AI-ECG预警系统降低住院患者死亡率的成本效益分析：一项来自台湾的随机对照试验实证研究
本研究针对住院患者死亡率预测的临床需求，开发了结合AI报告的AI-ECG预警系统。通过15,965例患者的随机对照试验证实，该系统可降低90天全因死亡率17%（HR 0.83），增量成本效果比（ICER）为59,500美元/避免死亡。研究首次从医保支付方视角证明，AI驱动的临床决策支持系统（CDSS）在改善预后同时具有经济可行性，为医疗AI的临床应用提供了成本效益证据。
在当今医疗实践中，早期识别高风险患者始终是临床决策的难点。尽管快速反应系统（RRS）和临床决策支持系统（CDSS）已广泛应用于医院，但传统方法对潜在风险的识别效率有限。心电图（ECG）作为最普及的检查手段，全球每日执行超过300万次，但其蕴含的深层信息往往未被充分挖掘。与此同时，人工智能（AI）技术的突破性进展为ECG分析带来了新可能——研究表明AI-ECG不仅能检测低射血分数（LVEF）和阵发性房颤，对1年死亡率预测的曲线下面积（AUC）更可达0.85以上。然而，这类技术在实际临床应用中的经济价值始终缺乏实证依据，特别是在医疗资源有限的情况下，评估新技术投入与健康产出的平衡显得尤为重要。
为解决这一关键问题，台湾三军总医院领衔的研究团队开展了一项开创性研究。该团队将AI-ECG预警系统整合至医院电子病历系统（EHR），通过随机对照试验（RCT）评估其对住院患者死亡率的影响及经济价值。研究结果发表于《npj Digital Medicine》，首次从医保支付方角度证实：AI-ECG预警系统在显著降低死亡率的同时，展现出良好的成本效益特征。
研究采用卷积神经网络（CNN）构建AI模型，训练数据来自45万份标注死亡结局的ECG。技术核心在于通过医疗记录号实现患者级随机化，干预组医师会收到智能手机推送的高风险预警，系统同时提供所有干预组患者的风险分级数据。成本数据直接从医院EHR提取，涵盖药物、检查、ICU等8类医疗支出，采用非参数bootstrap法处理不确定性。主要终点设定为90天全因死亡率，基于WHO指南采用人均GDP（33,234美元/QALY）作为支付意愿阈值。
研究纳入15,965例住院患者（干预组8,001例，对照组7,964例），基线特征均衡。关键发现显示：干预组90天死亡率显著降低至3.6%（vs对照组4.3%），绝对风险降低0.7%。尽管干预组患者接受了更多ECG检查（2.41±3.53次vs2.27±2.71次），但两组住院中位数均为2天。值得注意的是，干预组ICU入住率（3.6%vs3.4%）和ICU住院中位数（8天vs7天）略有上升。
显示干预组人均总成本较对照组高402美元（6,204vs5,803），增量主要来自药物（+153美元）和ICU支出（+79美元）。成本结构分析揭示两组最大支出均为药物（干预组21.4%vs对照组20.3%），但干预组将更高比例资源投入ICU护理。
核心发现为每避免1例死亡需投入59,500美元（95%CI:-4,657-385,950）。
表明在支付意愿阈值达409,321美元时，有95%概率具成本效益。亚组分析显示高风险患者ICER更优（19,863美元），尤其在心衰和高血压人群中呈现绝对优势结果。
即使将AI-ECG成本提高8倍（32美元/次）或模拟60%的警报忽略率，ICER仍保持稳定（73,527美元）。这表明系统经济效益对实施成本和临床依从性变化具有较强鲁棒性。
这项研究为医疗AI的卫生经济学评价树立了新标杆。从临床角度看，AI-ECG系统通过挖掘常规检查的潜在信息，实现了对高风险患者的精准识别——这与既往研究发现的62%心脏骤停患者提前6小时出现生理异常现象相呼应，证实早期干预的价值。从经济学视角，尽管触发更多药物和ICU使用，但每避免1例死亡的成本约相当于1.8倍台湾人均GDP，考虑到患者平均61岁年龄及潜在获得7-12个质量调整生命年（QALY），这一投入产出比具有显著意义。
研究的局限性包括台湾单一医疗体系数据的推广性挑战，以及未纳入系统开发和培训成本。但敏感性分析表明，即使考虑这些潜在成本增加，结论仍具稳健性。未来研究需在更广泛医疗环境中验证结果，并探索AI-ECG对其他临床结局的影响。这项工作的真正价值在于证明：当AI技术与临床工作流深度整合时，不仅能改善预后，还能在资源约束条件下实现价值医疗——这对全球医疗系统优化AI技术投资策略具有重要启示意义。