Skip to content
กลับไปยังผลการค้นหา

แบบจำลองโซ่ของมาร์คอฟในเศรษฐศาสตร์สาธารณสุข

ผู้เสนอ
Beck & Pauker (medical decision analysis, Massachusetts General Hospital)
ปี
1983
ประเภท
Method
กลุ่มวิธี
decision modeling framework

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

แบบจำลองมาร์คอฟ (Markov model) เป็นเครื่องมือวิเคราะห์การตัดสินใจที่จำลองการดำเนินไปของโรคผ่านสภาวะสุขภาพ (health states) ที่กำหนดไว้เมื่อเวลาผ่านไป โดยคำนวณต้นทุนสะสมและปีสุขภาวะปรับคุณภาพ (quality-adjusted life years: QALYs) เพื่อให้สามารถวิเคราะห์ความคุ้มค่าทางเศรษฐศาสตร์ แบบจำลองมาร์คอฟซึ่งพัฒนาโดย Beck และ Pauker ในปี 1983 ปัจจุบันเป็นกรอบมาตรฐานสำหรับการคาดการณ์ผลลัพธ์ระยะยาวของการรักษาพยาบาล โดยเฉพาะอย่างยิ่งโรคเรื้อรังที่ผู้ป่วยมีการเปลี่ยนผ่านระหว่างสภาวะทางคลินิก (การตอบสนองต่อการรักษา, การลุกลามของโรค, การทุเลา, การเสียชีวิต) ซึ่งหน่วยงานประเมินเทคโนโลยีด้านสุขภาพและบริษัทเภสัชกรรมใช้เพื่อคาดการณ์คุณค่าของการรักษาพยาบาลเกินกว่าระยะเวลาของการทดลองทางคลินิก

แนวคิดเบื้องหลังวิธีการ

การทดลองแบบสุ่ม (Randomized trials) โดยทั่วไปติดตามผู้ป่วยเป็นเวลา 2–5 ปี แต่การกำหนดนโยบายด้านสาธารณสุขจำเป็นต้องทราบว่า ยานี้จะช่วยประหยัดค่าใช้จ่ายและปรับปรุงสุขภาพในระยะเวลา 10 ปี หรือตลอดชีวิตหรือไม่ แบบจำลองมาร์คอฟช่วยในการประมาณผลการทดลองในระยะยาว แนวคิดหลักคือ ผู้ป่วยจะอยู่ในสภาวะสุขภาพที่แตกต่างกัน (เช่น กลุ่มค่า CD4 ของผู้ติดเชื้อ HIV, ระยะของโรคมะเร็ง, กลุ่มอาการของโรคหัวใจ NYHA) และมีการเปลี่ยนผ่านระหว่างสภาวะเหล่านั้นด้วยความน่าจะเป็นที่กำหนดไว้ในแต่ละปี กลุ่มผู้ป่วยเริ่มต้นในสภาวะหนึ่ง ในแต่ละปี บางส่วนจะลุกลามไปสู่โรคที่รุนแรงขึ้น บางส่วนจะดีขึ้น และบางส่วนจะเสียชีวิต ติดตามต้นทุนและสุขภาพ (QALYs) ในแต่ละสภาวะ และรวมผลตลอดระยะเวลา 10–30 ปี ผลลัพธ์ที่ได้คือ ต้นทุนรวมและ QALYs ซึ่งนำไปสู่การคำนวณความคุ้มค่าทางเศรษฐศาสตร์ แบบจำลองมาร์คอฟมีความสง่างามเนื่องจากสามารถจัดการกับเส้นทางของโรคที่หลากหลาย (ผู้ป่วยบางรายหายดี บางรายลุกลาม บางรายกลับมาเป็นซ้ำ) และกรอบเวลาที่ยาวนานในลักษณะที่สามารถคำนวณได้

