Skip to content
Kembali ke hasil pencarian

Model Rantai Markov dalam Ekonomi Kesehatan

Diperkenalkan oleh
Beck & Pauker (medical decision analysis, Massachusetts General Hospital)
Tahun
1983
Jenis
Method
Keluarga
decision modeling framework

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

Ukuran huruf

Apa fungsinya?

Model Markov adalah alat analisis keputusan yang mensimulasikan perkembangan penyakit melalui keadaan kesehatan yang terdefinisi dari waktu ke waktu, menghitung akumulasi biaya dan tahun hidup yang disesuaikan kualitas (QALYs) untuk memungkinkan analisis efektivitas biaya.

Dikembangkan oleh Beck dan Pauker pada tahun 1983, model Markov kini menjadi kerangka kerja standar untuk memproyeksikan hasil jangka panjang intervensi kesehatan, terutama penyakit kronis di mana pasien bertransisi antar keadaan klinis (respons pengobatan, perkembangan penyakit, remisi, kematian). Digunakan oleh badan penilaian teknologi kesehatan dan perusahaan farmasi untuk memprediksi nilai intervensi melampaui durasi uji coba.

Intuisi di balik metode

Uji coba acak biasanya mengikuti pasien selama 2–5 tahun. Namun, kebijakan kesehatan perlu mengetahui: Apakah obat ini akan menghemat uang dan meningkatkan kesehatan dalam cakrawala 10 tahun atau seumur hidup? Model Markov mengekstrapolasi hasil uji coba ke depan. Ide intinya: pasien menempati keadaan kesehatan yang berbeda (kategori hitung CD4 HIV, stadium penyakit kanker, kelas NYHA penyakit jantung), dan bertransisi antar keadaan dengan probabilitas yang ditentukan setiap tahun. Sebuah kohort dimulai dalam satu keadaan; setiap tahun, beberapa mengalami perkembangan penyakit yang lebih buruk, beberapa membaik, beberapa meninggal. Lacak biaya dan kesehatan (QALYs) di setiap keadaan; jumlahkan selama 10–30 tahun. Hasil: total biaya dan QALYs, memungkinkan perhitungan efektivitas biaya. Markov elegan karena menangani jalur penyakit yang heterogen (beberapa pasien pulih, beberapa berkembang, beberapa kambuh) dan cakrawala waktu yang panjang dengan cara yang dapat dihitung.

Sejarah

Beck dan Pauker (1983) memperkenalkan model Markov ke dalam analisis keputusan medis dalam makalah seminal mereka tentang prognosis HIV, menunjukkan bagaimana model transisi keadaan dapat memproyeksikan hasil jangka panjang. Sonnenberg dan Beck (1993) memberikan panduan praktis untuk membangun dan memvalidasi model Markov. Pada tahun 2000-an, model Markov menjadi standar dalam pengajuan HTA; alat seperti TreeAge Pro (komersial) dan Microsoft Excel (mudah diakses) memungkinkan adopsi yang luas. Kritik pada tahun 2010-an berfokus pada keterbatasan (asumsi tanpa memori, kesulitan kalibrasi), mendorong pengembangan simulasi kejadian diskrit (pelacakan tingkat individu) dan pendekatan pembelajaran mesin untuk estimasi parameter. Saat ini, model Markov tetap dominan dalam HTA; mereka seringkali merupakan pendekatan awal, dengan mikrosimulasi digunakan untuk kasus-kasus kompleks.

Kapan digunakan

Ketika intervensi kesehatan memengaruhi perkembangan penyakit selama bertahun-tahun atau dekade dan data uji coba tidak mencakup cakrawala waktu penuh. Model Markov adalah standar untuk: manajemen penyakit kronis (diabetes, hipertensi, HIV, kanker); pencegahan jangka panjang (statin, vaksin); perangkat dengan pertanyaan daya tahan (implan, perangkat jantung); intervensi apa pun yang memerlukan ekstrapolasi di luar durasi uji coba. Wajib dalam sebagian besar pengajuan HTA (NICE, CADTH, HAS). Tidak diperlukan untuk: intervensi akut (operasi satu kali) dengan jendela hasil pendek; penyakit langka dengan sedikit pasien (data jarang); situasi di mana uji coba sudah mencakup seumur hidup (jarang).

