旨在从胸部电子计算机断层扫描中识别十种病理检查所见的综合人工智能算法使用的诊断和经济评估

缩写和首字母缩略词列表

论证

根据世界卫生组织的数据，大多数死亡是由于心血管疾病、癌症、传染病和肺部疾病而发生的1。根据肺癌筛查的大型随机性研究，由于允许检测到偶然临床意义的发现以及治疗和预防相关疾病，在无症状的高危人群中使用胸部低剂量计算机断层扫描（胸部CT）不仅降低了肺癌死亡率，而且也降低了所有原因的死亡率：在美国国家肺部筛查试验（National Lung Screening Trial，NLST）框架内降低了6.7%，在意大利多中心肺检测试验（Multicentric Italian Lung Detection，MILD）框架内从第5年到第10年的随访中降低了39%[1，2]。

已发现了，肺癌筛查项目在高危人群中具有成本效益。这种效果在不同国家的医疗保健系统中是不同的[3]。然而，出现，在这些项目中，肺癌死亡率和总体死亡率之间的差异很大。例如，在一项肺癌筛查的研究中，77.1%的患者死因不是肺癌，而是其他疾病，如心血管疾病、肺部疾病、其他肿瘤、传染病等[1]。由于专注于寻找肺癌的任务，放射科医生可能会错过与其他疾病有关的病理检查所见。例如，有报道称，当肺癌筛查时，58%的临床意义发现没有反映在放射科医生的报告文本中[4]。

在COVID-19大流行期间，肺癌筛查计划被暂停，因为需要使用断层扫描仪对胸部器官进行大规模电子计算机断层扫描（CT），以诊断冠状病毒感染。在接受胸部CT扫描的患者中，50%的患者中发现了偶然发现，25%的患者中发现了有临床意义的发现[5]。通过胸部CT获得的大量数据不仅允许诊断肺部疾病，而且允许诊断其他器官和系统的疾病[6-8]。但也有可能遗漏有临床意义的发现，造成遗漏的原因包括医务人员短缺、职业倦怠、流行病效应和医生工作量增加。

解决这一问题的最大希望在于人工智能（AI）技术。因此，评估使用创新的经济效益是一个重要问题。为医疗保健提供的人工智能产品数量最多的是放射诊断的：与所有其他医疗专业的总和相比，其数量多几倍2。在俄罗斯联邦，将人工智能用于放射诊断的最大项目是在计算机视觉领域使用创新技术来分析医学图像并进一步用于莫斯科市医疗保健系统的实验(以下简称“莫斯科实验”），在该项目框架内处理了750多万次放射检查，包括射线照相检查、乳腺X线摄影检查和电子计算机断层扫描检查3[9]。

综上所述，使用旨在搜索单一病变的人工智能算法，在作为主要致死原因的疾病防治的实际工作中价值有限。考虑到利用人工智能一步发现多种病变的需要，第一批软件产品已经问世。这些产品可对胸部CT扫描进行全面分析，已通过所有阶段的测试。105 家莫斯科市医疗机构已批准使用这些产品4。IRA Labs公司的复合人工智能Multi-IRA就是此类产品之一，它可以同时搜索CT上各种疾病的十种病理迹象[10-13]，即：

1) 以病毒性肺炎特有的肺部浸润性病变（大流行条件下为COVID-19；根据疾病和有关健康问题的国际统计分类第十次修订本（ICD-10）， U07），并评估肺部受损的百分比；