ประวัติศาสตร์

Beck และ Pauker (1983) ได้นำเสนอแบบจำลองมาร์คอฟในการวิเคราะห์การตัดสินใจทางการแพทย์ในบทความสำคัญของพวกเขาเกี่ยวกับการพยากรณ์โรค HIV โดยแสดงให้เห็นว่าแบบจำลองการเปลี่ยนผ่านสภาวะสามารถคาดการณ์ผลลัพธ์ระยะยาวได้อย่างไร Sonnenberg และ Beck (1993) ได้จัดทำคู่มือเชิงปฏิบัติสำหรับการสร้างและตรวจสอบความถูกต้องของแบบจำลองมาร์คอฟ ในช่วงปี 2000 แบบจำลองมาร์คอฟกลายเป็นมาตรฐานในการยื่นขอ HTA เครื่องมือต่างๆ เช่น TreeAge Pro (เชิงพาณิชย์) และ Microsoft Excel (เข้าถึงได้) ทำให้เกิดการยอมรับอย่างกว้างขวาง การวิจารณ์ในช่วงปี 2010 มุ่งเน้นไปที่ข้อจำกัด (ข้อสมมติฐานที่ไม่มีความจำ, ความยากในการปรับเทียบ) ซึ่งกระตุ้นให้เกิดการพัฒนาการจำลองเหตุการณ์แบบไม่ต่อเนื่อง (การติดตามระดับบุคคล) และแนวทางแมชชีนเลิร์นนิงสำหรับการประมาณค่าพารามิเตอร์ ปัจจุบัน แบบจำลองมาร์คอฟยังคงเป็นที่นิยมใน HTA และมักเป็นแนวทางเริ่มต้น โดยใช้การจำลองระดับจุลภาคสำหรับกรณีที่ซับซ้อน

ควรใช้เมื่อใด

เมื่อการรักษาพยาบาลส่งผลต่อการดำเนินไปของโรคในระยะเวลาหลายปีหรือหลายทศวรรษ และข้อมูลจากการทดลองทางคลินิกไม่ครอบคลุมกรอบเวลาทั้งหมด แบบจำลองมาร์คอฟเป็นมาตรฐานสำหรับ: การจัดการโรคเรื้อรัง (เบาหวาน, ความดันโลหิตสูง, HIV, มะเร็ง); การป้องกันระยะยาว (ยาลดไขมัน, วัคซีน); อุปกรณ์ที่มีคำถามเกี่ยวกับความทนทาน (อุปกรณ์ฝัง, อุปกรณ์หัวใจ); การรักษาใดๆ ที่ต้องการการประมาณค่าเกินกว่าระยะเวลาของการทดลอง เป็นข้อบังคับในการยื่นขออนุมัติ HTA ส่วนใหญ่ (NICE, CADTH, HAS) ไม่จำเป็นสำหรับ: การรักษาเฉียบพลัน (การผ่าตัดครั้งเดียว) ที่มีกรอบเวลาผลลัพธ์สั้น; โรคหายากที่มีผู้ป่วยน้อย (ข้อมูลมีจำกัด); สถานการณ์ที่การทดลองครอบคลุมตลอดชีวิตแล้ว (ไม่บ่อย)

