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

In veel delen van de wereld is het vroeg ontdekken van kanker het verschil tussen leven en dood. Voor vrouwen in Ghana zijn twee soorten kanker — borst- en baarmoederhalskanker — grote gezondheidszorgen. De meest effectieve manier om ze vroeg te ontdekken is via screening: een eenvoudige controle waarbij een arts de borst onderzoekt of de baarmoederhals test. Het verkrijgen van deze diensten is echter niet voor iedereen hetzelfde. Eerdere studies hebben aangetoond dat rijkdom en opleiding fungeren als poortwachters; vrouwen met meer geld en meer scholing hebben een veel grotere kans om zich te laten screenen dan vrouwen met minder. Dit patroon is bekend, maar is meestal bekeken door een brede lens, waarbij naar hele regio's of het land als geheel wordt gekeken. Deze aanpak behandelt een regio als een enkel blok kleur, waardoor het feit verborgen blijft dat de omstandigheden slechts enkele kilometers verderop drastisch kunnen veranderen. Het vertrouwt ook op standaard statistische methoden die ervan uitgaan dat relaties eenvoudig en rechtlijnig zijn, wat potentieel complexe manieren waarop verschillende factoren met elkaar interageren, kan missen.

Een team van onderzoekers in Ghana besloot nauwkeuriger te kijken. Ze vroegen zich af of het patroon van wie zich laat screenen verandert in specifieke, kleine stukjes land die standaard regionale kaarten missen. Ze wilden ook zien of moderne computerleermethoden (machine learning) beter konden voorspellen wie waarschijnlijk zal worden gescreend dan traditionele methoden, zonder dat de exacte locatie van elke vrouw bekend hoefde te zijn. Door gedetailleerde kaarten te combineren met geavanceerde computermodellen, wilden ze een scherper beeld te krijgen van gezondheidsongelijkheid, een beeld dat gezondheidsfunctionarissen kan helpen hun inspanningen nauwkeuriger te richten.

De onderzoekers maakten gebruik van een enorme dataset genaamd de 2022 Ghana Demographic and Health Survey. Deze enquête interviewde duizenden vrouwen in het hele land en vroeg naar hun gezondheid, hun huis en of ze ooit een borstonderzoek of een baarmoederhalscontrole hebben ondergaan. Het team richtte zich op vrouwen tussen de 25 en 49 jaar, een groep die het meest risico loopt op deze kankersoorten. Ze koppelden de antwoorden uit de enquête aan de specifieke geografische locaties waar de interviews plaatsvonden. Hoewel de exacte coördinaten licht verschoven waren om de privacy van de deelnemers te beschermen, waren ze nauwkeurig genoeg om patronen weer te geven op het niveau van kleine gemeenschappen, bekend als clusters, in plaats van alleen grote administratieve regio's.

Eerst bracht het team de gegevens in kaart om te zien of screening op willekeurige plaatsen plaatsvond of dat het samenklonterde. Ze ontdekten dat het absoluut samenklonterde. Gebieden waar vrouwen frequent werden gescreend, waren vaak omringd door andere gebieden waar screening ook veel voorkwam. Omgekeerd hadden gebieden met lage screeningspercentages de neiging om buren te zijn van andere gebieden met lage percentages. Deze clustering was significant voor zowel borst- als baarmoederhalskanker, maar was sterker voor borstonderzoeken. Wanneer ze inzoomden, zagen ze "hotspots" van hoge screeningactiviteit geconcentreerd rond de hoofdstad Accra en delen van de centrale en zuidelijke regio's. Daarentegen waren "coldspots", waar screening zeldzaam was, sterk geconcentreerd in de noordelijke delen van het land. Dit bevestigde dat de kloof tussen het noorden en het zuidenen echt is, maar het onthulde ook dat het probleem niet uniform is, zelfs niet binnen die grote gebieden; er zijn specifieke zakken van nood die een breed regionaal gemiddelde zou verbergen.

Vervolgens bouwde het team een computermodel om te voorspellen welke vrouwen waarschijnlijk gescreend zouden worden op basis van hun persoonlijke omstandigheden. Ze voerden het model informatie over leeftijd, opleiding, rijkdom, waar ze woonden en of ze een ziektekostenverzekering hadden. Cruciaal was dat ze de computer niet vertelden wat de specifieke locatie van de vrouwen was. In plaats daarvan lieten ze het model de patronen leren van de persoonlijke details alleen. Om er zeker van te zijn dat het model echt leerde en niet alleen de data memoriseerde, gebruikten ze een slimme testmethode. Ze splitsten de data op basis van de gemeenschappen, niet op basis van individuen. Dit betekende dat wanneer de computer werd getest, hij de screeningsgewoonten moest voorspellen van vrouwen uit gemeenschappen die hij nog nooit eerder had gezien. Dit voorkwam dat het model lokale kennis gebruikte die het eigenlijk niet zou mogen hebben.

