Skip to content
بازگشت به نتایج جست‌وجو

مدل زنجیره مارکوف در اقتصاد سلامت

معرفی‌شده توسط
Beck & Pauker (medical decision analysis, Massachusetts General Hospital)
سال
1983
نوع
Method
خانواده
decision modeling framework

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

اندازه قلم

چه کاری انجام می‌دهد؟

مدل مارکوف یک ابزار تحلیل تصمیم است که پیشرفت بیماری را از طریق وضعیت‌های سلامتی تعریف شده در طول زمان شبیه‌سازی می‌کند و هزینه‌های تجمعی و سال‌های عمر با کیفیت تعدیل شده (QALYs) را برای امکان‌سنجی تحلیل هزینه-اثربخشی محاسبه می‌کند. مدل‌های مارکوف که توسط بک و پاکر در سال ۱۹۸۳ توسعه یافته‌اند، اکنون چارچوب استانداردی برای پیش‌بینی پیامدهای بلندمدت مداخلات بهداشتی، به‌ویژه بیماری‌های مزمن که در آن‌ها بیماران بین وضعیت‌های بالینی (پاسخ به درمان، پیشرفت بیماری، بهبودی، مرگ) منتقل می‌شوند، محسوب می‌شوند. این مدل‌ها توسط نهادهای ارزیابی فناوری سلامت و شرکت‌های داروسازی برای پیش‌بینی ارزش مداخله فراتر از مدت زمان آزمایش‌ها استفاده می‌شوند.

شهود پشت روش

آزمایش‌های تصادفی معمولاً بیماران را برای ۲ تا ۵ سال دنبال می‌کنند. اما سیاست‌گذاری بهداشت و درمان نیاز دارد بداند: آیا این دارو در افق ۱۰ ساله یا طول عمر، باعث صرفه‌جویی در هزینه و بهبود سلامت خواهد شد؟ مدل‌های مارکوف نتایج آزمایش‌ها را به آینده تعمیم می‌دهند. ایده اصلی: بیماران در وضعیت‌های سلامتی متمایزی (دسته‌های شمارش سلول CD4 در HIV، مراحل بیماری سرطان، کلاس‌های NYHA بیماری قلبی) قرار دارند و با احتمالات مشخص در هر سال بین وضعیت‌ها منتقل می‌شوند. یک گروه در یک وضعیت شروع می‌شود؛ هر سال، برخی به سمت بیماری بدتر پیشرفت می‌کنند، برخی بهبود می‌یابند، برخی می‌میرند. هزینه‌ها و سلامت (QALYs) در هر وضعیت ردیابی می‌شود؛ مجموع برای ۱۰ تا ۳۰ سال. خروجی: هزینه کل و QALYs، امکان محاسبه هزینه-اثربخشی را فراهم می‌کند. مارکوف به دلیل مدیریت مسیرهای ناهمگن از طریق بیماری (برخی بیماران بهبود می‌یابند، برخی پیشرفت می‌کنند، برخی عود می‌کنند) و افق‌های زمانی طولانی به شیوه‌ای از نظر محاسباتی قابل پیگیری، ظریف است.

تاریخ

بک و پاکر (۱۹۸۳) مدل‌های مارکوف را در تحلیل تصمیم پزشکی در مقاله مهم خود در مورد پیش‌آگهی HIV معرفی کردند و نشان دادند که چگونه مدل‌های انتقال وضعیت می‌توانند پیامدهای بلندمدت را پیش‌بینی کنند. سوننبرگ و بک (۱۹۹۳) راهنمای عملی برای ساخت و اعتبارسنجی مدل‌های مارکوف ارائه دادند. تا دهه ۲۰۰۰، مدل‌های مارکوف در ارائه‌های HTA استاندارد شدند؛ ابزارهایی مانند TreeAge Pro (تجاری) و Microsoft Excel (قابل دسترس) پذیرش گسترده را ممکن ساختند. انتقادات در دهه ۲۰۱۰ بر محدودیت‌ها (فرض بی‌حافظگی، دشواری کالیبراسیون) متمرکز شد و باعث توسعه شبیه‌سازی رویداد گسسته (ردیابی در سطح فردی) و رویکردهای یادگیری ماشین برای تخمین پارامتر شد. امروزه، مدل‌های مارکوف در HTA غالب باقی مانده‌اند؛ آن‌ها اغلب رویکرد اولیه هستند و شبیه‌سازی خرد برای موارد پیچیده استفاده می‌شود.

