Modelowanie analityczno-decyzyjne w ekonomice zdrowia
- Autor metody
- Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
- Rok
- 1975
- Typ
- Method
- Rodzina
- health economic evaluation framework
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Modelowanie analityczno-decyzyjne stanowi systemowe ramy porównywania interwencji medycznych poprzez integrację dowodów dotyczących prawdopodobieństw, wyników, kosztów i preferencji pacjentów w modelu ilościowym.
Analiza decyzyjna, opracowana przez Pauker i Kassirer w 1975 roku, strukturyzuje niepewność kliniczną i kompromisy ekonomiczne, umożliwiając przejrzyste porównanie opcji terapeutycznych oraz identyfikację optymalnych strategii. Jest stosowana w ocenie technologii medycznych, opracowywaniu wytycznych praktyki klinicznej i decyzjach dotyczących alokacji zasobów.
Intuicja stojąca za metodą
Lekarz staje przed decyzją: czy 65-letni pacjent z nowo zdiagnozowanym nadciśnieniem powinien rozpocząć terapię antyhipertensyjną, czy też zastosować obserwację (oczekiwanie)? Leczenie zmniejsza ryzyko sercowo-naczyniowe, ale wiąże się z działaniami niepożądanymi i kosztami. Żadne pojedyncze badanie nie odpowiada bezpośrednio na to pytanie dla tego pacjenta, ponieważ wyniki zależą od indywidualnego profilu ryzyka, skuteczności leku w jego podgrupie oraz preferencji. Analiza decyzyjna kwantyfikuje kompromis: Jakie jest prawdopodobieństwo, że ten pacjent odniesie korzyść? Za jaką cenę? Jaka jest jakość życia przy leczeniu w porównaniu z brakiem leczenia? Integrując wszystkie dostępne dowody (RCT, epidemiologia, dane o kosztach) w jednym modelu, analiza decyzyjna oblicza oczekiwaną wartość każdej opcji. Wartość oczekiwana = suma (prawdopodobieństwo wyniku × wartość wyniku). Leczenie z 80% prawdopodobieństwem zapobiegania udarowi (wartość 2 QALY) i 20% prawdopodobieństwem powodowania działań niepożądanych (wartość −0,5 QALY) ma wartość oczekiwaną = 0,8 × 2 + 0,2 × (−0,5) = 1,5 QALY. Jeśli alternatywa (oczekiwanie) ma wartość oczekiwaną 1,0 QALY, leczenie jest preferowane zgodnie z kryterium wartości oczekiwanej. Analiza decyzyjna wymusza jawne rozumowanie i pozwala na systematyczne porównanie.
Historia
Pauker i Kassirer (1975, 1976) byli pionierami analizy decyzyjnej w medycynie, stosując teorię wartości oczekiwanej (von Neumann & Morgenstern) do podejmowania decyzji klinicznych. Wczesne zastosowania: kiedy leczyć bezobjawowe schorzenia, kiedy wykonywać testy diagnostyczne. Weinstein i Fineberg (1980) opublikowali wpływowy podręcznik. Do lat 90. XX wieku analiza decyzyjna została ugruntowana w epidemiologii klinicznej i badaniach nad usługami zdrowotnymi. Briggs, Claxton i Sculpher (lata 2000.) rozszerzyli analizę decyzyjną na ocenę ekonomiczną (integracja kosztów, QALY, CEA/CBA). Drzewa decyzyjne ustąpiły miejsca modelom Markowa dla chorób przewlekłych (lata 90.). Probabilistyczna analiza wrażliwości (symulacja Monte Carlo) stała się standardem w latach 2000., umożliwiając kwantyfikację niepewności. Obecnie modelowanie decyzyjne jest rutynowe w zgłoszeniach HTA i opracowywaniu wytycznych; narzędzia (TreeAge, pakiety R) zdemokratyzowały dostęp poza krąg statystyków.
