Przejdź do treści
Wróć do wyników wyszukiwania

Model Łańcucha Markowa w Ekonomice Zdrowia

Autor metody
Beck & Pauker (medical decision analysis, Massachusetts General Hospital)
Rok
1983
Typ
Method
Rodzina
decision modeling framework

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Model Markowa to narzędzie analizy decyzyjnej, które symuluje progresję choroby przez zdefiniowane stany zdrowia w czasie, obliczając skumulowane koszty i lata życia skorygowane jakością (QALY), aby umożliwić analizę efektywności kosztów.

Opracowane przez Becka i Pauker w 1983 roku, modele Markowa są obecnie standardową ramą do prognozowania długoterminowych wyników interwencji zdrowotnych, zwłaszcza chorób przewlekłych, gdzie pacjenci przechodzą między stanami klinicznymi (odpowiedź na leczenie, progresja choroby, remisja, śmierć). Używane przez organy oceny technologii medycznych i firmy farmaceutyczne do przewidywania wartości interwencji poza okresem trwania badań.

Intuicja stojąca za metodą

Badania randomizowane zazwyczaj śledzą pacjentów przez 2–5 lat. Jednak polityka zdrowotna wymaga wiedzy: czy lek ten zaoszczędzi pieniądze i poprawi zdrowie w perspektywie 10 lat lub całego życia? Modele Markowa ekstrapolują wyniki badań w przyszłość. Podstawowa idea: pacjenci zajmują odrębne stany zdrowia (kategorie liczby komórek CD4 w HIV, stadia choroby nowotworowej, klasy NYHA w chorobach serca) i przechodzą między stanami z określonymi prawdopodobieństwami każdego roku. Kohorta rozpoczyna w jednym stanie; każdego roku niektórzy postępują do gorszej choroby, niektórzy poprawiają się, niektórzy umierają. Śledzi się koszty i zdrowie (QALY) w każdym stanie; sumuje się przez 10–30 lat. Wynik: całkowity koszt i QALY, umożliwiające obliczenie efektywności kosztów. Model Markowa jest elegancki, ponieważ w sposób obliczeniowo wykonalny radzi sobie ze zróżnicowanymi ścieżkami choroby (niektórzy pacjenci zdrowieją, inni postępują, inni nawracają) i długimi horyzontami czasowymi.

Historia

Beck i Pauker (1983) wprowadzili modele Markowa do analizy decyzji medycznych w swoim przełomowym artykule na temat prognozowania HIV, pokazując, jak modele przejścia stanów mogą prognozować długoterminowe wyniki. Sonnenberg i Beck (1993) przedstawili praktyczny przewodnik po budowaniu i walidacji modeli Markowa. Do lat 2000. modele Markowa stały się standardem w zgłoszeniach HTA; narzędzia takie jak TreeAge Pro (komercyjne) i Microsoft Excel (dostępne) umożliwiły szerokie przyjęcie. Krytyka w latach 2010. skupiała się na ograniczeniach (założenie braku pamięci, trudność kalibracji), co pobudziło rozwój symulacji zdarzeń dyskretnych (śledzenie na poziomie indywidualnym) i podejść uczenia maszynowego do estymacji parametrów. Obecnie modele Markowa pozostają dominujące w HTA; są często pierwszym podejściem, a mikrosymulacja jest używana w złożonych przypadkach.

Kiedy stosować

Gdy interwencja zdrowotna wpływa na progresję choroby przez lata lub dekady, a dane z badań nie obejmują pełnego horyzontu czasowego. Modele Markowa są standardem dla: leczenia chorób przewlekłych (cukrzyca, nadciśnienie, HIV, rak); długoterminowej profilaktyki (statyny, szczepionki); urządzeń z pytaniami o trwałość (implanty, urządzenia kardiologiczne); każdej interwencji wymagającej ekstrapolacji poza okres trwania badań. Obowiązkowe w większości zgłoszeń HTA (NICE, CADTH, HAS). Niepotrzebne dla: interwencji ostrych (jednorazowa operacja) z krótkim okresem obserwacji wyników; chorób rzadkich z niewielką liczbą pacjentów (mało danych); sytuacji, gdy badania już obejmują całe życie (rzadko).

