Makale
Yapay zekanın sağlık ekonomisi modellemesini desteklemedeki dönüştürücü potansiyeli
-
Derek Swiger, PharmD, MS
-
Paul Turner, PhD, MSc
Günümüzün yapay zeka özellikli modelleme uygulamalarını, temel sınırlamaları ve daha çevik, şeffaf ve HTA'ya hazır kanıt oluşturma için sırada ne olduğunu keşfedin.
Ekonomik modelleme, maliyet etkinliğini, bütçe etkisini ve değere dayalı fiyatlandırma stratejilerini değerlendirmek için analitik çerçeve sağlayarak uzun süredir sağlık hizmetleri pazarına erişimin temel taşı olmuştur. Bununla birlikte, sağlık hizmetleri ortamı giderek daha karmaşık hale geldikçe, daha çevik, şeffaf ve verimli modelleme süreçlerine olan talep yoğunlaştı. Yapay zeka (AI) bu alanda dönüştürücü bir güç olarak ortaya çıkıyor, iş akışlarını düzene sokuyor, karar vermeyi hızlandırıyor ve veri kalitesini artırıyor.1
Yapay zekanın ekonomik modellemedeki mevcut uygulamalarını, zorluklarını ve sınırlamalarını ve gelecekteki fırsatlarını anlamak, yapay zekanın sağlık ekonomisini nasıl yeniden şekillendirdiğini belirlemenin anahtarıdır ve endüstri, ödeme yapanların ve sağlık teknolojisi değerlendirme (HTA) kurumlarının titiz beklentilerini karşılarken bu gelişmelerden yararlanabilir.
Yapay zekanın ekonomik modellemedeki güncel uygulamaları
Model kavramsallaştırma ve tasarımını hızlandırma
Yapay zeka, model yapılarının hızlı prototiplenmesini sağlayarak ekonomik modellemenin ilk aşamalarında devrim yaratıyor. 2 Geleneksel olarak, sağlık ekonomistleri genellikle onları tek bir model tasarımına kilitleyen emek yoğun süreçler tarafından kısıtlanmıştır. Yapay zeka araçları artık ekiplerin birden fazla model yapısını aynı anda test etmesine ve bir ürünün değer hikayesini desteklemek için en verimli ve güvenilir seçenekleri belirlemesine olanak tanıyor.
Cencora'da kıdemli bir sağlık ekonomisti olan Dr. Chris Poole, "Modelleri çok hızlı bir şekilde prototiplememize olanak tanıyan araçlara sahip olmak, değer hikayesini tanımlamak ve desteklemek için ürünler için en uygun model tasarımını anlamamızı sağlıyor" dedi.
Çeşitli model tasarımlarını sürecin başlarında test etme yeteneği, doğru belirsizlik ve karmaşıklık dengesini bulma hedefini destekler ve seçilen yapının ödeyen beklentileriyle uyumlu olmasını sağlar. Bu sadece zaman tasarrufu sağlamakla kalmaz, aynı zamanda büyük bir maliyet tasarrufu sağlar, çünkü başvurulardaki gecikmeler ve ajansların karmaşık, zayıf gerekçelendirilmiş modelleri reddetme riski şirketlere milyonlara mal olabilir.
Cencora'da kıdemli bir sağlık ekonomisti olan Dr. Chris Poole, "Modelleri çok hızlı bir şekilde prototiplememize olanak tanıyan araçlara sahip olmak, değer hikayesini tanımlamak ve desteklemek için ürünler için en uygun model tasarımını anlamamızı sağlıyor" dedi.
Çeşitli model tasarımlarını sürecin başlarında test etme yeteneği, doğru belirsizlik ve karmaşıklık dengesini bulma hedefini destekler ve seçilen yapının ödeyen beklentileriyle uyumlu olmasını sağlar. Bu sadece zaman tasarrufu sağlamakla kalmaz, aynı zamanda büyük bir maliyet tasarrufu sağlar, çünkü başvurulardaki gecikmeler ve ajansların karmaşık, zayıf gerekçelendirilmiş modelleri reddetme riski şirketlere milyonlara mal olabilir.