چه زمانی استفاده شود

زمانی که یک مداخله بهداشتی بر پیشرفت بیماری در طول سال‌ها یا دهه‌ها تأثیر می‌گذارد و داده‌های آزمایش، کل افق زمانی را پوشش نمی‌دهند. مدل‌های مارکوف استاندارد برای موارد زیر هستند: مدیریت بیماری‌های مزمن (دیابت، فشار خون بالا، HIV، سرطان)؛ پیشگیری طولانی‌مدت (استاتین‌ها، واکسن‌ها)؛ دستگاه‌هایی با سؤالات مربوط به دوام (ایمپلنت‌ها، دستگاه‌های قلبی)؛ هرگونه مداخله‌ای که نیاز به تعمیم فراتر از مدت زمان آزمایش دارد. در اکثر ارائه‌های HTA (NICE، CADTH، HAS) الزامی است. برای موارد زیر لازم نیست: مداخلات حاد (جراحی یک‌باره) با پنجره پیامد کوتاه؛ بیماری‌های نادر با بیماران کم (داده‌ها پراکنده)؛ موقعیت‌هایی که آزمایش‌ها در حال حاضر طول عمر را پوشش می‌دهند (غیرمعمول).

محدودیت‌ها و ملاحظات

  • فرض بی‌حافظگی مارکوف: انتقال‌های آینده فقط به وضعیت فعلی بستگی دارند، نه به تاریخچه بیماری. این فرض زمانی نقض می‌شود که، به عنوان مثال، پیش‌آگهی بیمار به زمان سپری شده در وضعیت قبلی بستگی داشته باشد (مثلاً مدت زمان بهبودی، خطر عود را پیش‌بینی می‌کند). جایگزین: 'وضعیت‌های تونل' (مثلاً بهبودی ۱ ساله، بهبودی >۱ سال) برای تقریب وابستگی به تاریخچه، اما پیچیدگی را افزایش می‌دهد.
  • تعریف وضعیت نیاز به قضاوت بالینی دارد: اگر وضعیت‌ها خیلی گسترده باشند (مثلاً 'بیماری خفیف' در مقابل 'بیماری شدید')، انتقال‌ها ناهمگن و نامشخص خواهند بود. وضعیت‌های بیش از حد زیاد (مثلاً CD4 در فواصل ۵۰ سلولی) پیچیدگی مدل را بدون افزایش دقت، متورم می‌کند.
  • احتمالات انتقال اغلب نامشخص یا وام گرفته شده هستند: اگر آزمایش فقط ۵ سال پیگیری داشته باشد اما مدل ۲۰ سال اجرا شود، احتمالات انتقال بعدی برون‌یابی می‌شوند یا ثابت فرض می‌شوند (مبتنی بر شواهد نیستند). تغییرات کوچک در انتقال‌ها در طول زمان انباشته می‌شوند (عدم قطعیت پارامتر).
  • تغییرپذیری فردی را ثبت نمی‌کند: مارکوف یک مدل گروهی است (مسیرهای میانگین)؛ شبیه‌سازی رویداد گسسته (جایگزین) مسیرهای فردی بیمار را ردیابی می‌کند اما پیچیده‌تر است.
  • انتخاب طول چرخه اختیاری است: چرخه‌های سالانه استاندارد هستند، اما پیشرفت بیماری ممکن است سریع‌تر باشد (چرخه‌های فصلی، ماهانه مورد نیاز) یا کندتر (چرخه‌های ۵ ساله قابل قبول). چرخه‌های کوتاه‌تر دقت را افزایش می‌دهند اما محاسبات و عدم قطعیت را نیز افزایش می‌دهند.

