Μέχρι σήμερα, η εξίσωση για την αντιμετώπιση του καρκίνου φαινόταν απλή, σχεδόν μονοδιάστατη: περισσότερα χρήματα ισοδυναμούν με καλύτερη υγεία. Ωστόσο, μια νέα, πρωτοποριακή έρευνα που είδε το φως της δημοσιότητας στις 13 Ιανουαρίου 2026, έρχεται να ανατρέψει αυτή την απλούστευση, αποδεικνύοντας πως η μάχη κατά του καρκίνου απαιτεί «χειρουργική» ακρίβεια όχι μόνο στο χειρουργείο, αλλά και στη χαάραξη πολιτικής.
Ερευνητές από το Πανεπιστήμιο του Τέξας και το Memorial Sloan Kettering (MSK) της Νέας Υόρκης, υπό την αιγίδα της Ευρωπαϊκής Εταιρείας Ιατρικής Ογκολογίας (ESMO), επιστράτευσαν την Τεχνητή Νοημοσύνη (AI) για να δημιουργήσουν τον πιο λεπτομερή «οδικό χάρτη» επιβίωσης που έχει υπάρξει ποτέ.
Η μελέτη, η οποία ανέλυσε δεδομένα από 185 χώρες χρησιμοποιώντας στοιχεία του Παγκόσμιου Παρατηρητηρίου Καρκίνου (GLOBOCAN 2022), δεν αρκέστηκε σε γενικές διαπιστώσεις. Αντίθετα, ο αλγόριθμος μηχανικής μάθησης που ανέπτυξε ο Milit Patel, επικεφαλής συγγραφέας της μελέτης, εντόπισε συγκεκριμένους, μετρήσιμους παράγοντες –από την πρόσβαση σε ακτινοθεραπεία μέχρι τις ιδιωτικές δαπάνες υγείας– που καθορίζουν τη θνησιμότητα σε κάθε χώρα ξεχωριστά.
Ο στόχος μας ήταν να περάσουμε από την απλή περιγραφή των ανισοτήτων στη δράση. Δημιουργήσαμε έναν οδικό χάρτη που δείχνει στους υπεύθυνους χάραξης πολιτικής πού ακριβώς θα πιάσουν τόπο τα χρήματά τους. Αντί να μαντεύουν, τώρα ξέρουν ποια επένδυση θα σώσει τις περισσότερες ζωές στη δική τους χώρα.
Τα ευρήματα του αλγορίθμου είναι εντυπωσιακά διότι αναδεικνύουν πως δεν υπάρχει μια «μαγική συνταγή» για όλους. Κάθε σύστημα υγείας έχει διαφορετικές «πληγές» και δυνατά σημεία:
Βραζιλία: Εδώ, το «κλειδί» φαίνεται να είναι η Καθολική Κάλυψη Υγείας (UHC). Ο αλγόριθμος έδειξε ότι η ενίσχυση της καθολικής πρόσβασης θα έχει πολύ μεγαλύτερο αντίκτυπο στη μείωση των θανάτων σε σχέση με την αύξηση του νοσηλευτικού προσωπικού, που αυτή τη στιγμή παίζει μικρότερο ρόλο.Πολωνία: Η μελέτη ανέδειξε την πρόσβαση στην ακτινοθεραπεία ως κρίσιμο παράγοντα. Παράλληλα, φάνηκε ότι η διεύρυνση της ασφαλιστικής κάλυψης έχει φέρει καλύτερα αποτελέσματα από ό,τι η γενική αύξηση των κρατικών δαπανών για την υγεία.ΗΠΑ & Ηνωμένο Βασίλειο: Στις μεγάλες δυτικές οικονομίες, το κατά κεφαλήν ΑΕΠ παραμένει ο ισχυρότερος ρυθμιστής της επιβίωσης, υποδηλώνοντας ότι η οικονομική ευρωστία των πολιτών συνδέεται άμεσα με την πρόσβαση σε ποιοτική φροντίδα.Κίνα: Παρά την ραγδαία ανάπτυξη του συστήματος υγείας της, ο αλγόριθμος εντόπισε ένα σοβαρό εμπόδιο: τις υψηλές δαπάνες από την τσέπη των ασθενών. Όσο οι ασθενείς αναγκάζονται να πληρώνουν ιδιωτικά για τη θεραπεία τους, τα ποσοστά επιβίωσης θα πιέζονται, ανεξάρτητα από τις υποδομές.Ιαπωνία: Εδώ η πυκνότητα των κέντρων ακτινοθεραπείας αναδείχθηκε ως ο υπ’ αριθμόν ένα παράγοντας για την καλύτερη έκβαση των ασθενών.
Για να καταλήξουν σε αυτά τα συμπεράσματα, οι ερευνητές συνδύασαν επιδημιολογικά δεδομένα με στοιχεία από τον Παγκόσμιο Οργανισμό Υγείας και την Παγκόσμια Τράπεζα. Χρησιμοποίησαν τη μέθοδο SHAP (Shapley Additive exPlanations), μια τεχνική που επιτρέπει στην Τεχνητή Νοημοσύνη να «εξηγεί» τις προβλέψεις της, δείχνοντας πόσο βαραίνει κάθε μεταβλητή (π.χ. αριθμός γιατρών, ΑΕΠ, εξοπλισμός) στο τελικό αποτέλεσμα.
Ένα από τα πιο χρηστικά εργαλεία της έρευνας είναι η οπτικοποίηση των δεδομένων. Όπως εξήγησε ο Patel, οι «πράσινες μπάρες» στα γραφήματα κάθε χώρας δείχνουν τους τομείς όπου η επένδυση θα φέρει άμεσα αποτελέσματα. Αντίθετα, οι «κόκκινες μπάρες» δεν σημαίνουν ότι αυτοί οι τομείς είναι άχρηστοι, αλλά ότι –με βάση τα τρέχοντα δεδομένα– δεν αποτελούν την πρωταρχική αιτία των διαφορών στη θνησιμότητα αυτή τη στιγμή.
Η μελέτη αυτή ανοίγει ένα νέο κεφάλαιο στην κατανόηση της ογκολογίας. Δεν αρκεί πλέον να ανακαλύπτουμε νέα φάρμακα, αλλά πρέπει να κατανοήσουμε και τις συστημικές «ασθένειες» που εμποδίζουν τα φάρμακα αυτά να φτάσουν στον ασθενή.