FLARE：一个系统性、不确定性感知的框架，用于医疗中人工智能的证据驱动采用

# 面向医疗领域人工智能循证采用的系统性、不确定性感知框架  
来源：https://arxiv.org/html/2608.23643  
## FLARE：面向医疗领域人工智能循证采用的系统性、不确定性感知框架  
CCS：应用计算，健康信息学  
CCS：计算方法学，人工智能  
CCS：信息系统，决策支持系统  
Jacob Idoko  
邮箱：[email protected]  
所属机构：加拿大阿尔伯塔省卡尔加里市卡尔加里大学电气与软件工程系  
Siddhartha Paudel  
邮箱：[email protected]  
所属机构：加拿大阿尔伯塔省卡尔加里市卡尔加里大学电气与软件工程系  
Mariana Bento  
邮箱：[email protected]  
所属机构：加拿大阿尔伯塔省卡尔加里市卡尔加里大学生物医学工程系  
Roberto Souza  
所属机构：加拿大阿尔伯塔省卡尔加里市卡尔加里大学电气与软件工程系  
Gouri Ginde  
邮箱：[email protected]  
所属机构：加拿大阿尔伯塔省卡尔加里市卡尔加里大学电气与软件工程系  

###### 摘要  
人工智能正日益融入医疗工作流程，然而多数评估仅强调模型准确度，而非其在真实临床环境中是否具备经济采用价值。本研究提出FLARE——一个系统性且考虑不确定性的框架，用于评估医疗领域采用人工智能的经济与运营影响。FLARE结合模糊逻辑、基于时间驱动作业成本法与投资回报率分析，以估算临床服务提供成本、人工智能开发与运营成本，以及不确定条件下工作流程整合的经济影响。该框架通过一项早期健康技术评估案例研究得以展示，该案例针对急性缺血性卒中CT影像路径中人工智能辅助的大血管闭塞检测。案例研究表明FLARE如何在统一的作业成本模型中量化传统路径成本、人工智能相关开发及经常性成本，以及人工智能实现的服务节约。在预期假设下，分析确定了年约3,992例患者的盈亏平衡点，在典型年卒中病例量约5,000例时可实现首年正投资回报率。结果进一步显示，经济效益不仅取决于算法性能，还与患者数量、验证时间、基础设施选择和工作流程设计相关。FLARE为医疗领域人工智能采用的早期评估提供了一个透明实用的决策支持框架。通过明确不确定性、资源使用与实施权衡，它帮助临床医生、管理者和政策制定者确定人工智能部署在何时具有经济可行性，以及运营变革可在何处提升价值。  

###### 关键词：人工智能，医疗经济学，投资回报率，基于时间驱动作业成本法，模糊逻辑，早期健康技术评估  

## 1. 引言  
##### 动机  
人工智能与医疗系统的整合持续扩展，其应用涵盖诊断、工作流程优化与临床决策支持(10 (https://arxiv.org/html/2608.23643#bib.bib1))(38 (https://arxiv.org/html/2608.23643#bib.bib2))。尽管许多人工智能模型在受控研究环境中展现出优异性能，但其转化为真实临床工作流程实际价值的程度仍不明确(8 (https://arxiv.org/html/2608.23643#bib.bib3))。多数研究仅止步于报告准确度等性能指标，未能深入洞察医疗组织采用此类人工智能系统是否具有*经济可行性*(3 (https://arxiv.org/html/2608.23643#bib.bib4))。实践中，将人工智能整合至临床工作流程会引入与开发和持续维护相关的新增成本(37 (https://arxiv.org/html/2608.23643#bib.bib5))。  

##### 问题陈述  
因此，医院和政策制定者不仅需要临床效益的证据，更需清晰理解人工智能采用的财务与运营影响。然而，现有方法未能全面、透明地核算人工智能解决方案在其完整生命周期内采用所涉及的成本与效益。这一全生命周期视角至关重要，因为文献指出，大多数人人工智能评估仅止步于模型准确度或部署成本。弥补这一差距需要一个框架，能够追踪资源使用和时间投入，不仅限于服务交付阶段，还需涵盖人工智能系统的开发、验证、部署和运营阶段。  

##### 研究目标  
本研究的目标是估算采用人工智能解决方案在其整个生命周期（从开发、验证到部署、整合以及在医疗工作流程中的持续使用）内的投资回报率（ROI）。为此，研究追求三个具体目标：(i) 在不确定条件下估算活动层面的临床服务提供成本；(ii) 估算人工智能解决方案在开发、部署和经常性运营中的全部成本；(iii) 将两者结合，形成支持早期采用决策的投资回报率、盈亏平衡点及敏感性度量。为达成这些目标，我们提出FLARE（基于模糊逻辑、时间驱动的投资回报率分析），一个旨在量化医疗领域采用人工智能解决方案经济价值的系统性、不确定性感知框架。我们基于TDABC构建FLARE，因为文献表明TDABC适用于需要精细成本核算、患者层面资源追踪以及随时间评估护理路径的场景(16 (https://arxiv.org/html/2608.23643#bib.bib30))(13 (https://arxiv.org/html/2608.23643#bib.bib28))。通过整合模糊逻辑，FLARE能够捕捉活动持续时间和资源利用率中的不确定性，并将这些成本估算扩展为投资回报率评估，从而为医疗系统、医院管理者和政策利益相关者提供循证决策支持。  