Kiedy stosować
Gdy porównuje się interwencje medyczne i decydenci potrzebują systematycznej integracji dowodów. Analiza decyzyjna jest standardem dla: (1) opracowywania wytycznych praktyki klinicznej (porównanie strategii leczenia). (2) oceny technologii medycznych (decyzje dotyczące refundacji). (3) alokacji zasobów (priorytetyzacja interwencji). (4) ustalania priorytetów badawczych (identyfikacja, gdzie więcej danych najbardziej zwiększyłoby pewność decyzji). (5) doradztwa dla pacjentów (narzędzia wspólnego podejmowania decyzji). Stosowana, gdy: istnieje wiele opcji, wyniki są niepewne, preferencje i koszty mają znaczenie, a ceniona jest przejrzysta struktura. Niepotrzebna dla: prostych porównań klinicznych z wyraźnym zwycięzcą (np. dwa leki o identycznej skuteczności, jeden znacznie tańszy – intuicyjna decyzja); rzadkich wyników, gdzie modelowanie niewiele wnosi.
Ograniczenia i uwagi
- Niepewność parametrów: model jest tylko tak dobry, jak wejściowe prawdopodobieństwa i użyteczności; jeśli dane są skąpe lub obciążone, wyniki modelu są nierzetelne.
- Założenie racjonalnego podejmowania decyzji: podejście oparte na wartości oczekiwanej zakłada, że decydenci są neutralni wobec ryzyka; rzeczywiste preferencje często są nieliniowe (awersja do strat, błąd nadziei).
- Uproszczenie rzeczywistości: model z konieczności abstrahuje od złożoności choroby; ważne czynniki kliniczne mogą zostać pominięte lub uśrednione, tracąc niuanse specyficzne dla pacjenta.
- Wymaga znacznych danych: budowa rygorystycznego modelu wymaga danych o prawdopodobieństwach (badania, rejestry), użytecznościach (ankiety preferencji) i kosztach (sprawozdania finansowe); dane są często niekompletne.
- GIGO (Garbage In, Garbage Out): jeśli założenia wejściowe są błędne lub kontrowersyjne, wyniki są mylące pomimo matematycznej precyzji.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Przejrzysta integracja dowodów: prawdopodobieństwa, wyniki, koszty, użyteczności są jawnie określone i powiązane, umożliwiając krytykę i aktualizację przez interesariuszy w miarę ewolucji dowodów.
- Systematyczne zarządzanie niepewnością: analiza wrażliwości i probabilistyczna kwantyfikuje wpływ niepewności na decyzje, wskazując, gdzie dalsze badania są najbardziej wartościowe.
- Ułatwia komunikację: drzewo decyzyjne wizualizuje strukturę problemu; interesariusze (lekarze, pacjenci, płatnicy) rozumieją kompromisy i oceny wartości.
- Elastyczność: uwzględnia różnorodne typy dowodów (RCT, obserwacyjne, opinie ekspertów) i może być aktualizowana w miarę pojawiania się nowych danych.
Zastosowania
- Opracowywanie wytycznych klinicznych: kardiologiczne wytyczne dotyczące leczenia ostrego zespołu wieńcowego: model decyzyjny porównuje PCI (przezskórną interwencję wieńcową) z leczeniem farmakologicznym lub pilną operacją pomostowania. Model integruje skuteczność RCT, powikłania procedury, czas rekonwalescencji, jakość życia; wyniki zalecają PCI dla określonych profili pacjentów (np. wiek <70 lat, czas trwania objawów <12 godzin).
- Zgłoszenie HTA: firma farmaceutyczna składa wniosek dotyczący nowego leku na cukrzycę; model decyzyjny porównuje lek ze standardową terapią w horyzoncie 30 lat. Model Markowa śledzi stany choroby (kontrola A1c, powikłania). Wynik: ICER 25 000 USD/QALY. NICE zaleca refundację, informując negocjacje cenowe.
- Program badań przesiewowych: agencja zdrowia publicznego wykorzystuje model decyzyjny do oceny strategii badań przesiewowych w kierunku raka szyjki macicy (wymaz z szyjki macicy co rok vs co 3 lata vs badania oparte na HPV). Model porównuje koszty, zaoszczędzone lata życia, QALY, szkody (nadmierne leczenie). Wynik: badanie oparte na HPV co 5 lat jest najbardziej efektywne, kierując politykę krajową.
- Wspólne podejmowanie decyzji: pacjent z wczesnym rakiem prostaty (niskie ryzyko, bezobjawowy): model decyzyjny porównuje aktywną obserwację z radykalną prostatektomią. Drzewo uwzględnia naturalny przebieg raka prostaty, ryzyko operacyjne, wyniki funkcjonalne (ciągłość, funkcja erekcyjna), jakość życia. Pacjent może zobaczyć oczekiwaną wartość każdej opcji dostosowanej do jego preferencji i tolerancji ryzyka.
