Sağlık Ekonomisinde Karar Analitik Modellemesi
- Ortaya koyan
- Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
- Yıl
- 1975
- Tür
- Method
- Aile
- health economic evaluation framework
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Karar analitik modellemesi, olasılıklar, sonuçlar, maliyetler ve hasta tercihlerine ilişkin kanıtları nicel bir modele entegre ederek sağlık müdahalelerini karşılaştırmak için sistematik bir çerçevedir.
Pauker ve Kassirer tarafından 1975'te geliştirilen karar analizi, klinik belirsizliği ve ekonomik ödünleşmeleri yapılandırarak tedavi seçeneklerinin şeffaf karşılaştırılmasını ve optimal stratejilerin belirlenmesini sağlar. Sağlık teknolojisi değerlendirmesinde, klinik uygulama kılavuzu geliştirmede ve kaynak tahsisi kararlarında kullanılır.
Yöntemin mantığı
Bir klinisyen bir kararla karşı karşıyadır: yeni teşhis konmuş hipertansiyonu olan 65 yaşındaki bir hasta antihipertansif tedaviye mi başlamalı yoksa gözlem (bekleyerek izleme) mi yapmalı? Tedavi kardiyovasküler riski azaltır ancak yan etkileri ve maliyetleri vardır. Bu hasta için bu soruyu doğrudan yanıtlayan tek bir çalışma yoktur çünkü sonuçlar bireysel risk profiline, ilaç etkinliğine ve tercihlerine bağlıdır. Karar analizi bu ödünleşmeyi nicelleştirir: Bu hastanın fayda görme olasılığı nedir? Hangi maliyetle? Tedavi açıkken veya kapalıyken yaşam kalitesi nasıl? Mevcut tüm kanıtları (RCT'ler, epidemiyoloji, maliyet verileri) tek bir modelde entegre ederek, karar analizi her seçeneğin beklenen değerini hesaplar. Beklenen değer = (sonuç olasılığı × sonuç değeri) toplamı. İnme önlemede %80 olasılıkla fayda sağlayan (2 QALY değerinde) ve yan etkilere neden olma olasılığı %20 olan (–0.5 QALY değerinde) bir tedavinin beklenen değeri = 0.8×2 + 0.2×(−0.5) = 1.5 QALY'dir. Alternatif (bekleyerek izleme) 1.0 QALY beklenen değere sahipse, beklenen değer kriterine göre tedavi tercih edilir. Karar analizi açık akıl yürütmeyi zorlar ve sistematik karşılaştırmaya olanak tanır.
Tarih
Pauker & Kassirer (1975, 1976) karar analizini tıpta öncü olarak, beklenen değer teorisini (von Neumann & Morgenstern) klinik karar vermeye uyguladı. Erken uygulamalar: asemptomatik durumların ne zaman tedavi edileceği, tanı testlerinin ne zaman yapılacağı. Weinstein & Fineberg (1980) etkili ders kitabını yayınladı. 1990'lara gelindiğinde, karar analizi klinik epidemiyoloji ve sağlık hizmetleri araştırmalarında yerleşmişti. Briggs, Claxton ve Sculpher (2000'ler) karar analizini ekonomik değerlendirmeye (maliyetleri, QALY'leri, CEA/CBA'yı entegre etme) genişletti. Karar ağaçları, kronik hastalıklar için Markov modellerine yol verdi (1990'lar). Olasılıksal duyarlılık analizi (Monte Carlo simülasyonu), belirsizlik nicelleştirmesini sağlayan 2000'lere kadar standart hale geldi. Bugün, karar modellemesi HTA başvurularında ve kılavuz geliştirmede rutin olarak kullanılmaktadır; araçlar (TreeAge, R paketleri) istatistikçilerin ötesinde erişimi demokratikleştirdi.
Ne zaman kullanılır?
