Skip to content
Torna ai risultati

Modello di Catena di Markov in Economia Sanitaria

Introdotto da
Beck & Pauker (medical decision analysis, Massachusetts General Hospital)
Anno
1983
Tipo
Method
Famiglia
decision modeling framework

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

Dimensione del carattere

A cosa serve?

Un modello di Markov è uno strumento di analisi decisionale che simula la progressione della malattia attraverso stati di salute definiti nel tempo, calcolando costi cumulativi e anni di vita aggiustati per la qualità (QALY) per consentire l'analisi costo-efficacia.

Sviluppati da Beck e Pauker nel 1983, i modelli di Markov sono ora il quadro standard per la proiezione degli esiti a lungo termine degli interventi sanitari, in particolare per le malattie croniche in cui i pazienti passano da uno stato clinico all'altro (risposta al trattamento, progressione della malattia, remissione, morte). Utilizzati da organismi di valutazione delle tecnologie sanitarie e aziende farmaceutiche per prevedere il valore dell'intervento oltre la durata dello studio.

L’intuizione alla base del metodo

Gli studi randomizzati solitamente seguono i pazienti per 2-5 anni. Ma la politica sanitaria necessita di sapere: questo farmaco farà risparmiare denaro e migliorerà la salute in un orizzonte di 10 anni o per tutta la vita? I modelli di Markov estrapolano i risultati degli studi in avanti. L'idea centrale: i pazienti occupano stati di salute distinti (categorie di conta dei CD4 per l'HIV, stadi di malattia del cancro, classi NYHA per le malattie cardiache) e transitano tra gli stati con probabilità definite ogni anno. Una coorte inizia in uno stato; ogni anno, alcuni progrediscono verso una malattia peggiore, alcuni migliorano, alcuni muoiono. Si tracciano costi e salute (QALY) in ogni stato; si sommano per 10-30 anni. Risultato: costo totale e QALY, che consentono il calcolo costo-efficacia. Il Markov è elegante perché gestisce percorsi eterogenei attraverso la malattia (alcuni pazienti guariscono, altri progrediscono, altri recidivano) e lunghi orizzonti temporali in modo computazionalmente trattabile.

Storia

Beck e Pauker (1983) hanno introdotto i modelli di Markov nell'analisi decisionale medica nel loro articolo seminale sulla prognosi dell'HIV, mostrando come i modelli di transizione di stato potessero proiettare esiti a lungo termine. Sonnenberg e Beck (1993) hanno fornito una guida pratica per la costruzione e la validazione dei modelli di Markov. Negli anni 2000, i modelli di Markov sono diventati standard nelle presentazioni HTA; strumenti come TreeAge Pro (commerciale) e Microsoft Excel (accessibile) ne hanno consentito un'ampia adozione. Le critiche negli anni 2010 si sono concentrate sui limiti (assunzione senza memoria, difficoltà di calibrazione), stimolando lo sviluppo della simulazione a eventi discreti (tracciamento a livello individuale) e degli approcci di machine learning per la stima dei parametri. Oggi, i modelli di Markov rimangono dominanti nell'HTA; sono spesso l'approccio iniziale, con la microsimulazione utilizzata per casi complessi.

Quando usarlo

Quando un intervento sanitario influisce sulla progressione della malattia nel corso di anni o decenni e i dati degli studi non coprono l'intero orizzonte temporale. I modelli di Markov sono standard per: gestione delle malattie croniche (diabete, ipertensione, HIV, cancro); prevenzione a lungo termine (statine, vaccini); dispositivi con problemi di durabilità (protesi, dispositivi cardiaci); qualsiasi intervento che richieda estrapolazione oltre la durata dello studio. Obbligatori nella maggior parte delle presentazioni HTA (NICE, CADTH, HAS). Non necessari per: interventi acuti (chirurgia una tantum) con finestra di esiti breve; malattie rare con pochi pazienti (dati scarsi); situazioni in cui gli studi coprono già l'intera vita (raro).

