Skip to content
検索結果に戻る

健康経済学におけるマルコフ連鎖モデル

提唱者
Beck & Pauker (medical decision analysis, Massachusetts General Hospital)
年
1983
種類
Method
系統
decision modeling 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

文字サイズ

何をする手法か?

マルコフモデルは、定義された健康状態を通じて疾患の進行を時間とともにシミュレートし、累積費用と質調整生存年数(QALY)を計算して費用対効果分析を可能にする意思決定分析ツールです。1983年にBeckとPaukerによって開発されたマルコフモデルは、特に患者が臨床状態(治療反応、疾患進行、寛解、死亡)間を移行する慢性疾患において、健康介入の長期的な結果を予測するための標準的な枠組みとなっています。健康技術評価機関や製薬会社によって、試験期間を超えた介入価値を予測するために使用されています。

手法の背後にある直感

ランダム化試験では通常、患者を2〜5年間追跡します。しかし、医療政策では「この薬剤は10年または生涯にわたって費用を節約し、健康を改善するのか?」を知る必要があります。マルコフモデルは試験結果を将来に外挿します。中心的な考え方は、患者が個別の健康状態(HIVのCD4カウントカテゴリー、がんの病期、心疾患のNYHA分類)にあり、毎年定義された確率で状態間を移行することです。コホートは1つの状態から始まります。毎年、一部の患者はより重い病状に進行し、一部は改善し、一部は死亡します。各状態の費用と健康(QALY)を追跡し、10〜30年間合計します。出力は、総費用とQALYであり、費用対効果の計算を可能にします。マルコフモデルは、疾患における不均一な経路(一部の患者は回復し、一部は進行し、一部は再発する)と長期的な時間的範囲を計算可能な方法で処理できるため、エレガントです。

歴史学

BeckとPauker(1983)は、HIV予後に関する画期的な論文でマルコフモデルを医療意思決定分析に導入し、状態遷移モデルが長期的な結果をどのように予測できるかを示しました。SonnenbergとBeck(1993)は、マルコフモデルの構築と検証のための実用的なガイドを提供しました。2000年代までに、マルコフモデルはHTA提出の標準となり、TreeAge Pro(商用)やMicrosoft Excel(アクセス可能)などのツールが広く普及しました。2010年代の批判は、限界(記憶喪失仮定、キャリブレーションの困難さ)に焦点を当て、個々のレベルの追跡を可能にする離散イベントシミュレーションや、パラメータ推定のための機械学習アプローチの開発を促進しました。今日、マルコフモデルはHTAで依然として支配的であり、しばしば最初のアプローチとして使用され、複雑なケースにはマイクロシミュレーションが使用されます。

使うべき場面

健康介入が数年から数十年かけて疾患進行に影響を与え、試験データが完全な時間的範囲をカバーしない場合。マルコフモデルは、慢性疾患管理(糖尿病、高血圧、HIV、がん)、長期予防(スタチン、ワクチン)、耐久性に疑問のあるデバイス(インプラント、心臓デバイス)、試験期間を超えた外挿が必要なあらゆる介入の標準です。ほとんどのHTA提出(NICE、CADTH、HAS)で必須です。急性介入(一回限りの手術)で短期的な結果ウィンドウがある場合、患者数が少ない希少疾患(データが乏しい)、試験がすでに生涯をカバーしている状況(まれ)には必要ありません。

限界と注意点

  • マルコフの記憶喪失仮定:将来の移行は、疾患の履歴ではなく、現在の状態のみに依存します。これは、例えば、患者の予後が以前の状態に費やした時間に依存する場合(例:寛解期間が再発リスクを予測する)に違反されます。代替案:「トンネル状態」(例:寛解1年、寛解>1年)を使用して履歴依存性を近似しますが、複雑さが増します。
  • 状態定義には臨床的判断が必要:状態が広すぎる場合(例:「軽度疾患」対「重度疾患」)、移行は異質で不正確になります。状態が多すぎる場合(例:CD4を50細胞刻み)、精度を上げずにモデルの複雑さを増大させます。
  • 移行確率はしばしば不確実または借り物:試験が5年間しか追跡しなかったがモデルが20年間実行する場合、後期の移行確率は外挿されるか一定と仮定されます(証拠に基づかない)。移行の小さな変化は時間とともに累積します(パラメータの不確実性)。
  • 個々の変動を捉えられない:マルコフはコホートモデル(平均経路)です。離散イベントシミュレーション(代替案)は個々の患者の軌跡を追跡しますが、より複雑です。
  • サイクル長の選択は恣意的:年次サイクルが標準ですが、疾患進行はより速い(四半期、月次サイクルが必要)または遅い(5年サイクルで許容可能)場合があります。短いサイクルは精度を高めますが、計算と不確実性も増大します。

