Skip to content
بازگشت به نتایج جست‌وجو

مدل‌سازی تحلیلی تصمیم در اقتصاد سلامت

معرفی‌شده توسط
Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
سال
1975
نوع
Method
خانواده
health economic evaluation framework

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

مدل‌سازی تحلیلی تصمیم یک چارچوب نظام‌مند برای مقایسه مداخلات بهداشتی با ادغام شواهد مربوط به احتمالات، پیامدها، هزینه‌ها و ترجیحات بیمار در یک مدل کمی است. تحلیل تصمیم که در سال ۱۹۷۵ توسط پاوکر و کاسیرر توسعه یافت، عدم قطعیت بالینی و بده‌بستان‌های اقتصادی را ساختاربندی می‌کند و امکان مقایسه شفاف گزینه‌های درمانی و شناسایی راهبردهای بهینه را فراهم می‌آورد. این روش در ارزیابی فناوری سلامت، تدوین دستورالعمل‌های بالینی و تصمیم‌گیری‌های تخصیص منابع به کار می‌رود.

شهود پشت روش

یک پزشک با تصمیمی روبرو است: آیا باید برای یک فرد ۶۵ ساله مبتلا به فشار خون بالای تازه تشخیص داده شده، درمان ضد فشار خون آغاز شود یا تحت نظر (انتظار فعال) باشد؟ درمان، خطر قلبی عروقی را کاهش می‌دهد اما عوارض جانبی و هزینه‌هایی دارد. هیچ کارآزمایی واحدی مستقیماً به این سؤال برای این بیمار پاسخ نمی‌دهد، زیرا پیامدها به پروفایل خطر فردی، اثربخشی دارو در زیرگروه وی و ترجیحات او بستگی دارد. تحلیل تصمیم، بده‌بستان را کمی‌سازی می‌کند: احتمال اینکه این بیمار سود ببرد چقدر است؟ با چه هزینه‌ای؟ کیفیت زندگی در حین درمان در مقابل عدم درمان چگونه است؟ با ادغام تمام شواهد موجود (کارآزمایی‌های تصادفی کنترل‌شده، اپیدمیولوژی، داده‌های هزینه) در یک مدل، تحلیل تصمیم، ارزش مورد انتظار هر گزینه را محاسبه می‌کند. ارزش مورد انتظار = مجموع (احتمال پیامد × ارزش پیامد). درمانی که احتمال ۸۰٪ برای پیشگیری از سکته مغزی (ارزش ۲ QALY) و احتمال ۲۰٪ برای ایجاد عوارض جانبی (ارزش ۰.۵- QALY) دارد، ارزش مورد انتظار برابر است با ۰.۸×۲ + ۰.۲×(۰.۵-) = ۱.۵ QALY. اگر گزینه جایگزین (انتظار فعال) ارزش مورد انتظار ۱.۰ QALY داشته باشد، درمان بر اساس معیار ارزش مورد انتظار ارجح است. تحلیل تصمیم، استدلال صریح را اجباری می‌کند و امکان مقایسه نظام‌مند را فراهم می‌آورد.

تاریخ

پاوکر و کاسیرر (۱۹۷۵، ۱۹۷۶) تحلیل تصمیم را در پزشکی پیشگام کردند و نظریه ارزش مورد انتظار (فون نویمان و مورگنسترن) را برای تصمیم‌گیری بالینی به کار بردند. کاربردهای اولیه: زمان درمان شرایط بدون علامت، زمان انجام تست‌های تشخیصی. واینستین و فاینبرگ (۱۹۸۰) کتاب درسی تأثیرگذار خود را منتشر کردند. تا دهه ۱۹۹۰، تحلیل تصمیم در اپیدمیولوژی بالینی و تحقیقات خدمات بهداشتی تثبیت شد. بریگز، کلاستون و اسکلفر (دهه ۲۰۰۰) تحلیل تصمیم را به ارزیابی اقتصادی (ادغام هزینه‌ها، QALYs، CEA/CBA) گسترش دادند. درخت‌های تصمیم در دهه ۱۹۹۰ جای خود را به مدل‌های مارکوف برای بیماری‌های مزمن دادند. تحلیل حساسیت احتمالی (شبیه‌سازی مونت کارلو) تا دهه ۲۰۰۰ استاندارد شد و امکان کمی‌سازی عدم قطعیت را فراهم آورد. امروزه، مدل‌سازی تصمیم در ارائه‌های HTA و تدوین دستورالعمل‌ها معمول است؛ ابزارها (TreeAge، بسته‌های R) دسترسی را فراتر از آمارشناسان دموکراتیزه کرده‌اند.

