الانتقال إلى المحتوى
العودة إلى نتائج البحث

نموذج ماركوف العشوائي — محاكاة احتمالية للانتقال بين الحالات مع انتشار عدم اليقين

قدّمه
Markov, A. A. (probabilistic extension developed by Sonnenberg & Beck and others)
السنة
1993
النوع
Probabilistic state-transition model with Monte Carlo uncertainty propagation
العائلة
Simulation / optimization

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

نموذج ماركوف العشوائي هو تقنية محاكاة تمثل نظامًا كمجموعة من حالات الصحة أو القرار الحصرية المتبادلة، وتنقل مجموعة (أو وكلاء فرديين) عبر هذه الحالات باستخدام معلمات انتقال يتم أخذ عينات منها احتماليًا، وتجمع النتائج عبر آلاف تكرارات مونت كارلو لإنتاج توزيعات احتمالية كاملة للتكاليف أو النتائج أو التصنيفات بدلاً من تقديرات نقطية واحدة.

الفكرة الحدسية وراء الطريقة

تخيل تتبع مجموعة سكانية عبر مراحل المرض — صحي، مريض، متعافٍ، متوفٍ — عبر العديد من الدورات السنوية. في نموذج ماركوف الحتمي، تقوم بتثبيت احتمالات الانتقال وتحصل على مسار واحد. النسخة العشوائية تقر بأن هذه الاحتمالات نفسها غير مؤكدة: فهي تأتي من دراسات بعينات محدودة. من خلال سحب مصفوفات انتقال جديدة من توزيعاتها اللاحقة في كل تكرار من تكرارات مونت كارلو، ينشر النموذج عدم اليقين في المعلمات وصولاً إلى المخرجات النهائية، مما ينتج عنه فترات مصداقية بدلاً من دقة زائفة.

التاريخ

تمت صياغة سلاسل ماركوف بواسطة أندريه ماركوف في عام 1906. تم تقديم تطبيقها لتحليل القرارات الطبية بشكل منهجي بواسطة Sonnenberg و Beck (1993)، الذين قدموا إرشادات عملية لخبراء الاقتصاد الصحي. أصبحت الامتدادات الاحتمالية — سحب معلمات الانتقال من التوزيعات عبر تكرارات مونت كارلو — ممارسة قياسية خلال التسعينيات والعقد الأول من القرن الحادي والعشرين، وتم تدوينها في إرشادات من قبل هيئات مثل NICE وفي كتب مدرسية بواسطة Briggs و Sculpher و Claxton (2006). اليوم، يعد نموذج ماركوف العشوائي الأداة المهيمنة لتحليل الحساسية الاحتمالي في تقييم تكنولوجيا الرعاية الصحية.

متى تُستخدم

استخدم نموذج ماركوف العشوائي عندما يتضمن اتخاذ القرار حالات منفصلة، وأحداث انتقال متكررة عبر فترات زمنية متعددة، وعدم يقين في المعلمات يجب نشره رسميًا إلى المخرجات — وهو الأكثر شيوعًا في تقييم تكنولوجيا الرعاية الصحية، والاقتصاديات الدوائية، وتقييم السياسات حيث يكون عدم اليقين في احتمالات الانتقال والمكافآت كبيرًا. إنه النهج القياسي عندما تتطلب الهيئات التنظيمية أو هيئات تقييم تكنولوجيا الرعاية الصحية (NICE، CADTH، إلخ) تحليل الحساسية الاحتمالي. لا تستخدمه عندما يكون للنظام مساحات حالات مستمرة يتم التعامل معها بشكل أفضل بواسطة المعادلات التفاضلية، وعندما يكون افتراض ماركوف (عدم وجود ذاكرة) غير معقول ويؤثر التاريخ بوضوح دون أن يكون قابلاً للاحتواء عبر توسيع الحالة، وعندما يكون أفق التحليل فترة واحدة، أو عندما تكون البيانات متفرقة جدًا لتبرير تحديد توزيعات المعلمات (في هذه الحالة قد يكون تحليل الحساسية أحادي الاتجاه الحتمي أكثر ملاءمة).

