Artikel
Het transformatieve potentieel van AI ter ondersteuning van gezondheidseconomische modellering
-
Derek Swiger, PharmD, MS
-
Paul Turner, PhD, MSc
Ontdek de huidige AI-gebaseerde modelleringstoepassingen, de belangrijkste beperkingen en wat de toekomst biedt voor flexibeler, transparanter en HTA-ready
Economische modellering is lange tijd een hoeksteen geweest van markttoegang tot de gezondheidszorg en biedt het analytische kader om kosteneffectiviteit, budgetimpact en op waarde gebaseerde prijsstrategieën te beoordelen. Naarmate het zorglandschap echter steeds complexer wordt, is de vraag naar flexibelere, transparantere en efficiëntere modelleringsprocessen toegenomen. Kunstmatige intelligentie (AI) komt naar voren als een transformerende kracht in deze ruimte, die workflows stroomlijnt, de besluitvorming versnelt en de gegevenskwaliteit verbetert.1
Inzicht in de huidige toepassingen van AI in economische modellering, de uitdagingen en beperkingen en toekomstige kansen is de sleutel om te bepalen hoe AI de gezondheidseconomie hervormt, en de industrie kan profiteren van deze ontwikkelingen en tegelijkertijd voldoen aan de strenge verwachtingen van betalers en bureaus voor de beoordeling van gezondheidstechnologie (HTA).
Huidige toepassingen van AI in economische modellering
Versnellen van modelconceptualisering en -ontwerp
AI zorgt voor een revolutie in de beginfase van economische modellering door snelle prototyping van modelstructuren mogelijk te maken. 2 Traditioneel werden gezondheidseconomen vaak beperkt door arbeidsintensieve processen die hen opsloten in een enkel modelontwerp. Met AI-tools kunnen teams nu meerdere modelstructuren tegelijk testen, waardoor de meest efficiënte en geloofwaardige opties worden geïdentificeerd om het waardeverhaal van een product te ondersteunen.
"Met tools waarmee we zeer snel prototypes van modellen kunnen maken, kunnen we het optimale modelontwerp voor producten begrijpen om het waardeverhaal te identificeren en te ondersteunen", zegt Chris Poole, PhD, senior gezondheidseconoom bij Cencora.
Dit vermogen om diverse modelontwerpen vroeg in het proces te testen, ondersteunt het doel om de juiste balans tussen onzekerheid en complexiteit te vinden en zorgt ervoor dat de gekozen structuur aansluit bij de verwachtingen van de betaler. Dit is niet alleen tijdbesparend, maar ook een enorme kostenbesparing, aangezien de vertragingen bij het indienen en het risico dat bureaus complexe, slecht onderbouwde modellen afwijzen, bedrijven miljoenen kunnen kosten.
"Met tools waarmee we zeer snel prototypes van modellen kunnen maken, kunnen we het optimale modelontwerp voor producten begrijpen om het waardeverhaal te identificeren en te ondersteunen", zegt Chris Poole, PhD, senior gezondheidseconoom bij Cencora.
Dit vermogen om diverse modelontwerpen vroeg in het proces te testen, ondersteunt het doel om de juiste balans tussen onzekerheid en complexiteit te vinden en zorgt ervoor dat de gekozen structuur aansluit bij de verwachtingen van de betaler. Dit is niet alleen tijdbesparend, maar ook een enorme kostenbesparing, aangezien de vertragingen bij het indienen en het risico dat bureaus complexe, slecht onderbouwde modellen afwijzen, bedrijven miljoenen kunnen kosten.
Lacunes in de gegevens opvullen en de gegevenskwaliteit verbeteren
Lacunes in de gegevens vormen een aanhoudende uitdaging in de economische modellering, met name voor zeldzame ziekten of nieuwe therapieën waarvoor geen gegevens beschikbaar zijn, niet genoeg gegevens of waarbij de beschikbare gegevens niet van voldoende kwaliteit zijn. AI blijkt van onschatbare waarde bij het consolideren van ongelijksoortige gegevensbronnen en het simuleren van ontbrekende invoer. AI kan bijvoorbeeld Kaplan-Meier (KM)-curven digitaliseren en gegevens van individuele deelnemers genereren voor overlevingsanalyses, waardoor een robuustere parametrisering van overlevingsgegevens mogelijk wordt.3
"Het is verbazingwekkend dat je een gepubliceerde KM-curve kunt nemen en die kunt laten zien aan een genAI-tool met toegang tot een Python-container om de code in uit te voeren, en het zal de curve digitaliseren, de code schrijven en uitvoeren zodat het de populaties van individuele deelnemersgegevens (IPD) kan simuleren die je die curve zouden hebben gegeven, " zei Dr. Poole, op basis van zijn ervaring met AI-tools. "Het is buitengewoon. Het beste is dat het gemakkelijk te valideren is, je werkt gewoon achteruit door de IPD te gebruiken om de KM-curve te genereren."
