Artikel
Das transformative Potenzial von KI zur Unterstützung der gesundheitsökonomischen Modellierung
-
Derek Swiger, PharmD, MS
-
Paul Turner, PhD, MSc
Erfahren Sie mehr über die heutigen KI-fähigen Modellierungsanwendungen, die wichtigsten Einschränkungen und die nächsten Schritte für eine agilere, transparentere und HTA-fähige Evidenzgenerierung.
Die Wirtschaftsmodellierung ist seit langem ein Eckpfeiler des Marktzugangs im Gesundheitswesen und bietet den analytischen Rahmen zur Bewertung von Kosteneffizienz, Auswirkungen auf das Budget und wertbasierten Preisstrategien. Da die Landschaft des Gesundheitswesens jedoch immer komplexer wird, hat sich die Nachfrage nach agileren, transparenteren und effizienteren Modellierungsprozessen verstärkt. Künstliche Intelligenz (KI) entwickelt sich in diesem Bereich zu einer transformativen Kraft, die Arbeitsabläufe rationalisiert, die Entscheidungsfindung beschleunigt und die Datenqualität verbessert.1
Das Verständnis der aktuellen Anwendungen von KI in der Wirtschaftsmodellierung, ihrer Herausforderungen und Grenzen sowie zukünftigen Chancen ist der Schlüssel dazu, wie KI die Gesundheitsökonomie umgestaltet, und die Industrie kann diese Entwicklungen nutzen und gleichzeitig die strengen Erwartungen von Kostenträgern und Agenturen für die Bewertung von Gesundheitstechnologien (HTA) erfüllen.
Aktuelle Anwendungen von KI in der Wirtschaftsmodellierung
Beschleunigung der Modellkonzeption und des Modelldesigns
KI revolutioniert die Anfangsphase der wirtschaftlichen Modellierung, indem sie ein schnelles Prototyping von Modellstrukturen ermöglicht. 2 Traditionell waren Gesundheitsökonomen oft durch arbeitsintensive Prozesse eingeschränkt, die sie an ein einziges Modelldesign gebunden waren. KI-Tools ermöglichen es Teams jetzt, mehrere Modellstrukturen gleichzeitig zu testen und die effizientesten und glaubwürdigsten Optionen zur Unterstützung der Wertgeschichte eines Produkts zu identifizieren.
"Mit Tools, die es uns ermöglichen, sehr schnell Prototypen von Modellen zu erstellen, können wir das optimale Modelldesign für Produkte verstehen, um die Value Story zu identifizieren und zu unterstützen", so Chris Poole, PhD, Senior Health Economist bei Cencora.
Diese Fähigkeit, verschiedene Modelldesigns frühzeitig im Prozess zu testen, unterstützt das Ziel, das richtige Gleichgewicht zwischen Unsicherheit und Komplexität zu finden, und stellt sicher, dass die gewählte Struktur den Erwartungen der Zahler entspricht. Dies ist nicht nur zeitsparend, sondern auch eine enorme Kostenersparnis, da die Verzögerungen bei der Einreichung und das Risiko, dass Behörden komplexe, schlecht begründete Modelle ablehnen, Unternehmen Millionen kosten können.
"Mit Tools, die es uns ermöglichen, sehr schnell Prototypen von Modellen zu erstellen, können wir das optimale Modelldesign für Produkte verstehen, um die Value Story zu identifizieren und zu unterstützen", so Chris Poole, PhD, Senior Health Economist bei Cencora.
Diese Fähigkeit, verschiedene Modelldesigns frühzeitig im Prozess zu testen, unterstützt das Ziel, das richtige Gleichgewicht zwischen Unsicherheit und Komplexität zu finden, und stellt sicher, dass die gewählte Struktur den Erwartungen der Zahler entspricht. Dies ist nicht nur zeitsparend, sondern auch eine enorme Kostenersparnis, da die Verzögerungen bei der Einreichung und das Risiko, dass Behörden komplexe, schlecht begründete Modelle ablehnen, Unternehmen Millionen kosten können.