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

نقاط قوت

  • تاریخچه طبیعی بیماری را با اثرات مداخله ادغام می‌کند: می‌تواند مدل‌سازی کند که چگونه داروها نرخ پیشرفت را تغییر می‌دهند و امکان تخمین‌های واقع‌بینانه هزینه-اثربخشی بلندمدت فراتر از مدت زمان آزمایش را فراهم می‌کند.
  • صریح و شفاف: وضعیت‌ها، احتمالات انتقال، هزینه‌ها، مطلوبیت‌ها قابل مشاهده و حسابرسی هستند؛ بازبینان می‌توانند مفروضات را نقد کنند.
  • انعطاف‌پذیر: می‌تواند مسیرهای پیچیده بیماری (بهبودی، عود، تغییر درمان)، مداخلات متعدد، ناهمگونی بیماران (تحلیل زیرگروه) را در خود جای دهد.
  • از نظر محاسباتی کارآمد: مدل‌های مارکوف در چند ثانیه روی سخت‌افزارهای مدرن اجرا می‌شوند؛ امکان تحلیل سریع حساسیت و سناریو را فراهم می‌کند، برخلاف شبیه‌سازی خرد.

کاربردها

  • دستورالعمل‌های درمان HIV: مدل مارکوف QALYs و هزینه‌های ۲۰ ساله را برای شروع مبتنی بر CD4 در مقابل درمان فوری در مقابل رژیم‌های مختلف پیش‌بینی می‌کند؛ راهنمایی می‌کند که چه زمانی درمان را شروع کنید و از کدام داروها استفاده کنید.
  • غربالگری سرطان: مدل مارکوف پیشرفت بیماری را از طبیعی → پیش‌سرطان → سرطان → متاستاز → مرگ شبیه‌سازی می‌کند؛ هزینه-اثربخشی فواصل مختلف غربالگری (ماموگرافی سالانه در مقابل ۳ ساله) را محاسبه می‌کند.
  • داروهای قلبی عروقی: درمان با استاتین خطر رویدادهای قلبی عروقی را کاهش می‌دهد؛ مدل مارکوف کاهش خطر ۱۰ ساله را در زیرگروه‌های مختلف بیمار (سن، کلسترول پایه، بیماری همزمان) پیش‌بینی می‌کند؛ آستانه درمان را اطلاع می‌دهد.
  • اقتصاد دستگاه‌ها: مدل‌های تعویض مفصل مصنوعی، انتقال از مفصل سالم → پیشرفت استئوآرتریت → تعویض‌های متعدد در طول عمر را مدل‌سازی می‌کنند؛ هزینه-اثربخشی بلندمدت را در مقابل مدیریت محافظه‌کارانه محاسبه می‌کند.
  • سیاست واکسن: مدل واکسن هپاتیت B گروهی را از بدو تولد تا بزرگسالی ردیابی می‌کند؛ عفونت‌های پیشگیری شده، عوارض اجتناب شده، QALYs طول عمر را محاسبه می‌کند؛ اطلاع می‌دهد که آیا واکسن در برنامه دوران کودکی گنجانده شود یا در نوجوانان برای جبران.

