人工智能揭示了全球各地癌症存活率存在巨大差异的原因，并凸显了各国医疗体系中最为关键的影响因素。

研究人员首次运用机器学习（一种人工智能形式），精准锁定与全球几乎所有国家癌症患者生存率最为密切相关的因素。

今日（1月13日），这项研究结果发表于顶级癌症期刊《肿瘤学年鉴》（Annals of Oncology）。该研究不仅揭示了全球癌症治疗的大趋势，更深入剖析了具体政策举措或体系优化如何能最有效地提升各国癌症患者的生存率。研究团队开发了一款在线工具，用户可借此选择特定国家，深入探究国民收入、放疗可及性、全民医保覆盖等要素与癌症治疗成效之间的紧密关联。

将数据转化为可执行的政策指引

美国纽约纪念斯隆 - 凯特琳（MSK）癌症中心放射肿瘤科住院医师、该研究联合负责人爱德华·克里斯托弗·迪博士强调，各国癌症治疗结果差异巨大。“全球癌症治疗结果大相径庭，这很大程度上归因于各国卫生体系的差异。我们希望构建一个切实可行、以数据为驱动的框架，助力各国找出最能改善癌症死亡状况、缩小公平差距的政策着力点。”

他补充道，有几个因素反复凸显出来。“我们发现，放射治疗的可及性、全民医疗保障以及经济实力，往往是与国家癌症治疗成效提升相关的重要杠杆。然而，其他关键因素也不容忽视。”

分析来自185个国家的癌症数据

为构建该模型，迪博士及其同事分析了全球癌症观察站（GLOBOCAN 2022）提供的涵盖185个国家的癌症发病率和死亡率数据。他们将这些数据与世界卫生组织、世界银行、联合国各机构以及放射治疗中心名录提供的卫生系统数据相结合。

这些信息涵盖卫生支出占国内生产总值（GDP）的比重、人均GDP、每千人拥有的医生、护士、助产士及外科医护人员数量、全民医保覆盖水平、病理服务可及性、人类发展指标、每千人拥有的放疗中心数量、性别不平等指数，以及自付医疗费用占比。

构建机器学习模型

该机器学习模型由本研究第一作者米利特·帕特尔先生开发。他是美国德克萨斯大学奥斯汀分校以及纪念斯隆-凯特琳癌症中心（MSK）在生物化学、统计学与数据科学、医疗改革与创新领域的研究员。

帕特尔先生解释了选择这种方法的缘由：“我们选择使用机器学习模型，是因为这些模型能够让我们生成针对每个国家的估算值及相关预测。当然，我们也清楚总体人口层面数据存在的局限性，但希望这些研究结果能为全球癌症防治体系的规划提供指引。”

衡量癌症护理成效

该模型聚焦于死亡率-发病率比（MIR），这一指标反映了癌症病例中导致死亡的比例，并可作为衡量一国癌症治疗成效的标尺。为阐明各因素如何影响结果，研究人员采用了一种方法，即通过计算每个变量的贡献度来解释单个预测结果，此方法被称为SHAP（夏普利可加性解释）。

据帕特尔先生所言，其目标在于产生实际影响。“我们的方法不仅限于描述差异，还为政策制定者提供了切实可行、以数据为支撑的路线图，精准指出对每个国家而言，哪些卫生系统投资能产生最大影响。随着全球癌症负担日益加重，这些洞见可助力各国以最为公平、高效的方式调配资源，缩小生存差距。国际组织、医疗服务提供者及倡导者亦可借助这一网络工具，明确投资领域，特别是在资源有限的环境中。”

各国案例凸显不同侧重点

分析显示，最具影响力的因素因国家而异。以巴西为例，全民健康覆盖（UHC）与改善后的死亡率-发病率比值呈现出最显著的正相关关系。目前，其他因素，如病理服务以及每千人中护士和助产士的数量，其影响力似乎相对较小。基于这些发现，研究人员建议，巴西应将扩大全民健康覆盖作为首要任务。

在波兰，放射治疗服务的可及性、人均国内生产总值以及全民健康覆盖指数对癌症治疗结果影响最为显著。这一态势表明，近期加强医疗保险与医疗可及性的举措成效斐然，较之整体卫生支出（其影响相对有限）而言，收获更为丰硕。

