Σκοπός: Η ταχεία ενσωμάτωση της Τεχνητής Νοημοσύνης (ΤΝ) στην ογκολογία έχει ενισχύσει το ενδιαφέρον για τη μελέτη της οικονομικής της αποδοτικότητα της τεχνικής στις δομές υγείας, ωστόσο τα διαθέσιμα δεδομένα παραμένουν ετερογενή. Στόχος της παρούσας εργασίας είναι η συστηματική αξιολόγηση των οικονομικών αναλύσεων που εξετάζουν την εφαρμογή ΤΝ σε ογκολογικά πλαίσια.
Μεθοδολογία: Πραγματοποιήθηκε συστηματική ανασκόπηση σύμφωνα με τις κατευθυντήριες οδηγίες PRISMA 2020. Η αναζήτηση, επιλογή και αξιολόγηση των μελετών βασίστηκε σε προκαθορισμένα κριτήρια ένταξης και αποκλεισμού. Συνολικά έντεκα μελέτες οικονομικής αξιολόγησης πληρούσαν τα κριτήρια και συμπεριλήφθηκαν στη σύνθεση. Τα δεδομένα συγκρίθηκαν ως προς το είδος της εφαρμογής ΤΝ, το οικονομικό μοντέλο, τα κλινικά αποτελέσματα και τους δείκτες κόστους–αποτελεσματικότητας.
Αποτελέσματα: Οι περισσότερες μελέτες απέδειξαν ότι η ΤΝ βελτιώνει την κλινική
αποτελεσματικότητα, μειώνει καθυστερήσεις διάγνωσης και αυξάνει το προσδόκιμο ζωής. Παράλληλα, στο πλαίσιο των υφιστάμενων συστημάτων τιμολόγησης, οι εφαρμογές ΤΝ εμφανίζονται κατά κύριο λόγο οικονομικά αποδοτικές ή και συμφέρουσες έναντι των συμβατικών πρακτικών. Ωστόσο, παρατηρείται σημαντική μεθοδολογική ανομοιογένεια μεταξύ των μελετών.
Συμπεράσματα: Η ΤΝ αποτελεί πολλά υποσχόμενη και οικονομικά αποτελεσματική
τεχνολογία στην ογκολογία. Παρά τα θετικά ευρήματα, απαιτείται περαιτέρω έρευνα για την αντιμετώπιση ηθικών, τεχνικών και μεθοδολογικών ζητημάτων και για την ενίσχυση της ποιότητας των οικονομικών αξιολογήσεων.

Background: The rapid integration of Artificial Intelligence (AI) into oncology has increased the interest in its economic value, yet existing evidence remains heterogeneous. This study aims to systematically evaluate economic analyses assessing AI applications in oncological settings.
Methods: A systematic review was conducted following PRISMA 2020 guidelines. Study identification, selection, and appraisal were performed using predefined inclusion and exclusion criteria. Eleven economic evaluation studies met eligibility criteria and were included. Data were compared across AI application types, economic modelling approaches, clinical outcomes, and cost-effectiveness metrics.
Results: Most studies reported that AI improves clinical effectiveness, reduces diagnostic delays, and increases life expectancy. Under current pricing and reimbursement frameworks, AI applications were generally cost-effective or cost-saving compared with standard care. Nevertheless, substantial methodological heterogeneity was observed across studies.
Conclusions: AI represents a promising and economically efficient innovation in oncology. Despite encouraging findings, further research is required to address ethical, technical, and methodological challenges and to strengthen the consistency and quality of economic evaluations.