Концептуальная модель оценки экономической эффективности ИИ-решений в здравоохранении

Цель. Разработка концептуальной модели оценки экономической эффективности применения технологий искусственного интеллекта (далее — ИИ) в здравоохранении, включающей в себя учет не только прямых издержек, но и косвенных, скрытых, транзакционных.
Задачи. Рассмотреть ключевые направления воздействия ИИ на систему здравоохранения с акцентом на выявление основных эффектов и издержек его внедрения; разработать методологический подход, позволяющий проводить многоуровневую и комплексную экономическую оценку ИИ-решений как на уровне отдельных медицинских учреждений, так и в масштабах государственной системы здравоохранения.
Методология. Методологической основой послужили анализ научных публикаций за 2020–2024 гг. и системный анализ эффектов, издержек от внедрения ИИ. Применены междисциплинарный и институциональный подходы, позволяющие интегрировать различные аспекты воздействия ИИ и сформировать универсальную оценочную модель, а не только учитывающую экономическую эффективность.
Результаты. Разработана концептуальная модель, отражающая краткосрочные и долгосрочные эффекты внедрения ИИ в клинической, организационной, экономической, социальной, научной и нормативной сферах. Предложена классификация издержек, предусматривающая четыре группы: прямые, косвенные, скрытые и транзакционные. Модель адаптируется под уровень анализа и позволяет проводить сопоставимую оценку экономической эффективности ИИ-решений.
Выводы. Для формирования устойчивой и объективной системы оценки экономической эффективности ИИ в здравоохранении необходимо учитывать в целом спектр эффектов и издержек. Игнорирование скрытых и транзакционных затрат может привести к искажению прогнозов и снижению оценки эффективности внедряемых решений. Разработанная модель представляет собой универсальный инструмент для поддержки стратегических решений на уровне учреждений и государственных органов, а также может служить основой в дальнейшем развитии методик оценки цифровых технологий в медицине.

1. Лапидус Л. В., Токарева О. М. Разработка таксономии решений на основе технологий искусственного интеллекта в практике оказания медицинских услуг // Экономика и управление. 2024. Т. 30. № 7. С. 819–831. https://doi.org/10.35854/1998-1627-2024-7-819-831

2. Gomez Rossi J., Rojas-Perilla N., Krois J., Schwendicke F. Cost-effectiveness of artificial intelligence as a decision-support system applied to the detection and grading of melanoma, dental caries, and diabetic retinopathy // JAMA Network Open. 2022. Vol. 5. No. 3. e220269. https://doi.org/10.1001/jamanetworkopen.2022.0269

3. Deep learning detection of active pulmonary tuberculosis at chest radiography matched the clinical performance of radiologists / S. Kazemzadeh, J. Yu, S. Jamshy [et al.] // Radiology. 2023. Vol. 306. No. 1. P. 124–137. https://doi.org/10.1148/radiol.212213

4. Wang Y., Liu C., Hu W., et al. Economic evaluation for medical artificial intelligence: Accuracy vs. cost-effectiveness in a diabetic retinopathy screening case // NPJ Digital Medicine. 2024. Vol. 7. Article 43. https://doi.org/10.1038/s41746-024-01032-9

5. Wu H., Jin K., Yip C.C., Koh V., Ye J. A systematic review of economic evaluation of artificial intelligence-based screening for eye diseases: From possibility to reality // Survey of Ophthalmology. 2024. Vol. 69. No. 4. P. 499–507. https://doi.org/10.1016/j.survophthal.2024.03.008

6. Cost-effectiveness of artificial intelligence for screening colonoscopy: A modelling study / M. Areia, Y. Mori, L. Correale [et al.] // The Lancet Digital Health. 2022. Vol. 4. No. 6. P. e436–e444. https://doi.org/10.1016/S2589-7500(22)00042-5

7. Luz A., Gimah M. AI-driven early detection systems for chronic diseases // Preprints.org. 2025. 29 January. https://doi.org/10.20944/preprints202501.2144.v1

8. Global health estimates: Leading causes of death // World Health Organization (WHO). URL: https://www.who.int/data/gho/data/themes/mortality-and-global-health-estimates/ghe-leading-causes-of-death (дата обращения: 12.02.2025).

