41
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 9-SON
WWW.INFOCOM.UZ
ЭКОНОМИЧЕСКАЯ ОЦЕНКА ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЕ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗДРАВООХРАНЕНИИ С
ПОМОЩЬЮ МЕТОДА HEALTH TECHNOLOGY ASSESSMENT
Султанов Руслан Рустамович
Директор по цифровизации здравоохранения Единый интегратор
UZINFOCOM, PhD
Аннотация:
В статье проводится анализ финансовой эффективности
применения искусственного интеллекта (ИИ) в здравоохранении, исследуются
основные модели оценки, такие как ROI, CBA, HTA, а также примеры успешного
внедрения технологий. Рассмотрены основные риски и барьеры, связанные с
использованием ИИ в медицинских учреждениях, и предложены стратегии для
их минимизации. Уделено внимание возможностям дальнейшего развития
методов оценки эффективности с учетом специфики и потребностей
здравоохранения, а также намечены направления для будущих исследований.
Ключевые слова:
искусственный интеллект, здравоохранение,
финансовая эффективность, модели оценки, ROI, HTA, экономическая выгода,
риски, перспективы, CBA.
СОҒЛИҚНИ
САҚЛАШДА СУНЪИЙ ИНТЕЛЛЕКТДАН ФОЙДАЛАНИШ
ИҚТИСОДИЙ САМАРАДОРЛИГИНИ
HEALTH TECHNOLOGY
ASSESSMENT
УСУЛИ ОРҚАЛИ БАҲОЛАШ
Султанов Руслан Рустамович
UZINFOCOM
ягона интегратори соғлиқни сақлаш тизимини рақамлаштириш
бўйича директори, PhD
Аннотация
:
Мақолада соғлиқни сақлашда сунъий интеллект (СИ)
қўлланилишининг молиявий самарадорлиги таҳлил қилинган, ROI, CBA, HTA
каби асосий баҳолаш моделлари ва технологияларни муваффақиятли жорий
этиш мисоллари ўрганилган. Тиббиёт муассасаларида СИдан фойдаланиш билан
боғлиқ асосий хавф
-
хатарлар ва тўсиқлар кўриб чиқилган ҳамда уларни
камайтириш стратегиялари таклиф этилган. Баҳолаш усулларини соғлиқни
сақлаш соҳасининг хусусиятлари ва эҳтиёжларини ҳисобга олган ҳолда янада
42
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 9-SON
WWW.INFOCOM.UZ
ривожлантириш имкониятларига эътибор қаратилган ва келгуси тадқиқотлар
учун йўналишлар белгилаб берилган.
Калит сўзлар
:
сунъий интеллект, соғлиқни сақлаш, молиявий
самарадорлик, баҳолаш моделлари, ROI, HTA, иқтисодий фойда, хавф-хатарлар,
истиқболлар, CBA.
ECONOMIC EVALUATION OF THE EFFECTIVENESS OF ARTIFICIAL
INTELLIGENCE IN HEALTHCARE USING THE HEALTH TECHNOLOGY
ASSESSMENT METHOD
Sultanov Ruslan Rustamovich
Director of Healthcare Digitalization Unified Integrator UZINFOCOM, PhD
Abstract:
This article analyzes the financial efficiency of implementing
artificial intelligence (AI) in healthcare, examining key evaluation models such as ROI,
CBA, and HTA, as well as examples of successful technology adoption. The primary
risks and barriers associated with AI usage in medical institutions are discussed, along
with strategies for minimizing these challenges. The study highlights potential areas
for advancing efficiency assessment methods tailored to the specific needs of
healthcare and outlines directions for future research.
Keywords: artificial intelligence, healthcare, financial efficiency, evaluation
models, ROI, HTA, economic benefit, risks, prospects, CBA.
ВВЕДЕНИЕ
В последние годы искусственный интеллект (ИИ) стал неотъемлемой
частью глобальных процессов цифровизации, включая сферу здравоохранения.
Развитие ИИ
-
решений открывает новые возможности для диагностики, лечения
и улучшения качества жизни пациентов. Однако наряду с многочисленными
обещаниями, использование ИИ в медицине сталкивается с важными вопросами
о его реальной эффективности и экономической целесообразности. В условиях
ограниченных ресурсов здравоохранение требует строгих подходов к оценке
инноваций, и здесь ключевую роль играет Health Technology Assessment (HTA)
—
комплексный анализ медицинских технологий с точки зрения их
безопасности, клинической и экономической эффективности, а также
социального воздействия.
