Моделирование на основе анализа решений в экономике здравоохранения
- Автор метода
- Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
- Год
- 1975
- Тип
- Method
- Семейство
- health economic evaluation framework
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Моделирование на основе анализа решений представляет собой систематическую основу для сравнения медицинских вмешательств путем интеграции данных о вероятностях, исходах, затратах и предпочтениях пациентов в количественную модель.
Анализ решений, разработанный Паукером и Кассирером в 1975 году, структурирует клиническую неопределенность и экономические компромиссы, обеспечивая прозрачное сравнение вариантов лечения и выявление оптимальных стратегий. Используется при оценке медицинских технологий, разработке клинических рекомендаций и принятии решений о распределении ресурсов.
Интуиция метода
Врач сталкивается с решением: следует ли 65-летнему пациенту с впервые диагностированной гипертензией начать антигипертензивную терапию или выбрать выжидательную тактику? Лечение снижает сердечно-сосудистый риск, но имеет побочные эффекты и затраты. Ни одно отдельное исследование напрямую не отвечает на этот вопрос для данного пациента, поскольку исходы зависят от индивидуального профиля риска, эффективности препарата в его подгруппе и предпочтений. Анализ решений количественно оценивает компромисс: какова вероятность того, что этот пациент получит пользу? Какова цена? Каково качество жизни при лечении и без него? Интегрируя все доступные данные (РКИ, эпидемиология, данные о затратах) в одну модель, анализ решений рассчитывает ожидаемую ценность каждого варианта. Ожидаемая ценность = сумма (вероятность исхода × ценность исхода). Лечение с 80% вероятностью предотвращения инсульта (ценность 2 QALY) и 20% вероятностью побочных эффектов (ценность −0.5 QALY) имеет ожидаемую ценность = 0.8×2 + 0.2×(−0.5) = 1.5 QALY. Если альтернатива (выжидательная тактика) имеет ожидаемую ценность 1.0 QALY, то лечение предпочтительнее по критерию ожидаемой ценности. Анализ решений требует явного обоснования и позволяет проводить систематическое сравнение.
История
Паукер и Кассирер (1975, 1976) были пионерами анализа решений в медицине, применяя теорию ожидаемой ценности (фон Нейман и Моргенштерн) к принятию клинических решений. Ранние применения: когда лечить бессимптомные состояния, когда проводить диагностические тесты. Вайнштейн и Файнберг (1980) опубликовали влиятельный учебник. К 1990-м годам анализ решений был установлен в клинической эпидемиологии и исследованиях медицинских услуг. Бриггс, Клэкстон и Скулфер (2000-е) расширили анализ решений на экономическую оценку (интеграция затрат, QALY, CEA/CBA). Деревья решений уступили место моделям Маркова для хронических заболеваний (1990-е). Вероятностный анализ чувствительности (моделирование Монте-Карло) стал стандартом к 2000-м годам, позволяя количественно оценивать неопределенность. Сегодня моделирование решений является рутинным в подаче документов HTA и разработке руководств; инструменты (TreeAge, пакеты R) демократизировали доступ за пределы статистиков.
Когда применять
При сравнении медицинских вмешательств и когда лица, принимающие решения, нуждаются в систематической интеграции доказательств. Анализ решений является стандартным для: (1) разработки клинических рекомендаций (сравнение стратегий лечения). (2) оценки медицинских технологий (решения о возмещении расходов). (3) распределения ресурсов (приоритизация вмешательств). (4) приоритизации исследований (определение того, где дополнительные данные наиболее улучшат уверенность в принятии решений). (5) консультирования пациентов (инструменты совместного принятия решений). Используется, когда: существует несколько вариантов, исходы неопределенны, предпочтения и затраты имеют значение, и ценится прозрачная основа. Не требуется для: простых клинических сравнений с очевидным победителем (например, два препарата с одинаковой эффективностью, один намного дешевле — интуитивное решение); редких исходов, где моделирование мало что добавляет.
Ограничения и замечания
- Неопределенность параметров: модель хороша настолько, насколько точны входные вероятности и полезности; если данные скудны или предвзяты, выходные данные модели ненадежны.
- Предполагает рациональное принятие решений: подход ожидаемой ценности предполагает, что лица, принимающие решения, нейтральны к риску; фактические предпочтения часто нелинейны (неприятие потерь, надежда).
- Упрощает реальность: модель неизбежно абстрагирует сложность заболевания; важные клинические факторы могут быть опущены или усреднены, теряя нюансы, специфичные для пациента.