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

  • 疾患の自然史と介入効果を統合します。薬剤が進行率をどのように変化させるかをモデル化でき、試験期間を超えた現実的な長期費用対効果推定を可能にします。
  • 明示的かつ透明:状態、移行確率、費用、効用は可視的で監査可能であり、レビュー担当者は仮定を批判できます。
  • 柔軟:複雑な疾患経路(寛解、再発、治療切り替え)、複数の介入、患者の異質性(サブグループ分析)に対応できます。
  • 計算効率が高い:マルコフモデルは最新のハードウェアで数秒で実行でき、マイクロシミュレーションとは異なり、迅速な感度およびシナリオ分析を可能にします。

応用

  • HIV治療ガイドライン:マルコフモデルは、CD4ガイドによる開始対即時治療対異なるレジメンの20年QALYと費用を予測し、治療開始時期と使用する薬剤をガイドします。
  • がんスクリーニング:マルコフモデルは、正常→前がん病変→がん→転移→死亡までの疾患進行をシミュレートし、異なるスクリーニング間隔(年次対3年ごとのマンモグラフィー)の費用対効果を計算します。
  • 心血管系薬剤:スタチン療法は心血管イベントを減少させます。マルコフモデルは、さまざまな患者サブグループ(年齢、ベースラインコレステロール、併存疾患)における10年間のリスク減少を予測し、治療閾値を通知します。
  • デバイス経済学:人工関節置換モデルは、健康な関節→変形性関節症進行→生涯にわたる複数回の置換への移行をモデル化し、保存的治療に対する長期的な費用対効果を計算します。
  • ワクチン政策:B型肝炎ワクチンモデルは、出生から成人までのコホートを追跡し、予防された感染症、回避された合併症、生涯QALYを計算し、小児スケジュールに含めるべきか、または青年期にキャッチアップすべきかを通知します。

使い方

使い方

1

ステップ1:健康状態を定義する。HIVの例:CD4 <50(エイズ)、CD4 50–200(重度の免疫不全)、CD4 200–500(中程度)、CD4 >500(軽度)、検出限界以下のウイルス量(治療中)、死亡。これらは臨床的および経済的に意味のあるもの(異なる治療選択肢、費用、または予後)であるべきです。ステップ2:移行を指定する。毎年(サイクル)、患者は現在の状態にとどまる、より健康な状態に移行する(例:治療によるCD4回復)、より悪い健康状態に移行する(疾患進行)、または死亡することができます。移行確率=各移行の観測またはモデル化された可能性。これは、(a)RCTの追跡データ:試験でCD4 <50の患者の10%が毎年死亡する場合、P(CD4 <50 → 死亡)= 0.10。(b)文献(公表されたコホート)。(c)臨床専門知識とキャリブレーションから導き出されます。ステップ3:状態固有の効用(生活の質重み、1 =完全な健康の0〜1スケール)を割り当てる。CD4 <50は効用0.6(エイズ関連症状、不確実性)を持つ可能性があります。治療中のCD4 >500は効用0.95(ほぼ正常な健康)を持つ可能性があります。ステップ4:サイクルごとの状態固有の費用を割り当てる:薬剤費、モニタリング(検査、診察)、該当する場合は入院/合併症。ステップ5:状態と移行行列を表すソフトウェア(Excelスプレッドシート、TreeAge Pro、R、Python)でモデルを構築する。ステップ6:公表データと比較して検証する:ベースラインシナリオ(標準治療)を実行し、10年間の結果を公表されたコホートデータと比較して(キャリブレーション)、必要に応じて調整する。

