Introdução: O progresso e a inovação em intervenções de saúde baseadas em inteligência artificial (IA) continuam a se desenvolver rapidamente. No entanto, há limitações nas avaliações econômicas de saúde (HEEs) publicadas de intervenções de IA, incluindo relatórios limitados sobre características e desenvolvimento de algoritmos. Desenvolvemos uma extensão para os Padrões de Relatórios de Avaliação Econômica de Saúde Consolidados (CHEERS) existentes para melhorar a consistência, transparência e confiabilidade dos relatórios de HEEs de intervenções de IA. Métodos: O método Delphi foi usado, seguindo um protocolo de estudo pré-especificado. Um grupo de direção com supervisão de especialistas foi formado para orientar o processo de desenvolvimento. Uma longa lista de itens potenciais foi definida com base em duas revisões sistemáticas recentes de HEEs de intervenções baseadas em IA. O grupo de direção identificou e convidou 119 especialistas para a pesquisa de três estágios. Os participantes foram solicitados a pontuar cada item em uma escala Likert de nove pontos e também puderam fornecer comentários de texto livre. A lista de verificação final foi pilotada em uma amostra aleatória de nove HEEs de intervenções baseadas em IA. Resultados: Três estágios da pesquisa Delphi foram concluídos por 58, 42 e 31 entrevistados multidisciplinares, respectivamente, incluindo especialistas em HTA, economistas da saúde, especialistas em IA e representantes de pacientes. A extensão CHEERS-AI inclui 18 itens de relatórios específicos de IA. Dez são itens inteiramente novos, incluindo considerações sobre autonomia do usuário, validação do componente de IA e incerteza específica de IA. Além disso, elaborações sobre oito itens CHEERS existentes foram adicionadas para enfatizar nuances importantes específicas de IA. Alguns participantes destacaram que CHEERS-AI pode fornecer benefícios importantes; por exemplo, pode esclarecer o equívoco de que os algoritmos preditivos que dão suporte a intervenções de saúde orientadas por IA estão disponíveis para uso sem custo. Conclusões: CHEERS-AI pode auxiliar na melhoria da qualidade dos relatórios para pesquisadores, editores e revisores que conduzem ou avaliam HEEs de intervenções de IA.
Notas
O registro foi originalmente publicado em inglês. A versão em português foi traduzida com o apoio de inteligência artificial.
Abstract
Introduction: Progress and innovation in artificial intelligence (AI)- based healthcare interventions continue to develop rapidly. However, there are limitations in the published health economic evaluations (HEEs) of AI interventions, including limited reporting on characteristics and development of algorithms. We developed an extension to the existing Consolidated Health Economic Evaluation Reporting Standards (CHEERS) to improve consistency, transparency, and reliability of the reporting of HEEs of AI interventions. Methods: The Delphi method was used, following a prespecified study protocol. A steering group with expert oversight was formed to guide the development process. A long list of potential items was defined based on two recent systematic reviews of HEEs of AI-based interventions. The steering group identified and invited 119 experts to the three-stage survey. Participants were asked to score each item on a nine-point Likert scale, and they were also able to provide freetext comments. The final checklist was piloted on a random sample of nine HEEs of AI-based interventions. Results: Three stages of the Delphi survey were completed by 58, 42, and 31 multidisciplinary respondents, respectively, including HTA specialists, health economists, AI experts, and patient representatives. The CHEERS-AI extension includes 18 AI-specific reporting items. Ten are entirely new items, including considerations about user autonomy, validation of the AI component, and AI-specific uncertainty. In addition, elaborations on eight existing CHEERS items were added to emphasize important AI-specific nuances. Some participants highlighted that CHEERS-AI can provide key benefits; for example, it could clarify the misconception that the predictive algorithms supporting AI-driven healthcare interventions are available for use without cost. Conclusions: CHEERS-AI can aid in improved reporting quality for researchers, editors, and reviewers conducting or assessing HEEs of AI interventions.
Notes
The record was originally published in English. The Portuguese version was translated with the support of artificial intelligence.
