人工智能正逐步渗透到医疗工作流中，但大多数评估仅关注模型准确率，而忽视在真实临床环境下的经济价值。为此，本文提出 FLARE——一个系统化且能够感知不确定性的框架，用于评估在医疗场景中采用 AI 的财务和运营影响。
FLARE 将模糊逻辑、基于时间的活动成本核算（TDABC）以及投资回报率（ROI）分析相结合，能够在不确定性条件下估算临床服务交付成本、AI 开发与运行成本以及工作流整合后的经济后果。
框架在一次早期健康技术评估案例中得到演示：在急性缺血性卒中 CT 检查路径中引入 AI 辅助的大血管闭塞（LVO）检测。案例展示了如何在统一的活动模型中量化传统路径成本、AI 相关的开发与经常性成本，以及 AI 带来的服务节约。
在预期假设下，分析得到的收支平衡阈值约为每年 3,992 例患者；而在典型的年卒中患者量约 5,000 例时，第一年 ROI 为正。结果进一步表明，经济收益不仅取决于算法性能，还受患者量、验证时间、基础设施选择和工作流设计等因素影响。
FLARE 为 AI 早期采用提供了透明且实用的决策支持框架。通过将不确定性、资源使用和实施权衡显式化，帮助临床医生、管理者和政策制定者判断 AI 部署的经济可行性，并识别可能提升价值的运营改进。
博主点评: FLARE 将成本核算与不确定性分析有机结合，为医疗 AI 的商业化提供了可操作的评估工具，值得在更多临床场景中推广。