Modelado de análisis de decisiones en economía de la salud
- Propuesto por
- Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
- Año
- 1975
- Tipo
- Method
- Familia
- health economic evaluation framework
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
El modelado de análisis de decisiones es un marco sistemático para comparar intervenciones sanitarias integrando evidencia sobre probabilidades, resultados, costos y preferencias del paciente en un modelo cuantitativo.
Desarrollado por Pauker y Kassirer en 1975, el análisis de decisiones estructura la incertidumbre clínica y las compensaciones económicas, permitiendo una comparación transparente de las opciones de tratamiento y la identificación de estrategias óptimas. Se utiliza en la evaluación de tecnologías sanitarias, el desarrollo de guías de práctica clínica y las decisiones de asignación de recursos.
La intuición detrás del método
Un médico se enfrenta a una decisión: ¿debería un paciente de 65 años con hipertensión recién diagnosticada iniciar terapia antihipertensiva u observar (espera vigilante)? El tratamiento reduce el riesgo cardiovascular pero tiene efectos secundarios y costos. Ningún ensayo único responde directamente a esta pregunta para este paciente porque los resultados dependen del perfil de riesgo individual, la eficacia del medicamento en su subgrupo y las preferencias. El análisis de decisiones cuantifica la compensación: ¿Cuál es la probabilidad de que este paciente se beneficie? ¿A qué costo? ¿Cuál es la calidad de vida con y sin tratamiento? Al integrar toda la evidencia disponible (ensayos controlados aleatorizados (ECA), epidemiología, datos de costos) en un solo modelo, el análisis de decisiones calcula el valor esperado de cada opción. Valor esperado = suma de (probabilidad del resultado × valor del resultado). Un tratamiento con 80% de probabilidad de prevenir un accidente cerebrovascular (valor 2 AEVCT) y 20% de probabilidad de causar efectos secundarios (valor -0.5 AEVCT) tiene un valor esperado = 0.8 × 2 + 0.2 × (−0.5) = 1.5 AEVCT. Si la alternativa (espera vigilante) tiene un valor esperado de 1.0 AEVCT, se prefiere el tratamiento según el criterio de valor esperado. El análisis de decisiones fuerza un razonamiento explícito y permite una comparación sistemática.
Historia
Pauker y Kassirer (1975, 1976) fueron pioneros en el análisis de decisiones en medicina, aplicando la teoría del valor esperado (von Neumann y Morgenstern) a la toma de decisiones clínicas. Primeras aplicaciones: cuándo tratar afecciones asintomáticas, cuándo realizar pruebas diagnósticas. Weinstein y Fineberg (1980) publicaron un influyente libro de texto. Para la década de 1990, el análisis de decisiones se había establecido en la epidemiología clínica y la investigación de servicios de salud. Briggs, Claxton y Sculpher (década de 2000) extendieron el análisis de decisiones a la evaluación económica (integrando costos, AEVCT, CEA/CBA). Los árboles de decisión dieron paso a los modelos de Markov para enfermedades crónicas (década de 1990). El análisis de sensibilidad probabilístico (simulación de Monte Carlo) se convirtió en estándar en la década de 2000, permitiendo la cuantificación de la incertidumbre. Hoy en día, el modelado de decisiones es rutinario en las presentaciones de HTA y el desarrollo de guías; las herramientas (TreeAge, paquetes R) han democratizado el acceso más allá de los estadísticos.
Cuándo usarlo
Cuando se comparan intervenciones sanitarias y los responsables de la toma de decisiones necesitan una integración sistemática de la evidencia. El análisis de decisiones es estándar para: (1) desarrollo de guías de práctica clínica (comparación de estrategias de tratamiento). (2) evaluación de tecnologías sanitarias (decisiones de reembolso). (3) asignación de recursos (priorización de intervenciones). (4) priorización de la investigación (identificación de dónde más datos mejorarían la confianza en la decisión). (5) asesoramiento al paciente (herramientas de toma de decisiones compartida). Se utiliza cuando: existen múltiples opciones, los resultados son inciertos, las preferencias y los costos importan, y se valora un marco transparente. No es necesario para: comparaciones clínicas sencillas con un ganador claro (p. ej., dos medicamentos con eficacia idéntica, uno mucho más barato —decisión intuitiva—); resultados raros donde el modelado aporta poco valor.