2) 肺结节，并对其大小、体积和密度进行评估，以发现肺部恶性肿瘤（根据ICD-10，C34）；

3) 胸膜腔内的游离液体（渗液）（根据ICD-10， J94）；

4) 肺气肿，作为慢性阻塞性肺病的一种表现形 式（根据ICD-10，J44）；

5) 测定胸主动脉的直径，以发现其扩张和动脉 瘤（根据ICD-10，I70和I71）；

6) 测定肺动脉干的直径，以发现可能导致肺动脉高压的原因（根据ICD-10，I27）；

7) 使用Agatston评分分析冠状动脉钙化的严重程度，以评估冠状动脉粥样硬化的严重程度和患冠状动脉疾病的风险（根据ICD-10，I20-I25）；

8) 评估肾上腺厚度，以发现肿瘤和增生（根据ICD-10，C74）；

9) 椎体高度，以诊断压缩性骨折（根据ICD-10， M80-M85）；

10) 分析椎体密度，以发现骨质疏松症的症 状（根据ICD-10，M80-M85）。

该研究的目的是评估在私人医疗中心环境下，与不应用技术的放射科医生相比，使用全面的、经过专家验证的人工智能进行胸部电子计算机断层扫描的检测频率和经济潜力。

材料和方法

研究设计

本研究是一项观察性、单中心的回顾性研究。无需患者知情同意。文章是根据CHEERS 2022检查表写的，该检查表是为医学研究的经济评估而设计的⁵[14]。经济分析计划是为一家私立医疗中心制定的。经济分析计划的形式是估算未提供医疗服务的潜在增量成本。根据临床指南和基于病理检查所见的循证医学最佳实践，这些服务应该是为患者提供的。通过进一步的诊断行为来明确CT检查结果的性质和严重程度，未提供医疗服务费用还可以从使用综合人工智能中获益，比放射科医生的高。

本研究未对治疗费用进行评估。

图1给出研究设计。

图1。研究设计。

纳入排除标准

我们采用了纳入和排除标准来形成研究小组。

纳入标准：来医疗机构接受医疗服务的男性和女性的胸部CT扫描结果，该医疗结构为莫斯科市成人提供初级和专业医疗服务；胸部CT扫描由放射科医生在2022年6月1日至2022年7月31日期间进行和判读；胸部CT扫描时没有使用静脉性造影剂；患者年龄大于18岁；具有以DICOM格式的CT检查图像以及具有医疗机构放射科医生的检查描述的协议书文本；患者初次到医疗机构就诊。

排除标准：年龄大于85岁；之前的胸部CT是在一年内进行的；由于与算法无关的原因（例如，不适当的形式、胸部器官以外的检查区域、切片数量不足（少于30张）），人工智能无法处理检查结果；由于算法本身的特殊性（例如，由于扫描层面存在明显的金属结构伪影，导致操作不正确），人工智能无法处理检查结果。

进行研究的条件

CT检查是在“Clinical Hospital on Yauza”多学科私立医疗机构进行的。该机构为莫斯科的成年人提供初级医疗和专科医疗服务。

研究期限

研究是针对2022年6月1日至2022年7月31日期间的CT数据进行的。基于人工智能的回顾性分析和对结构的检查是2022年10月1日至2022年11月30日期间进行的，这种检查是由专家进行的。

研究描述

胸部CT扫描是在Philips Ingenuity CT电脑断层扫描仪上进行的，无需静脉性造影剂。断层扫描仪每转一管可扫描128张切片。胸部扫描协议根据设备制造商的标准建议和国家建议执行。CT结果分两个系列提供给医生和人工智能。第一个系列是在重建时用软组织内核进行的（60 HU——窗口中心，360 HU——窗口宽度）。第二组是在重建时用肺内核进行的（-500 HU——窗口中心，1500 HU——窗口宽度）。切片厚度为1.0 mm。我们使用了迭代模型重建（iterative model reconstruction，IMR）算法。这种重建技术旨在提高图像质量（降噪）和减少对患者的辐射剂量。

所有纳入的CT检查都是使用IRA Labs公司的Multi-IRA复合人工智能程序处理的。该程序已集成到诊所的图像存档和通信系统（picture archivingand communication system，PACS）中。本研究中所使用的人工智能算法之前已在专门准备的校准数据集上进行过测试，作为莫斯科人工智能实验的一部分6。

根据基于智能技术的软件临床试验方法建议，能否使用人工智能算法的标准是其准确度不低于每种病变的ROC曲线下面积（ROC AUC）0.81[15] 。人工智能算法的诊断准确度指标值是在莫斯科实验框架内通过独立于开发商的非公开数据集获得的。表1给出这些数据[9，10]。

表1。在莫斯科实验的数据集上获得的胸部计算机断层扫描复杂人工智能的诊断准确度指标值

该研究的主要成果

对于诊所医生检测到和未检测到的所有发现，都确定了“第二阶段”（专科医生咨询以及各种类型的临床、仪器和实验室后续检查）。因此，病人的下一步治疗路线是根据每种病理的当前临床建议确定的。

