Skip to content
Torna ai risultati

Modellazione Analitica Decisionale in Economia Sanitaria

Introdotto da
Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
Anno
1975
Tipo
Method
Famiglia
health economic evaluation framework

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

La modellazione analitica decisionale è un quadro sistematico per confrontare interventi sanitari integrando evidenze su probabilità, esiti, costi e preferenze dei pazienti in un modello quantitativo.

Sviluppata da Pauker e Kassirer nel 1975, l'analisi decisionale struttura l'incertezza clinica e i compromessi economici, consentendo un confronto trasparente delle opzioni terapeutiche e l'identificazione di strategie ottimali. Utilizzata nella valutazione delle tecnologie sanitarie, nello sviluppo di linee guida cliniche e nelle decisioni di allocazione delle risorse.

L’intuizione alla base del metodo

Un clinico si trova di fronte a una decisione: un paziente iperteso di 65 anni dovrebbe iniziare una terapia antipertensiva o essere osservato (watchful waiting)? Il trattamento riduce il rischio cardiovascolare ma presenta effetti collaterali e costi. Nessun singolo studio risponde direttamente a questa domanda per questo paziente, poiché gli esiti dipendono dal profilo di rischio individuale, dall'efficacia del farmaco nel loro sottogruppo e dalle preferenze. L'analisi decisionale quantifica il compromesso: Qual è la probabilità che questo paziente ne tragga beneficio? A quale costo? Qual è la qualità della vita con o senza trattamento? Integrando tutte le evidenze disponibili (RCT, epidemiologia, dati sui costi) in un unico modello, l'analisi decisionale calcola il valore atteso di ciascuna opzione. Valore atteso = somma di (probabilità dell'esito × valore dell'esito). Un trattamento con l'80% di probabilità di prevenire l'ictus (valore 2 QALY) e il 20% di probabilità di causare effetti collaterali (valore -0,5 QALY) ha un valore atteso = 0,8×2 + 0,2×(−0,5) = 1,5 QALY. Se l'alternativa (watchful waiting) ha un valore atteso di 1,0 QALY, il trattamento è preferito secondo il criterio del valore atteso. L'analisi decisionale impone un ragionamento esplicito e consente un confronto sistematico.

Storia

Pauker & Kassirer (1975, 1976) hanno aperto la strada all'analisi decisionale in medicina, applicando la teoria del valore atteso (von Neumann & Morgenstern) al processo decisionale clinico. Prime applicazioni: quando trattare condizioni asintomatiche, quando eseguire test diagnostici. Weinstein & Fineberg (1980) hanno pubblicato un influente libro di testo. Negli anni '90, l'analisi decisionale si è affermata nell'epidemiologia clinica e nella ricerca sui servizi sanitari. Briggs, Claxton e Sculpher (anni 2000) hanno esteso l'analisi decisionale alla valutazione economica (integrando costi, QALY, CEA/CBA). Gli alberi decisionali hanno lasciato il posto ai modelli di Markov per le malattie croniche (anni '90). L'analisi di sensibilità probabilistica (simulazione Monte Carlo) è diventata standard negli anni 2000, consentendo la quantificazione dell'incertezza. Oggi, la modellazione decisionale è di routine nelle presentazioni HTA e nello sviluppo di linee guida; strumenti (TreeAge, pacchetti R) hanno democratizzato l'accesso oltre gli statistici.

Quando usarlo

Quando si confrontano interventi sanitari e i decisori necessitano di un'integrazione sistematica delle evidenze. L'analisi decisionale è standard per: (1) sviluppo di linee guida cliniche (confronto di strategie terapeutiche). (2) valutazione delle tecnologie sanitarie (decisioni di rimborso). (3) allocazione delle risorse (prioritizzazione degli interventi). (4) prioritizzazione della ricerca (identificazione di dove dati aggiuntivi migliorerebbero maggiormente la confidenza decisionale). (5) consulenza ai pazienti (strumenti di decisione condivisa). Utilizzata quando: esistono molteplici opzioni, gli esiti sono incerti, le preferenze e i costi sono importanti, e si apprezza un quadro trasparente. Non necessaria per: confronti clinici semplici con un vincitore chiaro (es. due farmaci con efficacia identica, uno molto più economico - decisione intuitiva); esiti rari dove la modellazione aggiunge poco valore.

