文献速递神经外周血管CTDSA

人工智能辅助急性卒中血管闭塞检测的成本效益:早期卫生技术评估

Cost-effectiveness of artificial intelligence aided vessel occlusion detection in acute stroke: an early health technology assessment.
PubMed 文献 · Insights Imaging · 2021-09-25

本研究采用基于英国社会的马尔可夫模型,评估AI辅助检测颅内大血管闭塞(LVO)对比标准诊疗的成本效益。结论认为AI工具有潜力改善预后并节约成本,但需临床验证。

要点

  • AI辅助LVO检测在基础病例假设下可节约成本并轻微改善健康结局。
  • 成本节约主要来自长期避免漏诊带来的后续治疗与护理费用降低。
  • 模型结果对漏诊率、AI性能和价格等参数变化保持稳健。

核心结论

  • 在基础病例假设下,AI辅助LVO检测相比标准诊疗每例疑似缺血性卒中患者终身节省156美元并增加0.0095 QALYs。
  • AI工具在急诊LVO检测中有潜力改善医疗结局并节约成本,但需真实临床数据验证。

研究设计与样本

  • 研究类型为早期卫生技术评估,使用基于英国社会视角的马尔可夫模型。
  • 模型队列主要基于英国卒中登记数据,样本量n=71,840,年龄设为66岁,仅纳入早期就诊者(最后正常时间≤4小时)。
  • 临床参数来自大型随机试验汇总数据(SWIFT PRIME、MR CLEAN、REVASCAT、EXTEND-IA、ESCAPE)及观察者研究。
  • 成本数据来自既往研究,并按2019年英国消费者价格指数通胀,年贴现率4%(成本)和1.5%(效用)。
  • 模型在Microsoft Excel中构建,并公开于https://www.AIforRadiology.com供调整参数。

诊断标准与关键数值

  • 基础病例假设:临床漏诊LVO率6%,每次AI分析成本40美元,AI减少50%漏诊。
  • 基础病例结果:增量成本-156美元(-0.23%),增量效果+0.0095 QALYs(+0.07%)。
  • 90天窗口内增量成本+60美元,增量效果+0.0001 QALY;急性期后终身增量成本-216美元,增量效果+0.0094 QALY。
  • 场景分析显示,当漏诊率1%且AI减少25%漏诊时,AI每次分析最高成本16美元才能具有优势(成本节约且健康增益)。
  • AI单独检测LVO的敏感度文献报告范围为87.8–97.9%,但本模型未直接使用该值作为输入。

临床应用与阅片要点

  • AI辅助检测可能减少LVO漏诊,尤其对M2闭塞,但需读者判断以中和假阳性,避免过度治疗。
  • 假阳性预计不增加额外成本(每增加1%假阳性仅增加0.07美元),但可能轻微延长阅片时间。
  • 成本节约在长期显现,而AI软件成本为短期支出,由放射科或医院承担,需考虑投资与报销机制。
  • 模型结果依赖于AI能实际减少漏诊的假设,不能直接将厂商提供的单独敏感度作为模型输入。

局限性

  • 早期HTA数据有限,部分参数基于假设,如漏诊率6%和AI减少50%漏诊。
  • 仅纳入早期就诊者(最后正常时间≤4小时),未充分考虑晚就诊者及替代策略(如CTP、额外培训等)。
  • 未详细建模医生与AI的交互,假阳性影响被简化处理。
  • 成本数据来自既往研究,可能不适用于其他医疗体系。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2021 Sep 25;12:133. doi: 10.1186/s13244-021-01077-4