Целью данной статьи является рассмотрение экономической оценки ИИ в
медицине с точки зрения HTA, а также выявление факторов, которые
определяют успешность внедрения таких технологий в систему
43
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 9-SON
WWW.INFOCOM.UZ
здравоохранения. Экономическая оценка применения ИИ в здравоохранении
позволяет не только оценить рентабельность и эффективность подобных
решений, но и помогает формировать стандарты и подходы для их внедрения в
реальную медицинскую практику.
ОБЗОР ЛИТЕРАТУРЫ
Health Technology Assessment (HTA) начал формироваться как дисциплина
в 1970
-
х годах. Возникновение HTA было связано с необходимостью
систематической оценки медицинских технологий и нововведений в
здравоохранении. Пионером в этой области стала Программа оценки технологий
здравоохранения (Health Program Technology Assessment), созданная в 1976 году
в США при Национальном институте здравоохранения (NIH). Это была одна из
первых попыток структурированно оценить влияние медицинских технологий не
только с точки зрения клинической эффективности, но и с учетом
экономических, социальных и этических аспектов
(Institute of Medicine, 1985)
.
В 1980
-
х и 1990
-
х годах HTA стал активно распространяться в Европе и
других регионах мира. Создание международных организаций, таких как
Международное общество оценки технологий здравоохранения (International
Society for Technology Assessment in Health Care, ISTAHC) в 1985 году и Евро
обсерватории по системам и политике здравоохранения (European O
bservatory on
Health Systems and Policies), способствовало развитию и стандартизации
подходов HTA
(Banta, Jonsson, and Childs, 2009, pp. 68–70)
.
Сегодня HTA является признанным инструментом, который широко
используется во многих странах для поддержки принятия решений о внедрении
и финансировании медицинских технологий, включая лекарства, оборудование,
диагностические и лечебные методики, а также цифровые и ИИ
-
решения в
здравоохранении.
Health Technology Assessment (HTA) действительно может потребовать
значительных затрат из
-
за необходимости сбора комплексных данных, участия
мультидисциплинарной команды и проведения обширных исследований.
Однако есть несколько стратегий, которые помогут снизить затраты на
проведение HTA, сохранив при этом его эффективность:
-
сократите объем первичных исследований
, используя уже
существующие медицинские данные и базы данных электронных записей
пациентов. Это позволит сократить затраты на сбор и анализ информации.
Как
например, использование данных национальных регистров или больничных баз
1
Institute of Medicine (US) Committee for Evaluating Medical Technologies in Clinical Use. Assessing Medical
Technologies. Washington (DC): National Academies Press (US); 1985.
2
Banta D., Jonsson E., Childs P.
History of HTA: The Development of Health Technology Assessment
. International
Journal of Technology Assessment in Health Care, 2009.
44
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 9-SON
WWW.INFOCOM.UZ
может снизить затраты на проведение анализа, так как основные статистические
данные уже собраны и доступны
;
-
вместо проведения дорогих клинических испытаний и полевых
исследований использовать
моделирование и симуляции
для прогнозирования
клинических и экономических эффектов. Такие методы, как анализ сценариев и
вероятностное моделирование, могут дать качественные оценки.
Прогнозирование долгосрочных результатов и стоимости лечения с помощью
компьютерного моделирования,
чтобы избежать затрат на полномасштабные
клинические испытания
;
-
применение
поэтапного подхода
к проведению HTA, начиная с
предварительного анализа для оценки потенциала технологии. Если
предварительные результаты показывают перспективность, необходимо
переходить
к более глубоким этапам анализа, а также проведение небольших
пилотных исследований или первичной оценки для сужения фокуса
исследования, прежде чем переходить к полноценному HTA.
-
объединение усилия с другими учреждениями и организациями для
совместного использования данных, ресурсов и затрат.
В некоторых странах
уже существуют консорциумы, которые делят ресурсы для проведения HTA.
Международные организации, такие как EUnetHTA в Европе, содействуют
сотрудничеству между учреждениями, что позволяет снизить затраты и
улучшить качество исследований.
-
применение
алгоритмов ИИ для анализа данных и автоматизации
повторяющихся задач (
например, обработки данных и подготовки отчетов)
поможет сократить затраты на персонал и ускорить процесс оценки.
ИИ может
автоматически анализировать данные электронных медицинских записей для
выявления клинических результатов, снижая объем работы для аналитиков.
-
определение ключевые показатели эффективности
(например,
стоимость на одного пациента, снижение времени лечения), которые наиболее
важны для принятия решения. Это сократит объем работы и анализ только на
значимых аспектах.
