卫生经济学与成果研究（HEOR）领域出现了一个新兴问题：当医疗保健模型从我们可解释的机制性方程转变为用于指导价值数十亿美元医疗决策的黑箱数据驱动系统时，会发生什么？
为避免这一风险，我们必须继续强调对人工智能（AI）的人为监督，特别是在医疗保健领域，患者的治疗结果取决于价值框架的选择、严谨的数据驱动数学建模以及向利益相关者有效传达结果。
医疗保健数学建模的演变
卫生经济建模最早出现于20世纪70年代，当时开发了决策分析模型以确定医疗技术的价值。这些方法受到早期机制建模传统的影响，特别是用于传染病动态的建模方法。这些机制模型可追溯至20世纪初，当时科学家如Ronald Ross及其合作者首次使用微分方程描述疾病传播。
然而，真实世界数据（RWD）在医疗研究中的作用在2000年代初显著扩大，当时电子健康记录、保险理赔数据库和患者登记系统变得日益普及。这些大型数据集使研究人员能够在真实世界人群中研究治疗结果，而不再仅依赖受控的临床试验。如今，这些数据集是许多卫生经济模型的支柱，提供了关键输入并实现了不确定性量化。
与此同时，这些数据的规模、异质性和复杂性催生了对新分析方法的需求，从而为机器学习（ML）和AI在医疗分析中做出有意义贡献创造了环境。尽管隐私和伦理问题多年来限制了它们的使用，但数据治理、计算基础设施和AI方法的最新进展使AI和ML在医疗研究中的应用更加广泛。
过去二十年的公共卫生危机进一步凸显了数学模型的价值和局限性。2001年9月11日袭击事件及随后美国的炭疽事件导致建立了新的多学科建模倡议和工作组，以加强美国对生物威胁的准备。日益关注和投资的基础设施导致数学模型的开发和应用激增，这些模型用于2009年H1N1流感大流行（俗称猪流感）、埃博拉和寨卡病毒爆发以及最近的COVID-19大流行期间的响应和准备工作。然而，这些危机也揭示了在实时决策中使用模型时出现的不确定性、数据质量和沟通方面的挑战。
现代医疗保健中的人工智能
如今，AI正在迅速改变HEOR中的医疗保健建模。卫生经济模型迅速成为成本效益分析、预算影响分析以及药品、疫苗、医疗器械、诊疗程序和数字健康应用等医疗技术价值评估的核心工具。这些模型可以通过整合临床证据、流行病学数据和经济结果，评估不同价值驱动因素如何影响产品生命周期各阶段的长期影响。
然而，从传统数学建模向AI赋能系统的转变不仅仅是用算法替换方程的问题。真正的挑战在于学习如何将AI谨慎地集成到现有建模框架中，同时保持可解释性、透明度和决策相关性。医疗保健建模项目通常遵循几个实用阶段：
- 确定决策问题，并向潜在客户证明为什么需要模型来生成支持其产品或干预的新证据。这通常涉及有针对性的文献综述，并使用AI工具如Elicit、Consensus或NotebookLM来识别相关研究和输入参数范围。
- 开发建模协议和概念框架。模型证据可能来自临床试验、观察性研究、电子健康记录（EHRs）、保险理赔数据库、疾病登记系统、监测系统或医院收费数据。
- 构建反映干预措施临床路径和相关经济结果的透明概念模型。此步骤还需要对建模研究进行文献综述。
- 模型的计算实现，通常使用Excel、R或Python等工具，以及使用客户友好平台（如仪表板）进行系统分析，使利益相关者能够理解结构和分析。ChatGPT和Gemini等生成式AI系统通常用于协助模型编码、情景分析、敏感性分析和探索性数据分析。
- 在技术报告中记录假设、建模选择、证据来源和结果，用于支持监管、报销或政策决策。
历史上，医疗保健建模人员使用微分方程或离散方程模型来描述疾病传播动态；使用马尔可夫模型模拟疾病进展和治疗路径；使用决策树捕捉短期临床决策；使用生存模型评估患者随时间的治疗结果。虽然这些方法因其在透明数学结构中编码生物学、临床和经济学知识而仍然是必不可少的，但AI方法引入了新功能。
AI工具可以提供高级模式识别、高维数据分析、自动证据提取和快速代码生成；然而，如果没有精心设计，这些方法可能会产生难以验证或解释的黑箱模型。对于医疗决策而言，模型可能会影响监管批准、报销政策和临床指南，因此透明度仍然至关重要。因此，最有成效的路径既不是纯粹的机制建模，也不是纯粹的数据驱动AI，而是混合建模系统，创造性地结合这两种方法，提供最大的潜力。
图1. 混合机制人工智能（AI）增强的医疗保健数字孪生模型。混合数字孪生结合了机制疾病模型、真实世界数据和AI/机器学习组件，以提高可解释性和适应性。诊断决策模型的示例结构，比较使用快速分子检测（RMT）的即时检测与使用聚合酶链反应（PCR）的中央实验室检测。图由作者提供。
数字孪生
这种混合理念在医疗保健数字孪生这一新兴领域尤为重要。数字孪生试图通过持续整合新数据的计算模型来表示不断变化的患者或人群状态。当数字孪生完全依赖于在历史数据上训练的ML算法时，它们在开发期间可能表现良好，但在临床条件变化或新治疗方法出现时可能会遇到困难。混合数字孪生结合了机制疾病模型和数据驱动学习组件，使研究人员能够融入生物学知识，同时仍能适应RWD流。
