Skip to content
Kembali ke hasil pencarian

Pemodelan Analitik Keputusan dalam Ekonomi Kesehatan

Diperkenalkan oleh
Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
Tahun
1975
Jenis
Method
Keluarga
health economic evaluation framework

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Pemodelan analitik keputusan adalah kerangka kerja sistematis untuk membandingkan intervensi kesehatan dengan mengintegrasikan bukti probabilitas, hasil, biaya, dan preferensi pasien ke dalam model kuantitatif.

Dikembangkan oleh Pauker dan Kassirer pada tahun 1975, analisis keputusan menstrukturkan ketidakpastian klinis dan pertukaran ekonomi, memungkinkan perbandingan opsi pengobatan yang transparan dan identifikasi strategi optimal. Digunakan dalam penilaian teknologi kesehatan, pengembangan pedoman praktik klinis, dan keputusan alokasi sumber daya.

Intuisi di balik metode

Seorang klinisi menghadapi keputusan: haruskah pasien berusia 65 tahun dengan hipertensi yang baru didiagnosis memulai terapi antihipertensi atau observasi (menunggu dengan waspada)? Pengobatan mengurangi risiko kardiovaskular tetapi memiliki efek samping dan biaya. Tidak ada satu uji coba pun yang secara langsung menjawab pertanyaan ini untuk pasien ini karena hasil bergantung pada profil risiko individu, efikasi obat dalam subkelompok mereka, dan preferensi. Analisis keputusan mengkuantifikasi pertukaran: Berapa probabilitas pasien ini mendapat manfaat? Dengan biaya berapa? Bagaimana kualitas hidup saat menggunakan vs tidak menggunakan pengobatan? Dengan mengintegrasikan semua bukti yang tersedia (RCT, epidemiologi, data biaya) ke dalam satu model, analisis keputusan menghitung nilai yang diharapkan dari setiap opsi. Nilai yang diharapkan = jumlah dari (probabilitas hasil × nilai hasil). Pengobatan dengan probabilitas 80% mencegah stroke (bernilai 2 QALY) dan probabilitas 20% menyebabkan efek samping (bernilai -0,5 QALY) memiliki nilai yang diharapkan = 0,8×2 + 0,2×(−0,5) = 1,5 QALY. Jika alternatif (menunggu dengan waspada) memiliki nilai yang diharapkan 1,0 QALY, pengobatan lebih disukai berdasarkan kriteria nilai yang diharapkan. Analisis keputusan memaksa penalaran eksplisit dan memungkinkan perbandingan sistematis.

Sejarah

Pauker & Kassirer (1975, 1976) merintis analisis keputusan dalam kedokteran, menerapkan teori nilai yang diharapkan (von Neumann & Morgenstern) untuk pengambilan keputusan klinis. Aplikasi awal: kapan mengobati kondisi tanpa gejala, kapan melakukan tes diagnostik. Weinstein & Fineberg (1980) menerbitkan buku teks yang berpengaruh. Pada tahun 1990-an, analisis keputusan telah mapan dalam epidemiologi klinis dan penelitian layanan kesehatan. Briggs, Claxton, dan Sculpher (2000-an) memperluas analisis keputusan ke evaluasi ekonomi (mengintegrasikan biaya, QALY, CEA/CBA). Pohon keputusan digantikan oleh model Markov untuk penyakit kronis (1990-an). Analisis sensitivitas probabilistik (simulasi Monte Carlo) menjadi standar pada tahun 2000-an, memungkinkan kuantifikasi ketidakpastian. Saat ini, pemodelan keputusan adalah rutin dalam pengajuan HTA dan pengembangan pedoman; alat (TreeAge, paket R) telah mendemokratisasi akses di luar ahli statistik.