Sağlık müdahalelerini karşılaştırmak ve karar vericilerin sistematik kanıt entegrasyonuna ihtiyaç duyduğu zamanlar. Karar analizi standarttır: (1) klinik uygulama kılavuzu geliştirme (tedavi stratejilerini karşılaştırma). (2) sağlık teknolojisi değerlendirmesi (geri ödeme kararları). (3) kaynak tahsisi (müdahaleleri önceliklendirme). (4) araştırma önceliklendirme (daha fazla verinin karar güvenini en çok nerede artıracağını belirleme). (5) hasta danışmanlığı (ortak karar verme araçları). Kullanıldığı durumlar: birden fazla seçenek mevcut, sonuçlar belirsiz, tercihler ve maliyetler önemli ve şeffaf bir çerçeve değerlidir. Gerekli olmadığı durumlar: net kazananı olan basit klinik karşılaştırmalar (örn. aynı etkililiğe sahip iki ilaç, biri çok daha ucuz - sezgisel karar); modellemenin çok az değer kattığı nadir sonuçlar.
Sınırlar ve dikkat edilmesi gerekenler
- Parametre belirsizliği: model yalnızca girdi olasılıkları ve faydalılıkları kadar iyidir; veriler seyrek veya yanlı ise, model çıktısı güvenilmezdir.
- Rasyonel karar verme varsayımı: beklenen değer yaklaşımı, karar vericilerin risk-neutr olduğunu varsayar; gerçek tercihler genellikle doğrusal değildir (kayıp kaçınma, umut yanlılığı).
- Gerçekliği basitleştirir: model zorunlu olarak hastalık karmaşıklığını soyutlar; önemli klinik faktörler dışarıda bırakılabilir veya ortalaması alınabilir, hasta özelindeki nüansları kaybeder.
- Önemli miktarda veri gerektirir: titiz bir model oluşturmak olasılıklar (çalışmalar, kayıtlar), faydalılıklar (tercih anketleri) ve maliyetler (muhasebe kayıtları) hakkında veri gerektirir; veriler genellikle eksiktir.
- GIGO (Çöp Girdi, Çöp Çıktı): girdi varsayımları yanlış veya tartışmalıysa, matematiksel titizliğe rağmen çıktı yanıltıcıdır.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Kanıtları şeffaf bir şekilde entegre eder: olasılıklar, sonuçlar, maliyetler, faydalılıklar açıkça belirtilir ve ilişkilendirilir, bu da paydaşların eleştirisini ve kanıtlar geliştikçe güncellenmesini sağlar.
- Belirsizliği sistematik olarak ele alır: duyarlılık ve olasılıksal analiz, belirsizliğin kararlar üzerindeki etkisini nicelleştirir, daha fazla araştırmanın en değerli olduğu yeri yönlendirir.
- İletişimi kolaylaştırır: karar ağacı problem yapısını görselleştirir; paydaşlar (klinisyenler, hastalar, ödeyiciler) ödünleşmeleri ve değer yargılarını anlar.
- Esnektir: çeşitli kanıt türlerini (RCT'ler, gözlemsel, uzman görüşü) barındırır ve yeni veriler ortaya çıktıkça güncellenebilir.
Uygulama alanları
- Klinik kılavuz geliştirme: akut koroner sendrom tedavisi için kardiyoloji kılavuzu: karar modeli PCI'yi (perkütan koroner müdahale) tıbbi yönetim veya acil bypass ile karşılaştırır. Model, RCT etkinliğini, prosedürel komplikasyonları, iyileşme süresini, yaşam kalitesini entegre eder; çıktılar belirli hasta profilleri için (örn. yaş <70, semptom süresi <12 saat) PCI'yi önerir.
- HTA başvurusu: ilaç şirketi yeni diyabet ilacı sunar; karar modeli 30 yıllık ufukta ilacı standart tedaviyle karşılaştırır. Markov modeli hastalık durumlarını (A1c kontrolü, komplikasyonlar) izler. Çıktı: ICER 25.000$/QALY. NICE, geri ödemeyi önerir, fiyatlandırma müzakerelerini bilgilendirir.
- Tarama programı: halk sağlığı kurumu, serviks kanseri tarama stratejilerini (yıllık Pap smear vs her 3 yılda bir vs HPV tabanlı tarama) değerlendirmek için karar modeli kullanır. Model maliyetleri, kurtarılan yaşam yıllarını, QALY'leri, zararları (aşırı tedavi) karşılaştırır. Çıktı: her 5 yılda bir HPV tabanlı tarama en verimli, ulusal politikayı yönlendirir.
- Ortak karar verme: erken evre prostat kanseri olan hasta (düşük riskli, asemptomatik): karar modeli aktif izleme ile radikal prostatektomiyi karşılaştırır. Ağaç, prostat kanseri doğal seyrini, cerrahi riskini, fonksiyonel sonuçları (kontinans, erektil fonksiyon), yaşam kalitesini içerir. Hasta, tercihlerine ve risk toleransına göre uyarlanmış her seçeneğin beklenen değerini görebilir.
