Применение искусственного интеллекта в национальных системах обязательного медицинского страхования: Обзор возможностей и практик оплаты
DOI:
https://doi.org/10.54500/2790-1203-2025-125-1-20-26Ключевые слова:
искусственный интеллект, здравоохранение, модели оплаты, возмещение, технологии, клинические результаты, нормативная деятельностьАннотация
Вопросы организации возмещения за оказанную медицинскую помощь приобретают все большее значение из-за роста программ национальных гарантий, старения населения и длительного лечения дорогостоящих заболеваний. В данном исследовании систематизирован международный опыт включения технологий искусственного интеллекта (ИИ) в системы медицинского страхования и предложены наилучшие практики.
Цель исследования: Интеграция ИИ в системы здравоохранения привела к эволюции различных моделей оплаты за медицинские услуги на основе ИИ. Цель данной статьи - представить всесторонний обзор разнообразных моделей оплаты, реализованных в разных странах, с акцентом на продвижение технологического прогресса, поддержание стандартов системы здравоохранения и обеспечение гарантированных клинических результатов.
Методы. Исследование использует метод систематического обзора, анализируя существующую литературу по моделям оплаты медицинских услуг на основе ИИ. Анализ включает классификацию этих моделей на 3 основных типа с возможными гибридными вариациями. Источники отбирались на основе релевантности, статуса рецензирования и вклада в понимание возмещения за ИИ в здравоохранении. Данные извлекались и синтезировались для выявления закономерностей и пробелов в текущих практиках оплаты.
Результаты. Обзор выявляет три основные категории моделей оплаты за медицинские услуги на основе ИИ: оплата за услугу, пакетные платежи и оплата на основе ценности. Также обсуждаются гибридные модели, сочетающие элементы этих категорий. Ключевые результаты подчеркивают сильные и слабые стороны каждой модели в плане продвижения инноваций и достижения клинических результатов. Несмотря на быстрый прогресс в технологиях ИИ, исследование выявляет нехватку систематических исследований, сравнивающих эффективность различных схем возмещения.
Выводы. Обзор подчеркивает необходимость дальнейших исследований для навигации в развивающемся технологическом ландшафте и международных нормативных рамках. Исследуются значительные направления в разработке моделей возмещения за ИИ в здравоохранении, включая адаптацию моделей оплаты за программное обеспечение как услугу (SaaS), внедрение механизмов предвосхищения финансирования и различие между регистрацией ИИ и его включением в программы страхового возмещения как отдельной услуги. Эти выводы важны для политиков, поставщиков медицинских услуг и разработчиков технологий для оптимизации стратегий оплаты и улучшения интеграции ИИ в здравоохранении.
Скачивания
Библиографические ссылки
Lamnisos, D., Giannakou, K., Jakovljevic, M. (2021). Demographic forecasting of population aging in Greece and Cyprus: one big challenge for the Mediterranean health and social system long-term sustainability. Health Research Policy and Systems, 19, 1-8. https://doi.org/10.1186/s12961-020-00666-x
Cai, C., Runte, J., Ostrer, I., Berry, K., Ponce, N., Rodriguez, M., Kahn, J. G. (2020). Projected costs of single-payer healthcare financing in the United States: A systematic review of economic analyses. PLoS medicine, 17(1), e1003013. https://doi.org/10.1371/journal.pmed.1003013
AAlJohani, B. A., Bugis, B. A. (2024). Advantages and challenges of implementation and strategies for health insurance in Saudi Arabia: A systemic review. INQUIRY: The Journal of Health Care Organization, Provision, and Financing, 61, 00469580241233447. https://doi.org/10.1177/00469580241233447
Khanna, N. N., Maindarkar, M. A., Viswanathan, V., Fernandes, J. F. E., Paul, S., Bhagawati, M., Suri, J. S. (2022). Economics of artificial intelligence in healthcare: diagnosis vs. treatment. In Healthcare (Vol. 10, No. 12, p. 2493). MDPI. https://doi.org/10.3390/healthcare10122493
Lobig, F., Subramanian, D., Blankenburg, M., Sharma, A., Variyar, A., Butler, O. (2023). To pay or not to pay for artificial intelligence applications in radiology. NPJ digital medicine, 6(1), 117. https://doi.org/10.1038/s41746-023-00861-4
Clyde, A. T., Bockstedt, L., Farkas, J. A., Jackson, C. (2008). Experience with Medicare’s new technology add-on payment program. Health Affairs, 27(6), 1632-1641. https://doi.org/10.1377/hlthaff.27.6.1632
Farah, L., Borget, I., Martelli, N. (2023). International Market Access Strategies for Artificial Intelligence–Based Medical Devices: Can We Standardize the Process to Faster Patient Access?. Mayo Clinic Proceedings: Digital Health, 1(3), 406-412. https://doi.org/10.1016/j.mcpdig.2023.06.011
Centers for Medicare Medicaid. Proposed Medicare Coverage of Innovative Technology. Website. [Cited 27 July 2023]. Available from URL: https://www.cms.gov/newsroom/fact-sheets/proposedmedicare-coverage-innovative-technology-cms3372-p.
