Экономическое моделирование здравоохранения: имитационная оценка ИИ‑помощника для клинических решений при реваскуляризации коронарных артерий

Более разумный выбор в уходе за сердцем

Людям с серьёзными закупорками коронарных артерий часто приходится выбирать между лекарственной терапией, малотравматичными вмешательствами или открытой сердечной операцией. В этом исследовании задаётся простой, но важный вопрос: если бы врачи получали помощь от мощного инструмента искусственного интеллекта (ИИ), прогнозирующего будущие исходы и затраты, могли бы пациенты жить лучше, а система здравоохранения — экономить средства? На основе реальных данных десятков тысяч канадцев с сердечными заболеваниями авторы показывают, что ИИ‑советник нередко рекомендовал бы иное лечение, чем то, которое было назначено на самом деле, и что такие изменения могли бы одновременно улучшить результаты и снизить расходы.

Три разных пути при больном сердце

Когда артерии, питающие сердце, сужаются, врачи обычно рассматривают три основных варианта. Первый — только медикаментозная терапия, направленная на контроль симптомов и факторов риска. Второй — катетерная процедура, при которой сосуды открывают изнутри. Третий — шунтирование, при котором кровоток обходят вокруг закупоренных участков, используя сосуды из других частей тела. Крупные клинические испытания сравнивали эти варианты в отобранных группах пациентов, но в реальной практике случаи часто сложнее, чем участники исследований. Возраст, сопутствующие заболевания, анатомия и личные предпочтения могут сильно усложнить выбор, оставляя врачей и пациентов в ситуации неопределённости.

Что на самом деле делает система ИИ

Авторы оценили систему поддержки принятия решений на базе ИИ под названием Revaz AI. Она обучалась на данных более чем 42 000 пациентов, прошедших визуализацию коронарных артерий в провинции Альберта (Канада). Для каждого нового пациента и для каждого из трёх вариантов лечения Revaz AI прогнозирует вероятность смерти или серьёзных сердечно‑сосудистых осложнений в течение следующих трёх и пяти лет. Эти прогнозы затем подаются в подробную компьютерную модель, которая отслеживает каждого пациента на протяжении оставшейся жизни, суммируя два показателя: затраты на уход и количество времени, проведённого в хорошем состоянии здоровья, измеряемое в «качество‑скорректированных годах жизни» (QALY) — стандартной метрике, объединяющей продолжительность и качество жизни в одно число.

Тестирование разных способов использования ИИ врачами

Используя записи 25 942 реальных пациентов, авторы воспроизвели историю на виртуальной сцене. Для каждого человека модель смоделировала, что бы произошло при каждом из трёх способов лечения, руководствуясь прогнозами риска Revaz AI. Затем эти смоделированные будущие исходы сравнивали с фактическими результатами по трём гипотетическим правилам применения ИИ врачами. По первому правилу врачи выбирали вариант с наилучшим соотношением затрат и пользы, предполагая, что система здравоохранения готова платить стандартную сумму за каждый дополнительный год качества жизни. По второму правилу врачи игнорировали затраты и выбирали вариант, обеспечивающий наибольшее количество QALY. По третьему, более осторожному правилу, врачи придерживались изначального плана, если только ИИ явно не предлагал альтернативу, заметно повышающую ожидаемое качество жизни пациента.

Смещение в сторону шунтирования и лучшая рентабельность

Во всех сценариях рекомендации с поддержкой ИИ часто отличались от первоначальных решений, чаще всего смещая пациентов в сторону шунтирования по сравнению с катетерными процедурами или только лекарственной терапией. По правилу с учётом затрат почти три четверти пациентов в основном анализе получили бы другое лечение, что в среднем привело бы и к снижению пожизненных затрат, и к увеличению времени в хорошем здоровье. Даже по осторожному правилу, при котором врачи меняли стратегию лишь при явной пользе по версии ИИ, более половины пациентов получили бы иное лечение, снова с умеренной экономией и заметным улучшением здоровья. Когда модель сосредотачивалась исключительно на максимизации QALY, некоторые стратегии становились дороже по суммарным затратам, но по общепринятым стандартам политики в области здравоохранения всё ещё считались экономически обоснованными.

Почему эти результаты важны — и какие у них ограничения

Исследование указывает на то, что решения на основе ИИ могут помочь системам здравоохранения извлекать больше пользы из каждого потраченного доллара на сложную сердечную помощь. Подстраивая выбор под прогноз для каждого пациента — а не только под текущее состояние анатомии — инструмент часто отдаёт предпочтение методам, требующим больших первоначальных затрат, но предотвращающим повторные вмешательства и госпитализации в будущем, особенно шунтированию. Однако полученные результаты представляют собой оценку в «лучших условиях». Модель предполагает, что прогнозы ИИ точны, что врачи всегда могут следовать рекомендациям, и что будущие пациенты будут похожи на тех, кто содержится в данных Альберты и старых клинических испытаниях. В реальности мощность хирургии, хрупкость пациентов, личные предпочтения и развитие медицинских технологий будут ограничивать, насколько практика может соответствовать смоделированному идеалу.

Что это означает для пациентов и систем здравоохранения

Для пациентов вывод не в том, что компьютер должен принимать решение за них, а в том, что лучшее использование данных может улучшить разговор с врачом. Для систем здравоохранения работа демонстрирует, что ИИ — это не просто высокотехнологичный гаджет, а инструмент, который при аккуратной интеграции в клиническую практику может существенно улучшать и исходы, и бюджетные показатели. Прежде чем такие системы будут широко внедрены, требуются рандомизированные клинические испытания, чтобы подтвердить, что применение ИИ в реальных клиниках действительно меняет решения так, как предсказывает эта симуляция, и что эти изменения приводят к более долгой и здоровой жизни по приемлемой цене.

Цитирование: Mullie, T., Puri, A., Bogner, E. et al. Health economic simulation modeling of an AI-enabled clinical decision support system for coronary revascularization. npj Digit. Med. 9, 249 (2026). https://doi.org/10.1038/s41746-026-02430-x

Ключевые слова: коронарная болезнь сердца, искусственный интеллект, клиническая поддержка принятия решений, экономика здравоохранения, шунтирование