Cost-effectiveness of community-based artificial intelligence screening for retinopathy of prematurity.

چکیده اصلی

BACKGROUND: Retinopathy of prematurity (ROP) is one of the leading causes of childhood blindness globally, but particularly in middle-income countries, where neonatal survival has improved faster than access to specialist ophthalmic care. Although telemedicine and artificial intelligence (AI)-assisted screening show promise for improving access to ROP screening, their economic value within decentralised health systems remains uncertain. To explore this issue, we evaluated the cost-effectiveness of community-based AI-assisted ROP screening in China compared with telemedicine and traditional bedside screening. METHODS: We developed a decision tree model to estimate lifetime health outcomes and societal costs for a hypothetical cohort of 100,000 preterm infants eligible for ROP screening. We compared three strategies: community-based AI-assisted screening, community-based telemedicine screening, and bedside screening at specialist healthcare facilities. Separate parameter sets were applied for urban and rural settings. Costs were assessed from a societal perspective. RESULTS: Community-based AI-assisted screening was the most cost-effective strategy in both urban and rural settings. In the base-case analysis, telemedicine screening dominated bedside screening (meaning it was less costly and more effective), and AI-assisted screening further dominated telemedicine screening. AI-assisted screening incurred the lowest lifetime costs (USD 1,507 per infant in urban and USD 2,581 in rural areas) and the greatest health benefits (29.7138 quality-adjusted life-years (QALYs) in urban and 29.5835 QALYs in rural areas). Compared with bedside screening, AI-assisted screening was dominant, with incremental cost-effectiveness ratios of USD -7,307 per QALY gained in urban and USD -3,688 per QALY gained in rural settings. Findings were robust across scenario and sensitivity analyses, with AI-assisted screening ceasing to be cost-effective only at extremely low treatment-requiring ROP incidence (<0.7%) or low screening coverage (11%) in rural areas. CONCLUSIONS: Community-based AI-assisted ROP screening is likely the most cost-effective strategy in China. By expanding access to early eye care while reducing societal costs, it may support equitable service delivery and offer a scalable model for other regions facing similar resource constraints.

ترجمه فارسی چکیده

بیماری عقب‌ماندگی رتینال (ROP) یکی از دلایل اصلی نابینایی کودکان در سطح جهان است، به‌ویژه در کشورهای درآمد متوسط که نرخ بقا نوزادان به سرعت بهبود یافته است اما دسترسی به مراقبت‌های تخصصی چشم‌پزشکی محدود است. اگرچه پزشکی از راه دور و غربالگری مبتنی بر هوش مصنوعی (AI) امیدوارکننده هستند، اما ارزش اقتصادی آن‌ها در سیستم‌های بهداشتی غیرمتمرکز هنوز نامشخص است. این مطالعه ارزش اقتصادی غربالگری ROP مبتنی بر AI در سطح جامعه را در مقایسه با پزشکی از راه دور و غربالگری سنتی در بستر بیمارستان ارزیابی کرد. یک مدل درخت تصمیم برای برآورد نتایج سلامت و هزینه‌های اجتماعی برای یک کوهورت فرضی از ۱۰۰,۰۰۰ نوزاد زودرس توسعه یافت. نتایج نشان داد که غربالگری مبتنی بر AI در سطح جامعه در هر دو محیط شهری و روستایی کارآمدترین است. در تحلیل پایه، غربالگری پزشکی از راه دور بر غربالگری بستر غلبه داشت و غربالگری مبتنی بر AI بر پزشکی از راه دور غلبه کرد. این روش کمترین هزینه‌های طول عمر و بیشترین مزایای سلامت را داشت.

متن کامل اصلی