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

En muchas partes del mundo, detectar el cáncer a tiempo es la diferencia entre la vida y la muerte. Para las mujeres en Ghana, dos tipos de cáncer —el de mama y el de cuello uterino— son preocupaciones de salud importantes. La forma más eficaz de detectarlos precozmente es mediante el cribado: un chequeo sencillo donde un médico examina el pecho o analiza el cuello uterino. Sin embargo, acceder a estos servicios no es igual para todos. Estudios previos han demostrado que la riqueza y la educación actúan como porteros; las mujeres con más dinero y más estudios tienen muchas más probabilidades de someterse al cribado que aquellas con menos. Este patrón es bien conocido, pero generalmente se ha visto a través de una lente amplia, observando regiones enteras o el país en su conjunto. Este enfoque trata a una región como un único bloque de color, ocultando el hecho de que las condiciones pueden cambiar drásticamente a pocos kilómetros de distancia. También se basa en métodos estadísticos estándar que asumen que las relaciones son simples y de líneas rectas, lo que podría pasar por alto formas complejas en las que interactúan diferentes factores.

Un equipo de investigadores en Ghana decidió mirar más de cerca. Se preguntaron si el patrón de quién se somete al cribado cambia en puntos específicos y pequeños de tierra que los mapas regionales estándar pasan por alto. También querían ver si las herramientas modernas de aprendizaje computacional podían predecir mejor quién tiene probabilidades de ser cribada que los métodos tradicionales, sin necesidad de conocer la ubicación exacta de cada mujer. Al combinar mapas detallados con modelos computacionales avanzados, pretendían crear una imagen más nítida de la desigualdad en salud, una que pudiera ayudar a los responsables de la salud a dirigir sus esfuerzos con mayor precisión.

Los investigadores recurrieron a un conjunto de datos masivo llamado Encuesta Demográfica y de Salud de Ghana de 2022. Esta encuesta entrevistó a miles de mujeres en todo el país, preguntándoles sobre su salud, sus hogares y si alguna vez habían recibido un examen de mama o una prueba de cuello uterino. El equipo se centró en mujeres de entre 25 y 49 años, un grupo con mayor riesgo de padecer estos cánceres. Vincularon las respuestas de la encuesta con las ubicaciones geográficas específicas donde tuvieron lugar las entrevistas. Aunque las coordenadas exactas se desplazaron ligeramente para proteger la privacidad de las participantes, eran lo suficientemente precisas como para mostrar patrones al nivel de pequeñas comunidades, conocidas como conglomerados, en lugar de solo grandes regiones administrativas.

Primero, el equipo mapeó los datos para ver si el cribado ocurría en puntos aleatorios o si se agrupaba. Encontraron que, definitivamente, se agrupaba. Las áreas donde las mujeres se sometían al cribado con frecuencia solían estar rodeadas de otras áreas donde el cribado también era común. Por el contrario, las áreas con bajas tasas de cribado tendían a ser vecinas de otras áreas de bajas tasas. Este agrupamiento fue significativo tanto para el cáncer de mama como para el de cuello uterino, pero fue más fuerte para los exámenes de mama. Al hacer zoom, vieron "puntos calientes" de alta actividad de cribado concentrados alrededor de la capital, Accra, y partes de las regiones central y sur. En contraste, los "puntos fríos" donde el cribado era raro estaban fuertemente concentrados en las partes del norte del país. Esto confirmó que la división entre el norte y el sur es real, pero también reveló que el problema no es uniforme incluso dentro de esas grandes áreas; existen focos específicos de necesidad que un promedio regional amplio ocultaría.

A continuación, los investigadores construyeron un modelo computacional para predecir qué mujeres tienen probabilidades de someterse al cribado basándose en sus circunstancias personales. Alimentaron el modelo con información sobre la edad, la educación, la riqueza, el lugar donde vivían y si tenían seguro médico. Crucialmente, no le dijeron a la computadora la ubicación específica de las mujeres. En su lugar, dejaron que el modelo aprendiera los patrones a partir de los detalles personales únicamente. Para asegurarse de que el modelo realmente estaba aprendiendo y no solo memorizando los datos, utilizaron un método de prueba ingenioso. Dividieron los datos en grupos basados en las comunidades, no en los individuos. Esto significó que, cuando se probaba la computadora, esta tenía que predecir los hábitos de cribado de mujeres de comunidades que nunca había visto antes. Esto evitó que el modelo utilizara conocimiento local que no debería haber tenido.