چه زمانی استفاده شود

هنگامی که مداخلات بهداشتی مقایسه می‌شوند و تصمیم‌گیرندگان نیاز به ادغام نظام‌مند شواهد دارند. تحلیل تصمیم برای موارد زیر استاندارد است: (۱) تدوین دستورالعمل‌های بالینی (مقایسه راهبردهای درمانی). (۲) ارزیابی فناوری سلامت (تصمیمات بازپرداخت). (۳) تخصیص منابع (اولویت‌بندی مداخلات). (۴) اولویت‌بندی تحقیقات (شناسایی اینکه داده‌های بیشتر چگونه می‌توانند اطمینان تصمیم را بهبود بخشند). (۵) مشاوره بیمار (ابزارهای تصمیم‌گیری مشترک). زمانی استفاده می‌شود که: گزینه‌های متعددی وجود داشته باشد، پیامدها نامشخص باشند، ترجیحات و هزینه‌ها مهم باشند و چارچوب شفاف ارزشمند باشد. زمانی لازم نیست: مقایسه‌های بالینی سرراست با برنده واضح (مثلاً دو دارو با اثربخشی یکسان، یکی بسیار ارزان‌تر - تصمیم بدیهی)؛ پیامدهای نادر که مدل‌سازی ارزش کمی می‌افزاید.

محدودیت‌ها و ملاحظات

  • عدم قطعیت پارامتر: مدل تنها به اندازه احتمالات و مطلوبیت‌های ورودی خوب است؛ اگر داده‌ها پراکنده یا مغرضانه باشند، خروجی مدل غیرقابل اعتماد است.
  • فرض می‌کند تصمیم‌گیری عقلانی است: رویکرد ارزش مورد انتظار فرض می‌کند که تصمیم‌گیرندگان ریسک‌گریز نیستند؛ ترجیحات واقعی اغلب غیرخطی هستند (نفرت از زیان، سوگیری امید).
  • واقعیت را ساده‌سازی می‌کند: مدل لزوماً پیچیدگی بیماری را انتزاع می‌کند؛ عوامل بالینی مهم ممکن است حذف یا میانگین‌گیری شوند و ظرافت‌های خاص بیمار از دست برود.
  • نیاز به داده‌های قابل توجه دارد: ساخت مدل دقیق نیازمند داده‌هایی در مورد احتمالات (کارآزمایی‌ها، ثبات‌ها)، مطلوبیت‌ها (نظرسنجی ترجیحات) و هزینه‌ها (سوابق حسابداری) است؛ داده‌ها اغلب ناقص هستند.
  • GIGO (Garbage In, Garbage Out): اگر مفروضات ورودی اشتباه یا بحث‌برانگیز باشند، خروجی علی‌رغم دقت ریاضی گمراه‌کننده است.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • شواهد را به طور شفاف ادغام می‌کند: احتمالات، پیامدها، هزینه‌ها و مطلوبیت‌ها به صراحت بیان شده و به هم مرتبط می‌شوند، که امکان نقد و به‌روزرسانی توسط ذینفعان با تکامل شواهد را فراهم می‌آورد.
  • عدم قطعیت را به طور نظام‌مند مدیریت می‌کند: تحلیل حساسیت و احتمالی، تأثیر عدم قطعیت بر تصمیمات را کمی‌سازی می‌کند و هدایت می‌کند که تحقیقات بیشتر در کجا بیشترین ارزش را دارد.
  • ارتباط را تسهیل می‌کند: درخت تصمیم ساختار مسئله را بصری می‌کند؛ ذینفعان (پزشکان، بیماران، پرداخت‌کنندگان) بده‌بستان‌ها و ارزش‌های قضاوت شده را درک می‌کنند.
  • انعطاف‌پذیر است: انواع مختلف شواهد (کارآزمایی‌های تصادفی کنترل‌شده، مشاهده‌ای، نظر خبره) را در خود جای می‌دهد و با ظهور داده‌های جدید قابل به‌روزرسانی است.