然后，对于每个病人，根据诊所的价格表，计算出未提供的医疗服务费用；成本的确定依据是因病变遗漏而按照临床建议未提供的必要医疗服务。此外，还根据表2[16-31]计算了因重要病变遗漏而产生的未提供的医疗服务费用。在医疗机构的电子医疗信息系统中，如果有根据医生专家结合人工智能分析对CT数据进行检查后得出的地面实况（ground truth）数据，CT描述的最终文本中没有病理发现信息，则视为医生的遗漏。人工智能算法识别出的结果，如果在分析CT图像时得到两位专家医师的确认，则被视为地面实况。

该研究的其他成果

此外，还计算了诊所中每位放射科医生有重大遗漏和无重大遗漏的总结数量，以及错误总结的百分比。

分组分析

两名专家（分别是有10年和13年经验的放射科医生，他们不是研究中使用数据的医疗机构的员工）对CT扫描结果和人工智能算法的处理结果进行了审查，以排除软件错误。如果出现意见分歧，则集体讨论后做出统一决定。根据审查结果，复合人工智能分析的地面实况被选出，并由两位专家确认。然后，将人工智能提出的结果与医疗机构放射科医生在未使用人工智能的情况下撰写的胸部CT描述协议的最终文本进行了比较，并找出病变遗漏。医疗机构放射科医生遗漏的所有病变分为重要和不重要两种。然后，根据人工智能结果的基本诊断要求，对病变重要性标准进行了评估。这些要求是在莫斯科实验框架内采用的，并得到了国家预算机构莫斯科市卫生局诊断和远程医疗科学实践临床中心科学问题委员会的同意，协议日期分别为2021年12月10日№9/2021 、2022年2月28日№1/2022、2022年12月6日№7/2022、2023年1月13日№1/2023。这些要求基于临床建议和最佳实践，从循证医学的角度来看是合理的。

本研究未对协议文本中是否提及心外膜脂肪进行评估，因为医疗机构的放射科医生没有测量脂肪组织体积的仪器。表2给出病理标准和遗漏重要性分布。

表2。病变发现和遗漏的标准

伦理审查

我们将这项回顾性研究的通知发送给俄罗斯放射学会莫斯科地区分会独立伦理委员会（协议日期为2023年3月1日）。

统计分析

采用描述性统计方法，以每类观察结果的绝对数（n）和比例（%）来显示出结果。采用了比例Z检验来比较不同方法发现病变的频率。得出了9种病变的p值，并通过Bonferroni校正法对多重检 验（在诊断结果无有统计意义差异的一般假设下）的p值进行了校正。采用了配对t检验来对财务指标进行分析。p值的有统计意义水平为0.05 。统计分析是使用R v.4.1.3程序进行的。

结果

研究对象（参与者）

共有185项检查（男女比例为47/53%；年龄在19至83岁之间，平均年龄为49.5岁）符合规定的标准，其中25项检查因以下原因未被人工智能处理：

1) 不依赖人工智能（23项检查）：

• 不适当的形式（9项检查：磁共振成像——7 项；乳腺X线摄影——2项）；
• 胸部器官以外的检查区域（9项检查）；
• 切片数量不足（少于30张），包括定位 器（5项检查）；

2) 依赖人工智能（2项检查）：

• 由于扫描层面存在明显的金属结构伪影，导致操作不正确（2项检查）。

最后要分析的一组包括160个胸部CT扫描病例和医生的描述文本。由于患者仅根据强制性或自愿性医疗保险单向该医疗机构申请就诊，以及向专科医生付费就诊，因此未收集患者是否患有肿瘤、心血管疾病和其他慢性疾病的其他信息。医疗信息系统中关于诊断的信息可能并不完整。

该研究的主要结果

首先调度了自动匿名化并将CT检查结果从医疗机构传输给胸部CT复合人工智能开发人员。然后，分析结果返回医疗机构和专家，以对人工智能结果进行审查。专家们提供了一份清单，列出经核实的人工智能结果与协议文本之间的所有差异。这份清单交给医疗机构的工作人员进行质量控制（图2）。诊所没有提出上诉。协议文本中具有临床意义的遗漏最多的是骨质疏松症和肾上腺肿块病例（各14例）。未有临床意义的遗漏最多的是主动脉扩张（36例）和骨质减少（40例） 。图3给出检查发现数量的详细结果

