Článek
Transformační potenciál umělé inteligence při podpoře ekonomického modelování ve zdravotnictví
-
Derek Swiger, PharmD, MS
-
Paul Turner, PhD, MSc
Seznamte se se současnými modelovacími aplikacemi s umělou inteligencí, klíčovými omezeními a dalšími možnostmi agilnějšího a transparentnějšího generování důkazů připravených na HTA.
Ekonomické modelování je již dlouho základním kamenem přístupu na trh zdravotní péče a poskytuje analytický rámec pro posouzení nákladové efektivity, dopadu na rozpočet a cenových strategií založených na hodnotě. S tím, jak je prostředí zdravotní péče stále složitější, se však zintenzivnila poptávka po agilnějších, transparentnějších a efektivnějších modelovacích procesech. Umělá inteligence (AI) se v tomto prostoru ukazuje jako transformační síla, která zefektivňuje pracovní postupy, urychluje rozhodování a zvyšuje kvalitu dat.1
Pochopení současných aplikací umělé inteligence v ekonomickém modelování, jejích výzev a omezení a budoucích příležitostí je klíčem k určení toho, jak umělá inteligence přetváří ekonomiku zdravotnictví a jak může průmysl tohoto vývoje využít a zároveň splnit přísná očekávání plátců a agentur pro hodnocení zdravotnických technologií (HTA).
Současné aplikace umělé inteligence v ekonomickém modelování
Urychlení konceptualizace a návrhu modelu
Umělá inteligence přináší revoluci v počátečních fázích ekonomického modelování tím, že umožňuje rychlé prototypování modelových struktur. 2 Ekonomové ve zdravotnictví byli tradičně často omezováni pracnými procesy, které je uvěznily v jediném návrhu modelu. Nástroje umělé inteligence nyní umožňují týmům testovat více struktur modelů současně a identifikovat nejúčinnější a nejdůvěryhodnější možnosti pro podporu hodnotového příběhu produktu.
"Nástroje, které nám umožňují velmi rychle vytvářet prototypy modelů, nám umožňují porozumět optimálnímu návrhu modelů pro produkty, abychom identifikovali a podpořili hodnotový příběh," řekl Chris Poole, PhD, hlavní ekonom pro zdravotnictví ve společnosti Cencora.
Tato schopnost testovat různé návrhy modelů v rané fázi procesu podporuje cíl najít správnou rovnováhu mezi nejistotou a složitostí a zajišťuje, že zvolená struktura je v souladu s očekáváním plátce. To je nejen úspora času, ale také obrovská úspora nákladů, protože zpoždění při předkládání žádostí a riziko, že agentury odmítnou složité, špatně odůvodněné modely, mohou společnosti stát miliony.
"Nástroje, které nám umožňují velmi rychle vytvářet prototypy modelů, nám umožňují porozumět optimálnímu návrhu modelů pro produkty, abychom identifikovali a podpořili hodnotový příběh," řekl Chris Poole, PhD, hlavní ekonom pro zdravotnictví ve společnosti Cencora.
Tato schopnost testovat různé návrhy modelů v rané fázi procesu podporuje cíl najít správnou rovnováhu mezi nejistotou a složitostí a zajišťuje, že zvolená struktura je v souladu s očekáváním plátce. To je nejen úspora času, ale také obrovská úspora nákladů, protože zpoždění při předkládání žádostí a riziko, že agentury odmítnou složité, špatně odůvodněné modely, mohou společnosti stát miliony.
Vyplňování mezer v údajích a zvyšování kvality údajů
Nedostatek údajů je přetrvávajícím problémem v ekonomickém modelování, zejména pokud jde o vzácná onemocnění nebo nové terapie, kde nejsou k dispozici žádné údaje, není jich dostatek nebo kde dostupné údaje nejsou dostatečně kvalitní. Umělá inteligence se ukazuje jako neocenitelná při konsolidaci různorodých zdrojů dat a simulaci chybějících vstupů. Umělá inteligence může například digitalizovat Kaplan-Meierovy (KM) křivky a generovat data jednotlivých účastníků pro analýzy přežití, což umožňuje robustnější parametrizaci údajů o přežití.3
"Je úžasné, že můžete vzít publikovanou křivku KM a ukázat ji nástroji genAI s přístupem ke kontejneru Pythonu, ve kterém se kód spustí, a on křivku digitalizuje, napíše kód a spustí ho tak, aby mohl simulovat jednotlivé populace účastnických dat (IPD), které by vám tuto křivku poskytly, " řekl Dr. Poole, který čerpal ze svých zkušeností s nástroji umělé inteligence. "Je to mimořádné. Nejlepší na tom je, že je snadné to ověřit, stačí pracovat pozpátku pomocí IPD a vygenerovat křivku KM."