要点

早期卫生技术评估可用于评估人工智能的影响。

使用人工智能进行大血管闭塞检测可能具有成本效益。

预计在预测寿命期内可实现健康状况改善和成本节约。

财务投资和收益的分配方式不同,给采纳带来挑战。

背景

目前,市场上已有超过一百种获得CE认证的放射学人工智能(AI)软件产品,涵盖广泛的应用领域。供应商往往对改善医疗服务和提高效率做出宽泛的宣称,然而关于其对医疗保健影响的证据普遍缺乏[1]。具体针对急性缺血性卒中的检测,有六种获得监管批准(CE和/或FDA)的AI产品已商业化,可在计算机断层扫描血管造影(CTA)上检测大血管闭塞(LVO)。这些产品的主要目的是提高LVO的诊断准确性,而快速准确的诊断对于提供适当的治疗至关重要,尤其是当动脉内血栓切除术(IAT)可行时,总体而言可改善患者预后[2–4]。

在同行评审出版物(n = 2)和FDA提交材料(n = 3)中,有一些关于LVO检测软件独立诊断准确性的证据,表明其在敏感性方面达到放射科医师水平[5–9]。然而,关于这些算法在诊断、治疗决策、患者结局和社会结局方面附加价值的研究发表有限[10]。因此,使用AI软件进行LVO检测在多大程度上影响诊断准确性,进而影响医疗结局和总体成本,仍然未知。

早期卫生技术评估(HTA)是一种在创新技术实施之前的早期阶段评估其潜在价值的方法学[11, 12]。早期HTA的目的是深入了解新技术的潜在价值,为以下方面提供信息:进一步开发(是否值得进一步开发该技术并开展相关研究)、技术在治疗路径中的定位(例如,它应是当前路径的补充还是替代其他环节)、所需规格(最低所需有效性、定价)以及未来研究(未来临床研究应纳入哪些结局指标)。其结果为以高效方式分配医疗资源提供指导,促进价值导向的医疗保健。我们假设早期HTA也是评估AI应用对医疗结局和成本潜在影响的有效方法。因此,本研究的目的是使用早期HTA来评估在缺血性卒中中使用AI工具在计算机断层扫描血管造影(CTA)上检测颅内LVO与标准诊疗相比的潜在成本效益。

方法

策略

为展示AI辅助LVO检测的潜在价值,比较了两种策略的成本和效果。第一种策略包括当前的标准诊疗。当根据症状怀疑缺血性卒中并经非增强CT排除其他病因后,患者接受头部CTA伴或不伴CT灌注(CTP)检查。图像由值班放射科医师和/或神经科医师评估,之后如果患者根据当前指南被判定符合条件,则进行IAT[13]。

第二种策略被定义为一种理论策略,其中人工智能被用作CTA上LVO检测的辅助工具。对于这两种策略,只有前循环近端(ICA、A1、M1、M2)的血管闭塞被认为与IAT的患者选择相关,这与当前卒中指南中的建议一致[13]。在该策略中,我们假设人工智能软件能够提高诊断敏感性,特别是对M2闭塞的检测,而不降低特异性。人工智能软件的假阳性预期将通过阅片者的判断来中和,以防止过度治疗。

一些供应商声称,除了提供更准确的诊断外,使用人工智能可能缩短至治疗的时间,特别是当其能够绕过放射科医生时[10]。由于目前大多数市售产品侧重于分诊和交互式决策支持,我们仅评估了使用人工智能可提供更准确诊断这一主张,即减少漏诊LVO的数量。

模型结构

我们使用马尔可夫模型来展示两种策略的成本和健康结局。决策树代表两种策略的急性期(前90天)(图1)。描述残疾程度的改良Rankin量表(mRS)在90天时的评分为后续马尔可夫模型的初始状态,以模拟终生时间范围内的结局。在每个年度周期之后,总共70个周期,患者可以根据一般人群的死亡概率保持当前健康状态、发生复发性卒中或死亡[14]。分析从英国背景下的社会视角进行。建模在Microsoft Excel 16中完成。

图1 适用于标准诊疗策略和AI工具策略的决策树。在AI工具策略中,闭塞(未)检出的比率被改变。CTA,计算机断层扫描血管造影;IAT,动脉内血栓切除术 查看原图 ↗