图2。在使用/不使用人工智能的情况下所见的发现数量的研究结果。

图3。发现数量的研究结果（按重大遗漏数量排列）。

通过人工智能，90项（56%）带有病变的检查被识别出来，其中在81项（51%）医疗结构医生的协议中，至少有一个病变被遗漏。在70项检查中，人工智能算法没有发现病变。值得注意的是，所报告的检查中可能还发现其他病变，但不在本研究的复合人工智能分析程序范围内。表3 给出分析汇总数据。

表3。发现和漏掉病变的患者人数汇总表

在一项CT检查中可能存在多种病变，其中一些是由医疗机构的医生发现的（在总结中有所描述），而另一些则是人工智能才发现的（人工智能的潜在优势）。

图4给出对90名患者中每名患者因病变遗漏而导致的未提供医疗服务费用分析的详细描述。

图4。在进行电子计算机断层扫描（CT）的范围内，由于遗漏病变而导致的未提供医疗服务的费用分析。

在比较两种诊断方法（有专家验证的算法比无人工智能的医疗机构医生）时，以下病变的比较具有统计意义：主动脉瘤/扩张；肺动脉干直径扩张；冠状动脉钙指标、椎体压缩性骨折、椎体密度降低和肾上腺增厚的评估（表4）。

表4。两种诊断方法的比较，以发现所分析的病变

81名患者的所有遗漏病变的估计“第二阶段”未提供医疗服务费用总计2 847 760卢 布（37 250.99美元或256 217.95人民币），每名患者的为17 799卢布（232.83美元或1 601.41人民币） 。“第二阶段”的未提供医疗服务费用仅针对医疗机构的医生在总结中遗漏，但经人工智能检测和专家确认的病变，共计2 065 360卢 布（27 016.57美元或185 824.05人民币），每名患者的为12 909卢布（168.86美元或1 161.45人民币）。表5给出所有检查结果的未提供医疗服务费用计算结果。

表5。对电子计算机断层扫描中所有遗漏发现的未提供医疗服务费用的分析

根据计算结果，仅重大遗漏的未提供医疗服务费用总计770 855卢布（10 083.4美元或 69 355.17人民币），每名患者的为4818卢 布（63.02美元或433.48人民币）。表6给出分析结果。

表6。重大病变遗漏的未提供医疗服务费用结果

成本比较采用配对t检验，计算每名患者的平均差异，并构建95%的置信区间（CI）。因此，160×12 908.5[160×9833.5；160×15 983.5]得出了有其CI的分析人群的未提供医疗服务费用总值。表7给出结果。

图5给出在医疗机构中使用人工智能算法的最终成本效益。

图5。医疗机构使用复合人工智能进行胸部CT检查的未提供医疗服务的费用谱。CT——电子计算机断层扫描。

计算未提供医疗服务费用的实例

医疗机构的医生在总结中正确描述了肺动脉干扩张（达到34 mm）、Agatston评分钙指标高（ 达到350）、椎体密度降低（最低为+90 HU） 。人工智能算法还发现了上述病变。此外，人工智能算法还发现了医生没有描述的病变，即直径达到10×9 mm的肺结节、达到45 mm的胸主动脉扩张、达到14 mm的肾上腺增 厚。表8给出在这种情况下计算未提供医疗服务费用的实例。

表8。根据单次胸部CT扫描的未提供医疗服务费用的计算实例

注：CT——电子计算机断层扫描。

该研究的其他结果

表9给出有重大遗漏和无重大遗漏的协议数量以及错误协议百分比的最终结果。在同一协议中，既可能存在重大病变遗漏，也可能存在无重大病变遗漏。共分析了160份协议。其中81份存在重大遗漏和无重大遗漏。这占CT扫描总数的50.6%。重大遗漏的平均比例为28.1%（max 56.9 ；min 5），无重大遗漏的平均比例为27.2%（max 74.1；min 5）。

表9。有重大遗漏和无重大遗漏的协议数量的最终结果

从统计学角度看，协议总数明显增加了错误数量。放射科（不包括住院医师培训）和胸部放射科（包括住院医师培训）的总工作年限减少了错误数量。然而，由于医生样本较少且存在优势病例，这些数据并不具有代表性。补充材 料（表10、11）给出关于医生经验的详细数据。

