النمذجة التحليلية للقرار في اقتصاديات الصحة
- قدّمه
- Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
- السنة
- 1975
- النوع
- Method
- العائلة
- health economic evaluation framework
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
تُعد النمذجة التحليلية للقرار إطارًا منهجيًا لمقارنة التدخلات الصحية من خلال دمج الأدلة المتعلقة بالاحتمالات والنتائج والتكاليف وتفضيلات المرضى في نموذج كمي. يهدف تحليل القرار، الذي طوره باوكر وكاسير في عام 1975، إلى هيكلة عدم اليقين السريري والمقايضات الاقتصادية، مما يتيح مقارنة شفافة لخيارات العلاج وتحديد الاستراتيجيات المثلى. يُستخدم في تقييم التكنولوجيا الصحية، وتطوير إرشادات الممارسة السريرية، وقرارات تخصيص الموارد.
الفكرة الحدسية وراء الطريقة
يواجه الطبيب قرارًا: هل يبدأ مريض يعاني من ارتفاع ضغط الدم المشخص حديثًا (65 عامًا) بالعلاج الخافض للضغط أم يكتفي بالمراقبة (الانتظار اليقظ)؟ يقلل العلاج من مخاطر القلب والأوعية الدموية ولكنه قد يسبب آثارًا جانبية وتكاليف. لا توجد دراسة واحدة تجيب مباشرة على هذا السؤال لهذا المريض لأن النتائج تعتمد على ملف المخاطر الفردي، وفعالية الدواء في مجموعته الفرعية، وتفضيلاته. يحدد تحليل القرار المقايضة: ما هو احتمال استفادة هذا المريض؟ بأي تكلفة؟ ما هي جودة الحياة مع العلاج مقابل بدون علاج؟ من خلال دمج جميع الأدلة المتاحة (التجارب المعشاة ذات الشواهد، علم الأوبئة، بيانات التكلفة) في نموذج واحد، يحسب تحليل القرار القيمة المتوقعة لكل خيار. القيمة المتوقعة = مجموع (احتمال النتيجة × قيمة النتيجة). علاج له احتمال 80٪ لمنع السكتة الدماغية (قيمته 2 سنة حياة بجودة معدلة) واحتمال 20٪ للتسبب في آثار جانبية (قيمته -0.5 سنة حياة بجودة معدلة) له قيمة متوقعة = 0.8 × 2 + 0.2 × (-0.5) = 1.5 سنة حياة بجودة معدلة. إذا كان البديل (الانتظار اليقظ) له قيمة متوقعة 1.0 سنة حياة بجودة معدلة، فإن العلاج هو المفضل وفقًا لمعيار القيمة المتوقعة. يجبر تحليل القرار على التفكير الصريح ويسمح بالمقارنة المنهجية.
التاريخ
رواد تحليل القرار في الطب هم باوكر وكاسير (1975، 1976)، حيث طبقا نظرية القيمة المتوقعة (فون نيومان ومورجنسترن) على اتخاذ القرارات السريرية. التطبيقات المبكرة: متى يتم علاج الحالات غير المصحوبة بأعراض، ومتى يتم إجراء اختبارات تشخيصية. نشر واينشتاين وفاينبرغ (1980) كتابًا مؤثرًا. بحلول التسعينيات، أصبح تحليل القرار راسخًا في علم الأوبئة السريري وأبحاث الخدمات الصحية. قام بريغز وكلافتون وسكولفر (عقد 2000) بتوسيع تحليل القرار ليشمل التقييم الاقتصادي (دمج التكاليف، سنوات الحياة بجودة معدلة، تقييمات فعالية التكلفة/تحليل التكلفة والفائدة). حلت أشجار القرار محل نماذج ماركوف للأمراض المزمنة (التسعينيات). أصبح التحليل الاحتمالي للحساسية (محاكاة مونت كارلو) معيارًا بحلول عقد 2000، مما أتاح قياس عدم اليقين. اليوم، يعد نمذجة القرار أمرًا روتينيًا في تقديمات تقييم التكنولوجيا الصحية وتطوير الإرشادات؛ وقد أدت الأدوات (TreeAge، حزم R) إلى دمقرطة الوصول إليها بما يتجاوز الإحصائيين.