在心血管研究中，倾向评分匹配——一种广泛用于从观察数据估计治疗效果的方法——帮助研究人员考虑混杂因素；ML模型可以识别非线性交互或可能从特定疗法中获益最多的患者亚群。同样，结构方程建模仍然是研究复杂心理社会关系的重要框架，例如压力、社会环境和行为因素如何导致职业倦怠。AI方法可以通过识别大数据集中的潜在模式并支持变量选择，在心理研究环境中提供帮助。在肿瘤学研究中，随机生存森林模型通过允许对高维基因组数据进行灵活建模，扩展了传统生存分析，帮助识别与乳腺癌预后相关的遗传标记，同时仍纳入生存时间结果。这些例子表明AI如何补充而非取代医疗研究中的经典统计方法。
人工智能与代理系统在医疗保健建模中的应用
AI也在改变医疗保健模型向决策者传达的方式。越来越多的组织依赖于交互式仪表板和决策支持平台，将建模结果与真实世界证据和经济数据集成。在Siddhi分析平台的早期工作中，建模结果被嵌入到仪表板中，使利益相关者能够动态探索情景，而不仅仅依赖静态报告。AI可以通过自动化数据摄取、检测临床或财务数据集中的新兴模式以及实时生成情景分析来增强这些系统。
医疗保健建模的工作流程也因AI支持的研究工具而发生了转变，如用于可视化科学出版物关系的Connected Papers；用于支持有组织文献管理的引文管理系统Zotero；以及用于快速可视化初步数据分析见解的Julius AI。ChatGPT、Claude和Gemini等生成式AI系统可以协助文献综合、概念探索和代码原型设计。然而，它们应增强而非取代严格的建模实践和人为监督。
一个特别重要的新兴发展是代理AI，其中多个专业AI代理在建模项目的不同阶段执行协调任务。与其依赖单一AI工具相比，代理工作流程将多个AI系统组织成一个结构化管道，模仿研究团队的运作方式，形成活的健康技术评估。例如，在评估诊断策略的卫生经济建模项目中，如将针对COVID-19和流感的连续分子即时检测与中央实验室聚合酶链反应检测进行比较，基于代理的工作流程可以自动完成文献综述、证据综合、参数提取和敏感性分析生成。此类系统不会取代人类专业知识，但可以作为监督助手，加速常规分析任务，同时让建模专家专注于概念设计和解释。简化的代理工作流程可能包括：
- 研究代理（例如Perplexity）——负责识别相关文献和参数范围。
- 证据综合器（例如NotebookLM）——用于提取参数和总结研究。
- 模型架构师（例如ChatGPT或Claude）——定义模型逻辑、方程和假设，以及生成模型代码或Excel实现和/或R代码片段。
- 敏感性代理（例如ChatGPT或Claude）——执行单向敏感性分析、概率敏感性分析和盈亏平衡分析。
- 程序代理（例如Notion）——可以执行质量控制分析、验证结果并组织项目文档和工作流程管理。
- 故事讲述代理（例如Gamma或Napkin）——生成可视化并创建幻灯片演示材料。
另一个新兴发展是使用代理编排框架，协调多个AI代理共同完成复杂的分析任务。例如，建模者可以使用CrewAI，可以在结构化工作流中定义文献检索、参数提取、模型规范、代码生成、测试和文档等代理。对于需要对工作流状态和决策分支进行明确控制的更复杂技术工作流，可以使用LangGraph来定义基于图的代理交互，或者使用Google Antigravity——一个以代理为中心的集成开发环境——来协调大型软件系统内的自主编码代理。这些代理工具具有辅助性，可以提高生产力和可追溯性，但仍需要仔细的人为监督、验证协议和治理，以确保可靠的医疗保健建模。
图2. 医疗保健建模中支持工具的代理人工智能研究工作流程。图由作者提供。
对于考虑在医疗保健建模领域发展职业生涯的早期职业应用数学家，从这一不断发展的格局中可以得出几条经验教训：
- 扎实的数学基础至关重要，包括概率论、统计推断、优化和动力系统知识。
- 成功的研究人员必须发展流行病学、卫生经济学和/或临床研究方法领域的专业知识。
- 处理RWD的能力日益重要，这些数据通常是不完整、嘈杂且有偏见的。
- 沟通技巧与技术技能同等重要，因为医疗保健模型最终会为临床医生、监管机构和政策制定者做出的决策提供信息。
最重要的认识是，医疗保健建模从根本上说是一种社会技术学科，即模型并非孤立存在；它们嵌入在医疗保健系统、监管环境和组织决策过程中。AI工具可以加速分析并提高生产力，但它们无法替代对数据质量的仔细判断、跨来源的标准，以及特定于产品的建模假设、特定于客户的决策背景和更广泛的伦理考量。
未来，医疗保健建模可能会演变为一个生态系统，其中混合模型、AI辅助工作流程和领域专业知识协同工作。能够弥合理论建模、数据科学和实用决策支持的应用数学家将在塑造AI在医疗保健中的负责任使用方面发挥关键作用。
参考文献
[1] Moinudeen, S.A.K., Nithiyavathani, A., Keerthan, R.M., Mubayi, A., Ramesh, S., Harshitha, S., & Kachroo, K. (2023). SIDDHI: An Easy-to-use Web-based Trailblazing Software Tool for Developing Data-Driven Health Economics Models and Performing Cost-Effectiveness Analysis. Int. J. Health Technol. Innov., 4(3), 56-64.