Datenlücken schließen und Datenqualität verbessern
Datenlücken sind eine anhaltende Herausforderung bei der wirtschaftlichen Modellierung, insbesondere bei seltenen Krankheiten oder neuartigen Therapien, bei denen es keine oder nicht genügend Daten gibt oder wenn die verfügbaren Daten nicht von ausreichender Qualität sind. KI erweist sich als unschätzbar wertvoll bei der Konsolidierung unterschiedlicher Datenquellen und der Simulation fehlender Eingaben. So kann KI beispielsweise Kaplan-Meier (KM)-Kurven digitalisieren und individuelle Teilnehmerdaten für Überlebensanalysen generieren, was eine robustere Parametrisierung von Überlebensdaten ermöglicht.3
"Es ist erstaunlich, dass man eine veröffentlichte KM-Kurve nehmen und sie einem genAI-Tool mit Zugriff auf einen Python-Container zeigen kann, in dem der Code ausgeführt werden kann, und es digitalisiert die Kurve, schreibt den Code und führt ihn so aus, dass er die IPD-Populationen (Individual Participant Data) simulieren kann, die Ihnen diese Kurve gegeben hätten. ", sagte Dr. Poole und stützte sich dabei auf seine Erfahrung mit KI-Tools. "Es ist außergewöhnlich. Das Beste daran ist, dass es einfach zu validieren ist, Sie arbeiten einfach rückwärts, indem Sie das IPD verwenden, um die KM-Kurve zu generieren."
Diese Fähigkeit reduziert den Zeitaufwand für statistische Analysen drastisch und ermöglicht es Gesundheitsökonomen, sich auf höherwertige Aufgaben zu konzentrieren. Die Gewährleistung von Transparenz und Validität bei KI-gesteuerten Datensimulationen bleibt jedoch von entscheidender Bedeutung.
"Es ist erstaunlich, dass man eine veröffentlichte KM-Kurve nehmen und sie einem genAI-Tool mit Zugriff auf einen Python-Container zeigen kann, in dem der Code ausgeführt werden kann, und es digitalisiert die Kurve, schreibt den Code und führt ihn so aus, dass er die IPD-Populationen (Individual Participant Data) simulieren kann, die Ihnen diese Kurve gegeben hätten. ", sagte Dr. Poole und stützte sich dabei auf seine Erfahrung mit KI-Tools. "Es ist außergewöhnlich. Das Beste daran ist, dass es einfach zu validieren ist, Sie arbeiten einfach rückwärts, indem Sie das IPD verwenden, um die KM-Kurve zu generieren."
Diese Fähigkeit reduziert den Zeitaufwand für statistische Analysen drastisch und ermöglicht es Gesundheitsökonomen, sich auf höherwertige Aufgaben zu konzentrieren. Die Gewährleistung von Transparenz und Validität bei KI-gesteuerten Datensimulationen bleibt jedoch von entscheidender Bedeutung.
Optimieren der Berichtserstellung
KI verändert auch die Art und Weise, wie technische Berichte und andere Dokumente, wie z. B. Budgetauswirkungsmodellberichte für Dossiers der Academy of Managed Care Pharmacy, verfasst werden. 4 Durch die Automatisierung sich wiederholender Aufgaben wie Formatierung und Datenintegration ermöglicht KI Gesundheitsökonomen, mehr Zeit darauf zu verwenden, sicherzustellen, dass ein Modell die Wertgeschichte des Produkts am besten unterstützt.
Das arbeitssparende Potenzial von KI ist bemerkenswert. Bei Cencora bauen wir beispielsweise interne KI-Systeme auf, um schnell zahlreiche Arten von Berichten zu erstellen, mit dem Ziel, diese Systeme in naher Zukunft auf unsere eigenen Wirtschaftsmodellierungsberichte anzuwenden. Es geht nicht nur darum, neue Berichte zu erstellen. Die Wiederverwendung von Inhalten zwischen verschiedenen HTA-Agenturen ist ebenfalls reif für die Automatisierung.
"Viele dieser Vorlagen von NICE (National Institute for Health and Care Excellence) oder anderen Agenturen mögen anders strukturiert oder bestellt sein, aber die Informationen, die zum Ausfüllen benötigt werden, sind identisch", sagte Derek Swiger, PharmD, MS, ein Experte für digitale Innovation in den Bereichen Marktzugang und Gesundheitsökonomie und Ergebnisforschung (HEOR). "Wir können uns sicherlich ein Beispiel daran nehmen, was die Leute mit KI im klinischen und regulatorischen Bereich in Bezug auf die Modularisierung und Wiederverwendung von Inhalten tun. Ein Beispiel ist, wie die Erstellung klinischer Studienberichte durch KI-Tools durch die Wiederverwendung von Inhalten aus den zugrunde liegenden Dokumenten wie dem Studienprotokoll automatisiert wird."