Ograniczenia i uwagi

  • Założenie braku pamięci Markowa: przyszłe przejścia zależą tylko od obecnego stanu, a nie od historii choroby. Jest to naruszone, jeśli np. rokowanie pacjenta zależy od czasu spędzonego w poprzednim stanie (np. czas trwania remisji przewiduje ryzyko nawrotu). Alternatywa: 'stany tunelowe' (np. remisja 1 rok, remisja >1 rok) do przybliżenia zależności od historii, ale zwiększa to złożoność.
  • Definicja stanu wymaga oceny klinicznej: Jeśli stany są zbyt szerokie (np. 'łagodna choroba' vs 'ciężka choroba'), przejścia są heterogeniczne i niedokładne. Zbyt wiele stanów (np. CD4 z przyrostem 50 komórek) zwiększa złożoność modelu bez zysku precyzji.
  • Prawdopodobieństwa przejścia często niepewne lub zapożyczone: Jeśli badanie trwało tylko 5 lat, ale model działa przez 20, późniejsze prawdopodobieństwa przejścia są ekstrapolowane lub zakładane jako stałe (niepoparte dowodami). Małe zmiany w przejściach kumulują się w czasie (niepewność parametrów).
  • Nie uwzględnia indywidualnej zmienności: Model Markowa jest modelem kohortowym (średnie ścieżki); symulacja zdarzeń dyskretnych (alternatywa) śledzi indywidualne trajektorie pacjentów, ale jest bardziej złożona.
  • Wybór długości cyklu jest arbitralny: Cykle roczne są standardem, ale progresja choroby może być szybsza (potrzebne cykle kwartalne, miesięczne) lub wolniejsza (akceptowalne cykle 5-letnie). Krótsze cykle zwiększają precyzję, ale także obliczenia i niepewność.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Integruje naturalny przebieg choroby z efektami interwencji: może modelować, jak leki zmieniają wskaźniki progresji, umożliwiając realistyczne długoterminowe szacunki efektywności kosztów poza okresem trwania badań.
  • Jawne i przejrzyste: stany, prawdopodobieństwa przejścia, koszty, użyteczności są widoczne i możliwe do audytu; recenzenci mogą krytykować założenia.
  • Elastyczne: mogą uwzględniać złożone ścieżki choroby (remisja, nawrót, zmiana leczenia), wielokrotne interwencje, heterogeniczność pacjentów (analiza podgrup).
  • Wydajne obliczeniowo: modele Markowa działają w kilka sekund na nowoczesnym sprzęcie; umożliwiają szybką analizę wrażliwości i scenariuszy, w przeciwieństwie do mikrosymulacji.

Zastosowania

  • Wytyczne dotyczące leczenia HIV: Model Markowa prognozuje QALY i koszty w perspektywie 20 lat dla inicjacji opartej na CD4 vs natychmiastowego leczenia vs różnych schematów; pomaga określić, kiedy rozpocząć leczenie i jakie leki stosować.
  • Skryning raka: Model Markowa symuluje progresję choroby od stanu normalnego → przedrakowego → raka → przerzutów → śmierci; oblicza efektywność kosztową różnych interwałów skryningowych (coroczna vs co 3 lata mammografia).
  • Leki sercowo-naczyniowe: Terapia statynami zmniejsza ryzyko zdarzeń sercowo-naczyniowych; model Markowa prognozuje redukcję ryzyka w perspektywie 10 lat w różnych podgrupach pacjentów (wiek, wyjściowy poziom cholesterolu, choroby współistniejące); pomaga określić próg leczenia.
  • Ekonomia urządzeń medycznych: Model wymiany stawu biodrowego symuluje przejście od zdrowego stawu → progresja choroby zwyrodnieniowej stawów → wielokrotne wymiany w ciągu życia; oblicza długoterminową efektywność kosztową w porównaniu do leczenia zachowawczego.
  • Polityka szczepień: Model szczepionki przeciwko wirusowemu zapaleniu wątroby typu B śledzi kohortę od urodzenia do dorosłości; oblicza zapobieżone infekcje, uniknięte powikłania, QALY w ciągu życia; pomaga określić, czy włączyć do kalendarza szczepień dziecięcych, czy jako szczepienie uzupełniające u młodzieży.