کاربردها

  • تدوین دستورالعمل بالینی: دستورالعمل قلب و عروق برای درمان سندرم حاد کرونری: مدل تصمیم، PCI (آنژیوپلاستی عروق کرونر) در مقابل مدیریت دارویی در مقابل بای‌پس اورژانسی را مقایسه می‌کند. مدل، اثربخشی کارآزمایی تصادفی کنترل‌شده، عوارض رویه‌ای، زمان بهبودی، کیفیت زندگی را ادغام می‌کند؛ خروجی‌ها PCI را برای پروفایل‌های خاص بیمار (مثلاً سن <۷۰، مدت زمان علائم <۱۲ ساعت) توصیه می‌کنند.
  • ارائه HTA: یک شرکت داروسازی داروی جدید دیابت را ارائه می‌دهد؛ مدل تصمیم، دارو را در مقابل درمان استاندارد در افق ۳۰ ساله مقایسه می‌کند. مدل مارکوف وضعیت‌های بیماری (کنترل A1c، عوارض) را ردیابی می‌کند. خروجی: ICER ۲۵۰۰۰ پوند در هر QALY. NICE بازپرداخت را توصیه می‌کند و مذاکرات قیمت‌گذاری را اطلاع‌رسانی می‌کند.
  • برنامه غربالگری: یک آژانس بهداشت عمومی از مدل تصمیم برای ارزیابی راهبردهای غربالگری سرطان دهانه رحم (پاپ اسمیر سالانه در مقابل هر ۳ سال یکبار در مقابل غربالگری مبتنی بر HPV) استفاده می‌کند. مدل، هزینه‌ها، سال‌های عمر نجات یافته، QALYs و آسیب‌ها (درمان بیش از حد) را مقایسه می‌کند. خروجی: مبتنی بر HPV هر ۵ سال یکبار کارآمدترین است و سیاست ملی را هدایت می‌کند.
  • تصمیم‌گیری مشترک: بیمار مبتلا به سرطان پروستات در مراحل اولیه (کم‌خطر، بدون علامت): مدل تصمیم، نظارت فعال در مقابل پروستاتکتومی رادیکال را مقایسه می‌کند. درخت، تاریخچه طبیعی سرطان پروستات، خطر جراحی، پیامدهای عملکردی (کنترل ادرار، اختلال نعوظ) و کیفیت زندگی را در بر می‌گیرد. بیمار می‌تواند ارزش مورد انتظار هر گزینه را متناسب با ترجیحات و تحمل ریسک خود ببیند.
  • اولویت‌بندی تحقیقات: مدلی از کنترل بیماری‌های عفونی، راهبردهای واکسیناسیون، درمان و نظارت را مقایسه می‌کند. تحلیل حساسیت احتمالی، پارامترهایی را با بیشترین عدم قطعیت شناسایی می‌کند. ارزش اطلاعات (VOI) محاسبه می‌کند: 'داده‌های کامل در مورد X چقدر عدم قطعیت تصمیم را کاهش می‌دهد؟' بودجه تحقیقات را به مطالعاتی با بالاترین ارزش هدایت می‌کند.