Diese Umstellung steigert nicht nur die Effizienz, sondern gewährleistet auch die Konsistenz zwischen Dokumenten, die auf unterschiedliche Kostenträger- und regulatorische Anforderungen zugeschnitten sind.
Das arbeitssparende Potenzial von KI ist bemerkenswert. Bei Cencora bauen wir beispielsweise interne KI-Systeme auf, um schnell zahlreiche Arten von Berichten zu erstellen, mit dem Ziel, diese Systeme in naher Zukunft auf unsere eigenen Wirtschaftsmodellierungsberichte anzuwenden. Es geht nicht nur darum, neue Berichte zu erstellen. Die Wiederverwendung von Inhalten zwischen verschiedenen HTA-Agenturen ist ebenfalls reif für die Automatisierung.
"Viele dieser Vorlagen von NICE (National Institute for Health and Care Excellence) oder anderen Agenturen mögen anders strukturiert oder bestellt sein, aber die Informationen, die zum Ausfüllen benötigt werden, sind identisch", sagte Derek Swiger, PharmD, MS, ein Experte für digitale Innovation in den Bereichen Marktzugang und Gesundheitsökonomie und Ergebnisforschung (HEOR). "Wir können uns sicherlich ein Beispiel daran nehmen, was die Leute mit KI im klinischen und regulatorischen Bereich in Bezug auf die Modularisierung und Wiederverwendung von Inhalten tun. Ein Beispiel ist, wie die Erstellung klinischer Studienberichte durch KI-Tools durch die Wiederverwendung von Inhalten aus den zugrunde liegenden Dokumenten wie dem Studienprotokoll automatisiert wird."
Diese Umstellung steigert nicht nur die Effizienz, sondern gewährleistet auch die Konsistenz zwischen Dokumenten, die auf unterschiedliche Kostenträger- und regulatorische Anforderungen zugeschnitten sind.
Herausforderungen und Grenzen von KI in der Wirtschaftsmodellierung
Das Potenzial von KI in der gesundheitsökonomischen Modellierung ist umfangreich, aber es bleiben Herausforderungen und Einschränkungen. In den Medien wird oft darüber diskutiert, dass KI Menschen ersetzt, aber es ist wichtig zu beachten, dass KI zwar hervorragend darin ist, Optionen zu generieren und Prozesse zu automatisieren, aber menschliches Fachwissen bei der strategischen Entscheidungsfindung nicht ersetzen kann. Gesundheitsökonomen spielen eine entscheidende Rolle dabei, sicherzustellen, dass KI-generierte Modelle machbar, glaubwürdig und auf die klinischen und erstattungsbezogenen Realitäten abgestimmt sind.
Paul Turner, PhD, ein leitender Gesundheitsökonom bei Cencora, betonte die Bedeutung der menschlichen Beteiligung:
"KI kann die Optionen für Sie generieren, aber es muss ein Element der menschlichen Beteiligung geben, um sicherzustellen, dass das, was ausgewählt wird, machbar ist. Diese Aufsicht ist entscheidend."
Dieser Human-in-the-Loop-Ansatz ist unerlässlich, um die Integrität von Wirtschaftsmodellen zu erhalten und ihre Eignung für die Entscheidungsfindung zu gewährleisten. HEOR-Teams müssen auch den Einsatz von KI zur Erstellung hochkomplexer Modelle mit den Risiken in Einklang bringen. Während komplizierte Modelle die Erwartungen der Zahler erfüllen können, führen sie oft zu zusätzlicher Parameterunsicherheit und werfen potenzielle Probleme mit den Behörden auf.
"Nur weil wir KI verwenden können, um komplexe Modelle zu erstellen, heißt das nicht, dass wir es tun sollten", bemerkte Dr. Poole. "Zum Beispiel könnte die HTA-Agentur das Modell nicht für die Entscheidungsfindung geeignet finden."
