基于 QALY 的逆向行为优化：量化自适应健康计划的系统影响

本研究引入一种逆向行为优化框架，将 QALY 基于的健康结果、ROI 驱动的激励措施以及自适应行为学习相结合，量化政策设计如何塑造国家医疗保健绩效。建立在 FOSSIL（Flexible Optimization via Sample-Sensitive Importance Learning）范式之上，模型嵌入一种后悔最小化的行为加权机制，使其能够从异构的政策环境中动态学习。它从观察到的 QALY-ROI 折中中恢复潜在行为灵敏度（效率、公平性和时间响应 T），为 individual incentive responses 与 aggregate system productivity 之间提供了分析桥梁。我们通过提出的系统影响指数（SII） formalize 了这种映射，将行为弹性链接到可衡量的宏观层次效率和公平结果。利用 OECD-WHO panel 数据，该框架经验性地表明，现代医疗系统在 efficiency-saturated frontier 附近运行，where 细微的公平性调整yield stabilizing but diminishing returns。模拟和灵敏度分析进一步表明，行为参数的微小变化会导致系统韧性、公平性和 ROI 效率产生可衡量的偏移。该结果为设计动态平衡 efficiency、公平性和 long-run 可持续性的自适应、数据驱动的健康激励计划提供了量化基础。