Limitaciones y consideraciones
- Incertidumbre de los parámetros: el modelo es tan bueno como las probabilidades y utilidades de entrada; si los datos son escasos o sesgados, el resultado del modelo no es fiable.
- Asume toma de decisiones racional: el enfoque de valor esperado asume que los responsables de la toma de decisiones son neutrales al riesgo; las preferencias reales a menudo son no lineales (aversión a la pérdida, sesgo de esperanza).
- Simplifica la realidad: el modelo necesariamente abstrae la complejidad de la enfermedad; factores clínicos importantes pueden omitirse o promediarse, perdiendo matices específicos del paciente.
- Requiere datos sustanciales: la construcción de un modelo riguroso exige datos sobre probabilidades (ensayos, registros), utilidades (encuestas de preferencias) y costos (registros contables); los datos a menudo están incompletos.
- Basura entra, basura sale (GIGO): si las suposiciones de entrada son incorrectas o controvertidas, la salida es engañosa a pesar del rigor matemático.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Integra la evidencia de forma transparente: las probabilidades, los resultados, los costos y las utilidades se declaran explícitamente y se vinculan, lo que permite la crítica y la actualización por parte de las partes interesadas a medida que la evidencia evoluciona.
- Maneja la incertidumbre de forma sistemática: el análisis de sensibilidad y el análisis probabilístico cuantifican el impacto de la incertidumbre en las decisiones, guiando dónde la investigación adicional es más valiosa.
- Facilita la comunicación: el árbol de decisión visualiza la estructura del problema; las partes interesadas (médicos, pacientes, pagadores) comprenden las compensaciones y los juicios de valor.
- Flexible: acomoda diversos tipos de evidencia (ECA, observacional, opinión de expertos) y puede actualizarse a medida que surgen nuevos datos.
Aplicaciones
- Desarrollo de guías clínicas: guía de cardiología para el tratamiento del síndrome coronario agudo: el modelo de decisión compara la PCI (intervención coronaria percutánea) vs. el manejo médico vs. la cirugía de bypass de emergencia. El modelo integra la eficacia de los ECA, las complicaciones del procedimiento, el tiempo de recuperación, la calidad de vida; los resultados recomiendan la PCI para perfiles de pacientes específicos (p. ej., edad <70 años, duración de los síntomas <12 horas).
- Presentación de HTA: una compañía farmacéutica presenta un nuevo medicamento para la diabetes; el modelo de decisión compara el medicamento con la terapia estándar durante un horizonte de 30 años. El modelo de Markov rastrea los estados de la enfermedad (control de A1c, complicaciones). Resultado: CIMA 25.000 USD/AEVCT. NICE recomienda el reembolso, informando las negociaciones de precios.
- Programa de cribado: una agencia de salud pública utiliza un modelo de decisión para evaluar estrategias de cribado de cáncer de cuello uterino (prueba de Papanicolaou anual vs. cada 3 años vs. cribado basado en VPH). El modelo compara costos, años de vida salvados, AEVCT, daños (sobretratamiento). Resultado: basado en VPH cada 5 años es el más eficiente, guía la política nacional.
- Toma de decisiones compartida: paciente con cáncer de próstata en estadio temprano (bajo riesgo, asintomático): el modelo de decisión compara la vigilancia activa vs. la prostatectomía radical. El árbol incorpora la historia natural del cáncer de próstata, el riesgo de cirugía, los resultados funcionales (continencia, función eréctil), la calidad de vida. El paciente puede ver el valor esperado de cada opción adaptado a sus preferencias y tolerancia al riesgo.
