Zum Inhalt springen
Zurück zu den Suchergebnissen

Entscheidungsanalytische Modellierung in der Gesundheitsökonomie

Eingeführt von
Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
Jahr
1975
Typ
Method
Familie
health economic evaluation framework

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Die entscheidungsanalytische Modellierung ist ein systematischer Rahmen für den Vergleich von Gesundheitsinterventionen durch die Integration von Evidenz zu Wahrscheinlichkeiten, Ergebnissen, Kosten und Patientenpräferenzen in ein quantitatives Modell.

Die von Pauker und Kassirer 1975 entwickelte Entscheidungstheorie strukturiert klinische Unsicherheiten und wirtschaftliche Kompromisse, ermöglicht einen transparenten Vergleich von Behandlungsoptionen und die Identifizierung optimaler Strategien. Sie wird in der Bewertung von Gesundheitstechnologien, der Entwicklung von Leitlinien für die klinische Praxis und bei Entscheidungen über die Ressourcenallokation eingesetzt.

Die Intuition hinter der Methode

Ein Kliniker steht vor einer Entscheidung: Soll ein 65-Jähriger mit neu diagnostizierter Hypertonie eine antihypertensive Therapie beginnen oder abwarten (watchful waiting)? Eine Behandlung reduziert das kardiovaskuläre Risiko, hat aber Nebenwirkungen und Kosten. Keine einzelne Studie beantwortet diese Frage direkt für diesen Patienten, da die Ergebnisse vom individuellen Risikoprofil, der Wirksamkeit der Medikamente in seiner Untergruppe und seinen Präferenzen abhängen. Die Entscheidungstheorie quantifiziert den Kompromiss: Wie hoch ist die Wahrscheinlichkeit, dass dieser Patient profitiert? Zu welchem Preis? Wie ist die Lebensqualität mit oder ohne Behandlung? Durch die Integration aller verfügbaren Evidenz (RCTs, Epidemiologie, Kostendaten) in ein einziges Modell berechnet die Entscheidungstheorie den Erwartungswert jeder Option. Erwartungswert = Summe aus (Wahrscheinlichkeit des Ergebnisses × Wert des Ergebnisses). Eine Behandlung mit 80% Wahrscheinlichkeit, einen Schlaganfall zu verhindern (Wert 2 QALYs), und 20% Wahrscheinlichkeit, Nebenwirkungen zu verursachen (Wert −0,5 QALYs), hat einen Erwartungswert von = 0,8×2 + 0,2×(−0,5) = 1,5 QALYs. Wenn die Alternative (watchful waiting) einen Erwartungswert von 1,0 QALYs hat, wird die Behandlung nach dem Kriterium des Erwartungswerts bevorzugt. Die Entscheidungstheorie erzwingt explizites Denken und ermöglicht systematische Vergleiche.

Geschichte

Pauker & Kassirer (1975, 1976) waren Pioniere der Entscheidungstheorie in der Medizin und wendeten die Erwartungswerttheorie (von Neumann & Morgenstern) auf klinische Entscheidungen an. Frühe Anwendungen: wann asymptomatische Zustände zu behandeln sind, wann diagnostische Tests durchzuführen sind. Weinstein & Fineberg (1980) veröffentlichten ein einflussreiches Lehrbuch. Bis in die 1990er Jahre etablierte sich die Entscheidungstheorie in der klinischen Epidemiologie und der Versorgungsforschung. Briggs, Claxton und Sculpher (2000er Jahre) erweiterten die Entscheidungstheorie auf die ökonomische Bewertung (Integration von Kosten, QALYs, CEA/CBA). Entscheidungsbäume wichen Markov-Modellen für chronische Krankheiten (1990er Jahre). Probabilistische Sensitivitätsanalyse (Monte-Carlo-Simulation) wurde bis in die 2000er Jahre zum Standard und ermöglichte die Quantifizierung von Unsicherheiten. Heute ist die Entscheidungsmodellierung Routine bei HTA-Einreichungen und Leitlinienentwicklungen; Tools (TreeAge, R-Pakete) haben den Zugang über Statistiker hinaus demokratisiert.

