Saltar al contenido
Volver a los resultados

Modelo de Cadena de Markov en Economía de la Salud

Propuesto por
Beck & Pauker (medical decision analysis, Massachusetts General Hospital)
Año
1983
Tipo
Method
Familia
decision modeling framework

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

Un modelo de Markov es una herramienta de análisis de decisiones que simula la progresión de enfermedades a través de estados de salud definidos a lo largo del tiempo, calculando costos acumulados y años de vida ajustados por calidad (QALYs) para permitir el análisis de costo-efectividad.

Desarrollados por Beck y Pauker en 1983, los modelos de Markov son ahora el marco estándar para proyectar resultados a largo plazo de intervenciones sanitarias, especialmente en enfermedades crónicas donde los pacientes transitan entre estados clínicos (respuesta al tratamiento, progresión de la enfermedad, remisión, muerte). Utilizados por organismos de evaluación de tecnologías sanitarias y compañías farmacéuticas para predecir el valor de la intervención más allá de la duración del ensayo.

La intuición detrás del método

Los ensayos aleatorizados suelen seguir a los pacientes durante 2 a 5 años. Pero la política sanitaria necesita saber: ¿Este fármaco ahorrará dinero y mejorará la salud en un horizonte de 10 años o de por vida? Los modelos de Markov extrapolan los resultados de los ensayos. La idea central: los pacientes ocupan estados de salud distintos (categorías de recuento de CD4 del VIH, estadios de la enfermedad del cáncer, clases NYHA de cardiopatías) y transitan entre estados con probabilidades definidas cada año. Una cohorte comienza en un estado; cada año, algunos progresan a una enfermedad peor, algunos mejoran, algunos mueren. Se rastrean los costos y la salud (QALYs) en cada estado; se suman durante 10 a 30 años. Resultado: costo total y QALYs, lo que permite el cálculo de costo-efectividad. Markov es elegante porque maneja vías heterogéneas a través de la enfermedad (algunos pacientes se recuperan, otros progresan, otros recaen) y horizontes temporales largos de una manera computacionalmente tratable.

Historia

Beck y Pauker (1983) introdujeron los modelos de Markov en el análisis de decisiones médicas en su artículo fundamental sobre el pronóstico del VIH, mostrando cómo los modelos de transición de estados podían proyectar resultados a largo plazo. Sonnenberg y Beck (1993) proporcionaron una guía práctica para construir y validar modelos de Markov. Para la década de 2000, los modelos de Markov se convirtieron en estándar en las presentaciones de HTA; herramientas como TreeAge Pro (comercial) y Microsoft Excel (accesible) permitieron una adopción generalizada. Las críticas en la década de 2010 se centraron en las limitaciones (suposición de ausencia de memoria, dificultad de calibración), lo que impulsó el desarrollo de la simulación de eventos discretos (seguimiento a nivel individual) y enfoques de aprendizaje automático para la estimación de parámetros. Hoy en día, los modelos de Markov siguen siendo dominantes en HTA; a menudo son el enfoque inicial, y la microsimulación se utiliza para casos complejos.

Cuándo usarlo

Cuando una intervención sanitaria afecta la progresión de la enfermedad durante años o décadas y los datos del ensayo no cubren el horizonte temporal completo. Los modelos de Markov son estándar para: manejo de enfermedades crónicas (diabetes, hipertensión, VIH, cáncer); prevención a largo plazo (estatinas, vacunas); dispositivos con dudas sobre durabilidad (implantes, dispositivos cardíacos); cualquier intervención que requiera extrapolación más allá de la duración del ensayo. Obligatorio en la mayoría de las presentaciones de HTA (NICE, CADTH, HAS). No es necesario para: intervenciones agudas (cirugía única) con ventana de resultados corta; enfermedades raras con pocos pacientes (datos escasos); situaciones donde los ensayos ya cubren toda la vida (poco común).

