人工智能在医疗保健中的经济影响:系统回顾

简介

背景

在以价值为基础的医疗保健时代，也因为医疗保健行业在整体经济中的高份额，经济影响评估越来越重要。例如，在美国19.4万亿美元(18%)的国内生产总值(GDP)中，医疗支出约占3.5万亿美元;在德国3.7万亿美元(11.5%)的国内生产总值中，医疗支出约占0.4万亿美元[1，2］．因此，在一些研究中也分析了数字健康应用的成本影响。

2002年，Whitten等人在远程医疗干预的背景下回顾了成本效益研究[3.]显示，在612篇确定的文章中，只有55篇提供了实际的成本效益数据，这些数据被要求包含在详细的审查中。此外，在分析这些文章后，作者得出结论，所提供的证据不足以评估远程医疗是否代表一种具有成本效益的提供医疗保健的手段[3.］．

十多年后的2014年，埃尔伯特等人[4]在一篇关于电子健康(eHealth)干预躯体疾病的系统综述和荟萃分析的综述中描述，在31篇综述中，7篇论文得出结论，数字健康是有效的或具有成本效益，13篇强调证据是有希望的，其他11篇仅发现有限或不一致的证据。他们还强调，需要大力加强制定和评估战略，以便在日常实践中实施有效或具有成本效益的电子保健举措[4］．

在2018年另一项关于电子医疗技术经济评估的系统回顾研究中，Sanyal等人[5]分析了2010年至2016年出版的多个数据库。在符合纳入标准的11项研究的基础上，作者发现大多数研究通过随机对照试验和统计建模证明了干预的有效性和成本效益。但是，没有提供充分的资料说明采用这些建模技术的可行性。因此，本文强调，目前的证据水平是不确定的，需要更多的研究来评估可能的长期成本效益[5］．

这一领域的研究不断加强，在若干研究中，数字健康的成本效益，例如用于远程骨科会诊的远程医疗[6]， 2型糖尿病和高血压的数字行为干预[7]，以及基于互联网的心理健康干预措施[8]进行了详细分析。

人工智能(AI)作为数字健康领域的关键新兴技术之一，有望显著提高医疗质量和节约成本，因此，人工智能在医疗保健领域的经济影响评估对医疗保健领域的所有利益相关者都具有至关重要的作用，因此需要详细分析。

客观的

系统地调查了现有的成本效益评估是否符合既定的质量标准，以便就在医疗保健中实施人工智能做出全面决策。在这些彻底的经济评估的基础上，将提供决定在医院、行业和付款人环境中应用人工智能的必要信息。

方法

系统的文献综述如下所述。

搜索策略

文献检索使用PubMed数据库，并使用中提供的检索词表1．

搜索词人工智能而且机器学习对于整个部分并不详尽如:决策树，支持向量机,或深度神经网络也可以用作数据库查询的搜索词。然而，由于基于经济影响的战略决策大多是在战略管理和医疗层面上做出的，没有特定的技术背景，因此使用最多的搜索词是关于医疗保健领域的人工智能。此外，很有可能关于，例如，深度神经网络还包括诸如人工智能，支持向量机,机器学习至少在理论上是这样的。最后，决定使用谷歌趋势分析，比较过去12个月全球医疗保健领域人工智能最常用的搜索词[9]:条款人工智能而且机器学习是迄今为止使用最多的，如多媒体附件1．

入选标准

对于通过PubMed搜索确定的出版物，已对标题、摘要和全文进行了审查。如果出版物是(1)发表过的期刊文章，(2)用英语写的，并且(3)发表时间不超过5年，则纳入后续分析。就内容而言，如果出版物集中于以下内容领域中的至少一个，则包括:(1)对AI功能的全面描述，(2)对AI功能的经济效率和结果的评估，以及(3)至少一个医疗保健系统中AI功能的定量结果。此外，只有描述具体医疗和经济结果的出版物，例如每年每个患者节省的成本，以及比较人工智能解决方案的评论或元分析。