- Ustalanie priorytetów badawczych: model kontroli chorób zakaźnych porównuje strategie szczepień, leczenia i nadzoru. Probabilistyczna analiza wrażliwości identyfikuje parametry o największej niepewności. Analiza wartości informacji (VOI) oblicza: 'Ile doskonałe dane na temat X zmniejszyłyby niepewność decyzyjną?' Kieruje finansowanie badań na te o najwyższej wartości.
Jak to działa
Jak to działa
Krok 1: Zdefiniowanie problemu decyzyjnego. Jakie są alternatywy decyzyjne? (np. badanie przesiewowe w kierunku raka jelita grubego (kolonoskopia) vs FOBT (test na krew utajoną w kale) vs brak badań przesiewowych). Jaka jest populacja pacjentów? (np. wiek 50–75 lat, ryzyko przeciętne). Jaki jest horyzont czasowy? (wynik 10-letni? Całe życie?). Krok 2: Mapowanie struktury. Identyfikacja wszystkich zdarzeń losowych (choroba postępuje vs ustępuje, test jest pozytywny vs negatywny, występują zdarzenia niepożądane vs nie). Identyfikacja interesujących wyników (żywy/martwy, bezobjawowy vs objawowy, koszt w dolarach, QALY). Krok 3: Wypełnienie prawdopodobieństwami. Skąd pochodzą prawdopodobieństwa? RCT (dowody pierwotne), badania kohortowe, krajowe rejestry, metaanalizy. Przykład: Jeśli RCT wykaże, że kolonoskopia wykrywa raka jelita grubego w 90% przypadków i zapobiega śmierci w 95% wykrytych przypadków, należy użyć P(wykrycie) = 0,90, P(zapobieganie śmierci | wykryto) = 0,95. W przypadku progresji choroby (nieujętej w żadnym badaniu) należy wykorzystać opublikowane dane epidemiologiczne. Krok 4: Przypisanie wyników. Użyteczności: wagi jakości życia (skala 0–1) dla każdego stanu zdrowia (zdrowie prawidłowe = 1, zdiagnozowany rak = 0,7, po leczeniu = 0,8). Koszty: koszt badania przesiewowego (300 USD), koszt leczenia raka (50 000 USD), bieżące monitorowanie (500 USD/rok). Krok 5: Budowa modelu. Użycie drzewa decyzyjnego (krótki horyzont, zdarzenia dyskretne) lub modelu Markowa (długi horyzont, stany powtarzające się). Oprogramowanie: TreeAge Pro (komercyjne), Excel (podstawowe), R/Python (elastyczne). Krok 6: Walidacja. Uruchomienie scenariusza bazowego (obecna standardowa opieka) i porównanie wyników z opublikowaną literaturą (czy model odpowiada epidemiologii?).
Wzór
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.
Przykład drzewa decyzyjnego: Badania przesiewowe w kierunku raka jelita grubego u 50-latka. Korzeń: Węzeł decyzyjny (kwadrat): [Badanie vs Brak badania]. Gałąź 1 (Badanie): Wykonanie kolonoskopii. Węzeł losowy (koło): [Rak znaleziony (prewalencja 10%) vs Nie znaleziony (90%)]. Jeśli rak znaleziony: leczenie, wynik = QALY = 0,85 (przypadek raka z leczeniem, długoterminowe przeżycie). Koszt = 300 USD (kolonoskopia) + 50 000 USD (leczenie) = 50 300 USD. Jeśli nie znaleziony: rutynowa opieka. Wynik = QALY = 1,0 (wolny od raka). Koszt = 300 USD. Wartość oczekiwana (Badanie) = 0,10 × (0,85 QALY, 50 300 USD) + 0,90 × (1,0 QALY, 300 USD) = [0,10 × 0,85 + 0,90 × 1,0] = 0,985 QALY, [0,10 × 50 300 + 0,90 × 300] = 5 300 USD + 270 USD = 5 570 USD kosztu. Gałąź 2 (Brak badania): Rutynowa opieka, wynik = 1,0 QALY (zakładając brak nierozpoznanego raka; konserwatywnie). Koszt = 0 USD. Wartość oczekiwana (Brak badania) = 1,0 QALY, 0 USD kosztu. ICER (Badanie vs Brak badania) = (5 570 USD − 0 USD) / (0,985 − 1,0) = ujemny mianownik (badanie daje mniej QALY?). Sugeruje to, że badania przesiewowe zmniejszają QALY z powodu ryzyka błędnej diagnozy/nadmiernego leczenia. Analiza wrażliwości: jeśli P(prewalencja raka) = 20% zamiast 10%, przelicz ponownie. ICER staje się dodatni, badania przesiewowe są teraz korzystne. Analiza progowa: przy jakiej prewalencji raka badania przesiewowe osiągają próg rentowności (równość QALY)? Rozwiąż: 0,985 staje się ≥ 1,0, znajdź próg P(raka). Probabilistyczna analiza wrażliwości: przypisz rozkłady do wszystkich parametrów (prewalencja raka, wskaźnik wykrywalności, skuteczność leczenia), uruchom 1000 symulacji, przedstaw krzywą akceptowalności.
