Naukowcy zaprezentowali FLARE - systematyczny framework do oceny ekonomicznej adopcji sztucznej inteligencji w ochronie zdrowia, który uwzględnia niepewność i rzeczywiste koszty operacyjne szpitalnego wdrożenia. Zamiast skupiać się wyłącznie na dokładności modelu, FLARE analizuje finansowe i operacyjne skutki integracji AI z istniejącymi procesami klinicznymi, używając fuzzy logic, time-driven activity-based costing oraz analiz zwrotu z inwestycji.
Wzór badania testował framework na przykładzie AI wspierającego detekcję całkowitych zamknięć dużych naczyń w udarach mózgu. Analiza wykazała, że przy założeniu typowego rocznego wolumenu około 5 tysięcy pacjentów z udarem, system osiąga rentowność przy około 3992 pacjentach rocznie i generuje pozytywny zwrot z inwestycji już w pierwszym roku. Model uwzględnia rzeczywiste koszty rozwoju i utrzymania oprogramowania, czasy weryfikacji diagnostyki przez lekarzy oraz wybory infrastrukturalne.
Badanie podkreśla kluczowe spostrzeżenie: ekonomiczna opłacalność AI w klinice zależy od wielu czynników poza samą dokładnością algorytmu. Decydujące znaczenie mają wolumin pacjentów, czas potrzebny na weryfikację wyników, wybór infrastruktury oraz design procesu workflow. FLARE stanowi przełom w ocenie rzeczywistej wartości AI dla szpitali, dostarczając transparentną metodologię do podejmowania decyzji o wdrożeniu zamiast polegania wyłącznie na metrykami technicznych.