چگونه کار می‌کند

چگونه کار می‌کند

1

گام ۱: تعریف مسئله تصمیم. گزینه‌های تصمیم کدامند؟ (مثلاً غربالگری سرطان روده بزرگ (کولونوسکوپی) در مقابل FOBT (آزمایش خون مخفی در مدفوع) در مقابل عدم غربالگری). جمعیت بیمار کدامند؟ (مثلاً سن ۵۰ تا ۷۵ سال، خطر متوسط). افق زمانی چیست؟ (پیامد ۱۰ ساله؟ طول عمر؟). گام ۲: ترسیم ساختار. شناسایی تمام رویدادهای احتمالی (پیشرفت یا پسرفت بیماری، مثبت یا منفی بودن تست، وقوع یا عدم وقوع عوارض جانبی). شناسایی پیامدهای مورد علاقه (زنده/مرده، بدون علامت در مقابل علامت‌دار، هزینه به دلار، QALY). گام ۳: پر کردن با احتمالات. احتمالات از کجا می‌آیند؟ کارآزمایی‌های تصادفی کنترل‌شده (شواهد اولیه)، مطالعات کوهورت، ثبات ملی، متاآنالیزها. مثال: اگر کارآزمایی تصادفی کنترل‌شده نشان دهد که کولونوسکوپی سرطان روده بزرگ را در ۹۰٪ موارد تشخیص می‌دهد و از مرگ در ۹۵٪ موارد تشخیص داده شده جلوگیری می‌کند، از P(تشخیص) = ۰.۹۰، P(مرگ پیشگیری شده | تشخیص داده شده) = ۰.۹۵ استفاده کنید. برای پیشرفت بیماری (که در هیچ کارآزمایی نیامده است)، از اپیدمیولوژی منتشر شده استفاده کنید. گام ۴: تخصیص پیامدها. مطلوبیت‌ها: وزن‌های کیفیت زندگی (مقیاس ۰ تا ۱) برای هر وضعیت سلامتی (سلامت طبیعی = ۱، تشخیص سرطان = ۰.۷، پس از درمان = ۰.۸). هزینه‌ها: هزینه غربالگری (۳۰۰ دلار)، هزینه درمان سرطان (۵۰۰۰۰ دلار)، نظارت مداوم (۵۰۰ دلار در سال). گام ۵: ساخت مدل. استفاده از درخت تصمیم (افق زمانی کوتاه، رویدادهای گسسته) یا مارکوف (افق زمانی طولانی، وضعیت‌های تکرارشونده). نرم‌افزار: TreeAge Pro (تجاری)، Excel (پایه)، R/Python (انعطاف‌پذیر). گام ۶: اعتبارسنجی. اجرای سناریوی پایه (مراقبت استاندارد فعلی) و مقایسه خروجی‌ها با ادبیات منتشر شده (آیا مدل با اپیدمیولوژی مطابقت دارد؟).

