Skip to content
Voltar aos resultados

Modelo de Cadeia de Markov em Economia da Saúde

Proposto por
Beck & Pauker (medical decision analysis, Massachusetts General Hospital)
Ano
1983
Tipo
Method
Família
decision modeling framework

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

Tamanho da fonte

O que ele faz?

Um modelo de Markov é uma ferramenta de análise de decisão que simula a progressão de doenças através de estados de saúde definidos ao longo do tempo, calculando custos cumulativos e anos de vida ajustados pela qualidade (QALYs) para permitir a análise de custo-efetividade.

Desenvolvidos por Beck e Pauker em 1983, os modelos de Markov são agora a estrutura padrão para projetar resultados de longo prazo de intervenções de saúde, especialmente em doenças crônicas onde os pacientes transitam entre estados clínicos (resposta ao tratamento, progressão da doença, remissão, morte). Utilizados por órgãos de avaliação de tecnologias em saúde e empresas farmacêuticas para prever o valor da intervenção além da duração do ensaio.

A intuição por trás do método

Ensaios randomizados geralmente acompanham pacientes por 2 a 5 anos. Mas a política de saúde precisa saber: Este medicamento economizará dinheiro e melhorará a saúde em um horizonte de 10 anos ou ao longo da vida? Os modelos de Markov extrapolam os resultados dos ensaios para o futuro. A ideia central: os pacientes ocupam estados de saúde distintos (categorias de contagem de CD4 do HIV, estágios da doença de câncer, classes NYHA de doença cardíaca) e transitam entre os estados com probabilidades definidas a cada ano. Uma coorte começa em um estado; a cada ano, alguns progridem para uma doença pior, alguns melhoram, alguns morrem. Acompanhe os custos e a saúde (QALYs) em cada estado; some ao longo de 10 a 30 anos. Saída: custo total e QALYs, permitindo o cálculo da custo-efetividade. Markov é elegante porque lida com vias heterogêneas através da doença (alguns pacientes se recuperam, alguns progridem, alguns recaem) e longos horizontes de tempo de uma forma computacionalmente tratável.

História

Beck e Pauker (1983) introduziram os modelos de Markov na análise de decisão médica em seu artigo seminal sobre o prognóstico do HIV, mostrando como os modelos de transição de estado poderiam projetar resultados de longo prazo. Sonnenberg e Beck (1993) forneceram um guia prático para construir e validar modelos de Markov. Nos anos 2000, os modelos de Markov tornaram-se padrão nas submissões de ATS; ferramentas como TreeAge Pro (comercial) e Microsoft Excel (acessível) permitiram a adoção generalizada. As críticas nos anos 2010 focaram nas limitações (suposição de ausência de memória, dificuldade de calibração), estimulando o desenvolvimento de simulação de eventos discretos (rastreamento em nível individual) e abordagens de aprendizado de máquina para estimativa de parâmetros. Hoje, os modelos de Markov permanecem dominantes na ATS; eles são frequentemente a abordagem inicial, com microssimulação usada para casos complexos.

Quando usar

Quando uma intervenção de saúde afeta a progressão da doença ao longo de anos ou décadas e os dados do ensaio não cobrem todo o horizonte de tempo. Os modelos de Markov são padrão para: manejo de doenças crônicas (diabetes, hipertensão, HIV, câncer); prevenção de longo prazo (estatinas, vacinas); dispositivos com questões de durabilidade (implantes, dispositivos cardíacos); qualquer intervenção que exija extrapolação além da duração do ensaio. Obrigatório na maioria das submissões de Avaliação de Tecnologias em Saúde (ATS) (NICE, CADTH, HAS). Não é necessário para: intervenções agudas (cirurgia única) com janela de resultados curta; doenças raras com poucos pacientes (dados esparsos); situações em que os ensaios já cobrem a vida útil (incomum).