متى تُستخدم
عند مقارنة التدخلات الصحية وتحتاج صناع القرار إلى دمج منهجي للأدلة. تحليل القرار هو المعيار لـ: (1) تطوير إرشادات الممارسة السريرية (مقارنة استراتيجيات العلاج). (2) تقييم التكنولوجيا الصحية (قرارات السداد). (3) تخصيص الموارد (تحديد أولويات التدخلات). (4) تحديد أولويات البحث (تحديد أين يمكن للبيانات الإضافية أن تحسن الثقة في القرار بشكل أكبر). (5) استشارة المرضى (أدوات اتخاذ القرار المشترك). يُستخدم عندما: توجد خيارات متعددة، النتائج غير مؤكدة، التفضيلات والتكاليف مهمة، ويُقدر وجود إطار عمل شفاف. لا يلزم لـ: المقارنات السريرية المباشرة مع فائز واضح (مثلًا، دواءان لهما نفس الفعالية، أحدهما أرخص بكثير - قرار بديهي)؛ النتائج النادرة حيث يضيف النمذجة قيمة قليلة.
الحدود والاعتبارات
- عدم يقين المعلمات: النموذج جيد فقط بقدر احتمالات الإدخال والمنافع؛ إذا كانت البيانات متفرقة أو متحيزة، فإن مخرجات النموذج غير موثوقة.
- يفترض اتخاذ قرارات عقلانية: يعتمد نهج القيمة المتوقعة على افتراض أن صناع القرار محايدون تجاه المخاطر؛ غالبًا ما تكون التفضيلات الفعلية غير خطية (نفور من الخسارة، تحيز الأمل).
- يبسط الواقع: يختزل النموذج بالضرورة تعقيد المرض؛ قد يتم حذف عوامل سريرية مهمة أو حساب متوسطها، مما يفقد الفروق الدقيقة الخاصة بالمريض.
- يتطلب بيانات كبيرة: بناء نموذج صارم يتطلب بيانات عن الاحتمالات (التجارب، السجلات)، والمنافع (استطلاعات التفضيلات)، والتكاليف (السجلات المحاسبية)؛ غالبًا ما تكون البيانات غير مكتملة.
- مدخلات سيئة تؤدي إلى مخرجات سيئة (Garbage In, Garbage Out): إذا كانت افتراضات الإدخال خاطئة أو مثيرة للجدل، فإن المخرجات مضللة على الرغم من الدقة الرياضية.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يدمج الأدلة بشفافية: يتم تحديد الاحتمالات والنتائج والتكاليف والمنافع بشكل صريح وربطها، مما يتيح نقد أصحاب المصلحة وتحديثها مع تطور الأدلة.
- يتعامل مع عدم اليقين بشكل منهجي: يقوم تحليل الحساسية والتحليل الاحتمالي بقياس تأثير عدم اليقين على القرارات، مما يوجه أين يكون البحث الإضافي هو الأكثر قيمة.
- يسهل التواصل: تصور شجرة القرار هيكل المشكلة؛ يفهم أصحاب المصلحة (الأطباء والمرضى والدافعون) المقايضات وأحكام القيمة.
- مرن: يستوعب أنواعًا متنوعة من الأدلة (التجارب المعشاة ذات الشواهد، الدراسات الرصدية، آراء الخبراء) ويمكن تحديثه مع ظهور بيانات جديدة.
التطبيقات
- تطوير الإرشادات السريرية: دليل أمراض القلب لعلاج متلازمة الشريان التاجي الحادة: يقارن نموذج القرار التدخل التاجي عن طريق الجلد (PCI) مقابل الإدارة الطبية مقابل جراحة المجازة الطارئة. يدمج النموذج فعالية التجارب المعشاة ذات الشواهد، ومضاعفات الإجراءات، ووقت التعافي، وجودة الحياة؛ وتوصي المخرجات بإجراء PCI لملفات تعريف مرضى محددة (مثلًا، العمر <70، مدة الأعراض <12 ساعة).
- تقديم تقييم التكنولوجيا الصحية: تقدم شركة أدوية دواءً جديدًا لمرض السكري؛ يقارن نموذج القرار الدواء مقابل العلاج القياسي على مدى 30 عامًا. يتتبع نموذج ماركوف حالات المرض (التحكم في A1c، المضاعفات). المخرجات: نسبة ICER 25,000 دولار/سنة حياة بجودة معدلة. توصي NICE بالسداد، مما يوجه مفاوضات التسعير.