Если цель HTA
—
оценить экономию от уменьшения
повторных госпитализаций, можно сосредоточиться на этом показателе и не
охватывать менее важные
факторы.
На рисунке 1 показан общий (упрощенный) процесс МТО. Тут обращается
внимание на цель процесса МТО: передача информации от исследователей в
сфере здравоохранения (ученых) лицам, принимающим решение, и в конечном
итоге
—
обществу.
45
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 9-SON
WWW.INFOCOM.UZ
Рисунок №1. Модель
медицинско
-
технологической оценки
ОБСУЖДЕНИЕ И РЕЗУЛЬТАТЫ
Математическую модель Health Technology Assessment (HTA) можно
построить, структурируя ключевые аспекты оценки в формулах и расчетах.
Здесь приведен подход к оценке эффективности технологии ИИ в
здравоохранении с использованием математических формул для расчета
основных показателей:
Клиническая эффективность
Клиническая эффективность
можно выразить через отношение
показателей успеха новой технологии к традиционным методам. Пусть
𝐸𝐸
𝑛𝑛𝑛𝑛𝑛𝑛
-
клинический эффект новой технологии, а
𝐸𝐸
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑛𝑛𝑛𝑛𝑐𝑐
–
эффект существующих
методов.
Клиническая
эффективность
(
𝐶𝐶𝐸𝐸
) =
𝐸𝐸
𝑛𝑛𝑛𝑛𝑛𝑛
𝐸𝐸
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑛𝑛𝑛𝑛𝑐𝑐
(1)
если значение
CE > 1
указывает на то, что новая технология более
эффективна, чем текущие методы.
Экономическая оценка
Экономическая оценка
обычно включает анализ затрат и выгод. В HTA
часто используют
анализ затрат и выгод (CBA)
и
анализ затрат и
эффективности (CEA).
ROI (Возврат на инвестиции)
𝑅𝑅𝑅𝑅𝑅𝑅
=
Выгоды
от
внедрение
ИИ
−
Затраты
на
внедрение
ИИ
Затраты
на
внедрении
ИИ
× 100%
(2)
если
ROI > 0
, технология считается экономически эффективной.
CEA (Cost-Effectiveness Analysis)
46
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 9-SON
WWW.INFOCOM.UZ
В
CEA
эффективность определяется через клинический исход, такой как
количество предотвращенных осложнений или летальных исходов. Пусть
С
𝑛𝑛𝑛𝑛𝑛𝑛
−
стоимость
новой
технологии
,
С
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑛𝑛𝑛𝑛𝑐𝑐
−
стоимость
текущей
,
а
𝐸𝐸
𝑛𝑛𝑛𝑛𝑛𝑛
и
𝐸𝐸
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑛𝑛𝑛𝑛𝑐𝑐
клинические исходы.
Соотношение
затрат
-
эффективность
=
С
𝒏𝒏𝒏𝒏𝒏𝒏
−
𝑪𝑪
𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒏𝒏𝒏𝒏𝒄𝒄
𝑬𝑬
𝒏𝒏𝒏𝒏𝒏𝒏
−
𝑬𝑬
𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒏𝒏𝒏𝒏𝒄𝒄
(3)
Меньшее значение указывает на большую эффективность по отношению к
затратам.
Оценка качества жизни (Quality-adjusted life years, QALY)
QALY
используется для оценки улучшения качества жизни пациентов.
Пусть
𝑄𝑄
𝑛𝑛𝑛𝑛𝑛𝑛
и
𝑄𝑄
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑛𝑛𝑛𝑛𝑐𝑐
-
количество лет, скорректированных на качество жизни,
для новой технологии и традиционного метода соответственно.
Изменение
QALY =
𝑄𝑄
𝑛𝑛𝑛𝑛𝑛𝑛
−
𝑄𝑄
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑛𝑛𝑛𝑛𝑐𝑐
(4)
Положительное значение указывает на улучшение качества жизни.
Сценарный анализ
Сценарный анализ позволяет оценить изменения показателей в
зависимости от различных условий. Пусть
𝑥𝑥
—
изменение параметра, например,
стоимости лечения, тогда сценарный анализ может быть выражен как функция
зависимости клинических и экономических результатов от изменения
параметра:
𝑓𝑓
(
𝑥𝑥
) =
Результат
внедрения
при
условии
изменения
𝑥𝑥
(5)
Например, можно рассчитать ожидаемые затраты при изменении цены на
технологию или затрат на обслуживание.