فرمول
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

مثال درخت تصمیم: غربالگری سرطان روده بزرگ در فرد ۵۰ ساله. ریشه: گره تصمیم (مربع): [غربالگری در مقابل عدم غربالگری]. شاخه ۱ (غربالگری): انجام کولونوسکوپی. گره احتمال (دایره): [سرطان یافت شد (شیوع ۱۰٪) در مقابل یافت نشد (۹۰٪)]. اگر سرطان یافت شد: درمان، پیامد = QALY = ۰.۸۵ (مورد سرطان با درمان، بقای طولانی‌مدت). هزینه = ۳۰۰ دلار (کولونوسکوپی) + ۵۰۰۰۰ دلار (درمان) = ۵۰۳۰۰ دلار. اگر یافت نشد: مراقبت معمول. پیامد = QALY = ۱.۰ (بدون سرطان). هزینه = ۳۰۰ دلار. ارزش مورد انتظار (غربالگری) = ۰.۱۰ × (۰.۸۵ QALY، ۵۰۳۰۰ دلار) + ۰.۹۰ × (۱.۰ QALY، ۳۰۰ دلار) = [۰.۱۰×۰.۸۵ + ۰.۹۰×۱.۰] = ۰.۹۸۵ QALY، [۰.۱۰×۵۰۳۰۰ + ۰.۹۰×۳۰۰] = ۵۳۰۰ دلار + ۲۷۰ دلار = ۵۵۷۰ دلار هزینه. شاخه ۲ (عدم غربالگری): مراقبت معمول، پیامد = ۱.۰ QALY (با فرض عدم وجود سرطان تشخیص داده نشده؛ محافظه‌کارانه). هزینه = ۰ دلار. ارزش مورد انتظار (عدم غربالگری) = ۱.۰ QALY، ۰ دلار هزینه. ICER (غربالگری در مقابل عدم غربالگری) = (۵۵۷۰ دلار - ۰ دلار) / (۰.۹۸۵ - ۱.۰) = مخرج منفی (آیا غربالگری QALY کمتری می‌دهد؟). این نشان می‌دهد که غربالگری به دلیل خطر تشخیص نادرست/درمان بیش از حد، QALY را کاهش می‌دهد. تحلیل حساسیت: اگر P(شیوع سرطان) = ۲۰٪ به جای ۱۰٪ باشد، مجدداً محاسبه کنید. ICER مثبت می‌شود، غربالگری اکنون مفید است. تحلیل آستانه: در چه شیوع سرطانی غربالگری نقطه سر به سر (QALY برابر) را می‌زند؟ حل کنید: ۰.۹۸۵ ≥ ۱.۰، آستانه P(سرطان) را بیابید. تحلیل حساسیت احتمالی: به تمام پارامترها (شیوع سرطان، نرخ تشخیص، اثربخشی درمان) توزیع اختصاص دهید، ۱۰۰۰ شبیه‌سازی اجرا کنید، منحنی پذیرش را گزارش دهید.

فرمول
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

تصمیم بهینه: مداخله با بالاترین منفعت خالص مورد انتظار (QALY - هزینه/WTP) را انتخاب کنید. اگر ICER < آستانه تمایل به پرداخت (WTP) (مثلاً ۲۰۰۰۰ پوند در هر QALY)، مداخله مقرون به صرفه است و توصیه می‌شود. یافته‌های تحلیل حساسیت، استحکام را هدایت می‌کنند. تحلیل حساسیت یک‌طرفه (تغییر یک پارامتر): نمودار گردباد نشان می‌دهد کدام پارامترها بیشترین تأثیر را دارند. اگر تصمیم با تغییر یک پارامتر به میزان ±۲۰٪ تغییر کند، آن پارامتر برای مفروضات حیاتی است. تحلیل حساسیت دو طرفه: دو پارامتر را همزمان تغییر دهید (مثلاً حساسیت و ویژگی تست) تا چشم‌انداز تصمیم ترسیم شود. حساسیت احتمالی: توزیع ICERهای محتمل، دامنه عدم قطعیت را آشکار می‌کند. منحنی پذیرش پاسخ می‌دهد: در چه آستانه WTP مداخله به احتمال زیاد مقرون به صرفه است؟ اگر منحنی ۸۵٪ احتمال مقرون به صرفه بودن در ۲۰۰۰۰ پوند در هر QALY را نشان دهد، تصمیم مستحکم است؛ اگر ۴۰٪ باشد، عدم قطعیت بالا مستلزم احتیاط یا تحقیقات بیشتر است. تحلیل زیرگروه: مدل را به طور جداگانه برای زیرگروه‌های بیمار (سن، شدت بیماری، بیماری همراه) اجرا کنید. تصمیمات ممکن است متفاوت باشند: مثلاً غربالگری برای بیماران پرخطر توصیه می‌شود اما برای کم‌خطر نه. تحلیل آستانه: مقادیر نقطه سر به سر را شناسایی کنید. مثال: 'مداخله در صورتی مقرون به صرفه است که اثربخشی درمان ≥۴۰٪ باشد.' این، شواهد مورد نیاز برای اتخاذ تصمیمی مطمئن را هدایت می‌کند.