- برنامج الفحص: تستخدم وكالة الصحة العامة نموذج قرار لتقييم استراتيجيات فحص سرطان عنق الرحم (مسحة عنق الرحم سنويًا مقابل كل 3 سنوات مقابل الفحص القائم على فيروس الورم الحليمي البشري). يقارن النموذج التكاليف، وسنوات الحياة المكتسبة، وسنوات الحياة بجودة معدلة، والأضرار (العلاج المفرط). المخرجات: الفحص القائم على فيروس الورم الحليمي البشري كل 5 سنوات هو الأكثر كفاءة، ويوجه السياسة الوطنية.
- اتخاذ القرار المشترك: مريض مصاب بسرطان البروستاتا في مراحله المبكرة (منخفض الخطورة، بدون أعراض): يقارن نموذج القرار بين المراقبة النشطة مقابل استئصال البروستاتا الجذري. تتضمن الشجرة التاريخ الطبيعي لسرطان البروستاتا، وخطر الجراحة، والنتائج الوظيفية (التحكم في المثانة، الوظيفة الجنسية)، وجودة الحياة. يمكن للمريض رؤية القيمة المتوقعة لكل خيار مصمم خصيصًا لتفضيلاته وتحمله للمخاطر.
- تحديد أولويات البحث: نموذج لمكافحة الأمراض المعدية يقارن استراتيجيات التطعيم والعلاج والمراقبة. يحدد تحليل الحساسية الاحتمالي المعلمات ذات عدم اليقين الأعلى. يحسب تحليل قيمة المعلومات (VOI): "كم من الوقت ستؤدي البيانات المثالية حول X إلى تقليل عدم اليقين في القرار؟" يوجه تمويل البحث للدراسات ذات القيمة الأعلى.
كيف يعمل
كيف يعمل
الخطوة 1: تحديد مشكلة القرار. ما هي بدائل القرار؟ (مثلًا: الفحص للكشف عن سرطان القولون والمستقيم (تنظير القولون) مقابل اختبار الدم الخفي في البراز (FOBT) مقابل عدم الفحص). ما هي فئة المرضى؟ (مثلًا: العمر 50-75، خطر متوسط). ما هو الأفق الزمني؟ (نتيجة لمدة 10 سنوات؟ مدى الحياة؟). الخطوة 2: رسم هيكل النموذج. تحديد جميع أحداث الفرصة (المرض يتقدم مقابل يتراجع، الاختبار إيجابي مقابل سلبي، تحدث أحداث ضارة مقابل لا تحدث). تحديد النتائج ذات الأهمية (على قيد الحياة/متوفى، خالٍ من الأعراض مقابل يعاني من أعراض، التكلفة بالدولار، سنوات الحياة بجودة معدلة). الخطوة 3: ملء الاحتمالات. من أين تأتي الاحتمالات؟ التجارب المعشاة ذات الشواهد (الأدلة الأولية)، دراسات الأتراب، السجلات الوطنية، التحليلات التلوية. مثال: إذا أظهرت تجربة معشاة ذات شواهد أن تنظير القولون يكشف عن سرطان القولون والمستقيم في 90٪ من الحالات ويمنع الوفاة في 95٪ من الحالات المكتشفة، استخدم احتمالية (الكشف) = 0.90، احتمالية (منع الوفاة | تم الكشف) = 0.95. لتقدم المرض (غير موجود في أي تجربة)، استخدم علم الأوبئة المنشور. الخطوة 4: تعيين النتائج. المنفعة (Utilities): أوزان جودة الحياة (مقياس 0-1) لكل حالة صحية (صحة طبيعية = 1، تشخيص السرطان = 0.7، ما بعد العلاج = 0.8). التكاليف: تكلفة الفحص (300 دولار)، تكلفة علاج السرطان (50,000 دولار)، المراقبة المستمرة (500 دولار/سنة). الخطوة 5: بناء النموذج. استخدم شجرة القرار (أفق زمني قصير، أحداث منفصلة) أو نموذج ماركوف (أفق زمني طويل، حالات متكررة). البرامج: TreeAge Pro (تجاري)، Excel (أساسي)، R/Python (مرن). الخطوة 6: التحقق من الصحة. قم بتشغيل السيناريو الأساسي (الرعاية القياسية الحالية) وقارن المخرجات بالأدبيات المنشورة (هل يتطابق النموذج مع علم الأوبئة؟).