Wann wird sie eingesetzt?

Vergleich von Gesundheitsinterventionen, wenn Entscheidungsträger eine systematische Evidenzintegration benötigen. Die Entscheidungstheorie ist Standard für: (1) Entwicklung von Leitlinien für die klinische Praxis (Vergleich von Behandlungsstrategien). (2) Bewertung von Gesundheitstechnologien (Erstattungsentscheidungen). (3) Ressourcenallokation (Priorisierung von Interventionen). (4) Priorisierung von Forschung (Identifizierung, wo mehr Daten die Entscheidungssicherheit am meisten verbessern würden). (5) Patientenberatung (Tools für gemeinsame Entscheidungsfindung). Eingesetzt, wenn: mehrere Optionen bestehen, Ergebnisse unsicher sind, Präferenzen und Kosten wichtig sind und ein transparenter Rahmen geschätzt wird. Nicht erforderlich für: einfache klinische Vergleiche mit klarem Gewinner (z. B. zwei Medikamente mit identischer Wirksamkeit, eines davon viel billiger – intuitive Entscheidung); seltene Ergebnisse, bei denen die Modellierung wenig Wert hinzufügt.

Grenzen und Hinweise

  • Parameterunsicherheit: Das Modell ist nur so gut wie die eingegebenen Wahrscheinlichkeiten und Nutzenwerte; wenn Daten spärlich oder verzerrt sind, ist das Modellergebnis unzuverlässig.
  • Nimmt rationale Entscheidungsfindung an: Der Erwartungswertansatz geht davon aus, dass Entscheidungsträger risikoneutral sind; tatsächliche Präferenzen sind oft nichtlinear (Verlustaverson, Hoffnungstendenz).
  • Vereinfacht die Realität: Das Modell abstrahiert notwendigerweise die Krankheitskomplexität; wichtige klinische Faktoren können weggelassen oder gemittelt werden, wodurch patientenspezifische Nuancen verloren gehen.
  • Erfordert erhebliche Daten: Der Aufbau eines rigorosen Modells erfordert Daten zu Wahrscheinlichkeiten (Studien, Register), Nutzenwerten (Präferenzumfragen) und Kosten (Buchhaltungsunterlagen); Daten sind oft unvollständig.
  • GIGO (Garbage In, Garbage Out): Wenn Eingangsannahmen falsch oder umstritten sind, ist das Ergebnis trotz mathematischer Strenge irreführend.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Integriert Evidenz transparent: Wahrscheinlichkeiten, Ergebnisse, Kosten, Nutzenwerte werden explizit angegeben und verknüpft, was Kritik und Aktualisierung durch Stakeholder ermöglicht, wenn sich die Evidenz weiterentwickelt.
  • Behandelt Unsicherheit systematisch: Sensitivitäts- und probabilistische Analyse quantifizieren die Auswirkungen von Unsicherheit auf Entscheidungen und leiten an, wo weitere Forschung am wertvollsten ist.
  • Erleichtert die Kommunikation: Entscheidungsbäume visualisieren die Problemstruktur; Stakeholder (Ärzte, Patienten, Kostenträger) verstehen die Kompromisse und Werturteile.
  • Flexibel: Berücksichtigt verschiedene Evidenztypen (RCTs, Beobachtungsstudien, Expertenmeinungen) und kann bei neuen Daten aktualisiert werden.