人群

我们的队列(n = 71,840)主要基于英国卒中登记数据[15]。应用AI软件的初始队列由在急性卒中诊断检查中接受CTA的患者组成。我们排除了就诊较晚的卒中患者(最后确认正常时间 > 4小时),因为可用的mRS数据基于早期就诊者。在这些患者中,30.6%患有LVO,其中43.8%符合IAT治疗条件[15]。

关于标准诊疗中漏诊LVO的百分比知之甚少,但文献报道的估计值在6%至20%之间[16, 17]。因此,我们在模型中测试了该变量的一个范围,并聚焦于保守情景,即6%的LVO被漏诊。该数字基于一项由三名神经放射科医生使用CTA和CTP进行LVO检测的观察者研究[16]。

完成模型所需的其他变量来自先前进行的大型卒中研究。根据MR Clean试验[3],人群年龄设定为66岁。90天时的mRS结局基于大型随机试验(SWIFT PRIME、MR CLEAN、REVASCAT、EXTEND-IA、ESCAPE)的汇总数据[2]。急性期(前90天)后复发性卒中的年平均概率为2.84%[18]。急性期的复发性卒中已纳入90天时的mRS结局。发生复发性卒中的患者可能出现更差的结局,即更高的mRS状态。复发性卒中患者的mRS状态分布假定与未接受IAT治疗的患者组相同。表1概述了这些模型输入。

表1 模型输入——临床参数 查看原表 ↗

成本

成本来源于先前的一项研究(表2)[19]。短期成本(<90天)包括治疗、住院和不良事件管理的成本。长期成本根据OXVASC研究归因于不同的mRS状态,包括个人社会服务成本,如护理和住宿照护成本[20]。

所有成本根据英国国家统计局消费者价格指数通胀至2019年水平,并按每年4%折现[21, 22]。为便于解读,我们采用2019年平均汇率(£1 = $1.283)以美元报告所有成本[23]。

表2 模型输入——成本 查看原表 ↗

健康结局

健康结局以质量调整生命年(QALYs)描述,0表示死亡,1表示完全健康。mRS评分基于MR Clean试验进行效用加权(表3)[26]。效用按每年1.5%的比率折现[21]。

表3 模型输入——效用值 查看原表 ↗

分析

在多情景分析中,我们评估了不同算法性能值(AI工具检测到的本会被漏诊的LVO百分比)、AI工具成本(每次分析美元)和标准诊疗中漏诊LVO百分比下健康结局和成本的差异。使用这些参数的假设组合进行了基础案例分析。经独立验证用于LVO检测的AI工具的灵敏度据报道在87.8%–97.9%范围内[5–8]。然而,对于本分析而言,了解放射科医生使用AI工具作为检测辅助时诊断准确性提高多少是相关的。由于尚无证据表明使用商业AI产品可减少漏诊LVO的百分比,我们在假定的基础案例性能50%附近对该数值进行了变动。基础案例情景中AI每例价格设定为40美元。如前所述,标准诊疗中漏诊LVO的基础案例假设设定为6%。

一个QALY的参考值为£20,000($25,662)[27]。我们进行了多项单因素敏感性分析,其中变动未纳入情景分析的参数以评估模型的稳健性。

这是一项观察性研究,机构审查委员会批准予以豁免。模型可在https://www.AIforRadiology.com获取,并可调整变量[28]。

结果

应用人工智能(AI)进行大血管闭塞(LVO)检测具有节约成本和改善患者结局的潜力。表4显示了在常规诊疗中漏诊LVO的百分比以及该创新技术所检测出的漏诊LVO的百分比不同情景下的结局。这些分析中未纳入该创新技术的成本。因此,潜在的成本节约代表了该创新技术优于常规诊疗(即同时带来健康获益和成本节约)时的最高成本。例如,在当前漏诊LVO为1%且该创新技术检测率为25%的情况下,要使该创新技术占优,每次AI分析的最高成本可为16美元。

