The Impact of Artificial Intelligence on the Health Economy, Workforce Productivity, and Administrative Efficiency: A Systematic Review
Notice bibliographique
Résumé
ABSTRACT Background Healthcare systems globally are under increasing financial and operational strain due to aging populations, rising expenditures, and workforce shortages. Amid these challenges, artificial intelligence (AI) has emerged as a promising tool to enhance system-level performance, particularly in cost reduction, productivity gains, and administrative efficiency. Objective This review aims to synthesize existing evidence on the macro and system-level impact of AI implementation across three key domains: the health economy, workforce productivity, and administrative efficiency. Methods A systematic review methodology was employed, allowing for the integration of diverse data sources and study types. Literature was systematically identified through PubMed and Google, covering publications from 2020 to July 2025. Studies were included if they evaluated AI’s impact on national or regional health expenditure, labor restructuring, or process efficiency. Thematic synthesis was guided by a conceptual framework modeling AI as a system-wide catalyst. Results Twenty-four studies were included. AI implementation demonstrated potential cost savings of 5–10% in national health expenditures, driven by automation in hospital operations and administrative processes. AI-supported interventions reduced diagnostic time by up to 90% and treatment costs by over 30% in specific applications, such as cancer diagnosis and radiotherapy. Administrative tools, including AI-assisted documentation and claims processing, achieved efficiency gains of up to 40%. However, reliance on simulated models, short-term studies, and single-center data limits generalizability. Conclusions AI presents significant potential to enhance health system efficiency and reduce costs. Real-world implementation studies, standardized outcome metrics, and robust governance frameworks are essential to validate these gains and ensure equitable, sustainable adoption.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».