Artikkel
Det transformative potensialet til AI for å støtte helseøkonomisk modellering
-
Derek Swiger, PharmD, MS
-
Paul Turner, PhD, MSc
Utforsk dagens AI-aktiverte modelleringsapplikasjoner, viktige begrensninger og hva som er det neste for mer smidig, gjennomsiktig og HTA-klar bevisgenerering.
Økonomisk modellering har lenge vært en hjørnestein i markedstilgang for helsetjenester, og gir det analytiske rammeverket for å vurdere kostnadseffektivitet, budsjettpåvirkning og verdibaserte prisstrategier. Men etter hvert som helsevesenet blir stadig mer komplekst, har etterspørselen etter mer smidige, transparente og effektive modelleringsprosesser blitt intensivert. Kunstig intelligens (AI) fremstår som en transformativ kraft i dette rommet, som effektiviserer arbeidsflyter, akselererer beslutningstaking og forbedrer datakvaliteten.1
Å forstå de nåværende anvendelsene av AI i økonomisk modellering, dens utfordringer og begrensninger og fremtidige muligheter er nøkkelen til å avgjøre hvordan AI omformer helseøkonomien, og industrien kan dra nytte av denne utviklingen samtidig som den oppfyller de strenge forventningene til betalere og byråer for medisinsk teknologivurdering (HTA).
Nåværende anvendelser av AI i økonomisk modellering
Akselerere modellkonseptualisering og design
AI revolusjonerer de innledende stadiene av økonomisk modellering ved å muliggjøre rask prototyping av modellstrukturer.2 Tradisjonelt var helseøkonomer ofte begrenset av arbeidskrevende prosesser som låste dem til et enkelt modelldesign. AI-verktøy lar nå team teste flere modellstrukturer samtidig, og identifisere de mest effektive og troverdige alternativene for å støtte et produkts verdihistorie.
«Ved å ha verktøy som kan gjøre det mulig for oss å svært raskt lage prototyper av modeller, kan vi forstå det optimale modelldesignet for produkter for å identifisere og støtte verdihistorien», sier Chris Poole, PhD, senior helseøkonom hos Cencora.
Denne muligheten til å teste ulike modelldesign tidlig i prosessen støtter målet om å finne den rette balansen mellom usikkerhet og kompleksitet og sikrer at den valgte strukturen stemmer overens med betalernes forventninger. Dette er ikke bare tidsbesparende, men også en enorm kostnadsbesparelse siden forsinkelser i innleveringer og risikoen for at byråer avviser komplekse, dårlig begrunnede modeller kan koste bedrifter millioner.
«Ved å ha verktøy som kan gjøre det mulig for oss å svært raskt lage prototyper av modeller, kan vi forstå det optimale modelldesignet for produkter for å identifisere og støtte verdihistorien», sier Chris Poole, PhD, senior helseøkonom hos Cencora.
Denne muligheten til å teste ulike modelldesign tidlig i prosessen støtter målet om å finne den rette balansen mellom usikkerhet og kompleksitet og sikrer at den valgte strukturen stemmer overens med betalernes forventninger. Dette er ikke bare tidsbesparende, men også en enorm kostnadsbesparelse siden forsinkelser i innleveringer og risikoen for at byråer avviser komplekse, dårlig begrunnede modeller kan koste bedrifter millioner.
Fylle datahull og forbedre datakvaliteten
Datahull er en vedvarende utfordring i økonomisk modellering, spesielt for sjeldne sykdommer eller nye terapier der det ikke finnes data, ikke nok data, eller der tilgjengelige data ikke er av god nok kvalitet. AI viser seg å være uvurderlig for å konsolidere ulike datakilder og simulere manglende innganger. For eksempel kan AI digitalisere Kaplan-Meier (KM)-kurver og generere individuelle deltakerdata for overlevelsesanalyser, noe som muliggjør mer robust parametrisering av overlevelsesdata.3
«Det er forbløffende at du kan ta en publisert KM-kurve og vise det til et genAI-verktøy med tilgang til en Python-beholder for å kjøre koden i, og det vil digitalisere kurven, skrive koden og kjøre den slik at den kan simulere individuelle deltakerdata (IPD)-populasjoner som ville ha gitt deg den kurven, " sa Dr. Poole, og trakk på sin erfaring med AI-verktøy. «Det er ekstraordinært. Det beste er at det er enkelt å validere, du jobber bare bakover ved å bruke IPD for å generere KM-kurven.»