الحدود والاعتبارات

  • افتراض ماركوف (عدم وجود ذاكرة) — أن الانتقالات المستقبلية تعتمد فقط على الحالة الحالية، وليس التاريخ — غالبًا ما يتم انتهاكه في الممارسة العملية؛ الحلول البديلة عبر حالات النفق تضيف تعقيدًا للنموذج.
  • يتطلب تحديد توزيعات احتمالية مصدقة لجميع المعلمات أدلة ذات جودة جيدة؛ المقدمات غير المحددة جيدًا تنشر عدم يقين غير معاير بشكل صحيح.
  • تنمو التكلفة الحسابية مع عدد الحالات والدورات وتكرارات مونت كارلو؛ قد تتطلب النماذج الكبيرة جدًا وقت تشغيل كبير أو موارد حوسبة متوازية.
  • هيكل النموذج نفسه (أي الحالات التي يجب تضمينها، طول الدورة) ثابت عادةً ولا يخضع لعدم اليقين الاحتمالي، والذي يمكن أن يكون مصدرًا رئيسيًا لعدم اليقين الهيكلي غير المقاس.
  • النتائج حساسة لاختيار التوزيعات وارتباطاتها؛ تجاهل الارتباط بين المعلمات (مثل التكاليف والمنافع) يمكن أن يقلل أو يبالغ في تقدير التباين الإجمالي.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • يقوم بقياس عدم اليقين في المعلمات بشكل صريح ويوفر فترات مصداقية بدلاً من تقديرات نقطية، مما يدعم اتخاذ القرارات الشفافة في ظل عدم اليقين.
  • المخرجات الاحتمالية (مثل منحنيات قبول فعالية التكلفة) توجه تحليلات قيمة المعلومات وقرارات تخصيص الميزانية بشكل مباشر.
  • هيكل انتقال الحالة قابل للتفسير لأصحاب المصلحة غير التقنيين، ويمكن تدقيق منطق النموذج دورة بدورة.
  • يستوعب بشكل طبيعي معلمات متعددة غير مؤكدة في وقت واحد دون الحاجة إلى بناء سيناريوهات يدوية.
  • مقبول على نطاق واسع من قبل هيئات تقييم تكنولوجيا الرعاية الصحية (NICE، CADTH، PBAC) كمعيار لتحليل الحساسية الاحتمالي في التقييمات الاقتصادية.
  • قابل للتوسيع: يمكن للمحاكاة الجزئية على مستوى الفرد والمتغيرات غير المتجانسة زمنيًا دمج تباين المرضى والانتقالات المتغيرة زمنيًا ضمن نفس الإطار.

التطبيقات

  • تحليل فعالية التكلفة للأدوية الجديدة أو الأجهزة الطبية التي تتطلب تحليل الحساسية الاحتمالي لتقديمات تقييم تكنولوجيا الرعاية الصحية.
  • نمذجة تطور المرض في علم الأورام وأمراض القلب والأوعية الدموية وعلم الأوبئة للأمراض المعدية.
  • توقع النتائج طويلة الأجل للحالات المزمنة مثل السكري أو فيروس نقص المناعة البشرية، حيث ينتقل المرضى عبر حالات صحية متعددة على مدى سنوات.
  • تقديمات تقييم تكنولوجيا الرعاية الصحية للهيئات التنظيمية (NICE، CADTH، EMA) التي تفرض الإبلاغ عن عدم اليقين الاحتمالي.
  • تقييم السياسات التي تقارن برامج الفحص أو الوقاية، حيث توجه فترات المصداقية للتكلفة لكل سنة حياة معدلة بالجودة تخصيص الميزانية.
  • نمذجة مخاطر البنية التحتية أو المشاريع حيث تنتقل الأصول عبر حالات الشرط (جيدة، متدهورة، فاشلة) بمعدلات انتقال غير مؤكدة.