排除标准

一篇文章的排除标准定义如下:(1)标题没有涉及与医疗保健中的人工智能相关的主题;(2)标题和摘要均未包含人工智能在医疗保健中的应用描述;或(3)标题、摘要或全文未详细说明人工智能在医疗保健应用于任何医疗保健系统的数量经济结果。与之前的其他研究回顾方法相比，如Elbert等人选择的方法[4或Ekeland et al [10]，覆盖第三个排除标准。虽然这大大限制了所包括的成本效益研究的数量，但它用于比较不同的成本效益分析方法，而不仅仅是从国家或国际卫生保健的角度比较没有量化经济影响的与健康或过程相关的结果。

在通过PubMed搜索确定纳入的潜在研究后，如前所述，评估分两步进行(图1)．首先，对所有标题、摘要和全文进行筛选，以满足纳入和排除标准。其次，使用质量标准目录对可纳入的出版物进行评估，该目录将在“经济影响评估的质量标准”一节中进行解释。

‎ 查看此图

经济影响评价质量标准

设计了成本效益研究的综合标准目录。除自身的标准外，还考虑了来自经典医疗保健效果研究和数字健康评估的其他评估方面[5，11］．质量标准总结在表2．

结果

质量标准评估

应用质量标准对经济影响评估进行了1至3级的评估(1=表面覆盖，2=坚实覆盖，3=详细解释)。如上所述，6种出版物已根据所述的经济影响评价质量标准进行了评估。有关刊物的分析概述[12-17]是在多媒体附件2．

质量评估结果

我们首先得出的结论是，成本效益测量描述的详细程度总体较高，因为大部分描述都是精确和详细的，例如，“对于25,000欧元/质量调整生命年的增量成本效益阈值，人工智能工具将导致略差的结果(1.98%)，但成本降低(5.42%)”[14］．总体而言，6篇论文中有5篇具有非常高的详细程度，只有1篇研究在一般描述中具有中等程度的详细程度(只有积极/消极的成本节约影响描述，没有提供进一步的结果解释[13])。

第二，假设公式(例如，通过基于机器学习的预测模型来节省成本，以确定疾病管理计划的最佳心力衰竭患者，以避免30天的再入院[17)在所有出版物中都是清晰准确的。所有这些都包含了解释良好和连贯的假设公式。

第三，成本效益视角在所有情况下都有一个卫生保健体系背景，尽管可以包括其他角度，如门诊或护士的角度。此外，5项研究展示了综合医疗保健系统的视角，而1项研究可以从医院扩展到整体系统的视角[13］．

第四，对费用替代的考虑，即对是否也可以实现节省费用的结果的分析，基本上没有。只有2篇论文详细阐述了不同的替代方案，例如，区分各自患者群体的风险水平或不同的治疗方案。除了这两本刊物外[12，16]的报告中提到了各种节省开支的办法，但其余4份刊物完全没有详细说明这些节省开支的考虑。

第五，目前实现的效益，即净现值(NPV)，不仅包括效益，还包括人工智能实施的必要投资和人工智能服务交付的运营成本，在6项研究中都没有包括在内。只有一项研究比较了人工智能和非人工智能的情况，但没有提供NPV计算。因此，所有6项研究都包括了经济结果的量化，但未能计算出总体NPV。

最后，在6项研究中使用不同的方法对基础案例进行验证。大多数可靠的数据源都是在专注于人工智能的研究中收集的，这些研究基于，例如，有/没有算法的成本比较，报销代码分析，或将结果与其他诊所报告的性能进行基准比较。所有论文都提出了基于综合比较数据集的成本-效果测量。

在整个分析中出现的另一个方面是资源使用的测量，(几乎)在所有论文中都是通过自上而下的方法进行的，这意味着从整体医疗保健的角度出发，而不是从每项任务的单个成本分配出发。这样，潜在的重要成本驱动因素隐藏的利益相关者可能被遗漏(例如，如果医院治疗改变，门诊护理的额外工作量)。

讨论

主要研究结果

总的来说，上述分析的结果可以分为两类，即根据研究的纳入和排除标准，分析的一般反馈和对已纳入评审过程的研究的详细评估。

一般来说，关于人工智能在医疗保健领域的经济影响评估的出版物很少。根据不同的搜索词，包括迄今为止在此部分中最常被搜索的短语(人工智能而且机器学习)，并结合经济影响(成本效益，经济的影响，成本节约)，《PubMed》只有66个热门游戏。由于人工智能战略和随之而来的决策过程依赖于可靠的数据作为决策的基础，这对管理层和医务人员来说都是一个重大挑战，例如，当讨论关于人工智能的一般支持和反对决策以及具体实施时。