Anwendungen

  • Entwicklung klinischer Leitlinien: Kardiologie-Leitlinie für die Behandlung des akuten Koronarsyndroms: Ein Entscheidungsmodell vergleicht PCI (perkutane Koronarintervention) vs. medizinische Behandlung vs. Notfall-Bypass. Das Modell integriert RCT-Wirksamkeit, Komplikationen des Eingriffs, Genesungszeit, Lebensqualität; die Ergebnisse empfehlen PCI für bestimmte Patientenprofile (z. B. Alter <70, Symptomdauer <12 Stunden).
  • HTA-Einreichung: Ein Pharmaunternehmen reicht ein neues Diabetesmedikament ein; ein Entscheidungsmodell vergleicht das Medikament mit der Standardtherapie über einen 30-Jahres-Horizont. Ein Markov-Modell verfolgt Krankheitszustände (A1c-Kontrolle, Komplikationen). Ergebnis: ICER 25.000 $/QALY. NICE empfiehlt die Erstattung und informiert über Preisverhandlungen.
  • Screening-Programm: Eine Gesundheitsbehörde verwendet ein Entscheidungsmodell zur Bewertung von Gebärmutterhalskrebs-Screening-Strategien (Pap-Abstrich jährlich vs. alle 3 Jahre vs. HPV-basiertes Screening). Das Modell vergleicht Kosten, gerettete Lebensjahre, QALYs, Schäden (Überbehandlung). Ergebnis: HPV-basiert alle 5 Jahre ist am effizientesten und leitet die nationale Politik.
  • Gemeinsame Entscheidungsfindung: Patient mit frühem Prostatakrebs (niedriges Risiko, asymptomatisch): Ein Entscheidungsmodell vergleicht aktive Überwachung vs. radikale Prostatektomie. Der Baum integriert die natürliche Geschichte des Prostatakrebses, das Operationsrisiko, funktionelle Ergebnisse (Kontinenz, erektile Funktion), Lebensqualität. Der Patient kann den Erwartungswert jeder Option sehen, zugeschnitten auf seine Präferenzen und Risikotoleranz.
  • Priorisierung von Forschung: Ein Modell zur Bekämpfung von Infektionskrankheiten vergleicht Impf-, Behandlungs- und Überwachungsstrategien. Probabilistische Sensitivitätsanalyse identifiziert Parameter mit höchster Unsicherheit. Value of Information (VOI)-Analyse berechnet: 'Wie viel würde perfekte Information über X die Entscheidungssicherheit reduzieren?' Leitet die Forschungsfinanzierung zu Studien mit dem höchsten Wert.

So funktioniert es

So funktioniert es

1

Schritt 1: Definieren Sie das Entscheidungsproblem. Was sind die Entscheidungsalternativen? (z. B. Koloskopie zur Darmkrebsvorsorge vs. FOBT (Test auf okkultes Blut im Stuhl) vs. keine Vorsorge). Wer ist die Patientengruppe? (z. B. Alter 50–75, durchschnittliches Risiko). Was ist der Zeithorizont? (10-Jahres-Ergebnis? Lebenszeit?). Schritt 2: Ordnen Sie die Struktur ab. Identifizieren Sie alle Zufallsereignisse (Krankheit schreitet voran vs. regressiert, Test ist positiv vs. negativ, unerwünschte Ereignisse treten ein vs. nicht). Identifizieren Sie die interessierenden Ergebnisse (lebend/tot, symptomfrei vs. symptomatisch, Kosten in Dollar, QALYs). Schritt 3: Füllen Sie die Wahrscheinlichkeiten ein. Woher kommen die Wahrscheinlichkeiten? RCTs (Primärdaten), Kohortenstudien, nationale Register, Meta-Analysen. Beispiel: Wenn eine RCT zeigt, dass eine Koloskopie Darmkrebs in 90 % der Fälle erkennt und den Tod in 95 % der erkannten Fälle verhindert, verwenden Sie P(Erkennung) = 0,90, P(verhinderter Tod | erkannt) = 0,95. Für die Krankheitsprogression (nicht in einer Studie enthalten) verwenden Sie veröffentlichte epidemiologische Daten. Schritt 4: Ordnen Sie die Ergebnisse zu. Nutzenwerte (Utilities): Lebensqualitätsgewichte (Skala 0–1) für jeden Gesundheitszustand (Normalgesundheit = 1, Krebsdiagnose = 0,7, nach Behandlung = 0,8). Kosten: Vorsorgekosten (300 $), Krebsbehandlungskosten (50.000 $), laufende Überwachung (500 $/Jahr). Schritt 5: Bauen Sie das Modell. Verwenden Sie einen Entscheidungsbaum (kurzer Horizont, diskrete Ereignisse) oder ein Markov-Modell (langer Horizont, wiederkehrende Zustände). Software: TreeAge Pro (kommerziell), Excel (einfach), R/Python (flexibel). Schritt 6: Validieren Sie. Führen Sie ein Basisszenario (aktueller Standard) aus und vergleichen Sie die Ergebnisse mit veröffentlichter Literatur (stimmt das Modell mit der Epidemiologie überein?).