Batasan dan pertimbangan

  • Asumsi tanpa memori Markov: transisi di masa depan hanya bergantung pada keadaan saat ini, bukan riwayat penyakit. Ini dilanggar jika, misalnya, prognosis pasien bergantung pada waktu yang dihabiskan dalam keadaan sebelumnya (misalnya, durasi remisi memprediksi risiko kekambuhan). Alternatif: 'keadaan terowongan' (misalnya, remisi 1 tahun, remisi >1 tahun) untuk memperkirakan ketergantungan pada riwayat, tetapi meningkatkan kompleksitas.
  • Definisi keadaan memerlukan penilaian klinis: Jika keadaan terlalu luas (misalnya, 'penyakit ringan' vs 'penyakit parah'), transisi bersifat heterogen dan tidak tepat. Terlalu banyak keadaan (misalnya, CD4 dalam kelipatan 50 sel) meningkatkan kompleksitas model tanpa peningkatan presisi.
  • Probabilitas transisi seringkali tidak pasti atau dipinjam: Jika uji coba hanya mengikuti selama 5 tahun tetapi model berjalan selama 20 tahun, probabilitas transisi di kemudian hari diekstrapolasi atau diasumsikan konstan (tidak berbasis bukti). Perubahan kecil dalam transisi bertambah dari waktu ke waktu (ketidakpastian parameter).
  • Tidak menangkap variabilitas individu: Markov adalah model kohort (jalur rata-rata); simulasi kejadian diskrit (alternatif) melacak lintasan pasien individu tetapi lebih kompleks.
  • Pilihan panjang siklus bersifat arbitrer: Siklus tahunan adalah standar, tetapi perkembangan penyakit mungkin lebih cepat (siklus triwulanan, bulanan diperlukan) atau lebih lambat (siklus 5 tahunan dapat diterima). Siklus yang lebih pendek meningkatkan presisi tetapi juga komputasi dan ketidakpastian.

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

Kelebihan

  • Mengintegrasikan riwayat alamiah penyakit dengan efek intervensi: dapat memodelkan bagaimana obat mengubah tingkat perkembangan, memungkinkan perkiraan efektivitas biaya jangka panjang yang realistis di luar durasi uji coba.
  • Eksplisit dan transparan: keadaan, probabilitas transisi, biaya, utilitas terlihat dan dapat diaudit; peninjau dapat mengkritik asumsi.
  • Fleksibel: dapat mengakomodasi jalur penyakit yang kompleks (remisi, kekambuhan, pergantian pengobatan), berbagai intervensi, heterogenitas pasien (analisis subkelompok).
  • Efisien secara komputasi: model Markov berjalan dalam hitungan detik pada perangkat keras modern; memungkinkan analisis sensitivitas dan skenario yang cepat, tidak seperti mikrosimulasi.

Penerapan

  • Pedoman pengobatan HIV: Model Markov memproyeksikan QALYs dan biaya selama 20 tahun untuk inisiasi yang dipandu CD4 vs terapi segera vs rejimen yang berbeda; memandu kapan harus memulai pengobatan dan obat mana yang akan digunakan.
  • Skrining kanker: Model Markov mensimulasikan perkembangan penyakit dari normal → prakanker → kanker → metastasis → kematian; menghitung efektivitas biaya interval skrining yang berbeda (mammografi tahunan vs 3 tahunan).
  • Obat kardiovaskular: Terapi statin mengurangi kejadian kardiovaskular; model Markov memproyeksikan pengurangan risiko 10 tahun pada subkelompok pasien yang berbeda (usia, kolesterol awal, komorbiditas); menginformasikan ambang batas pengobatan.
  • Ekonomi perangkat: Model penggantian sendi buatan mensimulasikan transisi dari sendi sehat → perkembangan osteoarthritis → penggantian berulang seumur hidup; menghitung efektivitas biaya jangka panjang vs manajemen konservatif.
  • Kebijakan vaksin: Model vaksin Hepatitis B melacak kohort dari lahir hingga dewasa; menghitung infeksi yang dicegah, komplikasi yang dihindari, QALYs seumur hidup; menginformasikan apakah akan memasukkan dalam jadwal masa kanak-kanak vs penangkapan pada remaja.