ข้อจำกัดและข้อควรพิจารณา

  • ข้อสมมติฐานของมาร์คอฟที่ไม่มีความจำ (memoryless assumption): การเปลี่ยนผ่านในอนาคตขึ้นอยู่กับสภาวะปัจจุบันเท่านั้น ไม่ใช่ประวัติของโรค ซึ่งข้อสมมติฐานนี้จะถูกละเมิดหาก เช่น การพยากรณ์โรคของผู้ป่วยขึ้นอยู่กับระยะเวลาที่อยู่ในสภาวะก่อนหน้า (เช่น ระยะเวลาของการทุเลาเป็นตัวบ่งชี้ความเสี่ยงของการกลับเป็นซ้ำ) ทางเลือก: 'สภาวะอุโมงค์' (tunnel states) (เช่น การทุเลา 1 ปี, การทุเลา >1 ปี) เพื่อประมาณความสัมพันธ์กับประวัติ แต่จะเพิ่มความซับซ้อน
  • การกำหนดสภาวะต้องอาศัยการตัดสินใจทางคลินิก: หากสภาวะกว้างเกินไป (เช่น 'โรคเล็กน้อย' เทียบกับ 'โรคขั้นรุนแรง') การเปลี่ยนผ่านจะมีความหลากหลายและไม่แม่นยำ หากมีสภาวะมากเกินไป (เช่น ค่า CD4 เพิ่มขึ้นทีละ 50 เซลล์) จะเพิ่มความซับซ้อนของแบบจำลองโดยไม่เพิ่มความแม่นยำ
  • ความน่าจะเป็นในการเปลี่ยนผ่านมักไม่แน่นอนหรือถูกยืมมา: หากการทดลองติดตามเพียง 5 ปี แต่แบบจำลองทำงาน 20 ปี ความน่าจะเป็นในการเปลี่ยนผ่านในภายหลังจะถูกประมาณค่าหรือสมมติว่าคงที่ (ไม่มีหลักฐานสนับสนุน) การเปลี่ยนแปลงเล็กน้อยในความน่าจะเป็นในการเปลี่ยนผ่านจะสะสมเมื่อเวลาผ่านไป (ความไม่แน่นอนของพารามิเตอร์)
  • ไม่สามารถจับความแปรปรวนรายบุคคลได้: แบบจำลองมาร์คอฟเป็นแบบจำลองกลุ่ม (เส้นทางเฉลี่ย); การจำลองเหตุการณ์แบบไม่ต่อเนื่อง (discrete event simulation) ซึ่งเป็นทางเลือก จะติดตามเส้นทางของผู้ป่วยรายบุคคล แต่มีความซับซ้อนมากกว่า
  • การเลือกความยาวรอบ (cycle length) เป็นไปตามอำเภอใจ: รอบรายปีเป็นมาตรฐาน แต่การลุกลามของโรคอาจเร็วกว่า (ต้องใช้รอบรายไตรมาส รายเดือน) หรือช้ากว่า (รอบ 5 ปีก็ยอมรับได้) รอบที่สั้นลงจะเพิ่มความแม่นยำ แต่ก็เพิ่มการคำนวณและความไม่แน่นอน

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • บูรณาการประวัติธรรมชาติของโรคเข้ากับผลของการรักษา: สามารถจำลองได้ว่ายาเปลี่ยนแปลงอัตราการลุกลามของโรคได้อย่างไร ช่วยให้สามารถประมาณค่าความคุ้มค่าทางเศรษฐศาสตร์ในระยะยาวได้อย่างสมจริงเกินกว่าระยะเวลาของการทดลอง
  • มีความชัดเจนและโปร่งใส: สภาวะ, ความน่าจะเป็นในการเปลี่ยนผ่าน, ต้นทุน, ค่าอรรถประโยชน์ สามารถตรวจสอบได้ และผู้วิจารณ์สามารถวิจารณ์ข้อสมมติฐานได้
  • มีความยืดหยุ่น: สามารถรองรับเส้นทางของโรคที่ซับซ้อน (การทุเลา, การกลับเป็นซ้ำ, การเปลี่ยนการรักษา), การรักษาหลายรูปแบบ, ความแตกต่างของผู้ป่วย (การวิเคราะห์กลุ่มย่อย)
  • มีประสิทธิภาพในการคำนวณ: แบบจำลองมาร์คอฟทำงานได้ในไม่กี่วินาทีบนฮาร์ดแวร์สมัยใหม่ ช่วยให้สามารถวิเคราะห์ความไวและสถานการณ์ได้อย่างรวดเร็ว ซึ่งแตกต่างจากการจำลองระดับจุลภาค (microsimulation)

