Skip to content
Voltar aos resultados

Modelagem Analítica de Decisão em Economia da Saúde

Proposto por
Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
Ano
1975
Tipo
Method
Família
health economic evaluation framework

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A modelagem analítica de decisão é uma estrutura sistemática para comparar intervenções em saúde, integrando evidências sobre probabilidades, resultados, custos e preferências do paciente em um modelo quantitativo.

Desenvolvida por Pauker e Kassirer em 1975, a análise de decisão estrutura a incerteza clínica e as compensações econômicas, permitindo a comparação transparente de opções de tratamento e a identificação de estratégias ótimas. É utilizada na avaliação de tecnologias em saúde, no desenvolvimento de diretrizes de prática clínica e em decisões de alocação de recursos.

A intuição por trás do método

Um clínico enfrenta uma decisão: um paciente de 65 anos com hipertensão recém-diagnosticada deve iniciar terapia anti-hipertensiva ou observar (espera vigilante)? O tratamento reduz o risco cardiovascular, mas tem efeitos colaterais e custos. Nenhum ensaio clínico isolado responde diretamente a essa pergunta para este paciente, porque os resultados dependem do perfil de risco individual, da eficácia da medicação em seu subgrupo e de suas preferências. A análise de decisão quantifica a compensação: Qual a probabilidade de este paciente se beneficiar? A que custo? Qual a qualidade de vida com e sem tratamento? Ao integrar todas as evidências disponíveis (ensaios clínicos randomizados, epidemiologia, dados de custo) em um único modelo, a análise de decisão calcula o valor esperado de cada opção. Valor esperado = soma de (probabilidade do resultado × valor do resultado). Um tratamento com 80% de probabilidade de prevenir um AVC (equivalente a 2 QALYs) e 20% de probabilidade de causar efeitos colaterais (equivalente a −0.5 QALYs) tem valor esperado = 0.8×2 + 0.2×(−0.5) = 1.5 QALYs. Se a alternativa (espera vigilante) tem valor esperado de 1.0 QALYs, o tratamento é preferido pelo critério de valor esperado. A análise de decisão força o raciocínio explícito e permite a comparação sistemática.

História

Pauker & Kassirer (1975, 1976) foram pioneiros na análise de decisão em medicina, aplicando a teoria do valor esperado (von Neumann & Morgenstern) à tomada de decisão clínica. Aplicações iniciais: quando tratar condições assintomáticas, quando realizar testes diagnósticos. Weinstein & Fineberg (1980) publicaram um influente livro didático. Na década de 1990, a análise de decisão foi estabelecida na epidemiologia clínica e na pesquisa de serviços de saúde. Briggs, Claxton e Sculpher (anos 2000) estenderam a análise de decisão à avaliação econômica (integrando custos, QALYs, CEA/CBA). As árvores de decisão deram lugar aos modelos de Markov para doenças crônicas (década de 1990). A análise de sensibilidade probabilística (simulação de Monte Carlo) tornou-se padrão nos anos 2000, permitindo a quantificação da incerteza. Hoje, a modelagem de decisão é rotineira em submissões de Avaliação de Tecnologias em Saúde (ATS) e desenvolvimento de diretrizes; ferramentas (TreeAge, pacotes R) democratizaram o acesso além dos estatísticos.

Quando usar

Ao comparar intervenções em saúde, os tomadores de decisão precisam de integração sistemática de evidências. A análise de decisão é padrão para: (1) desenvolvimento de diretrizes de prática clínica (comparando estratégias de tratamento). (2) avaliação de tecnologias em saúde (decisões de reembolso). (3) alocação de recursos (priorizando intervenções). (4) priorização de pesquisa (identificando onde mais dados melhorariam a confiança na decisão). (5) aconselhamento ao paciente (ferramentas de tomada de decisão compartilhada). Usada quando: múltiplas opções existem, resultados incertos, preferências e custos importam, e uma estrutura transparente é valorizada. Não é necessária para: comparações clínicas diretas com um vencedor claro (por exemplo, dois medicamentos com eficácia idêntica, um muito mais barato — decisão intuitiva); resultados raros onde a modelagem agrega pouco valor.

