Modélisation analytique de décision en économie de la santé
- Introduite par
- Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
- Année
- 1975
- Type
- Method
- Famille
- health economic evaluation framework
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
La modélisation analytique de décision est un cadre systématique pour comparer les interventions de santé en intégrant les preuves de probabilités, de résultats, de coûts et de préférences des patients dans un modèle quantitatif.
Développée par Pauker et Kassirer en 1975, l'analyse de décision structure l'incertitude clinique et les compromis économiques, permettant une comparaison transparente des options de traitement et l'identification des stratégies optimales. Utilisée dans l'évaluation des technologies de la santé, le développement de guides de pratique clinique et les décisions d'allocation des ressources.
L’intuition derrière la méthode
Un clinicien est confronté à une décision : un patient de 65 ans atteint d'hypertension nouvellement diagnostiquée doit-il commencer un traitement antihypertenseur ou être observé (attente vigilante) ? Le traitement réduit le risque cardiovasculaire mais a des effets secondaires et des coûts. Aucun essai unique ne répond directement à cette question pour ce patient car les résultats dépendent du profil de risque individuel, de l'efficacité du médicament dans leur sous-groupe et de leurs préférences. L'analyse de décision quantifie le compromis : Quelle est la probabilité que ce patient bénéficie ? À quel coût ? Quelle est la qualité de vie sous traitement par rapport à l'absence de traitement ? En intégrant toutes les preuves disponibles (ECR, épidémiologie, données de coûts) dans un seul modèle, l'analyse de décision calcule la valeur attendue de chaque option. Valeur attendue = somme de (probabilité du résultat × valeur du résultat). Un traitement avec 80 % de probabilité de prévenir un AVC (valant 2 QALYs) et 20 % de probabilité de causer des effets secondaires (valant -0,5 QALYs) a une valeur attendue = 0,8 × 2 + 0,2 × (-0,5) = 1,5 QALYs. Si l'alternative (attente vigilante) a une valeur attendue de 1,0 QALYs, le traitement est préféré selon le critère de la valeur attendue. L'analyse de décision impose un raisonnement explicite et permet une comparaison systématique.
Histoire
Développement de guides de pratique clinique : guide de cardiologie pour le traitement du syndrome coronarien aigu : un modèle de décision compare l'ICP (intervention coronarienne percutanée) à la prise en charge médicale ou à la chirurgie de pontage d'urgence. Le modèle intègre l'efficacité des ECR, les complications procédurales, le temps de récupération, la qualité de vie ; les résultats recommandent l'ICP pour des profils de patients spécifiques (par exemple, âge <70 ans, durée des symptômes <12 heures).
Quand l’utiliser
Intègre les preuves de manière transparente : probabilités, résultats, coûts, utilités sont explicitement énoncés et liés, permettant aux parties prenantes de critiquer et de mettre à jour le modèle à mesure que les preuves évoluent.
Limites et points d’attention
- Suppose une prise de décision rationnelle : l'approche de la valeur attendue suppose que les décideurs sont neutres au risque ; les préférences réelles sont souvent non linéaires (aversion à la perte, biais d'espoir).
- Simplifie la réalité : le modèle abstrait nécessairement la complexité de la maladie ; des facteurs cliniques importants peuvent être omis ou moyennés, perdant la nuance spécifique au patient.
- Nécessite des données substantielles : la construction d'un modèle rigoureux exige des données sur les probabilités (essais, registres), les utilités (enquêtes sur les préférences) et les coûts (registres comptables) ; les données sont souvent incomplètes.
- GIGO (Garbage In, Garbage Out) : si les hypothèses d'entrée sont erronées ou controversées, le résultat est trompeur malgré la rigueur mathématique.
- Sur-modélisation : inclure trop d'états/branches, augmentant la complexité sans améliorer la compréhension de la décision. Commencer simplement ; ajouter des détails si l'analyse de sensibilité montre que cela est pertinent.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Gère l'incertitude de manière systématique : l'analyse de sensibilité et l'analyse probabiliste quantifient l'impact de l'incertitude sur les décisions, guidant où des recherches supplémentaires sont les plus précieuses.
- Facilite la communication : l'arbre de décision visualise la structure du problème ; les parties prenantes (cliniciens, patients, payeurs) comprennent les compromis et les jugements de valeur.
- Flexible : s'adapte à divers types de preuves (ECR, observationnelles, avis d'experts) et peut être mis à jour à mesure que de nouvelles données apparaissent.
- Incertitude des paramètres : le modèle n'est aussi bon que les probabilités et utilités d'entrée ; si les données sont rares ou biaisées, le résultat du modèle est peu fiable.