Veri boşluklarını doldurma ve veri kalitesini artırma
Veri boşlukları, özellikle verilerin olmadığı, yeterli verinin olmadığı veya mevcut verilerin yeterince iyi kalitede olmadığı nadir hastalıklar veya yeni tedaviler için ekonomik modellemede kalıcı bir zorluktur. Yapay zeka, farklı veri kaynaklarını birleştirmede ve eksik girdileri simüle etmede paha biçilmez olduğunu kanıtlıyor. Örneğin, yapay zeka, Kaplan-Meier (KM) eğrilerini dijitalleştirebilir ve hayatta kalma analizleri için bireysel katılımcı verileri üreterek hayatta kalma verilerinin daha sağlam parametrelendirilmesini sağlayabilir.3
"Yayınlanmış bir KM eğrisini alabilmeniz ve bunu kodu yürütmek için bir Python konteynerine erişimi olan bir genAI aracına gösterebilmeniz şaşırtıcıdır ve eğriyi sayısallaştırır, kodu yazar ve yürütür, böylece size bu eğriyi verecek olan bireysel katılımcı veri (IPD) popülasyonlarını simüle edebilir, " dedi Dr. Poole, AI araçlarıyla ilgili deneyimlerinden yararlanarak. "Bu olağanüstü. En iyi yanı, doğrulamanın kolay olması, KM eğrisini oluşturmak için IPD'yi kullanarak geriye doğru çalışmanız yeterli."
Bu yetenek, istatistiksel analiz için gereken süreyi önemli ölçüde azaltarak sağlık ekonomistlerinin daha yüksek değerli görevlere odaklanmasına olanak tanır. Bununla birlikte, yapay zeka güdümlü veri simülasyonlarında şeffaflık ve geçerliliğin sağlanması kritik olmaya devam etmektedir.
"Yayınlanmış bir KM eğrisini alabilmeniz ve bunu kodu yürütmek için bir Python konteynerine erişimi olan bir genAI aracına gösterebilmeniz şaşırtıcıdır ve eğriyi sayısallaştırır, kodu yazar ve yürütür, böylece size bu eğriyi verecek olan bireysel katılımcı veri (IPD) popülasyonlarını simüle edebilir, " dedi Dr. Poole, AI araçlarıyla ilgili deneyimlerinden yararlanarak. "Bu olağanüstü. En iyi yanı, doğrulamanın kolay olması, KM eğrisini oluşturmak için IPD'yi kullanarak geriye doğru çalışmanız yeterli."
Bu yetenek, istatistiksel analiz için gereken süreyi önemli ölçüde azaltarak sağlık ekonomistlerinin daha yüksek değerli görevlere odaklanmasına olanak tanır. Bununla birlikte, yapay zeka güdümlü veri simülasyonlarında şeffaflık ve geçerliliğin sağlanması kritik olmaya devam etmektedir.
Rapor yazmayı kolaylaştırma
Yapay zeka ayrıca teknik raporların ve Academy of Managed Care Pharmacy dosyaları için bütçe etki modeli raporları gibi diğer belgelerin yazılma şeklini de dönüştürüyor. 4 Yapay zeka, biçimlendirme ve veri entegrasyonu gibi tekrarlayan görevleri otomatikleştirerek, sağlık ekonomistlerinin bir modelin ürünün değer hikayesini en iyi şekilde desteklemesini sağlamak için daha fazla zaman ayırmasına olanak tanır.
Yapay zekanın emek tasarrufu potansiyeli dikkat çekicidir. Örneğin, Cencora bünyesinde, bu sistemleri yakın gelecekte kendi ekonomik modelleme raporlarımıza uygulamak amacıyla çok sayıda rapor türünü hızlı bir şekilde hazırlamak için dahili yapay zeka sistemleri oluşturuyoruz. Bu sadece yeni raporlar oluşturmakla ilgili değil. Farklı HTA ajansları arasında içeriğin yeniden kullanımı da otomasyon için olgunlaşmıştır.