چگونه کار می‌کند

چگونه کار می‌کند

1

گام ۱: تعریف وضعیت‌های سلامتی. مثال برای HIV: CD4 <۵۰ (ایدز)، CD4 ۵۰–۲۰۰ (سرکوب شدید ایمنی)، CD4 ۲۰۰–۵۰۰ (متوسط)، CD4 >۵۰۰ (خفیف)، بار ویروسی غیرقابل تشخیص (تحت درمان)، مرده. این‌ها باید از نظر بالینی و اقتصادی معنی‌دار باشند (گزینه‌های درمانی، هزینه‌ها یا پیش‌آگهی متفاوت برای هر وضعیت). گام ۲: مشخص کردن انتقال‌ها. هر سال (چرخه)، بیماران می‌توانند: در وضعیت فعلی باقی بمانند، به سمت سلامتی بهتر حرکت کنند (مثلاً بازیابی CD4 با درمان)، به سمت سلامتی بدتر حرکت کنند (پیشرفت بیماری)، یا بمیرند. احتمالات انتقال = احتمال مشاهده شده یا مدل‌سازی شده هر انتقال، که از موارد زیر به دست می‌آید: (الف) داده‌های پیگیری RCT: اگر آزمایش نشان دهد که ۱۰٪ از بیماران با CD4 <۵۰ در سال می‌میرند، P(CD4<۵۰ → مرده) = ۰.۱۰؛ (ب) ادبیات (گروه‌های پیگیری منتشر شده)؛ (ج) تخصص بالینی و کالیبراسیون. گام ۳: تخصیص مطلوبیت‌های خاص وضعیت (وزن‌های کیفیت زندگی، مقیاس ۰ تا ۱ که در آن ۱ = سلامتی کامل). CD4 <۵۰ ممکن است مطلوبیت ۰.۶ (علائم مرتبط با ایدز، عدم قطعیت) داشته باشد؛ CD4 >۵۰۰ تحت درمان ممکن است مطلوبیت ۰.۹۵ (سلامتی نزدیک به نرمال) داشته باشد. گام ۴: تخصیص هزینه‌های خاص وضعیت در هر چرخه: هزینه‌های دارو، نظارت (آزمایشگاهی، ویزیت کلینیک)، بستری در بیمارستان/عوارض در صورت لزوم. گام ۵: ساخت مدل در نرم‌افزار (صفحه گسترده اکسل، TreeAge Pro، R، پایتون) که وضعیت‌ها و ماتریس انتقال را نشان می‌دهد. گام ۶: تأیید در برابر داده‌های منتشر شده: اجرای سناریوی پایه (مراقبت استاندارد) و مقایسه پیامدهای ۱۰ ساله با داده‌های گروه پیگیری منتشر شده (کالیبراسیون)؛ در صورت نیاز تنظیم کنید.

فرمول
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

محاسبه ردیابی مارکوف: شبیه‌سازی یک گروه ۱۰۰۰ نفری از بیماران در خط پایه (مثلاً همه در CD4 ۲۰۰–۵۰۰). در سال اول، احتمالات انتقال را اعمال کنید: اگر P(CD4 ۲۰۰–۵۰۰ → CD4 >۵۰۰) = ۰.۳۰، P(CD4 ۲۰۰–۵۰۰ → CD4 ۵۰–۲۰۰) = ۰.۱۵، P(CD4 ۲۰۰–۵۰۰ → مرده) = ۰.۰۵، آنگاه: توزیع سال اول: ۵۰۰ نفر در CD4 ۲۰۰–۵۰۰ باقی می‌مانند، ۳۰۰ نفر به CD4 >۵۰۰ منتقل می‌شوند، ۱۵۰ نفر به CD4 ۵۰–۲۰۰ منتقل می‌شوند، ۵۰ نفر می‌میرند. در سال دوم، احتمالات انتقال را به توزیع سال اول اعمال کنید؛ برای هر سال تکرار کنید تا همه بمیرند یا افق زمانی برسد. برای هر چرخه، هزینه‌ها و QALYs را محاسبه کنید: هزینه سال t = Σ (گروه در وضعیت s) × (هزینه در هر وضعیت s)؛ QALYs سال t = Σ (گروه در وضعیت s) × (مطلوبیت وضعیت s). هزینه‌ها و QALYs آینده را سالانه با نرخ ۳٪ تنزیل کنید: PV = ارزش در سال t / (۱.۰۳)^t. هزینه/QALY کل = مجموع ارزش‌های سالانه تنزیل شده. مثال: هزینه سال اول = ۵۰۰ × ۲۰۰۰ دلار (هزینه CD4 ۲۰۰–۵۰۰) + ۳۰۰ × ۱۵۰۰ دلار (هزینه CD4 >۵۰۰) + ۱۵۰ × ۵۰۰۰ دلار (هزینه CD4 ۵۰–۲۰۰) + ۰ (مرده) = ۲.۰۵ میلیون دلار. تنزیل به ارزش فعلی: ارزش فعلی سال اول = ۲.۰۵ میلیون دلار / ۱.۰۳ = ۱.۹۹ میلیون دلار. پس از ۱۰ سال: هزینه تجمعی ارزش فعلی (مداخله) = ۱۵ میلیون دلار، QALY تجمعی ارزش فعلی (مداخله) = ۶.۵ QALY. مقایسه کننده (درمان استاندارد) ۵.۰ QALY و هزینه ۱۲ میلیون دلاری دارد. ICER = (۱۵ میلیون دلار - ۱۲ میلیون دلار) / (۶.۵ - ۵.۰) = ۳ میلیون دلار / ۱.۵ = ۲ میلیون دلار در هر QALY.