Wzór
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.
Optymalna decyzja: Wybierz interwencję z najwyższą oczekiwaną korzyścią netto (QALY − koszt/WTP). Jeśli ICER < próg gotowości do zapłaty (WTP) (np. 20 000 GBP/QALY), interwencja jest opłacalna i zalecana. Wyniki analizy wrażliwości wskazują na solidność. Analiza wrażliwości jednokierunkowa (zmiana jednego parametru): wykres tornado pokazuje, które parametry mają największy wpływ. Jeśli decyzja zmienia się wraz ze zmianą parametru o ±20%, parametr ten jest kluczowy dla założeń. Analiza dwukierunkowa: współzmienność dwóch parametrów (np. czułość i swoistość testu) w celu mapowania krajobrazu decyzyjnego. Analiza probabilistyczna: rozkład prawdopodobnych ICERów ujawnia zakres niepewności. Krzywa akceptowalności odpowiada na pytanie: przy jakim progu WTP interwencja jest najbardziej prawdopodobnie opłacalna? Jeśli krzywa pokazuje 85% prawdopodobieństwo opłacalności przy 20 000 GBP/QALY, decyzja jest solidna; jeśli 40%, wysoka niepewność wymaga ostrożności lub dalszych badań. Analiza podgrup: uruchomienie modelu oddzielnie dla podgrup pacjentów (wiek, ciężkość choroby, współistniejące choroby). Decyzje mogą się różnić: np. badania przesiewowe zalecane dla pacjentów wysokiego ryzyka, ale nie niskiego. Analiza progowa: identyfikacja wartości progowych rentowności. Przykład: 'Interwencja jest opłacalna, jeśli skuteczność leczenia wynosi ≥40%.' To ukierunkowuje, jakie dowody są potrzebne do podjęcia pewnej decyzji.
Wzór
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.
Częste pułapki
- Nadmierne modelowanie: uwzględnianie zbyt wielu stanów/gałęzi, zwiększanie złożoności bez poprawy wglądu decyzyjnego. Zacznij od prostego modelu; dodaj szczegóły, jeśli analiza wrażliwości wykaże, że ma to znaczenie.
- Ugruntowanie na pojedynczych szacunkach: używanie punktowych wartości prawdopodobieństwa bez zakresów niepewności. Zawsze przeprowadzaj analizę wrażliwości; decyzje powinny być odporne na rozsądne zmiany parametrów.
- Ignorowanie heterogeniczności: stosowanie średnich wyników modelu do wszystkich pacjentów, ignorowanie różnic między podgrupami. Analiza podgrup jest niezbędna; niektórzy pacjenci odnoszą większe/mniejsze korzyści.
- Brak walidacji: nieporównywanie wyników modelu z opublikowanymi danymi epidemiologicznymi. Zawsze kalibruj scenariusz bazowy do danych zewnętrznych, aby wyłapać błędy modelu.
- Błędna interpretacja wartości oczekiwanej: traktowanie wartości oczekiwanej jako gwarancji. Wartość oczekiwana to średni wynik; rzeczywisty pacjent może doświadczyć najlepszego lub najgorszego wyniku. Komunikuj odpowiednio.
Najczęściej zadawane pytania
Jaka jest różnica między drzewem decyzyjnym a modelem Markowa?
