Векторы формирования современного ландшафта оценки технологий здравоохранения: фундаментальные подходы и потенциал цифровых решений (обзор литературы)

Введение. Роль классических методов оценки растущего числа технологий здравоохранения не ослабевает. Вместе с тем они всё чаще реализуются с помощью специализированных высокопроизводительных комплексов.

Цель — выявить базовые подходы к проведению оценки технологий здравоохранения (ОТЗ), сохраняющие либо приобретающие особую значимость в эпоху цифровизации.

Статья подготовлена в соответствии с руководством SANRA для нарративных обзоров. Информационный поиск с использованием ключевых слов проводился в базах PubMed/Medline, а также в экосистеме Google. Основное внимание уделялось наиболее актуальным и релевантным публикациям за последние 2–3 года.

Анализы «затраты–эффективность» и «затраты–полезность» остаются распространёнными методами комплексной оценки. Рассмотрены платформы Trialstreamer и RobotReviewer, разрабатываемые с целью аналитической экстракции информации о клинических исследованиях. Определены базовые пакеты для моделирования: 1) специфичный — TreeAge Pro; 2) генерические — MS Excel и другие средства для работы с электронными таблицами; 3) статистические — R, Stata, SAS, WinBUGS. Такие веб-приложения для интерактивного моделирования, как системы на базе R Shiny и ICER Interactive Modeler, обеспечивают доступ к широкому спектру моделей в области экономики здравоохранения. Они позволяют пользователям изменять «входящие» переменные в модели и визуализировать влияние изменений на результирующие выводы в «реальном времени». Пакеты, подобные R Markdown, могут обеспечить автоматизацию формирования и обновления финальных отчётов. Приводятся примеры интеграции искусственного интеллекта (ИИ) в повседневную практику агентств по ОТЗ. Подчёркивается, что из‑за недостаточной изученности спектра потенциала, рисков и ограничений ИИ возникает острая необходимость в разработке эффективных средств контроля и надзора за его деятельностью.

Недостатки текущих моделей ОТЗ во многом сопряжены с нехваткой рафинированных (подходящих) «входных» переменных и/или медицинской информации. Человеческий контроль и участие профильных экспертов остаются критически важными для обеспечения качества ОТЗ при внедрении ИИ‑систем в чувствительные сферы здравоохранения.

Финансирование. Данная статья подготовлена автором в рамках НИР «Разработка методологических подходов ценностно-ориентированного здравоохранения (ЦОЗ) в городе Москве» (№ по ЕГИСУ: № 123032100062-6).

Конфликт интересов. Автор декларирует отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.

Поступила: 21.03.2025 / Принята к печати: 24.06.2025 / Опубликована: 31.10.2025

1. Espinosa O., Drummond M., Russo E., Williams D., Wix D. How can actuarial science contribute to the field of health technology assessment? An interdisciplinary perspective. Int. J. Technol. Assess Health Care 2025; 41(1): e3. https://doi.org/10.1017/S0266462324004781

2. WHO. Health technology assessment 2025. Available at: https://who.int/health-topics/health-technology-assessment

3. Sharma M., Teerawattananon Y., Dabak S.V., Isaranuwatchai W., Pearce F., Pilasant S., et al. A landscape analysis of health technology assessment capacity in the Association of South-East Asian Nations region. Health Res. Policy Syst 2021; 19(1): 19. https://doi.org/10.1186/s12961-020-00647-0

4. Nemzoff C., Shah H.A., Heupink L.F., Regan L., Ghosh S., Pincombe M., et al. Adaptive health technology assessment: a scoping review of methods. Value Heal. 2023; 26(10): 1549–57. https://doi.org/10.1016/j.jval.2023.05.017

5. Fleurence R.L., Bian J., Wang X., Xu H., Dawoud D., Higashi M., et al. Generative artificial intelligence for health technology assessment: opportunities, challenges, and policy considerations: an ISPOR Working Group Report. Value Heal. 2025; 28(2): 175–83. https://doi.org/10.1016/j.jval.2024.10.3846

6. Новодережкина Е.А., Зырянов С.К. Значение исследований реальной клинической практики в оценке технологий здравоохранения. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2022; 15(3): 380–9. https://doi.org/10.17749/2070-4909/farmakoekonomika.2022.120 https://elibrary.ru/ufeagn

7. Farah L., Borget I., Martelli N., Vallee A. Suitability of the current health technology assessment of innovative artificial intelligence-based medical devices: scoping literature review. J. Med. Internet Res. 2024; 26: e51514. https://doi.org/10.2196/51514

8. Holtorf A.P., Bertelsen N., Jarke H., Dutarte M., Scalabrini S., Strammiello V. Stakeholder perspectives on the current status and potential barriers of patient involvement in health technology assessment (HTA) across Europe. Int. J. Technol. Assess. Health Care. 2024; 40(1): e81. https://doi.org/10.1017/S0266462324004707

9. Bidonde J., Lauvrak V., Ananthakrishnan A., Kingkaew P., Peacocke E.F. Topic identification, selection, and prioritization for health technology assessment in selected countries: a mixed study design. Cost Eff. Resour. Alloc. 2024; 22(1): 12. https://doi.org/10.1186/s12962-024-00513-8