فرمول
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

ICER حاصل از مدل مارکوف راهنمای بازپرداخت است: اگر آستانه NICE برابر با ۲۰,۰۰۰ پوند در هر QALY باشد (تقریباً ۲۵,۰۰۰ دلار آمریکا) و ICER برابر با ۲ میلیون دلار در هر QALY باشد، این دارو به وضوح مقرون به صرفه نیست. اگر ICER برابر با ۱۸,۰۰۰ دلار در هر QALY باشد، قابل قبول است. تحلیل حساسیت حیاتی است: (۱) قطعی: یک پارامتر را در یک زمان تغییر دهید (مثلاً نرخ مرگ و میر ±۲۰٪، احتمالات انتقال ±۱۰٪) و ICER را دوباره محاسبه کنید؛ نمودار گردباد نشان می‌دهد کدام پارامترها بیشترین تأثیر را بر نتیجه دارند. (۲) احتمالی: توزیع‌های احتمالی را به تمام پارامترهای نامشخص اختصاص دهید؛ ۱۰۰۰ تا ۱۰۰۰۰ شبیه‌سازی را با نمونه‌گیری تصادفی از توزیع‌ها اجرا کنید؛ ابر ICERهای ممکن و منحنی پذیرش (احتمال مقرون به صرفه بودن مداخله در آستانه‌های مختلف تمایل به پرداخت) را خروجی دهید. اگر منحنی پذیرش نشان دهد که در ۲۰,۰۰۰ پوند در هر QALY ۸۰٪ احتمال مقرون به صرفه بودن وجود دارد، ICER قوی است؛ اگر ۴۰٪ باشد، عدم قطعیت بالا احتیاط را ایجاب می‌کند. تحلیل زیرگروه: مدل‌های جداگانه برای بیماران جوان‌تر در مقابل مسن‌تر، درمان‌نشده در مقابل درمان‌شده، خط پایه CD4 بالا در مقابل پایین اجرا کنید؛ گروه‌هایی را که مداخله در آن‌ها بیشترین/کمترین مقرون به صرفه بودن را دارد، شناسایی کنید. نتایج به توصیه‌های مشروط اطلاع می‌دهند: 'این دارو را برای بیماران درمان‌نشده (ICER ۱۵ هزار دلار) تأمین مالی کنید، اما نه برای بیماران درمان‌شده (ICER ۴۰ هزار دلار).'

فرمول
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.