Kapan digunakan

Ketika membandingkan intervensi kesehatan dan pengambil keputusan memerlukan integrasi bukti yang sistematis. Analisis keputusan adalah standar untuk: (1) pengembangan pedoman praktik klinis (membandingkan strategi pengobatan). (2) penilaian teknologi kesehatan (keputusan penggantian biaya). (3) alokasi sumber daya (memprioritaskan intervensi). (4) prioritas penelitian (mengidentifikasi di mana data lebih banyak akan paling meningkatkan keyakinan keputusan). (5) konseling pasien (alat pengambilan keputusan bersama). Digunakan ketika: ada banyak opsi, hasil tidak pasti, preferensi dan biaya penting, dan kerangka kerja yang transparan dihargai. Tidak diperlukan untuk: perbandingan klinis yang lugas dengan pemenang yang jelas (misalnya, dua obat dengan efikasi identik, satu jauh lebih murah—keputusan intuitif); hasil langka di mana pemodelan memberikan sedikit nilai.

Batasan dan pertimbangan

  • Ketidakpastian parameter: model hanya sebaik probabilitas dan utilitas masukan; jika data jarang atau bias, hasil model tidak dapat diandalkan.
  • Mengasumsikan pengambilan keputusan rasional: pendekatan nilai yang diharapkan mengasumsikan pengambil keputusan netral terhadap risiko; preferensi aktual seringkali non-linear (keengganan kehilangan, bias harapan).
  • Menyederhanakan realitas: model pasti mengabstraksi kompleksitas penyakit; faktor klinis penting mungkin dihilangkan atau dirata-ratakan, kehilangan nuansa spesifik pasien.
  • Membutuhkan data yang substansial: membangun model yang ketat menuntut data tentang probabilitas (uji coba, registri), utilitas (survei preferensi), dan biaya (catatan akuntansi); data seringkali tidak lengkap.
  • GIGO (Garbage In, Garbage Out): jika asumsi masukan salah atau kontroversial, keluaran menyesatkan meskipun ketelitian matematisnya.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Mengintegrasikan bukti secara transparan: probabilitas, hasil, biaya, utilitas dinyatakan secara eksplisit dan dihubungkan, memungkinkan kritik pemangku kepentingan dan pembaruan seiring berkembangnya bukti.
  • Menangani ketidakpastian secara sistematis: analisis sensitivitas dan probabilistik mengkuantifikasi dampak ketidakpastian pada keputusan, memandu di mana penelitian lebih lanjut paling berharga.
  • Memfasilitasi komunikasi: pohon keputusan memvisualisasikan struktur masalah; pemangku kepentingan (klinisi, pasien, pembayar) memahami pertukaran dan penilaian nilai.
  • Fleksibel: mengakomodasi berbagai jenis bukti (RCT, observasional, opini ahli) dan dapat diperbarui seiring munculnya data baru.

Penerapan

  • Pengembangan pedoman klinis: pedoman kardiologi untuk pengobatan sindrom koroner akut: model keputusan membandingkan PCI (intervensi koroner perkutan) vs manajemen medis vs bypass darurat. Model mengintegrasikan efikasi RCT, komplikasi prosedural, waktu pemulihan, Kualitas Hidup; keluaran merekomendasikan PCI untuk profil pasien tertentu (misalnya, usia <70, durasi gejala <12 jam).
  • Pengajuan HTA: perusahaan farmasi mengajukan obat diabetes baru; model keputusan membandingkan obat vs terapi standar selama horizon 30 tahun. Model Markov melacak keadaan penyakit (kontrol A1c, komplikasi). Keluaran: ICER $25.000/QALY. NICE merekomendasikan penggantian biaya, menginformasikan negosiasi harga.
  • Program skrining: badan kesehatan masyarakat menggunakan model keputusan untuk mengevaluasi strategi skrining kanker serviks (Pap smear tahunan vs setiap 3 tahun vs skrining berbasis HPV). Model membandingkan biaya, tahun kehidupan yang diselamatkan, QALY, kerugian (pengobatan berlebih). Keluaran: berbasis HPV setiap 5 tahun paling efisien, memandu kebijakan nasional.
  • Pengambilan keputusan bersama: pasien dengan kanker prostat stadium awal (risiko rendah, tanpa gejala): model keputusan membandingkan pengawasan aktif vs prostatektomi radikal. Pohon menggabungkan riwayat alami kanker prostat, risiko operasi, hasil fungsional (kontinensia, fungsi ereksi), kualitas hidup. Pasien dapat melihat nilai yang diharapkan dari setiap opsi yang disesuaikan dengan preferensi dan toleransi risiko mereka.
  • Penetapan prioritas penelitian: model pengendalian penyakit menular membandingkan strategi vaksinasi, pengobatan, dan pengawasan. Analisis sensitivitas probabilistik mengidentifikasi parameter dengan ketidakpastian tertinggi. Analisis nilai informasi (VOI) menghitung: 'Berapa banyak data sempurna tentang X akan mengurangi ketidakpastian keputusan?' Memandu pendanaan penelitian ke studi dengan nilai tertinggi.