Das richtige Gleichgewicht zwischen Komplexität und Unsicherheit zu finden, ist der Schlüssel zur Maximierung des Nutzens von KI-gesteuerten Modellen.
Paul Turner, PhD, ein leitender Gesundheitsökonom bei Cencora, betonte die Bedeutung der menschlichen Beteiligung:
"KI kann die Optionen für Sie generieren, aber es muss ein Element der menschlichen Beteiligung geben, um sicherzustellen, dass das, was ausgewählt wird, machbar ist. Diese Aufsicht ist entscheidend."
Dieser Human-in-the-Loop-Ansatz ist unerlässlich, um die Integrität von Wirtschaftsmodellen zu erhalten und ihre Eignung für die Entscheidungsfindung zu gewährleisten. HEOR-Teams müssen auch den Einsatz von KI zur Erstellung hochkomplexer Modelle mit den Risiken in Einklang bringen. Während komplizierte Modelle die Erwartungen der Zahler erfüllen können, führen sie oft zu zusätzlicher Parameterunsicherheit und werfen potenzielle Probleme mit den Behörden auf.
"Nur weil wir KI verwenden können, um komplexe Modelle zu erstellen, heißt das nicht, dass wir es tun sollten", bemerkte Dr. Poole. "Zum Beispiel könnte die HTA-Agentur das Modell nicht für die Entscheidungsfindung geeignet finden."
Das richtige Gleichgewicht zwischen Komplexität und Unsicherheit zu finden, ist der Schlüssel zur Maximierung des Nutzens von KI-gesteuerten Modellen.
Zukünftige Trends und Chancen
Das Potenzial für KI in der Gesundheitsökonomie wächst mit dem Aufkommen neuerer Systeme und Fähigkeiten weiter. Agentische KI-Systeme sind beispielsweise solche, die in der Lage sind, Modellparameter autonom mit den neuesten Erkenntnissen zu aktualisieren, was durch die Verknüpfung mit einem "lebenden" systematischen Literaturüberprüfungssystem erreicht wird. Diese "lebenden" Modelle können Echtzeit-Einblicke liefern, die Prognosegenauigkeit verbessern und eine agilere Entscheidungsfindung ermöglichen. Wir glauben, dass agentische KI-Systeme bereit sind, die wirtschaftliche Modellierung neu zu definieren.
Ein weiterer Bereich, in dem wir erwarten, dass KI-Systeme entscheidend werden, ist die Analyse historischer HTA-Einreichungen und des Feedbacks der Zahler, um Risikofaktoren zu identifizieren, die mit der Ablehnung oder Ineffizienz von Modellen verbunden sind.
Dr. Poole machte die folgende Vorhersage:
"Ich denke, dass wir für jeden Krankheitsbereich wahrscheinlich sehen werden, dass KI verwendet wird, um eine Datenbank mit Faktoren zu erstellen, die zum Erfolg eines Modells führen, das als geeignet für die Entscheidungsfindung angesehen wird, und vor allem, welche Faktoren damit verbunden sind, dass ein Modell als nicht geeignet eingestuft wird. Vielleicht gibt es allein in diesem Bereich 5 Doktoranden mit traditionellen Methoden, aber ein KI-System könnte wahrscheinlich ein wirklich gutes Werkzeug unterstützen, um diese Risikofaktoren zu identifizieren."
Wir gehen davon aus, dass diese Tools den Herstellern helfen werden, potenzielle Fallstricke bei ihren Einreichungen proaktiv anzugehen und die Wahrscheinlichkeit erfolgreicher Ergebnisse zu erhöhen.
Ein weiterer Bereich, in dem wir erwarten, dass KI-Systeme entscheidend werden, ist die Analyse historischer HTA-Einreichungen und des Feedbacks der Zahler, um Risikofaktoren zu identifizieren, die mit der Ablehnung oder Ineffizienz von Modellen verbunden sind.
Dr. Poole machte die folgende Vorhersage:
"Ich denke, dass wir für jeden Krankheitsbereich wahrscheinlich sehen werden, dass KI verwendet wird, um eine Datenbank mit Faktoren zu erstellen, die zum Erfolg eines Modells führen, das als geeignet für die Entscheidungsfindung angesehen wird, und vor allem, welche Faktoren damit verbunden sind, dass ein Modell als nicht geeignet eingestuft wird. Vielleicht gibt es allein in diesem Bereich 5 Doktoranden mit traditionellen Methoden, aber ein KI-System könnte wahrscheinlich ein wirklich gutes Werkzeug unterstützen, um diese Risikofaktoren zu identifizieren."