Jak to działa

Jak to działa

1

Krok 1: Zdefiniuj stany zdrowia. Przykład dla HIV: CD4 <50 (AIDS), CD4 50–200 (ciężka immunosupresja), CD4 200–500 (umiarkowana), CD4 >500 (łagodna), niewykrywalna wiremia (leczona), śmierć. Powinny być one klinicznie i ekonomicznie znaczące (różne opcje leczenia, koszty lub rokowanie dla każdego stanu). Krok 2: Określ przejścia. Każdego roku (cyklu) pacjenci mogą: pozostać w obecnym stanie, przejść do lepszego zdrowia (np. regeneracja CD4 dzięki terapii), przejść do gorszego zdrowia (progresja choroby) lub umrzeć. Prawdopodobieństwa przejścia = obserwowana lub modelowana szansa każdego przejścia, pochodząca z: (a) danych z obserwacji w badaniach RCT: jeśli badanie pokazuje, że 10% pacjentów z CD4 <50 umiera rocznie, P(CD4<50 → śmierć) = 0,10; (b) literatury (opublikowane kohorty); (c) wiedzy klinicznej i kalibracji. Krok 3: Przypisz użyteczności specyficzne dla stanu (wagi jakości życia, skala 0–1, gdzie 1 = idealne zdrowie). CD4 <50 może mieć użyteczność 0,6 (objawy związane z AIDS, niepewność); CD4 >500 na terapii może mieć użyteczność 0,95 (zdrowie bliskie normalnemu). Krok 4: Przypisz koszty specyficzne dla stanu na cykl: koszty leków, monitorowania (badania laboratoryjne, wizyty lekarskie), hospitalizacji/powikłań, jeśli dotyczy. Krok 5: Zbuduj model w oprogramowaniu (arkusz kalkulacyjny Excel, TreeAge Pro, R, Python) reprezentujący stany i macierz przejść. Krok 6: Zweryfikuj w stosunku do opublikowanych danych: uruchom scenariusz bazowy (standardowa opieka) i porównaj 10-letnie wyniki z opublikowanymi danymi kohortowymi (kalibracja); w razie potrzeby dokonaj korekty.

Wzór
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

Obliczenie śladu Markowa: Symuluj kohortę 1000 pacjentów w stanie wyjściowym (np. wszyscy w CD4 200–500). W Roku 1 zastosuj prawdopodobieństwa przejścia: jeśli P(CD4 200–500 → CD4 >500) = 0,30, P(CD4 200–500 → CD4 50–200) = 0,15, P(CD4 200–500 → śmierć) = 0,05, to: rozkład w Roku 1: 500 pozostaje w CD4 200–500, 300 przechodzi do CD4 >500, 150 przechodzi do CD4 50–200, 50 umiera. W Roku 2 zastosuj prawdopodobieństwa przejścia do rozkładu z Roku 1; powtarzaj dla każdego roku, aż wszyscy umrą lub osiągnięty zostanie horyzont czasowy. Dla każdego cyklu oblicz koszty i QALY: koszt Roku t = Σ(kohorta w stanie s) × (koszt na stan s); QALY Roku t = Σ(kohorta w stanie s) × (użyteczność stanu s). Dyskontuj przyszłe koszty/QALY o 3% rocznie: PV = wartość w Roku t / (1,03)^t. Całkowity koszt/QALY = suma zdyskontowanych wartości rocznych. Przykład: koszt Roku 1 = 500×2000 USD (koszt CD4 200–500) + 300×1500 USD (koszt CD4 >500) + 150×5000 USD (koszt CD4 50–200) + 0 (śmierć) = 2,05 mln USD. Dyskontowanie do wartości bieżącej: PV Roku 1 = 2,05 mln USD / 1,03 = 1,99 mln USD. Po 10 latach: skumulowany PV koszt (interwencja) = 15 mln USD, skumulowany PV QALY (interwencja) = 6,5 QALY. Porównanie (terapia standardowa) daje 5,0 QALY, koszt 12 mln USD. ICER = (15 mln USD − 12 mln USD) / (6,5 − 5,0) = 3 mln USD / 1,5 = 2 mln USD za QALY.

