Pesquisadores da American Cancer Society desmontaram uma das categorias estatísticas mais usadas — e mais enganosas — da epidemiologia do câncer nos Estados Unidos. Ao desagregar dados do programa SEER de 2000 a 2022, o estudo publicado na revista CANCER mostrou que a incidência total de câncer varia até duas vezes entre grupos étnicos empacotados sob o mesmo rótulo “asiático-americano ou nativo do Havaí e ilhas do Pacífico” (AA/NHPI). No câncer de mama, mulheres nativas havaianas registraram 140 casos por 100 mil — 27% acima das mulheres brancas e 57% acima da média do próprio grupo agregado. Para quem opera rastreamento por imagem, isso não é sociologia: é calibração de risco.
O que os dados desagregados mostram
O câncer de mama é a neoplasia mais diagnosticada entre mulheres em todos os subgrupos AA/NHPI — não há exceção. O que muda drasticamente é a magnitude e, sobretudo, a velocidade. A incidência vem subindo anualmente em todos eles, mas em ritmos que não se parecem: cerca de 1% ao ano entre mulheres nativas havaianas e filipinas, e algo entre 3% e 5% ao ano entre mulheres guamanianas/chamorro, chinesas, vietnamitas e coreanas.
Uma taxa que cresce 5% ao ano dobra em pouco mais de catorze anos. Uma que cresce 1% leva setenta. Quando as duas são reportadas como um número único, o resultado é uma média que descreve mal os dois extremos e serve mal a qualquer política de rastreamento. É o problema clássico de agregar populações heterogêneas: o indicador fica estatisticamente correto e clinicamente inútil.
“Você não consegue consertar um problema que não sabe que existe”, resume uma das frases centrais do trabalho — e é aí que reside o argumento prático. Os autores apontam que o mesmo raciocínio se aplica a outros tumores com faixa de risco ampla dentro do grupo, como pulmão, estômago e colorretal, onde a agregação também esconde populações de altíssimo risco.
Adesão ao rastreamento também não é homogênea
O segundo eixo de heterogeneidade é comportamental e estrutural. Entre 2015 e 2018, a adesão à mamografia em tempo adequado entre mulheres de 45 anos ou mais variou de 55% entre mulheres indianas asiáticas a 69% entre mulheres filipinas — quatorze pontos percentuais de diferença dentro da mesma linha de tabela.
Parte disso é acesso puro e simples. A proporção de mulheres sem cobertura de saúde chega a 12% entre nativas do Havaí e ilhas do Pacífico, contra 3% entre mulheres coreanas. Um programa de rastreamento que assume “asiático-americanas têm boa adesão” — leitura razoável se você só olhar a média — vai desenhar intervenção para um público que não existe e falhar justamente onde o risco é maior.
Por que agregação é um problema de imagem, não só de saúde pública
O rastreamento mamográfico nos Estados Unidos caminha rapidamente para modelos baseados em risco, em que idade de início, intervalo e escolha de modalidade dependem de um escore individual. Modelos de risco como Tyrer-Cuzick e BCSC usam etnia como variável de entrada. Se a variável de entrada é uma categoria que mistura populações com incidência duas vezes diferente, o escore sai enviesado por construção — subestimando risco em subgrupos de alta incidência e superestimando em outros.
Essa é a ponte direta com o que vimos ao cobrir a boa aceitação das pacientes ao cálculo de risco de mama por IA: se a paciente aceita ser estratificada, a responsabilidade de calibrar bem o estratificador cresce. Modelos de IA treinados com rótulos étnicos agregados herdam o mesmo problema, com o agravante de que a opacidade do modelo dificulta auditar o viés. O ponto já apareceu na análise sobre por que a IA na mamografia entregou menos do que prometeu quando saiu do conjunto de dados de origem.
O paralelo brasileiro é desconfortável
O Brasil pratica exatamente a mesma agregação, com um rótulo ainda mais amplo. A classificação do IBGE usa “amarela” para toda a população de ascendência asiática — e o país abriga a maior diáspora japonesa fora do Japão, além de comunidades chinesas, coreanas e libanesas expressivas. A categoria “parda”, por sua vez, agrega uma diversidade genética e socioeconômica que nenhum modelo de risco consegue representar com um único coeficiente.
O contexto de rastreamento também é diferente e mais frágil. O Ministério da Saúde recomenda mamografia bienal para mulheres de 50 a 69 anos, enquanto o Colégio Brasileiro de Radiologia e a Sociedade Brasileira de Mastologia defendem rastreamento anual a partir dos 40. Com mais de 70 mil casos novos por ano estimados pelo INCA e cobertura mamográfica historicamente abaixo da meta em várias regiões, o país tem um problema de acesso antes de ter um problema de calibração fina. Mas a lição transfere: os dados do SISCAN permitem desagregação por raça/cor e por município, e essa análise raramente é feita no nível do serviço.
Implicações para o serviço de imagem
Três medidas são acionáveis por qualquer clínica de imagem, independentemente do país. A primeira é coletar e usar a variável de ancestralidade com granularidade — país de origem, não macrocategoria — no cadastro. Sem o dado, nenhuma análise é possível.
A segunda é auditar o próprio serviço: taxa de comparecimento, taxa de retorno após exame indeterminado (BI-RADS 0 e 3) e tempo até a biópsia, estratificados por grupo. Perda de seguimento é onde o rastreamento realmente falha, e ela quase nunca é distribuída de forma uniforme. A terceira é adaptar a comunicação — material educativo em idioma e formato culturalmente adequados muda adesão de forma mensurável, e é o tipo de intervenção que custa pouco e não depende de equipamento novo.
Vale lembrar que ampliar o arsenal técnico também tem papel: mulheres asiáticas têm, em média, mama mais densa, o que reduz a sensibilidade da mamografia isolada e reforça o valor de modalidades complementares — o mesmo racional que sustentou a liberação pela FDA da IA da DeepHealth para ultrassom de mama.
Limitações e próximos passos
O estudo é de base populacional e descritivo: mostra diferenças de incidência e de adesão, não explica causas. Registros de câncer têm classificação étnica autodeclarada e imperfeita, com miscodificação conhecida em populações pequenas, e séries desagregadas em subgrupos pouco numerosos vêm com intervalos de confiança largos. Diferenças de incidência também refletem exposição, geração migratória, paridade, obesidade e uso de terapia hormonal — variáveis que o desenho não isola.
Ainda assim, a conclusão operacional é sólida e independe da explicação causal: quando a heterogeneidade interna de uma categoria é maior que a diferença entre categorias, a categoria deixou de informar. O próximo passo é institucional, não científico — exigir desagregação padrão em registros de câncer e em relatórios de rastreamento, para que o dado exista antes de a política precisar dele.
Fonte: The Imaging Wire — One Size Doesn’t Fit All for Asian American Cancer Risk