Formel
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.
2

Entscheidungsbaum-Beispiel: Darmkrebsvorsorge bei einem 50-Jährigen. Wurzel: Entscheidungsknoten (Quadrat): [Vorsorge vs. Keine Vorsorge]. Ast 1 (Vorsorge): Koloskopie wird durchgeführt. Zufallsknoten (Kreis): [Krebs gefunden (10 % Prävalenz) vs. Nicht gefunden (90 %)]. Wenn Krebs gefunden: Behandlung, Ergebnis = QALY = 0,85 (Krebsfall mit Behandlung, Langzeitüberleben). Kosten = 300 $ (Koloskopie) + 50.000 $ (Behandlung) = 50.300 $. Wenn nicht gefunden: Routineversorgung. Ergebnis = QALY = 1,0 (krebsfrei). Kosten = 300 $. Erwartungswert (Vorsorge) = 0,10 × (0,85 QALYs, 50.300 $) + 0,90 × (1,0 QALYs, 300 $) = [0,10×0,85 + 0,90×1,0] = 0,985 QALYs, [0,10×50.300 + 0,90×300] = 5.300 $ + 270 $ = 5.570 $ Kosten. Ast 2 (Keine Vorsorge): Routineversorgung, Ergebnis = 1,0 QALY (unter der Annahme, dass kein unentdeckter Krebs vorliegt; konservativ). Kosten = 0 $. Erwartungswert (Keine Vorsorge) = 1,0 QALYs, 0 $ Kosten. ICER (Vorsorge vs. Keine Vorsorge) = (5.570 $ - 0 $) / (0,985 - 1,0) = negativer Nenner (Vorsorge reduziert QALYs?). Dies deutet darauf hin, dass die Vorsorge aufgrund von Fehldiagnosen/Überbehandlungsrisiken QALYs reduziert. Sensitivitätsanalyse: Wenn P(Krebsprävalenz) = 20 % statt 10 % ist, neu berechnen. ICER wird positiv, Vorsorge ist nun vorteilhaft. Schwellenwertanalyse: Bei welcher Krebsprävalenz ist die Vorsorge kostendeckend (gleiche QALYs)? Lösen Sie: 0,985 wird ≥ 1,0, finden Sie den P(Krebs)-Schwellenwert. Probabilistische Sensitivitätsanalyse: Ordnen Sie allen Parametern (Krebsprävalenz, Erkennungsrate, Behandlungseffektivität) Verteilungen zu, führen Sie 1.000 Simulationen durch, berichten Sie die Akzeptanzkurve.