Cara kerjanya

Cara kerjanya

1

Langkah 1: Definisikan masalah keputusan. Apa saja alternatif keputusannya? (misalnya, Skrining kanker kolorektal (kolonoskopi) vs FOBT (tes darah samar tinja) vs tidak ada skrining). Siapa populasi pasiennya? (misalnya, usia 50–75, risiko rata-rata). Berapa horizon waktunya? (hasil 10 tahun? Seumur hidup?). Langkah 2: Petakan strukturnya. Identifikasi semua peristiwa kebetulan (penyakit berkembang vs mundur, tes positif vs negatif, kejadian buruk terjadi vs tidak). Identifikasi hasil yang diminati (hidup/mati, bebas gejala vs simtomatik, biaya dalam dolar, QALY). Langkah 3: Isi dengan probabilitas. Dari mana probabilitas berasal? RCT (bukti primer), studi kohort, registri nasional, meta-analisis. Contoh: Jika RCT menunjukkan kolonoskopi mendeteksi kanker kolorektal pada 90% kasus dan mencegah kematian pada 95% kasus yang terdeteksi, gunakan P(deteksi) = 0,90, P(kematian dicegah | terdeteksi) = 0,95. Untuk perkembangan penyakit (tidak ada dalam uji coba apa pun), gunakan epidemiologi yang dipublikasikan. Langkah 4: Tetapkan hasil. Utilitas: bobot kualitas hidup (skala 0–1) untuk setiap keadaan kesehatan (kesehatan normal = 1, diagnosis kanker = 0,7, pasca-pengobatan = 0,8). Biaya: biaya skrining ($300), biaya pengobatan kanker ($50.000), pemantauan berkelanjutan ($500/tahun). Langkah 5: Bangun modelnya. Gunakan pohon keputusan (horizon pendek, peristiwa diskrit) atau Markov (horizon panjang, keadaan berulang). Perangkat lunak: TreeAge Pro (komersial), Excel (dasar), R/Python (fleksibel). Langkah 6: Validasi. Jalankan skenario dasar (perawatan standar saat ini) dan bandingkan hasilnya dengan literatur yang dipublikasikan (apakah model sesuai dengan epidemiologi?).

Rumus
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

Contoh Pohon Keputusan: Skrining kanker kolorektal pada usia 50 tahun. Akar: Node keputusan (Persegi): [Skrining vs Tidak Skrining]. Cabang 1 (Skrining): Kolonoskopi dilakukan. Node kebetulan (Lingkaran): [Ditemukan kanker (prevalensi 10%) vs Tidak ditemukan (90%)]. Jika kanker ditemukan: pengobatan, hasil = QALY = 0,85 (kasus kanker dengan pengobatan, kelangsungan hidup jangka panjang). Biaya = $300 (kolonoskopi) + $50.000 (pengobatan) = $50.300. Jika tidak ditemukan: perawatan rutin. Hasil = QALY = 1,0 (bebas kanker). Biaya = $300. Nilai yang diharapkan (Skrining) = 0,10 × (0,85 QALY, $50.300) + 0,90 × (1,0 QALY, $300) = [0,10×0,85 + 0,90×1,0] = 0,985 QALY, [0,10×50.300 + 0,90×300] = $5.300 + $270 = $5.570 biaya. Cabang 2 (Tidak Skrining): Perawatan rutin, hasil = 1,0 QALY (dengan asumsi tidak ada kanker yang tidak terdiagnosis; konservatif). Biaya = $0. Nilai yang diharapkan (Tidak Skrining) = 1,0 QALY, $0 biaya. ICER (Skrining vs Tidak Skrining) = ($5.570 − $0) / (0,985 − 1,0) = penyebut negatif (skrining mengurangi QALY?). Ini menunjukkan skrining mengurangi QALY karena risiko diagnosis salah/pengobatan berlebih. Analisis sensitivitas: jika P(prevalensi kanker) = 20% bukan 10%, hitung ulang. ICER menjadi positif, skrining sekarang bermanfaat. Analisis ambang batas: pada prevalensi kanker berapa skrining mencapai titik impas (QALY sama)? Selesaikan: 0,985 menjadi ≥ 1,0, temukan ambang batas P(kanker). Analisis sensitivitas probabilistik: tetapkan distribusi untuk semua parameter (prevalensi kanker, tingkat deteksi, efikasi pengobatan), jalankan 1.000 simulasi, laporkan kurva penerimaan.