Limiti e considerazioni

  • Assunzione di Markov senza memoria: le transizioni future dipendono solo dallo stato attuale, non dalla storia della malattia. Questo viene violato se, ad esempio, la prognosi di un paziente dipende dal tempo trascorso nello stato precedente (es. la durata della remissione predice il rischio di recidiva). Alternativa: 'stati tunnel' (es. remissione 1 anno, remissione >1 anno) per approssimare la dipendenza dalla storia, ma aumenta la complessità.
  • La definizione degli stati richiede giudizio clinico: Se gli stati sono troppo ampi (es. 'malattia lieve' vs 'malattia grave'), le transizioni sono eterogenee e imprecise. Troppi stati (es. CD4 in incrementi di 50 cellule) aumentano la complessità del modello senza guadagno di precisione.
  • Le probabilità di transizione sono spesso incerte o prese in prestito: Se lo studio ha seguito solo 5 anni ma il modello ne esegue 20, le probabilità di transizione successive sono estrapolate o considerate costanti (non basate sull'evidenza). Piccoli cambiamenti nelle transizioni si accumulano nel tempo (incertezza dei parametri).
  • Non cattura la variabilità individuale: Markov è un modello di coorte (percorsi medi); la simulazione a eventi discreti (alternativa) traccia le traiettorie individuali dei pazienti ma è più complessa.
  • La scelta della lunghezza del ciclo è arbitraria: i cicli annuali sono standard, ma la progressione della malattia può essere più rapida (cicli trimestrali, mensili necessari) o più lenta (cicli quinquennali accettabili). Cicli più brevi aumentano la precisione ma anche il calcolo e l'incertezza.

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

Punti di forza

  • Integra la storia naturale della malattia con gli effetti dell'intervento: può modellare come i farmaci alterano i tassi di progressione, consentendo stime realistiche di costo-efficacia a lungo termine oltre la durata dello studio.
  • Esplicito e trasparente: stati, probabilità di transizione, costi, utilità sono visibili e verificabili; i revisori possono criticare le assunzioni.
  • Flessibile: può accogliere percorsi di malattia complessi (remissione, recidiva, cambio di trattamento), interventi multipli, eterogeneità dei pazienti (analisi di sottogruppo).
  • Computazionalmente efficiente: i modelli di Markov vengono eseguiti in secondi su hardware moderno; consente rapide analisi di sensibilità e di scenario, a differenza della microsimulazione.

Applicazioni

  • Linee guida sul trattamento dell'HIV: Il modello di Markov proietta QALY e costi a 20 anni per l'inizio guidato dai CD4 vs terapia immediata vs diversi regimi; guida quando iniziare il trattamento e quali farmaci usare.
  • Screening del cancro: Il modello di Markov simula la progressione della malattia da normale → precancro → cancro → metastasi → morte; calcola la costo-efficacia di diversi intervalli di screening (mammografia annuale vs triennale).
  • Farmaci cardiovascolari: La terapia con statine riduce gli eventi cardiovascolari; il modello di Markov proietta la riduzione del rischio a 10 anni in diversi sottogruppi di pazienti (età, colesterolo basale, comorbidità); informa sulla soglia di trattamento.
  • Economia dei dispositivi: Il modello di sostituzione protesica articolare simula la transizione da articolazione sana → progressione dell'osteoartrite → sostituzioni multiple nel corso della vita; calcola la costo-efficacia a lungo termine rispetto alla gestione conservativa.
  • Politica vaccinale: Il modello del vaccino contro l'epatite B traccia una coorte dalla nascita all'età adulta; calcola le infezioni prevenute, le complicanze evitate, i QALY a vita; informa se includerlo nel calendario infantile vs recupero negli adolescenti.

Come funziona

Come funziona

1

Passo 1: Definire gli stati di salute. Esempio per l'HIV: CD4 <50 (AIDS), CD4 50–200 (immunosoppressione grave), CD4 200–500 (moderata), CD4 >500 (lieve), carica virale non rilevabile (trattata), deceduta. Questi dovrebbero essere clinicamente ed economicamente significativi (diverse opzioni di trattamento, costi o prognosi per stato). Passo 2: Specificare le transizioni. Ogni anno (ciclo), i pazienti possono: rimanere nello stato attuale, passare a una salute migliore (es. recupero dei CD4 con la terapia), passare a una salute peggiore (progressione della malattia) o morire. Probabilità di transizione = probabilità osservata o modellata di ciascuna transizione, derivata da: (a) dati di follow-up di RCT: se lo studio mostra che il 10% dei pazienti con CD4 <50 muore all'anno, P(CD4<50 → deceduta) = 0.10; (b) letteratura (coorti pubblicate); (c) esperienza clinica e calibrazione. Passo 3: Assegnare utilità specifiche per stato (pesi della qualità della vita, scala 0-1 dove 1 = salute perfetta). CD4 <50 può avere utilità 0.6 (sintomi correlati all'AIDS, incertezza); CD4 >500 in terapia può avere utilità 0.95 (salute quasi normale). Passo 4: Assegnare costi specifici per stato per ciclo: costi dei farmaci, monitoraggio (esami di laboratorio, visite mediche), ospedalizzazione/complicanze se applicabile. Passo 5: Costruire il modello in software (foglio di calcolo Excel, TreeAge Pro, R, Python) rappresentando stati e matrice di transizione. Passo 6: Verificare rispetto ai dati pubblicati: eseguire lo scenario di base (cura standard) e confrontare gli esiti a 10 anni con i dati di coorte pubblicati (calibrazione); aggiustare se necessario.

