成本效益分析

AI影響性分類:

中心將AI的影響性分為三大面向 (Tier A, B, C)，並依據影響面向，採用不同的成本效益分析方法和技術。

「臺灣健康科技價值指數」:

• 中心提出了「臺灣健康科技價值指數」，包含生命面、醫療面與社會面效益，以反應創新AI科技影響性的多元面向。
• 透過量化方法，估計各面向的效益及總價值，以補充傳統CEA方法的不足。
• 效益之社會價值：

經濟分析模型：

• 依照AI科技影響性分類，採用不同的經濟分析模型。
• 例如，針對Tier C的AI科技，可能會採用決策樹模型或馬可夫模型來評估其長期效益和成本。

成本效益評估測量：

• 包含遞增成本效益比 (ICER)、遞增淨貨幣效益 (INMB)、遞增淨健康效益 (INHB)。

成本效益估計不確定性：

• 針對參數不確定性進行決定性 (DSA) 及機率性 (PSA) 敏感度分析，估計符合成本效率的機率。
• 針對異質性高的目標族群會採用馬可夫微模擬模型或估計容忍區間。
• 針對經濟評估方法，會以不同的經濟分析模型交叉比較結果一致性。

健保支付決策風險：

• 估計完全訊息期望值 (EVPI)，來評估因不確定性造成錯誤決策的機會成本，作為風險影響程度的參考。

健保支付建議：

• 針對符合成本效益之AI科技，提供風險與機會成本，建議風險校正健保定價。
• 針對不符合成本效益之AI科技，以情境分析預測成本效益平衡點，估計符合成本效益的價值價格，作為議價或條件給付之參考。
• 依據預算衝擊分析之結果，評估保險財務可負擔性及後續價量協議 (PVA) 與其他藥品給付協議 (MEA) 之風險分攤協議簽屬可行性。