Cara kerjanya

Cara kerjanya

1

Langkah 1: Definisikan keadaan kesehatan. Contoh untuk HIV: CD4 <50 (AIDS), CD4 50–200 (imunosupresi berat), CD4 200–500 (sedang), CD4 >500 (ringan), beban virus tidak terdeteksi (diobati), meninggal. Keadaan ini harus bermakna secara klinis dan ekonomis (pilihan pengobatan, biaya, atau prognosis yang berbeda per keadaan). Langkah 2: Tentukan transisi. Setiap tahun (siklus), pasien dapat: tetap dalam keadaan saat ini, pindah ke kesehatan yang lebih baik (misalnya, pemulihan CD4 dengan terapi), pindah ke kesehatan yang lebih buruk (perkembangan penyakit), atau meninggal. Probabilitas transisi = kemungkinan yang diamati atau dimodelkan dari setiap transisi, berasal dari: (a) data tindak lanjut RCT: jika uji coba menunjukkan 10% pasien dengan CD4 <50 meninggal per tahun, P(CD4<50 → meninggal) = 0.10; (b) literatur (kohort yang dipublikasikan); (c) keahlian klinis dan kalibrasi. Langkah 3: Tetapkan utilitas spesifik keadaan (bobot kualitas hidup, skala 0–1 di mana 1 = kesehatan sempurna). CD4 <50 mungkin memiliki utilitas 0,6 (gejala terkait AIDS, ketidakpastian); CD4 >500 dengan terapi mungkin memiliki utilitas 0,95 (kesehatan mendekati normal). Langkah 4: Tetapkan biaya spesifik keadaan per siklus: biaya pengobatan, pemantauan (lab, kunjungan klinik), rawat inap/komplikasi jika ada. Langkah 5: Bangun model dalam perangkat lunak (spreadsheet Excel, TreeAge Pro, R, Python) yang mewakili keadaan dan matriks transisi. Langkah 6: Verifikasi terhadap data yang dipublikasikan: jalankan skenario dasar (perawatan standar) dan bandingkan hasil 10 tahun dengan data kohort yang dipublikasikan (kalibrasi); sesuaikan jika perlu.

Rumus
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

Perhitungan jejak Markov: Simulasikan kohort 1.000 pasien pada awal (misalnya, semua dalam CD4 200–500). Pada Tahun 1, terapkan probabilitas transisi: jika P(CD4 200–500 → CD4 >500) = 0,30, P(CD4 200–500 → CD4 50–200) = 0,15, P(CD4 200–500 → meninggal) = 0,05, maka: distribusi Tahun 1: 500 tetap dalam CD4 200–500, 300 pindah ke CD4 >500, 150 pindah ke CD4 50–200, 50 meninggal. Pada Tahun 2, terapkan probabilitas transisi ke distribusi Tahun 1; ulangi untuk setiap tahun sampai semua meninggal atau cakrawala waktu tercapai. Untuk setiap siklus, hitung biaya dan QALYs: biaya Tahun t = Σ(kohort dalam keadaan s) × (biaya per keadaan s); QALYs Tahun t = Σ(kohort dalam keadaan s) × (utilitas keadaan s). Diskon biaya/QALY masa depan sebesar 3% per tahun: PV = nilai pada Tahun t / (1,03)^t. Total biaya/QALY = jumlah nilai tahunan yang didiskon. Contoh: Biaya Tahun 1 = 500×$2.000 (biaya CD4 200–500) + 300×$1.500 (biaya CD4 >500) + 150×$5.000 (biaya CD4 50–200) + 0 (meninggal) = $2,05 juta. Diskon ke nilai sekarang: PV Tahun 1 = $2,05 juta / 1,03 = $1,99 juta. Setelah 10 tahun: total PV biaya (intervensi) = $15 juta, total PV QALY (intervensi) = 6,5 QALYs. Pembanding (terapi standar) menghasilkan 5,0 QALYs, biaya $12 juta. ICER = ($15 juta − $12 juta) / (6,5 − 5,0) = $3 juta / 1,5 = $2 juta per QALY.