دام‌های رایج

  • فرض ثابت بودن احتمالات انتقال در طول زمان: اگر بیماران در اوایل بیماری با بیماران پس از ۱۰ سال متفاوت پیشرفت کنند، احتمالات ثابت اشتباه هستند. در صورت پشتیبانی شواهد، از احتمالات انتقال وابسته به زمان استفاده کنید (نیاز به پیچیدگی مدل دارد).
  • فراموش کردن وضعیت‌های تونل برای ثبت تاریخچه: اگر پیش‌آگهی بیمار به مدت زمان سپری شده در وضعیت فعلی بستگی داشته باشد (مثلاً مسیر بازیابی CD4)، این را نادیده بگیرید و انتقال‌ها مغرضانه خواهند بود. وضعیت‌های تونل (بازیابی CD4 <۱ سال در مقابل ≥۱ سال) یک راه‌حل هستند.
  • بیش‌نمونه‌سازی: گنجاندن وضعیت‌ها و انتقال‌های بیش از حد زیاد مدل را متورم می‌کند؛ عدم قطعیت پارامتر منفجر می‌شود. مدل‌های پارسیمونیاس (حداقل وضعیت‌های لازم) ترجیح داده می‌شوند؛ پیچیدگی را فقط در صورت توجیه بالینی اضافه کنید.
  • نادیده گرفتن کالیبراسیون: پیامدهای مشتق شده از مدل باید با داده‌های منتشر شده برای همان جمعیت تحت همان درمان مطابقت داشته باشند. اگر بقای ۱۰ ساله پیش‌بینی شده توسط مارکوف ۶۰٪ باشد اما گروه پیگیری منتشر شده ۵۰٪ را نشان دهد، مدل کالیبره نشده است و نتایج قابل اعتماد نیستند. همیشه سناریوی پایه را کالیبره کنید.
  • فرض اینکه انتقال‌های مشتق شده از آزمایش به بیماران دنیای واقعی اعمال می‌شوند: RCTها اغلب بیماران جوان‌تر، سالم‌تر و پایبندتر از دنیای واقعی را ثبت‌نام می‌کنند. احتمالات انتقال از RCT ممکن است تعمیم نیابند؛ اعتبارسنجی خارجی در برابر گروه‌های پیگیری دنیای واقعی مهم است.

پرسش‌های متداول

تفاوت مدل مارکوف و درخت تصمیم چیست؟

درخت‌های تصمیم در نقاط تصمیم‌گیری (مثلاً درمان در مقابل عدم درمان) منشعب می‌شوند و پیامدهای فوری (نقاط پایانی آزمایش) را نشان می‌دهند. مدل‌های مارکوف پیشرفت از طریق وضعیت‌ها را در طول چرخه‌های متعدد شبیه‌سازی می‌کنند و تاریخچه طبیعی بیماری را در طول سال‌ها ثبت می‌کنند. درخت‌های تصمیم برای تصمیمات کوتاه‌مدت و یک‌باره استفاده می‌شوند؛ مدل‌های مارکوف برای بیماری‌های مزمن با انتقال‌های مداوم. اغلب ترکیب می‌شوند: درخت تصمیم، خط پایه/تعیین درمان را تعیین می‌کند؛ سپس مارکوف پیشرفت پس از آن را مدل‌سازی می‌کند.

اگر داده‌های آزمایش ناقص باشند، چگونه احتمالات انتقال کالیبره می‌شوند؟

روش‌ها: (۱) ادبیات منتشر شده: جستجو برای مطالعات گروهی که نرخ انتقال را برای همان جمعیت بیمار، همان وضعیت‌های بیماری گزارش می‌کنند. (۲) متاآنالیز: اگر چندین مطالعه کوچک در دسترس باشد، داده‌ها را برای تخمین احتمال انتقال جمع‌آوری کنید. (۳) نظر متخصصان: در صورت عدم وجود داده، پزشکان را برای تخمین انتقال‌ها گرد هم آورید (کمترین اعتبار را دارد). (۴) کالیبراسیون: مدل را با احتمالات تخمینی اجرا کنید؛ پیامدهای ۵ ساله را با داده‌های آزمایش منتشر شده مقایسه کنید؛ انتقال‌ها را تا زمانی که مدل با آزمایش مطابقت داشته باشد، تنظیم کنید (مهندسی معکوس). تحلیل حساسیت باید عدم قطعیت در انتقال‌ها را منعکس کند.

