Mens de fleste evalueringer af kunstig intelligens i sundhedsvæsenet fokuserer på, hvor præcise modellerne er, overser de ofte det afgørende spørgsmål: Er adoptionen økonomisk rentabel i den virkelige kliniske hverdag? Et nyt forskningspapir på arXiv foreslår et systematisk framework, der adresserer netop dette hul.
Frameworket, kaldet FLARE, kombinerer fuzzy logic, tidsbaseret aktivitetsbaseret omkostningsberegning og return-on-investment-analyse for at estimere både omkostningerne ved klinisk service, udvikling og drift af AI samt de økonomiske konsekvenser af workflow-integration under usikkerhed.
I et casestudie af AI-assisteret detektion af store karokklusioner i CT-stroke-forløbet for akut iskæmisk slagtilfælde identificerede forskerne en break-even-tærskel på cirka 3.992 patienter om året – med positivt førsteårs-afkast ved typiske årlige stroke-volumener på omkring 5.000 patienter. Resultaterne viser, at den økonomiske gevinst ikke kun afhænger af algoritmisk ydeevne, men også af patientvolumen, verifikationstid, infrastrukturvalg og workflow-design.
For beslutningstagere i sundhedssektoren – fra hospitalsledelser til politikere – giver FLARE et transparent beslutningsstøtteværktøj til tidlig vurdering af, hvornår AI-deployment er økonomisk bæredygtig, og hvor operationelle ændringer kan øge værdien. Ved at gøre usikkerhed, ressourceforbrug og implementeringsafvejninger eksplicitte, hjælper frameworket med at undgå investeringer, der teknisk imponerer, men økonomisk skuffer.