- Требует значительных данных: построение строгой модели требует данных о вероятностях (исследования, реестры), полезностях (опросы предпочтений) и затратах (бухгалтерские записи); данные часто неполны.
- Мусор на входе — мусор на выходе (GIGO): если входные предположения неверны или спорны, выходные данные вводят в заблуждение, несмотря на математическую строгость.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Прозрачно интегрирует доказательства: вероятности, исходы, затраты, полезности явно указаны и связаны, что позволяет проводить критический анализ заинтересованными сторонами и обновлять их по мере развития доказательств.
- Систематически обрабатывает неопределенность: анализ чувствительности и вероятностный анализ количественно определяют влияние неопределенности на решения, указывая, где дальнейшие исследования наиболее ценны.
- Облегчает коммуникацию: дерево решений визуализирует структуру проблемы; заинтересованные стороны (врачи, пациенты, плательщики) понимают компромиссы и оценочные суждения.
- Гибкость: учитывает разнообразные типы доказательств (РКИ, наблюдательные, экспертное мнение) и может быть обновлена по мере появления новых данных.
Применение
- Разработка клинических рекомендаций: кардиологическое руководство по лечению острого коронарного синдрома: модель решения сравнивает ЧКВ (чрескожное коронарное вмешательство) против медикаментозного лечения против экстренного шунтирования. Модель интегрирует эффективность РКИ, осложнения процедуры, время восстановления, качество жизни; результаты рекомендуют ЧКВ для конкретных профилей пациентов (например, возраст <70 лет, продолжительность симптомов <12 часов).
- Подача заявки на HTA: фармацевтическая компания представляет новый препарат от диабета; модель решения сравнивает препарат со стандартной терапией в течение 30-летнего периода. Модель Маркова отслеживает состояния заболевания (контроль A1c, осложнения). Результат: ICER 25 000 долларов/QALY. NICE рекомендует возмещение, информируя переговоры о ценах.
- Программа скрининга: агентство общественного здравоохранения использует модель решения для оценки стратегий скрининга рака шейки матки (мазок Папаниколау ежегодно против каждых 3 лет против скрининга на основе ВПЧ). Модель сравнивает затраты, спасенные годы жизни, QALY, вред (чрезмерное лечение). Результат: на основе ВПЧ каждые 5 лет наиболее эффективен, направляет национальную политику.
- Совместное принятие решений: пациент с ранним раком простаты (низкий риск, бессимптомный): модель решения сравнивает активное наблюдение против радикальной простатэктомии. Дерево включает естественную историю рака простаты, риск операции, функциональные исходы (континенция, эректильная функция), качество жизни. Пациент может увидеть ожидаемую ценность каждого варианта, адаптированного к его предпочтениям и толерантности к риску.
- Приоритизация исследований: модель контроля инфекционных заболеваний сравнивает стратегии вакцинации, лечения и наблюдения. Вероятностный анализ чувствительности выявляет параметры с наибольшей неопределенностью. Анализ ценности информации (VOI) рассчитывает: «Сколько бы идеальные данные по X снизили неопределенность решения?» Направляет финансирование исследований на наиболее ценные исследования.
Как это работает
Как это работает
Шаг 1: Определите проблему принятия решения. Каковы альтернативы решения? (например, скрининг на колоректальный рак (колоноскопия) против анализа кала на скрытую кровь (FOBT) против отсутствия скрининга). Какова целевая популяция пациентов? (например, возраст 50–75 лет, средний риск). Каков временной горизонт? (10-летний исход? В течение жизни?). Шаг 2: Нанесите структуру на карту. Определите все случайные события (болезнь прогрессирует или регрессирует, тест положительный или отрицательный, возникают нежелательные явления или нет). Определите интересующие исходы (жив/мертв, без симптомов или с симптомами, затраты в долларах, QALY). Шаг 3: Заполните вероятностями. Откуда берутся вероятности? РКИ (первичные данные), когортные исследования, национальные реестры, мета-анализы. Пример: Если РКИ показывает, что колоноскопия выявляет колоректальный рак в 90% случаев и предотвращает смерть в 95% выявленных случаев, используйте P(обнаружение) = 0.90, P(предотвращенная смерть | обнаружено) = 0.95. Для прогрессирования заболевания (не указанного ни в одном исследовании) используйте опубликованные эпидемиологические данные. Шаг 4: Назначьте исходы. Полезности: веса качества жизни (шкала 0–1) для каждого состояния здоровья (нормальное здоровье = 1, диагностирован рак = 0.7, после лечения = 0.8). Затраты: стоимость скрининга (300 долларов), стоимость лечения рака (50 000 долларов), текущий мониторинг (500 долларов в год). Шаг 5: Постройте модель. Используйте дерево решений (короткий горизонт, дискретные события) или модель Маркова (длинный горизонт, повторяющиеся состояния). Программное обеспечение: TreeAge Pro (коммерческое), Excel (базовое), R/Python (гибкое). Шаг 6: Валидируйте. Запустите базовый сценарий (текущая стандартная помощь) и сравните результаты с опубликованной литературой (соответствует ли модель эпидемиологии?).