Limiti e considerazioni

  • Incertezza dei parametri: il modello è valido solo quanto le probabilità e le utilità di input; se i dati sono scarsi o distorti, l'output del modello è inaffidabile.
  • Assume un processo decisionale razionale: l'approccio del valore atteso presuppone che i decisori siano neutrali al rischio; le preferenze reali sono spesso non lineari (avversione alla perdita, bias di speranza).
  • Semplifica la realtà: il modello astrae necessariamente la complessità della malattia; fattori clinici importanti possono essere omessi o mediati, perdendo le sfumature specifiche del paziente.
  • Richiede dati sostanziali: la costruzione di un modello rigoroso richiede dati su probabilità (studi, registri), utilità (sondaggi sulle preferenze) e costi (registri contabili); i dati sono spesso incompleti.
  • GIGO (Garbage In, Garbage Out): se le assunzioni di input sono errate o controverse, l'output è fuorviante nonostante il rigore matematico.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Integra le evidenze in modo trasparente: probabilità, esiti, costi, utilità sono esplicitamente dichiarati e collegati, consentendo la critica degli stakeholder e l'aggiornamento man mano che le evidenze evolvono.
  • Gestisce l'incertezza in modo sistematico: l'analisi di sensibilità e quella probabilistica quantificano l'impatto dell'incertezza sulle decisioni, guidando dove la ricerca aggiuntiva è più preziosa.
  • Facilita la comunicazione: l'albero decisionale visualizza la struttura del problema; gli stakeholder (clinici, pazienti, pagatori) comprendono i compromessi e i giudizi di valore.
  • Flessibile: accoglie diversi tipi di evidenze (RCT, osservazionali, opinioni di esperti) e può essere aggiornato man mano che emergono nuovi dati.

Applicazioni

  • Sviluppo di linee guida cliniche: linea guida di cardiologia per il trattamento della sindrome coronarica acuta: un modello decisionale confronta PCI (intervento coronarico percutaneo) vs gestione medica vs bypass d'urgenza. Il modello integra l'efficacia degli RCT, le complicanze procedurali, i tempi di recupero, la QoL; gli output raccomandano la PCI per specifici profili di pazienti (es. età <70, durata dei sintomi <12 ore).
  • Presentazione HTA: un'azienda farmaceutica presenta un nuovo farmaco per il diabete; un modello decisionale confronta il farmaco con la terapia standard su un orizzonte di 30 anni. Un modello di Markov traccia gli stati della malattia (controllo A1c, complicanze). Output: ICER 25.000 $/QALY. NICE raccomanda il rimborso, informando le negoziazioni sui prezzi.
  • Programma di screening: un'agenzia di sanità pubblica utilizza un modello decisionale per valutare strategie di screening per il cancro cervicale (Pap test annuale vs ogni 3 anni vs screening basato su HPV). Il modello confronta costi, anni di vita salvati, QALY, danni (sovratrattamento). Output: HPV-based ogni 5 anni è il più efficiente, guida la politica nazionale.
  • Decisione condivisa: paziente con cancro alla prostata in stadio iniziale (basso rischio, asintomatico): un modello decisionale confronta la sorveglianza attiva vs prostatectomia radicale. L'albero incorpora la storia naturale del cancro alla prostata, il rischio chirurgico, gli esiti funzionali (continente, funzione erettile), la qualità della vita. Il paziente può vedere il valore atteso di ciascuna opzione adattato alle sue preferenze e tolleranza al rischio.
  • Prioritizzazione della ricerca: un modello di controllo delle malattie infettive confronta strategie di vaccinazione, trattamento e sorveglianza. L'analisi di sensibilità probabilistica identifica i parametri con la maggiore incertezza. L'analisi del valore dell'informazione (VOI) calcola: 'Quanto dati perfetti su X ridurrebbero l'incertezza decisionale?' Guida i finanziamenti della ricerca verso studi con il massimo valore.

Come funziona

Come funziona

1

Passo 1: Definire il problema decisionale. Quali sono le alternative decisionali? (es. Screening per il cancro colorettale (colonscopia) vs FOBT (test per il sangue occulto fecale) vs nessun screening). Qual è la popolazione di pazienti? (es. età 50-75, rischio medio). Qual è l'orizzonte temporale? (esito a 10 anni? Durata della vita?). Passo 2: Mappare la struttura. Identificare tutti gli eventi di chance (malattia progredisce vs regredisce, test è positivo vs negativo, eventi avversi si verificano vs no). Identificare gli esiti di interesse (vivo/morto, asintomatico vs sintomatico, costo in dollari, QALY). Passo 3: Popolare con le probabilità. Da dove provengono le probabilità? RCT (evidenza primaria), studi di coorte, registri nazionali, meta-analisi. Esempio: Se un RCT mostra che la colonscopia rileva il cancro colorettale nel 90% dei casi e previene la morte nel 95% dei casi rilevati, utilizzare P(rilevamento) = 0,90, P(morte prevenuta | rilevata) = 0,95. Per la progressione della malattia (non presente in alcuno studio), utilizzare l'epidemiologia pubblicata. Passo 4: Assegnare gli esiti. Utilità: pesi della qualità della vita (scala 0-1) per ogni stato di salute (salute normale = 1, diagnosi di cancro = 0,7, post-trattamento = 0,8). Costi: costo dello screening (300 $), costo del trattamento del cancro (50.000 $), monitoraggio continuo (500 $/anno). Passo 5: Costruire il modello. Utilizzare un albero decisionale (orizzonte breve, eventi discreti) o un modello di Markov (orizzonte lungo, stati ricorrenti). Software: TreeAge Pro (commerciale), Excel (base), R/Python (flessibile). Passo 6: Validare. Eseguire uno scenario di base (assistenza standard attuale) e confrontare gli output con la letteratura pubblicata (il modello corrisponde all'epidemiologia?).

