Author(s): Yueye Wang, Chi Liu, Wenyi Hu, Lixia Luo, Danli Shi, Jian Zhang, Qiuxia Yin, Lei Zhang, Xiaotong Han, Mingguang He.
Year: 2024
Bibliographic Reference (APA format): Wang, Y., Liu, C., Hu, W., Luo, L., Shi, D., Zhang, J., Yin, Q., Zhang, L., Han, X., & He, M. (2024). Economic evaluation for medical artificial intelligence: accuracy vs. cost-effectiveness in a diabetic retinopathy screening case. npj Digital Medicine, 7, 43. https://doi.org/10.1038/s41746-024-01032-9
Assigned Category: Rentabilidad (Cost-effectiveness)
Resumen:
Este estudio analiza la relación entre la precisión y la rentabilidad en el uso de modelos de inteligencia artificial (IA) para la detección de retinopatía diabética (RD) en China, un país con una población significativa de pacientes diabéticos. A pesar de que los modelos de IA han demostrado una alta precisión diagnóstica en la detección temprana de enfermedades, el estudio destaca que los modelos más precisos no siempre son los más rentables en escenarios de atención médica a largo plazo.
El análisis utiliza datos del programa nacional de detección de RD de “Lifeline Express”, que involucró a 251,535 participantes diabéticos. Se modelaron 1,100 escenarios de rendimiento de IA, ajustando la sensibilidad y la especificidad para comparar su efectividad económica. El modelo más preciso, con una sensibilidad del 93.3% y una especificidad del 87.7%, fue definido como el status quo.
A través del análisis de costo-efectividad, se identificaron seis escenarios que generaban ahorros y siete que eran rentables en comparación con el status quo. Se descubrió que los modelos de IA con una sensibilidad mínima de 88.2% y una especificidad mínima de 80.4% eran los más rentables. En el escenario más rentable, el modelo alcanzó una sensibilidad del 96.3% y una especificidad del 80.4%, lo que permitió obtener más años de vida ajustados por calidad (QALYs) con un costo adicional de $14.8 millones para la población general a lo largo de 30 años.
El estudio también mostró que, en áreas urbanas y en poblaciones más jóvenes, se necesitaba una mayor sensibilidad para lograr una rentabilidad óptima. En entornos rurales, donde los recursos son limitados, la especificidad debe ser priorizada para reducir los costos de derivaciones innecesarias.
Los resultados subrayan la importancia de considerar no solo la precisión del modelo de IA, sino también su capacidad para equilibrar la sensibilidad y la especificidad según el contexto económico y la prevalencia de la enfermedad. Las conclusiones sugieren que, en programas de detección a largo plazo, los sistemas de IA deben ser seleccionados no solo por su rendimiento diagnóstico, sino también por su impacto en la reducción de costos médicos y la optimización de los recursos sanitarios.
En resumen, el estudio concluye que, aunque los modelos de IA con alta sensibilidad son fundamentales para una detección temprana más efectiva en el tratamiento de la RD, la evaluación económica independiente debe ser una parte crítica en la implementación de IA en el mundo real. Esto es especialmente relevante en regiones con altos niveles de prevalencia de RD y capacidades económicas más amplias.