图2展示了在假设当前漏诊LVO率为6%的情况下,改变每次AI分析的成本和AI工具减少漏诊LVO的百分比时每例患者的成本节约。由此可以明确AI工具在何种成本或性能下能够节约成本。实心绿色圆点表示基础案例情景(漏诊率6%,每次AI分析40美元,AI减少漏诊LVO 50%)。表5进一步展示了基础案例情景的结果。在此,模型预测与标准诊疗相比,AI策略同时带来成本降低和患者结局改善。对于每例缺血性卒中患者的预计终生期间,增量成本和增量效用分别为−156美元(−0.23%)和+0.0095质量调整生命年(QALY)(+0.07%)。使用每QALY 25,662美元的参考值,0.0095 QALY可折算为244美元。对于英国每年的患者队列,这折算为总计110万美元的成本节约和682 QALY的增益(1750万美元)。

在90天窗口内,干预情景由于增加了对更昂贵的动脉内治疗(IAT)的使用而导致增量成本(IC:+60美元)。观察到可忽略的医疗改善(IE:+0.0001 QALY)。在急性期后的终生期间,预期会出现成本降低和更大的QALY增益(IC:−216美元,IE:+0.0094 QALY)。

图3展示了以基础案例情景为起点的单因素敏感性分析结果。在所有情况下,增量成本均保持为负,增量效用均为正。长期卒中成本是导致结果变异最大的参数,其次是患者群体的起始年龄。改良Rankin量表(mRS)概率和效用值的敏感性分析报告于附加文件1中。该分析未纳入假阳性病例可能增加阅片时间的额外成本,因为由此产生的额外成本可忽略不计——每增加一个百分点的假阳性仅增加0.07美元——如附加文件2所示。

表4 应用AI工具与常规诊疗相比的成本和QALY的潜在变化 查看原表 ↗
图2 展示增量成本的情景分析。在不同AI工具每次分析价格(0–200美元)和不同漏诊大血管闭塞诊断减少百分比(0–100%)下的增量成本。绿色圆圈表示成本降低,红色圆圈表示成本增加。圆圈的大小与增量成本的高低相关 查看原图 ↗
表5 基础案例分析*的结果,即常规诊疗与应用AI工具之间的差异 查看原表 ↗
图3 单因素敏感性分析结果。图中展示了改变若干参数的影响。左图展示对成本的影响,右图展示对QALY的影响。浅灰色条表示下限,深灰色条表示上限。坐标轴相交于基础病例结果−156美元和0.0095 QALY。LVO,大血管闭塞;IAT,动脉内血栓切除术;QALY,质量调整生命年 查看原图 ↗

讨论

我们应用早期卫生技术评估(HTA)来展示一种AI工具潜在的成本效果。当前的AI研究主要关注算法(手段)的性能,而不是评估对医疗结局和成本的影响,尤其是在开发的早期阶段。

在本研究中,我们通过使用早期HTA证明,用于辅助检测缺血性卒中颅内LVO的AI软件具有改善医疗结局并节省总体成本的潜力。敏感性分析表明该模型对模型参数和假设的变化具有稳健性。LVO检测的改善可在短期和长期带来更好的临床结局,从而减少总体医疗资源消耗。

早期HTA分析并非旨在为创新的开发或采购提供明确的“推进”或“不推进”建议,而是为开发、实施和报销的方向提供见解[11]。例如在本研究中,分析显示成本收益在长期内获得,而软件成本是短期的,通常由放射科或医院承担。这一观察结果可能有助于关于AI技术临床使用投资、财务责任和报销的讨论。

进行早期HTA的困难在于并非所有数据均已已知,因此称为“早期”。因此,我们使用了既往研究的数据,并作出一些假设以完成模型。所描述的敏感性分析展示了改变参数时的影响,并提供了关于偏倚和置信度的背景信息。该模型已公开,允许通过调整参数值对模型和结果进行个性化调整。

主要假设之一是漏诊LVO的百分比。基础病例情景假设为6%,但可能因临床背景而异[16, 17]。由于证据有限,我们基于一项以两名神经放射科医生和一名神经放射科住院医师作为观察者的研究确定该比率。然而,在许多临床环境中,可能无法及时获得专科医生。一些中心对卒中患者的接触有限,在非办公时间,检查通常首先由经验较少的观察者(住院医师)评估。因此,我们认为6%是一个保守估计。随着漏诊LVO百分比升高,使用AI软件的收益增加。