Formula
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

Esempio di Albero Decisionale: Screening del cancro colorettale in un cinquantenne. Radice: Nodo decisionale (Quadrato): [Screening vs Nessuno Screening]. Ramo 1 (Screening): Esecuzione colonscopia. Nodo di chance (Cerchio): [Cancro trovato (prevalenza 10%) vs Non trovato (90%)]. Se trovato cancro: trattamento, esito = QALY = 0,85 (caso di cancro con trattamento, sopravvivenza a lungo termine). Costo = 300 $ (colonscopia) + 50.000 $ (trattamento) = 50.300 $. Se non trovato: assistenza di routine. Esito = QALY = 1,0 (senza cancro). Costo = 300 $. Valore atteso (Screening) = 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 $ di costo. Ramo 2 (Nessuno Screening): Assistenza di routine, esito = 1,0 QALY (assumendo nessun cancro non diagnosticato; conservativo). Costo = 0 $. Valore atteso (Nessuno Screening) = 1,0 QALY, 0 $ di costo. ICER (Screening vs Nessuno Screening) = (5.570 $ - 0 $) / (0,985 - 1,0) = denominatore negativo (lo screening riduce i QALY?). Ciò suggerisce che lo screening riduce i QALY a causa del rischio di diagnosi errata/sovratrattamento. Analisi di sensibilità: se P(prevalenza_cancro) = 20% invece del 10%, ricalcolare. L'ICER diventa positivo, lo screening ora è benefico. Analisi di soglia: a quale prevalenza di cancro lo screening raggiunge il pareggio (QALY uguali)? Risolvere: 0,985 diventa ≥ 1,0, trovare la soglia P(cancro). Analisi di sensibilità probabilistica: assegnare distribuzioni a tutti i parametri (prevalenza cancro, tasso di rilevamento, efficacia trattamento), eseguire 1.000 simulazioni, riportare la curva di accettabilità.

Formula
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

Decisione ottimale: Scegliere l'intervento con il più alto beneficio netto atteso (QALY - costo/WTP). Se l'ICER < soglia di disponibilità a pagare (WTP) (es. 20.000 £/QALY), l'intervento è costo-efficace e raccomandato. I risultati dell'analisi di sensibilità guidano la robustezza. Sensibilità unidirezionale (varia un parametro): il diagramma a tornado mostra quali parametri sono più influenti. Se la decisione cambia quando un parametro varia di ±20%, quel parametro è critico per le assunzioni. Sensibilità bidirezionale: variare co-variando due parametri (es. sensibilità e specificità del test) per mappare il panorama decisionale. Sensibilità probabilistica: la distribuzione degli ICER plausibili rivela l'intervallo di incertezza. La curva di accettabilità risponde: a quale soglia di WTP l'intervento è più probabilmente costo-efficace? Se la curva mostra una probabilità dell'85% di essere costo-efficace a 20.000 £/QALY, la decisione è robusta; se 40%, l'elevata incertezza richiede cautela o ulteriori ricerche. Analisi di sottogruppo: eseguire il modello separatamente per sottogruppi di pazienti (età, gravità della malattia, comorbidità). Le decisioni possono differire: es. screening raccomandato per pazienti ad alto rischio ma non per quelli a basso rischio. Analisi di soglia: identificare i valori di pareggio. Esempio: 'L'intervento è costo-efficace se l'efficacia del trattamento è ≥40%.' Ciò guida quali evidenze sono necessarie per prendere una decisione sicura.

Formula
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.