Limitaciones y consideraciones

  • Suposición de ausencia de memoria de Markov: las transiciones futuras dependen solo del estado actual, no del historial de la enfermedad. Esto se viola si, por ejemplo, el pronóstico de un paciente depende del tiempo pasado en el estado anterior (p. ej., la duración de la remisión predice el riesgo de recaída). Alternativa: 'estados túnel' (p. ej., remisión de 1 año, remisión >1 año) para aproximar la dependencia del historial, pero aumenta la complejidad.
  • La definición de estado requiere juicio clínico: Si los estados son demasiado amplios (p. ej., 'enfermedad leve' vs. 'enfermedad grave'), las transiciones son heterogéneas e imprecisas. Demasiados estados (p. ej., CD4 en incrementos de 50 células) inflan la complejidad del modelo sin ganancia de precisión.
  • Las probabilidades de transición a menudo son inciertas o prestadas: Si el ensayo solo siguió durante 5 años pero el modelo se ejecuta durante 20, las probabilidades de transición posteriores se extrapolan o se asumen constantes (no basadas en evidencia). Pequeños cambios en las transiciones se acumulan con el tiempo (incertidumbre de parámetros).
  • No captura la variabilidad individual: Markov es un modelo de cohorte (vías promedio); la simulación de eventos discretos (alternativa) rastrea trayectorias individuales de pacientes pero es más compleja.
  • La elección de la longitud del ciclo es arbitraria: Los ciclos anuales son estándar, pero la progresión de la enfermedad puede ser más rápida (se necesitan ciclos trimestrales o mensuales) o más lenta (se aceptan ciclos de 5 años). Ciclos más cortos aumentan la precisión pero también el cálculo y la incertidumbre.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Integra la historia natural de la enfermedad con los efectos de la intervención: puede modelar cómo los fármacos alteran las tasas de progresión, permitiendo estimaciones realistas de costo-efectividad a largo plazo más allá de la duración del ensayo.
  • Explícito y transparente: los estados, las probabilidades de transición, los costos y las utilidades son visibles y auditables; los revisores pueden criticar las suposiciones.
  • Flexible: puede acomodar vías de enfermedad complejas (remisión, recaída, cambio de tratamiento), múltiples intervenciones, heterogeneidad de pacientes (análisis de subgrupos).
  • Eficiente computacionalmente: los modelos de Markov se ejecutan en segundos en hardware moderno; permite análisis rápidos de sensibilidad y escenarios, a diferencia de la microsimulación.

Aplicaciones

  • Pautas de tratamiento del VIH: El modelo de Markov proyecta QALYs y costos a 20 años para la iniciación guiada por CD4 frente a la terapia inmediata o diferentes regímenes; guía cuándo comenzar el tratamiento y qué fármacos usar.
  • Cribado de cáncer: El modelo de Markov simula la progresión de la enfermedad de normal → precáncer → cáncer → metástasis → muerte; calcula la costo-efectividad de diferentes intervalos de cribado (mamografía anual vs. trianual).
  • Fármacos cardiovasculares: La terapia con estatinas reduce los eventos cardiovasculares; el modelo de Markov proyecta la reducción del riesgo a 10 años en diferentes subgrupos de pacientes (edad, colesterol basal, comorbilidad); informa el umbral de tratamiento.
  • Economía de dispositivos: El modelo de reemplazo de articulaciones artificiales simula la transición de articulación sana → progresión de osteoartritis → reemplazos múltiples a lo largo de la vida; calcula la costo-efectividad a largo plazo frente al manejo conservador.
  • Política de vacunación: El modelo de vacuna contra la Hepatitis B rastrea una cohorte desde el nacimiento hasta la edad adulta; calcula las infecciones prevenidas, las complicaciones evitadas, los QALYs de por vida; informa si incluirla en el calendario infantil o como recuperación en adolescentes.