Limitações e considerações

  • Incerteza dos parâmetros: o modelo é tão bom quanto as probabilidades e utilidades de entrada; se os dados são escassos ou tendenciosos, a saída do modelo é não confiável.
  • Assume tomada de decisão racional: a abordagem do valor esperado assume que os tomadores de decisão são neutros ao risco; as preferências reais são frequentemente não lineares (aversão à perda, viés de esperança).
  • Simplifica a realidade: o modelo necessariamente abstrai a complexidade da doença; fatores clínicos importantes podem ser omitidos ou calculados em média, perdendo a nuance específica do paciente.
  • Requer dados substanciais: a construção de um modelo rigoroso exige dados sobre probabilidades (ensaios, registros), utilidades (pesquisas de preferência) e custos (registros contábeis); os dados são frequentemente incompletos.
  • GIGO (Garbage In, Garbage Out): se as suposições de entrada estiverem erradas ou forem controversas, a saída é enganosa, apesar do rigor matemático.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Integra evidências de forma transparente: probabilidades, resultados, custos, utilidades explicitamente declarados e vinculados, permitindo crítica das partes interessadas e atualização à medida que as evidências evoluem.
  • Lida com a incerteza sistematicamente: análises de sensibilidade e probabilísticas quantificam o impacto da incerteza nas decisões, orientando onde mais pesquisa é mais valiosa.
  • Facilita a comunicação: a árvore de decisão visualiza a estrutura do problema; as partes interessadas (clínicos, pacientes, pagadores) compreendem as compensações e os julgamentos de valor.
  • Flexível: acomoda diversos tipos de evidência (ensaios clínicos randomizados, observacionais, opinião de especialistas) e pode ser atualizada à medida que novos dados surgem.

Aplicações

  • Desenvolvimento de diretrizes clínicas: diretriz de cardiologia para tratamento de síndrome coronariana aguda: modelo de decisão compara intervenção coronariana percutânea (ICP) vs manejo médico vs bypass de emergência. O modelo integra eficácia de ensaios clínicos randomizados, complicações de procedimento, tempo de recuperação, qualidade de vida; os resultados recomendam ICP para perfis específicos de pacientes (por exemplo, idade <70, duração dos sintomas <12 horas).
  • Submissão de ATS: empresa farmacêutica submete novo medicamento para diabetes; modelo de decisão compara o medicamento vs terapia padrão em um horizonte de 30 anos. O modelo de Markov rastreia os estados da doença (controle de A1c, complicações). Resultado: ICER $25,000/QALY. O NICE recomenda o reembolso, informando as negociações de preços.
  • Programa de rastreamento: agência de saúde pública usa modelo de decisão para avaliar estratégias de rastreamento de câncer de colo de útero (Papanicolau anualmente vs a cada 3 anos vs rastreamento baseado em HPV). O modelo compara custos, anos de vida salvos, QALYs, danos (supertratamento). Resultado: o rastreamento baseado em HPV a cada 5 anos é o mais eficiente, orienta a política nacional.
  • Tomada de decisão compartilhada: paciente com câncer de próstata inicial (baixo risco, assintomático): modelo de decisão compara vigilância ativa vs prostatectomia radical. A árvore incorpora a história natural do câncer de próstata, risco cirúrgico, resultados funcionais (continência, função erétil), qualidade de vida. O paciente pode ver o valor esperado de cada opção adaptado às suas preferências e tolerância ao risco.
  • Definição de prioridades de pesquisa: modelo de controle de doenças infecciosas compara estratégias de vacinação, tratamento e vigilância. A análise de sensibilidade probabilística identifica os parâmetros com maior incerteza. A análise do valor da informação (VOI) calcula: 'Quanto dados perfeitos sobre X reduziriam a incerteza da decisão?' Orienta o financiamento de pesquisas para estudos com maior valor.

Como funciona

Como funciona

1

Etapa 1: Definir o problema de decisão. Quais são as alternativas de decisão? (por exemplo, Rastrear câncer colorretal (colonoscopia) vs FOBT (teste de sangue oculto nas fezes) vs nenhum rastreamento). Qual é a população de pacientes? (por exemplo, idade 50–75, risco médio). Qual é o horizonte temporal? (resultado em 10 anos? Vida útil?). Etapa 2: Mapear a estrutura. Identificar todos os eventos aleatórios (doença progride vs regride, teste é positivo vs negativo, eventos adversos ocorrem vs não ocorrem). Identificar os resultados de interesse (vivo/morto, sem sintomas vs sintomático, custo em dólares, QALYs). Etapa 3: Preencher com probabilidades. De onde vêm as probabilidades? Ensaios clínicos randomizados (evidência primária), estudos de coorte, registros nacionais, meta-análises. Exemplo: Se um ensaio clínico randomizado mostra que a colonoscopia detecta câncer colorretal em 90% dos casos e previne a morte em 95% dos casos detectados, use P(detecção) = 0.90, P(morte prevenida | detectado) = 0.95. Para progressão da doença (não em nenhum ensaio), use epidemiologia publicada. Etapa 4: Atribuir resultados. Utilidades: pesos de qualidade de vida (escala 0–1) para cada estado de saúde (saúde normal = 1, diagnosticado com câncer = 0.7, pós-tratamento = 0.8). Custos: custo de rastreamento ($300), custo de tratamento de câncer ($50,000), monitoramento contínuo ($500/ano). Etapa 5: Construir o modelo. Usar árvore de decisão (horizonte curto, eventos discretos) ou Markov (horizonte longo, estados recorrentes). Software: TreeAge Pro (comercial), Excel (básico), R/Python (flexível). Etapa 6: Validar. Executar cenário de linha de base (cuidado padrão atual) e comparar os resultados com a literatura publicada (o modelo corresponde à epidemiologia?).