Het computermodel presteerde redelijk goed en maakte correct onderscheid tussen vrouwen die waarschijnlijk gescreend zouden worden en vrouwen die dat niet zouden worden, met een AUC van 0,71 tot 0,73. De belangrijkste factoren die deze voorspellingen dreven, waren opleiding en rijkdom. Vrouwen met een hogere opleiding en meer geld werden consequent voorspeld te een hogere screeningsfrequentie te hebben. Leeftijd speelde ook een rol; oudere vrouwen in de groep waren iets eerder geneigd om zich te laten screenen. Interessant genoeg deed de specifieke regio waarin een vrouw woonde er minder toe zodra haar opleiding en rijkdom in rekening werden gebracht. Dit suggereert dat de reden waarom sommige regio's er anders uitzien op een kaart, grotendeels komt doordat de mensen die daar wonen een ander niveau van opleiding en inkomen hebben, in plaats van dat de regio zelf een unieke, onverklaarde kwaliteit heeft.

De studie keek ook naar hoe ongelijk de toegang tot screening werkelijk is. Wanneer zij de kloof tussen rijk en arm berekenden, vonden zij een verrassende wending, afhankelijk van hoe zij de meting uitvoerden. Voor baarmoederhalskanker leek de kloof enorm omdat zeer weinig vrouwen in totaal werden getest, waardoor de rijken een enorme voorsprong leken te hebben. Echter, toen de onderzoekers de berekening aanpasten om rekening te houden met het feit dat de algemene aantallen zo laag waren, veranderde het beeld. De aangepaste cijfers suggereerden dat de kloof voor borstonderzoeken eigenlijk meer geconcentreerd was onder de welgestelden dan de kloof voor baarmoederhalscontroles. Met andere woorden: hoewel beide diensten sterk naar de rijken toe neigen, is de ongelijkheid bij borstscreening nauwer gepakt rond de rijkste vrouwen.

Ondanks deze gedetailleerde bevindingen zijn de onderzoekers voorzichtig met de bewering dat ze het probleem hebben opgelost of dat hun kaarten klaar zijn om als definitieve gids te dienen voor gezondheidsfunctionarissen. Het computermodel was goed in het voorspellen op basis van persoonlijke details, maar het was niet getest op volledig nieuwe gebieden buiten de survey-data, dus het werkt mogelijk niet perfect als het elders wordt toegepast. De kaarten die hotspots en coldspots lieten zien, werden ook als verkennend behandeld; ze wijzen op waarschijnlijke gebieden van behoefte, maar waren niet statistisch bevestigd met de hoogste graad van zekerheid, omdat de onderzoekers geen strikte correctie hebben toegepast voor het testen van zoveel kleine gebieden tegelijkertijd. Bovendien kon de studie niet bewijzen dat in een arm gebied wonen een vrouw ertoe aanzet om screening over te slaan; het toonde alleen aan dat de twee zaken samen voorkomen.

De uiteindelijke waarde van dit werk ligt in het vermogen om de verborgen lagen van een publiek gezondheidsprobleem te tonen. Door verder te gaan dan brede regionale gemiddelden en gebruik te maken van instrumenten die complexe patronen kunnen verwerken, toonden de onderzoekers aan dat het verhaal van kanker-screening in Ghana genuanceerder is dan een simpel noord-zuid-verschil. Ze demonstreerden dat hoewel rijkdom en opleiding de primaire drijfveren zijn van wie zich laat screenen, deze factoren niet gelijkmatig over het landschap verdeeld zijn. Er zijn specifieke gemeenschappen, zelfs binnen rijkere regio's, die worden achtergelaten, en specifieke zakken in armere regio's die het beter doen dan verwacht. Dit niveau van detail biedt een nieuwe manier om middelen te richten, wat suggereert dat gezondheidsplanners mogelijk moeten kijken naar de specifieke samenstelling van kleine gemeenschappen in plaats van alleen naar het gemiddelde van een grote regio. De studie dient als een bewijs van concept dat het combineren van ruimtelijke mapping met moderne voorspellende tools een helderder, zij het nog imperfect, beeld kan geven van waar de hulp het hardst nodig is.