Rumus
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

Keputusan optimal: Pilih intervensi dengan manfaat bersih yang diharapkan tertinggi (QALY − biaya/WTP). Jika ICER < ambang batas kesediaan membayar (WTP) (misalnya, £20.000/QALY), intervensi hemat biaya dan direkomendasikan. Temuan analisis sensitivitas memandu ketahanan. Sensitivitas satu arah (variasikan satu parameter): diagram tornado menunjukkan parameter mana yang paling berpengaruh. Jika keputusan berubah ketika parameter bervariasi ±20%, parameter tersebut sangat penting untuk asumsi. Sensitivitas dua arah: variasikan dua parameter secara bersamaan (misalnya, sensitivitas dan spesifisitas tes) untuk memetakan lanskap keputusan. Sensitivitas probabilistik: distribusi ICER yang masuk akal mengungkapkan rentang ketidakpastian. Kurva penerimaan menjawab: pada ambang batas WTP berapa intervensi kemungkinan besar hemat biaya? Jika kurva menunjukkan probabilitas 85% hemat biaya pada £20.000/QALY, keputusan itu kuat; jika 40%, ketidakpastian tinggi memerlukan kehati-hatian atau penelitian lebih lanjut. Analisis subkelompok: jalankan model secara terpisah untuk subkelompok pasien (usia, keparahan penyakit, komorbiditas). Keputusan mungkin berbeda: mis., skrining direkomendasikan untuk pasien berisiko tinggi tetapi tidak untuk risiko rendah. Analisis ambang batas: identifikasi nilai titik impas. Contoh: 'Intervensi hemat biaya jika efikasi pengobatan ≥40%.' Ini memandu bukti apa yang diperlukan untuk membuat keputusan yang percaya diri.

Rumus
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.

Kesalahan umum

  • Pemodelan berlebihan: memasukkan terlalu banyak keadaan/cabang, meningkatkan kompleksitas tanpa meningkatkan wawasan keputusan. Mulailah dengan sederhana; tambahkan detail jika analisis sensitivitas menunjukkan itu penting.
  • Penjangkaran pada perkiraan tunggal: menggunakan probabilitas perkiraan titik tanpa rentang ketidakpastian. Selalu lakukan analisis sensitivitas; keputusan harus kuat terhadap variasi parameter yang masuk akal.
  • Mengabaikan heterogenitas: menerapkan keluaran model rata-rata ke semua pasien, mengabaikan perbedaan subkelompok. Analisis subkelompok penting; beberapa pasien mendapat manfaat lebih banyak/kurang.
  • Gagal memvalidasi: tidak membandingkan keluaran model dengan data epidemiologi yang dipublikasikan. Selalu kalibrasi skenario dasar dengan data eksternal untuk menangkap kesalahan model.
  • Salah menafsirkan nilai yang diharapkan: memperlakukan nilai yang diharapkan sebagai jaminan. Nilai yang diharapkan adalah hasil rata-rata; pasien sebenarnya dapat mengalami hasil terbaik atau terburuk. Komunikasikan dengan tepat.

Pertanyaan yang sering diajukan

Apa perbedaan antara pohon keputusan dan model Markov?