Cómo funciona

Cómo funciona

1

Paso 1: Definir los estados de salud. Ejemplo para el VIH: CD4 <50 (SIDA), CD4 50–200 (inmunosupresión severa), CD4 200–500 (moderada), CD4 >500 (leve), carga viral indetectable (tratada), muerta. Estos deben ser clínicamente y económicamente significativos (diferentes opciones de tratamiento, costos o pronóstico por estado). Paso 2: Especificar las transiciones. Cada año (ciclo), los pacientes pueden: permanecer en el estado actual, moverse a una mejor salud (p. ej., recuperación de CD4 con terapia), moverse a una peor salud (progresión de la enfermedad) o morir. Probabilidades de transición = probabilidad observada o modelada de cada transición, derivada de: (a) datos de seguimiento de ECA: si el ensayo muestra que el 10% de los pacientes con CD4 <50 mueren por año, P(CD4<50 → muerta) = 0.10; (b) literatura (cohortes publicadas); (c) experiencia clínica y calibración. Paso 3: Asignar utilidades específicas del estado (ponderaciones de calidad de vida, escala de 0 a 1 donde 1 = salud perfecta). CD4 <50 puede tener una utilidad de 0.6 (síntomas relacionados con el SIDA, incertidumbre); CD4 >500 en terapia puede tener una utilidad de 0.95 (salud casi normal). Paso 4: Asignar costos específicos del estado por ciclo: costos de medicación, monitoreo (laboratorio, visitas clínicas), hospitalización/complicaciones si aplica. Paso 5: Construir el modelo en software (hoja de cálculo de Excel, TreeAge Pro, R, Python) que represente los estados y la matriz de transición. Paso 6: Verificar contra datos publicados: ejecutar el escenario base (atención estándar) y comparar los resultados a 10 años con datos de cohortes publicadas (calibración); ajustar si es necesario.

Fórmula
Define health states relevant to disease (e.g., disease-free, localized disease, metastatic disease, dead). Specify transition probabilities between states per time cycle (annual, monthly). Assign costs and quality-of-life weights (utilities) to each state. Populate model with baseline parameters from clinical trials, epidemiological data, literature.
2

Cálculo de la traza de Markov: Simular una cohorte de 1.000 pacientes al inicio (p. ej., todos en CD4 200–500). En el Año 1, aplicar las probabilidades de transición: si P(CD4 200–500 → CD4 >500) = 0.30, P(CD4 200–500 → CD4 50–200) = 0.15, P(CD4 200–500 → muerta) = 0.05, entonces: distribución del Año 1: 500 permanecen en CD4 200–500, 300 pasan a CD4 >500, 150 pasan a CD4 50–200, 50 mueren. En el Año 2, aplicar las probabilidades de transición a la distribución del Año 1; repetir para cada año hasta que todos mueran o se alcance el horizonte temporal. Para cada ciclo, calcular costos y QALYs: costo Año t = Σ(cohorte en estado s) × (costo por estado s); QALYs Año t = Σ(cohorte en estado s) × (utilidad del estado s). Descontar costos/QALYs futuros al 3% anual: VA = valor en Año t / (1.03)^t. Costo/QALY total = suma de valores anuales descontados. Ejemplo: costo Año 1 = 500×$2,000 (costo CD4 200–500) + 300×$1,500 (costo CD4 >500) + 150×$5,000 (costo CD4 50–200) + 0 (muerta) = $2.05M. Descontar al presente: VA Año 1 = $2.05M / 1.03 = $1.99M. Después de 10 años: costo PV acumulado (intervención) = $15M, QALYs PV acumulados (intervención) = 6.5 QALYs. Comparador (terapia estándar) produce 5.0 QALYs, costo $12M. ICER = ($15M − $12M) / (6.5 − 5.0) = $3M / 1.5 = $2M por QALY.