10. Ягудина Р.И., Серпик В.Г. Методологические основы фармакоэкономического моделирования. Фармакоэкономика: теория и практика. 2016; 4(1): 7–12. https://elibrary.ru/vsfgxv

11. Zia A., Aziz M., Popa I., Khan S.A., Hamedani A.F., Asif A.R. Artificial intelligence-based medical data mining. J. Pers. Med. 2022; 12(9): 1359. https://doi.org/10.3390/jpm12091359

12. Ramprasad S., Marshall I.J., McInerney D.J., Wallace B.C. Automatically summarizing evidence from clinical trials: a prototype highlighting current challenges. Proc. Conf. Assoc. Comput. Linguist. Meet. 2023; 2023: 236–47.

13. Muller A.E., Rose C.J., Ames H.M., Echavez J.F.M., van de Velde S.R.P. Is Robot Reviewer, a semiautomated risk of bias tool, acceptable to researchers? In: Information Retrieval Meeting (IRM 2022). Cologne: German Medical Science GMS Publishing House; 2022.

14. Tian Y., Yang X., Doi S.A., Furuya-Kanamori L., Lin L., Kwong J.S.W., et al. Towards the automatic risk of bias assessment on randomized controlled trials: A comparison of RobotReviewer and humans. Res. Synth. Methods. 2024; 15(6): 1111–9. https://doi.org/10.1002/jrsm.1761

15. Khraisha Q., Put S., Kappenberg J., Warraitch A., Hadfield K. Can large language models replace humans in systematic reviews? Evaluating GPT-4’s efficacy in screening and extracting data from peer-reviewed and grey literature in multiple languages. Res. Synth. Methods. 2024; 15(4): 616–26. https://doi.org/10.1002/jrsm.1715

16. Протощак В.В., Русев И.Т., Тегза В.Ю., Паронников М.В., Орлов Д.Н., Ковалишин И.М. Клинико-экономический анализ в урологии. Вестник Российской Военно-медицинской академии. 2019; (4): 166–71. https://elibrary.ru/dnrkjh

17. Michelly Gonçalves Brandão S., Brunner-La Rocca H.P., Pedroso de Lima A.C., Alcides Bocchi E. A review of cost-effectiveness analysis: From theory to clinical practice. Medicine (Baltimore). 2023; 102(42): e35614. https://doi.org/10.1097/MD.0000000000035614

18. Федоренко А.С., Воробьева Н.А., Бурбелло А.Т. Основы и методология клинико-экономического анализа. Архангельск; 2024.

19. National Institute for Health and Care Research. Wolstenholme J. Decision analytic modelling for economic evaluation of new diagnostic tests n.d. Available at: https://nihr.ac.uk/

20. Tosh J., Wailoo A. Review of Software for Decision Modelling. London: National Institute for Health and Care Excellence (NICE); 2008.

21. Naylor N.R., Williams J., Green N., Lamrock F., Briggs A. Extensions of health economic evaluations in R for microsoft excel users: a tutorial for incorporating heterogeneity and conducting value of information analyses. Pharmacoeconomics. 2023; 41(1): 21–32. https://doi.org/10.1007/s40273-022-01203-0

22. Thokala P., Srivastava T., Smith R., Ren S., Whittington M.D., Elvidge J., et al. Living health technology assessment: issues, challenges and opportunities. Pharmacoeconomics. 2023; 41(3): 227–37. https://doi.org/10.1007/s40273-022-01229-4

23. Incerti D., Thom H., Baio G., Jansen J.P. R you still using excel? The advantages of modern software tools for health technology assessment. Value Heal. 2019; 22(5): 575–9. https://doi.org/10.1016/j.jval.2019.01.003

24. Hollman C., Paulden M., Pechlivanoglou P., McCabe C. A comparison of four software programs for implementing decision analytic cost-effectiveness models. Pharmacoeconomics. 2017; 35(8): 817–30. https://doi.org/10.1007/s40273-017-0510-8

25. Northwestern University. Geller A. Comparing Python Interactives to R Shiny; 2022. Available at: https://sites.northwestern.edu/researchcomputing/2022/03/30/comparing-python-interactives-to-r-shiny/

26. Zemplényi A., Tachkov K., Balkanyi L., Németh B., Petykó Z.I., Petrova G., et al. Recommendations to overcome barriers to the use of artificial intelligence-driven evidence in health technology assessment. Front. Public Heal. 2023; 11: 1088121. https://doi.org/10.3389/fpubh.2023.1088121

27. Szawara P., Zlateva J., Kotseva F., Stoyaniov P., Guerra I., Halmos T., et al. HTA364 can artificial intelligence and machine learning be used to demonstrate the value of a technology for HTA decision-making? Value Heal. 2023; 26: S390. https://doi.org/10.1016/j.jval.2023.09.2047

28. McEwan P., Bøg M., Faurby M., Foos V., Lingvay I., Lübker C., et al. Cost-effectiveness of semaglutide in people with obesity and cardiovascular disease without diabetes. J. Med. Econ. 2025; 28(1): 268–78. https://doi.org/10.1080/13696998.2025.2459529