การประยุกต์ใช้

  • แนวทางการรักษา HIV: แบบจำลองมาร์คอฟคาดการณ์ QALYs และต้นทุนในระยะเวลา 20 ปี สำหรับการเริ่มการรักษาตามค่า CD4 เทียบกับการเริ่มการรักษาทันที หรือเทียบกับการรักษาด้วยยาต่างๆ เพื่อเป็นแนวทางในการเริ่มการรักษาและเลือกยาที่จะใช้
  • การคัดกรองมะเร็ง: แบบจำลองมาร์คอฟจำลองการดำเนินไปของโรคจากสภาวะปกติ → ระยะก่อนมะเร็ง → มะเร็ง → ระยะแพร่กระจาย → การเสียชีวิต คำนวณความคุ้มค่าทางเศรษฐศาสตร์ของการตรวจคัดกรองด้วยช่วงเวลาที่แตกต่างกัน (ตรวจทุกปี เทียบกับตรวจทุก 3 ปี สำหรับแมมโมแกรม)
  • ยาโรคหัวใจและหลอดเลือด: การรักษาด้วยยาลดไขมัน (statin) ช่วยลดเหตุการณ์โรคหัวใจและหลอดเลือด แบบจำลองมาร์คอฟคาดการณ์การลดความเสี่ยงในระยะเวลา 10 ปี ในกลุ่มผู้ป่วยย่อยต่างๆ (อายุ, ระดับคอเลสเตอรอลเริ่มต้น, โรคร่วม) เพื่อเป็นแนวทางในการกำหนดเกณฑ์การรักษา
  • เศรษฐศาสตร์ของอุปกรณ์: แบบจำลองการเปลี่ยนข้อเทียม (เช่น ข้อสะโพก, ข้อเข่า) จากสภาวะข้อต่อปกติ → การลุกลามของโรคข้อเสื่อม → การเปลี่ยนข้อหลายครั้งตลอดชีวิต คำนวณความคุ้มค่าทางเศรษฐศาสตร์ในระยะยาวเทียบกับการจัดการแบบประคับประคอง
  • นโยบายวัคซีน: แบบจำลองวัคซีนป้องกันไวรัสตับอักเสบบี ติดตามกลุ่มประชากรตั้งแต่แรกเกิดจนถึงวัยผู้ใหญ่ คำนวณจำนวนการติดเชื้อที่ป้องกันได้, ภาวะแทรกซ้อนที่หลีกเลี่ยงได้, QALYs ตลอดชีวิต เพื่อเป็นแนวทางในการพิจารณาว่าจะรวมไว้ในตารางการฉีดวัคซีนในวัยเด็ก หรือการฉีดเสริมในวัยรุ่น

วิธีการทำงาน

วิธีการทำงาน

1

ขั้นตอนที่ 1: กำหนดสภาวะสุขภาพ ตัวอย่างสำหรับ HIV: CD4 <50 (AIDS), CD4 50–200 (ภูมิคุ้มกันบกพร่องรุนแรง), CD4 200–500 (ปานกลาง), CD4 >500 (น้อย), ตรวจไม่พบปริมาณไวรัส (ได้รับการรักษา), เสียชีวิต สภาวะเหล่านี้ควรมีความหมายทางคลินิกและทางเศรษฐศาสตร์ (มีทางเลือกการรักษา ต้นทุน หรือการพยากรณ์โรคที่แตกต่างกันในแต่ละสภาวะ) ขั้นตอนที่ 2: กำหนดการเปลี่ยนผ่าน ในแต่ละปี (รอบ) ผู้ป่วยสามารถ: อยู่ในสภาวะเดิม, เคลื่อนไปยังสภาวะสุขภาพที่ดีขึ้น (เช่น ค่า CD4 เพิ่มขึ้นจากการรักษา), เคลื่อนไปยังสภาวะสุขภาพที่แย่ลง (การลุกลามของโรค), หรือเสียชีวิต ความน่าจะเป็นในการเปลี่ยนผ่าน (Transition probabilities) คือ โอกาสที่การเปลี่ยนผ่านแต่ละครั้งจะเกิดขึ้น ซึ่งได้มาจาก: (a) ข้อมูลติดตามผลจากการทดลองแบบสุ่ม (RCT): หากการทดลองแสดงให้เห็นว่าผู้ป่วยที่มี CD4 <50 เสียชีวิต 10% ต่อปี ความน่าจะเป็น (CD4<50 → เสียชีวิต) = 0.10; (b) วรรณกรรม (กลุ่มผู้ป่วยที่ตีพิมพ์); (c) ความเชี่ยวชาญทางคลินิกและการปรับเทียบ (calibration) ขั้นตอนที่ 3: กำหนดค่าอรรถประโยชน์ (utilities) เฉพาะสภาวะ (ค่าน้ำหนักคุณภาพชีวิต อยู่ในมาตราส่วน 0–1 โดย 1 คือสุขภาพสมบูรณ์) CD4 <50 อาจมีค่าอรรถประโยชน์ 0.6 (อาการที่เกี่ยวข้องกับ AIDS, ความไม่แน่นอน); CD4 >500 ที่ได้รับการรักษาอาจมีค่าอรรถประโยชน์ 0.95 (สุขภาพใกล้เคียงปกติ) ขั้นตอนที่ 4: กำหนดต้นทุนเฉพาะสภาวะต่อรอบ: ต้นทุนค่ายา, การติดตามผล (ตรวจเลือด, การพบแพทย์), ค่ารักษาพยาบาลในโรงพยาบาล/ภาวะแทรกซ้อน (ถ้ามี) ขั้นตอนที่ 5: สร้างแบบจำลองในซอฟต์แวร์ (สเปรดชีต Excel, TreeAge Pro, R, Python) ที่แสดงสภาวะและเมทริกซ์การเปลี่ยนผ่าน ขั้นตอนที่ 6: ตรวจสอบความถูกต้องกับข้อมูลที่ตีพิมพ์: ดำเนินการจำลองสถานการณ์พื้นฐาน (การดูแลมาตรฐาน) และเปรียบเทียบผลลัพธ์ในระยะเวลา 10 ปี กับข้อมูลกลุ่มผู้ป่วยที่ตีพิมพ์ (การปรับเทียบ); ปรับเปลี่ยนตามความจำเป็น

