Spatial and Machine Learning Analysis of Breast and Cervical Cancer Screening Uptake in Ghana: Evidence from the 2022 Ghana Demographic and Health Survey

In vielen Teilen der Welt ist die Früherkennung von Krebs der Unterschied zwischen Leben und Tod. Für Frauen in Ghana sind zwei Krebsarten – Brust- und Gebärmutterhalskrebs – große gesundheitliche Probleme. Der effektivste Weg, sie frühzeitig zu entdecken, ist das Screening: eine einfache Untersuchung, bei der ein Arzt die Brust untersucht oder den Gebärmutterhals testet. Der Zugang zu diesen Leistungen ist jedoch nicht für alle gleich. Frühere Studien haben gezeigt, dass Wohlstand und Bildung als Gatekeeper fungieren; Frauen mit mehr Geld und mehr Schulbildung lassen sich weitaus häufiger untersuchen als Frauen mit weniger. Dieses Muster ist bekannt, wurde aber meist durch eine breite Linse betrachtet, indem ganze Regionen oder das Land als Ganzes betrachtet wurden. Dieser Ansatz behandelt eine Region wie einen einfarbigen Block, was die Tatsache verschleiert, dass sich die Bedingungen nur wenige Kilometer entfernt drastisch ändern können. Er stützt sich zudem auf Standard-Statistikmethoden, die davon ausgehen, dass Beziehungen einfach und geradlinig sind, wodurch komplexe Arten der Interaktion verschiedener Faktoren möglicherweise übersehen werden.

Ein Forscherteam in Ghana beschloss, genauer hinzusehen. Sie fragten sich, ob sich das Muster dessen, wer ein Screening erhält, in spezifischen, kleinen Landstrichen ändert, die standardmäßige regionale Karten übersehen. Sie wollten auch sehen, ob moderne computergestützte Lernwerkzeuge die Wahrscheinlichkeit eines Screenings besser vorhersagen können als traditionelle Methoden, ohne den exakten Standort jeder einzelnen Frau kennen zu müssen. Durch die Kombination von detaillierten Karten mit fortschrittlichen Computermodellen zielten sie darauf ab, ein schärferes Bild der gesundheitlichen Ungleichheit zu zeichnen, das es Gesundheitsbehörden ermöglichen könnte, ihre Bemühungen präziser auszurichten.

Die Forscher wandten sich an einen massiven Datensatz namens 2022 Ghana Demographic and Health Survey. Diese Umfrage interviewte tausende Frauen im ganzen Land und fragte nach ihrer Gesundheit, ihrem Zuhause sowie darüber, ob sie jemals eine Brustuntersuchung oder einen Gebärmutterhals-Test erhalten hatten. Das Team konzentrierte sich auf Frauen im Alter zwischen 25 und 49 Jahren, einer Gruppe, die am stärksten gefährdet ist. Sie verknüpften die Antworten der Umfrage mit den spezifischen geografischen Standorten, an denen die Interviews stattfanden. Während die exakten Koordinaten zur Wahrung der Privatsphäre der Teilnehmer leicht verschoben wurden, waren sie präzise genug, um Muster auf der Ebene kleiner Gemeinschaften, bekannt als Cluster, statt nur auf der Ebene großer Verwaltungsregionen aufzuzeigen.

Zuerit kartierte das Team die Daten, um zu sehen, ob das Screening an zufälligen Orten stattfand oder ob es sich häufte. Sie fanden heraus, dass es sich definitiv häufte. Gebiete, in denen Frauen häufig ein Screening erhielten, waren oft von anderen Gebieten umgeben, in denen Screenings ebenfalls verbreitet waren. Umgekehrt tendierten Gebiete mit niedrigen Screening-Raten dazu, Nachbarn von anderen Gebieten mit niedrigen Raten zu sein. Diese Häufung war signifikant sowohl für Brust- als어서 Gebärmutterhalskrebs, war jedoch stärker ausgeprägt bei Brustuntersuchungen. Als sie näher heranzoomten, sahen sie „Hotspots“ hoher Screening-Aktivität, die sich um die Hauptstadt Accra und Teile der zentralen und südlichen Regionen konzentrierten. Im Gegensatz dazu waren „Coldspots“, in denen Screenings selten waren, stark in den nördlichen Teilen des Landes konzentriert. Dies bestätigte, dass die Kluft zwischen Nord und Süd real ist, enthüllte aber auch, dass das Problem innerhalb dieser großen Gebiete nicht einheitlich ist; es gibt spezifische Taschen des Bedarfs, die ein breiter regionaler Durchschnitt verbergen würde.

Als Nächstes baute das Team ein Computermodell, um vorherzusagen, welche Frauen aufgrund ihrer persönlichen Umstände wahrscheinlich ein Screening erhalten würden. Sie fütterten das Modell mit Informationen über Alter, Bildung, Wohlstand, Wohnort und die Frage, ob eine Krankenversicherung bestand. Entscheidend war, dass sie dem Computer nicht den spezifischen Standort der Frauen nannten. Stattdessen ließen sie das Modell die Muster allein aus den persönlichen Details lernen. Um sicherzustellen, dass das Modell wirklich lernte und nicht nur die Daten auswendig lernte, verwendeten sie eine kluge Testmethode. Sie teilten die Daten in Gruppen basierend auf den Gemeinschaften auf, nicht nach den Individuen. Das bedeutete, dass das Modell bei der Testung die Screening-Gewohnheiten von Frauen aus Gemeinschaften vorhersagen musste, die es noch nie gesehen hatte. Dies verhinderte, dass das Modell lokales Wissen nutzte, das es eigentlich nicht haben sollte.