Applications
- Soumission HTA : une société pharmaceutique soumet un nouveau médicament contre le diabète ; un modèle de décision compare le médicament à la thérapie standard sur un horizon de 30 ans. Un modèle de Markov suit les états de la maladie (contrôle de l'HbA1c, complications). Résultat : CICE de 25 000 $/QALY. Le NICE recommande le remboursement, informant les négociations de prix.
- Programme de dépistage : une agence de santé publique utilise un modèle de décision pour évaluer les stratégies de dépistage du cancer du col de l'utérus (frottis annuel vs tous les 3 ans vs dépistage basé sur le VPH). Le modèle compare les coûts, les années de vie sauvées, les QALYs, les préjudices (sur-traitement). Résultat : le dépistage basé sur le VPH tous les 5 ans est le plus efficient, guidant la politique nationale.
- Prise de décision partagée : un patient atteint d'un cancer de la prostate à un stade précoce (faible risque, asymptomatique) : un modèle de décision compare la surveillance active à la prostatectomie radicale. L'arbre intègre l'histoire naturelle du cancer de la prostate, le risque chirurgical, les résultats fonctionnels (continence, fonction érectile), la qualité de vie. Le patient peut visualiser la valeur attendue de chaque option adaptée à ses préférences et à sa tolérance au risque.
- Définition des priorités de recherche : un modèle de contrôle des maladies infectieuses compare les stratégies de vaccination, de traitement et de surveillance. L'analyse de sensibilité probabiliste identifie les paramètres présentant la plus grande incertitude. L'analyse de la valeur de l'information (VDI) calcule : 'Quelle serait la valeur de données parfaites sur X pour réduire l'incertitude décisionnelle ?' Guide le financement de la recherche vers les études ayant la plus grande valeur.
- Quelle est la différence entre un arbre de décision et un modèle de Markov ?
Comment ça marche
Comment ça marche
Étape 1 : Définir le problème de décision. Quelles sont les alternatives de décision ? (par exemple, dépistage du cancer colorectal (coloscopie) contre test immunologique fécal (TIF) contre absence de dépistage). Quelle est la population de patients ? (par exemple, âge 50-75 ans, risque moyen). Quel est l'horizon temporel ? (résultat sur 10 ans ? Durée de vie ?). Étape 2 : Cartographier la structure. Identifier tous les événements aléatoires (la maladie progresse ou régresse, le test est positif ou négatif, des événements indésirables surviennent ou non). Identifier les résultats d'intérêt (vivant/mort, asymptomatique ou symptomatique, coût en dollars, QALYs). Étape 3 : Remplir avec les probabilités. D'où viennent les probabilités ? ECR (preuves primaires), études de cohorte, registres nationaux, méta-analyses. Exemple : Si un ECR montre que la coloscopie détecte le cancer colorectal dans 90 % des cas et prévient le décès dans 95 % des cas détectés, utiliser P(détection) = 0,90, P(décès évité | détecté) = 0,95. Pour la progression de la maladie (non présente dans un essai), utiliser l'épidémiologie publiée. Étape 4 : Attribuer les résultats. Utilités : poids de qualité de vie (échelle 0-1) pour chaque état de santé (santé normale = 1, cancer diagnostiqué = 0,7, post-traitement = 0,8). Coûts : coût du dépistage (300 $), coût du traitement du cancer (50 000 $), suivi continu (500 $/an). Étape 5 : Construire le modèle. Utiliser un arbre de décision (horizon court, événements discrets) ou un modèle de Markov (horizon long, états récurrents). Logiciels : TreeAge Pro (commercial), Excel (basique), R/Python (flexible). Étape 6 : Valider. Exécuter le scénario de référence (soins standards actuels) et comparer les sorties à la littérature publiée (le modèle correspond-il à l'épidémiologie ?).
Formule
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.