"NICE'den (Ulusal Sağlık ve Bakım Mükemmelliği Enstitüsü) veya diğer kurumlardan gelen bu şablonların çoğu farklı şekilde yapılandırılabilir veya sıralanabilir, ancak bunları tamamlamak için gereken bilgiler aynıdır" diyor Derek Swiger, PharmD, MS, pazar erişimi ve sağlık ekonomisi ve sonuç araştırmalarında (HEOR) dijital inovasyon uzmanı. "İçeriğin modülerleştirilmesi ve yeniden kullanımı ile ilgili olarak klinik ve düzenleyici alanlarda insanların AI ile yaptıklarından kesinlikle bir sayfa ödünç alabiliriz. Bir örnek, klinik çalışma raporlarının taslağının hazırlanmasının, çalışma protokolü gibi temel belgelerdeki içeriğin yeniden kullanılması yoluyla yapay zeka araçları tarafından nasıl otomatikleştirildiğidir."
Bu değişim yalnızca verimliliği artırmakla kalmaz, aynı zamanda çeşitli ödeme yapanlara ve düzenleyici gerekliliklere göre uyarlanmış belgeler arasında tutarlılık sağlar.
Yapay zekanın emek tasarrufu potansiyeli dikkat çekicidir. Örneğin, Cencora bünyesinde, bu sistemleri yakın gelecekte kendi ekonomik modelleme raporlarımıza uygulamak amacıyla çok sayıda rapor türünü hızlı bir şekilde hazırlamak için dahili yapay zeka sistemleri oluşturuyoruz. Bu sadece yeni raporlar oluşturmakla ilgili değil. Farklı HTA ajansları arasında içeriğin yeniden kullanımı da otomasyon için olgunlaşmıştır.
"NICE'den (Ulusal Sağlık ve Bakım Mükemmelliği Enstitüsü) veya diğer kurumlardan gelen bu şablonların çoğu farklı şekilde yapılandırılabilir veya sıralanabilir, ancak bunları tamamlamak için gereken bilgiler aynıdır" diyor Derek Swiger, PharmD, MS, pazar erişimi ve sağlık ekonomisi ve sonuç araştırmalarında (HEOR) dijital inovasyon uzmanı. "İçeriğin modülerleştirilmesi ve yeniden kullanımı ile ilgili olarak klinik ve düzenleyici alanlarda insanların AI ile yaptıklarından kesinlikle bir sayfa ödünç alabiliriz. Bir örnek, klinik çalışma raporlarının taslağının hazırlanmasının, çalışma protokolü gibi temel belgelerdeki içeriğin yeniden kullanılması yoluyla yapay zeka araçları tarafından nasıl otomatikleştirildiğidir."
Bu değişim yalnızca verimliliği artırmakla kalmaz, aynı zamanda çeşitli ödeme yapanlara ve düzenleyici gerekliliklere göre uyarlanmış belgeler arasında tutarlılık sağlar.
Ekonomik modellemede yapay zekanın zorlukları ve sınırlamaları
Yapay zekanın sağlık ekonomisi modellemesindeki potansiyeli kapsamlıdır, ancak zorluklar ve sınırlamalar devam etmektedir. Medyada yapay zekanın insanların yerini almasıyla ilgili sık sık tartışmalar vardır, ancak yapay zekanın seçenekler üretmede ve süreçleri otomatikleştirmede mükemmel olmasına rağmen, stratejik karar vermede insan uzmanlığının yerini alamayacağını belirtmek önemlidir. Sağlık ekonomistleri, yapay zeka tarafından oluşturulan modellerin uygulanabilir, güvenilir ve klinik ve geri ödeme gerçekleriyle uyumlu olmasını sağlamada kritik bir rol oynamaktadır.
Cencora'da kıdemli bir sağlık ekonomisti olan Dr. Paul Turner, insan katılımının önemini vurguladı:
"Yapay zeka sizin için seçenekler üretebilir, ancak seçilenin uygulanabilir olduğundan emin olmak için insan katılımının bir unsuru olması gerekir. Bu gözetim çok önemli."
Bu döngüdeki insan yaklaşımı, ekonomik modellerin bütünlüğünü korumak ve karar vermeye uygunluklarını sağlamak için esastır. HEOR ekipleri, son derece karmaşık modeller oluşturmak için yapay zeka kullanımını risklerle de dengelemelidir. Karmaşık modeller ödeyicilerin beklentilerini karşılayabilirken, genellikle ek parametre belirsizliği getirir ve ajanslarla ilgili olası sorunları gündeme getirir.