考虑到卫生保健出版物中确定的人工智能中给出的细节，经济评估质量显示出未来需要克服的若干缺陷。66份出版物中只有6份(9%)可以列入详细评估。在这6项研究中，没有一项包含完整的成本效益分析;相反，它们都集中在分散的成本或节省成本方面。

改善空间(图2)主要表现在两个方面:

• 首先，人工智能基础设施和服务的初始投资和运营成本需要纳入评估。这是任何战略决策过程的核心要素，人工智能解决方案的完整初始和运营投资成本必须与预期的经济效益进行比较，以提供具体的决策支持。
• 其次，必须评估实现类似影响的其他选项，以便为全面和透明的决策提供充分的基础，允许在不同的战略和投资选项之间进行比较(例如，也可以应用基因测序过程或不同的医疗专业知识分配，以改善诊断和治疗结果，而不是人工智能驱动的患者筛查)。

‎ 查看此图

所进行的审查只专注于人工智能在医疗保健领域的经济和商业角度。然而，文献综述揭示了人工智能的进一步重要成功因素，例如，在法律框架方面，如遵守数据安全、保护和隐私政策，以及普遍接受的技术要求，以实现全面的数据收集和分析内容，同时遵守数据隐私要求。尽管在辅助诊断和治疗决策方面有好处，但到目前为止，这些法律和技术问题还没有定义标准，这些方面应该在未来的研究中进行更广泛的分析。

此外，除了单纯的经济数量方面，人工智能在患者和社会医疗保健中的定性方面也需要进一步研究。例如，在初级保健医生数量有限的农村地区，人工智能可以通过集中测试支持取代流程，例如，针对2型糖尿病，从而应对人口变化的挑战[18］．AI和医生在诊断性能方面的比较表明，AI可以提供相同的结果，例如，在图像识别相关领域[19］．除其他外，这还可以支持重新分配医疗能力。此外，人工智能还可以实现从一般化到更加个性化的治疗的转变。人工智能引导的结果预测和临床决策支持流程今天已经被用于放射治疗患者[20.］．

之前在数字健康领域的评论将结果分为几类，例如，计算机化决策支持系统，基于网络的体育活动干预，互联网提供的认知行为疗法和远程医疗。此外，还区分了用户的年龄(如儿童和老年患者)，并强调了缺乏短期和长期成本节约差异等缺点[5］．他们还讨论了超出成本效益方面的挑战，并提到，例如，在日常实践中实施数字健康的方式仍然不清楚[4]或需要耐心的观点和各种利益相关者之间的合作方法[10］．

请注意，与对数字健康的典型评论相比，关注医疗保健中的人工智能需要考虑新的因素和完善的搜索策略，从而导致不同的结果。首先，与其他评论相比，谷歌Trends已被证明是一种有效的工具，可以为具有代表性的结果集合缩小搜索空间。在谷歌趋势分析的基础上，提出了关键短语人工智能而且机器学习可以被认为是迄今为止使用最频繁的术语。其次，在应用定义的纳入和排除标准后，该综述涵盖了更高比例的纳入研究(9%的分析论文被纳入)，而之前的综述的纳入率要低得多——Whitten等人的研究中有8% (55/612)[3.]， 2%(31/1657)在Elbert等人的研究中[4]，或0.1% (11/1625)[5])。这是因为两个原因:(1)人工智能作为商业和工业数字健康的一个子部分，在科学出版物中仍然没有得到很好的报道;(2)作为纳入标准所需的定量报告结果非常重要。第三，从管理角度用质量标准目录对成本效益研究进行了评价。由于人工智能的实施是成本和劳动密集型的，决策并不完全由医疗改善率驱动，因此企业管理决策制定基础被选择为积极的实施决策和随后的大规模应用的关键。企业管理观点的增加包括经典的成本因素(一次性和运行费用)，以及在提供尖端卫生服务的不同战略之间的决策。

结论

目前的研究对人工智能在医疗保健中的影响评估相当适度，并显示出方法上的定性缺陷。今后的成本效益分析需要增加数量和质量。它们应包括初始投资和运行成本，以及与替代技术的比较。通过这种方式，可以提供全面而清晰的成本效益评估，这将作为人工智能实施决策的充分基础。