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), 1-10. https://doi.org/10.1038/s41746-024-01032-9
Assigned Category: Rentabilidad (Cost-effectiveness)
Resumen:
Este artículo analiza el equilibrio entre precisión y rentabilidad de la inteligencia artificial (IA) en el contexto del cribado de la retinopatía diabética (RD) en un programa a nivel nacional en China. El objetivo es determinar si el modelo de IA más preciso es también el más rentable en la práctica clínica real. Se evaluaron 1,100 escenarios de rendimiento diagnóstico mediante análisis de sensibilidad y especificidad para detectar los casos de RD referible.
Los resultados mostraron que, aunque la IA más precisa (93.3% de sensibilidad y 87.7% de especificidad) tiene un alto rendimiento en términos de precisión diagnóstica, no es la opción más rentable. El análisis reveló que un modelo con mayor sensibilidad (96.3%) y menor especificidad (80.4%) ofrecía la mejor rentabilidad, a pesar de aumentar los costos adicionales en comparación con el estado actual. En escenarios de alta prevalencia de RD y mayor disposición a pagar, se requería una mayor sensibilidad para lograr la máxima rentabilidad.
El estudio destaca que, en áreas urbanas y grupos de pacientes más jóvenes, es necesario priorizar la sensibilidad en el cribado, mientras que en zonas rurales se recomienda aumentar la especificidad para minimizar costos innecesarios por derivaciones médicas. Además, se identificaron seis escenarios de ahorro de costos y siete escenarios rentables en comparación con el status quo. En conclusión, los autores enfatizan la importancia de realizar evaluaciones económicas independientes del rendimiento técnico de los modelos de IA para maximizar su utilidad en la práctica clínica real.
