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

Em muitas partes do mundo, encontrar o câncer precocemente é a diferença entre a vida e a morte. Para as mulheres em Gana, dois tipos de câncer — de mama e de colo do útero — são grandes preocupações de saúde. A forma mais eficaz de detectá-los precocemente é através do rastreamento: um exame simples onde um médico examina a mama ou testa o colo do útero. No entanto, obter esses serviços não é igual para todos. Estudos anteriores mostraram que a riqueza e a educação atuam como guardiões; mulheres com mais dinheiro e mais escolaridade têm muito mais probabilidade de realizar o rastreamento do que aquelas com menos. Esse padrão é bem conhecido, mas geralmente foi visto através de uma lente ampla, observando regiões inteiras ou o país como um todo. Essa abordagem trata uma região como um único bloco de cor, escondendo o fato de que as condições podem mudar drasticamente a poucos quilômetros de distância. Ela também se baseia em métodos estatísticos padrão que assumem que as relações são simples e de linhas retas, potencialmente perdendo formas complexas de como diferentes fatores interagem.

Uma equipe de pesquisadores em Gana decidiu olhar mais de perto. Eles questionaram se o padrão de quem realiza o rastreamento muda em bolsões específicos e pequenos de terra que os mapas regionais padrão ignoram. Eles também queriam ver se ferramentas modernas de aprendizado de máquina poderiam prever quem provavelmente fará o rastreamento melhor do que os métodos tradicionais, sem precisar saber a localização exata de cada mulher. Ao combinar mapas detalhados com modelos computacionais avançados, eles visavam criar um quadro mais nítido da desigualdade de saúde, um que pudesse ajudar os oficiais de saúde a direcionar seus esforços de forma mais precisa.

Os pesquisadores recorreram a um conjunto de dados massivo chamado Pesquisa Demográfica e de Saúde de Gana de 2022. Esta pesquisa entrevistou milhares de mulheres em todo o país, perguntando sobre sua saúde, suas casas e se já haviam recebido um exame de mama ou um teste de colo do útero. A equipe focou em mulheres entre 25 e 49 anos, um grupo de maior risco para esses tipos de câncer. Eles vincularam as respostas da pesquisa às localizações geográficas específicas onde as entrevistas ocorreram. Embora as coordenadas exatas tenham sido ligeiramente deslocadas para proteger a privacidade das participantes, elas foram precisas o suficiente para mostrar padrões ao nível de pequenas comunidades, conhecidas como aglomerados (clusters), em vez de apenas grandes regiões administrativas.

Primeiro, a equipe mapeou os dados para ver se o rastreamento ocorria em pontos aleatórios ou se ele se agrupava. Eles descobriram que definitivamente havia agrupamentos. Áreas onde as mulheres frequentemente realizavam o rastreamento estavam frequentemente cercadas por outras áreas onde o rastreamento também era comum. Inversamente, áreas com baixas taxas de rastreamento tendiam a ser vizinhas de outras áreas de baixa taxa. Esse agrupamento foi significativo tanto para o câncer de mama quanto para o de colo do útero, mas foi mais forte para os exames de mama. Quando deram um zoom, viram "hotspots" (pontos quentes) de alta atividade de rastreamento concentrados ao redor da capital, Accra, e partes das regiões central e sul. Em contraste, "coldspots" (pontos frios), onde o rastreamento era raro, estavam fortemente concentrados nas partes do norte do país. Isso confirmou que a divisão entre o norte e o sul é real, mas também revelou que o problema não é uniforme mesmo dentro dessas grandes áreas; existem bolsões específicos de necessidade que uma média regional ampla esconderia.

Em seguida, os pesquisadores construíram um modelo computacional para prever quais mulheres provavelmente fariam o rastreamento com base em suas circunstâncias pessoais. Eles alimentaram o modelo com informações sobre idade, educação, riqueza, onde viviam e se possuíam seguro de saúde. Crucialmente, eles não disseram ao computador a localização específica das mulheres. Em vez disso, deixaram o modelo aprender os padrões a partir dos detalhes pessoais sozinhos. Para garantir que o modelo estivesse realmente aprendendo e não apenas memorizando os dados, eles usaram um método de teste inteligente. Eles dividiram os dados em grupos baseados nas comunidades, não nos indivíduos. Isso significou que, quando o computador era testado, ele tinha que prever os hábitos de rastreamento de mulheres de comunidades que ele nunca tinha visto antes. Isso impediu que o modelo usasse o conhecimento local que não deveria ter tido.