- Priorización de la investigación: un modelo de control de enfermedades infecciosas compara estrategias de vacunación, tratamiento y vigilancia. El análisis de sensibilidad probabilístico identifica los parámetros con mayor incertidumbre. El análisis de valor de la información (VdI) calcula: '¿Cuánto reducirían los datos perfectos sobre X la incertidumbre de la decisión?' Guía la financiación de la investigación hacia estudios con el mayor valor.
Cómo funciona
Cómo funciona
Paso 1: Definir el problema de decisión. ¿Cuáles son las alternativas de decisión? (p. ej., cribado de cáncer colorrectal (colonoscopia) vs. prueba de sangre oculta en heces (PSOH) vs. no cribado). ¿Cuál es la población de pacientes? (p. ej., edad 50-75, riesgo promedio). ¿Cuál es el horizonte temporal? (¿Resultado a 10 años? ¿Toda la vida?). Paso 2: Mapear la estructura. Identificar todos los eventos de azar (la enfermedad progresa vs. remite, la prueba es positiva vs. negativa, ocurren eventos adversos vs. no). Identificar los resultados de interés (vivo/muerto, asintomático vs. sintomático, costo en dólares, AEVCT). Paso 3: Poblar con probabilidades. ¿De dónde provienen las probabilidades? ECA (evidencia primaria), estudios de cohortes, registros nacionales, metaanálisis. Ejemplo: Si un ECA muestra que la colonoscopia detecta cáncer colorrectal en el 90% de los casos y previene la muerte en el 95% de los casos detectados, usar P(detección) = 0.90, P(muerte prevenida | detectada) = 0.95. Para la progresión de la enfermedad (no en ningún ensayo), usar epidemiología publicada. Paso 4: Asignar resultados. Utilidades: ponderaciones de calidad de vida (escala 0-1) para cada estado de salud (salud normal = 1, diagnóstico de cáncer = 0.7, post-tratamiento = 0.8). Costos: costo del cribado (300 USD), costo del tratamiento del cáncer (50.000 USD), seguimiento continuo (500 USD/año). Paso 5: Construir el modelo. Usar árbol de decisión (horizonte corto, eventos discretos) o modelo de Markov (horizonte largo, estados recurrentes). Software: TreeAge Pro (comercial), Excel (básico), R/Python (flexible). Paso 6: Validar. Ejecutar el escenario base (atención estándar actual) y comparar los resultados con la literatura publicada (¿el modelo coincide con la epidemiología?).
Fórmula
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.
Ejemplo de árbol de decisión: cribado de cáncer colorrectal en paciente de 50 años. Raíz: nodo de decisión (cuadrado): [Cribado vs. No cribado]. Rama 1 (Cribado): Se realiza colonoscopia. Nodo de azar (círculo): [Cáncer encontrado (prevalencia 10%) vs. No encontrado (90%)]. Si se encuentra cáncer: tratamiento, resultado = AEVCT = 0.85 (caso de cáncer con tratamiento, supervivencia a largo plazo). Costo = 300 USD (colonoscopia) + 50.000 USD (tratamiento) = 50.300 USD. Si no se encuentra: atención rutinaria. Resultado = AEVCT = 1.0 (libre de cáncer). Costo = 300 USD. Valor esperado (Cribado) = 0.10 × (0.85 AEVCT, 50.300 USD) + 0.90 × (1.0 AEVCT, 300 USD) = [0.10 × 0.85 + 0.90 × 1.0] = 0.985 AEVCT, [0.10 × 50.300 + 0.90 × 300] = 5.300 USD + 270 USD = 5.570 USD de costo. Rama 2 (No cribado): Atención rutinaria, resultado = 1.0 AEVCT (asumiendo que no hay cáncer no diagnosticado; conservador). Costo = 0 USD. Valor esperado (No cribado) = 1.0 AEVCT, 0 USD de costo. CIMA (Costo Incremental Marginalmente Efectivo) (Cribado vs. No cribado) = (5.570 USD - 0 USD) / (0.985 - 1.0) = denominador negativo (¿el cribado reduce los AEVCT?). Esto sugiere que el cribado reduce los AEVCT debido al riesgo de diagnóstico erróneo/sobretratamiento. Análisis de sensibilidad: si P(prevalencia de cáncer) = 20% en lugar de 10%, recalcular. La CIMA se vuelve positiva, el cribado ahora es beneficioso. Análisis de umbral: ¿a qué prevalencia de cáncer el cribado alcanza el punto de equilibrio (igualdad de AEVCT)? Resolver: 0.985 se vuelve ≥ 1.0, encontrar el umbral de P(cáncer). Análisis de sensibilidad probabilístico: asignar distribuciones a todos los parámetros (prevalencia de cáncer, tasa de detección, eficacia del tratamiento), ejecutar 1.000 simulaciones, informar la curva de aceptabilidad.
