Health Economicsにおける意思決定分析モデリング
- 提唱者
- Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
- 年
- 1975
- 種類
- Method
- 系統
- health economic evaluation framework
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
意思決定分析モデリングは、確率、アウトカム、コスト、患者の選好に関するエビデンスを定量モデルに統合することにより、健康介入を比較するための体系的なフレームワークである。1975年にPaukerとKassirerによって開発された意思決定分析は、臨床的な不確実性と経済的なトレードオフを構造化し、治療選択肢の透明な比較と最適な戦略の特定を可能にする。健康技術評価、臨床診療ガイドライン作成、およびリソース配分決定に用いられる。
手法の背後にある直感
臨床医は意思決定に直面する:新規に高血圧と診断された65歳患者は、降圧療法を開始すべきか、それとも経過観察(監視待機)すべきか?治療は心血管リスクを低減するが、副作用とコストを伴う。この患者に対してこの問いに直接答える単一の試験はない。なぜなら、アウトカムは個々のリスクプロファイル、そのサブグループにおける薬剤の効果、および選好に依存するからである。意思決定分析はトレードオフを定量化する:この患者が利益を得る確率はどのくらいか?コストはどのくらいか?治療中と治療なしでの生活の質は?利用可能なすべてのエビデンス(RCT、疫学、コストデータ)を1つのモデルに統合することにより、意思決定分析は各選択肢の期待値を計算する。期待値 = Σ(アウトカムの確率 × アウトカムの価値)。脳卒中を予防する確率が80%(価値2 QALYs)で、副作用を引き起こす確率が20%(価値-0.5 QALYs)の治療の期待値 = 0.8×2 + 0.2×(−0.5) = 1.5 QALYs。代替案(監視待機)の期待値が1.0 QALYsであれば、期待値基準では治療が好ましい。意思決定分析は明示的な推論を強制し、体系的な比較を可能にする。
歴史学
PaukerとKassirer(1975、1976)は、期待値理論(von Neumann & Morgenstern)を臨床意思決定に適用し、意思決定分析を医学で開拓した。初期の応用:無症候性疾患の治療時期、診断検査の実施時期。WeinsteinとFineberg(1980)は影響力のある教科書を出版した。1990年代までに、意思決定分析は臨床疫学と医療サービス研究に確立された。Briggs、Claxton、Sculpher(2000年代)は、意思決定分析を経済評価(コスト、QALYs、CEA/CBAの統合)に拡張した。意思決定木は、慢性疾患(1990年代)のためのマルコフモデルに取って代わられた。確率的感度分析(モンテカルロシミュレーション)は2000年代までに標準となり、不確実性の定量化を可能にした。今日、意思決定モデリングはHTA提出とガイドライン作成において日常的であり、ツール(TreeAge、Rパッケージ)は統計学者以外にもアクセスを民主化した。
使うべき場面
健康介入を比較し、意思決定者が体系的なエビデンス統合を必要とする場合。意思決定分析は以下に標準的である:(1)臨床診療ガイドライン作成(治療戦略の比較)。(2)健康技術評価(償還決定)。(3)リソース配分(介入の優先順位付け)。(4)研究優先順位付け(意思決定の信頼性を最も向上させるのはどこか特定)。(5)患者カウンセリング(共有意思決定ツール)。複数の選択肢が存在し、アウトカムが不確実で、選好とコストが重要であり、透明なフレームワークが重視される場合に用いられる。直感的な意思決定(例:効用が同じで、一方がはるかに安い2つの薬剤)や、モデリングがあまり価値を加えないまれなアウトカムには必要ない。
限界と注意点
- パラメータの不確実性:モデルは入力確率と効用と同じくらいしか良くない;データが不十分または偏っている場合、モデルの出力は信頼できない。
- 合理的な意思決定を仮定する:期待値アプローチは意思決定者がリスク中立であると仮定する;実際の選好はしばしば非線形である(損失回避、希望バイアス)。
- 現実を単純化する:モデルは必然的に疾患の複雑さを抽象化する;重要な臨床的要因が省略されたり平均化されたりして、患者固有のニュアンスが失われる可能性がある。
- 相当なデータを必要とする:厳密なモデルの構築には、確率(試験、登録)、効用(選好調査)、およびコスト(会計記録)に関するデータが必要;データはしばしば不完全である。