สูตร
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

การคำนวณเส้นทางมาร์คอฟ (Markov trace calculation): จำลองกลุ่มผู้ป่วย 1,000 ราย ณ จุดเริ่มต้น (เช่น ทุกคนอยู่ในกลุ่ม CD4 200–500) ณ ปีที่ 1 ใช้ความน่าจะเป็นในการเปลี่ยนผ่าน: หาก P(CD4 200–500 → CD4 >500) = 0.30, P(CD4 200–500 → CD4 50–200) = 0.15, P(CD4 200–500 → เสียชีวิต) = 0.05 ดังนั้น: การกระจายตัวในปีที่ 1: 500 รายอยู่ในกลุ่ม CD4 200–500, 300 รายย้ายไปยังกลุ่ม CD4 >500, 150 รายย้ายไปยังกลุ่ม CD4 50–200, 50 รายเสียชีวิต ณ ปีที่ 2 ใช้ความน่าจะเป็นในการเปลี่ยนผ่านกับการกระจายตัวของปีที่ 1; ทำซ้ำในแต่ละปีจนกว่าทุกคนจะเสียชีวิตหรือถึงกรอบเวลาที่กำหนด สำหรับแต่ละรอบ คำนวณต้นทุนและ QALYs: ต้นทุนปีที่ t = Σ (จำนวนผู้ป่วยในสภาวะ s) × (ต้นทุนต่อสภาวะ s); QALYs ปีที่ t = Σ (จำนวนผู้ป่วยในสภาวะ s) × (ค่าอรรถประโยชน์ของสภาวะ s) คิดลดต้นทุน/QALYs ในอนาคตด้วยอัตรา 3% ต่อปี: มูลค่าปัจจุบัน (PV) = มูลค่า ณ ปีที่ t / (1.03)^t ต้นทุนรวม/QALY รวม = ผลรวมของมูลค่าคิดลดรายปี ตัวอย่าง: ต้นทุนปีที่ 1 = 500×$2,000 (ต้นทุน CD4 200–500) + 300×$1,500 (ต้นทุน CD4 >500) + 150×$5,000 (ต้นทุน CD4 50–200) + 0 (เสียชีวิต) = $2.05M คิดลดเป็นมูลค่าปัจจุบัน: PV ปีที่ 1 = $2.05M / 1.03 = $1.99M หลังจาก 10 ปี: ต้นทุนสะสม PV (การรักษา) = $15M, QALY สะสม PV (การรักษา) = 6.5 QALYs การเปรียบเทียบ (การรักษามาตรฐาน) ให้ผล 5.0 QALYs ต้นทุน $12M อัตราส่วนต้นทุนเพิ่มต่อ QALY (ICER) = ($15M − $12M) / (6.5 − 5.0) = $3M / 1.5 = $2M ต่อ QALY