Fórmula
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.
2

Exemplo de Árvore de Decisão: Rastreamento de câncer colorretal em indivíduo de 50 anos. Raiz: Nó de Decisão (Quadrado): [Rastrear vs Não Rastrear]. Ramo 1 (Rastrear): Colonoscopia realizada. Nó de Chance (Círculo): [Câncer encontrado (10% de prevalência) vs Não encontrado (90%)]. Se câncer encontrado: tratamento, resultado = QALY = 0.85 (caso de câncer com tratamento, sobrevida a longo prazo). Custo = $300 (colonoscopia) + $50,000 (tratamento) = $50,300. Se não encontrado: cuidado de rotina. Resultado = QALY = 1.0 (sem câncer). Custo = $300. Valor esperado (Rastrear) = 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 de custo. Ramo 2 (Não Rastrear): Cuidado de rotina, resultado = 1.0 QALY (assumindo nenhum câncer não diagnosticado; conservador). Custo = $0. Valor esperado (Não Rastrear) = 1.0 QALYs, $0 de custo. ICER (Rastrear vs Não Rastrear) = ($5,570 − $0) / (0.985 − 1.0) = denominador negativo (o rastreamento resulta em menos QALYs?). Isso sugere que o rastreamento reduz os QALYs devido ao risco de diagnóstico incorreto/supertratamento. Análise de sensibilidade: se P(prevalência_câncer) = 20% em vez de 10%, recalcular. O ICER torna-se positivo, o rastreamento agora é benéfico. Análise de limiar: em que prevalência de câncer o rastreamento atinge o ponto de equilíbrio (QALY igual)? Resolver: 0.985 torna-se ≥ 1.0, encontrar o limiar de P(câncer). Análise de sensibilidade probabilística: atribuir distribuições a todos os parâmetros (prevalência de câncer, taxa de detecção, eficácia do tratamento), executar 1.000 simulações, relatar curva de aceitabilidade.

Fórmula
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.
3

Decisão ótima: Escolher a intervenção com o maior benefício líquido esperado (QALY − custo/DAP). Se o ICER < limiar de disposição a pagar (DAP) (por exemplo, £20,000/QALY), a intervenção é custo-efetiva e recomendada. Os achados da análise de sensibilidade guiam a robustez. Sensibilidade unidirecional (variar um parâmetro): gráfico de tornado mostra quais parâmetros são mais influentes. Se a decisão muda quando um parâmetro varia ±20%, esse parâmetro é crítico para as suposições. Sensibilidade bidirecional: co-variar dois parâmetros (por exemplo, sensibilidade e especificidade do teste) para mapear o cenário de decisão. Sensibilidade probabilística: a distribuição de ICERs plausíveis revela a faixa de incerteza. A curva de aceitabilidade responde: em qual limiar de DAP a intervenção é mais provável de ser custo-efetiva? Se a curva mostra 85% de probabilidade de ser custo-efetiva a £20,000/QALY, a decisão é robusta; se 40%, alta incerteza justifica cautela ou mais pesquisa. Análise de subgrupo: executar o modelo separadamente para subgrupos de pacientes (idade, gravidade da doença, comorbidade). As decisões podem diferir: por exemplo, rastreamento recomendado para pacientes de alto risco, mas não para os de baixo risco. Análise de limiar: identificar valores de ponto de equilíbrio. Exemplo: 'A intervenção é custo-efetiva se a eficácia do tratamento for ≥40%.' Isso orienta quais evidências são necessárias para tomar uma decisão confiante.

Fórmula
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.