Drzewo decyzyjne: krótki horyzont czasowy (np. okres bezpośrednio po leczeniu), pojedyncza ścieżka na ramię decyzyjne, każde ramię kończy się punktem końcowym. Używane do decyzji ostrych (testować czy nie, leczyć czy nie) z wynikami występującymi w czasie trwania badania. Model Markowa: długi horyzont czasowy (choroba przewlekła przez lata/dziesięciolecia), pacjenci wielokrotnie przechodzą przez stany zdrowia, przejścia są definiowane probabilistycznie. Używany, gdy istotna jest progresja choroby w czasie. Często łączone: drzewo decyzyjne określa początkowy wybór (np. badanie tak/nie); następnie model Markowa prognozuje długoterminowe konsekwencje dla wybranego ramienia.
Jak przypisywane są użyteczności, gdy brak bezpośrednich danych?
Metody: (1) Użyj opublikowanych wag użyteczności (EQ-5D, SF-6D, taryfy HUI) dla podobnych stanów zdrowia. (2) Przeprowadź ukierunkowane pozyskiwanie użyteczności (trade-off czasowy, skala analogowo-wizualna, wybór dyskretny) z próbą pacjentów/populacji ogólnej. (3) Ocena ekspercka: lekarze szacują, przyznając się do niepewności. (4) Mapowanie: jeśli badanie zebrało dane dotyczące jakości życia w skalach specyficznych dla choroby, użyj opublikowanych algorytmów mapowania do konwersji na użyteczności. Luki w danych powinny wywołać analizę wrażliwości: zmień użyteczności o ±20% i zobacz, czy decyzja się zmienia.
Dlaczego analiza wrażliwości jest tak ważna w modelach decyzyjnych?
Wynik modelu (ICER, rekomendacja) zależy od parametrów wejściowych (prawdopodobieństwa, użyteczności, koszty). Parametry są szacowane z niepewnością. Analiza wrażliwości testuje solidność: jeśli decyzja jest odporna na rozsądne zakresy parametrów, pewność jest wysoka; jeśli decyzja zmienia się przy niewielkich zmianach, wrażliwość jest wysoka, a decyzja jest krucha. Analiza jednokierunkowa (zmiana jednego parametru), dwukierunkowa i probabilistyczna (zmiana wszystkich jednocześnie) pokazują, które parametry napędzają wyniki. To wskazuje, gdzie gromadzenie danych jest najbardziej wartościowe.
Co to jest 'analiza progowa' i kiedy jest przydatna?
Analiza progowa identyfikuje wartości progowe rentowności: 'Przy jakiej wartości parametru decyzja się zmienia?' Przykład: 'Jeśli skuteczność leczenia wynosi ≥60%, interwencja jest opłacalna przy progu 20 000 GBP/QALY; poniżej 60% nie jest opłacalna.' Progi kierują interpretacją: jeśli szacowana skuteczność wynosi 70% (powyżej progu), rekomendacja jest solidna; jeśli 58% (blisko progu), potrzebne są dalsze dane dotyczące skuteczności. Progi informują również o cenach: firma może obliczyć: 'Przy jakiej cenie nasz lek jest opłacalny dla płatnika?' Progi kosztowe napędzają negocjacje.
Czym różni się wartość oczekiwana od użyteczności oczekiwanej?
Wartość oczekiwana: oczekiwany koszt/wynik QALY (średnia matematyczna). Użyteczność oczekiwana: wartość skorygowana o indywidualne preferencje dotyczące ryzyka. Przykład: decyzja z 50% szansą na wynik QALY 10 i 50% szansą na 0 (wartość oczekiwana = 5 QALY). Osoba neutralna wobec ryzyka ceni to tak samo jak gwarantowane 5 QALY. Osoba awersyjna wobec ryzyka może preferować pewne 3 QALY zamiast ryzykownej gry; jej użyteczność oczekiwana < wartość oczekiwana. Większość modeli decyzyjnych używa wartości oczekiwanej (założenie neutralności wobec ryzyka); modele wspólnego podejmowania decyzji mogą uwzględniać preferencje ryzyka pacjenta.
Pokrewne metody
Źródła
Pauker, S. G., & Kassirer, J. P. (1975). Therapeutic Decision Making: A Cost-Benefit Analysis. New England Journal of Medicine, 293(5), 229-234.
Otwórz odnośnik DOISkopiowano.Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.
Otwórz odnośnik do publikacjiSkopiowano.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.
Otwórz odnośnik do publikacjiSkopiowano.