医疗人工智能成本效益与预算影响的系统评价：临床价值与经济可行性的多维分析

本研究针对医疗人工智能(AI)干预措施开展系统性评价，通过分析19项涵盖肿瘤学、心脏病学等领域的临床研究，揭示了AI在提升诊断准确性（QALYs增加0.03-0.05）和降低医疗成本（ICERs低至$1,108/QALY）方面的双重优势。研究采用动态建模方法，指出AI通过减少不必要医疗程序可节省19%-37%成本，但需警惕静态模型可能高估效益。该成果为政策制定者提供了AI在医疗资源优化中的经济学证据，发表于《npj Digital Medicine》。

　　

医疗人工智能(AI)正以前所未有的速度重塑现代医疗体系，从影像诊断到个性化治疗规划，AI技术展现出超越人类专家的潜力。然而在这股技术浪潮背后，一个关键问题始终悬而未决：这些昂贵的AI系统真的"物有所值"吗？随着全球医疗支出持续攀升（年增长率达5-7%），各国卫生系统迫切需要确凿的经济学证据来指导AI投资决策。正是在这样的背景下，Rabie Adel El Arab和Omayma Abdulaziz Al Moosa在《npj Digital Medicine》发表了这项开创性的系统评价研究。

研究人员通过系统检索PubMed等四大数据库的312篇文献，最终纳入19项符合标准的经济学评估研究。这些研究横跨2020-2024年，覆盖北美、欧洲和亚洲多个医疗体系，采用成本效益分析(CEA)、成本效用分析(CUA)等多种方法，时间跨度从短期（90天）到终身预测不等。研究特别关注AI在肿瘤筛查、糖尿病视网膜病变(DR)诊断等场景中的应用，通过马尔可夫模型和决策树分析，量化比较AI与传统医疗方式的成本差异。

主要技术方法

研究团队严格遵循PRISMA 2020指南，使用Rayyan软件进行文献筛选，通过双盲流程确保数据提取的准确性。采用CHEERS 2022和Drummond清单（评分21-27/28和8-9/10）评估文献质量。经济分析整合了直接医疗成本（如诊疗费用）和间接成本（如生产力损失），通过蒙特卡洛模拟（最高30,000次）进行敏感性分析。特别值得注意的是，63%的研究采用动态/半动态模型，能够捕捉AI系统随时间进化的性能特征。

比较经济结果

AI在多项临床应用中展现出卓越的成本效益：在房颤筛查中，机器学习(ML)算法将每次质量调整生命年(QALY)增益的成本控制在￡4,847-5,544，远低于英国NHS的￡20,000阈值；糖尿病视网膜病变筛查中，深度学习模型使人均成本降低4-19.5%，ICER低至1,107.63/QALY。结肠镜检查AI辅助系统更带来每年1.49亿（日本）和$8,520万（美国）的全国性节约。

关键成本驱动因素

技术获取成本被证明是决定性因素：肺CT筛查中，只有当每次扫描AI成本<$1,240时才能保持成本节约优势。诊断准确性（灵敏度/特异度）每提高1%，就能减少5-8%的不必要干预。工作流整合效率同样关键，如AI药物管理平台通过优化药师流程实现12.4:1的投资回报率(ROI)。

经济影响与实施考量

尽管整体表现优异，AI的经济效益存在显著情境差异：青光眼筛查虽降低33.3%致盲率，却增加了长期成本；巴西的DR筛查ICER达到$3,500/QALY，仅勉强符合成本效益阈值。研究特别指出，78%的评估忽略了基础设施投入（占总投资40-60%），可能导致效益高估。地域差异同样显著：新加坡DR筛查成本节约幅度（19.5%）是农村中国（4%）的近5倍。

这项系统评价揭示了一个充满希望的图景：临床AI在多数情况下确实能够"既省钱又救命"。但研究也敲响了警钟——当前评估方法存在三大盲区：静态模型高估效益（误差幅度达15-20%）、间接成本核算不全（仅21%研究纳入）、公平性考量缺失（仅2项研究涉及弱势群体）。这些发现为AI医疗的可持续发展指明了方向：需要开发动态适应性模型来捕捉AI的学习曲线，建立包含环境成本（如AI的能源消耗）的综合评估框架，并将公平性指标（如QALYs的群体分布）纳入标准评估流程。随着CHEERS-AI（2024）等新标准的推出，未来的经济学评估将更精准地衡量AI在医疗转型中的真实价值。