آیا مدل‌های مارکوف باید شامل تمام وضعیت‌های سلامتی مرتبط بالینی باشند؟

خیر، فقط وضعیت‌هایی را شامل شود که به طور قابل توجهی بر هزینه یا پیامدها تأثیر می‌گذارند. مثال: تمایز CD4 ۱۰۰–۱۵۰ از CD4 ۵۰–۱۰۰ از نظر بالینی مهم است (سمیت درمانی متفاوت، خطر مرگ و میر)، بنابراین هر دو را شامل کنید. تمایز CD4 ۵۰۱–۵۲۰ از CD4 ۵۲۱–۵۴۰ احتمالاً بی‌اهمیت است؛ آن‌ها را در CD4 >۵۰۰ ترکیب کنید. قاعده سرانگشتی: اگر تغییر وضعیت، مدیریت بالینی یا هزینه را بیش از ۱۰٪ تغییر دهد، آن را شامل کنید.

طول چرخه و تنزیل چگونه به هم مرتبط هستند؟

طول چرخه (سالانه، فصلی، ماهانه) تعیین می‌کند که انتقال‌ها چند وقت یکبار رخ می‌دهند و چه زمانی هزینه‌ها/QALYs انباشته می‌شوند. چرخه‌های کوتاه‌تر (ماهانه) دقت را افزایش می‌دهند اما زمان محاسبات را نیز افزایش می‌دهند. تنزیل به هزینه‌ها/QALYs هر چرخه اعمال می‌شود: تنزیل سالانه با نرخ ۳٪ به این معنی است که ارزش سال دوم × ۱/۱.۰۳، سال سوم × ۱/۱.۰۳² و غیره. اگر از چرخه‌های فصلی استفاده می‌کنید، نرخ تنزیل را تنظیم کنید: فصلی = ۳٪^(۱/۴) ≈ ۰.۷۴٪ در هر فصل. استاندارد: چرخه‌های سالانه با تنزیل سالانه ۳٪.

«وضعیت تونل» چیست و چه زمانی مورد نیاز است؟

وضعیت تونل مدت زمانی را که بیمار در یک وضعیت فعلی سپری کرده است، ثبت می‌کند و فرض بی‌حافظگی را نقض می‌کند. مثال: CD4 'اخیراً بازیابی شده' (تحت درمان ضدویروسی <۱ سال) خطر بالاتری برای سندرم التهاب بازسازی ایمنی (IRIS) نسبت به CD4 'پایدار' (تحت درمان >۱ سال) دارد. دو وضعیت ایجاد کنید: CD4 >۵۰۰ (خطر IRIS) و CD4 >۵۰۰ (پایدار)؛ پس از ۱ سال بین آن‌ها منتقل شوید. وضعیت‌های تونل پیچیدگی مدل را افزایش می‌دهند اما زمانی که تاریخچه مهم است، دقت را بهبود می‌بخشند.

چگونه پایبندی/پیروی از درمان در مدل‌های مارکوف گنجانده می‌شود؟

گزینه ۱: از داده‌های واقعی آزمایش از تحلیل ITT (قصد درمان) استفاده کنید که پایبندی واقعی را در بر می‌گیرد. گزینه ۲: وضعیت‌های جداگانه (پایبند در مقابل غیرپایبند) ایجاد کنید و انتقال‌ها را مدل‌سازی کنید (لغزش پایبندی، بازگشت به درمان). گزینه ۳: اثربخشی را در مدل برای انعکاس پایبندی در سطح جمعیت کاهش دهید (مثلاً اگر آزمایش ۸۰٪ پایبندی را نشان داد و اثربخشی ۷۰٪ اثربخشی آزمایش فرض شود). تحلیل حساسیت باید تأثیر مفروضات پایبندی را بررسی کند.

روش‌های مرتبط

منابع

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

    باز کردن مرجع DOI
    کپی شد.
  2. Sonnenberg, F. A., & Beck, J. R. (1993). Markov Models in Medical Decision Making: A Practical Guide. Medical Decision Making, 13(4), 322-338.

    باز کردن مرجع DOI
    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.