Chen, M. M., Golding, L. P., Nicola, G. N. (2021). Who will pay for AI?. Radiology: Artificial Intelligence, 3(3), e210030. https://doi.org/10.1148/ryai.2021210030
Морозов С.П., Шулькин И.М., Ледихова Н.В., Владзимирский А.В., Ахметов Р.Н., Попов А.А. (2022). Оценка экспертных телемедицинских консультаций в службе лучевой диагностики Москвы в 2018-2020 гг. Современные проблемы здравоохранения и медицинской статистики, (1), 438-460. https://doi.org/10.24412/2312-2935-2022-1-438-460
Morozov S.P., SHul'kin I.M., Ledihova N.V., Vladzimirskij A.V., Ahmetov R.N., Popov A.A. (2022). Ocenka ekspertnyh telemedicinskih konsul'tacij v sluzhbe luchevoj diagnostiki Мoskvy v 2018-2020 gg. (Evaluation of expert telemedicine consultations in the Moscow radiology service in 2018-2020) [In Russian]. Sovremennye problemy zdravoohraneniya i
medicinskoj statistiki, (1), 438-460. https://doi.org/10.24412/2312-2935-2022-1-438-460
Сапанюк, А. И., Лядов, К. В., Полушкин, В. Г., Алаторцев, А. В., Отдельнова, О. Б. (2022). Тарифная политика обязательного медицинского страхования на уровне субъекта Российской Федерации как инструмент расширения доступности современных методов онкологического лечения. Национальное здравоохранение, 3(2), 38-45. https://doi.org/10.47093/2713-069X.2022.3.2.38-45
Sapaniuk A.I., Ljadov K.V., Polushkin V.G., Alatortsev A.V., Otdelnova O.B. (2022) Tarifnaya politika obyazatel'nogo medicinskogo strahovaniya na urovne sub"ekta Rossijskoj Federacii kak instrument rasshireniya dostupnosti sovremennyh metodov onkologicheskogo lecheniya (Financial policies in Russian compulsory medical insurance: regional strategies for access to healthcare services in oncology) [In Russian]. National Health Care, 3(2): 38-45. https://doi.org/10.47093/2713-069X.2022.3.2.38-45
Васильев Ю. А., Владзимирский А.В., Арзамасов К.М., Шулькин И.М., Аксенова Л. Е., Пестренин Л. Д., Семенов С. С., Бондарчук Д. В., Смирнов И. В. (2023). Первые 10000 маммографических исследований, выполненных в рамках услуги "Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта". Менеджер здравоохранения, (8), 54-67. https://doi.org/10.21045/1811-0185-2023-8-54-67
Vasil'ev YU.A., Vladzimirskij A.V., Arzamasov K.M., SHul'kin I.M., Aksenova L.E., Pestrenin L.D., Semenov S.S., Bondarchuk D.V., Smirnov I.V. (2023). Pervye 10000 mammograficheskih issledovanij, vypolnennyh v ramkah uslugi «Оpisanie i interpretaciya dannyh mammograficheskogo issledovaniya s ispol'zovaniem iskusstvennogo intellekta» (The first 10,000 mammographic examinations performed as part of the service "description and interpretation of mammographic data using artificial intelligence") [In Russian]. Menedzher zdravoohraneniya, (8), 54-67. https://doi.org/10.21045/1811-0185-2023-8-54-67
Dispositifs médicaux numériques : création à la HAS d’un guichet unique pour une évaluation transversale. Website. [Cited 27 Feb 2024]. Available from URL: https://www.has-sante.fr/jcms/p_3404229/fr/dispositifs-medicaux-numeriquescreation-a-la-has-d-un-guichet-unique-pour-une-evaluation-transversale
Adenot, I., Camus, D., de Fleurian, A. A. É., Tassy, D., Bourguignon, S., Chabin, N., Wilquin-Bequet, F. (2020). Early patient access to health technologies: Is innovation needed for early management?. Therapies, 75(1), 71-83. https://doi.org/10.1016/j.therap.2019.11.008