SWOT-
анализ в количественной форме
Total Cost of Ownership (TCO)
рассчитывается как сумма всех затрат,
связанных с внедрением технологии в течение жизненного цикла:
ТСО
=
С
Внедрение
+
С
обслуживание
+
С
обновление
+
С
обучение
(6)
где:
С
Внедрение
-
начальные затраты на внедрение,
С
обслуживание
-
расходы на поддержку и обслуживание,
С
обновление
-
затраты на обновление,
С
обучение
-
затраты на обучение персонала.
Итоговое значение TCO позволяет оценить долгосрочную финансовую
нагрузку.
Общая формула для интегральной оценки HTA
Интегральная оценка эффективности может быть представлена в виде
функции, объединяющей клинические, экономические, технические и
социальные
аспекты:
𝐻𝐻𝐻𝐻𝐻𝐻
оценка
=
𝜔𝜔
𝐶𝐶𝐸𝐸
×
𝐶𝐶𝐸𝐸
+
𝜔𝜔
𝑅𝑅𝑅𝑅𝑅𝑅
×
𝑅𝑅𝑅𝑅𝑅𝑅
+
𝜔𝜔
𝑄𝑄𝑄𝑄𝑄𝑄𝑄𝑄
×
𝑄𝑄𝐻𝐻𝑄𝑄𝑄𝑄
+
𝜔𝜔
𝑇𝑇𝐶𝐶𝑅𝑅
×
1
𝑇𝑇𝐶𝐶𝑅𝑅
+
𝑆𝑆𝑆𝑆𝑅𝑅𝐻𝐻
оценка
(7)
47
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 9-SON
WWW.INFOCOM.UZ
где
𝜔𝜔
𝐶𝐶𝐸𝐸
,
𝜔𝜔
𝑅𝑅𝑅𝑅𝑅𝑅
,
𝜔𝜔
𝑄𝑄𝑄𝑄𝑄𝑄𝑄𝑄
,
𝜔𝜔
𝑇𝑇𝐶𝐶𝑅𝑅
-
веса по каждому параметру, отражающие его
значимость.
Этот подход позволяет получить обобщенную числовую оценку,
учитывающую как финансовые, так и клинические и технические показатели
HTA, и помогает принять сбалансированное решение о целесообразности
внедрения ИИ в здравоохранение.
ЗАКЛЮЧЕНИЕ
В заключение можно отметить, что оценка финансовой эффективности
внедрения искусственного интеллекта (ИИ) в здравоохранении является важным
и комплексным процессом, который требует применения различных методов и
моделей анализа. Несмотря на очевидные преимущества ИИ, такие как
улучшение клинических исходов и оптимизация затрат, успешное внедрение
технологий
требует
тщательной
оценки
рисков,
экономической
целесообразности и долгосрочной устойчивости. Использование таких
подходов, как анализ затрат и выгод (CBA), возврат на инвестиции (ROI), оценка
качества жизни (QALY) и Health Technology Assessment (HTA), помогает более
точно определить, какие технологии принесут максимальную пользу пациентам
и медицинским учреждениям.
Для дальнейшего улучшения научной новизны данного метода можно
выделить несколько ключевых параметров, которые требуют доработки. Во
-
первых, необходимо разработать более динамичные модели, которые смогут
адаптироваться к изменениям в здравоохранении, таким как колебания затрат на
лечение, новые
клинические данные или изменения в законодательстве. Во
-
вторых, важно интегрировать результаты различных методов оценки, чтобы
создать комплексный подход, который учитывает как экономические, так и
клинические аспекты. Наконец, требуется активное внедрение новых
технологий, таких как ИИ и машинное обучение, для анализа больших данных,
что позволит повысить точность и скорость оценки.
Таким образом, в дальнейшем будет исследоваться возможность
совершенствования этих методов и параметров с целью повышения их
эффективности и адаптивности к быстро меняющейся среде здравоохранения.
Это особенно актуально в условиях постоянно растущей стоимости
медицинских услуг и новых вызовов, стоящих перед системой здравоохранения.
Развитие интегрированных и прозрачных моделей
оценки, а также внедрение
передовых технологий станут ключевыми факторами успешной цифровизации
здравоохранения, что позволит значительно улучшить качество медицинских
услуг, сократить затраты и повысить удовлетворенность пациентов.
48
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 9-SON
WWW.INFOCOM.UZ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
1. Бойков, В. А. Искусственный интеллект в здравоохранении:
перспективы и проблемы / В. А. Бойков.
–
Москва: Издательство Медицина,
2020. –
320 с.
