El estudio presenta una revisión sobre los modelos sobre la evaluación económica en salud (HEEs, en inglés) de las herramientas de Inteligencia Artificial (IA), para analizar su rentabilidad y su costo-efectividad.
La IA, ha experimentado un desarrollo importante en el área de la atención médica. Los avances en las ciencias de la computación, los algoritmos, así como la digitalización de datos de salud, han incentivado en progreso de la IA en salud y la atención personalizada. Recientemente, ScienceDirect, publicó una revisión sistemática sobre la evaluación de la economía en salud, enfocada en IA en salud titulada: “Revisión sistemática de las evaluaciones económicas de la salud centradas en la inteligencia artificial en el cuidado de la salud: la tortuga y el guepardo”.
Su objetivo fue discutir los métodos pertinentes, calidad y retos para el futuro de la implementación de la IA en salud. Los autores revisaron 884 estudios sobre IA en salud, que incluyeron temas como modelos de análisis de imágenes médicas, análisis de costo-efectivad de herramientas de IA en salud, entre otros.
Los estudios fueron extraídos de las bases de datos de PubMed y Scopus, con el propósito de identificar estudios potenciales relacionados con análisis económicos en salud, por lo que se incluyeron los siguientes términos de búsqueda (en inglés): efectos, resultados de salud, económico, costo, presupuesto, calidad, beneficios y reducción. Y para incluir términos de IA se incluyeron palabras clave como: computarizado, aprendizaje automático, aprendizaje profundo, impulsado por datos, inteligencia artificial, entre otros.
De los más de 800 estudios solo fueron elegibles 31 y se excluyeron 11 por no considerarlos relevantes ya que no incluyeron datos sobre IA y HEE. Finalmente, solo 20 fueron incluidos en la muestra.
Los autores encontraron que en los 20 estudios revisados: “La evidencia sobre el impacto económico en la salud aún es limitada, y las evaluaciones sólidas son escasas y no se mantienen al día con los avances tecnológicos en curso en IA, dado que los resultados informados se centran predominantemente en los costos y rara vez consideran el impacto a largo plazo”.
Los estudios analizados incluyeron temas como diagnóstico asistido por computadora, tomografías computarizadas, aprendizaje automático o aprendizaje profundo, en especialidades médicas como cardiología, urología, cirugía, oftalmología, gastroenterología y odontología.
“La tecnología de IA más común fue el análisis automatizado de imágenes médicas en una variedad de fases del proceso de atención. La mayoría de los estudios (n = 17) compararon una aplicación de IA con la atención habitual y concluyeron que la IA ahorra costos. Además, una gran cantidad de estudios no informaron detalles sobre la caracterización de la incertidumbre (n = 12), los supuestos del modelo (n = 11) y los métodos analíticos (n = 14)”, menciona el estudio.
Además, consideraron que las limitaciones pueden atribuirse a la elección del método de economía de la salud, lo que llevó a los autores a encontrar uno de los hallazgos del estudio. Las aplicaciones de HEE en IA están limitada cuantitativa y cualitativamente. “El hecho de que solo se publiquen unas pocas evaluaciones, a menudo de calidad subóptima, puede dificultar gravemente la adopción de la IA en la práctica clínica”, explicaron.
Finalmente, los autores concluyen que, en cuanto a la economía de la salud, la innovación en IA es perseguido lentamente por la HEE, y sugieren que muchos estudios afirman que cuentan con una gran rentabilidad en proyectos de IA, sin embargo, no realizan un análisis de HEE.
Puedes consultar el estudio en el siguiente enlace:
https://www.sciencedirect.com/science/article/pii/S1098301521031934