O modelo computacional teve um desempenho razoavelmente bom, distinguindo corretamente entre mulheres que provavelmente fariam o rastreamento e aquelas que não fariam, com um AUC de 0,71 a 0,73. Os fatores mais importantes que impulsionaram essas previsões foram a educação e a riqueza. Mulheres com maior educação e mais dinheiro foram consistentemente previstas para ter maiores taxas de rastreamento. A idade também desempenhou um papel, com mulheres mais velhas no grupo sendo ligeiramente mais propensas a realizar o rastreamento. Curiosamente, a região específica onde a mulher vivia importava menos uma vez que sua educação e riqueza foram levadas em conta. Isso sugere que a razão pela qual algumas regiões parecem diferentes em um mapa é amplamente porque as pessoas que vivem lá possuem diferentes níveis de educação e renda, em vez de a região em si ter alguma qualidade única e inexplicável.

O estudo também observou o quão desigual é o acesso ao rastreamento. Quando calcularam a lacuna entre ricos e pobres, encontraram uma reviravolta surpreendente dependendo de como mediam. Para o câncer de colo do útero, a lacuna pareceu enorme porque pouquíssimas mulheres no geral estavam realizando os testes, fazendo com que os ricos parecessem ter uma vantagem massiva. No entanto, quando os pesquisadores ajustaram a matemática para levar em conta o fato de que os números gerais eram tão baixos, a imagem mudou. Os números ajustados sugeriram que a lacuna para exames de mama estava, na verdade, mais concentrada entre as mulheres ricas do que a lacuna para testes de colo do útero. Em outras palavras, embora ambos os serviços sejam inclinados para os ricos, a desigualdade no rastreamento de mama está mais firmemente compactada em torno das mulheres mais ricas.

Apesar desses achados detalhados, os pesquisadores são cuidadosos ao não afirmar que resolveram o problema ou que seus mapas estão prontos para serem usados como um guia final para os oficiais de saúde. O modelo computacional foi bom em prever com base em detalhes pessoais, mas não foi testado em áreas completamente novas fora dos dados da pesquisa, portanto, pode não funcionar perfeitamente se aplicado em outros lugares. Os mapas mostrando os hotspots e coldspots também foram tratados como exploratórios; eles apontam para áreas de provável necessidade, mas não foram confirmados estatisticamente com o mais alto nível de certeza, pois os pesquisadores não aplicaram uma correção rigorosa para o teste de tantos pequenos locais simultaneamente. Além disso, o estudo não pôde provar que viver em uma área pobre faz com que uma mulher pule o rastreamento; ele apenas mostrou que as duas coisas acontecem juntas.

O valor último deste trabalho reside em sua capacidade de mostrar as camadas ocultas de uma questão de saúde pública. Ao ir além das médias regionais amplas e usar ferramentas que podem lidar com padrões complexos, os pesquisadores mostraram que a história do rastreamento de câncer em Gana é mais matizada do que uma simples divisão norte-sul. Eles demonstraram que, embora a riqueza e a educação sejam os principais motores de quem realiza o rastreamento, esses fatores não estão distribuídos uniformemente pelo cenário. Existem comunidades específicas, mesmo dentro de regiões mais ricas, que estão sendo deixadas para trás, e bolsões específicos em regiões mais pobres que estão se saindo melhor do que o esperado. Este nível de detalhe oferece uma nova maneira de pensar sobre o direcionamento de recursos, sugerindo que os planejadores de saúde podem precisar olhar para a composição específica de pequenas comunidades, em vez de apenas para a média de uma grande região. O estudo serve como uma prova de conceito de que combinar o mapeamento espacial com ferramentas preditivas modernas pode revelar a letra miúda da desigualdade de saúde, oferecendo uma visão mais clara, embora ainda imperfeita, de onde a ajuda é mais necessária.