สูตร
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 จากแบบจำลองมาร์คอฟเป็นแนวทางในการเบิกจ่าย: หากเกณฑ์ของ NICE คือ £20,000/QALY (ประมาณ $25,000 USD) และ ICER = $2M ต่อ QALY ยานี้เห็นได้ชัดว่าไม่คุ้มค่าทางเศรษฐศาสตร์ หาก ICER = $18,000/QALY ถือว่ายอมรับได้ การวิเคราะห์ความไว (Sensitivity analysis) เป็นสิ่งสำคัญ: (1) เชิงกำหนด (Deterministic): เปลี่ยนแปลงพารามิเตอร์ทีละตัว (เช่น อัตราการเสียชีวิต ±20%, ความน่าจะเป็นในการเปลี่ยนผ่าน ±10%) และคำนวณ ICER ใหม่; แผนภาพทอร์นาโด (tornado chart) แสดงให้เห็นว่าพารามิเตอร์ใดมีอิทธิพลต่อผลลัพธ์มากที่สุด (2) เชิงความน่าจะเป็น (Probabilistic): กำหนดการแจกแจงความน่าจะเป็นให้กับพารามิเตอร์ที่ไม่แน่นอนทั้งหมด; ดำเนินการจำลอง 1,000–10,000 ครั้ง โดยสุ่มเลือกค่าจากการแจกแจง; ผลลัพธ์คือกลุ่มของ ICER ที่เป็นไปได้ และเส้นโค้งการยอมรับ (ความน่าจะเป็นที่การรักษาจะคุ้มค่าทางเศรษฐศาสตร์ที่เกณฑ์การยอมรับที่แตกต่างกัน) หากเส้นโค้งการยอมรับแสดงความน่าจะเป็น 80% ที่จะคุ้มค่าทางเศรษฐศาสตร์ที่ £20,000/QALY แสดงว่า ICER มีความน่าเชื่อถือ หาก 40% แสดงว่ามีความไม่แน่นอนสูงซึ่งต้องระมัดระวัง การวิเคราะห์กลุ่มย่อย (Subgroup analysis): ดำเนินการจำลองแยกสำหรับผู้ป่วยอายุน้อยเทียบกับผู้สูงอายุ, ผู้ที่ไม่เคยได้รับการรักษามาก่อนเทียบกับผู้ที่เคยได้รับการรักษา, ผู้ที่มีค่า CD4 เริ่มต้นสูงเทียบกับผู้ที่มีค่าต่ำ; ระบุกลุ่มที่การรักษาคุ้มค่าที่สุด/น้อยที่สุด ผลลัพธ์จะนำไปสู่ข้อเสนอแนะแบบมีเงื่อนไข: 'สนับสนุนยานี้สำหรับผู้ป่วยที่ไม่เคยได้รับการรักษา (ICER $15K) แต่ไม่ใช่สำหรับผู้ที่เคยได้รับการรักษา (ICER $40K)'

สูตร
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.

ข้อผิดพลาดที่พบบ่อย

  • การสมมติว่าความน่าจะเป็นในการเปลี่ยนผ่านคงที่เมื่อเวลาผ่านไป: หากผู้ป่วยในช่วงต้นของโรคมีการลุกลามแตกต่างจากหลังจาก 10 ปี ความน่าจะเป็นที่คงที่นั้นไม่ถูกต้อง ใช้ความน่าจะเป็นในการเปลี่ยนผ่านที่ขึ้นกับเวลาหากมีหลักฐานสนับสนุน (ต้องเพิ่มความซับซ้อนของแบบจำลอง)
  • การละเลยสภาวะอุโมงค์ (tunnel states) เพื่อจับประวัติ: หากการพยากรณ์โรคของผู้ป่วยขึ้นอยู่กับระยะเวลาที่อยู่ในสภาวะปัจจุบัน (เช่น 'เส้นทาง' การฟื้นตัวของ CD4) และละเลยสิ่งนี้ การเปลี่ยนผ่านจะมีความเอนเอียง สภาวะอุโมงค์ (CD4 ฟื้นตัว <1 ปี เทียบกับ ≥1 ปี) เป็นทางแก้ไข
  • การกำหนดพารามิเตอร์มากเกินไป (Overparameterization): การรวมสภาวะและการเปลี่ยนผ่านมากเกินไปจะทำให้แบบจำลองซับซ้อน และความไม่แน่นอนของพารามิเตอร์จะเพิ่มขึ้น แบบจำลองที่เรียบง่าย (จำนวนสภาวะที่จำเป็นขั้นต่ำ) เป็นที่ต้องการ ควรเพิ่มความซับซ้อนก็ต่อเมื่อมีเหตุผลทางคลินิกสนับสนุน
  • การละเลยการปรับเทียบ (calibration): ผลลัพธ์ที่ได้จากแบบจำลองควรตรงกับข้อมูลที่ตีพิมพ์สำหรับประชากรกลุ่มเดียวกันภายใต้การรักษาเดียวกัน หากการคาดการณ์การรอดชีวิต 10 ปีของแบบจำลองมาร์คอฟคือ 60% แต่ข้อมูลกลุ่มผู้ป่วยที่ตีพิมพ์แสดง 50% แบบจำลองนั้นจะปรับเทียบไม่ถูกต้องและผลลัพธ์ไม่น่าเชื่อถือ ควรปรับเทียบสถานการณ์พื้นฐานเสมอ
  • การสมมติว่าการเปลี่ยนผ่านที่ได้จากการทดลองทางคลินิกใช้ได้กับผู้ป่วยในโลกแห่งความเป็นจริง: การทดลองแบบสุ่มมักคัดเลือกผู้ป่วยที่อายุน้อยกว่า สุขภาพดีกว่า และปฏิบัติตามการรักษามากกว่าผู้ป่วยในโลกแห่งความเป็นจริง ความน่าจะเป็นในการเปลี่ยนผ่านจากการทดลองแบบสุ่มอาจไม่สามารถนำไปใช้ได้ทั่วไป การตรวจสอบความถูกต้องภายนอกกับกลุ่มผู้ป่วยในโลกแห่งความเป็นจริงจึงมีความสำคัญ