El modelo computacional funcionó razonablemente bien, distinguiendo correctamente entre las mujeres que probablemente se someterían al cribado y las que no, con un AUC de 0,71 a 0,73. Los factores más importantes que impulsaron estas predicciones fueron la educación y la riqueza. Las mujeres con mayor educación y más dinero fueron predichas consistentemente con mayores tasas de cribado. La edad también desempeñó un papel, siendo las mujeres de mayor edad en el grupo ligeramente más propensas a realizarse el cribado. Curiosamente, la región específica donde vivía una mujer importaba menos una vez que se tuvieron en cuenta su educación y su riqueza. Esto sugiere que la razón por la que algunas regiones se ven diferentes en un mapa es, en gran medida, porque las personas que viven allí tienen diferentes niveles de educación e ingresos, más que porque la región en sí tenga alguna cualidad única y no explicada.

El estudio también analizó qué tan desigual es realmente el acceso al cribado. Cuando calcularon la brecha entre ricos y pobres, encontraron un giro sorprendente dependiendo de cómo midieran. Para el cáncer de cuello uterino, la brecha parecía enorme porque muy pocas mujeres se sometían a la prueba en general, lo que hacía que las ricas parecieran tener una ventaja masiva. Sin embargo, cuando los investigadores ajustaron las matemáticas para tener en cuenta el hecho de que las cifras generales eran tan bajas, la imagen cambió. Los números ajustados sugirieron que la brecha para los exámenes de mama era en realidad más concentrada entre las mujeres más ricas que la brecha para las pruebas de cuello uterino. En otras palabras, aunque ambos servicios están sesgados hacia los ricos, la desigualdad en el cribado de mama está más estrechamente empaquetada alrededor de las mujeres más ricas.

A pesar de estos hallazgos detallados, los investigadores son cuidadosos de no afirmar que han resuelto el problema o que sus mapas están listos para ser usados como una guía final para los funcionarios de salud. El modelo computacional fue bueno prediciendo basándose en detalles personales, pero no fue probado en áreas completamente nuevas fuera de los datos de la encuesta, por lo que podría no funcionar perfectamente si se aplicara en otros lugares. Los mapas que muestran los puntos calientes y fríos también fueron tratados como exploratorios; señalan áreas de probable necesidad, pero no fueron confirmados estadísticamente con el más alto nivel de certeza porque los investigadores no aplicaron una corrección estricta para probar tantos puntos pequeños a la vez. Además, el estudio no pudo probar que vivir en una zona pobre cause que una mujer omita el cribado; solo mostró que ambas cosas suceden juntas.

El valor último de este trabajo reside en su capacidad para mostrar las capas ocultas de un problema de salud pública. Al ir más allá de los promedios regionales amplios y utilizar herramientas que pueden manejar patrones complejos, los investigadores demostaron que la historia del cribado del cáncer en Ghana es más matizada que una simple división norte-sur. Demostraron que, si bien la riqueza y la educación son los principales motores de quién se somete al cribado, estos factores no están distribuidos uniformemente por el paisaje. Existen comunidades específicas, incluso dentro de regiones más ricas, que están siendo dejadas atrás, y focos específicos en regiones más pobres que están funcionando mejor de lo esperado. Este nivel de detalle ofrece una nueva forma de pensar en la canalización de recursos, sugiriendo que los planificadores de salud podrían necesitar observar la composición específica de las pequeñas comunidades en lugar de solo el promedio de una gran región. El estudio sirve como una prueba de concepto de que combinar el mapeo espacial con herramientas predictivas modernas puede revelar la letra pequeña de la desigualdad en salud, ofreciendo una visión más clara, aunque todavía imperfecta, de dónde se necesita ayuda más.