Das Computermodell schnitt mit einem AUC-Wert von 0,71 bis 0,73 recht gut ab und konnte korrekt zwischen Frauen unterscheiden, die wahrscheinlich ein Screening erhalten würden, und solchen, die es nicht tun würden. Die wichtigsten Faktoren, die diese Vorhersagen beeinflussten, waren Bildung und Wohlstand. Frauen mit höherer Bildung und mehr Geld wurden konsistent mit höheren Screening-Raten vorhergesagt. Auch das Alter spielte eine Rolle, wobei ältere Frauen in der Gruppe etwas wahrscheinlicher ein Screening erhielten. Interessanterweise spielte die spezifische Region, in der eine Frau lebte, eine geringere Rolle, sobald ihr Bildungsstand und ihr Wohlstand berücksichtigt wurden. Dies deutet darauf hin, dass der Grund, warum manche Regionen auf einer Karte anders aussehen, primär darin liegt, dass die dort lebenden Menschen über unterschiedliche Bildungs- und Einkommensniveaus verfügen, und nicht etwa, weil die Region selbst eine einzigartige, unerklärliche Qualität besitzt.

Die Studie untersuchte auch, wie ungleich der Zugang zum Screening tatsächlich ist. Als sie die Kluft zwischen Reich und Arm berechneten, ergab sich eine überraschende Wendung, je nachdem, wie sie maßen. Bei Gebärmutterhalskrebs erschien die Kluft riesig, da insgesamt sehr wenige Frauen getestet wurden, was die Reichen mit einem massiven Vorteil erscheinen ließ. Als die Forscher jedoch die Mathematik anpassten, um der Tatsache Rechnung zu tragen, dass die Gesamtzahlen so niedrig waren, änderte sich das Bild. Die bereinigten Zahlen deuteten darauf an, dass die Kluft bei Brustuntersuchungen tatsächlich stärker unter den Wohlhabenden konzentriert war als bei Gebärmutterhals-Tests. Mit anderen Worten: Während beide Leistungen zugunsten der Reichen verschoben sind, ist die Ungleichheit bei der Brustuntersuchung enger um die wohlhabendsten Frauen gruppiert.

Trotz dieser detaillierten Ergebnisse sind die Forscher vorsichtig damit, zu behaupten, sie hätten das Problem gelöst oder ihre Karten seien bereit, als endgültiger Leitfaden für Gesundheitsbehörden zu dienen. Das Computermodell war gut darin, basierend auf persönlichen Details vorherzusagen, wurde aber nicht an völlig neuen Gebieten außerhalb der Umfragedaten getestet, wessoeben könnte es nicht perfekt funktionieren, wenn es an anderen Orten angewendet wird. Auch die Karten, die Hotspots und Coldspots zeigten, wurden als explorativ behandelt; sie deuten auf wahrscheinliche Bedarfsgebiete hin, wurden aber nicht mit höchster statistischer Sicherheit verifiziert, da die Forscher keine strikte Korrektur für das Testen so vieler kleiner Gebiete gleichzeitig angewandt haben. Darüber hinaus konnte die Studie nicht beweisen, dass das Leben in einem armen Gebiet eine Frau dazu bringt, auf ein Screening zu verzichten; sie zeigte lediglich, dass diese beiden Dinge zusammen auftreten.

Der eigentliche Wert dieser Arbeit liegt in ihrer Fähigkeit, die verborgenen Schichten eines Problem der öffentlichen Gesundheit aufzuzeigen. Indem sie über breite regionale Durchschnittswerte hinausgingen und Werkzeuge verwendeten, die komplexe Muster handhaben können, zeigten die Forscher, dass die Geschichte des Krebs-Screenings in Ghana nuancierter ist als eine einfache Nord-Süd-Teilung. Sie demonstrierten, dass zwar Wohlstand und Bildung die primären Treiber dafür sind, wer ein Screening erhält, diese Faktoren jedoch nicht gleichmäßig über die Landschaft verteilt sind. Es gibt spezifische Gemeinschaften, selbst in wohlhabenderen Regionen, die zurückgelassen werden, und spezifische Taschen in ärmeren Regionen, die besser abschneiden als erwartet. Diese Detailtiefe bietet einen neuen Weg, um Ressourcen gezielter einzusetzen, und legt nahe, dass die Gesundheitsplanung eher auf die spezifische Zusammensetzung kleiner Gemeinschaften schauen muss als nur auf den Durchschnitt einer großen Region. Die Studie dient als Beweis für das Konzept, dass die Kombination von räumlicher Kartierung mit modernen prädiktiven Werkzeugen die Details der gesundheitlichen Ungleichheit offenlegen kann und so eine klarere, wenn auch noch unvollkommene Sicht auf die Bereiche bietet, in denen Hilfe am dringendsten benötigt wird.