- Araştırma önceliklendirme: bulaşıcı hastalık kontrolü modeli, aşılama, tedavi ve gözetim stratejilerini karşılaştırır. Olasılıksal duyarlılık analizi en yüksek belirsizliğe sahip parametreleri belirler. Bilginin Değeri (VOI) analizi hesaplar: 'X hakkındaki mükemmel veri karar belirsizliğini ne kadar azaltır?' Araştırma fonunu en yüksek değere sahip çalışmalara yönlendirir.
Nasıl çalışır?
Nasıl çalışır?
Adım 1: Karar problemini tanımlayın. Karar alternatifleri nelerdir? (örn. Kolorektal kanser taraması (kolonoskopi) vs FOBT (gaitada gizli kan testi) vs tarama yok). Hasta popülasyonu kimdir? (örn. 50-75 yaş, ortalama risk). Zaman ufkı nedir? (10 yıllık sonuç mu? Ömür boyu?). Adım 2: Yapıyı haritalayın. Tüm şans olaylarını (hastalık ilerler vs geriler, test pozitif vs negatif, yan etkiler oluşur vs oluşmaz) belirleyin. İlgilenilen sonuçları (canlı/ölü, semptomsuz vs semptomatik, dolar cinsinden maliyet, QALY'ler) belirleyin. Adım 3: Olasılıklarla doldurun. Olasılıklar nereden gelir? RCT'ler (birincil kanıt), kohort çalışmaları, ulusal kayıtlar, meta-analizler. Örnek: RCT, kolonoskopinin kolorektal kanseri vakaların %90'ında saptadığını ve saptanan vakaların %95'inde ölümü önlediğini gösteriyorsa, P(tespit) = 0.90, P(önlenen ölüm | saptanan) = 0.95 kullanın. Hastalık ilerlemesi için (herhangi bir çalışmada yok), yayınlanmış epidemiyoloji kullanın. Adım 4: Sonuçları atayın. Faydalılıklar: her sağlık durumu için yaşam kalitesi ağırlıkları (0-1 ölçeği) (normal sağlık = 1, kanser teşhisi konmuş = 0.7, tedavi sonrası = 0.8). Maliyetler: tarama maliyeti (300$), kanser tedavi maliyeti (50.000$), devam eden takip (500$/yıl). Adım 5: Modeli oluşturun. Karar ağacı (kısa ufuk, ayrık olaylar) veya Markov (uzun ufuk, tekrarlayan durumlar) kullanın. Yazılım: TreeAge Pro (ticari), Excel (temel), R/Python (esnek). Adım 6: Doğrulayın. Temel senaryoyu (mevcut standart bakım) çalıştırın ve çıktıları yayınlanmış literatürle karşılaştırın (model epidemiyolojiyle eşleşiyor mu?).
Formül
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.
Karar Ağacı Örneği: 50 yaşındaki bir kişide kolorektal kanser taraması. Kök: Karar düğümü (Kare): [Tarama vs Tarama Yok]. Dal 1 (Tarama): Kolonoskopi yapılır. Şans düğümü (Daire): [Kanser bulundu (%10 prevalans) vs Bulunmadı (%90)]. Kanser bulunursa: tedavi, sonuç = QALY = 0.85 (tedavili kanser vakası, uzun süreli sağkalım). Maliyet = 300$ (kolonoskopi) + 50.000$ (tedavi) = 50.300$. Bulunmazsa: rutin bakım. Sonuç = QALY = 1.0 (kansersiz). Maliyet = 300$. Beklenen değer (Tarama) = 0.10 × (0.85 QALY, 50.300$) + 0.90 × (1.0 QALY, 300$) = [0.10×0.85 + 0.90×1.0] = 0.985 QALY, [0.10×50.300 + 0.90×300] = 5.570$ maliyet. Dal 2 (Tarama Yok): Rutin bakım, sonuç = 1.0 QALY (tanı konmamış kanser olmadığı varsayımıyla; muhafazakar). Maliyet = 0$. Beklenen değer (Tarama Yok) = 1.0 QALY, 0$ maliyet. ICER (Tarama vs Tarama Yok) = (5.570$ - 0$) / (0.985 - 1.0) = negatif payda (tarama QALY'leri azaltır mı?). Bu, taramanın yanlış teşhis/aşırı tedavi riski nedeniyle QALY'leri azalttığını düşündürmektedir. Duyarlılık analizi: P(kanser_prevalansı) %10 yerine %20 ise, yeniden hesaplayın. ICER pozitif olur, tarama şimdi faydalı olur. Eşik analizi: hangi kanser prevalansında tarama başa baş noktasına ulaşır (QALY'leri eşitler)? Çözün: 0.985 ≥ 1.0 olur, P(kanser) eşiğini bulun. Olasılıksal duyarlılık analizi: tüm parametrelere dağılımlar atayın (kanser prevalansı, tespit oranı, tedavi etkinliği), 1.000 simülasyon çalıştırın, kabul edilebilirlik eğrisini raporlayın.