[2] Mubayi, A., Mubayi, A., & Akman, O. (2024). The Shifting Nature of Health and Economic Evaluations of Disease Interventions. SIAM News Online. Retrieved from:
[3] Mubayi, A., Ghosh, S., & Grilo, L.M. (2023). Exploring Statistical Relationships for Risk Assessment and Value Computation of Digital Health Technologies in India. Int. J. Health Technol. Innov., 4(2), 5-11.
[4] Shafrin, J., Kim, J., Cohen, J.T., Garrison, L.P., Goldman, D.A., Doshi, J.A., … Willke, R. (2024). Valuing the Societal Impact of Medicines and Other Health Technologies: A User Guide to Current Best Practices. Forum for Health Economics & Policy, 27(1), 29–116.
[5] Shafrin, J., Mubayi, A., Birch, K., Land, N., Sotak M., Venkatachalam, M., … Ayad, M. (2022). Economic Value of Sequential Molecular Point-of-Care Testing for COVID-19 and Influenza vs. Central Laboratory PCR. [Poster presentation] ISPOR Annual Meeting.
[6] Sanders, G.D., Neumann, P.J., Basu, A., Brock, D.W., Feeny, D., Krahn, M., … & Ganiats, T.G. (2022). Recommendations for Conduct, Methodological Practices, and Reporting of Cost-effectiveness Analyses: Second Panel on Cost-Effectiveness in Health and Medicine. JAMA, 16(10):1093-1103.
[7] M. Nadeem, M., Kostic, S., Dornhöfer, M., Weber, C., & Fathi, M. (2025). A comprehensive review of digital twin in healthcare in the scope of simulative health-monitoring. Digital Health, 11.
[8] Ye, Y., Pandey, A., Bawden, C., Sumsuzzman, D.M., Rajput, R., Shoukat, A., … Galvani, A.P. (2025). Integrating artificial intelligence with mechanistic epidemiological modeling: a scoping review of opportunities and challenges. Nat. Comm., 16(1), 581.
作者简介
Anuj Mubayi是NumericaIQ的负责人，美国大学间生物数学联盟驻院研究员，印度卡拉姆健康技术研究所荣誉研究员，以及Kalam Experts科学顾问。此前，Mubayi曾担任数学与理论生物学研究所主任，是亚利桑那州立大学的教员，并在医疗保健行业工作。他的专业知识涵盖健康决策科学，重点是卫生经济学、数据驱动的疾病建模和真实世界证据生成。
Anamika Mubayi是Kalam Experts的总监，这是一家支持印度医疗设备和医疗数字技术公司的数据分析和咨询公司。她也是一位物理化学家，拥有纳米材料、分析化学和新兴技术应用的先进材料表征方面的专业知识。Mubayi拥有阿拉哈巴德大学博士学位和爱荷华大学硕士学位。此前，她曾担任国际医疗玻璃工程中心（IMAGE）科学家D级，马瓦迪大学副教授，以及印度理工学院坎普尔分校国家柔性电子中心项目科学家。她的工作横跨科学、材料研究和医疗技术革新。
【全文结束】
