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

Il tumore della cervice uterina è una malattia che può essere fermata prima che diventi fatale, eppure rimane una delle principali cause di morte per le donne in molte parti del mondo. La soluzione è semplice nel concetto ma difficile nella pratica: lo screening regolare permette ai medici di trovare e trattare i primi segni della malattia molto prima che compaiano i sintomi. Nelle nazioni ricche, programmi organizzati hanno reso questo screening una routine, riducendo drasticamente i decessi. Tuttavia, in paesi come l'Etiopia, dove le risorse sono scarse e le comunità sono vaste, far sì che le donne accedano a questi servizi di screening è una sfida enorme. Gli sforzi attuali si affidano spesso ad approcci generalisti, un approccio "taglia unica", che mancano le donne specifiche che hanno più bisogno di aiuto. Per risolvere questo problema, i ricercatori si stanno rivolgendo a un tipo diverso di strumento: modelli informatici che apprendono dai dati per prevedere il comportamento umano. Questi modelli non tirano a indovinare; analizzano migliaoli di record passati per trovare schemi nascosti in ciò che rende una donna propensa a cercare cure o a evitarle.

Un team di ricercatori in Etiopia ha recentemente applicato questo approccio a una domanda critica: chi tra i milioni di donne in età fertile del paese è più probabile che salti lo screening del tumore della cervice uterina, e perché? Utilizzando l'ultimo sondaggio nazionale sulla salute, che ha raccolto informazioni su oltre 15.000 donne in tutto il paese, hanno costruito un sofisticato sistema informatico progettato per apprendere le ragioni complesse dietro le decisioni di screening. Invece di affidarsi a semplici regole, il team ha addestrato sei diversi tipi di algoritmi di apprendimento, insegnando loro a riconoscere le sottili combinazioni di fattori — come l'istruzione, la ricchezza e l'accesso alle informazioni — che spingono una donna a sottoporsi allo screening. L'obiettivo non era solo comprendere il passato, ma creare uno strumento affidabile che potesse aiutare gli operatori sanitari in futuro a identificare le donne che non hanno mai effettuato lo screening e a rivolgersi a loro con il supporto giusto.

Lo studio è iniziato con un enorme dataset che rappresenta la popolazione etiope, catturando dettagli che vanno dall'età di una donna e dal luogo in cui vive alla sua conoscenza della malattia e alla sua capacità di prendere decisioni sulla propria salute. I ricercatori hanno scoperto che il tasso di screening nazionale era allarmantemente basso, con solo circa il 4% delle donne che avesse mai effettuato lo screening. Ciò significava che, per ogni 100 donne nello studio, 96 non avevano mai ricevuto questo controllo salvavita. I dati hanno rivelato divisioni nette: le donne nelle città avevano molta più probabilità di essere sottoposte a screening rispetto a quelle nei villaggi rurali, e le donne con un livello di istruzione o una ricchezza maggiore avevano molta più probabilità di accedere ai servizi rispetto a quelle che ne erano prive. Fondamentalmente, i ricercatori hanno scoperto che conoscere il tumore della cervice era il singolo predittore più forte del fatto che una donna si sottoponesse allo screening, eppure la stragrande maggioranza delle donne nello studio non ne aveva mai sentito parlare.

Per dare senso a questi schemi complessi, i ricercatori hanno testato diversi metodi di apprendimento informatico. Hanno scoperto che un tipo specifico di algoritmo avanzato, noto come extreme gradient boosting, era di gran lunga superiore ai metodi statistici tradizionali solitamente usati nella sanità pubblica. Mentre i metodi standard potevano identificare tendenze generali, questo modello avanzato poteva vedere l'intricata rete di fattori che influenzano la decisione di una donna. Ad esempio, ha imparato che l'istruzione da sola non era sufficiente; il beneficio dell'istruzione veniva moltiplicato quando una donna viveva anche in un'area urbana. Allo stesso modo, la conoscenza della malattia portava allo screening solo quando una donna aveva anche il potere di prendere le proprie decisioni sanitarie senza dover chiedere il permesso a un partner. Il modello era così accurato che poteva distinguere tra le donne che avevano effettuato lo screening e quelle che non lo avevano fatto con un livello di precisione che superava di gran lunga i tentativi precedenti.

Uno dei passi più importanti compiuti dal team è stato garantire che le previsioni del computer fossero oneste e affidabili. I modelli informatici complessi spesso diventano eccessivamente sicuri di sé, prevedendo probabilità troppo alte o troppo basse. I ricercatori hanno utilizzato una tecnica chiamata calibrazione per regolare l'output del modello, assicurandosi che se il modello prevedeva una probabilità del 10% che una donna venisse sottoposta a screening, quella probabilità corrispondesse alla realtà. Dopo questa regolazione, il modello è diventato una guida affidabile. Ha dimostrato che concentrandosi su domande specifiche e non invasive — come se una donna avesse sentito parlare della malattia, se avesse visitato una clinica di recente e quanta autonomia avesse nelle proprie scelte sanitarie — gli operatori sanitari potevano identificare accuratamente le donne ad alto rischio di non ricevere mai lo screening.

Lo studio ha anche utilizzato un metodo per spiegare esattamente come il computer fosse giunto alle sue conclusioni, rompendo la "scatola nera" dell'algoritmo per mostrare la logica umana dietro i numeri. Questa analisi ha confermato che i motori più potenti per lo screening erano la consapevolezza della malattia, il possesso di un'istruzione secondaria o superiore e la libertà di compiere le proprie scelte sanitarie. Ha anche evidenziato che il contatto recente con il sistema sanitario, come una visita in clinica per la vaccinazione di un bambino o per le cure prenatali, era un segnale forte che una donna era pronta per lo screening del tumore della cervice. Questi risultati suggeriscono che le barriere allo screening non riguardano solo la distanza o il costo, ma sono profondamente radicate nella conoscenza, l'autonomia e la struttura della vita quotidiana.

I ricercatori propongono che questo modello informatico calibrato possa essere integrato direttamente nei tablet mobili utilizzati dai migliaia di operatori sanitari di comunità in Etiopia. Mentre questi operatori visitano le case, potrebbero inserire risposte semplici a poche domande e il sistema segnalerebbe istantaneamente le donne che non hanno mai effettuato lo screening e spiegherebbe il perché. Inveve di indovinare quali famiglie dare la priorità, gli operatori sanitari potrebbero concentrare il loro tempo e le loro limitate risorse sulle donne che ne hanno più bisogno, offrendo consigli su misura e organizzando i rinvii alle strutture specialistiche. Questo approccio sposta la sanità pubblica da uno sforzo dispersivo e generico a una strategia precisa e mirata. Usando i dati per comprendere le barriere specifiche di ogni donna, il paese può iniziare a colmare il divario tra le donne che sono protette e quelle che rimangono vulnerabili, trasformando un complesso modello statistico in uno strumento pratico per salvare vite.