Wir gehen davon aus, dass diese Tools den Herstellern helfen werden, potenzielle Fallstricke bei ihren Einreichungen proaktiv anzugehen und die Wahrscheinlichkeit erfolgreicher Ergebnisse zu erhöhen.
Schlussfolgerung
KI verändert die Landschaft der wirtschaftlichen Modellierung und bietet beispiellose Geschwindigkeit, Effizienz und Genauigkeit. Von der Beschleunigung der Modellkonzeption über das Schließen von Datenlücken bis hin zur Automatisierung der Berichtserstellung verändert KI die Art und Weise, wie Gesundheitsökonomen Herausforderungen beim Marktzugang angehen.
Die Einführung von KI ist jedoch nicht ohne Herausforderungen. Menschliche Aufsicht, Transparenz und strategische Entscheidungsfindung sind nach wie vor entscheidend, um die Gültigkeit und Durchführbarkeit von KI-gesteuerten Modellen sicherzustellen. Mit Blick auf die Zukunft wird die Integration von agentischen KI-Systemen neue Möglichkeiten für die Evidenzgenerierung eröffnen.
Die Einführung von KI ist jedoch nicht ohne Herausforderungen. Menschliche Aufsicht, Transparenz und strategische Entscheidungsfindung sind nach wie vor entscheidend, um die Gültigkeit und Durchführbarkeit von KI-gesteuerten Modellen sicherzustellen. Mit Blick auf die Zukunft wird die Integration von agentischen KI-Systemen neue Möglichkeiten für die Evidenzgenerierung eröffnen.
*Quellen unten fortgesetzt
Hinweis:
Die in diesem Artikel enthaltenen Informationen stellen keine Rechtsberatung dar. Cencora, Inc. empfiehlt den Lesern dringend, die verfügbaren Informationen zu den behandelten Themen zu lesen und sich bei diesbezüglichen Entscheidungen auf ihre eigene Erfahrung und ihr Fachwissen zu verlassen.
Verbinden Sie sich mit unserem Team
Unser Team aus führenden Value-Experten hat es sich zur Aufgabe gemacht, Evidenz, Wissen zu Richtlinien und Marktinformationen in effektive globale Marktzugangsstrategien umzuwandeln. Wir helfen Ihnen, sich in der komplexen Landschaft des heutigen Gesundheitswesens sicher zurechtzufinden. Kontaktieren Sie uns, um zu erfahren, wie wir Ihre Ziele unterstützen können.
Quellen
1. Fleurence RL, Bian J, Wang X, et al; ISPOR-Arbeitsgruppe für generative KI. Generative künstliche Intelligenz für die Bewertung von Gesundheitstechnologien: Chancen, Herausforderungen und politische Überlegungen: ein Bericht der ISPOR-Arbeitsgruppe. Schätze Gesundheit. 2025; 28(2):175-183. doi:10.1016/j.jval.2024.10.3846
2. Depalma S, Poole CD, Turner P, Carlton R. Die Ära der künstlichen Intelligenz in der gesundheitsökonomischen Modellierung. Poster präsentiert bei: ISPOR Europe 2025; 9. bis 12. November. Glasgow, Schottland. 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. Automatisierte Extraktion von Kaplan-Meier-Überlebenskurven unter Verwendung generativer künstlicher Intelligenz und Computer Vision. Präsentiert bei: ISPOR 2025; 13. bis 16. Mai; Montréal, Quebec, Kalifornien. MSR33. https://www.valueinhealthjournal.com/article/S1098-3015(25)01310-5/Volltext
4. Fleurence RL, Wang X, Bian J et al.; ISPOR-Arbeitsgruppe für generative KI. Eine Taxonomie der generativen künstlichen Intelligenz in der Gesundheitsökonomie und Ergebnisforschung: ein Bericht der ISPOR-Arbeitsgruppe. Schätze Gesundheit. 2025; 28(11):1601-1610. doi:10.1016/j.jval.2025.04.2167