Deze mogelijkheid vermindert de tijd die nodig is voor statistische analyse drastisch, waardoor gezondheidseconomen zich kunnen concentreren op taken met een hogere waarde. Het waarborgen van transparantie en validiteit in AI-gestuurde datasimulaties blijft echter van cruciaal belang.
"Het is verbazingwekkend dat je een gepubliceerde KM-curve kunt nemen en die kunt laten zien aan een genAI-tool met toegang tot een Python-container om de code in uit te voeren, en het zal de curve digitaliseren, de code schrijven en uitvoeren zodat het de populaties van individuele deelnemersgegevens (IPD) kan simuleren die je die curve zouden hebben gegeven, " zei Dr. Poole, op basis van zijn ervaring met AI-tools. "Het is buitengewoon. Het beste is dat het gemakkelijk te valideren is, je werkt gewoon achteruit door de IPD te gebruiken om de KM-curve te genereren."
Deze mogelijkheid vermindert de tijd die nodig is voor statistische analyse drastisch, waardoor gezondheidseconomen zich kunnen concentreren op taken met een hogere waarde. Het waarborgen van transparantie en validiteit in AI-gestuurde datasimulaties blijft echter van cruciaal belang.
Het ontwerpen van rapporten stroomlijnen
AI verandert ook de manier waarop technische rapporten en andere documenten, zoals budgetimpactmodelrapporten voor Academy of Managed Care Pharmacy-dossiers, worden geschreven. 4 Door repetitieve taken zoals opmaak en gegevensintegratie te automatiseren, stelt AI gezondheidseconomen in staat meer tijd te besteden om ervoor te zorgen dat een model het waardeverhaal van het product het beste ondersteunt.
Het arbeidsbesparende potentieel van AI is opmerkelijk. Binnen Cencora bouwen we bijvoorbeeld interne AI-systemen om snel allerlei soorten rapporten op te stellen met als doel deze systemen in de nabije toekomst toe te passen op onze eigen economische modelleringsrapporten. Het gaat niet alleen om het maken van nieuwe rapporten. Hergebruik van inhoud tussen verschillende HTA-bureaus is ook rijp voor automatisering.
"Veel van deze sjablonen van NICE (National Institute for Health and Care Excellence) of andere instanties zijn misschien anders gestructureerd of geordend, maar de informatie die nodig is om ze in te vullen is identiek", zegt Derek Swiger, PharmD, MS, een expert op het gebied van digitale innovatie op het gebied van markttoegang en gezondheidseconomie en uitkomstenonderzoek (HEOR). "We kunnen zeker een pagina lenen van wat mensen doen met AI in de klinische en regelgevende ruimte met betrekking tot contentmodularisering en hergebruik. Een voorbeeld is hoe het opstellen van klinische studierapporten wordt geautomatiseerd door AI-tools door hergebruik van inhoud uit de onderliggende documenten, zoals het onderzoeksprotocol."
Deze verschuiving verbetert niet alleen de efficiëntie, maar zorgt ook voor consistentie tussen documenten die zijn afgestemd op diverse vereisten van betalers en regelgeving.
Het arbeidsbesparende potentieel van AI is opmerkelijk. Binnen Cencora bouwen we bijvoorbeeld interne AI-systemen om snel allerlei soorten rapporten op te stellen met als doel deze systemen in de nabije toekomst toe te passen op onze eigen economische modelleringsrapporten. Het gaat niet alleen om het maken van nieuwe rapporten. Hergebruik van inhoud tussen verschillende HTA-bureaus is ook rijp voor automatisering.
"Veel van deze sjablonen van NICE (National Institute for Health and Care Excellence) of andere instanties zijn misschien anders gestructureerd of geordend, maar de informatie die nodig is om ze in te vullen is identiek", zegt Derek Swiger, PharmD, MS, een expert op het gebied van digitale innovatie op het gebied van markttoegang en gezondheidseconomie en uitkomstenonderzoek (HEOR). "We kunnen zeker een pagina lenen van wat mensen doen met AI in de klinische en regelgevende ruimte met betrekking tot contentmodularisering en hergebruik. Een voorbeeld is hoe het opstellen van klinische studierapporten wordt geautomatiseerd door AI-tools door hergebruik van inhoud uit de onderliggende documenten, zoals het onderzoeksprotocol."
Deze verschuiving verbetert niet alleen de efficiëntie, maar zorgt ook voor consistentie tussen documenten die zijn afgestemd op diverse vereisten van betalers en regelgeving.