Формула
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.
Пример дерева решений: Скрининг на колоректальный рак у 50-летнего пациента. Корень: Узел решения (квадрат): [Скрининг против Отсутствия скрининга]. Ветвь 1 (Скрининг): Проводится колоноскопия. Узел случайности (круг): [Рак обнаружен (распространенность 10%) против Не обнаружен (90%)]. Если рак обнаружен: лечение, исход = QALY = 0.85 (случай рака с лечением, долгосрочная выживаемость). Стоимость = 300 долларов (колоноскопия) + 50 000 долларов (лечение) = 50 300 долларов. Если не обнаружен: стандартный уход. Исход = QALY = 1.0 (без рака). Стоимость = 300 долларов. Ожидаемая ценность (Скрининг) = 0.10 × (0.85 QALY, 50 300 долларов) + 0.90 × (1.0 QALY, 300 долларов) = [0.10×0.85 + 0.90×1.0] = 0.985 QALY, [0.10×50,300 + 0.90×300] = 5 300 долларов + 270 долларов = 5 570 долларов затрат. Ветвь 2 (Без скрининга): Стандартный уход, исход = 1.0 QALY (при условии отсутствия недиагностированного рака; консервативно). Стоимость = 0 долларов. Ожидаемая ценность (Без скрининга) = 1.0 QALY, 0 долларов затрат. Инкрементальный коэффициент затратной эффективности (ICER) (Скрининг против Без скрининга) = (5 570 долларов − 0 долларов) / (0.985 − 1.0) = отрицательный знаменатель (скрининг дает меньше QALY?). Это предполагает, что скрининг снижает QALY из-за риска ошибочной диагностики/чрезмерного лечения. Анализ чувствительности: если P(распространенность рака) = 20% вместо 10%, пересчитайте. ICER становится положительным, скрининг теперь выгоден. Пороговый анализ: при какой распространенности рака скрининг окупается (равные QALY)? Решите: 0.985 становится ≥ 1.0, найдите пороговое значение P(рак). Вероятностный анализ чувствительности: назначьте распределения всем параметрам (распространенность рака, скорость обнаружения, эффективность лечения), проведите 1000 симуляций, представьте кривую приемлемости.
Формула
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.
Оптимальное решение: Выберите вмешательство с наибольшей ожидаемой чистой выгодой (QALY − стоимость/WTP). Если ICER < порог готовности платить (WTP) (например, £20 000/QALY), вмешательство является экономически эффективным и рекомендуется. Результаты анализа чувствительности определяют надежность. Однофакторный анализ чувствительности (изменение одного параметра): диаграмма торнадо показывает, какие параметры наиболее влиятельны. Если решение меняется при изменении параметра на ±20%, этот параметр критичен для предположений. Двухфакторный анализ чувствительности: совместное изменение двух параметров (например, чувствительность и специфичность теста) для отображения ландшафта решений. Вероятностный анализ чувствительности: распределение правдоподобных ICER показывает диапазон неопределенности. Кривая приемлемости отвечает на вопрос: при каком пороге WTP вмешательство наиболее вероятно является экономически эффективным? Если кривая показывает 85% вероятность экономической эффективности при £20 000/QALY, решение надежно; если 40%, высокая неопределенность требует осторожности или дальнейших исследований. Анализ подгрупп: запустите модель отдельно для подгрупп пациентов (возраст, тяжесть заболевания, сопутствующие заболевания). Решения могут различаться: например, скрининг рекомендуется для пациентов высокого риска, но не для пациентов низкого риска. Пороговый анализ: определите значения безубыточности. Пример: «Вмешательство экономически эффективно, если эффективность лечения ≥40%». Это определяет, какие данные необходимы для принятия уверенного решения.
Формула
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.
Частые ошибки
- Чрезмерное моделирование: включение слишком большого количества состояний/ветвей, увеличение сложности без улучшения понимания решения. Начинайте с простого; добавляйте детали, если анализ чувствительности показывает, что это важно.
- Привязка к единичным оценкам: использование точечных оценок вероятностей без диапазонов неопределенности. Всегда проводите анализ чувствительности; решения должны быть устойчивы к разумным изменениям параметров.