##### 贡献  
本文做出以下贡献：  
- • FLARE框架：一个系统性、不确定性感知的框架，通过结合模糊逻辑–时间驱动作业成本法（FL–TDABC）成本核算与模糊逻辑及投资回报率分析，量化医疗领域采用人工智能解决方案的经济价值。  
- • 人工智能采用的全生命周期成本核算：将FL–TDABC扩展至服务交付之外，涵盖人工智能解决方案本身，将成本分为一次性开发或获取成本、经常性成本及其他项目特定成本。  
- • 不确定性感知的经济指标：传播模糊时间和成本估算，形成年度与累计投资回报率、净节约及盈亏平衡度量，使预期、乐观和悲观情景源于同一模型。  
- • 早期健康技术评估案例研究：展示FLARE在急性缺血性卒中CT影像路径中人工智能辅助大血管闭塞检测的应用，包括年患者数量如何影响投资回报率及达到盈亏平衡点时间的敏感性分析。  

## 2. 背景与相关工作  
### 2.1. 医疗领域人工智能经济评估的既往研究  
学术研究与行业分析均强调对经济证据的需求。Bharadwaj等人(3 (https://arxiv.org/html/2608.23643#bib.bib4))指出：“人工智能研究主要集中在算法的准确性上，几乎没有证据衡量这些创新对患者和医生相关结果的影响，或对部署环境产生的更广泛效益。”换言之，虽然人工智能模型常在预测性能上进行基准测试，但缺乏量化这些模型如何转化为时间节约、工作流程改进或可衡量成本降低的证据。作者认为，亟需能够捕捉并向放射科人工智能解决方案的多方利益相关者（临床医生、管理者和患者）传达实际效益的投资回报率计算工具。类似地，提供工作流程优化和决策支持工具的放射科人工智能公司Rayscape(28 (https://arxiv.org/html/2608.23643#bib.bib6))强调，许多商业投资回报率宣称不完整，因为它们仅考虑算法的购买或部署成本。该报告警告称，“许多提供单一解决方案的人工智能供应商未能准确反映真实成本，通常仅基于部署算法本身的成本进行投资回报率计算，却忽略了部署组织进行的更广泛投资。”这些隐藏成本包括与现有系统的整合、IT基础设施、数据准备、临床医生评估以及持续性能监控。因此，Rayscape呼吁进行反映采用全范围的投资回报率评估，将人工智能视为组织转型而非即插即用的产品。其他研究也强化了这一担忧，指出尽管技术进步迅速，人工智能采用的经济分析仍然稀缺。例如，Fasterholdt等人(8 (https://arxiv.org/html/2608.23643#bib.bib3))指出，大多数医学影像研究侧重于回顾性性能评估，而非评估临床或经济价值。相比之下，Kastrup等人(15 (https://arxiv.org/html/2608.23643#bib.bib7))描述了人工智能在医疗领域成本效益方面有限的证据。最近，Zhang等人(37 (https://arxiv.org/html/2608.23643#bib.bib5))强调，尽管人工智能在医疗（包括神经学应用）中承诺诊断和运营效益，但其部署引入了与数据基础设施、人员培训和持续系统维护相关的巨大财务承诺。  