- ゴミはゴミを生む(GIGO):入力仮定が間違っているか論争の的である場合、数学的な厳密さにもかかわらず出力は誤解を招く。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- エビデンスを透明性をもって統合する:確率、アウトカム、コスト、効用が明示的に述べられ、関連付けられており、利害関係者による批判とエビデンスの進化に伴う更新を可能にする。
- 不確実性を体系的に扱う:感度分析と確率的分析により、不確実性が意思決定に与える影響を定量化し、さらなる研究が最も価値のある場所をガイドする。
- コミュニケーションを促進する:意思決定木が問題構造を視覚化する;利害関係者(臨床医、患者、支払者)がトレードオフと価値判断を理解する。
- 柔軟性:多様なエビデンスタイプ(RCT、観察研究、専門家の意見)に対応でき、新しいデータが出現するにつれて更新できる。
応用
- 臨床ガイドライン作成:急性冠症候群治療のための心臓病ガイドライン:意思決定モデルはPCI(経皮的冠動脈形成術)対医学的管理対緊急バイパスを比較する。モデルはRCTの効果、処置合併症、回復時間、QoLを統合する;出力は特定の患者プロファイル(例:年齢<70歳、症状期間<12時間)に対してPCIを推奨する。
- HTA提出:製薬会社が新しい糖尿病薬を提出する;意思決定モデルは30年間の期間で薬剤対標準治療を比較する。マルコフモデルは疾患状態(A1cコントロール、合併症)を追跡する。出力:ICER $25,000/QALY。NICEは償還を推奨し、価格交渉に情報を提供する。
- スクリーニングプログラム:公衆衛生機関が意思決定モデルを使用して子宮頸がんスクリーニング戦略(年1回のパップスミア対3年ごとのパップスミア対HPVベースのスクリーニング)を評価する。モデルはコスト、救命年、QALYs、害(過剰治療)を比較する。出力:5年ごとのHPVベースが最も効率的であり、国家政策をガイドする。
- 共有意思決定:早期前立腺がん(低リスク、無症候性)の患者:意思決定モデルは積極的監視対根治的前立腺摘出術を比較する。ツリーは前立腺がんの自然史、手術リスク、機能的アウトカム(失禁、勃起機能)、生活の質を組み込む。患者は、個々の選好とリスク許容度に合わせて調整された各選択肢の期待値を見ることができる。
- 研究優先順位設定:感染症制御のモデルがワクチン接種、治療、監視戦略を比較する。確率的感度分析は、最も不確実性の高いパラメータを特定する。情報価値(VOI)分析は、「Xに関する完全なデータがあれば、意思決定の不確実性をどの程度減らすことができるか?」を計算する。最も価値の高い研究に研究資金をガイドする。
使い方
使い方
ステップ1:意思決定問題を定義する。意思決定の代替案は何か?(例:大腸がんスクリーニング(大腸内視鏡検査)対FOBT(便潜血検査)対スクリーニングなし)。患者集団は誰か?(例:年齢50〜75歳、平均リスク)。時間的視野は?(10年アウトカム?生涯?)。ステップ2:構造をマッピングする。すべての偶発事象(疾患の進行 vs 退行、検査陽性 vs 陰性、有害事象の発生 vs 非発生)を特定する。関心のあるアウトカム(生存/死亡、無症状 vs 有症状、ドル建てのコスト、QALYs)を特定する。ステップ3:確率を埋める。確率はどこから来るのか?RCT(一次エビデンス)、コホート研究、全国登録、メタアナリシス。例:RCTが大腸がんを90%の症例で検出し、検出された症例の95%で死亡を防ぐことを示す場合、P(検出)= 0.90、P(死亡予防 | 検出)= 0.95を使用する。疾患進行(どの試験にも含まれていない)については、公表されている疫学を使用する。ステップ4:アウトカムを割り当てる。効用:各健康状態の生活の質重み(0〜1スケール)(正常な健康=1、がん診断=0.7、治療後=0.8)。コスト:スクリーニングコスト(300ドル)、がん治療コスト(50,000ドル)、継続的なモニタリング(年間500ドル)。ステップ5:モデルを構築する。意思決定木(短い時間的視野、離散イベント)またはマルコフモデル(長い時間的視野、反復状態)を使用する。ソフトウェア:TreeAge Pro(商用)、Excel(基本)、R/Python(柔軟)。ステップ6:検証する。ベースラインシナリオ(現在の標準治療)を実行し、出力を公表されている文献と比較する(モデルは疫学と一致するか?)。
数式
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.
