《npj Digital Medicine》：Pricing models for diagnostic AI based on qualitative insights from healthcare decision makers
编辑推荐：
本研究聚焦于如何为AI驱动的诊断决策支持系统（DDSS）设计兼顾临床意义与经济可操作性的定价模型。针对当前基于不透明技术指标定价阻碍采纳的痛点，研究团队通过访谈多位医疗决策者，揭示了业界对透明、可预测付费模式的偏好，并提出了结合基础费用与临床单位变量（如按患者、按检测）的混合模型设计原则，为实现诊断性AI的可持续规模化应用提供了关键见解。
想象一下，一位医生正在使用一款先进的人工智能（AI）辅助诊断工具，它能显著提升诊断的准确性和效率。然而，当医院的管理者考虑采购这款工具时，面对的却可能是一张基于“算法调用次数”、“服务器运行时间”或“数据处理量”等晦涩技术指标计算的账单。这种定价方式不仅让非技术背景的医疗管理者感到困惑，难以将其与临床价值或医院预算直接挂钩，更成为阻碍这些“高智商”AI工具真正走进医院、造福患者的隐形壁垒。这正是当前诊断性人工智能在商业化落地过程中普遍面临的困境：技术上的先进性并未能自动转化为市场中的可接受性，问题的核心之一便在于定价模型与医疗体系运行逻辑的脱节。
为了破解这一难题，发表在《npj Digital Medicine》上的一项研究，将目光从技术参数转向了“人”——那些在实际医疗环境中决定是否采用新技术的决策者们。研究团队旨在深入探究：如何为AI赋能的诊断决策支持系统（DDSS）设计一套既“临床可读”（即定价单元能被医疗从业者直观理解）、又符合机构财务规划，同时还能涵盖AI特有技术成本与组织融合成本的定价方案。他们的目标不是提出一个孤立的定价数字，而是构建一套能被各利益相关方理解、接受，从而推动诊断性AI采购、报销与可持续规模化应用的设计原则。
研究人员采用了定性研究方法中的半结构化访谈，对来自医院、门诊、实验室和产业界共计17位医疗决策者进行了深入访谈。随后，他们对访谈文本进行了演绎-归纳式的主题分析，从丰富的质性资料中提炼核心见解。
通过对17位医疗决策者的深度访谈与主题分析，研究团队得出了十项关键发现，并据此构建了面向利益相关方的定价模型设计原则与行动建议。主要研究结果如下：
- 1.
对纯使用量定价的普遍抵制：参与者广泛反对完全基于不透明技术指标（如API调用次数、数据量）的“黑箱”式按使用付费模式。他们认为这种模式难以预算、不可预测，且无法与创造的临床价值相关联。
- 2.
对透明度与可预测性的强烈偏好：决策者强烈要求定价模型简单、透明、易于理解。他们希望成本是可预测的，以便进行长期的财务规划和预算编制。
- 3.
支持临床价值单元的混合模型：最受支持的定价思路是结合了固定费用与可变部分的混合模型。关键在于，可变部分应基于具有临床意义的单元来定义，例如“按患者”（per patient）、“按检测”（per test）或“按诊疗事件”（per episode）。这种方式将费用与具体的医疗活动产出直接挂钩，提高了临床可读性。
- 4.
将报销衔接视为核心价值要素：参与者强调，定价模型必须考虑与现有医疗报销体系的衔接。如果AI工具的使用无法获得保险支付或纳入医院收费项目，其采购就缺乏财务可持续性。因此，定价设计需要为未来的报销谈判提供便利。
- 5.
整合、培训与支持不可或缺：除了软件许可费用本身，AI系统的成功部署还需要大量的“隐性”投入，包括与医院现有信息系统（如电子健康记录EHR）的整合、对医护人员的培训以及持续的技术支持。研究指出，这些实施与支持服务应被明确识别并合理纳入定价模型或单独的价值主张中，因为它们对于实现AI的临床价值至关重要。
- 6.
基于结果的支付：理想与现实的差距：将支付与临床结果（如诊断准确性提升、患者预后改善）直接挂钩的模式在伦理上具有吸引力，被认为最能体现价值导向。然而，几乎所有参与者都指出其在操作上极为困难，涉及结果归因、长期随访、风险分摊和复杂的合同设计等挑战，目前更被视为一个远期愿景而非近期可行的方案。
- 7.
识别AI特有的成本驱动因素：研究明确了影响诊断性AI成本的独特因素，包括持续的数据管理与质量监控、算法更新与再训练、计算基础设施需求以及满足监管要求（如医疗器械软件SaMD）的相关成本。有效的定价模型需要合理覆盖这些持续性投入。
- 8.
利益相关方的多元价值认知：不同角色的决策者（如临床科室主任、医院院长、实验室负责人、采购官员）对AI价值的定义和优先次序存在差异。这要求定价模型具备一定的灵活性，能够向不同对象呈现其最关心的价值维度（如临床效能、运营效率、财务影响）。
- 9.
从“成本中心”到“价值中心”的叙事转变：研究强调，供应商需要帮助医疗机构将AI采购从视为一项单纯的“IT成本支出”，重新定义为一项能创造临床、运营和战略“价值”的投资。这需要通过定价模型和沟通策略共同实现。
- 10.
促进采购与规模化应用的设计原则：基于上述主题，研究者合成了一套设计原则。其核心在于，定价模型应充当“使能器”而非“障碍物”，通过增强透明度、可预测性和临床关联性，降低医疗机构的采购决策难度，并为其后续的预算编制、报销申请和规模化推广铺平道路。
该研究归纳与讨论部分强调，诊断性AI的成功推广远不止于技术验证，其商业与运营模式，尤其是定价策略，是关键的成功因素。当前许多基于技术使用量的定价模式与医疗体系的运行逻辑存在本质冲突，导致了“价值认知脱节”。本研究通过直接倾听医疗决策者的声音，明确指出未来的方向是发展“临床可读”的定价模型，特别是那些结合固定费用与基于临床意义单元（如每位患者、每次检测）可变费用的混合模型。这类模型能将费用与可理解的医疗活动产出相关联，从而提升透明度和预算可行性。
此外，研究突出强调了报销衔接的极端重要性，指出定价设计必须为进入支付体系预留接口。同时，AI部署所需的整合、培训和支持等“非软件”成本必须被显性化并合理估值，它们同样是价值交付的重要组成部分。尽管按价值或结果付费在理念上备受推崇，但其复杂的实际操作使其在中期内更适用于特定场景，而非普适方案。
最终，这项研究的核心意义在于为AI开发商、医疗机构和支付方提供了一个基于实证的对话框架与行动指南。它倡导从利益相关方（尤其是支付方和用户）的视角反向设计定价模型，确保技术创新能够以可持续的方式嵌入医疗实践，真正实现其提升诊断水平、优化医疗系统效率的潜力。该研究发表于《npj Digital Medicine》，为数字医疗领域解决技术与商业融合的深层挑战贡献了重要的质性证据与前瞻性思考。
