人工智能辅助乳腺癌筛查的长期健康结果与成本效益模型研究

本研究针对人工智能（AI）辅助乳腺癌筛查长期健康效益与成本效益未知的问题，通过构建微观模拟模型评估了AI产品Saige-DX结合数字乳腺断层合成（DBT）筛查的价值。结果显示AI筛查虽可降低假阴性（2.1例/千人）和假阳性（50例/千人），并减少晚期癌症发生（0.33例）和死亡（0.13例），但成本效益比（ICER）达303,279/QALY，在当前定价下不符合成本效益阈值（100,000/QALY）。该研究为AI医疗技术临床应用的经济学评价提供了关键证据。

　　

乳腺癌是全球女性最常见的恶性肿瘤，早期筛查被公认为降低死亡率的重要手段。随着数字乳腺断层合成（Digital Breast Tomosynthesis, DBT）技术的普及，乳腺癌的检测灵敏度得到显著提升，但假阳性和假阴性结果仍然存在，导致不必要的病理活检和延误治疗。近年来，人工智能（Artificial Intelligence, AI）技术在医学影像分析领域展现出巨大潜力，尤其在乳腺X线影像判读方面，已有研究表明AI系统能够提高诊断准确率。然而，这些AI辅助筛查工具能否在长期临床实践中真正改善患者健康结局，以及其应用是否具有经济合理性，仍是医疗政策制定者和临床医生关注的焦点。

为解决这些问题，由Matthew Andersen、Ilana B. Richman和Natalia Kunst组成的研究团队开展了一项建模研究，旨在评估AI辅助乳腺癌筛查的长期健康效益、危害和成本效益。该研究发表于健康经济学领域权威期刊《Value in Health》。研究人员通过构建微观模拟模型，比较了标准DBT筛查与DBT结合AI产品Saige-DX筛查的差异，重点分析了假阳性/假阴性率、癌症分期分布、死亡事件、质量调整生命年（Quality-Adjusted Life Years, QALYs）及增量成本效益比（Incremental Cost-Effectiveness Ratio, ICER）。

研究采用多种数据源进行模型参数估计，包括美国国家癌症研究所的SEER（Surveillance, Epidemiology, and End Results）数据库、乳腺癌症监测联盟（Breast Cancer Surveillance Consortium）的全国代表性数据，以及已发表的AI性能研究文献。模型模拟了40-74岁女性群体每两年接受一次筛查的终身过程，模拟队列规模为1000人。主要技术方法包括：基于蒙特卡洛方法的微观模拟（模拟个体生命周期中的癌症发生、进展、筛查检测和死亡）、健康经济评价（计算QALYs和直接医疗成本）、以及概率敏感性分析（评估模型结果的不确定性）。

背景

乳腺癌筛查虽广泛推行，但假阳性和假阴性结果可能导致过度诊断、心理负担和治疗延迟。DBT作为主流筛查技术，虽优于传统乳腺X线摄影，仍存在局限性。AI算法通过深度学习可提升影像判读精度，但缺乏长期效益和经济学证据。

方法

通过微观模拟模型比较两种筛查策略：单独DBT与DBT加AI（Saige-DX）。模型输入参数来自SEER数据库、乳腺癌症监测联盟和AI性能研究。输出指标包括每1000名女性的假阳性/假阴性次数、癌症分期分布、死亡人数、QALYs和成本，并计算ICER。

结果

AI辅助筛查使每1000名女性假阴性减少2.1例，假阳性减少50例，诊断时晚期癌症（区域性或转移性）减少0.33例，乳腺癌死亡减少0.13例。AI筛查组获得3.09个额外QALYs，但终身成本增加936,430，ICER为303,279/QALY。在98%的模拟中，AI不符合$100,000/QALY的成本效益阈值。结果对测试特性变化不敏感。

结论

AI辅助筛查可小幅降低乳腺癌死亡率，但当前定价下不具备成本效益。政策制定需权衡健康获益与经济负担。

研究结论强调，尽管AI技术有望提升乳腺癌筛查的准确性，但其高昂成本限制了广泛应用潜力。从健康经济学视角，除非AI产品价格显著降低或性能进一步优化，否则难以达到常规筛查项目的成本效益标准。该研究为医疗技术评估提供了重要方法论参考，同时警示AI医疗应用需兼顾临床效益与经济可行性。未来研究可探索AI在不同风险亚组或医疗资源差异环境下的差异化价值，以推动精准健康策略发展。