图6和7给出人工智能算法的运行实例。

图6。人工智能算法工作原理的实例。患者B，76岁。医生正确地发现了双侧胸水和气肿性改变，但没有描述右肺的肺结节。人工智能算法确定了所有3种病变：胸水用黄线勾勒，气肿性改变用橙色标出，肺结节用红色方块标记。

图7。人工智能算法工作原理的实例。患者V，79岁。胸部计算机断层扫描：a——轴向切片：医生和算法正确地发现了左肺的肺结节（用红色方块标记）和冠状动脉钙化（用橙线勾勒）；此外，算法显示了心外膜脂肪体积增加（用黄色填充，该病变在研究中没有考虑）；b——矢状切片：医生和算法正确地发现了Th6和Th9椎体的压缩性骨折，Genant 3（3列用红线标记），但医生没有在协议书中指出Th5和Th12椎体的畸形，Genant 2（3列用黄线标记）。

不良反应

研究未发现任何不良反应。

讨论

该研究的主要结果概述

研究结果首次显示了应用基于人工智能技术的复合软件产品来分析胸部CT数据所能产生的估计经济效应。估计经济效应的基础是未提供医疗服务费用的评估。

必须根据当前的临床建议向病人提供医疗服务。“第二阶段”必要诊断的未提供医疗服务费用高于200万卢布，仅用于医生遗漏但人工智能发现的病变。这比由于医生根据胸部CT数据在160名病人身上发现的病变本应在诊所提供的医疗服务费用高3.6倍。使用的计算模型结果显示了，根据医疗机构的价目表，仅有重大遗漏的未提供医疗服务费用就超过了77万卢布。这比该医疗机构的医生因偶然发现而可能带来的医疗服务费用高98%。

此外，还展示了使用基于人工智能技术的复合软件产品来审核CT描述协议书的可能性。

对该研究主要结果的讨论

对COVID-19大流行的社会经济负担进行的分析可以作为一个例子，说明某一大规模疾病对俄罗斯联邦医疗系统和整个社会造成的重大社会和经济后果，这不仅强调制定疾病控制战略投资的临床重要性，也强调了其经济重要 性[32]。据专家估计，2020年COVID-19在俄罗斯联邦造成的社会经济负担约为5.4万亿卢布（占2020年名义国内生产总值的5%），这相当于男性2486.30 YLL（years of life lost，即生命损失年数）和女性1378.22 YLL[32]。同年，非传染性疾病在俄罗斯联邦造成的经济负担共计4万亿卢布，同时，慢性病造成的损失相当于俄罗斯联邦整个医疗保健系统的预算，并且通过有效预防而腾出的资金可成为国家发展的巨大额外资源9。

在现有文献中，我们没有找到任何研究评估了用于胸部CT分析的复合人工智能系统对医疗机构经济方面的影响。

P.J.Pickhardt等人[33]使用腹部CT建立了一个基于复合人工智能筛查的经济和临床效益模型。他们分析了三种疾病（心血管疾病、骨质疏松症和肌肉减少症）的预期患病率、健康状态之间的转换概率以及相关的保健成本和治疗有效性。他们评估了3种相互排斥的筛查模式：（1 ）忽略结果（“不治疗”；无论CT结果如何，都不干预）；（2）使用他汀类药物的万应治疗（“ 治疗所有人”以预防心血管疾病，不考虑CT结果） ；（3）通过腹部CT对人工智能发现的心血管疾病、骨质疏松症和肌肉减少症进行机会性筛查（对高危人群进行有针对性的治疗）。对55 岁患者（男性和女性）的10年筛查结果进行了研究。与“忽略”和“治疗所有人”的方法相比，使用人工智能进行基于CT的机会性筛查是一种经济有效的临床策略。作者做总结，在广泛输入假设集的条件下，通过人工智能基于CT的机会性筛查可能是一种极具成本效益且临床效率高的策略。它在大多数情况下都能节约资金。不过，与我们的研究相比，作者并没有提出一个切实可行的复合人工智能。此外，我们的研究使用了针对10种目标病变的复合人工智能，而上述研究仅使用了3种目标病变。因此，有希望能提高人工智能应用的潜在成本效益，并对诊断产生积极影响。