Rumus
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 dari model Markov memandu penggantian biaya: jika ambang batas NICE adalah £20.000/QALY (sekitar $25.000 USD) dan ICER = $2 juta per QALY, obat ini jelas tidak efektif biaya. Jika ICER = $18.000/QALY, itu dapat diterima. Analisis sensitivitas sangat penting: (1) Deterministik: variasikan satu parameter pada satu waktu (misalnya, tingkat kematian ±20%, probabilitas transisi ±10%) dan hitung ulang ICER; diagram tornado menunjukkan parameter mana yang paling memengaruhi hasil. (2) Probabilistik: tetapkan distribusi probabilitas untuk semua parameter yang tidak pasti; jalankan 1.000–10.000 simulasi dengan pengambilan acak dari distribusi; hasilkan awan kemungkinan ICER dan kurva penerimaan (probabilitas intervensi efektif biaya pada ambang batas WTP yang berbeda). Jika kurva penerimaan menunjukkan probabilitas 80% efektif biaya pada £20.000/QALY, ICER kuat; jika 40%, ketidakpastian tinggi memerlukan kehati-hatian. Analisis subkelompok: jalankan model terpisah untuk pasien yang lebih muda vs lebih tua, yang belum pernah diobati vs yang sudah berpengalaman, baseline CD4 tinggi vs rendah; identifikasi kelompok di mana intervensi paling/paling tidak efektif biaya. Hasil menginformasikan rekomendasi bersyarat: 'Danai obat ini untuk pasien yang belum pernah diobati (ICER $15 ribu), tetapi tidak untuk pasien yang sudah berpengalaman (ICER $40 ribu).'

Rumus
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.

Kesalahan umum

  • Mengasumsikan probabilitas transisi konstan dari waktu ke waktu: Jika pasien di awal penyakit berkembang secara berbeda daripada setelah 10 tahun, probabilitas konstan salah. Gunakan probabilitas transisi yang bergantung pada waktu jika bukti mendukung (memerlukan kompleksitas model).
  • Melupakan keadaan terowongan untuk menangkap riwayat: Jika prognosis pasien bergantung pada berapa lama mereka berada dalam keadaan saat ini (misalnya, 'lintasan' pemulihan CD4), abaikan ini, dan transisi akan bias. Keadaan terowongan (pemulihan CD4 <1 tahun vs ≥1 tahun) adalah solusi.
  • Overparameterisasi: Memasukkan terlalu banyak keadaan dan transisi membuat model membengkak; ketidakpastian parameter meledak. Model yang hemat (minimal keadaan yang diperlukan) lebih disukai; tambahkan kompleksitas hanya jika dibenarkan secara klinis.
  • Mengabaikan kalibrasi: Hasil yang diturunkan dari model harus sesuai dengan data yang dipublikasikan untuk populasi yang sama di bawah perawatan yang sama. Jika kelangsungan hidup 10 tahun yang diproyeksikan oleh Markov adalah 60% tetapi kohort yang dipublikasikan menunjukkan 50%, model tidak terkalibrasi dengan benar dan hasilnya tidak dapat diandalkan. Selalu kalibrasi skenario dasar.
  • Mengasumsikan transisi yang diturunkan dari uji coba berlaku untuk pasien dunia nyata: RCT sering kali merekrut pasien yang lebih muda, lebih sehat, dan lebih patuh daripada di dunia nyata. Probabilitas transisi dari RCT mungkin tidak dapat digeneralisasi; validasi eksternal terhadap kohort dunia nyata penting.

Pertanyaan yang sering diajukan

Apa perbedaan antara model Markov dan pohon keputusan?

