeconómico	PIB per capita, estrutura demográfica, distribuição urbano–rural

Ao testar milhares de combinações, o modelo identifica as variáveis que melhor explicam as diferenças nos rácios de sobrevivência. Este processo não “substitui” a epidemiologia clássica, mas revela padrões difíceis de detetar com métodos tradicionais, sobretudo quando muitos fatores interagem ao mesmo tempo.

De descrever desigualdades a dizer aos governos onde atuar

Durante anos, relatórios globais sobre cancro têm documentado desigualdades marcantes entre países. Este trabalho com IA muda o foco: em vez de apenas descrever o problema, propõe ações concretas, ordenadas por impacto e adaptadas ao ponto de partida de cada sistema de saúde.

Em vez de perguntar “porque é que aqui os resultados são piores?”, os decisores podem perguntar “que duas ou três mudanças salvarão mais vidas com o orçamento disponível?”.

Na prática, a ferramenta funciona como um painel de controlo para a política oncológica. Governos e autoridades de saúde podem ajustar “controlos” hipotéticos - mais cobertura, mais capacidade de radioterapia, melhor dotação de profissionais - e simular como essas alterações poderão mudar a sobrevivência ao longo do tempo.

Utilizações potenciais para líderes em saúde

• Definir prioridades de investimento quando os recursos são limitados.
• Verificar se reformas propostas coincidem com as alavancas mais fortes identificadas pelos dados.
• Acompanhar a evolução à medida que se adiciona capacidade ou se expande a cobertura.
• Sustentar pedidos de apoio internacional em áreas específicas, como unidades de radioterapia ou formação de oncologistas.

Isto não garante decisões perfeitas, mas oferece a ministros e planeadores uma base de evidência mais sólida do que regras empíricas ou a simples cópia de políticas de países vizinhos.

Desigualdades expostas: porque varia tanto a sobrevivência

O modelo de IA também clarifica por que razão o mesmo cancro pode quase parecer uma doença diferente consoante o país. Em países de alto rendimento, é mais provável que os doentes sejam diagnosticados mais cedo, consultem rapidamente especialistas e recebam combinações terapêuticas (por exemplo, cirurgia mais radioterapia ou fármacos dirigidos).

Em muitos países de baixo e médio rendimento, o diagnóstico tende a ser tardio, as máquinas de radioterapia são escassas e os custos de transporte ou pagamentos diretos atrasam os cuidados. Por isso, melhorias relativamente modestas na cobertura ou na capacidade de tratamento podem traduzir-se em descidas acentuadas do rácio mortalidade/incidência.

Os dados sublinham que alguns dos maiores ganhos potenciais estão em países que, atualmente, têm menos infraestrutura.

A IA não altera o facto de sistemas de saúde mais ricos terem mais opções, mas pode ajudar países com menos recursos a escolherem os primeiros passos mais eficazes.

O que significa, na prática, “rácio mortalidade/incidência”

O estudo assenta fortemente no rácio mortalidade/incidência, um conceito que pode soar técnico, mas que é simples.

• Incidência: quantos novos casos de cancro são diagnosticados num período.
• Mortalidade: quantas pessoas morrem de cancro nesse mesmo período.
• Rácio: mortes a dividir pelos novos casos.

Se um país registar 100 novos casos de cancro e 40 mortes num ano, o rácio é 0,4. Se outro tiver 100 novos casos e 20 mortes, o rácio é 0,2, sugerindo melhor sobrevivência após o diagnóstico. Embora a métrica não capte todas as nuances, fornece uma forma rápida de comparar a eficácia dos serviços oncológicos após o início da doença.

Benefícios e riscos de depender da IA na política de cancro

Usar IA para orientar a política oncológica tem vantagens claras: os modelos conseguem processar grandes volumes de dados, testar milhares de cenários “e se…?” e revelar conclusões contraintuitivas. Por exemplo, podem indicar que, num país específico, contratar mais enfermeiros de oncologia salvará mais vidas do que comprar mais um equipamento de imagiologia.

Existem, porém, riscos importantes. Se os dados de entrada forem incompletos ou enviesados, as recomendações herdarão esses problemas. Países com registos oncológicos frágeis podem aparentar melhores resultados simplesmente porque casos e mortes não são devidamente contabilizados. Por isso, a transparência sobre como os modelos são construídos, validados e atualizados é decisiva.

A IA pode ser um guia poderoso, mas continua a precisar de julgamento humano, conhecimento local e supervisão ética.

Outra preocupação é que modelos globais podem falhar ao captar barreiras locais - estigma cultural, desconfiança nos serviços, ou obstáculos logísticos em regiões remotas. A combinação de recomendações algorítmicas com consulta no terreno ajuda a reduzir esse desfasamento.

Além disso, para que estas abordagens sejam sustentáveis, é essencial investir em governação de dados: interoperabilidade entre sistemas, qualidade dos registos, e proteção da privacidade de acordo com o RGPD. Sem dados consistentes e comparáveis, mesmo o melhor modelo tenderá a produzir prioridades pouco fiáveis.

Como isto pode mudar os cuidados oncológicos do dia a dia

Para os doentes, o impacto desta IA pode não surgir como uma aplicação ou um chatbot. É mais provável que se torne visível através de tempos de espera mais curtos, centros de tratamento mais próximos ou programas nacionais que passem a cobrir cuidados essenciais antes pagos do próprio bolso.

Imagine um país de rendimento médio em que o modelo mostre que uma expansão moderada do acesso à radioterapia reduzirá rapidamente a mortalidade. Isso pode levar a um plano nacional para instalar equipamentos em hospitais regionais - e não apenas na capital - encurtando deslocações e diminuindo atrasos no tratamento. Ou, quando a alavanca principal é a cobertura, o governo pode optar por subsidiar cuidados oncológicos básicos em hospitais públicos, sabendo que o modelo prevê um benefício relevante na sobrevivência.

À medida que se acumulam dados e os modelos são refinados, estratégias guiadas por IA também podem ser aplicadas dentro de cada país, identificando quais as regiões mais atrasadas e que falhas de serviços mais pesam nos resultados. Isso pode significar reforçar rastreios em zonas rurais, expandir cuidados paliativos, ou investir em laboratórios de anatomia patológica para diagnósticos mais exatos e atempados.

Importa ainda ligar estas decisões ao que acontece antes do tratamento: políticas de prevenção (como controlo do tabaco, vacinação e promoção de estilos de vida saudáveis) e rastreio podem reduzir incidência e melhorar diagnósticos precoces. Mesmo quando o modelo se foca no rácio mortalidade/incidência, a articulação entre prevenção, diagnóstico e capacidade terapêutica tende a multiplicar ganhos.

Por trás da linguagem técnica, o princípio mantém-se simples: usar ferramentas orientadas por dados para ajustar cada sistema de saúde às poucas mudanças com maior probabilidade de salvar o maior número de vidas por cancro - com a máxima rapidez e equidade possível.