日本、美国和英国则呈现出另一番景象。在这些国家，几乎所有卫生体系因素都与更理想的癌症治疗成效息息相关。其中，日本的放疗中心密度对癌症治疗成效的影响最为显著，而人均国内生产总值（GDP）对美国和英国癌症治疗成效的影响最大。这些研究结果为政策制定者指明了可能收获最大成效的方向。

中国的情况则更为复杂。人均国内生产总值（GDP）的提升、全民健康覆盖（UHC）范围的扩大以及放疗中心可及性的增强，是推动癌症治疗效果改善的主要因素。相较而言，自付医疗费用、每千人口外科医生数量以及卫生支出占GDP的比重，目前在解释治疗效果差异方面的作用尚不显著。

研究人员在论文中指出：“即便国家在卫生筹资和医疗可及性方面有所改善，但患者仍需承担高额直接费用，这仍是阻碍癌症治疗取得最佳效果的关键因素。这些研究结果强调，尽管中国卫生体系的快速发展在癌症防控方面取得了显著成效，但在财务保障和覆盖范围方面仍存在差距，因此需要加强政策关注，减少患者自付费用，并进一步强化全民健康覆盖的实施，以最大化发挥卫生体系的作用。”

理解绿色与红色指示灯的含义

帕特尔先生还就如何解读各国图表中显示的绿色和红色条形图作出说明：“绿色条形图代表的是目前看来与某国癌症治疗成效改善关联最为紧密且呈正相关的因素。持续加大在这些领域的投资最有可能产生显著成效。”

他提醒人们不要误解红色条柱的含义。“然而，红色条柱并非表明这些领域不重要或应被忽视。相反，它们反映的是，根据模型和现有数据，这些领域目前不太可能成为解释结果差异最大的因素。这可能是由于这些方面已经表现优异，也可能是受限于可用数据，或是受其他特定情境因素的影响。”

他补充道，关联性较弱并不应成为阻碍持续改进的理由。“重要的是，绝不能将出现‘红色’条视为停止加强癌症治疗这一支柱领域工作的理由——这些领域的改进仍对一个国家的整体卫生系统大有裨益。我们的研究结果只是表明，如果目标是按照模型定义最大限度地改善癌症治疗成果，那么首先关注最具积极影响的（绿色）驱动因素或许是最有效的策略。”

优势、局限与未来之路

该研究的优势在于其覆盖范围几乎遍及全球，采用了最新的国际卫生数据，提供了针对特定国家的政策洞见而非全球平均水平，并采用了更为透明的AI方法。与此同时，研究人员也承认了研究存在的重要局限性。分析依赖于国家级数据而非个体患者记录，各国间的数据质量差异显著，尤其是在低收入地区，且国家层面的趋势可能掩盖了国内的不平等现象。此外，该研究无法证明改变某一特定因素会直接导致癌症治疗结果的改善，仅表明这些变化与更好的结果相关联。

尽管存在这些注意事项，但研究结果仍为确定优先级提供了一项宝贵工具。迪博士总结道：“随着全球癌症负担的加重，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可供政策制定者理解并采取行动的建议，让精准公共卫生成为可能。”

参考信息：M.S. 帕特尔（M.S. Patel）、C.S. 普拉梅什（C.S. Pramesh）、N.N. 桑福德（N.N. Sanford）、E.J.G. 费利西亚诺（E.J.G. Feliciano）、P.L. 阮（P.L. Nguyen）、P. 伊延加尔（P. Iyengar）、T.P. 金厄姆（T.P. Kingham）、J. 威尔曼（J. Willmann）、B.A. 马哈尔（B.A. Mahal）、N.Y. 李（N.Y. Lee）、M.J.K. 马格萨诺克-阿利克帕拉（M.J.K. Magsanoc-Alikpala）、M. 穆泰比（M. Mutebi）、J.F. 吴（J.F. Wu）、J.P.G. 罗布雷多（J.P.G. Robredo）和E.C. 迪（E.C. Dee）于2026年1月14日发表于《肿瘤学年鉴》（Annals of Oncology）的文章《机器学习揭示全球癌症结局的国家特异性驱动因素》。DOI: 10.1016/j.annonc.2025.11.014