Fórmula
Simulate cohort through Markov states over time cycles (discrete time steps). At each cycle, apply transition probabilities; cohort redistributes across states. Accumulate costs and QALYs per cycle, discounted. Total cost and QALY = sum across all cycles until all cohort members dead or time horizon reached.
3

El ICER del modelo de Markov guía el reembolso: si el umbral de NICE es £20,000/QALY (aproximadamente $25,000 USD) y el ICER = $2M por QALY, este fármaco claramente no es costo-efectivo. Si el ICER = $18,000/QALY, es aceptable. El análisis de sensibilidad es crítico: (1) Determinista: variar un parámetro a la vez (p. ej., tasa de mortalidad ±20%, probabilidades de transición ±10%) y recalcular el ICER; el gráfico de tornado muestra qué parámetros influyen más en el resultado. (2) Probabilístico: asignar distribuciones de probabilidad a todos los parámetros inciertos; ejecutar 1,000–10,000 simulaciones con extracciones aleatorias de las distribuciones; producir una nube de posibles ICERs y una curva de aceptabilidad (probabilidad de que la intervención sea costo-efectiva en diferentes umbrales de disposición a pagar). Si la curva de aceptabilidad muestra una probabilidad del 80% de ser costo-efectiva a £20,000/QALY, el ICER es robusto; si es 40%, una alta incertidumbre justifica cautela. Análisis de subgrupos: ejecutar modelos separados para pacientes más jóvenes vs. mayores, no tratados previamente vs. experimentados, línea de base de CD4 alta vs. baja; identificar grupos donde la intervención es más/menos costo-efectiva. Los resultados informan recomendaciones condicionales: 'Financiar este fármaco para pacientes no tratados previamente (ICER $15K), pero no para pacientes experimentados (ICER $40K).'

Fórmula
Compare total cost and QALYs for intervention vs comparator. Calculate ICER = (Cost_intervention − Cost_comparator) / (QALY_intervention − QALY_comparator). Conduct sensitivity analysis: vary transition probabilities, costs, utilities, time horizon, discount rate to assess robustness. Subgroup analysis to identify differential cost-effectiveness by patient characteristics. Report acceptability curve to show probability cost-effective at range of WTP thresholds.

Errores comunes

  • Asumir probabilidades de transición constantes a lo largo del tiempo: Si los pacientes al principio de la enfermedad progresan de manera diferente que después de 10 años, las probabilidades constantes son incorrectas. Use probabilidades de transición dependientes del tiempo si la evidencia lo respalda (requiere complejidad del modelo).
  • Olvidar los estados túnel para capturar el historial: Si el pronóstico de un paciente depende de cuánto tiempo ha estado en el estado actual (p. ej., la 'trayectoria' de recuperación de CD4), ignórelo y las transiciones estarán sesgadas. Los estados túnel (recuperación de CD4 <1 año vs. ≥1 año) son una solución.
  • Sobreparametrización: Incluir demasiados estados y transiciones infla el modelo; la incertidumbre de los parámetros explota. Se prefieren modelos parsimoniosos (mínimo de estados necesarios); agregue complejidad solo si está clínicamente justificada.
  • Ignorar la calibración: Los resultados derivados del modelo deben coincidir con los datos publicados para la misma población bajo el mismo tratamiento. Si la supervivencia a 10 años predicha por Markov es del 60% pero una cohorte publicada muestra un 50%, el modelo está mal calibrado y los resultados no son fiables. Siempre calibre el escenario base.
  • Asumir que las transiciones derivadas de ensayos se aplican a pacientes del mundo real: Los ECA a menudo inscriben pacientes más jóvenes, más sanos y más adherentes que en el mundo real. Las probabilidades de transición de los ECA pueden no generalizarse; la validación externa contra cohortes del mundo real es importante.

Preguntas frecuentes

¿Cuál es la diferencia entre un modelo de Markov y un árbol de decisión?

Los árboles de decisión se ramifican en puntos de decisión (p. ej., tratar o no tratar) y muestran resultados inmediatos (puntos finales del ensayo). Los modelos de Markov simulan la progresión a través de estados durante muchos ciclos, capturando la historia natural de la enfermedad a lo largo de los años. Los árboles de decisión manejan decisiones a corto plazo y únicas; los modelos de Markov manejan enfermedades crónicas con transiciones continuas. A menudo se combinan: el árbol de decisión determina la asignación inicial/de tratamiento; luego el modelo de Markov la progresión posterior.