Erros comuns

  • Modelagem excessiva: incluir muitos estados/ramos, aumentando a complexidade sem melhorar a percepção da decisão. Comece simples; adicione detalhes se a análise de sensibilidade mostrar que é importante.
  • Ancoragem em estimativas únicas: usar probabilidades de estimativa pontual sem faixas de incerteza. Sempre conduza análise de sensibilidade; as decisões devem ser robustas a variações razoáveis de parâmetros.
  • Ignorar a heterogeneidade: aplicar a saída média do modelo a todos os pacientes, ignorando as diferenças de subgrupo. A análise de subgrupo é essencial; alguns pacientes se beneficiam mais/menos.
  • Falha na validação: não comparar as saídas do modelo com dados epidemiológicos publicados. Sempre calibre o cenário de linha de base com dados externos para detectar erros do modelo.
  • Interpretação errônea do valor esperado: tratar o valor esperado como garantia. O valor esperado é o resultado médio; o paciente real pode experimentar o melhor ou o pior resultado. Comunique-se apropriadamente.

Perguntas frequentes

Qual a diferença entre uma árvore de decisão e um modelo de Markov?

Árvore de decisão: horizonte temporal curto (por exemplo, período pós-tratamento imediato), um único caminho por ramo de decisão, cada ramo com um ponto final terminal. Usada para decisões agudas (testar ou não, tratar ou não) com resultados ocorrendo dentro do prazo do ensaio. Modelo de Markov: horizonte temporal longo (doença crônica ao longo de anos/décadas), pacientes ciclam repetidamente por estados de saúde, transições definidas probabilisticamente. Usado quando a progressão da doença ao longo do tempo é relevante. Frequentemente combinados: a árvore de decisão determina a escolha inicial (por exemplo, rastrear sim/não); então o modelo de Markov projeta as consequências a longo prazo para o braço escolhido.

Como as utilidades são atribuídas se não houver dados diretos disponíveis?

Métodos: (1) Usar pesos de utilidade publicados (EQ-5D, SF-6D, tarifas HUI) para estados de saúde semelhantes. (2) Realizar elicitação de utilidade focada (trade-off temporal, escala analógica visual, escolha discreta) com amostra de pacientes/população geral. (3) Julgamento de especialistas: clínicos estimam, reconhecendo a incerteza. (4) Mapeamento: se o ensaio coletou dados de qualidade de vida em escalas específicas da doença, usar algoritmos de mapeamento publicados para converter em utilidades. Lacunas de dados devem desencadear análise de sensibilidade: variar as utilidades em ±20% e verificar se a decisão muda.

Por que a análise de sensibilidade é tão importante em modelos de decisão?

A saída do modelo (ICER, recomendação) depende dos parâmetros de entrada (probabilidades, utilidades, custos). Os parâmetros são estimados com incerteza. A análise de sensibilidade testa a robustez: se a decisão é robusta a faixas de parâmetros plausíveis, a confiança é alta; se a decisão muda com pequenas alterações, a sensibilidade é alta e a decisão é frágil. A sensibilidade unidirecional (variar um parâmetro), bidirecional e probabilística (variar todos simultaneamente) mostram quais parâmetros impulsionam os resultados. Isso orienta onde a coleta de dados é mais valiosa.

O que é 'análise de limiar' e quando é útil?

A análise de limiar identifica valores de ponto de equilíbrio: 'Em que valor de parâmetro a decisão muda?' Exemplo: 'Se a eficácia do tratamento for ≥60%, a intervenção é custo-efetiva no limiar de £20,000/QALY; abaixo de 60%, não é custo-efetiva.' Os limiares guiam a interpretação: se a eficácia estimada é de 70% (acima do limiar), a recomendação é robusta; se 58% (próximo ao limiar), são necessários mais dados sobre a eficácia. Os limiares também informam os preços: a empresa pode calcular, 'A que preço nosso medicamento é custo-efetivo para o pagador?' Os limiares de custo impulsionam a negociação.

Como o valor esperado difere da utilidade esperada?

Valor esperado: custo/resultado QALY esperado (média matemática). Utilidade esperada: valor ajustado para as preferências de risco individuais. Exemplo: decisão com 50% de chance de resultado QALY 10 e 50% de chance de 0 (valor esperado = 5 QALYs). Uma pessoa neutra ao risco valoriza isso igualmente a 5 QALYs garantidos. Uma pessoa avessa ao risco pode preferir 3 QALYs certos a uma aposta arriscada; sua utilidade esperada < valor esperado. A maioria dos modelos de decisão usa o valor esperado (suposição de neutralidade ao risco); modelos de tomada de decisão compartilhada podem ajustar para a preferência de risco do paciente.

Métodos relacionados

Fontes

  1. Pauker, S. G., & Kassirer, J. P. (1975). Therapeutic Decision Making: A Cost-Benefit Analysis. New England Journal of Medicine, 293(5), 229-234.

    Abrir referência DOI
    Copiado.
  2. Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.

    Abrir referência da publicação
    Copiado.
  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.

    Abrir referência da publicação
    Copiado.