Pohon keputusan: horizon waktu pendek (misalnya, periode pasca-pengobatan segera), satu jalur per lengan keputusan, setiap cabang adalah titik akhir terminal. Digunakan untuk keputusan akut (tes atau tidak, obati atau tidak) dengan hasil yang terjadi dalam jangka waktu uji coba. Model Markov: horizon waktu panjang (penyakit kronis selama bertahun-tahun/dekade), pasien berulang kali melewati keadaan kesehatan, transisi didefinisikan secara probabilistik. Digunakan ketika perkembangan penyakit dari waktu ke waktu relevan. Sering digabungkan: pohon keputusan menentukan pilihan awal (misalnya, skrining ya/tidak); kemudian model Markov memproyeksikan konsekuensi jangka panjang untuk lengan yang dipilih.

Bagaimana utilitas ditetapkan jika tidak ada data langsung yang tersedia?

Metode: (1) Gunakan bobot utilitas yang dipublikasikan (EQ-5D, SF-6D, tarif HUI) untuk keadaan kesehatan serupa. (2) Lakukan elisitasi utilitas terfokus (trade-off waktu, skala analog visual, pilihan diskrit) dengan sampel pasien/populasi umum. (3) Penilaian ahli: klinisi memperkirakan, mengakui ketidakpastian. (4) Pemetaan: jika uji coba mengumpulkan data kualitas hidup pada skala spesifik penyakit, gunakan algoritma pemetaan yang dipublikasikan untuk mengonversi ke utilitas. Kesenjangan data harus memicu analisis sensitivitas: variasikan utilitas ±20% dan lihat apakah keputusan berubah.

Mengapa analisis sensitivitas begitu penting dalam model keputusan?

Hasil model (ICER, rekomendasi) bergantung pada parameter masukan (probabilitas, utilitas, biaya). Parameter diperkirakan dengan ketidakpastian. Analisis sensitivitas menguji ketahanan: jika keputusan kuat terhadap rentang parameter yang masuk akal, keyakinan tinggi; jika keputusan berbalik dengan perubahan kecil, sensitivitas tinggi dan keputusan rapuh. Sensitivitas satu arah (variasikan satu parameter), dua arah, dan probabilistik (variasikan semua secara bersamaan) menunjukkan parameter mana yang mendorong hasil. Ini memandu di mana pengumpulan data lebih lanjut paling berharga.

Apa itu 'analisis ambang batas' dan kapan itu berguna?

Analisis ambang batas mengidentifikasi nilai titik impas: 'Pada nilai parameter berapa keputusan beralih?' Contoh: 'Jika efikasi pengobatan ≥60%, intervensi hemat biaya pada ambang batas £20.000/QALY; di bawah 60%, tidak hemat biaya.' Ambang batas memandu interpretasi: jika efikasi yang diperkirakan adalah 70% (di atas ambang batas), rekomendasi itu kuat; jika 58% (dekat ambang batas), data lebih lanjut tentang efikasi diperlukan. Ambang batas juga menginformasikan penetapan harga: perusahaan dapat menghitung, 'Pada harga berapa obat kami hemat biaya bagi pembayar?' Ambang batas biaya mendorong negosiasi.

Bagaimana nilai yang diharapkan berbeda dari utilitas yang diharapkan?

Nilai yang diharapkan: hasil biaya/QALY yang diharapkan (rata-rata matematis). Utilitas yang diharapkan: nilai yang disesuaikan dengan preferensi risiko individu. Contoh: keputusan dengan peluang 50% hasil QALY 10 dan peluang 50% hasil 0 (nilai yang diharapkan = 5 QALY). Orang yang netral terhadap risiko menghargai ini sama dengan 5 QALY yang terjamin. Orang yang menghindari risiko mungkin lebih memilih 3 QALY pasti daripada pertaruhan berisiko; utilitas yang diharapkan mereka < nilai yang diharapkan. Sebagian besar model keputusan menggunakan nilai yang diharapkan (asumsi netral terhadap risiko); model pengambilan keputusan bersama mungkin menyesuaikan untuk preferensi risiko pasien.

Metode terkait

Sumber

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

    Buka referensi DOI
    Disalin.
  2. Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.

    Buka referensi publikasi
    Disalin.
  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.

    Buka referensi publikasi
    Disalin.