2. Горбунов, А. Ю., Матвеева, Е. С. Экономическая оценка технологий в
здравоохранении
. –
Санкт
-
Петербург: СПбГУ, 2018.
–
250 с.
3. Рубцов, И. В. Модели и методы анализа больших данных в медицине /
И. В. Рубцов.
–
Екатеринбург: Уральский университет, 2019.
–
280 с.
4. Mount Sinai Health System. Влияние искусственного интеллекта на
операционные затраты в медицинских центрах [Электронный ресурс].
–
Режим
Дата обращения: 04.11.2024.
5. Mayo Clinic. Применение ИИ в прогнозировании сердечно
-
сосудистых
заболеваний [Электронный ресурс].
–
–
Дата обращения: 04.11.2024.
6. NHS. Автоматизация административных процессов с использованием
ИИ [Электронный ресурс].
–
Режим доступа:
Дата
обращения: 04.11.2024.
7. Журнал "Экономика здравоохранения". Анализ экономической
эффективности внедрения технологий в медицинских учреждениях.
– 2022. –
№
4. –
С. 45
-57.
8. Клементьев, А. П. Внедрение инновационных технологий в
здравоохранении / А. П. Клементьев.
–
Москва: Экономика и здоровье, 2021.
–
150 с.
9. Health Technolog
y Assessment International. Основные принципы оценки
медицинских технологий [Электронный ресурс].
–
Режим доступа:
Дата обращения: 04.11.2024.
10. Центр анализа технологий здравоохранения. Руководство по
внедрению и оценке ИИ в здравоохранении.
–
Москва: ЦАТЗ, 2023.
–
300 с.
11. Kaplan, R. S., & Porter, M. E. How to Solve the Cost Crisis in Health Care
/ R. S. Kaplan, M. E. Porter // Harvard Business Review. – 2011. – Available at:
https://hbr.org
12. Topol, E. J. Deep Medicine: How Artificial Intelligence Can Make
Healthcare Human Again / E. J. Topol. – New York: Basic Books, 2019. – 400 p.
13. Jiang, F., Jiang, Y., Zhi, H., et al. Artificial Intelligence in Healthcare: Past,
Present and Future / F. Jiang, Y. Jiang, H. Zhi et al. // Stroke and Vascular Neurology.
– 2017. – Vol. 2, No. 4. – pp. 230-243. – DOI: 10.1136/svn-2017-000101
49
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 9-SON
WWW.INFOCOM.UZ
14. OECD Health Division. Artificial Intelligence in Health Care: Opportunities
and Challenges [Electronic resource]. – Access mode: https://www.oecd.org – Date of
access: 04.11.2024.
15. European Commission. Artificial Intelligence for Europe // White Paper on
Artificial Intelligence. – Brussels: European Union, 2020. – Available at:
https://ec.europa.eu
16. Shen, J., Zhang, C. J., Jiang, B., et al. Artificial Intelligence in Healthcare: A
Comprehensive Overview / J. Shen, C. J. Zhang, B. Jiang et al. // Annual Review of
Medicine. – 2020. – Vol. 71, pp. 101-118. – DOI: 10.1146/annurev-med-052318-
090127
17. World Health Organization. Ethics and Governance of Artificial Intelligence
for Health [Electronic resource]. – Geneva: WHO, 2021. – Available at:
https://www.who.int/publications/i/item/9789240029200
18. Esteva, A., Robicquet, A., Ramsundar, B., et al. A Guide to Deep Learning
in Healthcare / A. Esteva, A. Robicquet, B. Ramsundar et al. // Nature Medicine. –
2019. – Vol. 25, pp. 24-29. – DOI: 10.1038/s41591-018-0316-z
19. Health Technology Assessment International (HTAi). A Guide for Effective
Health Technology Assessment Practices [Electronic resource]. – Access mode:
https://htai.org – Date of access: 04.11.2024.
20. European Network for Health Technology Assessment (EUnetHTA). Best
Practices in Health Technology Assessment [Electronic resource]. – Access mode:
https://eunethta.eu – Date of access: 04.11.2024.
21. Chen, J. H., & Asch, S. M. Machine Learning and Prediction in Medicine –
Beyond the Hype / J. H. Chen, S. M. Asch // Journal of the American Medical
Association. – 2017. – Vol. 318, No. 6, pp. 513-514. – DOI: 10.1001/jama.2017.5604
22. National Institute for Health and Care Excellence (NICE). Evidence
Standards Framework for Digital Health Technologies [Electronic resource]. – Access
mode: https://www.nice.org.uk – Date of access: 04.11.2024.