Formül
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.
Optimal karar: En yüksek beklenen net faydayı (QALY - maliyet/WTP) sağlayan müdahaleyi seçin. ICER < ödeme istekliliği (WTP) eşiği (örn. 20.000 £/QALY) ise, müdahale maliyet-etkin kabul edilir ve önerilir. Duyarlılık analizi bulguları sağlamlığı yönlendirir. Tek yönlü duyarlılık (tek parametreyi değiştirme): hortum grafiği hangi parametrelerin en etkili olduğunu gösterir. Bir parametre ±%20 değiştiğinde karar değişirse, o parametre varsayımlar için kritiktir. İki yönlü duyarlılık: karar manzarasını haritalamak için iki parametreyi (örn. testin duyarlılığı ve özgüllüğü) birlikte değiştirin. Olasılıksal duyarlılık: olası ICER'lerin dağılımı belirsizlik aralığını ortaya çıkarır. Kabul edilebilirlik eğrisi şu soruları yanıtlar: hangi WTP eşiğinde müdahale en olası maliyet-etkinliktir? Eğri 20.000 £/QALY'de %85 olasılıkla maliyet-etkin olduğunu gösteriyorsa, karar sağlamdır; %40 ise, yüksek belirsizlik dikkatli olmayı veya daha fazla araştırma yapmayı gerektirir. Alt grup analizi: modeli hasta alt grupları (yaş, hastalık şiddeti, komorbidite) için ayrı ayrı çalıştırın. Kararlar farklılık gösterebilir: örn. yüksek riskli hastalar için önerilen tarama, düşük riskli hastalar için önerilmez. Eşik analizi: başa baş değerleri belirleyin. Örnek: 'Müdahale, tedavi etkinliği ≥%40 ise maliyet-etkindir.' Bu, emin bir karar vermek için hangi kanıtın gerekli olduğunu yönlendirir.
Formül
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.
Sık yapılan hatalar
- Aşırı modelleme: çok fazla durum/dal eklemek, karar içgörüsünü iyileştirmeden karmaşıklığı artırmak. Basit başlayın; duyarlılık analizi önemli olduğunu gösterirse ayrıntı ekleyin.
- Tek tahminlere demirleme: belirsizlik aralıkları olmadan nokta tahminli olasılıkları kullanmak. Her zaman duyarlılık analizi yapın; kararlar makul parametre varyasyonlarına karşı sağlam olmalıdır.
- Heterojenliği göz ardı etme: ortalama model çıktısını tüm hastalara uygulama, alt grup farklılıklarını göz ardı etme. Alt grup analizi esastır; bazı hastalar daha fazla/az fayda görür.
- Doğrulama yapmama: model çıktılarını yayınlanmış epidemiyolojik verilerle karşılaştırmama. Model hatalarını yakalamak için temel senaryoyu her zaman harici verilerle kalibre edin.
- Beklenen değeri yanlış yorumlama: beklenen değeri garanti olarak kabul etme. Beklenen değer ortalama sonuçtur; gerçek hasta en iyi veya en kötü sonucu yaşayabilir. Uygun şekilde iletin.
Sık sorulan sorular
Karar ağacı ile Markov modeli arasındaki fark nedir?