9. Economics of artificial intelligence in healthcare: Diagnosis vs. treatment / N. N. Khanna, M. A. Maindarkar, V. Viswanathan [et al.] // Healthcare. 2022. Vol. 10. No. 12. Article 2493. https://doi.org/10.3390/healthcare10122493

10. Sahni N., Stein G., Zemmel R., Cutler D. M. The potential impact of artificial intelligence on healthcare spending. NBER Working Paper. 2023. No. 30857. URL: https://www.nber.org/system/files/working_papers/w30857/w30857.pdf (дата обращения: 12.02.2025).

11. Vithlani J., Hawksworth C., Elvidge J., Ayiku L., Dawoud D. Economic evaluations of artificial intelligence-based healthcare interventions: A systematic literature review of best practices in their conduct and reporting // Frontiers in Pharmacology. 2023. Vol. 14. Article 1220950. https://doi.org/10.3389/fphar.2023.1220950

12. van Leeuwen K. G., Meijer F. J. A., Schalekamp S., et al. Cost-effectiveness of artificial intelligence aided vessel occlusion detection in acute stroke: An early health technology assessment // Insights into Imaging. 2021. Vol. 12. No. 1. Article 133. https://doi.org/10.1186/s13244-021-01077-4

13. Al Meslamani A.Z. Beyond implementation: The long-term economic impact of AI in healthcare // Journal of Medical Economics. 2023. Vol. 26. No. 1. P. 1566–1569. https://doi.org/10.1080/13696998.2023.2285186

14. Лукичев П. М., Чекмарев О. П. Экономика искусственного интеллекта: возможности и проблемы использования в здравоохранении // Вопросы инновационной экономики. 2022. Т. 12. № 2. С. 1111–1130. https://doi.org/10.18334/vinec.12.2.114782

15. Merhi M. I. An evaluation of the critical success factors impacting artificial intelligence implementation // International Journal of Information Management. 2023. Vol. 69. Article 102545. https://doi.org/10.1016/j.ijinfomgt.2022.102545

16. Bharadwaj P., Nicola L., Breau-Brunel M., et al. Unlocking the value: Quantifying the return on investment of hospital artificial intelligence // Journal of the American College of Radiology. 2024. Vol. 21. No. 10. P. 1677–1685. https://doi.org/10.1016/j.jacr.2024.02.034

17. Hajri O. The hidden costs of AI: Decolonization from practice back to theory / S. Thiel, J. C. Bernhardt, eds. AI in museums: Reflections, perspectives and applications. Bielefeld: Transcript Publishing, 2023. P. 57–64. https://doi.org/10.1515/9783839467107-006

18. Coase R. H. The nature of the firm // Economica. 1937. Vol. 4. No. 16. P. 396–405. https://doi.org/10.1111/j.1468-0335.1937.tb00002.x

19. North D. C. Institutions, institutional change and economic performance. Cambridge: Cambridge University Press, 1990. 152 p.

20. Williamson O. E. The economic institutions of capitalism: Firms, markets, relational contracting. New York: The Free Press, 1985. 450 p.

21. Liu C.-F., Huang C.-C., Wang J.-J., Kuo K.-M., Chen C.-J. The critical factors affecting the deployment and scaling of healthcare AI: Viewpoint from an experienced medical center // Healthcare. 2021. Vol. 9. No. 6. Article 685. https://doi.org/10.3390/healthcare9060685

22. Alnasser B. A review of literature on the economic implications of implementing artificial intelligence in healthcare // E-Health Telecommunication Systems and Networks. 2023. Vol. 12. No. 3. P. 35–48. https://doi.org/10.4236/etsn.2023.123003

23. Wolff J., Pauling J., Keck A., Baumbach J. The economic impact of artificial intelligence in health care: Systematic review // Journal of Medical Internet Research. 2020. Vol. 22. No. 2. e16866. https://doi.org/10.2196/16866