Denne evnen reduserer dramatisk tiden som kreves for statistisk analyse, slik at helseøkonomer kan fokusere på oppgaver med høyere verdi. Det er imidlertid fortsatt viktig å sikre åpenhet og gyldighet i AI-drevne datasimuleringer.
«Det er forbløffende at du kan ta en publisert KM-kurve og vise det til et genAI-verktøy med tilgang til en Python-beholder for å kjøre koden i, og det vil digitalisere kurven, skrive koden og kjøre den slik at den kan simulere individuelle deltakerdata (IPD)-populasjoner som ville ha gitt deg den kurven, " sa Dr. Poole, og trakk på sin erfaring med AI-verktøy. «Det er ekstraordinært. Det beste er at det er enkelt å validere, du jobber bare bakover ved å bruke IPD for å generere KM-kurven.»
Denne evnen reduserer dramatisk tiden som kreves for statistisk analyse, slik at helseøkonomer kan fokusere på oppgaver med høyere verdi. Det er imidlertid fortsatt viktig å sikre åpenhet og gyldighet i AI-drevne datasimuleringer.
Effektivisering av rapportredigering
AI transformerer også hvordan tekniske rapporter og andre dokumenter, for eksempel budsjettpåvirkningsmodellrapporter for Academy of Managed Care Pharmacy-dossierer, forfattes.4 Ved å automatisere repeterende oppgaver som formatering og dataintegrasjon, lar AI helseøkonomer sette av mer tid til å sikre at en modell best støtter verdihistorien til produktet.
Det arbeidsbesparende potensialet til AI er bemerkelsesverdig. Innen Cencora, for eksempel, bygger vi interne AI-systemer for raskt å utarbeide en rekke typer rapporter med mål om å bruke disse systemene på våre egne økonomiske modelleringsrapporter i nær fremtid. Det handler ikke bare om å opprette nye rapporter. Gjenbruk av innhold mellom ulike HTA-byråer er også modent for automatisering.
"Mange av disse malene fra NICE (National Institute for Health and Care Excellence) eller andre byråer kan være strukturert eller bestilt annerledes, men informasjonen som trengs for å fullføre dem er identisk," sa Derek Swiger, PharmD, MS, en digital innovasjonsekspert innen markedstilgang og helseøkonomi og resultatforskning (HEOR). "Vi kan absolutt låne en side fra hva folk gjør med AI i de kliniske og regulatoriske områdene med hensyn til innholdsmodularisering og gjenbruk. Et eksempel er hvordan utarbeidelsen av kliniske studierapporter blir automatisert av AI-verktøy gjennom gjenbruk av innhold fra de underliggende dokumentene som studieprotokollen.»
Dette skiftet øker ikke bare effektiviteten, men sikrer også konsistens på tvers av dokumenter som er skreddersydd for ulike betaler- og regulatoriske krav.
Det arbeidsbesparende potensialet til AI er bemerkelsesverdig. Innen Cencora, for eksempel, bygger vi interne AI-systemer for raskt å utarbeide en rekke typer rapporter med mål om å bruke disse systemene på våre egne økonomiske modelleringsrapporter i nær fremtid. Det handler ikke bare om å opprette nye rapporter. Gjenbruk av innhold mellom ulike HTA-byråer er også modent for automatisering.
"Mange av disse malene fra NICE (National Institute for Health and Care Excellence) eller andre byråer kan være strukturert eller bestilt annerledes, men informasjonen som trengs for å fullføre dem er identisk," sa Derek Swiger, PharmD, MS, en digital innovasjonsekspert innen markedstilgang og helseøkonomi og resultatforskning (HEOR). "Vi kan absolutt låne en side fra hva folk gjør med AI i de kliniske og regulatoriske områdene med hensyn til innholdsmodularisering og gjenbruk. Et eksempel er hvordan utarbeidelsen av kliniske studierapporter blir automatisert av AI-verktøy gjennom gjenbruk av innhold fra de underliggende dokumentene som studieprotokollen.»