Fórmula
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.
Decisión óptima: Elegir la intervención con el mayor beneficio neto esperado (AEVCT - costo/disposición a pagar (DAP)). Si la CIMA < umbral de disposición a pagar (DAP) (p. ej., 20.000 GBP/AEVCT), la intervención es costo-efectiva y se recomienda. Los hallazgos del análisis de sensibilidad guían la robustez. Sensibilidad univariada (variar un parámetro): el gráfico de tornado muestra qué parámetros son los más influyentes. Si la decisión cambia cuando un parámetro varía ±20%, ese parámetro es crítico para las suposiciones. Sensibilidad bivariada: covariar dos parámetros (p. ej., sensibilidad y especificidad de la prueba) para mapear el panorama de la decisión. Sensibilidad probabilística: la distribución de CIMAs plausibles revela el rango de incertidumbre. La curva de aceptabilidad responde: ¿a qué umbral de DAP es más probable que una intervención sea costo-efectiva? Si la curva muestra un 85% de probabilidad de ser costo-efectiva a 20.000 GBP/AEVCT, la decisión es robusta; si es 40%, una alta incertidumbre justifica precaución o más investigación. Análisis de subgrupos: ejecutar el modelo por separado para subgrupos de pacientes (edad, gravedad de la enfermedad, comorbilidad). Las decisiones pueden diferir: p. ej., se recomienda el cribado para pacientes de alto riesgo pero no para los de bajo riesgo. Análisis de umbral: identificar los valores de punto de equilibrio. Ejemplo: 'La intervención es costo-efectiva si la eficacia del tratamiento es ≥40%'. Esto guía qué evidencia se necesita para tomar una decisión segura.
Fórmula
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.
Errores comunes
- Sobremodelado: incluir demasiados estados/ramas, aumentando la complejidad sin mejorar la comprensión de la decisión. Comience de forma sencilla; agregue detalles si el análisis de sensibilidad muestra que importa.
- Anclaje a estimaciones únicas: usar probabilidades de estimación puntual sin rangos de incertidumbre. Siempre realice un análisis de sensibilidad; las decisiones deben ser sólidas ante variaciones razonables de los parámetros.
- Ignorar la heterogeneidad: aplicar la salida promedio del modelo a todos los pacientes, ignorando las diferencias de subgrupos. El análisis de subgrupos es esencial; algunos pacientes se benefician más/menos.
- Fallo en la validación: no comparar los resultados del modelo con datos epidemiológicos publicados. Siempre calibre el escenario base con datos externos para detectar errores del modelo.
- Malinterpretación del valor esperado: tratar el valor esperado como una garantía. El valor esperado es el resultado promedio; el paciente real puede experimentar el mejor o el peor resultado. Comuníquelo adecuadamente.
Preguntas frecuentes
¿Cuál es la diferencia entre un árbol de decisión y un modelo de Markov?