Wzór
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

ICER z modelu Markowa kieruje refundacją: jeśli próg NICE wynosi 20 000 GBP/QALY (około 25 000 USD) i ICER = 2 mln USD za QALY, ten lek jest zdecydowanie nieefektywny kosztowo. Jeśli ICER = 18 000 USD/QALY, jest akceptowalny. Analiza wrażliwości jest kluczowa: (1) Deterministyczna: zmień jeden parametr naraz (np. wskaźnik śmiertelności ±20%, prawdopodobieństwa przejścia ±10%) i przelicz ICER; wykres tornado pokazuje, które parametry najbardziej wpływają na wynik. (2) Probabilistyczna: przypisz rozkłady prawdopodobieństwa wszystkim niepewnym parametrom; uruchom 1000–10 000 symulacji z losowymi próbami z rozkładów; wynikowy zbiór możliwych ICER i krzywa akceptowalności (prawdopodobieństwo, że interwencja jest efektywna kosztowo przy różnych progach WTP). Jeśli krzywa akceptowalności pokazuje 80% prawdopodobieństwa efektywności kosztowej przy 20 000 GBP/QALY, ICER jest solidny; jeśli 40%, wysoka niepewność wymaga ostrożności. Analiza podgrup: uruchom oddzielne modele dla młodszych vs starszych pacjentów, pacjentów bez wcześniejszego leczenia vs leczonych, pacjentów z wysokim vs niskim wyjściowym CD4; zidentyfikuj grupy, dla których interwencja jest najbardziej/najmniej efektywna kosztowo. Wyniki informują o warunkowych zaleceniach: 'Finansuj ten lek dla pacjentów bez wcześniejszego leczenia (ICER 15 tys. USD), ale nie dla pacjentów leczonych (ICER 40 tys. USD).'

Wzór
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.

Częste pułapki

  • Założenie stałych prawdopodobieństw przejścia w czasie: Jeśli pacjenci na wczesnym etapie choroby postępują inaczej niż po 10 latach, stałe prawdopodobieństwa są błędne. Użyj zależnych od czasu prawdopodobieństw przejścia, jeśli dowody to potwierdzają (wymaga złożoności modelu).
  • Zapominanie o stanach tunelowych w celu uchwycenia historii: Jeśli rokowanie pacjenta zależy od tego, jak długo przebywał w obecnym stanie (np. 'trajektoria' regeneracji CD4), zignorowanie tego spowoduje błędy w przejściach. Stany tunelowe (regeneracja CD4 <1 rok vs ≥1 rok) są obejściem.
  • Nadmierna parametryzacja: Uwzględnienie zbyt wielu stanów i przejść zwiększa model; niepewność parametrów eksploduje. Preferowane są modele oszczędne (minimalna wymagana liczba stanów); złożoność dodaje się tylko wtedy, gdy jest to uzasadnione klinicznie.
  • Ignorowanie kalibracji: Wyniki uzyskane z modelu powinny odpowiadać opublikowanym danym dla tej samej populacji przy tym samym leczeniu. Jeśli 10-letnie przeżycie przewidywane przez model Markowa wynosi 60%, ale opublikowana kohorta pokazuje 50%, model jest źle skalibrowany, a wyniki niewiarygodne. Zawsze kalibruj scenariusz bazowy.
  • Zakładanie, że przejścia uzyskane z badań mają zastosowanie do pacjentów z życia wziętych: Badania RCT często obejmują młodszych, zdrowszych, bardziej przestrzegających zaleceń pacjentów niż w praktyce klinicznej. Prawdopodobieństwa przejścia z RCT mogą nie być generalizowane; ważna jest zewnętrzna walidacja w stosunku do kohort z życia wziętych.

Najczęściej zadawane pytania

Jaka jest różnica między modelem Markowa a drzewem decyzyjnym?

Drzewa decyzyjne rozgałęziają się w punktach decyzyjnych (np. leczyć vs nie leczyć) i pokazują natychmiastowe wyniki (punkty końcowe badań). Modele Markowa symulują progresję przez stany w wielu cyklach, uwzględniając naturalny przebieg choroby przez lata. Drzewa decyzyjne obsługują krótkoterminowe, jednorazowe decyzje; modele Markowa obsługują choroby przewlekłe z ciągłymi przejściami. Często są łączone: drzewo decyzyjne określa przypisanie do grupy bazowej/leczenia; następnie model Markowa symuluje progresję.

