综述：人工智能辅助糖尿病视网膜病变筛查实施中的健康经济考量

《Clinical & Experimental Ophthalmology》：Health Economic Considerations for the Implementation of Artificial Intelligence-Enabled Diabetic Retinopathy Screening: A Review

本综述系统评价了18项人工智能与人工分级在糖尿病视网膜病变筛查中的健康经济学分析，发现成本效用分析和马尔可夫模型分别为最常用的评估和建模方法。文章强调评估AI筛查DR时需重点考虑情境化参数（包括亚组分析）、眼科随访依从性的真实世界数据，以及诊断准确性与成本效益之间的平衡。未来研究应采用CHEERS-AI或PICOTS-ComTeC等更新指南提升方法学透明度。

　　

引言：糖尿病视网膜病变的全球负担

糖尿病视网膜病变（DR）作为全球致盲的主要原因之一，约三分之一糖尿病患者受累。全球糖尿病患病人数达8.28亿，其视网膜并发症构成重大公共卫生问题，过去20年间患病率增长三倍。DR不仅严重影响患者生活质量，还给医疗系统和社会带来巨大经济负担。虽然DR筛查和治疗被认为是预防糖尿病视力丧失最具成本效益的措施之一，但全球筛查率仍不理想。

人工智能筛查技术的崛起

人工智能算法已成为DR筛查的有效工具，多个系统已获得监管批准。AI辅助DR筛查流程通常由训练有素的技术人员获取眼底图像并上传至云端服务器，算法替代人工分级判断是否需要转诊。这些算法在内外验证研究中展现出与临床专家相当或更优的诊断准确性。尽管在资源匮乏地区实施AI筛查的兴趣日益增长，但其经济影响的知识体系仍显碎片化。

研究方法学框架

本研究通过系统检索MEDLINE、Embase和Scopus数据库，采用扩展版PICO（人群、干预、对照、结局）框架。纳入标准包括DR筛查AI健康经济分析的原始研究，排除非原创性文章。使用ROBINS-I工具评估偏倚风险，并采用NICE经济评估清单进行质量评价。

纳入研究特征分析

共识别1115篇文章，最终纳入18项研究。中国是主要研究阵地（5项），美国、英国各4项，澳大利亚、巴西等国亦有贡献。商业AI技术主导高收入国家评估，其中EyeArt和IDx-DR最为常见；中国研究多使用本土开发算法。值得注意的是，13项研究发表于2020年后，反映该领域证据生成呈增长趋势。

研究方法学异质性

成本效用分析（CUA）占比61%，成本效果分析（CEA）占39%。马尔可夫模型（n=10）主要用于长期研究，决策树模型（n=8）多见于短期分析。模型参数多源自国际数据而非本地流行病学资料，可能限制结果外推性。研究视角涵盖医疗系统视角（50%）和社会视角（28%），时间跨度从12个月至终身不等。

成本参数与诊断准确性的博弈

筛查成本因技术和实施模式差异显著。商业系统许可费较高但提供标准化实施路径，中国本土算法可能反映成本约束。治疗晚期疾病的成本始终是长期分析的主要驱动因素，抗VEGF注射（256-350美元/次）等费用远超筛查相关支出。诊断准确性方面，AI灵敏度75.9%-100%，特异度20%-100%，但成本效益最优的算法未必是技术最精准者。Wang等研究发现中国城乡亚组的最佳成本效益灵敏度分别为96.9%/94.7%，特异度80.3%/85.6%，揭示准确性与经济性之间的非线性关系。

随访依从性的关键作用

新兴证据表明AI筛查可提高患者眼科随访依从性，这归因于即时反馈和现场咨询的优势。然而仅两项美国研究明确模拟了AI与人工筛查的随访差异，多数研究假设二者等效或未纳入该参数，可能低估AI筛查的真实价值。建议未来研究通过敏感性分析捕捉随访依从性对成本效益的影响范围。

报告质量与指南遵循现状

仅39%研究明确使用CHEERS清单，无一提及CHEERS-AI或PICOTS-ComTeC等AI专用报告框架。回溯应用新框架显示现有效评估存在明显方法学缺陷：未充分描述AI系统与临床工作流整合、低估实施成本、缺乏系统故障应对模型，且对互操作性要求和文化适应因素报告不足。

讨论与展望

参数选择需体现地域特异性，高收入国家因人工分级成本较高更易显现AI成本效益。农村地区交通成本等非医疗支出可能改变成本效益等式，建议分别分析城乡人群或纳入旅行成本敏感性分析。QALY作为通用效果指标便于跨领域比较，而"免盲年"等自然指标更适合现有筛查体系的增量评估。未来经济评估应结合商业技术的真实AUROC曲线，深入分析假阳性/假阴性在具体场景中的差异成本，建立更贴近现实的评估模型。

结论

AI作为DR筛查工具具有与专科医生相当的准确性，其成本效益是广泛实施的关键。现有经济评估存在方法学差异，需重点关注诊断准确性与成本效益的平衡、情境化参数选择以及随访依从性变异。通过采用CHEERS-AI等专用框架，可显著提升AI健康经济评估的方法学严谨性和临床实用性。