Árbol de decisión: horizonte temporal corto (p. ej., período inmediato post-tratamiento), una sola vía por brazo de decisión, cada rama tiene un punto final terminal. Se utiliza para decisiones agudas (realizar prueba o no, tratar o no) con resultados que ocurren dentro del plazo del ensayo. Modelo de Markov: horizonte temporal largo (enfermedad crónica durante años/décadas), los pacientes ciclan a través de estados de salud repetidamente, las transiciones se definen probabilísticamente. Se utiliza cuando la progresión de la enfermedad con el tiempo es relevante. A menudo se combinan: el árbol de decisión determina la elección inicial (p. ej., cribado sí/no); luego el modelo de Markov proyecta las consecuencias a largo plazo para el brazo elegido.
¿Cómo se asignan las utilidades si no hay datos directos disponibles?
Métodos: (1) Usar ponderaciones de utilidad publicadas (EQ-5D, SF-6D, tarifas HUI) para estados de salud similares. (2) Realizar una evaluación de utilidad enfocada (intercambio de tiempo, escala analógica visual, elección discreta) con una muestra de pacientes/población general. (3) Juicio de expertos: los médicos estiman, reconociendo la incertidumbre. (4) Mapeo: si el ensayo recopiló datos de calidad de vida en escalas específicas de la enfermedad, usar algoritmos de mapeo publicados para convertirlos en utilidades. Las lagunas de datos deben desencadenar un análisis de sensibilidad: variar las utilidades ±20% y ver si la decisión cambia.
¿Por qué es tan importante el análisis de sensibilidad en los modelos de decisión?
El resultado del modelo (CIMA, recomendación) depende de los parámetros de entrada (probabilidades, utilidades, costos). Los parámetros se estiman con incertidumbre. El análisis de sensibilidad prueba la robustez: si la decisión es robusta a rangos plausibles de parámetros, la confianza es alta; si la decisión cambia con pequeños cambios, la sensibilidad es alta y la decisión es frágil. La sensibilidad univariada (variar un parámetro), la bivariada y la probabilística (variar todos simultáneamente) muestran qué parámetros impulsan los resultados. Esto guía dónde la recopilación de datos adicional es más valiosa.
¿Qué es el 'análisis de umbral' y cuándo es útil?
El análisis de umbral identifica los valores de punto de equilibrio: '¿En qué valor de parámetro cambia la decisión?' Ejemplo: 'Si la eficacia del tratamiento es ≥60%, la intervención es costo-efectiva al umbral de 20.000 GBP/AEVCT; por debajo del 60%, no es costo-efectiva.' Los umbrales guían la interpretación: si la eficacia estimada es del 70% (por encima del umbral), la recomendación es robusta; si es del 58% (cerca del umbral), se necesitan más datos sobre la eficacia. Los umbrales también informan sobre los precios: una empresa puede calcular: '¿A qué precio es nuestro medicamento costo-efectivo para el pagador?' Los umbrales de costos impulsan la negociación.
¿En qué se diferencia el valor esperado de la utilidad esperada?
Valor esperado: resultado esperado de costo/AEVCT (promedio matemático). Utilidad esperada: valor ajustado por las preferencias de riesgo individuales. Ejemplo: una decisión con 50% de probabilidad de un resultado de 10 AEVCT y 50% de probabilidad de 0 (valor esperado = 5 AEVCT). Una persona neutral al riesgo valora esto por igual a 5 AEVCT garantizados. Una persona aversa al riesgo puede preferir 3 AEVCT seguros a una apuesta arriesgada; su utilidad esperada < valor esperado. La mayoría de los modelos de decisión utilizan el valor esperado (supuesto de neutralidad al riesgo); los modelos de toma de decisiones compartida pueden ajustarse a la preferencia de riesgo del paciente.
Métodos relacionados
Fuentes
Pauker, S. G., & Kassirer, J. P. (1975). Therapeutic Decision Making: A Cost-Benefit Analysis. New England Journal of Medicine, 293(5), 229-234.
Abrir referencia DOICopiado.Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.
Abrir referencia de la publicaciónCopiado.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.
Abrir referencia de la publicaciónCopiado.