Tato schopnost dramaticky zkracuje čas potřebný pro statistickou analýzu, což umožňuje zdravotnickým ekonomům soustředit se na úkoly s vyšší hodnotou. Zajištění transparentnosti a platnosti simulací dat řízených umělou inteligencí však zůstává zásadní.
"Je úžasné, že můžete vzít publikovanou křivku KM a ukázat ji nástroji genAI s přístupem ke kontejneru Pythonu, ve kterém se kód spustí, a on křivku digitalizuje, napíše kód a spustí ho tak, aby mohl simulovat jednotlivé populace účastnických dat (IPD), které by vám tuto křivku poskytly, " řekl Dr. Poole, který čerpal ze svých zkušeností s nástroji umělé inteligence. "Je to mimořádné. Nejlepší na tom je, že je snadné to ověřit, stačí pracovat pozpátku pomocí IPD a vygenerovat křivku KM."
Tato schopnost dramaticky zkracuje čas potřebný pro statistickou analýzu, což umožňuje zdravotnickým ekonomům soustředit se na úkoly s vyšší hodnotou. Zajištění transparentnosti a platnosti simulací dat řízených umělou inteligencí však zůstává zásadní.
Zjednodušení vytváření sestav
Umělá inteligence také mění způsob, jakým jsou vytvářeny technické zprávy a další dokumenty, jako jsou zprávy o modelech dopadu rozpočtu pro farmaceutické spisy Academy of Managed Care. 4 Automatizací opakujících se úkolů, jako je formátování a integrace dat, umožňuje umělá inteligence zdravotnickým ekonomům věnovat více času zajištění toho, aby model co nejlépe podporoval hodnotový příběh produktu.
Pozoruhodný je potenciál umělé inteligence šetřit práci. Například v rámci společnosti Cencora budujeme interní systémy umělé inteligence, abychom mohli rychle vypracovávat řadu typů výkazů s cílem v blízké budoucnosti aplikovat tyto systémy na naše vlastní zprávy o ekonomickém modelování. Nejde jen o vytváření nových reportů. Opětovné použití obsahu mezi různými agenturami pro hodnocení zdravotnických technologií je také zralé pro automatizaci.
"Mnoho z těchto šablon od NICE (National Institute for Health and Care Excellence) nebo jiných agentur může být strukturováno nebo uspořádáno odlišně, ale informace potřebné k jejich vyplnění jsou identické," řekl Derek Swiger, PharmD, MS, odborník na digitální inovace v oblasti přístupu na trh a ekonomiky zdraví a výzkumu výsledků (HEOR). "Určitě si můžeme vypůjčit stránku z toho, co lidé dělají s umělou inteligencí v klinickém a regulačním prostoru, pokud jde o modularizaci a opětovné použití obsahu. Příkladem je, jak je příprava zpráv o klinických studiích automatizována nástroji umělé inteligence prostřednictvím opětovného použití obsahu z podkladových dokumentů, jako je protokol studie."
Tento posun nejen zvyšuje efektivitu, ale také zajišťuje konzistenci napříč dokumenty přizpůsobenými různým požadavkům plátců a regulačních požadavků.
Pozoruhodný je potenciál umělé inteligence šetřit práci. Například v rámci společnosti Cencora budujeme interní systémy umělé inteligence, abychom mohli rychle vypracovávat řadu typů výkazů s cílem v blízké budoucnosti aplikovat tyto systémy na naše vlastní zprávy o ekonomickém modelování. Nejde jen o vytváření nových reportů. Opětovné použití obsahu mezi různými agenturami pro hodnocení zdravotnických technologií je také zralé pro automatizaci.
"Mnoho z těchto šablon od NICE (National Institute for Health and Care Excellence) nebo jiných agentur může být strukturováno nebo uspořádáno odlišně, ale informace potřebné k jejich vyplnění jsou identické," řekl Derek Swiger, PharmD, MS, odborník na digitální inovace v oblasti přístupu na trh a ekonomiky zdraví a výzkumu výsledků (HEOR). "Určitě si můžeme vypůjčit stránku z toho, co lidé dělají s umělou inteligencí v klinickém a regulačním prostoru, pokud jde o modularizaci a opětovné použití obsahu. Příkladem je, jak je příprava zpráv o klinických studiích automatizována nástroji umělé inteligence prostřednictvím opětovného použití obsahu z podkladových dokumentů, jako je protokol studie."
Tento posun nejen zvyšuje efektivitu, ale také zajišťuje konzistenci napříč dokumenty přizpůsobenými různým požadavkům plátců a regulačních požadavků.
