AI 拆解全球癌症存活差距：哪些健康體系槓桿最關鍵？

全球癌症存活率落差極大，背後往往不是單一醫療技術，而是整套健康體系的結構差異。一篇發表於 Annals of Oncology 的研究，首次以 machine learning 大規模梳理近乎全球的國家層級資料，試圖回答：對每個國家來說，哪些政策槓桿最可能改善癌症結果？

研究由 Memorial Sloan Kettering Cancer Center（MSK）的 Edward Christopher Dee 等人共同主導，第一作者為 Milit Patel。材料由 European Society for Medical Oncology（ESMO）提供，ScienceDaily 於 2026 年 1 月 17 日報導。

從描述差距，走向可行動的優先順序

團隊希望建立一套可行動、資料驅動的框架，協助決策者找出對降低癌症死亡率、縮小不平等最有影響力的政策槓桿。

模型納入 Global Cancer Observatory（GLOBOCAN 2022）涵蓋 185 國的癌症發生與死亡資料，並結合 WHO、世界銀行、聯合國機構與 Directory of Radiotherapy Centres 等來源的指標，包括醫療支出占 GDP 比重、人均 GDP、醫護與外科人力密度、全民健康覆蓋（UHC）、病理服務、人類發展指數、放療中心密度、性別不平等指數與病人自費比例等。

評估指標採用 mortality-to-incidence ratio（MIR），也就是癌症病例中最終導致死亡的比例，用來近似反映該國癌症照護有效性。解釋方法則使用 SHAP（Shapley Additive exPlanations），量化各變項對結果的貢獻。

常見關鍵槓桿，但各國優先順序不同

跨國比較後，放療可近性、全民健保覆蓋與經濟實力經常與較佳癌症結果相關；其他因素在不同情境下也同樣重要。關鍵在於：影響力最大的因素會因國而異，政策不該套用單一全球平均。

幾個例子可以看出差異：

• 巴西：UHC 與改善 MIR 的正向關聯最強；病理服務與護理／助產人力目前解釋力較小，顯示優先強化全民覆蓋可能效益最大。
• 波蘭：放療可近性、人均 GDP 與 UHC 指數影響較大；擴大保險與照護可近性，看起來勝過單純增加整體醫療支出。
• 日本、美國、英國：多數健康體系因素都與較佳結果相關。日本以放療中心密度最突出；美、英則以人均 GDP 影響最大。
• 中國：人均 GDP、UHC 與放療可近性貢獻最大；自費負擔等目前較難解釋結果差異。研究指出，即使整體融資改善，高自費仍是關鍵障礙，需持續強化財務保護與 UHC 落地。

團隊也開發線上工具，讓使用者選擇國家，檢視國富、放療與 UHC 等因素如何與癌症結果連結。綠色長條代表目前與改善結果正向關聯最強、值得優先投資的領域；紅色長條並非「不重要」，而是依現有資料較難解釋最大差異。若目標是最大化模型定義下的改善幅度，優先強化綠色驅動因素通常較有效。

優勢、限制與結語

優點包括：涵蓋近乎全球國家、使用當前全球健康資料、提供國家特定而非全球平均的政策指引，以及採用較可解釋的 AI 方法。

限制同樣清楚：依賴國家層級資料而非個別病人紀錄；低收入國家資料品質差異大；全國趨勢可能掩蓋國內不平等；結果呈現的是關聯，無法證明針對某因素投入就必然導致更好結果。

即便如此，在全球癌症負擔上升、資源有限的現實下，這類模型仍有助把複雜資料轉成決策者能理解的優先順序，朝精準公共衛生再進一步。它的價值不在宣稱 AI 能「治好癌症」，而在把健康體系差異轉譯成可比較、可排優先順序的政策地圖。

出處改寫自：ScienceDaily — AI maps the hidden forces shaping cancer survival worldwide（原始研究：Patel et al., Annals of Oncology, 2026）