Vollmer, L., Foxon, G., Danev, V., Berard, I., Benazet, F., & Walzer, S. (2020). PMD17 comparison of market access routes of digital health applications in France, Germany and the UK. Value in Health, 23, S579. https://doi.org/10.1016/j.jval.2020.08.1050
Prodan, A., Deimel, L., Ahlqvist, J., Birov, S., Thiel, R., Toivanen, M., Kalra, D. (2022). Success factors for scaling up the adoption of digital therapeutics towards the realization of P5 medicine. Frontiers in Medicine, 9, 854665. https://doi.org/10.3389/fmed.2022.854665
Early access to reimbursement for digital devices (PECAN) French Ministry of Health and Prevention. Website. [Cited 18 May 2023]. Available from URL: http://gnius.esante.gouv.fr/en/financing/reimbursement-profiles/early-accessreimbursement-digital-devices-pecan
Taylor-Phillips, S., Seedat, F., Kijauskaite, G., Marshall, J., Halligan, S., Hyde, C., Given-Wilson, R., Wilkinson, L., Denniston, A. K., Glocker, B., Garrett, P., Mackie, A., Steele, R. J. (2022). UK National Screening Committee's approach to reviewing evidence on artificial intelligence in breast cancer screening. The Lancet Digital Health, 4(7), e558-e565. https://doi.org/10.1016/S2589-7500(22)00088-7
MedTech Funding Mandate policy 2022/23: guidance for NHS commissioners and providers of NHS-funded care. Website. [Cited 22 Apr 2024]. Available from URL: https://www.england.nhs.uk/publication/medtech-funding-mandate-policy2022-23-guidance-for-nhs-commissioners-and-providers-of-nhs-funded-care/
Parikh, R. B., & Helmchen, L. A. (2022). Paying for artificial intelligence in medicine. NPJ digital medicine, 5(1), 63. https://doi.org/10.1038/s41746-022-00609-6
Katirai, A., Yamamoto, B. A., Kogetsu, A., Kato, K. (2023). Perspectives on artificial intelligence in healthcare from a Patient and Public Involvement Panel in Japan: an exploratory study. Frontiers in digital health, 5, 1229308. https://doi.org/10.3389/fdgth.2023.1229308
Aisu, N., Miyake, M., Takeshita, K., Akiyama, M., Kawasaki, R., Kashiwagi, K., Tsujikawa, A. (2022). Regulatory-approved deep learning/machine learning-based medical devices in Japan as of 2020: A systematic review. PLOS Digital Health, 1(1),
e0000001. https://doi.org/10.1371/journal.pdig.0000001
Gensorowsky, D., Witte, J., Batram, M., Greiner, W. (2022). Market access and value-based pricing of digital health applications in Germany. Cost Effectiveness and Resource Allocation, 20(1), 25. https://doi.org/10.1186/s12962-022-00359-y
The Fast-Track process for digital health applications (DiGA) according to Section 139e SGB V. Federal Institute for Drugs and Medical Devices. Website. [Cited 12 Mar 2024]. Available from URL: https://www.bfarm.de/SharedDocs/Downloads/
EN/MedicalDevices/DiGA_Guide.pdf?__blob=publicationFile&v=2
van Kessel, R., Srivastava, D., Kyriopoulos, I., Monti, G., Novillo-Ortiz, D., Milman, R., Mossialos, E. (2023). Digital health reimbursement strategies of 8 European countries and Israel: scoping review and policy mapping. JMIR mHealth and uHealth, 11(1), 49003. https://doi.org/10.2196/49003
