肺癌查LungFlagTM预测风险模型对预算的影响
Carolina Heuser1, Michael K Gould2, Eran Choman3
1F. Hoffmann-La Roche Ltd, Grenzacherstrasse 124, Building 002, 4070, Basel, Switzerland. carolina.heuser@roche.com.
PharmacoEconomics - open
|December 18, 2025
概括
使用LungFlag模型的肺癌查可以在五年内节省280万美元. 这种人工智能工具可以识别早期非小细胞肺癌 (NSCLC) 检测的高风险个体,从而降低先进的治疗成本.
科学领域:
- 卫生经济学 卫生经济学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 肺癌查通常会产生错误的阳性结果,增加成本和并发症.
- LungFlag模型使用机器学习来预测非小细胞肺癌 (NSCLC) 的个体风险.
- 本研究评估了LungFlag的预算影响,从美国纳税人的角度来看,用于识别肺癌查候选人.
研究的目的:
- 评估实施肺癌查LungFlag风险预测模型的预算影响.
- 确定使用人工智能识别高风险个体进行低剂量计算机断层扫描 (LDCT) 查的成本效益.
主要方法:
- 一个预算影响模型模拟了美国100万会员商业健康计划的5年成本.
- 包括未接受过查的50-80岁的个人,符合美国预防服务特别工作组2021年NSCLC查标准.
- 分析增量成本, LungFlag 性能在诊断前进行评估; 进行了灵敏度分析.
主要成果:
- 预计LungFlag的实施将在5年内总共节省28万美元的累计成本.
- 节约主要是由于降低了先进NSCLC治疗成本 (4,400万美元).
- LungFlag发现了17例新增的NSCLC病例,预防了22例死亡,并将诊断转移到早期阶段 (增加了50例I阶段,减少了33例III/IV阶段).
结论:
- 据估计,利用LungFlag模型用于肺癌查候选人识别,将在5年内节省280万美元.
- 节省成本主要源于与治疗晚期非小细胞肺癌相关的费用降低.
- LungFlag促进了早期检测,改善了患者的治疗结果,并降低了整体医疗保健支出.