الصيغة
Define decision problem: intervention options (e.g., screen vs not screen, treat A vs treat B vs watchful waiting), patient population, time horizon. Identify chance events (test results, disease progression, treatment response, adverse events) and outcomes (health states, mortality, quality of life, costs). Obtain probabilities from trials, literature, clinical expertise. Assign utilities and costs to outcomes.
مثال شجرة القرار: فحص سرطان القولون والمستقيم لشخص يبلغ من العمر 50 عامًا. الجذر: عقدة القرار (مربع): [فحص مقابل عدم الفحص]. الفرع 1 (فحص): إجراء تنظير القولون. عقدة الفرصة (دائرة): [تم العثور على السرطان (انتشار 10٪) مقابل لم يتم العثور عليه (90٪)]. إذا تم العثور على السرطان: علاج، النتيجة = سنة حياة بجودة معدلة = 0.85 (حالة سرطان مع علاج، بقاء طويل الأمد). التكلفة = 300 دولار (تنظير القولون) + 50,000 دولار (علاج) = 50,300 دولار. إذا لم يتم العثور عليه: رعاية روتينية. النتيجة = سنة حياة بجودة معدلة = 1.0 (خالٍ من السرطان). التكلفة = 300 دولار. القيمة المتوقعة (فحص) = 0.10 × (0.85 سنة حياة بجودة معدلة، 50,300 دولار) + 0.90 × (1.0 سنة حياة بجودة معدلة، 300 دولار) = [0.10 × 0.85 + 0.90 × 1.0] = 0.985 سنة حياة بجودة معدلة، [0.10 × 50,300 + 0.90 × 300] = 5,300 دولار + 270 دولار = 5,570 دولار تكلفة. الفرع 2 (عدم الفحص): رعاية روتينية، النتيجة = 1.0 سنة حياة بجودة معدلة (بافتراض عدم وجود سرطان غير مشخص؛ تقدير متحفظ). التكلفة = 0 دولار. القيمة المتوقعة (عدم الفحص) = 1.0 سنة حياة بجودة معدلة، 0 دولار تكلفة. نسبة التكلفة إلى الفائدة الإضافية (ICER) (فحص مقابل عدم فحص) = (5,570 دولار - 0 دولار) / (0.985 - 1.0) = مقام سالب (هل الفحص يقلل سنوات الحياة بجودة معدلة؟). هذا يشير إلى أن الفحص يقلل من سنوات الحياة بجودة معدلة بسبب خطر التشخيص الخاطئ / العلاج المفرط. تحليل الحساسية: إذا كانت احتمالية (انتشار السرطان) = 20٪ بدلاً من 10٪، أعد الحساب. تصبح نسبة ICER موجبة، ويصبح الفحص مفيدًا الآن. تحليل العتبة: عند أي انتشار للسرطان يكون الفحص نقطة التعادل (يساوي سنوات الحياة بجودة معدلة)؟ حل المعادلة: 0.985 يصبح ≥ 1.0، ابحث عن عتبة احتمالية (السرطان). تحليل الحساسية الاحتمالي: قم بتعيين توزيعات لجميع المعلمات (انتشار السرطان، معدل الكشف، فعالية العلاج)، قم بتشغيل 1000 محاكاة، وقدم منحنى القبول.
الصيغة
Build decision tree (short time horizon) or Markov model (long-term): nodes represent decisions (square) and chance events (circles). Branches assign probabilities. Calculate expected value: recursively multiply probabilities along each pathway, sum to root node. Expected value per arm = sum of (probability × outcome value) across all pathways. Compare expected values across decision options.
