PAM482

Consolidación de estándares para comunicación de evaluaciones económicas sanitarias de intervenciones con inteligencia artificial (Cheers-AI)

FARMACOECONOMÍA

Tabla 1 . Aspectos específicos de IA, incorporados a la versión extendida CHEERS-IA.

Sección

Aspecto

Nº

Detalle

Métodos

Autonomía del usuario AI 1 Debe definirse cómo la intervención afectará directamente la atención sanitaria y la extensión de la autonomía de los usuarios respectos a los resultados, en el contexto de los marcos regulatorios actuales. Acción directa en la atención (“ leads to direct care action ”) puede incluir que la intervención sea usada para un diagnóstico definitivo o ser, por sí misma, un tratamiento. Efectos en el manejo clínico (“ drives clinical management ”) implica que la intervención ayuda al tratamiento, diagnóstico o la toma de decisiones. Informa sobre manejo clínico (“ informs clinical management ”) significa que no se deriva una acción directa en la atención, por ejemplo, proporciona información a los usuarios de las opciones. AI 2 Este aspecto se relaciona con la evidencia que determina el impacto de la intervención con IA. Para intervenciones con afectación directa de la atención (por ejemplo, tratamientos) deben existir ensayos clínicos que evalúen la eficacia. Para intervenciones que conducen o informan sobre la atención (por ejemplo, un algoritmo diagnóstico) debe haber estudios que evalúen la precisión predictiva. En ausencia de evidencia, se deben describir las premisas adoptadas. Debe distinguirse del conjunto de datos de entrenamiento que el componente de IA debe aprender durante su desarrollo. AI 3 Una intervención con un componente de IA adaptativa podría ser más efectiva a lo largo del tiempo si existe aprendizaje a partir de los datos recogidos durante su uso. Debe describirse o indicarse con una referencia adecuada, cómo se determina este efecto de aprendizaje. AI 4 Debe describirse o indicarse con una referencia adecuada (por ejemplo, una lista de comprobación TRIPOD-AI para validación del modelo predictivo) cómo se ha desarrollado el componente de IA de una intervención. AI 5 Al igual que las técnicas estadísticas tradicionales, la validad interna y externa del desarrollo de una intervención con IA debe estar descrita (incluido su modelo predictivo) o indicada usando una referencia adecuada (por ejemplo, una lista de comprobación TRIPOD-AI para validación del modelo predictivo). Beneficio clínico AI 6 Se refiere a la manera en que la intervención afecta los resultados en salud, que puede ser cuantificada para estimar la relación coste-efectividad incremental. Las intervenciones con IA pueden tener diferentes mecanismos que se espera generen beneficio clínico en las personas que las usen. Por ejemplo, una tecnología digital en salud basada en IA diseñada para información sobre el manejo clínico (sin acción directa en salud) puede tener un efecto indirecto en los resultados en salud. AI 7 Los datos empleados para el desarrollo del componente de IA de la intervención deben identificarse como conjunto de datos de entrenamiento. Esta población puede diferir de la población empleada en el estudio que examine el impacto en el beneficio de la intervención comparada con opciones alternativas (por ejemplo, ensayos clínicos para evaluar eficacia o estudios de diagnóstico para evaluar capacidad predictiva). AI 8 Una intervención con un componente de IA adaptativa podría ser más efectiva o precisa a lo largo del tiempo si existe aprendizaje a partir de los datos recogidos durante su uso. Cualquier premisa para la modelización debe ser transparentemente comunicada. AI 9 La incertidumbre es habitualmente caracterizada como un error aleatorio, incertidumbre de los parámetros o incertidumbre estructural. La IA en una intervención puede influir de forma desproporcionada a uno o varios de estos tipos de incertidumbre. Las incertidumbres específicas de la IA y sus potenciales implicaciones en los resultados del estudio deben ser comunicadas. AI 10 Los requerimientos para la implementación deben incluir, por ejemplo, el software necesario que debe ser distintivo del equipamiento clínico estándar, o un nuevo proceso de adquisición de datos. Las barreras para la implementación de una nueva tecnología pueden ser relevantes para los decisores junto a los resultados de coste-efectividad. Diferencias poblacionales Modelización del aprendizaje en el tiempo de la IA incertidumbre de la IA Medida del efecto de la IA Medida del aprendizaje a lo largo del tiempo de la IA Desarrollo del componente de IA Validación del componente de IA

Resultados Impacto de la

Discusión Implementación de la IA

431