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

世界の多くの地域において、がんを早期に発見できるかどうかは、生と死を分ける境界線となります。ガーナの女性にとって、乳がんと子宮頸がんという2種類のがんは重大な健康上の懸念事項です。これらを早期に捉える最も効果的な方法はスクリーニング（検診）です。これは医師が乳房を診察したり、子宮頸部を検査したりする簡単な定期健診のことです。しかし、これらのサービスを受けることはすべての人に対して平等ではありません。過去の研究では、富と教育が「門番」として機能していることが示されています。より多くのお金を持ち、より高い学歴を持つ女性は、そうでない女性よりも受診率がはるかに高いのです。このパターンはよく知られていますが、通常は広範な視点から、あるいは地域全体や国全体を一括りにして見てきました。このアプローチは、地域を一つの単色のブロックのように扱うため、わずか数マイル離れただけで状況が劇的に変化するという事実を見落としがちです。また、標準的な統計手法は関係性が単純で直線的であることを前提としているため、異なる要因がどのように複雑に相互作用するかという側面を見逃してしまう可能性があります。

ガーナの研究チームは、より詳しく調査することに決めました。彼らは、標準的な地域の地図が見逃してしまうような特定の小さな土地の区画においても、誰がスクリーニングを受けるかのパターンが変化するかどうかを問い直しました。また、現代的なコンピュータ学習ツールを用いることで、個々の女性の正確な位置を知ることなく、従来の形式よりも精度高く、誰がスクリーニングを受けやすいかを予測できるかどうかについても検証したいと考えました。詳細な地図と高度なコンピュータモデルを組み合わせることで、保健当局がより精密に対策を講じることができるよう、健康格差のより鮮明な姿を描き出すことを目指したのです。

研究者たちは、「2022年ガーナ人口保健調査」と呼ばれる大規模なデータセットを活用しました。この調査では全国の数千人の女性にインタビューを行い、彼女たちの健康状態、家庭環境、そして乳房検査や子宮頸部のテストを受けたことがあるかどうかについて尋ねています。チームは対象を、リスクが最も高いグループである25歳から49歳の女性に絞りました。彼らは調査回答を、インタビューが行われた具体的な地理的位置に関連付けました。なお、参加者のプライバシーを守るために正確な座標はわずかにずらしてありますが、それは行政区分のような大きな領域ではなく、「クラスター」と呼ばれる小規模なコミュニティ単位でのパターンを示すのに十分な精度を持っていました。

まず、チームはデータをマッピングし、スクリーニングがランダムに行われているのか、それとも集団化しているのかを確認しました。その結果、明らかに集団化していることが分かりました。頻繁にスクリーニングを受けている女性がいるエリアは、周囲も同様にスクリーニングが盛んなエリアであることが多い一方、スクリーニング率が低いエリアは、近隣の低率なエリアと隣接していました。このクラスタリング現象は乳房検査と子宮頸がんの両方で見られましたが、特に乳房検査において顕著でした。さらにズームインしてみると、首都アクラ周辺および中部・南部の一部に、高いスクリーニング活動の「ホットスポット」が集まっていることが見えてきました。対照的に、スクリーニングが稀な「コールドスポット」は、国の北部地域に集中していました。これにより、南北の格差が現実のものであることが確認されましたが、同時に問題はそれらの広い地域内でも一様ではないことも明らかになりました。つまり、広域な地域平均では隠されてしまうような、特定のニーズが存在するポケットがあるということです。

次に、研究者は個人の境遇に基づいてどの女性がスクリーニングを受ける可能性が高いかを予測するためのコンピュータモデルを構築しました。モデルには年齢、教育、富、居住地、および健康保険の有無に関する情報を入力しました。決定的なのは、コンピュータに対し、女性の具体的な場所を教えなかったことです。代わりに、個人情報の詳細のみからパターンを学習させました。モデルが本当に学習を行っているのか、単にデータを暗記しているだけなのかを確認するために、巧妙なテスト方法を用いました。具体的には、データを個人ごとではなく、コミュニティごとに分割してテストを行ったのです。これにより、テスト時にコンピュータは見たことのないコミュニックの女性たちのスクリーニング習慣を予測しなければならなくなりました。こうすることで、本来持つべきではないローカルな知識を利用することを防ぎました。

コンピュータモデルは合理的な性能を示し、AUC 0.71から0.73という数値をもって、スクリーニングを受ける可能性のある女性とそうでない女性を正しく判別できました。予測を左右する最も重要な要因は教育と富でした。高学歴かつ裕福な女性は、一貫してスクリーニング率が高くなると予測されました。年齢も役割を果たしており、グループ内の高齢の女性の方が、やや受診しやすい傾向がありました。興味深いことに、女性の住んでいる特定の地域は、教育レベルや富の度合いが考慮されると、それほど重要ではなくなりました。これは、ある地域がマップ上で異なって見える理由は、その地域自体に特有の説明できない性質があるのではなく、そこに住む人々の教育水準や所得層の違いに起因していることを示唆しています。

研究はまた、スクリーニングへのアクセスがいかに不平等であるかも調べました。富裕層と貧困層の間のギャップを計算した際、測定方法によって驚くべき違いが現れました。子宮頸がんについては、全体の受診率があまりにも低いため、富裕層の優位性が非常に大きく見えました。しかし、全体の数字が極めて低いことを考慮するように数学的な調整を加えると、図式が変わりました。調整後の数値によれば、乳房検査における格差は、子宮頸部のテストと比較して、むしろ富裕層により密接に集中していたのです。言い換えれば、どちらのサービスも富裕層に偏っていますが、乳房スクリーニングにおける不平等は、最も裕福な女性たちに強く結びついているということになります。

こうした詳細な知見を得た一方で、研究者たちは、自分たちが問題を解決したとか、作成した地図が保健当局のための最終的なガイドとなる準備ができているといった主張をするつもりはない、と慎重な姿勢を示しています。コンピュータモデルは個人の詳細に基づく予測においては優秀でしたが、調査データの範囲外にある全く新しい地域についてはテストされていないため、他の場所に適用した場合に完璧に機能するとは限りません。また、ホットスポットやコールドスポットを示す地図はあくまで探索的なものとして扱われています。なぜなら、多数の小さな領域を一度にテストするための厳格な補正を行っていないため、最高レベルの確実性をもって統計的に裏付けられたものではないからです。さらに、本研究は、貧しい地域に住むことが女性にスクリーニングを回避させる直接的な原因であることを証明したわけではなく、両者が併発していることを示したに過ぎないという点にも注意が必要です。

この研究の究極の価値は、公衆衛生の問題に含まれる「隠された階層」を示す能力にあります。広範な地域平均を超えた分析を行い、複雑なパターンを処理できるツールを使用することで、研究者たちは、ガーナにおけるがんスクリーニングの物語が、単なる南北の分断よりもずっと微細なものであることを示しました。彼らは、富と教育が主な推進力でありながら、これらの要素が景観の中に均等に分布しているわけではないことを立証しました。裕福な地域の中であっても取り残されている特定のコミュニティがあり、逆に貧しい地域の中でも予想以上に良好な状況にある特定の部分もあります。このレベルの詳細さは、リソース配分のターゲット設定に対する新たな考え方を提示します。すなわち、保健計画担当者は、単に大きな地域の平均を見るのではなく、小さなコミュニティの構成内容に着目する必要があるかもしれないということです。本研究は、空間のマッピングと現代的な予測ツールの組み合わせが、いかに健康格差の精緻な記述を可能にするかを示す概念実証となっており、どこに助けが必要であるかについての、より明確な（たとえ未完成であったとしても）展望を提供しています。