Uitdagingen en beperkingen van AI in economische modellering
Het potentieel van AI op het gebied van gezondheidseconomische modellering is uitgebreid, maar er blijven uitdagingen en beperkingen bestaan. Er zijn vaak discussies in de media over AI die mensen vervangt, maar het is belangrijk op te merken dat hoewel AI uitblinkt in het genereren van opties en het automatiseren van processen, het de menselijke expertise in strategische besluitvorming niet kan vervangen. Gezondheidseconomen spelen een cruciale rol om ervoor te zorgen dat door AI gegenereerde modellen haalbaar en geloofwaardig zijn en zijn afgestemd op de klinische realiteit en de realiteit van vergoedingen.
Paul Turner, PhD, senior gezondheidseconoom bij Cencora, benadrukte het belang van menselijke betrokkenheid:
"AI kan de opties voor je genereren, maar er moet wel een element van menselijke betrokkenheid zijn om ervoor te zorgen dat wat wordt gekozen haalbaar is. Dat toezicht is van cruciaal belang."
Deze human-in-the-loop-benadering is essentieel om de integriteit van economische modellen te behouden en hun geschiktheid voor besluitvorming te waarborgen. HEOR-teams moeten ook een evenwicht vinden tussen het gebruik van AI om zeer complexe modellen te maken en de risico's. Hoewel ingewikkelde modellen aan de verwachtingen van de betaler kunnen voldoen, introduceren ze vaak extra parameteronzekerheid en brengen ze potentiële problemen met zich mee bij agentschappen.
"Alleen omdat we AI kunnen gebruiken om complexe modellen te bouwen, wil nog niet zeggen dat we dat ook moeten doen", merkte Dr. Poole op. "Het is bijvoorbeeld mogelijk dat het HTA-bureau het model niet geschikt vindt voor besluitvorming."
Het vinden van de juiste balans tussen complexiteit en onzekerheid is de sleutel tot het maximaliseren van het nut van AI-gestuurde modellen.
Paul Turner, PhD, senior gezondheidseconoom bij Cencora, benadrukte het belang van menselijke betrokkenheid:
"AI kan de opties voor je genereren, maar er moet wel een element van menselijke betrokkenheid zijn om ervoor te zorgen dat wat wordt gekozen haalbaar is. Dat toezicht is van cruciaal belang."
Deze human-in-the-loop-benadering is essentieel om de integriteit van economische modellen te behouden en hun geschiktheid voor besluitvorming te waarborgen. HEOR-teams moeten ook een evenwicht vinden tussen het gebruik van AI om zeer complexe modellen te maken en de risico's. Hoewel ingewikkelde modellen aan de verwachtingen van de betaler kunnen voldoen, introduceren ze vaak extra parameteronzekerheid en brengen ze potentiële problemen met zich mee bij agentschappen.
"Alleen omdat we AI kunnen gebruiken om complexe modellen te bouwen, wil nog niet zeggen dat we dat ook moeten doen", merkte Dr. Poole op. "Het is bijvoorbeeld mogelijk dat het HTA-bureau het model niet geschikt vindt voor besluitvorming."
Het vinden van de juiste balans tussen complexiteit en onzekerheid is de sleutel tot het maximaliseren van het nut van AI-gestuurde modellen.
Toekomstige trends en kansen
Het potentieel voor AI in de gezondheidseconomie blijft groeien met de komst van nieuwere systemen en mogelijkheden. Agentische AI-systemen zijn bijvoorbeeld systemen die in staat zijn om autonoom modelparameters bij te werken met het nieuwste bewijsmateriaal, bereikt door koppeling met een "levend" systematisch literatuuronderzoeksysteem. Deze 'levende' modellen kunnen realtime inzichten bieden, de nauwkeurigheid van prognoses verbeteren en flexibelere besluitvorming mogelijk maken. Wij zijn van mening dat agentische AI-systemen klaar zijn om economische modellering opnieuw te definiëren.
Een ander gebied waarop we verwachten dat AI-systemen een belangrijke rol zullen spelen, is het analyseren van historische HTA-inzendingen en feedback van betalers om risicofactoren te identificeren die verband houden met modelafwijzing of inefficiënties.
Dr. Poole deed de volgende voorspelling:
"Voor een bepaald ziektegebied denk ik dat we waarschijnlijk zullen zien dat AI wordt gebruikt om een database te creëren van factoren die leiden tot succes in een model dat als geschikt wordt beschouwd voor besluitvorming en, cruciaal, welke factoren verband houden met een model dat niet geschikt wordt geacht. Misschien zijn er alleen al 5 PhD's met traditionele methoden, maar een AI-systeem zou waarschijnlijk een heel goed hulpmiddel kunnen ondersteunen om die risicofactoren te identificeren."