Errori comuni

  • Sovramodellazione: inclusione di troppi stati/rami, aumentando la complessità senza migliorare la comprensione decisionale. Iniziare in modo semplice; aggiungere dettagli se l'analisi di sensibilità lo indica.
  • Ancoraggio a stime singole: utilizzo di probabilità puntuali senza intervalli di incertezza. Condurre sempre analisi di sensibilità; le decisioni dovrebbero essere robuste a variazioni plausibili dei parametri.
  • Ignorare l'eterogeneità: applicare l'output medio del modello a tutti i pazienti, ignorando le differenze tra sottogruppi. L'analisi di sottogruppo è essenziale; alcuni pazienti beneficiano di più/meno.
  • Mancata validazione: non confrontare gli output del modello con dati epidemiologici pubblicati. Calibrare sempre lo scenario di base con dati esterni per individuare errori del modello.
  • Interpretazione errata del valore atteso: trattare il valore atteso come garanzia. Il valore atteso è l'esito medio; il paziente effettivo può sperimentare l'esito migliore o peggiore. Comunicare in modo appropriato.

Domande frequenti

Qual è la differenza tra un albero decisionale e un modello di Markov?

Albero decisionale: orizzonte temporale breve (es. periodo post-trattamento immediato), percorso singolo per braccio decisionale, ogni ramo ha un punto finale terminale. Utilizzato per decisioni acute (testare o meno, trattare o meno) con esiti che si verificano entro il periodo di studio. Modello di Markov: orizzonte temporale lungo (malattia cronica su anni/decenni), i pazienti ciclano attraverso stati di salute ripetutamente, le transizioni sono definite probabilisticamente. Utilizzato quando la progressione della malattia nel tempo è rilevante. Spesso combinati: l'albero decisionale determina la scelta iniziale (es. screening sì/no); quindi il modello di Markov proietta le conseguenze a lungo termine per il braccio scelto.

Come vengono assegnate le utilità in assenza di dati diretti?

Metodi: (1) Utilizzare pesi di utilità pubblicati (EQ-5D, SF-6D, tariffe HUI) per stati di salute simili. (2) Condurre un'elicitazione mirata delle utilità (time trade-off, scala analogica visiva, scelta discreta) con un campione di pazienti/popolazione generale. (3) Giudizio di esperti: i clinici stimano, riconoscendo l'incertezza. (4) Mapping: se lo studio ha raccolto dati sulla QoL su scale specifiche della malattia, utilizzare algoritmi di mapping pubblicati per convertirli in utilità. Le lacune nei dati dovrebbero innescare un'analisi di sensibilità: variare le utilità di ±20% e vedere se la decisione cambia.

Perché l'analisi di sensibilità è così importante nei modelli decisionali?

L'output del modello (ICER, raccomandazione) dipende dai parametri di input (probabilità, utilità, costi). I parametri sono stimati con incertezza. L'analisi di sensibilità testa la robustezza: se la decisione è robusta a intervalli plausibili dei parametri, la confidenza è alta; se la decisione cambia con piccole variazioni, la sensibilità è alta e la decisione è fragile. La sensibilità unidirezionale (varia un parametro), bidirezionale e probabilistica (varia tutti simultaneamente) mostrano quali parametri guidano i risultati. Ciò guida dove la raccolta dati è più preziosa.

Cos'è l''analisi di soglia' e quando è utile?

L'analisi di soglia identifica i valori di pareggio: 'A quale valore del parametro la decisione cambia?' Esempio: 'Se l'efficacia del trattamento è ≥60%, l'intervento è costo-efficace alla soglia di 20.000 £/QALY; al di sotto del 60%, non è costo-efficace.' Le soglie guidano l'interpretazione: se l'efficacia stimata è del 70% (sopra la soglia), la raccomandazione è robusta; se 58% (vicino alla soglia), sono necessari ulteriori dati sull'efficacia. Le soglie informano anche sui prezzi: un'azienda può calcolare 'A quale prezzo il nostro farmaco è costo-efficace per il pagatore?' Le soglie di costo guidano la negoziazione.

In che modo il valore atteso differisce dall'utilità attesa?

Valore atteso: costo/esito QALY atteso (media matematica). Utilità attesa: valore aggiustato per le preferenze di rischio individuali. Esempio: una decisione con il 50% di probabilità di un esito QALY di 10 e il 50% di probabilità di 0 (valore atteso = 5 QALY). Una persona neutrale al rischio valuta questo allo stesso modo di 5 QALY garantiti. Una persona avversa al rischio potrebbe preferire 3 QALY certi a una scommessa rischiosa; la sua utilità attesa < valore atteso. La maggior parte dei modelli decisionali utilizza il valore atteso (assunzione di neutralità al rischio); i modelli di decisione condivisa possono aggiustare per la preferenza di rischio del paziente.

Metodi correlati

Fonti

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

    Apri il riferimento DOI
    Copiato.
  2. Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.

    Apri il riferimento della pubblicazione
    Copiato.
  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.

    Apri il riferimento della pubblicazione
    Copiato.