意思決定木例:50歳患者の大腸がんスクリーニング。根:意思決定ノード(四角):[スクリーニング vs 非スクリーニング]。枝1(スクリーニング):大腸内視鏡検査を実施。偶発事象ノード(円):[がん発見(有病率10%) vs 未発見(90%)]。がん発見時:治療、アウトカム=QALY=0.85(治療によるがん症例、長期生存)。コスト=300ドル(大腸内視鏡検査)+ 50,000ドル(治療)= 50,300ドル。未発見時:通常ケア。アウトカム=QALY=1.0(がんフリー)。コスト=300ドル。期待値(スクリーニング)= 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コスト。枝2(非スクリーニング):通常ケア、アウトカム=1.0 QALY(未診断のがんがないと仮定、保守的)。コスト=0ドル。期待値(非スクリーニング)= 1.0 QALYs, $0コスト。ICER(スクリーニング vs 非スクリーニング)= ($5,570 - $0) / (0.985 - 1.0) = 分母が負(スクリーニングでQALYが減少?)。これは、誤診/過剰治療のリスクによるスクリーニングでのQALY減少を示唆する。感度分析:P(がん有病率)= 20%(10%ではなく)の場合、再計算する。ICERは正になり、スクリーニングは有益になる。閾値分析:がん有病率がいくらであればスクリーニングは損益分岐点(QALYが等しくなる)になるか?解く:0.985が≥1.0になる、P(がん)の閾値を求める。確率的感度分析:すべてのパラメータ(がん有病率、検出率、治療効果)に分布を割り当て、1,000回のシミュレーションを実行し、許容度曲線(acceptability curve)を報告する。
数式
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.
最適な意思決定:期待純便益(QALY - コスト/WTP)が最も高い介入を選択する。ICER < 支払意思(WTP)閾値(例:£20,000/QALY)であれば、介入は費用対効果が高く推奨される。感度分析の結果は頑健性をガイドする。一次元感度分析(1つのパラメータを変更):トルネードチャートは、どのパラメータが最も影響力があるかを示す。パラメータを±20%変更したときに意思決定が変わる場合、そのパラメータは仮定にとって重要である。二次元感度分析:2つのパラメータ(例:検査の感度と特異度)を同時に変更して、意思決定のランドスケープをマッピングする。確率的感度分析:考えられるICERの分布が不確実性の範囲を明らかにする。許容度曲線は、どのWTP閾値で介入が最も費用対効果が高い可能性が高いかという問いに答える。曲線が£20,000/QALYで85%の確率で費用対効果が高いことを示す場合、意思決定は頑健である;40%であれば、高い不確実性は注意またはさらなる研究を必要とする。サブグループ分析:患者サブグループ(年齢、疾患重症度、併存疾患)ごとにモデルを別々に実行する。意思決定は異なる場合がある:例:高リスク患者にはスクリーニングが推奨されるが、低リスク患者には推奨されない。閾値分析:損益分岐値(break-even values)を特定する。例:「治療効果が≥40%であれば、介入は費用対効果が高い。」これは、確実な意思決定を行うためにどのようなエビデンスが必要かをガイドする。
数式
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.
