Generative AI in Health Economics and Outcomes Research: A Taxonomy of Key Definitions and Emerging Applications, an ISPOR Working Group Report

📄 arXiv: 2410.20204v2 📥 PDF

作者: Rachael Fleurence, Xiaoyan Wang, Jiang Bian, Mitchell K. Higashi, Turgay Ayer, Hua Xu, Dalia Dawoud, Jagpreet Chhatwal

分类: cs.LG, cs.AI, cs.CY

发布日期: 2024-10-26 (更新: 2025-02-22)

备注: 36 pages, 1 figure, 2 tables

DOI: 10.1016/j.jval.2025.04.2167

💡 一句话要点

提出生成性人工智能以提升健康经济学与结果研究的效率与准确性

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生成性人工智能 健康经济学 结果研究 提示工程 模型微调 真实世界证据 系统文献回顾

📋 核心要点

  1. 现有健康经济学与结果研究中的AI应用面临科学可靠性、偏见和可解释性等挑战。
  2. 论文提出通过提示工程、检索增强生成等方法来提升生成性AI的准确性和可靠性。
  3. 生成性AI在HEOR中展现出显著的效率提升潜力，能够自动化复杂任务，提供新解决方案。

📝 摘要（中文）

本文提供了生成性人工智能（AI）在健康经济学与结果研究（HEOR）中的分类法，探讨其新兴应用，并概述了提高AI生成输出准确性和可靠性的方法。文章定义了基础的生成性AI概念，强调了HEOR中的当前应用，包括系统文献回顾、健康经济建模、真实世界证据生成和文档开发。提出了如提示工程、检索增强生成、模型微调和使用领域特定模型等方法，以改善AI的准确性和可靠性。生成性AI在HEOR中显示出显著潜力，提升了效率和生产力，并为复杂挑战提供了新解决方案。尽管基础模型在自动化复杂任务方面前景广阔，但在科学可靠性、偏见、可解释性和工作流程整合方面仍面临挑战。文章讨论了改善这些AI工具准确性的策略。生成性AI有望通过提高各类应用的效率和准确性来改变HEOR，但其潜力的充分实现需要建立HEOR专业知识并解决当前AI技术的局限性。

🔬 方法详解

问题定义：本文旨在解决生成性人工智能在健康经济学与结果研究中的应用局限性，尤其是在科学可靠性和偏见等方面的挑战。现有方法在这些领域的应用效果不理想，亟需改进。

核心思路：论文的核心思路是通过引入多种技术手段，如提示工程和领域特定模型，来提升生成性AI的输出质量和可靠性。这种设计旨在通过优化输入和模型结构，增强AI在HEOR中的应用效果。

技术框架：整体架构包括几个主要模块：首先是基础概念的定义，其次是应用场景的分析，最后是具体方法的实施。这些模块相互关联，共同构成了提升AI应用效果的完整框架。

关键创新：最重要的技术创新点在于将提示工程和检索增强生成结合使用，以提高生成性AI的准确性和可靠性。这与传统方法的单一模型训练方式形成了鲜明对比，提供了更灵活的解决方案。

关键设计：在设计中，采用了多种提示工程策略（如零-shot、few-shot等），并结合领域特定模型进行微调，以适应HEOR的具体需求。此外，损失函数和网络结构的选择也经过精心设计，以确保模型的高效性和准确性。

📊 实验亮点

研究表明，生成性AI在HEOR中的应用显著提升了效率和生产力，尤其是在复杂任务的自动化方面。尽管具体的性能数据尚未披露，但文章强调了通过新方法提高AI工具准确性的潜力，预示着未来的研究将进一步验证这些效果。

🎯 应用场景

该研究的潜在应用领域包括健康经济学、临床决策支持和政策制定等。生成性AI能够在这些领域中提高数据分析的效率，支持更快速的决策过程，并为复杂问题提供创新解决方案。随着技术的不断进步，生成性AI在HEOR中的应用将可能带来深远的影响，推动整个领域的发展。

📄 摘要（原文）

Objective: This article offers a taxonomy of generative artificial intelligence (AI) for health economics and outcomes research (HEOR), explores its emerging applications, and outlines methods to enhance the accuracy and reliability of AI-generated outputs. Methods: The review defines foundational generative AI concepts and highlights current HEOR applications, including systematic literature reviews, health economic modeling, real-world evidence generation, and dossier development. Approaches such as prompt engineering (zero-shot, few-shot, chain-of-thought, persona pattern prompting), retrieval-augmented generation, model fine-tuning, and the use of domain-specific models are introduced to improve AI accuracy and reliability. Results: Generative AI shows significant potential in HEOR, enhancing efficiency, productivity, and offering novel solutions to complex challenges. Foundation models are promising in automating complex tasks, though challenges remain in scientific reliability, bias, interpretability, and workflow integration. The article discusses strategies to improve the accuracy of these AI tools. Conclusion: Generative AI could transform HEOR by increasing efficiency and accuracy across various applications. However, its full potential can only be realized by building HEOR expertise and addressing the limitations of current AI technologies. As AI evolves, ongoing research and innovation will shape its future role in the field.