一些出版物研究了在不使用人工智能系统的情况下，采用综合方法治疗几种病变时，此类程序的成本效益。例如，荷兰进行了如下计算：对50 至75岁人群进行三种疾病（肺癌、慢性阻塞性肺病和心血管疾病）的低剂量CT复合筛查，如果一个人的检查费用低于971欧元，则可能具有成本效益[34]。对近7500例低剂量CT扫描结果进行了为期五年的研究。结果表明了，在肺癌筛查中偶然发现的肺外恶性肿瘤都处于早期阶段，并具有预后良好。与晚期病例相比，额外检查的费用要低得多[35]。作者认为，对肺癌低剂量CT筛查期间发现的肺外病变进行额外诊断和治疗干预的成本分析，是证明此类活动成本效益的主要步骤之一。这种方法（尽管仅限于使用胸部CT进行肺癌筛查）使我们能够建议使用复合人工智能来提高检查的诊断和成本效益。

我们的研究还使用了复合人工智能来发现10种病变。所谓库存分析的分析有助于对进一步研究做出有根据的决心[36-38]。在诊断干预和证据开发过程中，它们是首选，以优化数据收集并更准确地估计对健康的长期经济影响。使用这种分析时，可获得大量临床数据。

在COVID-19大流行之前，人工智能算法被用于发现放射症状，以发现疾病、分类、优化图像、减少辐射剂量和改进工作流程[39]。关于人工智能应用有效性的医学研究使此类程序更易于理解、安全、高效，并能融入医生的工作流 程[40] 。目前在IMALife项目框架内正在进行研究。这些研究不仅调查肺癌死亡率的降低情况，还调查肺气肿（慢性阻塞性肺病的生物标记）和冠状动脉钙化（动脉粥样硬化的生物标记）的影响死忙率降低情况[41]。

迄今为止，对人工智能应用有效性的评估只在仅针对一种目标病变进行搜索的人工智能算法中遇到过。在S.Ziegelmayer等人的研 究[42]中，与CT相比，CT+AI基线假想的增量成本效果比（incremental cost-effectiveness ratio，ICER）为负值。负系数表明成本更低，效率更高。阈值分析表明，ICER在68美元的阈值以下仍为负值，以支持使用人工智能。就成本效益而言，使用低剂量CT数据分析通过人工智能的单一系统进行肺癌筛查是一种合理的诊断策略。

不断增加的放射检查量给放射科医生带来了额外的工作量[43]。过重的工作量会增加出错的可能性并危及医疗质量[44]。对检查进行回顾性双重审查的审计系统被广泛应用于放射诊断领域。最著名的是美国放射学会的RADPEER system[45]。然而，P.M.Lauritzen等人的研究[46]表明了，对1/3的检查进行双重审查需要医生耗费约20-25%的工作时间。这些检查是在他们的机构进行的。使用人工智能算法可以大大减少审核检查的时间，并提高审计的数量和质量。同时，最大限度地减少算法的假阳性错误是一个重要的条件。人工智能的使用也影响了对放射科医生的工作质量产生了影响。在疑似COVID-19中，人工智能的使用改变了肺部病变严重程度的比例，从而降低了严重和临界肺部病变严重程度评分的比例[47]。

在我们研究中，我们还证明了使用复合人工智能来审核研究描述的可行性。我们发现了，超过28%的协议书中存在重大病变遗漏，27%的协议书中存在无重大病变遗漏。值得注意的是，在所有CT检查协议书中，医疗机构的放射科医生都回答了患者转诊扫描的主要诊断目的。该医疗机构的医生没有在所有工作站迅速测量Agatston评分的工具。椎体密度的测量不属于该放射科的研究描述标准。此外，医生之间的平均错误率也不相上下。因此，根据审核结果辞退1-2名描述较差的医生并不能解决遗漏的问题。

在该研究中，当计算经济效应时我们没有考虑人工智能的成本，并没有考虑专家验证人工智能结果的工作成本。这些成本取决于算法数量、参与专家的水平和其他因素。如果总成本低于医疗机构通过应用人工智能所创造的利润，那么任何复合人工智能服务的收费都是具有成本效益的（ 图 8）。不过，这种分析超出了本研究的范围。

图8。考虑到使用人工智能的成本，医疗机构由于没有使用复合人工智能进行胸部CT检查而导致的未提供医疗服务的费用可行性。

该研究的局限性

本研究是一项试点研究，存在一些局限性。

因此，本研究采用了回顾性设计，并评估了私立医疗机构的未提供医疗服务费用的最大可能性，这种费用取决于所发现的的病变和对其进行检查的医疗建议。在实践中，并非所有患者都愿意听从医生的建议并照合理的建议做，特别是在有偿的后续检查和咨询方面。此外，每个诊所的转换都有其自身的特殊性，这超出了本研究的设计范围。