よくある落とし穴
- 過剰モデリング:状態/枝が多すぎると、意思決定の洞察を改善せずに複雑さが増大する。単純に始め、感度分析で重要であることが示された場合に詳細を追加する。
- 単一推定値へのアンカリング:不確実性範囲なしで点推定確率を使用する。常に感度分析を実施する;意思決定は合理的なパラメータ変動に対して頑健であるべきである。
- 異質性の無視:平均モデル出力をすべての患者に適用し、サブグループの違いを無視する。サブグループ分析は不可欠;一部の患者はより多く/少なく利益を得る。
- 検証の失敗:モデル出力を公表された疫学データと比較しない。モデルのエラーを検出するために、常にベースラインシナリオを外部データにキャリブレーションする。
- 期待値の誤解:期待値を保証とみなす。期待値は平均アウトカム;実際には患者は最良または最悪のアウトカムを経験する可能性がある。適切に伝達する。
よくある質問
意思決定木とマルコフモデルの違いは何ですか?
意思決定木:短い時間的視野(例:治療直後の期間)、各意思決定アームごとに単一の経路、各枝の終端エンドポイント。急性意思決定(検査するかしないか、治療するかしないか)で、試験期間内にアウトカムが発生する場合に使用される。マルコフモデル:長い時間的視野(数年/数十年間の慢性疾患)、患者は健康状態を繰り返し循環し、遷移は確率的に定義される。疾患が時間とともに進行する場合に使用される。しばしば組み合わされる:意思決定木が初期の選択(例:スクリーニングの有無)を決定し、次にマルコフモデルが選択されたアームの長期的な結果を予測する。
直接的なデータがない場合、効用はどのように割り当てられますか?
方法:(1)類似の健康状態に対して、公表されている効用重み(EQ-5D、SF-6D、HUI料金表)を使用する。(2)患者/一般人口サンプルで、焦点を絞った効用獲得(時間トレードオフ、視覚アナログスケール、離散選択)を実施する。(3)専門家の判断:臨床医が不確実性を認識しながら推定する。(4)マッピング:試験が疾患固有の尺度でQoLデータを収集した場合、公表されているマッピングアルゴリズムを使用して効用に変換する。データのギャップは感度分析を引き起こすべきである:効用を±20%変動させ、意思決定が変わるかどうかを確認する。
なぜ感度分析は意思決定モデルでそれほど重要なのでしょうか?
モデルの出力(ICER、推奨)は、入力パラメータ(確率、効用、コスト)に依存する。パラメータは不確実性をもって推定される。感度分析は頑健性をテストする:意思決定が合理的なパラメータ範囲に対して頑健であれば、信頼度は高い;わずかな変化で意思決定が反転する場合、感度が高く、意思決定は脆弱である。一次元感度分析(1つのパラメータを変更)、二次元、および確率的(すべて同時に変更)は、どのパラメータが結果を駆動するかを示す。これは、より多くのデータ収集が最も価値のある場所をガイドする。
「閾値分析」とは何ですか、そしていつ役立ちますか?
閾値分析は損益分岐値(break-even values)を特定する:「どのパラメータ値で意思決定が切り替わるか?」例:「治療効果が≥60%であれば、介入は£20,000/QALYの閾値で費用対効果が高い;60%未満であれば、費用対効果が高くない。」閾値は解釈をガイドする:推定された効果が70%(閾値以上)であれば、推奨は頑健である;58%(閾値に近い)であれば、効果に関するより多くのデータが必要である。閾値は価格設定もガイドする:企業は、「いくらの価格であれば、当社の薬剤は支払者にとって費用対効果が高いか?」を計算できる。コスト閾値は交渉を推進する。
期待値と期待効用はどう異なりますか?
期待値:期待されるコスト/QALYアウトカム(数学的平均)。期待効用:個人のリスク選好に合わせて調整された価値。例:QALYアウトカム10の確率50%と0の確率50%の意思決定(期待値=5 QALYs)。リスク中立者はこれを保証された5 QALYと同じ価値とみなす。リスク回避者は、確実な3 QALYをリスクのある賭けよりも好むかもしれない;彼らの期待効用は期待値よりも低い。ほとんどの意思決定モデルは期待値(リスク中立仮定)を使用する;共有意思決定モデルは患者のリスク選好に合わせて調整する場合がある。
関連する手法
参考文献
Pauker, S. G., & Kassirer, J. P. (1975). Therapeutic Decision Making: A Cost-Benefit Analysis. New England Journal of Medicine, 293(5), 229-234.
DOI 文献を開くコピーしました。Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.
出版物の文献を開くコピーしました。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.
出版物の文献を開くコピーしました。