Formel
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.
3

Optimale Entscheidung: Wählen Sie die Intervention mit dem höchsten erwarteten Nettonutzen (QALY − Kosten/Zahlungsbereitschaft). Wenn ICER < Zahlungsbereitschaftsschwelle (WTP) (z. B. 20.000 £/QALY), ist die Intervention kosteneffektiv und wird empfohlen. Ergebnisse der Sensitivitätsanalyse leiten die Robustheit. Einweg-Sensitivitätsanalyse (Variieren eines Parameters): Tornadodiagramm zeigt, welche Parameter am einflussreichsten sind. Wenn sich die Entscheidung ändert, wenn ein Parameter um ±20 % variiert wird, ist dieser Parameter entscheidend für die Annahmen. Zweiweg-Sensitivitätsanalyse: Variieren Sie zwei Parameter (z. B. Sensitivität und Spezifität eines Tests) gemeinsam, um die Entscheidungskulisse abzubilden. Probabilistische Sensitivitätsanalyse: Verteilung plausibler ICERs zeigt Unsicherheitsbereich. Akzeptanzkurve beantwortet: Bei welcher WTP-Schwelle ist die Intervention am wahrscheinlichsten kosteneffektiv? Wenn die Kurve eine 85%ige Wahrscheinlichkeit der Kosteneffektivität bei 20.000 £/QALY zeigt, ist die Entscheidung robust; bei 40 % deutet eine hohe Unsicherheit auf Vorsicht oder weitere Forschung hin. Subgruppenanalyse: Führen Sie das Modell separat für Patientensubgruppen (Alter, Krankheitsstadium, Komorbidität) aus. Entscheidungen können unterschiedlich sein: z. B. wird die Vorsorge für Hochrisikopatienten empfohlen, aber nicht für Risikopatienten. Schwellenwertanalyse: Identifizieren Sie Break-even-Werte. Beispiel: 'Die Intervention ist kosteneffektiv, wenn die Behandlungseffektivität ≥40 % beträgt.' Dies leitet an, welche Evidenz benötigt wird, um eine fundierte Entscheidung zu treffen.

Formel
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.

Häufige Fallstricke

  • Übermodellierung: Zu viele Zustände/Äste einbeziehen, was die Komplexität erhöht, ohne die Entscheidungseinsicht zu verbessern. Beginnen Sie einfach; fügen Sie Details hinzu, wenn die Sensitivitätsanalyse zeigt, dass es wichtig ist.
  • Ankerung an Einzelwerten: Verwendung von Punktwahrscheinlichkeiten ohne Unsicherheitsbereiche. Führen Sie immer eine Sensitivitätsanalyse durch; Entscheidungen sollten gegenüber plausiblen Parameteränderungen robust sein.
  • Ignorieren von Heterogenität: Anwendung des durchschnittlichen Modellergebnisses auf alle Patienten, wobei Subgruppenunterschiede ignoriert werden. Subgruppenanalyse ist unerlässlich; einige Patienten profitieren mehr/weniger.
  • Fehlende Validierung: Vergleich der Modellergebnisse nicht mit veröffentlichten epidemiologischen Daten. Kalibrieren Sie immer das Basisszenario mit externen Daten, um Modellfehler zu erkennen.
  • Fehlinterpretation des Erwartungswerts: Behandlung des Erwartungswerts als Garantie. Der Erwartungswert ist das durchschnittliche Ergebnis; ein tatsächlicher Patient kann das beste oder schlechteste Ergebnis erfahren. Kommunizieren Sie dies angemessen.

Häufig gestellte Fragen

Was ist der Unterschied zwischen einem Entscheidungsbaum und einem Markov-Modell?

Entscheidungsbaum: Kurzer Zeithorizont (z. B. unmittelbare Zeit nach der Behandlung), ein Pfad pro Entscheidungsarm, jeder Ast endet an einem Endpunkt. Wird für akute Entscheidungen (Test oder nicht, Behandlung oder nicht) mit Ergebnissen verwendet, die innerhalb des Studienzeitraums auftreten. Markov-Modell: Langer Zeithorizont (chronische Krankheit über Jahre/Jahrzehnte), Patienten durchlaufen wiederholt Gesundheitszustände, Übergänge werden probabilistisch definiert. Wird verwendet, wenn die Krankheitsprogression über die Zeit relevant ist. Oft kombiniert: Ein Entscheidungsbaum bestimmt die anfängliche Wahl (z. B. Vorsorge ja/nein); dann projiziert ein Markov-Modell die langfristigen Folgen für den gewählten Arm.

Wie werden Nutzenwerte (Utilities) zugewiesen, wenn keine direkten Daten verfügbar sind?

