Predicting Cervical Cancer Screening Utilization Among Women of Reproductive Age in Ethiopia Using Supervised Machine Learning: A Nationally Representative 2024/25 EDHS Study

El cáncer cervical es una enfermedad que puede detenerse antes de que sea mortal, pero sigue siendo una de las principales causas de muerte para las mujeres en muchas partes del mundo. La solución es sencilla en concepto pero difícil en la práctica: el tamizaje regular permite a los médicos encontrar y tratar los signos tempranos de la enfermedad mucho antes de que aparezcan los síntomas. En las naciones ricas, los programas organizados han hecho que este tamizaje sea rutinario, reduciendo drásticamente las muertes. Sin embargo, en países como Etiopía, donde los recursos son limitados y las comunidades son vastas, lograr que las mujeres accedan a estos servicios de tamizaje es un desafío masivo. Los esfuerzos actuales suelen depender de enfoques amplios de "talla única" que pasan por alto a las mujeres específicas que más ayuda necesitan. Para resolver esto, los investigadores están recurriendo a un tipo diferente de herramienta: modelos computacionales que aprenden de los datos para predecir el comportamiento humano. Estos modelos no adivinan; analizan miles de registros pasados para encontrar patrones ocultos en lo que hace que una mujer busque atención o se aleje de ella.

Un equipo de investigadores en Etiopía aplicó recientemente este enfoque a una pregunta crítica: ¿quién entre los millones de mujeres en edad reproductiva del país tiene más probabilidades de omitir el tamizaje de cáncer cervical, y por qué? Utilizando la encuesta nacional de salud más reciente, que recopiló información de más de 15,000 mujeres en todo el país, construyeron un sistema computacional sofisticado diseñado para aprender las razones complejas detrás de las decisiones de tamizaje. En lugar de depender de reglas simples, el equipo entrenó seis tipos diferentes de algoritmos de aprendizaje, enseñándoles a reconocer las sutiles combinaciones de factores —como la educación, la riqueza y el acceso a la información— que impulsan a una mujer a realizarse el tamizaje. El objetivo no era solo comprender el pasado, sino crear una herramienta confiable que pudiera ayudar a los trabajadores de la salud en el futuro a identificar a las mujeres que nunca se han realizado el tamizaje y dirigirse a ellas con el apoyo adecuado.

El estudio comenzó con un conjunto de datos masivo que representaba a la población etíope, capturando detalles que iban desde la edad de la mujer y el lugar donde vive hasta su conocimiento sobre la enfermedad y su capacidad para tomar sus propias decisiones de salud. Los investigadores descubrieron que la tasa nacional de tamizaje era alarmantemente baja, con solo alrededor del 4 por ciento de las mujeres que alguna vez se habían realizado un tamizaje. Esto significaba que, por cada 100 mujeres en el estudio, 96 nunca habían recibido este chequeo vital. Los datos revelaron divisiones marcadas: las mujeres en las ciudades tenían muchas más probabilidades de realizarse el tamizaje que las de las aldeas rurales, y las mujeres con mayor educación o más riqueza tenían mucha más probabilidad de acceder a los servicios que aquellas sin ellas. Crucialmente, los investigadores descubrieron que conocer sobre el cáncer cervical era el predictor más fuerte de si una mujer se realizaría el tamizaje, pero la gran mayoría de las mujeres en el estudio ni siquiera había oído hablar de la enfermedad.

Para dar sentido a estos patrones complejos, los investigadores probaron varios métodos diferentes de aprendizaje computacional. Descubrieron que un tipo específico de algoritmo avanzado, conocido como potenciación de gradiente extremo (extreme gradient boosting), era muy superior a los métodos estadísticos tradicionales que se utilizan habitualmente en la salud pública. Mientras que los métodos estándar podían identificar tendencias generales, este modelo avanzado podía ver la intrincada red de factores que influyen en la decisión de una mujer. Por ejemplo, aprendió que la educación por sí sola no era suficiente; el beneficio de la educación se multiplicaba cuando una mujer también vivía en un área urbana. Del mismo modo, conocer la enfermedad solo conducía al tamizaje cuando la mujer también tenía el poder de tomar sus propias decisiones de salud sin necesidad de permiso de una pareja. El modelo fue tan preciso que podía distinguir entre las mujeres que se habían realizado el tamizaje y las que no, con un nivel de precisión que superaba con creces los intentos previos.

Uno de los pasos más importantes que dio el equipo fue asegurar que las predicciones de la computadora fueran honestas y confiables. Los modelos computacionales complejos a menudo se vuelven excesivamente confiados, prediciendo probabilidades que son demasiado altas o demasiado bajas. Los investigadores utilizaron una técnica llamada calibración para ajustar la salida del modelo, asegurando que si el modelo predecía una probabilidad del 10 por ciento de que una mujer se realizara el tamizaje, esa probabilidad coincidiera con la realidad. Después de este ajuste, el modelo se convirtió en una guía confiable. Mostró que, al centrarse en preguntas específicas y no invasivas —como si una mujer ha oído hablar de la enfermedad, si ha visitado una clínica recientemente y cuánto control tiene sobre su propia atención médica—, los trabajadores de la salud podrían identificar con precisión a las mujeres con alto riesgo de no realizarse nunca el tamizaje.

El estudio también utilizó un método para explicar exactamente cómo la computadora llegó a sus conclusiones, desglosando la "caja negra" del algoritmo para mostrar la lógica humana detrás de los números. Este análisis confirmó que los impulsores más poderosos para el tamizaje eran la conciencia de la enfermedad, tener una educación secundaria o superior y la libertad de tomar las propias decisiones de salud. También destacó que el contacto reciente con el sistema de salud, como visitar una clínica para la vacunación de un hijo o para el control prenatal, era una señal fuerte de que una mujer estaba lista para el tamizaje de cáncer cervical. Estos hallazgos sugieren que las barreras para el tamizaje no son solo cuestión de distancia o costo, sino que están profundamente arraigadas en el conocimiento, la autonomía y la estructura de la vida diaria.

Los investigadores proponen que este modelo computacional calibrado podría integrarse directamente en las tabletas móviles utilizadas por los miles de trabajadores de salud comunitaria de Etiopía. Mientras estos trabajadores visitan los hogares, podrían ingresar respuestas sencillas a unas pocas preguntas, y el sistema identificaría instantáneamente a las mujeres que nunca se han realizado el tamizaje y explicaría por qué. En lugar de adivinar qué hogares priorizar, los trabajadores de la salud podrían concentrar su tiempo y recursos limitados en las mujeres que más lo necesitan, ofreciendo asesoramiento personalizado y gestionando derivaciones. Este enfoque mueve la salud pública de un esfuerzo amplio y disperso hacia una estrategia precisa y dirigida. Al usar los datos para comprender las barreras específicas que enfrenta cada mujer, el país puede comenzar a cerrar la brecha entre las mujeres que están protegidas y aquellas que permanecen vulnerables, convirtiendo un complejo modelo estadístico en una herramienta práctica para salvar vidas.