基于人工智能的查美国人群中面临风险的MASLD和高级纤维化:成本效益分析

科学领域:

• 肝病学 肝病学是一种肝病学.
• 医学经济学 医学经济学
• 人工智能在医学中的应用

背景情况:

• 代谢功能障碍相关的脂肪性肝病 (MASLD) 是一种常见的疾病,通常是晚诊断的,增加了发病率和医疗费用.
• 早期识别与MASLD相关的晚期纤维化对于及时干预至关重要,但需要具有成本效益的查策略.
• 目前面临风险的成年人查方法缺乏明确的成本效益数据.

研究的目的:

• 评估基于人工智能 (AI) 的风险分层工具与暂时弹性图形学 (AI+TE) 结合用于检测美国风险成人中晚期纤维化症的成本效益.
• 将AI+TE策略与FIB-4指数加TE,仅TE查和没有查进行比较.
• 为了评估后续治疗的成本效益,用semaglutide或resmetirom.

主要方法:

• 一个决策分析的马尔科夫模型模拟了从美国付款人的角度来看,MASLD在5年和10年期间的进展.
• 四种查策略进行了比较:AI+TE,FIB-4+TE,TE-only和没有查.
• 经质量调整的寿命年 (QALYs),总成本和增量成本效益比 (ICERs) 是主要的结果指标.

主要成果:

• 在10年内,AI+TE与没有查相比,表现出更高的成本效益,其ICER为semaglutide的38,916美元/QALY,resmetirom的76,141美元/QALY.
• 替代策略 (FIB-4+TE,TE-only) 的效率较低,ICERs超过72,500美元/QALY.
• 在100,000美元/QALY值时,AI+TE具有成本效益的概率超过了semaglutide的90%,而semaglutide的性能始终优于resmetirom.

结论:

• 以人工智能为基础的查与过渡性弹性学相结合,为在风险人群中识别晚期肝纤维化提供了一种具有成本效益的方法.
• 人工智能+TE和半氨酸治疗的结合特别具有成本效益,支持其采用.
• 这些发现提倡对人工智能支持的MASLD查计划的付费者和政策考虑.