Methoden: (1) Verwenden Sie veröffentlichte Nutzenwerte (EQ-5D, SF-6D, HUI-Tarife) für ähnliche Gesundheitszustände. (2) Führen Sie eine gezielte Nutzenermittlung durch (Time Trade-Off, Visuelle Analogskala, Discrete Choice) mit einer Stichprobe von Patienten/der Allgemeinbevölkerung. (3) Expertenurteil: Kliniker schätzen, unter Anerkennung der Unsicherheit. (4) Mapping: Wenn eine Studie krankheitsspezifische QoL-Daten erhoben hat, verwenden Sie veröffentlichte Mapping-Algorithmen, um sie in Nutzenwerte umzuwandeln. Datenlücken sollten eine Sensitivitätsanalyse auslösen: Variieren Sie die Nutzenwerte um ±20 % und prüfen Sie, ob sich die Entscheidung ändert.

Warum ist die Sensitivitätsanalyse in Entscheidungsmodellen so wichtig?

Das Modellergebnis (ICER, Empfehlung) hängt von den Eingabeparametern (Wahrscheinlichkeiten, Nutzenwerte, Kosten) ab. Die Parameter werden mit Unsicherheit geschätzt. Die Sensitivitätsanalyse testet die Robustheit: Wenn die Entscheidung gegenüber plausiblen Parameterbereichen robust ist, ist das Vertrauen hoch; wenn sich die Entscheidung bei kleinen Änderungen umkehrt, ist die Sensitivität hoch und die Entscheidung ist fragil. Einweg-Sensitivitätsanalyse (Variieren eines Parameters), Zweiweg- und probabilistische Analyse (Variieren aller Parameter gleichzeitig) zeigen, welche Parameter die Ergebnisse beeinflussen. Dies leitet an, wo die Datenerfassung am wertvollsten ist.

Was ist eine 'Schwellenwertanalyse' und wann ist sie nützlich?

Die Schwellenwertanalyse identifiziert Break-even-Werte: 'Bei welchem Parameterwert ändert sich die Entscheidung?' Beispiel: 'Wenn die Behandlungseffektivität ≥60 % beträgt, ist die Intervention bei einer Schwelle von 20.000 £/QALY kosteneffektiv; darunter ist sie nicht kosteneffektiv.' Schwellenwerte leiten die Interpretation: Wenn die geschätzte Wirksamkeit 70 % (über dem Schwellenwert) beträgt, ist die Empfehlung robust; wenn sie 58 % (nahe dem Schwellenwert) beträgt, sind weitere Daten zur Wirksamkeit erforderlich. Schwellenwerte informieren auch über die Preisgestaltung: Ein Unternehmen kann berechnen: 'Zu welchem Preis ist unser Medikament für den Kostenträger kosteneffektiv?' Kostenschwellenwerte treiben Verhandlungen an.

Wie unterscheidet sich der Erwartungswert vom Erwarteten Nutzen (Expected Utility)?

Erwartungswert: Erwartete Kosten/QALY-Ergebnis (mathematischer Durchschnitt). Erwarteter Nutzen: Wert, angepasst an individuelle Risikopräferenzen. Beispiel: Eine Entscheidung mit 50 % Chance auf ein QALY-Ergebnis von 10 und 50 % Chance auf 0 (Erwartungswert = 5 QALYs). Eine risikoneutrale Person bewertet dies gleich wie garantierte 5 QALYs. Eine risikoaverse Person bevorzugt möglicherweise sichere 3 QALYs gegenüber einem riskanten Glücksspiel; ihr erwarteter Nutzen < Erwartungswert. Die meisten Entscheidungsmodelle verwenden den Erwartungswert (Annahme der Risikoneutralität); Modelle zur gemeinsamen Entscheidungsfindung können die Risikopräferenz des Patienten berücksichtigen.

Verwandte Methoden

Quellen

  1. Pauker, S. G., & Kassirer, J. P. (1975). Therapeutic Decision Making: A Cost-Benefit Analysis. New England Journal of Medicine, 293(5), 229-234.

    DOI-Referenz öffnen
    Kopiert.
  2. Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.

    Publikationsreferenz öffnen
    Kopiert.
  3. 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.

    Publikationsreferenz öffnen
    Kopiert.