数式
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

マルコフトレース計算:ベースラインで1,000人の患者のコホートをシミュレートします(例:すべてCD4 200–500)。1年目に、移行確率を適用します。P(CD4 200–500 → CD4 >500)= 0.30、P(CD4 200–500 → CD4 50–200)= 0.15、P(CD4 200–500 → 死亡)= 0.05の場合:1年目の分布:CD4 200–500に500人、CD4 >500に300人、CD4 50–200に150人、死亡が50人。2年目に、1年目の分布に移行確率を適用します。すべての患者が死亡するか、時間的範囲に達するまで、各年について繰り返します。各サイクルについて、費用とQALYを計算します:t年目の費用 = Σ(状態sのコホート)×(状態sあたりの費用)。t年目のQALY = Σ(状態sのコホート)×(状態sの効用)。将来の費用/QALYを年率3%で割り引きます:PV = t年目の値 / (1.03)^t。総費用/QALY = 割引された年間の値の合計。例:1年目の費用 = 500×$2,000(CD4 200–500の費用)+ 300×$1,500(CD4 >500の費用)+ 150×$5,000(CD4 50–200の費用)+ 0(死亡)= $2.05M。現在価値に割引:1年目のPV = $2.05M / 1.03 = $1.99M。10年後:介入の累積PV費用 = $15M、介入の累積PV QALY = 6.5 QALY。比較対象(標準治療)は5.0 QALY、費用$12Mをもたらします。ICER = ($15M − $12M) / (6.5 − 5.0) = $3M / 1.5 = QALYあたり$2M。

数式
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

マルコフモデルからのICERは償還を導きます。NICEの閾値が£20,000/QALY(約$25,000 USD)でICERがQALYあたり$2Mの場合、この薬剤は明らかに費用対効果が高くありません。ICERがQALYあたり$18,000の場合、許容されます。感度分析は極めて重要です:(1)決定論的:1つのパラメータを一度に変更(例:死亡率±20%、移行確率±10%)してICERを再計算します。トルネードチャートは、どのパラメータが結果に最も影響するかを示します。(2)確率論的:すべての不確実なパラメータに確率分布を割り当てます。分布からのランダムな引きで1,000〜10,000回のシミュレーションを実行します。可能なICERのクラウドと許容度曲線(さまざまなWTP閾値で費用対効果が高い確率)を出力します。許容度曲線が£20,000/QALYで費用対効果が高い確率が80%を示す場合、ICERは堅牢です。40%の場合、高い不確実性は注意を要します。サブグループ分析:より若い患者とより高齢の患者、治療未経験者と経験者、CD4ベースラインが高い患者と低い患者で別々のモデルを実行します。介入が最も費用対効果が高い/低いグループを特定します。結果は条件付き推奨事項を通知します:「治療未経験の患者にはこの薬剤を(ICER $15K)、経験者には(ICER $40K)ではなく、資金提供する」。

数式
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.

よくある落とし穴

  • 時間とともに一定の移行確率を仮定する:疾患初期の患者が10年後とは異なる進行をする場合、一定の確率は誤りです。証拠が支持する場合(モデルの複雑さが必要)、時間依存の移行確率を使用します。
  • 履歴を捉えるためのトンネル状態の無視:患者の予後が現在の状態にいる期間に依存する場合(例:CD4回復の「軌跡」)、これを無視すると、移行は偏ります。トンネル状態(CD4回復<1年対≥1年)は回避策です。
  • 過剰パラメータ化:多すぎる状態と移行を含めるとモデルが肥大化し、パラメータの不確実性が爆発します。パーシモニアスなモデル(必要な最小限の状態)が好まれます。複雑さは臨床的に正当化される場合にのみ追加します。
  • キャリブレーションの無視:モデルから導き出された結果は、同じ集団で同じ治療下での公表データと一致する必要があります。マルコフによって予測された10年生存率が60%で、公表されたコホートが50%を示す場合、モデルは誤ってキャリブレーションされており、結果は信頼できません。常にベースラインシナリオをキャリブレーションしてください。
  • 試験由来の移行が実世界の患者に適用されると仮定する:RCTはしばしば、実世界の患者よりも若く、健康で、より遵守的な患者を登録します。RCTからの移行確率は一般化されない可能性があり、実世界のコホートに対する外部検証が重要です。

よくある質問

マルコフモデルと意思決定ツリーの違いは何ですか?