Dr. Poole, "Karmaşık modeller oluşturmak için yapay zekayı kullanabilmemiz, kullanmamız gerektiği anlamına gelmez" dedi. "Örneğin, HTA ajansı modeli karar vermeye uygun bulmayabilir."
Karmaşıklık ve belirsizlik arasında doğru dengeyi kurmak, yapay zeka odaklı modellerin faydasını en üst düzeye çıkarmanın anahtarıdır.
Cencora'da kıdemli bir sağlık ekonomisti olan Dr. Paul Turner, insan katılımının önemini vurguladı:
"Yapay zeka sizin için seçenekler üretebilir, ancak seçilenin uygulanabilir olduğundan emin olmak için insan katılımının bir unsuru olması gerekir. Bu gözetim çok önemli."
Bu döngüdeki insan yaklaşımı, ekonomik modellerin bütünlüğünü korumak ve karar vermeye uygunluklarını sağlamak için esastır. HEOR ekipleri, son derece karmaşık modeller oluşturmak için yapay zeka kullanımını risklerle de dengelemelidir. Karmaşık modeller ödeyicilerin beklentilerini karşılayabilirken, genellikle ek parametre belirsizliği getirir ve ajanslarla ilgili olası sorunları gündeme getirir.
Dr. Poole, "Karmaşık modeller oluşturmak için yapay zekayı kullanabilmemiz, kullanmamız gerektiği anlamına gelmez" dedi. "Örneğin, HTA ajansı modeli karar vermeye uygun bulmayabilir."
Karmaşıklık ve belirsizlik arasında doğru dengeyi kurmak, yapay zeka odaklı modellerin faydasını en üst düzeye çıkarmanın anahtarıdır.
Gelecekteki trendler ve fırsatlar
Sağlık ekonomisinde yapay zekanın potansiyeli, daha yeni sistemlerin ve yeteneklerin ortaya çıkmasıyla büyümeye devam ediyor. Örneğin, ajan yapay zeka sistemleri, "yaşayan" bir sistematik literatür tarama sistemi ile bağlantı kurarak gerçekleştirilen, model parametrelerini en son kanıtlarla özerk bir şekilde güncelleyebilen sistemlerdir. Bu "yaşayan" modeller gerçek zamanlı içgörüler sağlayabilir, tahmin doğruluğunu artırabilir ve daha çevik karar vermeyi mümkün kılabilir. Ajan yapay zeka sistemlerinin ekonomik modellemeyi yeniden tanımlamaya hazır olduğuna inanıyoruz.
Yapay zeka sistemlerinin etkili olmasını beklediğimiz bir diğer alan da, model reddi veya verimsizliklerle ilişkili risk faktörlerini belirlemek için geçmiş HTA gönderimlerini ve ödeyen geri bildirimlerini analiz etmektir.
Dr. Poole şu tahminde bulundu:
"Herhangi bir hastalık alanı için, muhtemelen AI'nın karar verme için uygun olduğu düşünülen bir modelde başarıya yol açan faktörlerin bir veri tabanını oluşturmak için kullanıldığını ve en önemlisi, uygun olmadığı düşünülen bir modelle hangi faktörlerin ilişkili olduğunu göreceğimizi düşünüyorum. Belki de geleneksel yöntemlerle tek başına 5 doktora vardır, ancak bir AI sistemi muhtemelen bu risk faktörlerini tanımlamak için gerçekten iyi bir aracı destekleyebilir.
Bu araçların, üreticilerin gönderimlerindeki olası tuzakları proaktif olarak ele almalarına yardımcı olacağını ve başarılı sonuçlar elde etme olasılığını artıracağını tahmin ediyoruz.
Yapay zeka sistemlerinin etkili olmasını beklediğimiz bir diğer alan da, model reddi veya verimsizliklerle ilişkili risk faktörlerini belirlemek için geçmiş HTA gönderimlerini ve ödeyen geri bildirimlerini analiz etmektir.
Dr. Poole şu tahminde bulundu:
"Herhangi bir hastalık alanı için, muhtemelen AI'nın karar verme için uygun olduğu düşünülen bir modelde başarıya yol açan faktörlerin bir veri tabanını oluşturmak için kullanıldığını ve en önemlisi, uygun olmadığı düşünülen bir modelle hangi faktörlerin ilişkili olduğunu göreceğimizi düşünüyorum. Belki de geleneksel yöntemlerle tek başına 5 doktora vardır, ancak bir AI sistemi muhtemelen bu risk faktörlerini tanımlamak için gerçekten iyi bir aracı destekleyebilir.