这项研究的目的只是估算“第二阶段”的费用，而不包括“第三阶段”及其后阶段的费用。治疗和康复的费用没有考虑在内。然而，对于几乎所有的复合人工智能可能会发现的病变来说，治疗费用都远远超过“第二阶段”的费用。在每个医疗机构中，对医生工作质量产生影响的因素有很多。医生工作质量的指 标（有临床意义的放射检查发现的遗漏数量）取决于放射科医生的工作年限、每天的检查次数、一天的时间段、一周中的某一天以及许多其他指标。这些指标会对放射科医生的知识、注意力以及记录所有病理发现和对“第二阶段”的合理建议的愿意产生影响。

在我们研究中，没有评估人工智能发现假阴性的可能性，因为所使用的复合人工智能在莫斯科实验的非公开数据集上接受了独立测试验证，以及所选择的人工智能设置是可以接受的，并且经过校准。

本研究的目标不包括评估城市和联邦医疗保健的经济效应，但俄罗斯联邦的每个医疗机构都有机会向居民提供有偿医疗服务，并以循证医学原则为依据。

在我们研究中，没有在回顾性分析的基础上通过邀请对患者的治疗依从性进行研究，同时所发现的病变与CT检查和“第二阶段”之间的时间间隔密切相关。

结论

作为放射科医生的助手，使用复合人工智能分析胸部CT数据，以诊断10种常见和重要的病变，从而提高其检出率。重要的是，与放射科医生在没有使用人工智能的情况下工作的标准模式相比，这种方法的未提供医疗服务费用高3.6倍。

一些疾病的机会性筛查需要对并发症进行详细研究，以确定使用复合人工智能进行诊断干预的最佳工作队。在胸部CT中使用复合人工智能极有可能符合成本效益，因为在采用这种方法的情况下可以发现大量需要额外医疗服务的重大病变。

ADDITIONAL INFORMATION

Funding source. This article was not supported by any external sources of funding.

Competing interests. The authors declare that they have no competing interests.

Authors’ contribution. The authors confirm that their authorship complies with the international ICMJE criteria (all authors contributed significantly to developing the concept, research, and preparation of the article and read and approved the final version before publication).

Chernina V.Yu. — search for publications on the article’s topic, formation of a data set, writing the text of the manuscript; Belyaev M.G. — expert evaluation of the data, manuscript’s text editing; Silin A. Yu. — the concept of the study; Pyatnitskiy I.A. — manuscript’s text editing; English text translation; Avetisov I.O., Petrash E.A. — manuscript’s text editing; Basova M.V. — formation of a data set, processing of research results; Sinitsyn V.E. — expert evaluation of the data, manuscript’s text editing; Omelyanovsky V.V. — expert evaluation data; Gombolevsky V.A. — the concept of the study, expert evaluation of data, manuscript’s text writing, approval of the final version.

Acknowledgments. The authors’ team would like to gratefully acknowledge Maksim E. Pisov, Technical Director of IRA Labs, and the development team (Proskurov V.A., Samoilenko A.I., Borzov A.S., Bukharaev A.N., Goncharov M.Y., Shirokikh B.N., Kurmukova A.I., Nachinkin I.A., Telepov A.Y., Shimovolos S.A., Donskova M.A., Samokhin V.Y., Shevtsova A.E., Yaushev F., Tkachenko S.M, Zakharov A.A., Saparov T.N., Filipenko V.K. Tomin V.D., Tomin J.D., Samoilenko A.I., Malevannu V.M., Leonov A. Yu, Nogova D.S., Bazarova A.I., Marakhovsky K.V., Belkov A.S., Vasin A.A., Berezhnaya D.S., Musikhin M.M.); Maria N. Dugova, Medical Director, and the team of medical experts (Ilyicheva D.V., Sevrukov D.D., Shchipakhina Y.A, Lyubimaya Y.O., Aleshina O.O., Tsybulskaya Y.A.); Mikhail S. Lamzin, Chief Operating Officer; Regina R. Gareeva, Product Manager, and Elena V. Panina, Deputy Director for Business Development.