فرمول
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.

دام‌های رایج

  • مدل‌سازی بیش از حد: گنجاندن بیش از حد وضعیت‌ها/شاخه‌ها، افزایش پیچیدگی بدون بهبود بینش تصمیم. با ساده شروع کنید؛ جزئیات را در صورتی اضافه کنید که تحلیل حساسیت نشان دهد که مهم است.
  • لنگر انداختن به تخمین‌های منفرد: استفاده از احتمالات تخمین نقطه‌ای بدون دامنه‌های عدم قطعیت. همیشه تحلیل حساسیت را انجام دهید؛ تصمیمات باید نسبت به تغییرات معقول پارامترها مستحکم باشند.
  • نادیده گرفتن ناهمگونی: اعمال خروجی میانگین مدل به همه بیماران، نادیده گرفتن تفاوت‌های زیرگروه. تحلیل زیرگروه ضروری است؛ برخی بیماران سود بیشتر/کمتری می‌برند.
  • عدم اعتبارسنجی: عدم مقایسه خروجی‌های مدل با داده‌های اپیدمیولوژیک منتشر شده. همیشه سناریوی پایه را با داده‌های خارجی کالیبره کنید تا خطاهای مدل را تشخیص دهید.
  • تفسیر نادرست ارزش مورد انتظار: تلقی ارزش مورد انتظار به عنوان تضمین. ارزش مورد انتظار، پیامد میانگین است؛ بیمار واقعی ممکن است بهترین یا بدترین پیامد را تجربه کند. به طور مناسب ارتباط برقرار کنید.

پرسش‌های متداول

تفاوت درخت تصمیم و مدل مارکوف چیست؟

درخت تصمیم: افق زمانی کوتاه (مثلاً دوره بلافاصله پس از درمان)، یک مسیر واحد در هر بازوی تصمیم، هر شاخه نقطه پایانی ترمینال دارد. برای تصمیمات حاد (تست یا عدم تست، درمان یا عدم درمان) با پیامدهایی که در چارچوب زمانی کارآزمایی رخ می‌دهند، استفاده می‌شود. مدل مارکوف: افق زمانی طولانی (بیماری مزمن در طول سال‌ها/دهه‌ها)، بیماران بارها از وضعیت‌های سلامتی عبور می‌کنند، انتقال‌ها به صورت احتمالی تعریف می‌شوند. زمانی استفاده می‌شود که پیشرفت بیماری در طول زمان مرتبط باشد. اغلب ترکیب می‌شوند: درخت تصمیم انتخاب اولیه را تعیین می‌کند (مثلاً غربالگری بله/خیر)؛ سپس مدل مارکوف پیامدهای بلندمدت را برای بازوی انتخاب شده پیش‌بینی می‌کند.

چگونه مطلوبیت‌ها در صورت عدم وجود داده مستقیم تخصیص داده می‌شوند؟

روش‌ها: (۱) استفاده از وزن‌های مطلوبیت منتشر شده (EQ-5D، SF-6D، تعرفه‌های HUI) برای وضعیت‌های سلامتی مشابه. (۲) انجام استخراج مطلوبیت متمرکز (معامله زمانی، مقیاس آنالوگ بصری، انتخاب گسسته) با نمونه‌ای از بیماران/عموم مردم. (۳) قضاوت خبره: پزشکان تخمین می‌زنند و عدم قطعیت را تصدیق می‌کنند. (۴) نگاشت: اگر کارآزمایی داده‌های کیفیت زندگی را در مقیاس‌های خاص بیماری جمع‌آوری کرده باشد، از الگوریتم‌های نگاشت منتشر شده برای تبدیل به مطلوبیت‌ها استفاده کنید. شکاف‌های داده باید منجر به تحلیل حساسیت شوند: مطلوبیت‌ها را ±۲۰٪ تغییر دهید و ببینید آیا تصمیم تغییر می‌کند.