### 2.2. 为何TDABC成为首选？  
要评估人工智能采用的经济价值，必须理解医疗领域的成本核算方式。自下而上的成本核算方法在通过追踪所消耗资源（包括员工时间、设备使用和耗材）以活动或患者层面估算成本时尤为有用(19 (https://arxiv.org/html/2608.23643#bib.bib37))(20 (https://arxiv.org/html/2608.23643#bib.bib38))(24 (https://arxiv.org/html/2608.23643#bib.bib36))。其中，基于时间驱动作业成本法（TDABC）被确认在医疗领域特别有价值，因为它能实现详细流程映射、资源级成本核算，并在估算护理交付成本时提高透明度，尤其在基于价值的医疗背景下(16 (https://arxiv.org/html/2608.23643#bib.bib30))(13 (https://arxiv.org/html/2608.23643#bib.bib28))。传统的成本核算系统通常基于产量或部门分配，因无法反映复杂服务（如医疗）的真实资源消耗而受到批评(7 (https://arxiv.org/html/2608.23643#bib.bib8))(23 (https://arxiv.org/html/2608.23643#bib.bib9))。它们通常按直接人工或材料成本的比例分配间接费用，掩盖了低效率且未能核算非增值活动(6 (https://arxiv.org/html/2608.23643#bib.bib10))。为解决这些局限，Kaplan和Bruns于20世纪80年代开发了作业成本法（ABC），建立在Staubus的投入-产出会计原则之上(14 (https://arxiv.org/html/2608.23643#bib.bib11))(33 (https://arxiv.org/html/2608.23643#bib.bib12))。ABC旨在通过将资源使用与活动而非广义成本中心挂钩，更准确地追踪成本(26 (https://arxiv.org/html/2608.23643#bib.bib13))。然而，ABC因实施时数据密集且费力、维护成本高以及因活动定义和成本动因估计通常依赖员工访谈和基于调查的判断而易受主观性影响，受到批评(12 (https://arxiv.org/html/2608.23643#bib.bib14))。Kaplan和Anderson随后引入了TDABC方法，作为ABC的简化且可扩展的演进版本(12 (https://arxiv.org/html/2608.23643#bib.bib14))。TDABC不依赖数十个活动动因，而是用两个核心参数替代它们：(i) *提供能力的成本，即产能成本率（CCR）*，以及(ii) *执行每项活动所需的时间*。这使得能够使用简单公式计算服务成本：  
(1) 活动成本 = 执行活动时间 × 产能成本率（CCR）  
CCR通过将资源组的总成本除以其实际产能获得。实际产能是指扣除会议、病假和休息等非生产性时间后，剩余的总可用时间部分。从ABC到TDABC的转变解决了几个长期存在的问题：  
- • 降低复杂性和维护工作量：与ABC不同，TDABC无需在每次工作流条件变化时进行重复访谈或重新校准成本动因。  
- • 改进闲置产能处理：TDABC明确纳入*实际产能*，允许更现实的成本归因。  
- • 动态适应性：由于时间方程易于更新，TDABC能更好地适应不断发展的流程、新技术或人工智能辅助工作流，使其成为现代医疗运营的理想选择。  
这些优势解释了为何TDABC已成为实证医疗研究中首选的成本核算方法。其量化每项活动*时间*与*成本*的能力为评估人工智能采用带来的效率改进提供了透明、可重复的基础。从传统成本核算系统到模糊逻辑增强方法的演进总结于图1(https://arxiv.org/html/2608.23643#acmlabel1)。  

### 2.3. 为何模糊逻辑能补充TDABC？  
尽管TDABC为基于时间和能力的成本估算奠定了基础，但它假设完成每项活动所需的时间可以用单一固定值表示。然而在现实医疗环境中，活动持续时间和资源成本因患者复杂性、工作流程中断和人为判断而变化很大。因此，依赖固定点估算会在成本计算中引入偏差和不确定性，尤其当这些估算源自有限观察或专家意见时。Koster等人(18 (https://arxiv.org/html/2608.23643#bib.bib15))将其确定为ABC和TDABC的一个关键局限。在他们对荷兰诊断治疗组合（DTC）报销系统的分析中，用于确定医院支付的时间估计未公开且被视为“黑箱”。由于这些点估算掩盖了医护人员在不同患者和状况上所耗时间的潜在差异，它们阻碍了成本透明度。即使是比ABC更精细的TDABC，仍然易受相同偏差影响，因为它依赖的平均时间输入未能捕捉可能值的完整分布。为解决这一局限，近期研究将模糊逻辑（FL）整合到TDABC中，形成混合**模糊逻辑时间驱动作业成本法（FL-TDABC）**模型(18 (https://arxiv.org/html/2608.23643#bib.bib15))(23 (https://arxiv.org/html/2608.23643#bib.bib9))(25 (https://arxiv.org/html/2608.23643#bib.bib16))。模糊逻辑由Zadeh于1965年提出，旨在处理现实世界中固有的不确定性和不精确性。在TDABC背景下，模糊逻辑允许将活动持续时间表示为模糊数（例如三角或梯形模糊数），而非精确点值。这使得模型能够捕获“大约”、“至多”或“介于某值之间”等模糊术语，这些术语更自然地反映了真实医疗工作流程中时间投入的变异性。通过用模糊时间输入替代固定输入，FL-TDABC生成模糊成本分布，从而为成本估算提供置信区间而非单一数字。这不仅增强了对不确定性的透明度，还支持决策者评估最坏情况和最佳情况情景。此外，FL-TDABC保留了TDABC的核心优势（如易于实施和可扩展性），同时增加了处理现实世界变化所需的稳健性。因此，FL-TDABC特别适用于医疗人工智能评估，在此类评估中，活动时间可能因患者病情、技术可靠性和临床工作流整合水平而异。