此外,我们在基础情景中对人工智能减少漏诊大血管闭塞(LVO)的能力做了一项假设,因为关于人工智能工具在LVO检测中附加价值的证据有限。本研究的结果仅在人工智能工具对LVO诊断准确性有积极影响的前提下才成立。因此,我们展示了一种能够将漏诊LVO的百分比降低0%至100%范围内的人工智能工具的效果。需要注意的是,该百分比不能直接转换为单独应用人工智能算法的灵敏度(范围为87.8%至97.9% [5–8]),因为我们假设被医生漏诊的病例也更可能被算法漏诊(例如M2段闭塞)。出于这一原因,我们在基础情景中采用了保守的50%漏诊减少率,并建议不要直接将供应商提供的灵敏度指标作为该模型的输入。

我们的分析有几点值得注意。首先,在本经济学评价中,我们考虑了按使用付费的商业模式,并假设按每次分析计算成本。当供应商采用软件许可模式时,所提出的评价方法仍然适用。将年度许可费除以预期人口数,即可获得每次分析成本的估计值。

其次,我们使用了早期就诊患者的数据,因为仅该组患者的医疗结局数据可得。目前,血管内治疗(IAT)的适应证正在扩大至也包括晚期就诊患者[13]。英国队列的大多数(86%)由早期就诊患者构成。我们假设成本节约和健康获益仍为正值,但当将晚期就诊患者纳入模型时会略有降低。其他旨在评估IAT资格的人工智能工具,如CT灌注(CTP)分析、侧支循环状态评估或ASPECT评分,可能对晚期就诊人群有更大的影响,但超出了本研究的范围。

最后,我们未详细考虑医生与人工智能软件之间的交互作用。我们预计,当假阳性率处于可接受水平时,其影响有限。我们假设人工智能软件的假阳性预测会被阅片者中和,不会导致不必要的侵入性操作(诊断性减影血管造影)。假阳性可能导致阅片时间略有延长,而真阳性可能加快阅片过程。如敏感性分析所示,略微增加的阅片时间导致的额外成本可忽略不计。

在本研究中,我们比较了标准诊疗与使用人工智能工具以提高缺血性卒中LVO检测诊断效能的情况。取决于中心和卒中诊疗的组织方式,可能存在我们未考虑的替代策略或策略组合来达到相同目标,例如使用包括CTP在内的先进影像技术、对解读CT血管造影(CTA)扫描的医生进行额外培训、在非办公时间安排专职(神经)放射科医生值班,甚至其他类型的人工智能工具。在进一步的成本效果研究中,可以探索这些替代方案,以确定实施人工智能工具进行LVO检测是否是最具成本效率的解决方案。

结论

我们通过开展早期卫生技术评估,展示了计算机辅助大血管闭塞(LVO)检测在缺血性卒中中的潜在成本效益。此类分析可用于在早期阶段提示人工智能(AI)工具的潜在效能,以指导开发与实施。最重要的下一步是在临床实践中验证早期卫生技术评估的结果。随着越来越多的人工智能工具在临床中应用,评估人工智能工具对医疗系统的影响十分重要。应采用真实世界结局指标,以深入了解如何以合理且安全的方式应用人工智能工具。这是证明人工智能正在使医疗更优质、更可负担这一主张的先决条件。

补充信息

附加文件1. mRS分布与效用值的敏感性分析。

附加文件2. 假阳性成本。

引用

  1. van Leeuwen KG, Meijer FJA, Schalekamp S, et al. Cost-effectiveness of artificial intelligence aided vessel occlusion detection in acute stroke: an early health technology assessment. Insights Imaging. 2021. PMID: 34564764. doi:10.1186/s13244-021-01077-4
  2. 全文:PMC8464539(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8464539/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。