意思決定ツリーは、意思決定ポイント(例:治療する対治療しない)で分岐し、即時の結果(試験エンドポイント)を示します。マルコフモデルは、多くのサイクルにわたる状態の進行をシミュレートし、疾患の自然史を数年かけて捉えます。意思決定ツリーは短期、一回限りの決定を処理し、マルコフモデルは継続的な移行を伴う慢性疾患を処理します。しばしば組み合わせて使用されます:意思決定ツリーがベースライン/治療割り当てを決定し、その後マルコフモデルが進行をモデル化します。

試験データが不完全な場合、移行確率はどのようにキャリブレーションされますか?

方法:(1)公表文献:同じ患者集団、同じ疾患状態に対する移行率を報告するコホート研究を検索します。(2)メタアナリシス:複数の小規模な研究が利用可能な場合、データをプールして移行確率を推定します。(3)専門家の意見:データがない場合は臨床医を集めて移行を推定します(最も厳密ではない)。(4)キャリブレーション:推定された移行でモデルを実行します。5年間の結果を公表された試験データと比較します。モデルが試験と一致するまで移行を調整します(逆エンジニアリング)。感度分析は、移行の不確実性を反映する必要があります。

マルコフモデルには、臨床的に関連するすべての健康状態を含めるべきですか?

いいえ、費用または結果に実質的に影響を与える状態のみを含めます。例:CD4 100–150とCD4 50–100を区別することは臨床的に重要です(異なる治療毒性、死亡リスク)。したがって、両方を含めます。CD4 501–520とCD4 521–540を区別することは、おそらく無関係です。CD4 >500にまとめます。経験則:状態の変化が臨床管理または費用を10%以上変更する場合、それを含めます。

サイクル長と割引はどのように関連していますか?

サイクル長(年次、四半期、月次)は、移行が発生する頻度と、費用/QALYが計上される時期を決定します。短いサイクル(月次)は精度を高めますが、計算時間も増加します。割引は各サイクルの費用/QALYに適用されます:年率3%の割引は、2年目の値×1/1.03、3年目の値×1/1.03²などを意味します。四半期サイクルを使用する場合、割引率を調整します:四半期= 3%^(1/4) ≈四半期あたり0.74%。標準:年次割引3%の年次サイクル。

「トンネル状態」とは何ですか?また、いつ必要ですか?

トンネル状態は、患者が現在の状態にどれだけ長くいたかを捉え、記憶喪失仮定に違反します。例:CD4「最近回復」(抗レトロウイルス療法<1年)は、CD4「安定」(治療>1年)よりも免疫再構築炎症症候群(IRIS)のリスクが高いです。2つの状態を作成します:CD4 >500(IRISリスク)とCD4 >500(安定)。1年後にそれらの間で移行します。トンネル状態はモデルの複雑さを増しますが、履歴が重要な場合は精度を向上させます。

マルコフモデルにコンプライアンス/アドヒアランスはどのように組み込まれますか?

オプション1:実際の遵守状況を組み込んだITT(intention-to-treat)分析からの実世界の試験データを使用します。オプション2:別々の状態(遵守している対遵守していない)を作成し、移行(遵守違反、再参加)をモデル化します。オプション3:集団レベルの遵守を反映するようにモデル内の有効性を低下させます(例:試験で80%の遵守率と70%の有効性が示された場合)。感度分析は、遵守の仮定の影響を調査する必要があります。

関連する手法

参考文献

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

    DOI 文献を開く
    コピーしました。
  2. Sonnenberg, F. A., & Beck, J. R. (1993). Markov Models in Medical Decision Making: A Practical Guide. Medical Decision Making, 13(4), 322-338.

    DOI 文献を開く
    コピーしました。
  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.

    出版物の文献を開く
    コピーしました。