Výzvy a omezení umělé inteligence v ekonomickém modelování
Potenciál umělé inteligence v ekonomickém modelování zdravotnictví je rozsáhlý, ale výzvy a omezení přetrvávají. V médiích se často diskutuje o tom, že umělá inteligence nahradí lidi, ale je důležité si uvědomit, že umělá inteligence sice vyniká ve vytváření možností a automatizaci procesů, ale nemůže nahradit lidskou odbornost ve strategickém rozhodování. Ekonomové ve zdravotnictví hrají klíčovou roli při zajišťování toho, aby modely generované umělou inteligencí byly proveditelné, důvěryhodné a v souladu s klinickou realitou a realitou úhrad.
Paul Turner, PhD, hlavní ekonom pro zdravotnictví ve společnosti Cencora, zdůraznil důležitost lidského zapojení:
"Umělá inteligence vám může vygenerovat možnosti, ale musí existovat prvek lidského zapojení, aby se zajistilo, že to, co vyberete, je proveditelné. Toto přehlédnutí je kritické."
Tento přístup založený na principu "human-in-the-loop" má zásadní význam pro zachování integrity ekonomických modelů a zajištění jejich vhodnosti pro rozhodování. Týmy HEOR musí také vyvážit využití umělé inteligence k vytváření vysoce složitých modelů s riziky. Složité modely sice mohou splnit očekávání plátců, ale často přinášejí další nejistotu parametrů a vyvolávají potenciální problémy s agenturami.
"Jen proto, že můžeme používat umělou inteligenci k vytváření složitých modelů, neznamená to, že bychom měli," poznamenal Dr. Poole. "Agentura pro hodnocení zdravotnických technologií například nemusí považovat model za vhodný pro rozhodování."
Nalezení správné rovnováhy mezi složitostí a nejistotou je klíčem k maximalizaci užitečnosti modelů řízených umělou inteligencí.
Paul Turner, PhD, hlavní ekonom pro zdravotnictví ve společnosti Cencora, zdůraznil důležitost lidského zapojení:
"Umělá inteligence vám může vygenerovat možnosti, ale musí existovat prvek lidského zapojení, aby se zajistilo, že to, co vyberete, je proveditelné. Toto přehlédnutí je kritické."
Tento přístup založený na principu "human-in-the-loop" má zásadní význam pro zachování integrity ekonomických modelů a zajištění jejich vhodnosti pro rozhodování. Týmy HEOR musí také vyvážit využití umělé inteligence k vytváření vysoce složitých modelů s riziky. Složité modely sice mohou splnit očekávání plátců, ale často přinášejí další nejistotu parametrů a vyvolávají potenciální problémy s agenturami.
"Jen proto, že můžeme používat umělou inteligenci k vytváření složitých modelů, neznamená to, že bychom měli," poznamenal Dr. Poole. "Agentura pro hodnocení zdravotnických technologií například nemusí považovat model za vhodný pro rozhodování."
Nalezení správné rovnováhy mezi složitostí a nejistotou je klíčem k maximalizaci užitečnosti modelů řízených umělou inteligencí.
Budoucí trendy a příležitosti
Potenciál umělé inteligence v ekonomice zdravotnictví stále roste s příchodem novějších systémů a schopností. Například agentní systémy umělé inteligence jsou takové, které jsou schopny autonomně aktualizovat parametry modelu s nejnovějšími důkazy, čehož lze dosáhnout propojením s "živým" systémem systematické revize literatury. Tyto "živé" modely mohou poskytovat přehledy v reálném čase, zlepšovat přesnost předpovědí a umožnit agilnější rozhodování. Věříme, že agentní systémy umělé inteligence jsou připraveny nově definovat ekonomické modelování.
Další oblastí, kde očekáváme, že se systémy umělé inteligence stanou nápomocnými, je analýza historických podání HTA a zpětné vazby od plátců s cílem identifikovat rizikové faktory spojené s odmítnutím modelu nebo neefektivitou.
Dr. Poole učinil následující předpověď:
"Myslím si, že pro každou danou oblast onemocnění pravděpodobně uvidíme použití umělé inteligence k vytvoření databáze faktorů, které vedou k úspěchu v modelu, který je považován za vhodný pro rozhodování, a co je zásadní, jaké faktory jsou spojeny s modelem, který je považován za nevhodný. Možná, že jen v tom je 5 doktorátů s tradičními metodami, ale systém umělé inteligence by pravděpodobně mohl podporovat opravdu dobrý nástroj k identifikaci těchto rizikových faktorů."