Pohon keputusan bercabang pada titik keputusan (misalnya, obati vs tidak obati) dan menunjukkan hasil langsung (titik akhir uji coba). Model Markov mensimulasikan perkembangan melalui keadaan selama banyak siklus, menangkap riwayat alamiah penyakit selama bertahun-tahun. Pohon keputusan menangani keputusan jangka pendek, satu kali; model Markov menangani penyakit kronis dengan transisi berkelanjutan. Sering digabungkan: pohon keputusan menentukan penugasan dasar/pengobatan; kemudian model Markov mensimulasikan perkembangan setelahnya.

Bagaimana probabilitas transisi dikalibrasi jika data uji coba tidak lengkap?

Metode: (1) Literatur yang dipublikasikan: cari studi kohort yang melaporkan tingkat transisi untuk populasi pasien yang sama, keadaan penyakit yang sama. (2) Meta-analisis: jika tersedia beberapa studi kecil, gabungkan data untuk memperkirakan probabilitas transisi. (3) Pendapat ahli: kumpulkan klinisi untuk memperkirakan transisi jika data tidak ada (paling tidak ketat). (4) Kalibrasi: jalankan model dengan transisi yang diperkirakan; bandingkan hasil 5 tahun dengan data uji coba yang dipublikasikan; sesuaikan transisi sampai model cocok dengan uji coba (rekayasa terbalik). Analisis sensitivitas harus mencerminkan ketidakpastian dalam transisi.

Haruskah model Markov mencakup semua keadaan kesehatan yang relevan secara klinis?

Tidak, sertakan hanya keadaan yang secara material memengaruhi biaya atau hasil. Contoh: membedakan CD4 100–150 dari CD4 50–100 penting secara klinis (toksisitas pengobatan yang berbeda, risiko kematian), jadi sertakan keduanya. Membedakan CD4 501–520 dari CD4 521–540 mungkin tidak penting; gabungkan menjadi CD4 >500. Aturan praktis: jika perubahan keadaan akan mengubah manajemen klinis atau biaya >10%, sertakan.

Bagaimana panjang siklus dan diskon berhubungan?

Panjang siklus (tahunan, triwulanan, bulanan) menentukan seberapa sering transisi terjadi dan kapan biaya/QALY diakrualkan. Siklus yang lebih pendek (bulanan) meningkatkan akurasi tetapi waktu komputasi. Diskon diterapkan pada biaya/QALY setiap siklus: diskon tahunan sebesar 3% berarti nilai Tahun 2 × 1/1,03, Tahun 3 × 1/1,03², dll. Jika menggunakan siklus triwulanan, sesuaikan tingkat diskon: triwulanan = 3%^(1/4) ≈ 0,74% per triwulan. Standar: siklus tahunan dengan diskon tahunan 3%.

Apa itu 'keadaan terowongan' dan kapan diperlukan?

Keadaan terowongan menangkap berapa lama pasien telah berada dalam keadaan saat ini, melanggar asumsi tanpa memori. Contoh: CD4 'baru saja pulih' (pada terapi antiretroviral <1 tahun) memiliki risiko sindrom peradangan rekonstitusi kekebalan (IRIS) yang lebih tinggi daripada CD4 'stabil' (pada terapi >1 tahun). Buat dua keadaan: CD4 >500 (risiko IRIS) dan CD4 >500 (stabil); transisi di antaranya setelah 1 tahun. Keadaan terowongan meningkatkan kompleksitas model tetapi meningkatkan akurasi ketika riwayat penting.

Bagaimana kepatuhan/ketaatan dimasukkan ke dalam model Markov?

Opsi 1: Gunakan data uji coba dunia nyata dari analisis ITT (intention-to-treat) yang mencakup kepatuhan aktual. Opsi 2: Buat keadaan terpisah (patuh vs tidak patuh) dan modelkan transisi (pelanggaran kepatuhan, keterlibatan kembali). Opsi 3: Kurangi kemanjuran dalam model untuk mencerminkan kepatuhan tingkat populasi (misalnya, jika uji coba menunjukkan kepatuhan 80% dan kemanjuran diasumsikan 70% dari kemanjuran uji coba). Analisis sensitivitas harus mengeksplorasi dampak asumsi kepatuhan.

Metode terkait

Sumber

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

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

    Buka referensi DOI
    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.