Formula
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

Calcolo della traccia di Markov: Simulare una coorte di 1.000 pazienti al basale (es. tutti in CD4 200–500). All'Anno 1, applicare le probabilità di transizione: se P(CD4 200–500 → CD4 >500) = 0.30, P(CD4 200–500 → CD4 50–200) = 0.15, P(CD4 200–500 → deceduta) = 0.05, allora: distribuzione Anno 1: 500 rimangono in CD4 200–500, 300 passano a CD4 >500, 150 passano a CD4 50–200, 50 muoiono. All'Anno 2, applicare le probabilità di transizione alla distribuzione dell'Anno 1; ripetere per ogni anno fino a quando tutti muoiono o si raggiunge l'orizzonte temporale. Per ogni ciclo, calcolare costi e QALY: costo Anno t = Σ(coorte nello stato s) × (costo per stato s); QALY Anno t = Σ(coorte nello stato s) × (utilità dello stato s). Scontare costi/QALY futuri del 3% annuo: PV = valore all'Anno t / (1.03)^t. Costo/QALY totale = somma dei valori annuali scontati. Esempio: costo Anno 1 = 500×$2.000 (costo CD4 200–500) + 300×$1.500 (costo CD4 >500) + 150×$5.000 (costo CD4 50–200) + 0 (deceduta) = $2.05M. Scontare al presente: PV Anno 1 = $2.05M / 1.03 = $1.99M. Dopo 10 anni: costo PV cumulativo (intervento) = $15M, QALY PV cumulativo (intervento) = 6.5 QALY. Comparatore (terapia standard) produce 5.0 QALY, costo $12M. ICER = ($15M − $12M) / (6.5 − 5.0) = $3M / 1.5 = $2M per QALY.

Formula
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

L'ICER dal modello di Markov guida il rimborso: se la soglia NICE è £20.000/QALY (circa $25.000 USD) e l'ICER = $2M per QALY, questo farmaco non è chiaramente costo-efficace. Se l'ICER = $18.000/QALY, è accettabile. L'analisi di sensibilità è fondamentale: (1) Deterministica: variare un parametro alla volta (es. tasso di mortalità ±20%, probabilità di transizione ±10%) e ricalcolare l'ICER; il grafico a tornado mostra quali parametri influenzano maggiormente il risultato. (2) Probabilistica: assegnare distribuzioni di probabilità a tutti i parametri incerti; eseguire 1.000–10.000 simulazioni con estrazioni casuali dalle distribuzioni; produrre una nuvola di possibili ICER e una curva di accettabilità (probabilità che l'intervento sia costo-efficace a diverse soglie di disponibilità a pagare). Se la curva di accettabilità mostra una probabilità dell'80% di costo-efficacia a £20.000/QALY, l'ICER è robusto; se 40%, l'elevata incertezza richiede cautela. Analisi di sottogruppo: eseguire modelli separati per pazienti più giovani vs più anziani, naive al trattamento vs esperti, baseline CD4 alta vs bassa; identificare i gruppi in cui l'intervento è più/meno costo-efficace. I risultati informano raccomandazioni condizionali: 'Finanziare questo farmaco per pazienti naive al trattamento (ICER $15K), ma non per pazienti esperti (ICER $40K).'

Formula
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.

Errori comuni

  • Assunzione di probabilità di transizione costanti nel tempo: Se i pazienti all'inizio della malattia progrediscono diversamente rispetto a dopo 10 anni, le probabilità costanti sono errate. Utilizzare probabilità di transizione dipendenti dal tempo se l'evidenza lo supporta (richiede complessità del modello).
  • Dimenticare gli stati tunnel per catturare la storia: Se la prognosi di un paziente dipende da quanto tempo è rimasto nello stato attuale (es. 'traiettoria' di recupero dei CD4), ignorarlo, e le transizioni saranno distorte. Gli stati tunnel (recupero CD4 <1 anno vs ≥1 anno) sono una soluzione.
  • Sovraparametrizzazione: Includere troppi stati e transizioni gonfia il modello; l'incertezza dei parametri esplode. Si preferiscono modelli parsimoniosi (minimi stati necessari); aggiungere complessità solo se clinicamente giustificato.
  • Ignorare la calibrazione: Gli esiti derivati dal modello dovrebbero corrispondere ai dati pubblicati per la stessa popolazione sotto lo stesso trattamento. Se la sopravvivenza a 10 anni prevista da Markov è del 60% ma una coorte pubblicata mostra il 50%, il modello è mal calibrato e i risultati inaffidabili. Calibrare sempre lo scenario di base.
  • Assumere che le transizioni derivate dagli studi si applichino ai pazienti del mondo reale: gli RCT spesso arruolano pazienti più giovani, più sani e più aderenti rispetto al mondo reale. Le probabilità di transizione dagli RCT potrebbero non generalizzare; la validazione esterna rispetto a coorti del mondo reale è importante.