Karar ağacı: kısa zaman ufku (örn. hemen tedavi sonrası dönem), her karar kolu için tek yol, her dal terminal uç noktası. Akut kararlar için kullanılır (test yap veya yapma, tedavi et veya etme) ve sonuçlar çalışma zaman dilimi içinde ortaya çıkar. Markov modeli: uzun zaman ufku (yıllar/on yıllar boyunca kronik hastalık), hastalar sağlık durumları arasında tekrar tekrar döngüye girer, geçişler olasılıksal olarak tanımlanır. Hastalık ilerlemesinin zamanla ilgili olduğu durumlarda kullanılır. Genellikle birleştirilir: karar ağacı başlangıç seçimini belirler (örn. tarama evet/hayır); ardından Markov modeli seçilen kol için uzun vadeli sonuçları tahmin eder.
Doğrudan veri mevcut değilse faydalılıklar nasıl atanır?
Yöntemler: (1) Benzer sağlık durumları için yayınlanmış faydalılık ağırlıklarını kullanın (EQ-5D, SF-6D, HUI tarifeleri). (2) Odaklanmış faydalılık belirleme (zaman takası, görsel analog ölçek, ayrık seçim) hasta/genel nüfus örneği ile gerçekleştirin. (3) Uzman görüşü: klinisyenler belirsizliği kabul ederek tahmin eder. (4) Eşleme: çalışma hastalık özel ölçeklerde yaşam kalitesi verileri topladıysa, faydalılıklara dönüştürmek için yayınlanmış eşleme algoritmalarını kullanın. Veri boşlukları duyarlılık analizini tetiklemelidir: faydalılıkları ±%20 değiştirin ve kararın değişip değişmediğini görün.
Karar modellerinde duyarlılık analizi neden bu kadar önemlidir?
Model çıktısı (ICER, öneri) girdi parametrelerine (olasılıklar, faydalılıklar, maliyetler) bağlıdır. Parametreler belirsizlikle tahmin edilir. Duyarlılık analizi sağlamlığı test eder: karar makul parametre aralıklarına karşı sağlam ise, güven yüksektir; küçük değişikliklerle karar değişirse, duyarlılık yüksektir ve karar kırılgandır. Tek yönlü duyarlılık (tek parametreyi değiştirme), iki yönlü ve olasılıksal (hepsini aynı anda değiştirme) sonuçları hangi parametrelerin yönlendirdiğini gösterir. Bu, daha fazla veri toplamanın en değerli olduğu yeri yönlendirir.
'Eşik analizi' nedir ve ne zaman kullanışlıdır?
Eşik analizi başa baş değerleri belirler: 'Hangi parametre değerinde karar değişir?' Örnek: 'Tedavi etkinliği ≥%60 ise, müdahale 20.000 £/QALY eşiğinde maliyet-etkindir; %60'ın altında ise, maliyet-etkin değildir.' Eşikler yorumlamayı yönlendirir: tahmin edilen etkinlik %70 ise (eşik üstü), öneri sağlamdır; %58 ise (eşik yakınında), etkinlik hakkında daha fazla veriye ihtiyaç vardır. Eşikler ayrıca fiyatlandırmayı bilgilendirir: şirket 'Hangi fiyatta ilacımız ödeyici için maliyet-etkin olur?' hesaplayabilir. Maliyet eşikleri müzakereyi yönlendirir.
Beklenen değer, beklenen faydan nasıl farklıdır?
Beklenen değer: beklenen maliyet/QALY sonucu (matematiksel ortalama). Beklenen fayda: bireysel risk tercihlerine göre ayarlanmış değer. Örnek: 10 QALY sonucu için %50 şans ve 0 için %50 şanslı bir karar (beklenen değer = 5 QALY). Risk-neutr bir kişi bunu garanti 5 QALY ile eşit olarak değerlendirir. Riskten kaçınan bir kişi, riskli bir kumar yerine kesin 3 QALY'yi tercih edebilir; beklenen faydası beklenen değerden düşüktür. Çoğu karar modeli beklenen değeri kullanır (risk-neutr varsayımı); ortak karar verme modelleri hasta risk tercihine göre ayarlanabilir.
İlgili yöntemler
Kaynaklar
Pauker, S. G., & Kassirer, J. P. (1975). Therapeutic Decision Making: A Cost-Benefit Analysis. New England Journal of Medicine, 293(5), 229-234.
DOI kaynağını açKopyalandı.Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.
Yayın kaynağını açKopyalandı.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.
Yayın kaynağını açKopyalandı.