كيف يعمل

كيف يعمل

1

حدد مساحة الحالات: قم بإحصاء جميع الحالات الحصرية المتبادلة والشاملة كليًا التي يمكن للكيان النموذجي أن يشغلها (مثل مراحل المرض، مستويات الموارد، مراحل المشروع). حدد طول دورة الوقت والحد الأقصى لعدد الدورات (الأفق الزمني). تحمل كل حالة مكافآت مرتبطة بها — تكاليف، أو منافع، أو مقاييس نتائج أخرى — قد تكون غير مؤكدة أيضًا.

2

لكل احتمال انتقال ولكل معلمة مكافأة، حدد توزيعًا احتماليًا يعكس عدم اليقين المشتق من قاعدة الأدلة. عادةً ما يتم سحب احتمالات الانتقال من توزيع ديريخليه (لضمان أن مجموعها يساوي 1 لكل حالة أصلية)؛ التكاليف من توزيعات جاما أو لوغاريتمية طبيعية؛ المنافع من توزيعات بيتا محدودة في [0، 1]. هذه الخطوة تشفر هيكل عدم اليقين الكامل للمعلمات.

3

اسحب مجموعة كاملة واحدة من معلمات النموذج من جميع التوزيعات المحددة — وهذا يشكل تكرارًا واحدًا من تكرارات مونت كارلو. يتضمن متجه المعلمات الكامل مصفوفة انتقال كاملة، وجميع التكاليف الخاصة بالحالة، وجميع المنافع. يتم أخذ العينات عادةً باستخدام أخذ العينات الهرمي اللاتيني أو أخذ العينات العشوائي البسيط، مع التوصية بـ N ≥ 1000 تكرار للحصول على فترات مصداقية مستقرة.

4

قم بتشغيل تتبع مجموعة ماركوف لمجموعة المعلمات المسحوبة: اضرب توزيع المجموعة الابتدائية في مصفوفة الانتقال بشكل متكرر لكل دورة حتى الوصول إلى الأفق الزمني. سجل نسبة المجموعة في كل حالة في كل دورة. احسب إجمالي التكاليف والنتائج المتوقعة عن طريق ضرب إشغالات الحالات بالمكافآت المسحوبة والجمع عبر جميع الدورات، مع تطبيق الخصم حسب الاقتضاء.

5

كرر الخطوات 3-4 لجميع تكرارات N. ينتج عن هذا N تكرار لكل نتيجة مجمعة (مثل التكلفة الإجمالية، سنوات الحياة المعدلة بالجودة). تشكل مجموعة قيم N لكل مخرج توزيع عينات تجريبي يعكس عدم اليقين في النموذج بشكل مباشر.

6

لخص النتائج عبر التكرارات: أبلغ عن المتوسط (أو الوسيط) وفترة المصداقية 95٪ لكل مخرج. قم بإنشاء منحنيات قبول فعالية التكلفة (CEACs) أو مؤشرات قبول التصنيف إذا كنت تقارن البدائل. حدد المعلمات التي تقود أكبر قدر من التباين باستخدام مخططات التشتت لتحليل الحساسية الاحتمالي (PSA) أو مقاييس القيمة المتوقعة للمعلومات المثالية (EVPI).

الأخطاء الشائعة

  • معاملة عدد تكرارات مونت كارلو على أنها غير مهمة: غالبًا ما ينتج عن أقل من 1000 تكرار فترات مصداقية غير مستقرة، خاصة في الأطراف؛ قم دائمًا بالإبلاغ عن تشخيصات التقارب.
  • تجاهل ارتباطات المعلمات عند أخذ العينات: أخذ عينات مستقلة للمعلمات المترابطة (مثل احتمالات الانتقال من توزيعات بيتا منفصلة بدلاً من توزيع ديريخليه مشترك) يضخم عدم اليقين الظاهر ويمكن أن ينتهك القيد الذي ينص على أن الاحتمالات من حالة معينة يجب أن يكون مجموعها واحدًا.
  • الخلط بين عدم اليقين العشوائي (المرتبة الأولى، التباين داخل التكرار عبر الأفراد المحاكين) وعدم اليقين في المعلمات (المرتبة الثانية، عبر تكرارات مونت كارلو)؛ يتطلب هذان النوعان معالجة مختلفة في نماذج المجموعات مقابل النماذج على مستوى الفرد.
  • المبالغة في تفسير عرض فترات المصداقية كحكم على جودة النموذج بدلاً من انعكاس صادق لندرة البيانات.
  • الفشل في التحقق من صحة الحالة الأساسية الحتمية قبل إدخال الطبقات العشوائية — يتم تضخيم الأخطاء في النموذج الأساسي، وليس الكشف عنها، عن طريق التغليف الاحتمالي.