¿Cómo se calibran las probabilidades de transición si los datos del ensayo son incompletos?

Métodos: (1) Literatura publicada: buscar estudios de cohortes que informen tasas de transición para la misma población de pacientes, mismos estados de enfermedad. (2) Metanálisis: si hay múltiples estudios pequeños disponibles, agrupar datos para estimar la probabilidad de transición. (3) Opinión de expertos: convocar a clínicos para estimar transiciones si no hay datos (menos riguroso). (4) Calibración: ejecutar el modelo con transiciones estimadas; comparar los resultados a 5 años con datos de ensayos publicados; ajustar las transiciones hasta que el modelo coincida con el ensayo (ingeniería inversa). El análisis de sensibilidad debe reflejar la incertidumbre en las transiciones.

¿Deben los modelos de Markov incluir todos los estados de salud clínicamente relevantes?

No, incluya solo los estados que afecten materialmente el costo o los resultados. Ejemplo: distinguir CD4 100–150 de CD4 50–100 es clínicamente importante (diferente toxicidad del tratamiento, riesgo de mortalidad), por lo que inclúyalos. Distinguir CD4 501–520 de CD4 521–540 probablemente sea inmaterial; combínelos en CD4 >500. Regla general: si un cambio de estado alteraría el manejo clínico o el costo en >10%, inclúyalo.

¿Cómo se relacionan la longitud del ciclo y el descuento?

La longitud del ciclo (anual, trimestral, mensual) determina con qué frecuencia ocurren las transiciones y cuándo se acumulan los costos/QALYs. Ciclos más cortos (mensuales) aumentan la precisión pero el tiempo de cómputo. El descuento se aplica a los costos/QALYs de cada ciclo: descuento anual del 3% significa valor del Año 2 × 1/1.03, Año 3 × 1/1.03², etc. Si se usan ciclos trimestrales, ajuste la tasa de descuento: trimestral = 3%^(1/4) ≈ 0.74% por trimestre. Estándar: ciclos anuales con descuento anual del 3%.

¿Qué es un 'estado túnel' y cuándo se necesita?

Un estado túnel captura cuánto tiempo ha estado un paciente en un estado actual, violando la suposición de ausencia de memoria. Ejemplo: CD4 'recuperado recientemente' (en terapia antirretroviral <1 año) tiene un mayor riesgo de síndrome inflamatorio de reconstitución inmune (IRIS) que CD4 'estable' (en terapia >1 año). Cree dos estados: CD4 >500 (riesgo IRIS) y CD4 >500 (estable); transite entre ellos después de 1 año. Los estados túnel aumentan la complejidad del modelo pero mejoran la precisión cuando el historial es importante.

¿Cómo se incorpora el cumplimiento/la adherencia en los modelos de Markov?

Opción 1: Usar datos de ensayos del mundo real del análisis ITT (intención de tratar) que incorpore la adherencia real. Opción 2: Crear estados separados (adherente vs. no adherente) y modelar transiciones (fallos de adherencia, reincorporación). Opción 3: Reducir la eficacia en el modelo para reflejar la adherencia a nivel de población (p. ej., si el ensayo mostró un 80% de adherencia y la eficacia asumida es el 70% de la eficacia del ensayo). El análisis de sensibilidad debe explorar el impacto de las suposiciones de adherencia.

Métodos relacionados

Fuentes

  1. Beck, J. R., & Pauker, S. G. (1983). The Markov Process in Medical Prognosis. Medical Decision Making, 3(4), 419-458.

    Abrir referencia DOI
    Copiado.
  2. Sonnenberg, F. A., & Beck, J. R. (1993). Markov Models in Medical Decision Making: A Practical Guide. Medical Decision Making, 13(4), 322-338.

    Abrir referencia DOI
    Copiado.
  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.

    Abrir referencia de la publicación
    Copiado.