- Игнорирование гетерогенности: применение среднего выходного значения модели ко всем пациентам, игнорирование различий между подгруппами. Анализ подгрупп необходим; некоторые пациенты получают больше/меньше пользы.
- Неспособность валидировать: не сравнение выходных данных модели с опубликованными эпидемиологическими данными. Всегда калибруйте базовый сценарий по внешним данным, чтобы выявить ошибки модели.
- Неправильная интерпретация ожидаемой ценности: рассмотрение ожидаемой ценности как гарантии. Ожидаемая ценность — это средний исход; фактический пациент может испытать лучший или худший исход. Соответствующим образом сообщайте информацию.
Часто задаваемые вопросы
В чем разница между деревом решений и моделью Маркова?
Дерево решений: короткий временной горизонт (например, период непосредственно после лечения), один путь на ветвь решения, каждая ветвь имеет конечную точку. Используется для острых решений (тестировать или нет, лечить или нет) с исходами, происходящими в рамках временных рамок исследования. Модель Маркова: длинный временной горизонт (хроническое заболевание в течение лет/десятилетий), пациенты многократно проходят через состояния здоровья, переходы определяются вероятностно. Используется, когда важна прогрессия заболевания во времени. Часто комбинируются: дерево решений определяет первоначальный выбор (например, скрининг да/нет); затем модель Маркова прогнозирует долгосрочные последствия для выбранной ветви.
Как назначаются полезности при отсутствии прямых данных?
Методы: (1) Использовать опубликованные веса полезности (EQ-5D, SF-6D, тарифы HUI) для аналогичных состояний здоровья. (2) Провести целенаправленное определение полезности (trade-off по времени, визуальная аналоговая шкала, дискретный выбор) с выборкой пациентов/общей популяции. (3) Экспертное суждение: врачи оценивают, признавая неопределенность. (4) Отображение: если исследование собрало данные о качестве жизни по шкалам, специфичным для заболевания, использовать опубликованные алгоритмы отображения для преобразования в полезности. Пробелы в данных должны приводить к анализу чувствительности: изменяйте полезности на ±20% и смотрите, меняется ли решение.
Почему анализ чувствительности так важен в моделях решений?
Выходные данные модели (ICER, рекомендация) зависят от входных параметров (вероятности, полезности, затраты). Параметры оцениваются с неопределенностью. Анализ чувствительности проверяет надежность: если решение устойчиво к правдоподобным диапазонам параметров, уверенность высока; если решение меняется при небольших изменениях, чувствительность высока, а решение хрупко. Однофакторный анализ (изменение одного параметра), двухфакторный и вероятностный (одновременное изменение всех) показывают, какие параметры определяют результаты. Это направляет, где сбор дополнительных данных наиболее ценен.
Что такое «пороговый анализ» и когда он полезен?
Пороговый анализ определяет значения безубыточности: «При каком значении параметра решение меняется?» Пример: «Если эффективность лечения ≥60%, вмешательство экономически эффективно при пороге £20 000/QALY; ниже 60% — не экономически эффективно». Пороги направляют интерпретацию: если оцениваемая эффективность составляет 70% (выше порога), рекомендация надежна; если 58% (близко к порогу), необходимы дополнительные данные об эффективности. Пороги также информируют о ценообразовании: компания может рассчитать: «При какой цене наш препарат экономически эффективен для плательщика?» Пороговые значения затрат определяют переговоры.
Чем ожидаемая ценность отличается от ожидаемой полезности?
Ожидаемая ценность: ожидаемый исход затрат/QALY (математическое среднее). Ожидаемая полезность: ценность, скорректированная с учетом индивидуальных предпочтений к риску. Пример: решение с 50% вероятностью исхода 10 QALY и 50% вероятностью 0 (ожидаемая ценность = 5 QALY). Нейтральный к риску человек оценивает это так же, как гарантированные 5 QALY. Человек, избегающий риска, может предпочесть определенные 3 QALY рискованной игре; его ожидаемая полезность < ожидаемой ценности. Большинство моделей решений используют ожидаемую ценность (предположение о нейтральности к риску); модели совместного принятия решений могут учитывать предпочтения пациента к риску.
Похожие методы
Источники
Pauker, S. G., & Kassirer, J. P. (1975). Therapeutic Decision Making: A Cost-Benefit Analysis. New England Journal of Medicine, 293(5), 229-234.
Открыть ссылку DOIСкопировано.Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.
Открыть ссылку на публикациюСкопировано.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.
Открыть ссылку на публикациюСкопировано.