Předpokládáme, že tyto nástroje pomohou výrobcům proaktivně řešit potenciální úskalí v jejich podáních, čímž se zvýší pravděpodobnost úspěšných výsledků.
Další oblastí, kde očekáváme, že se systémy umělé inteligence stanou nápomocnými, je analýza historických podání HTA a zpětné vazby od plátců s cílem identifikovat rizikové faktory spojené s odmítnutím modelu nebo neefektivitou.
Dr. Poole učinil následující předpověď:
"Myslím si, že pro každou danou oblast onemocnění pravděpodobně uvidíme použití umělé inteligence k vytvoření databáze faktorů, které vedou k úspěchu v modelu, který je považován za vhodný pro rozhodování, a co je zásadní, jaké faktory jsou spojeny s modelem, který je považován za nevhodný. Možná, že jen v tom je 5 doktorátů s tradičními metodami, ale systém umělé inteligence by pravděpodobně mohl podporovat opravdu dobrý nástroj k identifikaci těchto rizikových faktorů."
Předpokládáme, že tyto nástroje pomohou výrobcům proaktivně řešit potenciální úskalí v jejich podáních, čímž se zvýší pravděpodobnost úspěšných výsledků.
Závěr
Umělá inteligence přetváří prostředí ekonomického modelování a nabízí bezprecedentní rychlost, efektivitu a přesnost. Od urychlení konceptualizace modelů až po vyplňování mezer v datech a automatizaci vytváření zpráv – umělá inteligence mění způsob, jakým ekonomové zdravotnictví přistupují k výzvám přístupu na trh.
Přijetí umělé inteligence však není bez problémů. Lidský dohled, transparentnost a strategické rozhodování zůstávají zásadní pro zajištění platnosti a proveditelnosti modelů řízených umělou inteligencí. Když se díváme do budoucnosti, integrace agentních systémů umělé inteligence odemkne nové příležitosti pro generování důkazů.
Přijetí umělé inteligence však není bez problémů. Lidský dohled, transparentnost a strategické rozhodování zůstávají zásadní pro zajištění platnosti a proveditelnosti modelů řízených umělou inteligencí. Když se díváme do budoucnosti, integrace agentních systémů umělé inteligence odemkne nové příležitosti pro generování důkazů.
*Zdroje pokračují níže
Zřeknutí se odpovědnosti:
Informace uvedené v tomto článku nepředstavují právní radu. Společnost Cencora, Inc. důrazně doporučuje čtenářům, aby si prostudovali dostupné informace týkající se probíraných témat a při rozhodování s nimi se spoléhali na vlastní zkušenosti a odborné znalosti.
Spojte se s naším týmem
Náš tým špičkových odborníků se zaměřuje na přetváření důkazů, poznatků z analýz politik a informací o trhu v účinné strategie přístupu na globální trh. Dovolte nám, abychom vám pomohli s jistotou se orientovat v dnešním složitém prostředí zdravotní péče. Ozvěte se nám a zjistěte, jak můžeme podpořit dosažení vašich cílů.
Zdroje
1. Fleurence RL, Bian J, Wang X, et al; Pracovní skupina ISPOR pro generativní umělou inteligenci. Generativní umělá inteligence pro hodnocení zdravotnických technologií: příležitosti, výzvy a úvahy o politice: zpráva pracovní skupiny ISPOR. Važte si zdraví. 2025; 28(2):175-183. DOI:10.1016/j.jval.2024.10.3846
2. Depalma S, Poole CD, Turner P, Carlton R. Éra umělé inteligence v ekonomickém modelování ve zdravotnictví. Poster přednesený na: ISPOR Evropa 2025; 9.-12. listopadu. Glasgow, Skotsko. EE685. https://www.ispor.org/heor-resources/presentations-database/presentation-cti/ispor-europe-2025/poster-session-5-2/the-artificial-intelligence-era-in-health-economic-modeling
3. Annan A, Mojarad MR, Du J, Xu Y. Automatizovaná extrakce Kaplan-Meierových křivek přežití pomocí generativní umělé inteligence a počítačového vidění. Prezentováno na: ISPOR 2025; 13.-16. května; Montreal, Quebec, Kalifornie. MSR33. https://www.valueinhealthjournal.com/article/S1098-3015(25)01310-5/fulltext
4. Fleurence RL, Wang X, Bian J, et al; Pracovní skupina ISPOR pro generativní umělou inteligenci. Taxonomie generativní umělé inteligence v ekonomice zdravotnictví a výzkumu výsledků: zpráva pracovní skupiny ISPOR. Važte si zdraví. 2025; 28(11):1601-1610. DOI:10.1016/j.jval.2025.04.2167