We voorspellen dat deze tools fabrikanten zullen helpen om potentiële valkuilen in hun inzendingen proactief aan te pakken, waardoor de kans op succesvolle resultaten wordt vergroot.
Een ander gebied waarop we verwachten dat AI-systemen een belangrijke rol zullen spelen, is het analyseren van historische HTA-inzendingen en feedback van betalers om risicofactoren te identificeren die verband houden met modelafwijzing of inefficiënties.
Dr. Poole deed de volgende voorspelling:
"Voor een bepaald ziektegebied denk ik dat we waarschijnlijk zullen zien dat AI wordt gebruikt om een database te creëren van factoren die leiden tot succes in een model dat als geschikt wordt beschouwd voor besluitvorming en, cruciaal, welke factoren verband houden met een model dat niet geschikt wordt geacht. Misschien zijn er alleen al 5 PhD's met traditionele methoden, maar een AI-systeem zou waarschijnlijk een heel goed hulpmiddel kunnen ondersteunen om die risicofactoren te identificeren."
We voorspellen dat deze tools fabrikanten zullen helpen om potentiële valkuilen in hun inzendingen proactief aan te pakken, waardoor de kans op succesvolle resultaten wordt vergroot.
Conclusie
AI hervormt het landschap van economische modellering en biedt ongekende snelheid, efficiëntie en nauwkeurigheid. Van het versnellen van modelconceptualisering tot het opvullen van hiaten in de gegevens en het automatiseren van het schrijven van rapporten, AI verandert de manier waarop gezondheidseconomen uitdagingen op het gebied van markttoegang benaderen.
De adoptie van AI is echter niet zonder uitdagingen. Menselijk toezicht, transparantie en strategische besluitvorming blijven van cruciaal belang om de validiteit en haalbaarheid van AI-gestuurde modellen te waarborgen. Als we naar de toekomst kijken, zal de integratie van agentische AI-systemen nieuwe mogelijkheden ontsluiten voor het genereren van bewijsmateriaal.
De adoptie van AI is echter niet zonder uitdagingen. Menselijk toezicht, transparantie en strategische besluitvorming blijven van cruciaal belang om de validiteit en haalbaarheid van AI-gestuurde modellen te waarborgen. Als we naar de toekomst kijken, zal de integratie van agentische AI-systemen nieuwe mogelijkheden ontsluiten voor het genereren van bewijsmateriaal.
*Bronnen worden hieronder vervolgd
Disclaimer:
De informatie in dit artikel vormt geen juridisch advies. Cencora, Inc. raadt lezers ten zeerste aan om de beschikbare informatie met betrekking tot de besproken onderwerpen door te nemen en te vertrouwen op hun eigen ervaring en expertise bij het nemen van beslissingen met betrekking tot deze onderwerpen.
Neem contact op met ons team
Ons ervaren team van waarde-experts creëert op basis van bewijsmateriaal, beleidsinzichten en marktinformatie effectieve strategieën voor toegang tot wereldwijde markten. We maken u wegwijs in de complexe wereld van de gezondheidszorg in verschillende delen van de wereld. Neem contact op om te ontdekken hoe we uw doelen kunnen ondersteunen.
Bronnen
1. Fleurence RL, Bian J, Wang X, et al; ISPOR-werkgroep voor generatieve AI. Generatieve kunstmatige intelligentie voor de beoordeling van gezondheidstechnologie: kansen, uitdagingen en beleidsoverwegingen: een ISPOR-werkgroeprapport. Waarde gezondheid. 2025; 28(2):175-183. doi:10.1016/j.jval.2024.10.3846
2. Depalma S, Poole CD, Turner P, Carlton R. Het tijdperk van kunstmatige intelligentie in gezondheidseconomische modellering. Affiche gepresenteerd op: ISPOR Europa 2025; 9-12 november. Glasgow, Schotland. 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. Geautomatiseerde extractie van Kaplan-Meier-overlevingscurves met behulp van generatieve kunstmatige intelligentie en computervisie. Gepresenteerd op: ISPOR 2025; 13-16 mei; Montréal, Quebec, Californië. MSR33. https://www.valueinhealthjournal.com/article/S1098-3015(25)01310-5/volledige tekst
4. Fleurence RL, Wang X, Bian J, et al; ISPOR-werkgroep voor generatieve AI. Een taxonomie van generatieve kunstmatige intelligentie in gezondheidseconomie en uitkomstenonderzoek: een ISPOR-werkgroeprapport. Waarde gezondheid. 2025; 28(11):1601-1610. doi:10.1016/j.jval.2025.04.2167