Domande frequenti

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

Gli alberi decisionali si ramificano ai punti decisionali (es. trattare vs non trattare) e mostrano esiti immediati (endpoint dello studio). I modelli di Markov simulano la progressione attraverso stati per molti cicli, catturando la storia naturale della malattia nel corso degli anni. Gli alberi decisionali gestiscono decisioni a breve termine e una tantum; i modelli di Markov gestiscono malattie croniche con transizioni continue. Spesso combinati: l'albero decisionale determina l'assegnazione di base/trattamento; quindi il modello di Markov simula la progressione successiva.

Come vengono calibrate le probabilità di transizione se i dati degli studi sono incompleti?

Metodi: (1) Letteratura pubblicata: ricerca di studi di coorte che riportano tassi di transizione per la stessa popolazione di pazienti, stessi stati di malattia. (2) Meta-analisi: se disponibili studi multipli di piccole dimensioni, aggregare i dati per stimare la probabilità di transizione. (3) Opinione di esperti: convocare clinici per stimare le transizioni in assenza di dati (meno rigoroso). (4) Calibrazione: eseguire il modello con le transizioni stimate; confrontare gli esiti a 5 anni con i dati di studi pubblicati; aggiustare le transizioni fino a quando il modello non corrisponde allo studio (ingegneria inversa). L'analisi di sensibilità dovrebbe riflettere l'incertezza nelle transizioni.

I modelli di Markov dovrebbero includere tutti gli stati di salute clinicamente rilevanti?

No, includere solo gli stati che influenzano materialmente i costi o gli esiti. Esempio: distinguere CD4 100–150 da CD4 50–100 è clinicamente importante (diversa tossicità del trattamento, rischio di mortalità), quindi includerli entrambi. Distinguere CD4 501–520 da CD4 521–540 è probabilmente irrilevante; combinarli in CD4 >500. Regola generale: se un cambiamento di stato altererebbe la gestione clinica o il costo di oltre il 10%, includerlo.

Come sono correlate la lunghezza del ciclo e lo sconto?

La lunghezza del ciclo (annuale, trimestrale, mensile) determina la frequenza delle transizioni e quando vengono maturati costi/QALY. Cicli più brevi (mensili) aumentano l'accuratezza ma anche il tempo di calcolo. Lo sconto viene applicato ai costi/QALY di ciascun ciclo: sconto annuale del 3% significa Valore Anno 2 × 1/1.03, Anno 3 × 1/1.03², ecc. Se si utilizzano cicli trimestrali, aggiustare il tasso di sconto: trimestrale = 3%^(1/4) ≈ 0.74% per trimestre. Standard: cicli annuali con sconto annuale del 3%.

Cos'è uno 'stato tunnel' e quando è necessario?

Uno stato tunnel cattura quanto tempo un paziente è rimasto in uno stato attuale, violando l'assunzione senza memoria. Esempio: CD4 'recentemente recuperato' (in terapia antiretrovirale <1 anno) ha un rischio maggiore di sindrome infiammatoria da ricostituzione immunitaria (IRIS) rispetto a CD4 'stabile' (in terapia >1 anno). Creare due stati: CD4 >500 (rischio IRIS) e CD4 >500 (stabile); transizione tra di essi dopo 1 anno. Gli stati tunnel aumentano la complessità del modello ma migliorano l'accuratezza quando la storia è importante.

Come viene incorporata la compliance/aderenza nei modelli di Markov?

Opzione 1: Utilizzare dati di studi reali dall'analisi ITT (intention-to-treat) che incorporano l'aderenza effettiva. Opzione 2: Creare stati separati (aderente vs non aderente) e modellare le transizioni (scivolamenti nell'aderenza, ripresa dell'aderenza). Opzione 3: Ridurre l'efficacia nel modello per riflettere l'aderenza a livello di popolazione (es. se lo studio ha mostrato l'80% di aderenza e l'efficacia è assunta al 70% dell'efficacia dello studio). L'analisi di sensibilità dovrebbe esplorare l'impatto delle assunzioni sull'aderenza.

Metodi correlati

Fonti

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

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

    Apri il riferimento DOI
    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.