คำถามที่พบบ่อย

อะไรคือความแตกต่างระหว่างแบบจำลองมาร์คอฟกับแผนภูมิต้นไม้ตัดสินใจ (decision tree)?

แผนภูมิต้นไม้ตัดสินใจจะแตกกิ่ง ณ จุดตัดสินใจ (เช่น รักษาหรือไม่รักษา) และแสดงผลลัพธ์ทันที (ผลการทดลอง) แบบจำลองมาร์คอฟจำลองการดำเนินไปผ่านสภาวะต่างๆ ในหลายรอบ โดยจับประวัติธรรมชาติของโรคในระยะเวลาหลายปี แผนภูมิต้นไม้ตัดสินใจจัดการกับการตัดสินใจระยะสั้น ครั้งเดียว; แบบจำลองมาร์คอฟจัดการกับโรคเรื้อรังที่มีการเปลี่ยนผ่านอย่างต่อเนื่อง บ่อยครั้งที่ทั้งสองแบบจำลองถูกนำมารวมกัน: แผนภูมิต้นไม้ตัดสินใจกำหนดการรักษาพื้นฐาน/การรักษา; จากนั้นแบบจำลองมาร์คอฟจะจำลองการดำเนินไปหลังจากนั้น

ความน่าจะเป็นในการเปลี่ยนผ่านจะถูกปรับเทียบอย่างไรหากข้อมูลจากการทดลองไม่สมบูรณ์?

วิธีการ: (1) วรรณกรรมที่ตีพิมพ์: ค้นหางานวิจัยกลุ่มประชากรที่รายงานอัตราการเปลี่ยนผ่านสำหรับประชากรผู้ป่วยกลุ่มเดียวกัน สภาวะโรคเดียวกัน (2) การวิเคราะห์อภิมาน (Meta-analysis): หากมีงานวิจัยขนาดเล็กหลายชิ้น ให้รวบรวมข้อมูลเพื่อประมาณค่าความน่าจะเป็นในการเปลี่ยนผ่าน (3) ความเห็นของผู้เชี่ยวชาญ: รวบรวมแพทย์ผู้เชี่ยวชาญเพื่อประมาณค่าการเปลี่ยนผ่านหากไม่มีข้อมูล (มีความเข้มงวดน้อยที่สุด) (4) การปรับเทียบ (Calibration): ดำเนินการจำลองด้วยค่าการเปลี่ยนผ่านที่ประมาณได้; เปรียบเทียบผลลัพธ์ในระยะเวลา 5 ปี กับข้อมูลจากการทดลองที่ตีพิมพ์; ปรับเปลี่ยนค่าการเปลี่ยนผ่านจนกว่าแบบจำลองจะตรงกับผลการทดลอง (การย้อนรอย) การวิเคราะห์ความไวควรสะท้อนถึงความไม่แน่นอนในการเปลี่ยนผ่าน

แบบจำลองมาร์คอฟควรรวมสภาวะสุขภาพที่เกี่ยวข้องทางคลินิกทั้งหมดหรือไม่?