Exemple d'arbre de décision : Dépistage du cancer colorectal chez une personne de 50 ans. Racine : Nœud de décision (Carré) : [Dépister vs Ne pas dépister]. Branche 1 (Dépister) : Réalisation d'une coloscopie. Nœud aléatoire (Cercle) : [Cancer trouvé (prévalence 10 %) vs Non trouvé (90 %)]. Si cancer trouvé : traitement, résultat = QALY = 0,85 (cas de cancer avec traitement, survie à long terme). Coût = 300 $ (coloscopie) + 50 000 $ (traitement) = 50 300 $. Si non trouvé : soins courants. Résultat = QALY = 1,0 (sans cancer). Coût = 300 $. Valeur attendue (Dépister) = 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 $ de coût. Branche 2 (Ne pas dépister) : Soins courants, résultat = 1,0 QALY (en supposant aucun cancer non diagnostiqué ; conservateur). Coût = 0 $. Valeur attendue (Ne pas dépister) = 1,0 QALYs, 0 $ de coût. CICE (Dépister vs Ne pas dépister) = (5 570 $ - 0 $) / (0,985 - 1,0) = dénominateur négatif (le dépistage réduit les QALYs ?). Cela suggère que le dépistage réduit les QALYs en raison du risque de diagnostic erroné/sur-traitement. Analyse de sensibilité : si P(prévalence du cancer) = 20 % au lieu de 10 %, recalculer. Le CICE devient positif, le dépistage est alors bénéfique. Analyse de seuil : à quelle prévalence de cancer le dépistage atteint-il le seuil de rentabilité (QALY égal) ? Résoudre : 0,985 devient ≥ 1,0, trouver le seuil de P(cancer). Analyse de sensibilité probabiliste : attribuer des distributions à tous les paramètres (prévalence du cancer, taux de détection, efficacité du traitement), exécuter 1 000 simulations, rapporter la courbe d'acceptabilité.
Formule
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.
Décision optimale : Choisir l'intervention avec le bénéfice net attendu le plus élevé (QALY - coût/seuil de volonté de payer). Si le CICE < seuil de volonté de payer (WTP) (par exemple, 20 000 £/QALY), l'intervention est coût-efficace et recommandée. Les résultats de l'analyse de sensibilité guident la robustesse. Analyse de sensibilité univariée (variation d'un paramètre) : le diagramme en tornade montre quels paramètres sont les plus influents. Si la décision change lorsqu'un paramètre varie de ±20 %, ce paramètre est critique pour les hypothèses. Analyse de sensibilité bivariée : faire varier conjointement deux paramètres (par exemple, sensibilité et spécificité du test) pour cartographier le paysage décisionnel. Sensibilité probabiliste : la distribution des CICE plausibles révèle la plage d'incertitude. La courbe d'acceptabilité répond à la question : à quel seuil de WTP une intervention est-elle la plus susceptible d'être coût-efficace ? Si la courbe montre une probabilité de 85 % d'être coût-efficace à 20 000 £/QALY, la décision est robuste ; si 40 %, une incertitude élevée justifie la prudence ou des recherches supplémentaires. Analyse de sous-groupes : exécuter le modèle séparément pour des sous-groupes de patients (âge, gravité de la maladie, comorbidité). Les décisions peuvent différer : par exemple, le dépistage est recommandé pour les patients à haut risque mais pas pour ceux à faible risque. Analyse de seuil : identifier les valeurs de seuil de rentabilité. Exemple : 'L'intervention est coût-efficace si l'efficacité du traitement est ≥40 %.' Cela guide les preuves nécessaires pour prendre une décision confiante.
Formule
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.
Pièges courants
- Ancrage à des estimations uniques : utiliser des probabilités ponctuelles sans plages d'incertitude. Toujours effectuer une analyse de sensibilité ; les décisions doivent être robustes aux variations raisonnables des paramètres.
- Ignorer l'hétérogénéité : appliquer le résultat moyen du modèle à tous les patients, en ignorant les différences entre sous-groupes. L'analyse de sous-groupes est essentielle ; certains patients bénéficient plus/moins.
- Échec de la validation : ne pas comparer les résultats du modèle aux données épidémiologiques publiées. Toujours calibrer le scénario de référence avec des données externes pour détecter les erreurs du modèle.
- Mauvaise interprétation de la valeur attendue : traiter la valeur attendue comme une garantie. La valeur attendue est le résultat moyen ; le patient réel peut connaître le meilleur ou le pire résultat. Communiquer de manière appropriée.
- Pauker & Kassirer (1975, 1976) ont été les pionniers de l'analyse de décision en médecine, appliquant la théorie de la valeur attendue (von Neumann & Morgenstern) à la prise de décision clinique. Premières applications : quand traiter des conditions asymptomatiques, quand effectuer des tests diagnostiques. Weinstein & Fineberg (1980) ont publié un manuel influent. Dans les années 1990, l'analyse de décision était établie en épidémiologie clinique et en recherche sur les services de santé. Briggs, Claxton et Sculpher (années 2000) ont étendu l'analyse de décision à l'évaluation économique (intégration des coûts, QALYs, CEA/CBA). Les arbres de décision ont cédé la place aux modèles de Markov pour les maladies chroniques (années 1990). L'analyse de sensibilité probabiliste (simulation Monte Carlo) est devenue la norme dans les années 2000, permettant la quantification de l'incertitude. Aujourd'hui, la modélisation de décision est routinière dans les soumissions HTA et le développement de guides ; les outils (TreeAge, packages R) ont démocratisé l'accès au-delà des statisticiens.
