Clinical AI Interventions: Cost-Effectiveness, Utility, and Budget Impact in Health Systems
این مرور نظام‌مند به بررسی اثربخشی هزینه، مطلوبیت و تأثیر بودجه‌ای مداخلات هوش مصنوعی بالینی در محیط‌های مختلف نظام سلامت می‌پردازد. نوزده مطالعه شامل حوزه‌های انکولوژی، قلب‌وعروق، چشم‌پزشکی و بیماری‌های عفونی نشان می‌دهند که هوش مصنوعی دقت تشخیص را بهبود می‌بخشد، سال‌های عمر تعدیل‌شده با کیفیت (QALY) را افزایش می‌دهد و هزینه‌ها را کاهش می‌دهد؛ عمدتاً از طریق کاهش اقدامات غیرضروری و بهینه‌سازی استفاده از منابع.
نکات کلیدی:
هوش مصنوعی موجب بهبود دقت تشخیص و افزایش QALY می‌شود.
این مداخلات منجر به صرفه‌جویی قابل‌توجه در هزینه‌ها، عمدتاً از طریق بهینه‌سازی منابع و کاهش اقدامات غیرضروری می‌گردند.
بسیاری از مداخلات نسبت‌های افزایشی اثربخشی هزینه (ICER) را به‌طور قابل توجهی پایین‌تر از حدود پذیرفته‌شده به دست آورده‌اند.
چالش‌ها و محدودیت‌ها:
اکثر ارزیابی‌ها بر مدل‌های ایستا متکی بوده‌اند که ممکن است منافع را بیش از حد برآورد کنند، زیرا ویژگی یادگیری تطبیقی هوش مصنوعی در طول زمان را نادیده می‌گیرند.
هزینه‌های غیرمستقیم، سرمایه‌گذاری‌های زیرساختی و ملاحظات عدالت اغلب کمتر گزارش شده‌اند که این امر می‌تواند منافع اقتصادی را بزرگ‌نمایی کند.
یافته‌ها و تحلیل‌های آینده‌پژوهی:
مدل‌سازی پویا نشان می‌دهد که ارزش بلندمدت این فناوری‌ها پایدار است، اما نیاز به پژوهش‌های بیشتر برای دربرگرفتن تمامی مؤلفه‌های هزینه و تحلیل زیرگروه‌ها احساس می‌شود.
با وجود یافته‌های امیدوارکننده در زمینه کاربرد بالینی و اقتصادی هوش مصنوعی، شواهد موجود به‌دلیل محدودیت‌های روش‌شناختی محدود است، به‌ویژه با حذف مکرر مؤلفه‌های اساسی هزینه.
نتیجه‌گیری و توصیه‌ها:
ارزیابی‌های آینده باید از چارچوب‌های مدل‌سازی پویا و طولی بهره گیرند که تمامی هزینه‌های مستقیم و غیرمستقیم را در طول زمان به‌طور جامع در نظر گیرند.
تأکید بر نیاز به ارزیابی‌های متناسب با زمینه و با استحکام روش‌شناختی برای هدایت سیاست‌گذاری و عمل آینده.
ترجمه و تلخیص: حمید معروف زاده
مایل به ثبت دیدگاه هستید؟