Jak kalibrowane są prawdopodobieństwa przejścia, jeśli dane z badań są niekompletne?

Metody: (1) Opublikowana literatura: przeszukaj badania kohortowe dotyczące wskaźników przejścia dla tej samej populacji pacjentów, tych samych stanów chorobowych. (2) Metaanaliza: jeśli dostępnych jest wiele małych badań, połącz dane, aby oszacować prawdopodobieństwo przejścia. (3) Opinia ekspertów: zbierz klinicystów, aby oszacować przejścia, jeśli dane są niedostępne (najmniej rygorystyczne). (4) Kalibracja: uruchom model z oszacowanymi przejściami; porównaj 5-letnie wyniki z opublikowanymi danymi z badań; dostosuj przejścia, aż model dopasuje się do badania (inżynieria wsteczna). Analiza wrażliwości powinna odzwierciedlać niepewność w przejściach.

Czy modele Markowa powinny uwzględniać wszystkie klinicznie istotne stany zdrowia?

Nie, uwzględnij tylko stany, które istotnie wpływają na koszt lub wyniki. Przykład: rozróżnienie CD4 100–150 od CD4 50–100 jest klinicznie ważne (różna toksyczność leczenia, ryzyko śmiertelności), więc uwzględnij oba. Rozróżnienie CD4 501–520 od CD4 521–540 jest prawdopodobnie nieistotne; połącz w CD4 >500. Zasada kciuka: jeśli zmiana stanu wpłynęłaby na zarządzanie kliniczne lub koszt o >10%, uwzględnij ją.

Jak są powiązane długość cyklu i dyskontowanie?

Długość cyklu (roczna, kwartalna, miesięczna) określa, jak często występują przejścia i kiedy naliczane są koszty/QALY. Krótsze cykle (miesięczne) zwiększają dokładność, ale czas obliczeń. Dyskontowanie jest stosowane do kosztów/QALY każdego cyklu: roczne dyskontowanie o 3% oznacza wartość Roku 2 × 1/1,03, Roku 3 × 1/1,03², itd. Jeśli używane są cykle kwartalne, dostosuj stopę dyskontową: kwartalna = 3%^(1/4) ≈ 0,74% na kwartał. Standard: cykle roczne z rocznym dyskontowaniem 3%.

Co to jest 'stan tunelowy' i kiedy jest potrzebny?

Stan tunelowy uwzględnia, jak długo pacjent przebywał w obecnym stanie, naruszając założenie braku pamięci. Przykład: CD4 'niedawno wyleczony' (na terapii antyretrowirusowej <1 rok) ma wyższe ryzyko zespołu zapalenia immunologicznej rekonstrukcji (IRIS) niż CD4 'stabilny' (na terapii >1 rok). Utwórz dwa stany: CD4 >500 (ryzyko IRIS) i CD4 >500 (stabilny); przechodź między nimi po roku. Stany tunelowe zwiększają złożoność modelu, ale poprawiają dokładność, gdy historia ma znaczenie.

Jak uwzględnia się zgodność/przestrzeganie zaleceń w modelach Markowa?

Opcja 1: Użyj danych z badań w świecie rzeczywistym z analizy ITT (intention-to-treat), która uwzględnia rzeczywiste przestrzeganie zaleceń. Opcja 2: Utwórz oddzielne stany (przestrzegający vs nieprzestrzegający) i modeluj przejścia (chwilowe zaprzestanie przestrzegania, ponowne zaangażowanie). Opcja 3: Zmniejsz skuteczność w modelu, aby odzwierciedlić przestrzeganie zaleceń na poziomie populacji (np. jeśli badanie wykazało 80% przestrzeganie zaleceń, a skuteczność wynosiła 70% skuteczności z badania). Analiza wrażliwości powinna badać wpływ założeń dotyczących przestrzegania zaleceń.

Pokrewne metody

Źródła

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

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

    Otwórz odnośnik DOI
    Skopiowano.
  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.

    Otwórz odnośnik do publikacji
    Skopiowano.