Questions fréquentes
Arbre de décision : horizon temporel court (par exemple, période post-traitement immédiate), voie unique par bras de décision, chaque branche aboutissant à un point final. Utilisé pour les décisions aiguës (tester ou non, traiter ou non) avec des résultats survenant dans le délai de l'essai. Modèle de Markov : horizon temporel long (maladie chronique sur des années/décennies), les patients passent à travers des états de santé de manière répétée, les transitions sont définies de manière probabiliste. Utilisé lorsque la progression de la maladie au fil du temps est pertinente. Souvent combinés : l'arbre de décision détermine le choix initial (par exemple, dépister oui/non) ; puis le modèle de Markov projette les conséquences à long terme pour le bras choisi.
Comment les utilités sont-elles attribuées en l'absence de données directes ?
Méthodes : (1) Utiliser des poids d'utilité publiés (EQ-5D, SF-6D, tarifs HUI) pour des états de santé similaires. (2) Mener une évaluation ciblée des utilités (compromis temporel, échelle visuelle analogique, choix discret) auprès d'un échantillon de patients/population générale. (3) Jugement d'experts : les cliniciens estiment, en reconnaissant l'incertitude. (4) Cartographie : si l'essai a collecté des données de qualité de vie sur des échelles spécifiques à la maladie, utiliser des algorithmes de cartographie publiés pour convertir en utilités. Les lacunes de données devraient déclencher une analyse de sensibilité : varier les utilités de ±20 % et voir si la décision change.
Pourquoi l'analyse de sensibilité est-elle si importante dans les modèles de décision ?
Le résultat du modèle (CICE, recommandation) dépend des paramètres d'entrée (probabilités, utilités, coûts). Les paramètres sont estimés avec incertitude. L'analyse de sensibilité teste la robustesse : si la décision est robuste aux plages de paramètres plausibles, la confiance est élevée ; si la décision bascule avec de petits changements, la sensibilité est élevée et la décision est fragile. L'analyse univariée (variation d'un paramètre), bivariée et probabiliste (variation de tous simultanément) montrent quels paramètres influencent les résultats. Cela guide où la collecte de données supplémentaires est la plus précieuse.
Qu'est-ce que l'« analyse de seuil » et quand est-elle utile ?
L'analyse de seuil identifie les valeurs de seuil de rentabilité : 'À quelle valeur de paramètre la décision bascule-t-elle ?' Exemple : 'Si l'efficacité du traitement est ≥60 %, l'intervention est coût-efficace au seuil de 20 000 £/QALY ; en dessous de 60 %, elle n'est pas coût-efficace.' Les seuils guident l'interprétation : si l'efficacité estimée est de 70 % (au-dessus du seuil), la recommandation est robuste ; si elle est de 58 % (proche du seuil), davantage de données sur l'efficacité sont nécessaires. Les seuils guident également la tarification : une entreprise peut calculer : 'À quel prix notre médicament est-il coût-efficace pour le payeur ?' Les seuils de coût motivent la négociation.
En quoi la valeur attendue diffère-t-elle de l'utilité attendue ?
Valeur attendue : coût/QALY attendu (moyenne mathématique). Utilité attendue : valeur ajustée pour les préférences individuelles de risque. Exemple : une décision avec 50 % de chance d'un résultat de 10 QALYs et 50 % de chance de 0 (valeur attendue = 5 QALYs). Une personne neutre au risque valorise cela de manière égale à 5 QALYs garantis. Une personne averse au risque peut préférer 3 QALYs certains à un pari risqué ; son utilité attendue est < valeur attendue. La plupart des modèles de décision utilisent la valeur attendue (hypothèse de neutralité au risque) ; les modèles de décision partagée peuvent ajuster pour la préférence de risque du patient.
Expected value: expected cost/QALY outcome (mathematical average). Expected utility: value adjusted for individual risk preferences. Example: decision with 50% chance of QALY outcome 10 and 50% chance of 0 (expected value = 5 QALYs). Risk-neutral person values this equally to guaranteed 5 QALYs. Risk-averse person may prefer certain 3 QALY over risky gamble; their expected utility < expected value. Most decision models use expected value (risk-neutral assumption); shared decision-making models may adjust for patient risk preference.
Méthodes associées
Sources
Pauker, S. G., & Kassirer, J. P. (1975). Therapeutic Decision Making: A Cost-Benefit Analysis. New England Journal of Medicine, 293(5), 229-234.
Ouvrir la référence DOICopié.Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.
Ouvrir la référence de la publicationCopié.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.
Ouvrir la référence de la publicationCopié.