القرار الأمثل: اختر التدخل الذي يحقق أعلى صافي فائدة متوقعة (سنة حياة بجودة معدلة - التكلفة/الاستعداد للدفع). إذا كانت نسبة ICER < عتبة الاستعداد للدفع (WTP) (مثلًا، 20,000 جنيه إسترليني/سنة حياة بجودة معدلة)، فإن التدخل فعال من حيث التكلفة وموصى به. نتائج تحليل الحساسية توجه المتانة. تحليل الحساسية أحادي الاتجاه (تغيير معلمة واحدة): يوضح مخطط الإعصار أي المعلمات هي الأكثر تأثيرًا. إذا تغير القرار عند تغيير معلمة ±20٪، فإن تلك المعلمة حاسمة للافتراضات. تحليل الحساسية ثنائي الاتجاه: يغير معلمتين معًا (مثلًا، حساسية الاختبار ونوعه) لرسم خريطة مشهد القرار. الحساسية الاحتمالية: يكشف توزيع نسب ICER المعقولة عن نطاق عدم اليقين. يجيب منحنى القبول على السؤال: عند أي عتبة استعداد للدفع يكون التدخل فعالًا من حيث التكلفة في أغلب الأحيان؟ إذا أظهر المنحنى احتمال 85٪ أنه فعال من حيث التكلفة عند 20,000 جنيه إسترليني/سنة حياة بجودة معدلة، فإن القرار قوي؛ إذا كان 40٪، فإن عدم اليقين الكبير يستدعي الحذر أو مزيدًا من البحث. تحليل المجموعات الفرعية: قم بتشغيل النموذج بشكل منفصل لمجموعات فرعية من المرضى (العمر، شدة المرض، الأمراض المصاحبة). قد تختلف القرارات: مثلًا، يوصى بالفحص للمرضى المعرضين لخطر كبير ولكن ليس للمرضى المعرضين لخطر قليل. تحليل العتبة: تحديد قيم نقطة التعادل. مثال: "التدخل فعال من حيث التكلفة إذا كانت فعالية العلاج ≥40٪." هذا يوجه ما هي الأدلة المطلوبة لاتخاذ قرار واثق.
الصيغة
Optimal decision: choose option with highest expected value (QALYs, cost-effectiveness ratio). Conduct sensitivity analysis: vary probabilities, costs, utilities; identify which parameters most influence decision. Threshold analysis: find break-even values (at what probability does decision switch?). Report acceptability curve: probability each decision is optimal across range of willingness-to-pay thresholds.
الأخطاء الشائعة
- الإفراط في النمذجة: تضمين عدد كبير جدًا من الحالات/الفروع، مما يزيد التعقيد دون تحسين رؤية القرار. ابدأ ببساطة؛ أضف التفاصيل إذا أظهر تحليل الحساسية أنها مهمة.
- الارتكاز على تقديرات فردية: استخدام تقديرات نقطية للاحتمالات دون نطاقات عدم اليقين. قم دائمًا بإجراء تحليل الحساسية؛ يجب أن تكون القرارات قوية ضد تغييرات المعلمات المعقولة.
- تجاهل التباين: تطبيق متوسط مخرجات النموذج على جميع المرضى، مع تجاهل اختلافات المجموعات الفرعية. تحليل المجموعات الفرعية ضروري؛ يستفيد بعض المرضى أكثر/أقل.
- الفشل في التحقق من الصحة: عدم مقارنة مخرجات النموذج ببيانات علم الأوبئة المنشورة. قم دائمًا بمعايرة السيناريو الأساسي ببيانات خارجية لاكتشاف أخطاء النموذج.
- سوء تفسير القيمة المتوقعة: التعامل مع القيمة المتوقعة على أنها ضمان. القيمة المتوقعة هي متوسط النتيجة؛ قد يواجه المريض الفعلي أفضل أو أسوأ نتيجة. تواصل بشكل مناسب.
الأسئلة الشائعة
ما الفرق بين شجرة القرار ونموذج ماركوف؟
شجرة القرار: أفق زمني قصير (مثلًا، فترة ما بعد العلاج المباشر)، مسار واحد لكل ذراع قرار، كل فرع له نقطة نهاية طرفية. يُستخدم للقرارات الحادة (الاختبار أو عدمه، العلاج أو عدمه) مع حدوث النتائج في غضون الإطار الزمني للتجربة. نموذج ماركوف: أفق زمني طويل (مرض مزمن على مدى سنوات/عقود)، ينتقل المرضى عبر حالات صحية بشكل متكرر، وتُعرّف الانتقالات احتماليًا. يُستخدم عندما يكون تقدم المرض بمرور الوقت ذا صلة. غالبًا ما يتم دمجهما: تحدد شجرة القرار الاختيار الأولي (مثلًا، الفحص نعم/لا)؛ ثم يتنبأ نموذج ماركوف بالعواقب طويلة الأجل للذراع المختار.