Limitações e considerações

  • Suposição de ausência de memória de Markov: transições futuras dependem apenas do estado atual, não do histórico da doença. Isso é violado se, por exemplo, o prognóstico de um paciente depende do tempo gasto no estado anterior (por exemplo, a duração da remissão prevê o risco de recaída). Alternativa: 'estados túnel' (por exemplo, remissão de 1 ano, remissão >1 ano) para aproximar a dependência do histórico, mas aumenta a complexidade.
  • A definição do estado requer julgamento clínico: Se os estados são muito amplos (por exemplo, 'doença leve' vs. 'doença grave'), as transições são heterogêneas e imprecisas. Muitos estados (por exemplo, CD4 em incrementos de 50 células) inflacionam a complexidade do modelo sem ganho de precisão.
  • As probabilidades de transição são frequentemente incertas ou emprestadas: Se o ensaio acompanhou apenas 5 anos, mas o modelo roda 20, as probabilidades de transição posteriores são extrapoladas ou assumidas como constantes (não baseadas em evidências). Pequenas mudanças nas transições se acumulam ao longo do tempo (incerteza do parâmetro).
  • Não captura a variabilidade individual: Markov é um modelo de coorte (caminhos médios); a simulação de eventos discretos (alternativa) rastreia trajetórias individuais de pacientes, mas é mais complexa.
  • A escolha do comprimento do ciclo é arbitrária: Ciclos anuais são padrão, mas a progressão da doença pode ser mais rápida (ciclos trimestrais, mensais necessários) ou mais lenta (ciclos de 5 anos aceitáveis). Ciclos mais curtos aumentam a precisão, mas também o cálculo e a incerteza.

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

Pontos fortes

  • Integra a história natural da doença com os efeitos da intervenção: pode modelar como os medicamentos alteram as taxas de progressão, permitindo estimativas realistas de custo-efetividade de longo prazo além da duração do ensaio.
  • Explícito e transparente: estados, probabilidades de transição, custos, utilidades são visíveis e auditáveis; revisores podem criticar as suposições.
  • Flexível: pode acomodar vias complexas da doença (remissão, recaída, troca de tratamento), múltiplas intervenções, heterogeneidade do paciente (análise de subgrupos).
  • Computacionalmente eficiente: os modelos de Markov rodam em segundos em hardware moderno; permite análise rápida de sensibilidade e cenário, ao contrário da microssimulação.

Aplicações

  • Diretrizes de tratamento do HIV: O modelo de Markov projeta QALYs e custos de 20 anos para o início guiado por CD4 vs. terapia imediata vs. diferentes regimes; orienta quando iniciar o tratamento e quais medicamentos usar.
  • Rastreamento de câncer: O modelo de Markov simula a progressão da doença de normal → pré-câncer → câncer → metástases → morte; calcula a custo-efetividade de diferentes intervalos de rastreamento (mamografia anual vs. a cada 3 anos).
  • Medicamentos cardiovasculares: A terapia com estatina reduz eventos cardiovasculares; o modelo de Markov projeta a redução do risco em 10 anos em diferentes subgrupos de pacientes (idade, colesterol basal, comorbidade); informa o limiar de tratamento.
  • Economia de dispositivos: Modelos de substituição de articulação artificial transitam de articulação saudável → progressão da osteoartrite → múltiplas substituições ao longo da vida; calcula a custo-efetividade de longo prazo vs. manejo conservador.
  • Política de vacinação: O modelo de vacina contra hepatite B rastreia a coorte do nascimento à idade adulta; calcula infecções prevenidas, complicações evitadas, QALYs ao longo da vida; informa se deve ser incluído no esquema infantil vs. recuperação em adolescentes.

Como funciona

Como funciona

1

Etapa 1: Definir os estados de saúde. Exemplo para HIV: CD4 <50 (AIDS), CD4 50–200 (imunossupressão grave), CD4 200–500 (moderada), CD4 >500 (leve), carga viral indetectável (tratado), morto. Estes devem ser clinicamente e economicamente significativos (diferentes opções de tratamento, custos ou prognóstico por estado). Etapa 2: Especificar as transições. A cada ano (ciclo), os pacientes podem: permanecer no estado atual, mover-se para uma saúde melhor (por exemplo, recuperação de CD4 em terapia), mover-se para uma saúde pior (progressão da doença) ou morrer. Probabilidades de transição = probabilidade observada ou modelada de cada transição, derivada de: (a) dados de acompanhamento de RCT: se o ensaio mostra que 10% dos pacientes com CD4 <50 morrem por ano, P(CD4<50 → morto) = 0,10; (b) literatura (coortes publicadas); (c) expertise clínica e calibração. Etapa 3: Atribuir utilidades específicas do estado (pesos de qualidade de vida, escala de 0–1 onde 1 = saúde perfeita). CD4 <50 pode ter utilidade 0,6 (sintomas relacionados à AIDS, incerteza); CD4 >500 em terapia pode ter utilidade 0,95 (saúde quase normal). Etapa 4: Atribuir custos específicos do estado por ciclo: custos de medicação, monitoramento (laboratório, visitas clínicas), hospitalização/complicações, se aplicável. Etapa 5: Construir o modelo em software (planilha Excel, TreeAge Pro, R, Python) representando estados e matriz de transição. Etapa 6: Verificar contra dados publicados: executar cenário de linha de base (cuidados padrão) e comparar resultados de 10 anos com dados de coorte publicados (calibração); ajustar se necessário.