Dette skiftet øker ikke bare effektiviteten, men sikrer også konsistens på tvers av dokumenter som er skreddersydd for ulike betaler- og regulatoriske krav.
Utfordringer og begrensninger ved AI i økonomisk modellering
AIs potensial innen helseøkonomisk modellering er omfattende, men utfordringer og begrensninger gjenstår. Det er ofte diskusjoner i media om at AI erstatter mennesker, men det er viktig å merke seg at selv om AI utmerker seg ved å generere alternativer og automatisere prosesser, kan den ikke erstatte menneskelig ekspertise i strategisk beslutningstaking. Helseøkonomer spiller en kritisk rolle for å sikre at AI-genererte modeller er gjennomførbare, troverdige og på linje med kliniske og refusjonsrealiteter.
Paul Turner, PhD, senior helseøkonom ved Cencora, understreket viktigheten av menneskelig involvering:
«AI kan generere alternativene for deg, men det må være et element av menneskelig involvering for å sikre at det som velges er gjennomførbart. Det tilsynet er avgjørende.»
Denne menneske-i-løkken-tilnærmingen er avgjørende for å opprettholde integriteten til økonomiske modeller og sikre deres egnethet for beslutningstaking. HEOR-team må også balansere bruken av AI for å lage svært komplekse modeller med risikoen. Selv om intrikate modeller kan oppfylle betalernes forventninger, introduserer de ofte ytterligere parameterusikkerhet og reiser potensielle problemer med byråer.
"Bare fordi vi kan bruke AI til å bygge komplekse modeller, betyr det ikke at vi bør," bemerket Dr. Poole. «For eksempel kan det hende at HTA-byrået ikke finner modellen egnet for beslutningstaking.»
Å finne den rette balansen mellom kompleksitet og usikkerhet er nøkkelen til å maksimere nytten av AI-drevne modeller.
Paul Turner, PhD, senior helseøkonom ved Cencora, understreket viktigheten av menneskelig involvering:
«AI kan generere alternativene for deg, men det må være et element av menneskelig involvering for å sikre at det som velges er gjennomførbart. Det tilsynet er avgjørende.»
Denne menneske-i-løkken-tilnærmingen er avgjørende for å opprettholde integriteten til økonomiske modeller og sikre deres egnethet for beslutningstaking. HEOR-team må også balansere bruken av AI for å lage svært komplekse modeller med risikoen. Selv om intrikate modeller kan oppfylle betalernes forventninger, introduserer de ofte ytterligere parameterusikkerhet og reiser potensielle problemer med byråer.
"Bare fordi vi kan bruke AI til å bygge komplekse modeller, betyr det ikke at vi bør," bemerket Dr. Poole. «For eksempel kan det hende at HTA-byrået ikke finner modellen egnet for beslutningstaking.»
Å finne den rette balansen mellom kompleksitet og usikkerhet er nøkkelen til å maksimere nytten av AI-drevne modeller.
Fremtidige trender og muligheter
Potensialet for AI i helseøkonomi fortsetter å vokse med bruken av nyere systemer og evner. For eksempel er agentiske AI-systemer de som er i stand til autonomt å oppdatere modellparametere med de nyeste bevisene, oppnådd gjennom kobling med et "levende" systematisk litteraturgjennomgangssystem. Disse "levende" modellene kan gi sanntidsinnsikt, forbedre prognosenøyaktigheten og muliggjøre mer smidig beslutningstaking. Vi tror at agentiske AI-systemer er klare til å redefinere økonomisk modellering.
Et annet område der vi forventer at AI-systemer vil bli avgjørende, er ved å analysere historiske HTA-innsendinger og tilbakemeldinger fra betalere for å identifisere risikofaktorer knyttet til modellavvisning eller ineffektivitet.
Dr. Poole kom med følgende spådom:
«For et gitt sykdomsområde tror jeg vi sannsynligvis vil se AI bli brukt til å lage en database over faktorer som fører til at suksess i en modell anses som egnet for beslutningstaking og, avgjørende, hvilke faktorer som er assosiert med at en modell anses som uegnet. Kanskje det er 5 doktorgrader i det alene med tradisjonelle metoder, men et AI-system kan sannsynligvis støtte et veldig godt verktøy for å identifisere disse risikofaktorene.»
