综述：人工智能在卫生技术评估中的应用及经济维度挑战的范围综述

这篇综述系统探讨了人工智能（AI）在卫生技术评估（HTA）中的机遇与挑战，聚焦经济评估维度。通过范围综述方法，研究揭示了AI如何优化成本效益分析（CEA）、增强数据驱动决策，同时指出需解决伦理、数据治理及跨部门协作等关键问题，为HTA的智能化转型提供了框架性指导。

　　

引言

卫生技术评估（HTA）作为政策导向的研究方法，通过多维度评估医疗技术的价值，直接影响医疗资源的优化配置。近年来，人工智能（AI）的崛起为HTA注入了新动能，尤其在处理电子健康记录（EHRs）、实时数据分析等复杂任务时展现出显著优势。然而，AI与HTA的融合仍面临方法论革新、伦理争议及数据标准化等挑战。本文基于范围综述，系统梳理AI在HTA经济评估中的应用场景与潜在瓶颈。

方法学框架

研究遵循Arksey和O'Malley的范围综述框架，检索2000-2024年PubMed、Scopus和Web of Science数据库文献。筛选标准聚焦AI驱动的经济评估工具，如成本效益分析（CEA）和增量成本效果比（ICER）计算。最终纳入38篇文献进行主题合成，构建了涵盖交互、产出、能力与基础设施的四维整合框架。

AI驱动的HTA革新

全生命周期评估
AI通过整合多源数据（如EHRs、医保索赔），实现了HTA从技术准入到退出的动态监控。例如，机器学习（ML）模型可预测医疗器械的长期成本轨迹，辅助决策者识别低效技术并优化资源再分配。

经济模型优化
离散事件仿真（DES）工具DESnets的研发，显著提升了CEA模型的透明度和运算效率。一项研究利用因果森林算法量化干预措施的异质性效果，为亚人群定制化政策提供依据。在糖尿病视网膜病变筛查中，深度学习（DL）算法以与传统人工评估相当的成本效益比，成为中低收入地区的可行选择。

诊断与行为预测
AI在非传染性疾病（NCDs）管理中的表现尤为突出。例如，基于多状态马尔可夫模型的压力性损伤风险评估系统，通过分析患者电子病历数据，将预防成本降低23%。而"What If"算法则通过模拟疫情传播与失业率（UER）的关联，为公共卫生政策提供实时推演支持。

挑战与伦理考量

数据治理困境
尽管美国国家自闭症研究数据库（NDAR）展示了跨机构数据共享的潜力，但EHRs的互操作性不足、隐私泄露风险仍制约AI应用。泰国的一项DR筛查研究指出，数据偏倚和临床误编码可导致CEA结果偏差达15%。

伦理与政策真空
AI医疗设备（AI-MDs）的快速迭代与HTA传统评估周期存在矛盾。欧盟案例显示，42%的AI-MDs研究未能满足HTA证据标准。物联网（IoT）疫苗供应链中的网络安全问题，进一步凸显了问责机制缺失的风险。

未来方向

构建AI-HTA生态系统需三大支柱：

1. 标准化框架：开发针对AIHTs的评估指南，统一临床有效性、经济性及伦理审查标准；
2. 动态基础设施：建立支持实时数据流处理的分布式计算平台，整合基因组学与社会决定因素数据；
3. 跨域协作：通过医疗机构-科技企业-监管方三方合作，解决算法透明度（如SHAP值解释）与成本分摊问题。

结语

AI正重塑HTA的范式，其通过增强证据生成效率、精准量化健康产出（如QALYs/DALYs），推动医疗系统向价值导向转型。然而，只有当技术创新与伦理治理同步发展时，AI才能真正成为HTA进化的催化剂。未来研究应着力于开发可解释AI（XAI）模型，并在中低收入国家验证轻量化解决方案的普适性。