Fórmula
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

Cálculo do traço de Markov: Simule uma coorte de 1.000 pacientes na linha de base (por exemplo, todos em CD4 200–500). No Ano 1, aplique as probabilidades de transição: se P(CD4 200–500 → CD4 >500) = 0,30, P(CD4 200–500 → CD4 50–200) = 0,15, P(CD4 200–500 → morto) = 0,05, então: Distribuição do Ano 1: 500 permanecem em CD4 200–500, 300 movem-se para CD4 >500, 150 movem-se para CD4 50–200, 50 morrem. No Ano 2, aplique as probabilidades de transição à distribuição do Ano 1; repita para cada ano até que todos morram ou o horizonte de tempo seja atingido. Para cada ciclo, calcule custos e QALYs: Custo do Ano t = Σ(coorte no estado s) × (custo por estado s); QALYs do Ano t = Σ(coorte no estado s) × (utilidade do estado s). Desconte custos/QALYs futuros em 3% anualmente: VP = valor no Ano t / (1,03)^t. Custo/QALY total = soma dos valores anuais descontados. Exemplo: Custo do Ano 1 = 500×$2.000 (custo CD4 200–500) + 300×$1.500 (custo CD4 >500) + 150×$5.000 (custo CD4 50–200) + 0 (morto) = $2,05M. Desconto para o presente: VP do Ano 1 = $2,05M / 1,03 = $1,99M. Após 10 anos: custo VP cumulativo (intervenção) = $15M, QALY VP cumulativo (intervenção) = 6,5 QALYs. O comparador (terapia padrão) rende 5,0 QALYs, custo $12M. ICER = ($15M − $12M) / (6,5 − 5,0) = $3M / 1,5 = $2M por QALY.

Fórmula
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

O ICER do modelo de Markov orienta o reembolso: se o limiar do NICE for £20.000/QALY (aproximadamente $25.000 USD) e o ICER = $2M por QALY, este medicamento claramente não é custo-efetivo. Se o ICER = $18.000/QALY, é aceitável. A análise de sensibilidade é crítica: (1) Determinística: varie um parâmetro por vez (por exemplo, taxa de mortalidade ±20%, probabilidades de transição ±10%) e recalcule o ICER; o gráfico de tornado mostra quais parâmetros mais influenciam o resultado. (2) Probabilística: atribua distribuições de probabilidade a todos os parâmetros incertos; execute 1.000–10.000 simulações com sorteios aleatórios das distribuições; produza uma nuvem de ICERs possíveis e uma curva de aceitabilidade (probabilidade de a intervenção ser custo-efetiva em diferentes limiares de WTP). Se a curva de aceitabilidade mostra 80% de probabilidade de ser custo-efetiva a £20.000/QALY, o ICER é robusto; se 40%, a alta incerteza justifica cautela. Análise de subgrupos: execute modelos separados para pacientes mais jovens vs. mais velhos, virgens de tratamento vs. experientes, CD4 basal alto vs. baixo; identifique grupos onde a intervenção é mais/menos custo-efetiva. Os resultados informam recomendações condicionais: 'Financie este medicamento para pacientes virgens de tratamento (ICER $15K), mas não para pacientes experientes (ICER $40K).'

Fórmula
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.

Erros comuns

  • Assumir probabilidades de transição constantes ao longo do tempo: Se os pacientes no início da doença progridem de forma diferente do que após 10 anos, as probabilidades constantes estão erradas. Use probabilidades de transição dependentes do tempo se a evidência apoiar (requer complexidade do modelo).
  • Esquecer os estados túnel para capturar o histórico: Se o prognóstico de um paciente depende de quanto tempo ele esteve no estado atual (por exemplo, 'trajetória' de recuperação de CD4), ignore isso, e as transições serão enviesadas. Os estados túnel (recuperação de CD4 <1 ano vs. ≥1 ano) são uma solução alternativa.
  • Superparametrização: Incluir muitos estados e transições inflaciona o modelo; a incerteza do parâmetro explode. Modelos parcimoniosos (mínimo de estados necessários) são preferidos; adicione complexidade apenas se clinicamente justificado.
  • Ignorar a calibração: Os resultados derivados do modelo devem corresponder aos dados publicados para a mesma população sob o mesmo tratamento. Se a sobrevida em 10 anos prevista por Markov for de 60%, mas a coorte publicada mostrar 50%, o modelo está descalibrado e os resultados não são confiáveis. Sempre calibre o cenário de linha de base.
  • Assumir que as transições derivadas de ensaios se aplicam a pacientes do mundo real: Os RCTs frequentemente recrutam pacientes mais jovens, mais saudáveis e mais aderentes do que no mundo real. As probabilidades de transição de RCT podem não generalizar; a validação externa contra coortes do mundo real é importante.