چرا تحلیل حساسیت در مدل‌های تصمیم بسیار مهم است؟

خروجی مدل (ICER، توصیه) به پارامترهای ورودی (احتمالات، مطلوبیت‌ها، هزینه‌ها) بستگی دارد. پارامترها با عدم قطعیت تخمین زده می‌شوند. تحلیل حساسیت، استحکام را آزمایش می‌کند: اگر تصمیم نسبت به دامنه‌های معقول پارامترها مستحکم باشد، اطمینان بالا است؛ اگر تصمیم با تغییرات کوچک معکوس شود، حساسیت بالا و تصمیم شکننده است. تحلیل حساسیت یک‌طرفه (تغییر یک پارامتر)، دو طرفه و احتمالی (تغییر همزمان همه) نشان می‌دهند که کدام پارامترها نتایج را هدایت می‌کنند. این، هدایت می‌کند که جمع‌آوری داده‌های بیشتر در کجا بیشترین ارزش را دارد.

«تحلیل آستانه» چیست و چه زمانی مفید است؟

تحلیل آستانه، مقادیر نقطه سر به سر را شناسایی می‌کند: 'در چه مقدار پارامتری تصمیم تغییر می‌کند؟' مثال: 'اگر اثربخشی درمان ≥۶۰٪ باشد، مداخله در آستانه ۲۰۰۰۰ پوند در هر QALY مقرون به صرفه است؛ زیر ۶۰٪، مقرون به صرفه نیست.' آستانه‌ها، تفسیر را هدایت می‌کنند: اگر اثربخشی تخمینی ۷۰٪ (بالاتر از آستانه) باشد، توصیه مستحکم است؛ اگر ۵۸٪ (نزدیک آستانه) باشد، داده‌های بیشتری در مورد اثربخشی مورد نیاز است. آستانه‌ها همچنین قیمت‌گذاری را هدایت می‌کنند: شرکت می‌تواند محاسبه کند، 'با چه قیمتی داروی ما برای پرداخت‌کننده مقرون به صرفه است؟' آستانه‌های هزینه، مذاکرات را هدایت می‌کنند.

ارزش مورد انتظار چگونه با مطلوبیت مورد انتظار متفاوت است؟

ارزش مورد انتظار: پیامد هزینه/QALY مورد انتظار (میانگین ریاضی). مطلوبیت مورد انتظار: ارزش تعدیل شده برای ترجیحات ریسک فردی. مثال: تصمیمی با ۵۰٪ شانس پیامد QALY ۱۰ و ۵۰٪ شانس ۰ (ارزش مورد انتظار = ۵ QALY). فرد ریسک‌گریز این را برابر با ۵ QALY تضمین شده ارزش‌گذاری می‌کند. فرد ریسک‌گریز ممکن است ۳ QALY قطعی را به یک قمار پرریسک ترجیح دهد؛ مطلوبیت مورد انتظار وی < ارزش مورد انتظار است. اکثر مدل‌های تصمیم از ارزش مورد انتظار (فرض ریسک‌خنثی) استفاده می‌کنند؛ مدل‌های تصمیم‌گیری مشترک ممکن است برای ترجیح ریسک بیمار تعدیل شوند.

روش‌های مرتبط

منابع

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

    باز کردن مرجع DOI
    کپی شد.
  2. Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.

    باز کردن مرجع انتشار
    کپی شد.
  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.

    باز کردن مرجع انتشار
    کپی شد.