Bu araçların, üreticilerin gönderimlerindeki olası tuzakları proaktif olarak ele almalarına yardımcı olacağını ve başarılı sonuçlar elde etme olasılığını artıracağını tahmin ediyoruz.
Sonuç
Yapay zeka, benzeri görülmemiş hız, verimlilik ve doğruluk sunarak ekonomik modelleme ortamını yeniden şekillendiriyor. Yapay zeka, model kavramsallaştırmayı hızlandırmaktan veri boşluklarını doldurmaya ve rapor yazmayı otomatikleştirmeye kadar, sağlık ekonomistlerinin pazara erişim zorluklarına yaklaşımını dönüştürüyor.
Bununla birlikte, yapay zekanın benimsenmesinin zorlukları da vardır. İnsan gözetimi, şeffaflık ve stratejik karar verme, yapay zeka odaklı modellerin geçerliliğini ve fizibilitesini sağlamak için kritik öneme sahip olmaya devam ediyor. Geleceğe baktığımızda, ajan yapay zeka sistemlerinin entegrasyonu, kanıt üretimi için yeni fırsatların kilidini açacaktır.
Bununla birlikte, yapay zekanın benimsenmesinin zorlukları da vardır. İnsan gözetimi, şeffaflık ve stratejik karar verme, yapay zeka odaklı modellerin geçerliliğini ve fizibilitesini sağlamak için kritik öneme sahip olmaya devam ediyor. Geleceğe baktığımızda, ajan yapay zeka sistemlerinin entegrasyonu, kanıt üretimi için yeni fırsatların kilidini açacaktır.
*Kaynaklar aşağıda devam ediyor
Yasal Uyarı:
Bu makalede verilen bilgiler yasal tavsiye niteliğinde değildir. Cencora, Inc., okuyucuları tartışılan konularla ilgili mevcut bilgileri gözden geçirmeye ve bunlarla ilgili kararlar alırken kendi deneyim ve uzmanlıklarına güvenmeye şiddetle teşvik eder.
Ekibimizle iletişime geçin
Önde gelen değer uzmanlarından oluşan ekibimiz, kanıtları, politika içgörülerini ve pazar istihbaratını etkili küresel pazar erişim stratejilerine dönüştürmeye kendini adamıştır. Gelin, günümüzün karmaşık sağlık ortamında güvenle yol almanıza biz yardımcı olalım. Hedeflerinizi nasıl destekleyebileceğimizi öğrenmek için bize ulaşın.
Kaynak
1. Fleurence RL, Bian J, Wang X, et al; ISPOR Üretken Yapay Zeka Çalışma Grubu. Sağlık teknolojisi değerlendirmesi için üretken yapay zeka: fırsatlar, zorluklar ve politika değerlendirmeleri: bir ISPOR çalışma grubu raporu. Sağlığa değer verin. 2025; 28(2):175-183. doi:10.1016/j.jval.2024.10.3846
2. Depalma S, Poole CD, Turner P, Carlton R. Sağlık ekonomisi modellemesinde yapay zeka çağı. Poster şurada sunuldu: ISPOR Avrupa 2025; 9-12 Kasım. Glasgow, İskoçya. EE685 (İngilizce). 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. Üretken yapay zeka ve bilgisayarla görme kullanılarak Kaplan-Meier hayatta kalma eğrilerinin otomatik olarak çıkarılması. Sunulduğu yer: ISPOR 2025; 13-16 Mayıs; Montréal, Quebec, Kaliforniya. MSR33. https://www.valueinhealthjournal.com/article/S1098-3015(25)01310-5/tam metin
4. Fleurence RL, Wang X, Bian J ve diğerleri; ISPOR Üretken Yapay Zeka Çalışma Grubu. Sağlık ekonomisi ve sonuç araştırmalarında üretken yapay zeka taksonomisi: bir ISPOR çalışma grubu raporu. Sağlığa değer verin. 2025; 28(11):1601-1610. doi:10.1016/j.jval.2025.04.2167