الأسئلة الشائعة

ما الفرق بين نموذج ماركوف العشوائي والحتمي؟

يستخدم نموذج ماركوف الحتمي تقديرات نقطية ثابتة لجميع احتمالات الانتقال والمكافآت، وينتج قيمة نتيجة واحدة. يقوم نموذج ماركوف العشوائي بأخذ عينات من هذه المعلمات من توزيعات احتمالية في كل تكرار من تكرارات مونت كارلو، وينتج توزيعًا للنتائج يعكس عدم اليقين في المعلمات. كلاهما يستخدم نفس آليات تتبع المجموعة؛ فقط معالجة المعلمات تختلف.

كم عدد تكرارات مونت كارلو الكافية؟

يوصى عادةً بحد أدنى 1000 تكرار؛ 10000 هو المعتاد للحصول على فترات مصداقية مستقرة ومنحنيات قبول فعالية التكلفة. يجب التحقق من التقارب بصريًا (رسوم بيانية للمتوسط المتحرك) أو باستخدام تشخيصات رسمية. قد تتطلب النماذج ذات المعلمات المترابطة العديدة أو الأحداث النادرة المزيد من التكرارات.

متى يفشل افتراض ماركوف، وكيف يمكن معالجته؟

يفشل افتراض ماركوف عندما تعتمد احتمالية الانتقال من حالة ما على مدة بقاء المريض فيها (مثل زيادة خطر الوفاة مع مدة المرض). الحل القياسي هو إدخال حالات نفق تتتبع الوقت في الحالة بشكل صريح، على حساب مساحة حالة أكبر. بدلاً من ذلك، يمكن للمحاكاة الجزئية على مستوى الفرد تتبع تاريخ كل مريض مباشرة.

هل يمكن لنموذج ماركوف العشوائي التعامل مع التباين الفردي؟

نماذج ماركوف العشوائية القياسية على مستوى المجموعة تلتقط فقط عدم اليقين في المعلمات عبر التكرارات، وليس التباين على مستوى الفرد. لدمج تباين المرضى (مخاطر أساسية مختلفة، أمراض مصاحبة)، يجب توسيع النموذج إلى محاكاة على مستوى الفرد حيث يتم تتبع كل مريض محاكاة بشكل منفصل عبر مساحة الحالة.

كيف يختلف نموذج ماركوف العشوائي عن محاكاة الأحداث المنفصلة؟

في نموذج ماركوف، يتقدم الوقت في دورات ثابتة وجميع الأحداث تحكمها احتمالات انتقال ثابتة لكل دورة. نماذج محاكاة الأحداث المنفصلة كيانات فردية تحدث أحداثها في أوقات مستمرة يتم سحبها من توزيعات اعتباطية، مما يسمح بتمثيل أكثر مرونة للاصطفاف، وقيود الموارد، والمعدلات المتغيرة زمنيًا. نماذج ماركوف أبسط في البناء والتحقق من الصحة؛ محاكاة الأحداث المنفصلة أكثر مرونة ولكنها أصعب في تحديد المعلمات.

طرق ذات صلة

المصادر

  1. Sonnenberg, F. A., & Beck, J. R. (1993). Markov models in medical decision making: A practical guide. Medical Decision Making, 13(4), 322–338.

    افتح مرجع DOI
    تم النسخ.
  2. Briggs, A., Sculpher, M., & Claxton, K. (2006). Decision Modelling for Health Economic Evaluation. Oxford University Press.

    ردمك: 9780198526629
    تم النسخ.