Perguntas frequentes

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

As árvores de decisão se ramificam em pontos de decisão (por exemplo, tratar vs. não tratar) e mostram resultados imediatos (desfechos do ensaio). Os modelos de Markov simulam a progressão através de estados ao longo de muitos ciclos, capturando a história natural da doença ao longo de anos. As árvores de decisão lidam com decisões de curto prazo e únicas; os modelos de Markov lidam com doenças crônicas com transições contínuas. Frequentemente combinados: a árvore de decisão determina a linha de base/atribuição do tratamento; então os modelos de Markov progridem a partir daí.

Como as probabilidades de transição são calibradas se os dados do ensaio estão incompletos?

Métodos: (1) Literatura publicada: procure estudos de coorte que relatem taxas de transição para a mesma população de pacientes, os mesmos estados da doença. (2) Meta-análise: se vários pequenos estudos estiverem disponíveis, agrupe os dados para estimar a probabilidade de transição. (3) Opinião de especialistas: reúna clínicos para estimar as transições se os dados estiverem ausentes (menos rigoroso). (4) Calibração: execute o modelo com as transições estimadas; compare os resultados de 5 anos com os dados publicados do ensaio; ajuste as transições até que o modelo corresponda ao ensaio (engenharia reversa). A análise de sensibilidade deve refletir a incerteza nas transições.

Os modelos de Markov devem incluir todos os estados de saúde clinicamente relevantes?

Não, inclua apenas os estados que afetam materialmente o custo ou os resultados. Exemplo: distinguir CD4 100–150 de CD4 50–100 é clinicamente importante (diferente toxicidade do tratamento, risco de mortalidade), então inclua ambos. Distinguir CD4 501–520 de CD4 521–540 é provavelmente imaterial; combine em CD4 >500. Regra geral: se uma mudança de estado alteraria o manejo clínico ou o custo >10%, inclua-a.

Como o comprimento do ciclo e o desconto estão relacionados?

O comprimento do ciclo (anual, trimestral, mensal) determina a frequência com que as transições ocorrem e quando os custos/QALYs são acumulados. Ciclos mais curtos (mensais) aumentam a precisão, mas também o tempo de cálculo. O desconto é aplicado aos custos/QALYs de cada ciclo: desconto anual de 3% significa valor do Ano 2 × 1/1,03, Ano 3 × 1/1,03², etc. Se usar ciclos trimestrais, ajuste a taxa de desconto: trimestral = 3%^(1/4) ≈ 0,74% por trimestre. Padrão: ciclos anuais com desconto anual de 3%.

O que é um 'estado túnel' e quando ele é necessário?

O estado túnel captura há quanto tempo um paciente está em um estado atual, violando a suposição de ausência de memória. Exemplo: CD4 'recentemente recuperado' (em terapia antirretroviral <1 ano) tem maior risco de síndrome inflamatória de reconstituição imune (SIRI) do que CD4 'estável' (em terapia >1 ano). Crie dois estados: CD4 >500 (risco de SIRI) e CD4 >500 (estável); transite entre eles após 1 ano. Os estados túnel aumentam a complexidade do modelo, mas melhoram a precisão quando o histórico é importante.

Como a conformidade/aderência é incorporada nos modelos de Markov?

Opção 1: Use dados de ensaios do mundo real da análise ITT (intenção de tratar) que incorpora a aderência real. Opção 2: Crie estados separados (aderente vs. não aderente) e modele as transições (falhas de aderência, reengajamento). Opção 3: Reduza a eficácia no modelo para refletir a aderência em nível populacional (por exemplo, se o ensaio mostrou 80% de aderência e a eficácia assumida 70% da eficácia do ensaio). A análise de sensibilidade deve explorar o impacto das suposições de aderência.

Métodos relacionados

Fontes

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

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

    Abrir referência DOI
    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.