كيف يتم تعيين المنافع إذا لم تكن هناك بيانات مباشرة متاحة؟
الطرق: (1) استخدام أوزان المنافع المنشورة (EQ-5D، SF-6D، HUI tariffs) لحالات صحية مماثلة. (2) إجراء تقييم مركز للمنافع (مفاضلة الوقت، المقياس البصري التناظري، الاختيار المنفصل) مع عينة من المرضى/السكان العامين. (3) حكم الخبراء: يقدر الأطباء، مع الاعتراف بعدم اليقين. (4) الربط (Mapping): إذا جمعت التجربة بيانات جودة الحياة على مقاييس خاصة بالمرض، استخدم خوارزميات ربط منشورة لتحويلها إلى منافع. يجب أن تؤدي فجوات البيانات إلى تحليل الحساسية: قم بتغيير المنافع ±20٪ وانظر ما إذا كان القرار يتغير.
لماذا يعد تحليل الحساسية مهمًا جدًا في نماذج القرار؟
تعتمد مخرجات النموذج (نسبة ICER، التوصية) على معلمات الإدخال (الاحتمالات، المنافع، التكاليف). تُقدر المعلمات بعدم اليقين. يختبر تحليل الحساسية المتانة: إذا كان القرار قويًا ضد نطاقات المعلمات المعقولة، تكون الثقة عالية؛ إذا انقلب القرار مع تغييرات صغيرة، تكون الحساسية عالية والقرار هش. يوضح تحليل الحساسية أحادي الاتجاه (تغيير معلمة واحدة)، وثنائي الاتجاه، والاحتمالي (تغيير الكل في وقت واحد) أي المعلمات تقود النتائج. هذا يوجه أين تكون عملية جمع البيانات الإضافية هي الأكثر قيمة.
ما هو "تحليل العتبة" ومتى يكون مفيدًا؟
يحدد تحليل العتبة قيم نقطة التعادل: "عند أي قيمة للمعلمة يتحول القرار؟" مثال: "إذا كانت فعالية العلاج ≥60٪، فإن التدخل فعال من حيث التكلفة عند عتبة 20,000 جنيه إسترليني/سنة حياة بجودة معدلة؛ أقل من 60٪، ليس فعالًا من حيث التكلفة." توجه العتبات التفسير: إذا كانت الفعالية المقدرة 70٪ (أعلى من العتبة)، فإن التوصية قوية؛ إذا كانت 58٪ (قريبة من العتبة)، فإن هناك حاجة إلى مزيد من البيانات حول الفعالية. تحدد العتبات أيضًا التسعير: يمكن للشركة حساب "عند أي سعر يكون دوائنا فعالًا من حيث التكلفة للدافع؟" تدفع عتبات التكلفة المفاوضات.
كيف تختلف القيمة المتوقعة عن المنفعة المتوقعة؟
القيمة المتوقعة: متوسط التكلفة/سنة الحياة بجودة معدلة (متوسط رياضي). المنفعة المتوقعة: القيمة المعدلة حسب تفضيلات المخاطر الفردية. مثال: قرار له فرصة 50٪ للحصول على نتيجة سنة حياة بجودة معدلة 10 وفرصة 50٪ للحصول على 0 (القيمة المتوقعة = 5 سنوات حياة بجودة معدلة). شخص محايد تجاه المخاطر يقدر هذا بالتساوي مع ضمان 5 سنوات حياة بجودة معدلة. قد يفضل شخص معرض للمخاطر 3 سنوات حياة بجودة معدلة مؤكدة على مقامرة محفوفة بالمخاطر؛ منفعته المتوقعة < قيمته المتوقعة. تستخدم معظم نماذج القرار القيمة المتوقعة (افتراض الحياد تجاه المخاطر)؛ قد تعدل نماذج اتخاذ القرار المشترك حسب تفضيل المخاطر للمريض.
طرق ذات صلة
المصادر
Pauker, S. G., & Kassirer, J. P. (1975). Therapeutic Decision Making: A Cost-Benefit Analysis. New England Journal of Medicine, 293(5), 229-234.
افتح مرجع DOIتم النسخ.Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.
افتح مرجع المنشورتم النسخ.Drummond, M. F., Sculpher, M. J., Claxton, K., Stoddart, G. L., & Torrance, G. W. (2015). Methods for the Economic Evaluation of Health Care Programmes (4th ed.). Oxford: Oxford University Press.
افتح مرجع المنشورتم النسخ.