Vi spår at disse verktøyene vil hjelpe produsenter med å proaktivt håndtere potensielle fallgruver i innsendingene sine, og øke sannsynligheten for vellykkede resultater.
Et annet område der vi forventer at AI-systemer vil bli avgjørende, er ved å analysere historiske HTA-innsendinger og tilbakemeldinger fra betalere for å identifisere risikofaktorer knyttet til modellavvisning eller ineffektivitet.
Dr. Poole kom med følgende spådom:
«For et gitt sykdomsområde tror jeg vi sannsynligvis vil se AI bli brukt til å lage en database over faktorer som fører til at suksess i en modell anses som egnet for beslutningstaking og, avgjørende, hvilke faktorer som er assosiert med at en modell anses som uegnet. Kanskje det er 5 doktorgrader i det alene med tradisjonelle metoder, men et AI-system kan sannsynligvis støtte et veldig godt verktøy for å identifisere disse risikofaktorene.»
Vi spår at disse verktøyene vil hjelpe produsenter med å proaktivt håndtere potensielle fallgruver i innsendingene sine, og øke sannsynligheten for vellykkede resultater.
Konklusjon
AI omformer landskapet for økonomisk modellering, og tilbyr enestående hastighet, effektivitet og nøyaktighet. Fra å akselerere modellkonseptualisering til å fylle datahull og automatisere rapportforfatter, transformerer AI hvordan helseøkonomer nærmer seg utfordringer med markedstilgang.
Adopsjonen av AI er imidlertid ikke uten utfordringer. Menneskelig tilsyn, åpenhet og strategisk beslutningstaking er fortsatt avgjørende for å sikre gyldigheten og gjennomførbarheten til AI-drevne modeller. Når vi ser på fremtiden, vil integreringen av agentiske AI-systemer låse opp nye muligheter for bevisgenerering.
Adopsjonen av AI er imidlertid ikke uten utfordringer. Menneskelig tilsyn, åpenhet og strategisk beslutningstaking er fortsatt avgjørende for å sikre gyldigheten og gjennomførbarheten til AI-drevne modeller. Når vi ser på fremtiden, vil integreringen av agentiske AI-systemer låse opp nye muligheter for bevisgenerering.
*Kildene fortsetter nedenfor
Ansvarserklæring:
Informasjonen i denne artikkelen utgjør ikke juridisk rådgivning. Cencora, Inc. oppfordrer leserne på det sterkeste til å gjennomgå tilgjengelig informasjon relatert til emnene som diskuteres og stole på sin egen erfaring og ekspertise når de tar beslutninger relatert til dette.
Ta kontakt med teamet vårt
Vårt team av ledende verdieksperter arbeider iherdig med å omsette bevis, policy-innsikt og markedsinformasjon til effektive tilgangsstrategier for det globale markedet. Vi hjelper deg med å finne frem i dagens komplekse helsetjenester. Kontakt oss, så hjelper vi deg med å nå målene dine.
Kilder
1. Fleurence RL, Bian J, Wang X, et al; ISPOR Working Group on Generative AI. Generativ kunstig intelligens for metodevurdering: muligheter, utfordringer og politiske vurderinger: en ISPOR-arbeidsgrupperapport. Vurder helse. 2025; 28(2):175-183. doi:10.1016/j.jval.2024.10.3846
2. Depalma S, Poole CD, Turner P, Carlton R. Den kunstige intelligens-æraen i helseøkonomisk modellering. Poster presentert på: ISPOR Europe 2025; 9.-12. november. Glasgow, Skottland. 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. Automatisert ekstraksjon av Kaplan-Meier-overlevelseskurver ved bruk av generativ kunstig intelligens og datasyn. Presentert på: ISPOR 2025; 13.-16. mai; Montréal, Quebec, CA. MSR33. https://www.valueinhealthjournal.com/article/S1098-3015(25)01310-5/fulltekst
4. Fleurence RL, Wang X, Bian J, et al; ISPOR Working Group on Generative AI. En taksonomi for generativ kunstig intelligens i helseøkonomi og resultatforskning: en ISPOR-arbeidsgrupperapport. Vurder helse. 2025; 28(11):1601-1610. doi:10.1016/j.jval.2025.04.2167