ไม่ ควรมีเฉพาะสภาวะที่ส่งผลกระทบอย่างมีนัยสำคัญต่อต้นทุนหรือผลลัพธ์ ตัวอย่าง: การแยกความแตกต่างระหว่าง CD4 100–150 กับ CD4 50–100 มีความสำคัญทางคลินิก (ความเป็นพิษของการรักษาที่แตกต่างกัน, ความเสี่ยงต่อการเสียชีวิต) ดังนั้นควรรวมทั้งสองสภาวะ การแยกความแตกต่างระหว่าง CD4 501–520 กับ CD4 521–540 อาจไม่มีนัยสำคัญ ควรจัดกลุ่มรวมเป็น CD4 >500 หลักการทั่วไป: หากการเปลี่ยนแปลงสภาวะจะส่งผลต่อการจัดการทางคลินิกหรือต้นทุนมากกว่า 10% ควรรวมสภาวะนั้น

ความยาวรอบ (cycle length) และการคิดลด (discounting) มีความสัมพันธ์กันอย่างไร?

ความยาวรอบ (รายปี, รายไตรมาส, รายเดือน) กำหนดความถี่ของการเปลี่ยนผ่าน และเวลาที่ต้นทุน/QALYs ถูกสะสม การคิดลดจะถูกนำไปใช้กับต้นทุน/QALYs ของแต่ละรอบ: การคิดลดรายปีที่ 3% หมายถึง มูลค่าปีที่ 2 × 1/1.03, มูลค่าปีที่ 3 × 1/1.03² เป็นต้น หากใช้รอบรายไตรมาส ให้ปรับอัตราการคิดลด: รายไตรมาส = 3%^(1/4) ≈ 0.74% ต่อไตรมาส มาตรฐาน: รอบรายปีพร้อมการคิดลดรายปี 3%

สภาวะอุโมงค์ (tunnel state) คืออะไร และจำเป็นต้องใช้เมื่อใด?

สภาวะอุโมงค์จะจับระยะเวลาที่ผู้ป่วยอยู่ในสภาวะปัจจุบัน ซึ่งละเมิดข้อสมมติฐานที่ไม่มีความจำ ตัวอย่าง: CD4 'เพิ่งฟื้นตัว' (ได้รับการรักษาด้วยยาต้านไวรัส <1 ปี) มีความเสี่ยงสูงต่อกลุ่มอาการอักเสบจากการฟื้นฟูภูมิคุ้มกัน (IRIS) มากกว่า CD4 'คงที่' (ได้รับการรักษา >1 ปี) สร้างสองสภาวะ: CD4 >500 (ความเสี่ยง IRIS) และ CD4 >500 (คงที่); เปลี่ยนผ่านระหว่างสภาวะเหล่านั้นหลังจาก 1 ปี สภาวะอุโมงค์เพิ่มความซับซ้อนของแบบจำลอง แต่เพิ่มความแม่นยำเมื่อประวัติมีความสำคัญ

การปฏิบัติตามการรักษา (compliance/adherence) ถูกนำมาพิจารณาในแบบจำลองมาร์คอฟอย่างไร?

ทางเลือกที่ 1: ใช้ข้อมูลจากการวิเคราะห์แบบเจตนาที่จะรักษา (intention-to-treat: ITT) จากการทดลองทางคลินิกจริง ซึ่งรวมถึงการปฏิบัติตามการรักษาจริง ทางเลือกที่ 2: สร้างสภาวะแยกต่างหาก (ผู้ที่ปฏิบัติตามเทียบกับผู้ที่ไม่ปฏิบัติตาม) และจำลองการเปลี่ยนผ่าน (การละเลยการรักษา, การกลับมาปฏิบัติตาม) ทางเลือกที่ 3: ลดประสิทธิภาพของยาในแบบจำลองเพื่อสะท้อนถึงการปฏิบัติตามการรักษาในระดับประชากร (เช่น หากการทดลองแสดงการปฏิบัติตาม 80% และประสิทธิภาพที่คาดหวังคือ 70% ของประสิทธิภาพในการทดลอง) การวิเคราะห์ความไวควรสำรวจผลกระทบของข้อสมมติฐานเกี่ยวกับการปฏิบัติตามการรักษา

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  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.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว