İçeriğe atla
Arama sonuçlarına dön

Sağlık Ekonomisinde Markov Zinciri Modeli

Ortaya koyan
Beck & Pauker (medical decision analysis, Massachusetts General Hospital)
Yıl
1983
Tür
Method
Aile
decision modeling framework

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Markov modeli, zaman içinde tanımlanmış sağlık durumları aracılığıyla hastalık ilerlemesini simüle eden, maliyet-etkililik analizini sağlamak için kümülatif maliyetleri ve kalite-ayarlı yaşam yıllarını (QALYs) hesaplayan bir karar analizi aracıdır.

Beck ve Pauker tarafından 1983'te geliştirilen Markov modelleri, özellikle hastaların klinik durumlar (tedavi yanıtı, hastalık ilerlemesi, remisyon, ölüm) arasında geçiş yaptığı kronik hastalıklar için sağlık müdahalelerinin uzun vadeli sonuçlarını tahmin etmede standart çerçeve haline gelmiştir. Sağlık teknoloji değerlendirme kurumları ve ilaç şirketleri tarafından deneme süresinin ötesindeki müdahale değerini öngörmek için kullanılır.

Yöntemin mantığı

Rastgeleleştirilmiş çalışmalar tipik olarak hastaları 2-5 yıl takip eder. Ancak sağlık politikası şunu bilmek zorundadır: Bu ilaç 10 yıllık bir ufukta veya ömür boyu para kazandıracak ve sağlığı iyileştirecek mi? Markov modelleri, deneme sonuçlarını ileriye doğru dışa doğru yayar. Temel fikir şudur: hastalar farklı sağlık durumlarında (HIV CD4 sayısı kategorileri, kanser hastalık evreleri, kalp hastalığı NYHA sınıfları) bulunur ve her yıl tanımlanmış olasılıklarla durumlar arasında geçiş yaparlar. Bir kohort bir durumda başlar; her yıl bazıları daha kötü hastalığa ilerler, bazıları iyileşir, bazıları ölür. Her durumda maliyetleri ve sağlığı (QALYs) izleyin; 10-30 yıl boyunca toplayın. Çıktı: toplam maliyet ve QALYs, maliyet-etkililik hesaplamasını sağlar. Markov zarif çünkü hastalık yoluyla heterojen yolları (bazı hastalar iyileşir, bazıları ilerler, bazıları nüks eder) ve uzun zaman ufuklarını hesaplama açısından yönetilebilir bir şekilde ele alır.

Tarih

Beck ve Pauker (1983), HIV prognozu üzerine seminal makalelerinde Markov modellerini tıbbi karar analizine tanıttı ve durum-geçiş modellerinin uzun vadeli sonuçları nasıl tahmin edebileceğini gösterdi. Sonnenberg ve Beck (1993), Markov modellerini oluşturmak ve doğrulamak için pratik bir rehber sağladı. 2000'lere gelindiğinde, Markov modelleri HTA başvurularında standart haline geldi; TreeAge Pro (ticari) ve Microsoft Excel (erişilebilir) gibi araçlar yaygın benimsemeyi sağladı. 2010'lardaki eleştiriler sınırlamalara (hafızasız varsayım, kalibrasyon zorluğu) odaklandı, bu da ayrık olay simülasyonunun (bireysel düzeyde izleme) ve parametre tahmini için makine öğrenmesi yaklaşımlarının geliştirilmesini teşvik etti. Bugün, Markov modelleri HTA'da baskın olmaya devam ediyor; genellikle ilk yaklaşımdır, karmaşık vakalar için mikrosimülasyon kullanılır.

Ne zaman kullanılır?

Bir sağlık müdahalesinin hastalık ilerlemesini yıllar veya on yıllar boyunca etkilediği ve deneme verilerinin tam zaman ufkunı kapsamadığı durumlarda. Markov modelleri şunlar için standarttır: kronik hastalık yönetimi (diyabet, hipertansiyon, HIV, kanser); uzun vadeli önleme (statinler, aşılar); dayanıklılık soruları olan cihazlar (implantlar, kardiyak cihazlar); deneme süresinin ötesine dışa doğru yayılma gerektiren herhangi bir müdahale. Çoğu HTA başvurusunda zorunludur (NICE, CADTH, HAS). Şunlar için gerekli değildir: kısa sonuç penceresi olan akut müdahaleler (tek seferlik cerrahi); nadir hastalıklar (veri seyrek); denemelerin zaten ömür boyu kapsadığı durumlar (nadir).

Sınırlar ve dikkat edilmesi gerekenler

  • Markov'un hafızasız varsayımı: gelecekteki geçişler yalnızca mevcut duruma bağlıdır, hastalık geçmişine değil. Bu, örneğin, bir hastanın prognozunun önceki durumda geçirilen zamana bağlı olması durumunda (örn. remisyon süresi nüks riskini tahmin eder) ihlal edilir. Alternatif: 'tünel durumları' (örn. 1 yıl remisyon, 1 yıldan fazla remisyon) geçmişe bağımlılığı yaklaştırmak için kullanılır, ancak karmaşıklığı artırır.
  • Durum tanımı klinik yargı gerektirir: Durumlar çok genişse (örn. 'hafif hastalık' ve 'şiddetli hastalık'), geçişler heterojen ve hassas değildir. Çok fazla durum (örn. 50 hücre artışıyla CD4) hassasiyet kazancı olmadan model karmaşıklığını artırır.
  • Geçiş olasılıkları genellikle belirsiz veya ödünç alınmıştır: Deneme yalnızca 5 yıl takip edilmiş ancak model 20 yıl çalışıyorsa, sonraki geçiş olasılıkları dışa doğru yayılır veya sabit varsayılır (kanıta dayalı değil). Geçişlerdeki küçük değişiklikler zamanla birikir (parametre belirsizliği).
  • Bireysel değişkenliği yakalamaz: Markov bir kohort modelidir (ortalama yollar); ayrık olay simülasyonu (alternatif) bireysel hasta yörüngelerini izler ancak daha karmaşıktır.
  • Döngü uzunluğu seçimi keyfidir: Yıllık döngüler standarttır, ancak hastalık ilerlemesi daha hızlı (üç aylık, aylık döngüler gerekir) veya daha yavaş (5 yıllık döngüler kabul edilebilir) olabilir. Daha kısa döngüler hassasiyeti artırır ancak hesaplamayı ve belirsizliği de artırır.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Hastalığın doğal seyrini müdahale etkileriyle bütünleştirir: ilaçların ilerleme oranlarını nasıl değiştirebileceğini modelleyebilir, deneme süresinin ötesinde gerçekçi uzun vadeli maliyet-etkililik tahminleri sağlar.
  • Açık ve şeffaf: durumlar, geçiş olasılıkları, maliyetler, faydalar görünür ve denetlenebilirdir; gözden geçirenler varsayımları eleştirebilir.
  • Esnek: karmaşık hastalık yollarını (remisyon, nüks, tedavi değişikliği), birden fazla müdahaleyi, hasta heterojenliğini (alt grup analizi) barındırabilir.
  • Hesaplama açısından verimli: Markov modelleri modern donanımda saniyeler içinde çalışır; mikrosimülasyonun aksine hızlı hassasiyet ve senaryo analizi sağlar.

Uygulama alanları

  • HIV tedavi kılavuzları: Markov modeli, CD4'e göre başlatma ve hemen tedavi veya farklı rejimler için 20 yıllık QALYs ve maliyetleri tahmin eder; ne zaman tedaviye başlanacağına ve hangi ilaçların kullanılacağına rehberlik eder.
  • Kanser taraması: Markov modeli, normal → prekanser → kanser → metastaz → ölüm arasındaki hastalık ilerlemesini simüle eder; farklı tarama aralıklarının (yıllık veya 3 yıllık mamografi) maliyet-etkililiğini hesaplar.
  • Kardiyovasküler ilaçlar: Statin tedavisi kardiyovasküler olayları azaltır; Markov modeli, farklı hasta alt gruplarında (yaş, başlangıç kolesterolü, komorbidite) 10 yıllık risk azalmasını tahmin eder; tedavi eşiğini bilgilendirir.
  • Cihaz ekonomisi: Yapay eklem protezi modeli, sağlıklı eklem → osteoartrit ilerlemesi → ömür boyu birden fazla protez değişimi arasındaki geçişi modeller; konservatif yönetime karşı uzun vadeli maliyet-etkililiği hesaplar.
  • Aşı politikası: Hepatit B aşısı modeli, kohortu doğumdan yetişkinliğe kadar izler; önlenen enfeksiyonları, önlenen komplikasyonları, ömür boyu QALYs'leri hesaplar; çocukluk programına dahil edilip edilmeyeceğine veya ergenlerde yakalama programına karar verilmesine yardımcı olur.

Nasıl çalışır?

Nasıl çalışır?

1

Adım 1: Sağlık durumlarını tanımlayın. HIV örneği: CD4 <50 (AIDS), CD4 50–200 (şiddetli immünosupresyon), CD4 200–500 (orta), CD4 >500 (hafif), saptanamayan viral yük (tedavi edilmiş), ölü. Bunlar klinik ve ekonomik olarak anlamlı olmalıdır (farklı tedavi seçenekleri, maliyetler veya durum başına prognoz). Adım 2: Geçişleri belirleyin. Her yıl (döngü), hastalar: mevcut durumda kalabilir, daha iyi sağlığa geçebilir (örn. terapide CD4 iyileşmesi), daha kötü sağlığa geçebilir (hastalık ilerlemesi) veya ölebilir. Geçiş olasılıkları = her geçişin gözlemlenen veya modellenen olasılığı, şunlardan türetilir: (a) RCT takip verileri: deneme CD4 <50 olan hastaların %10'unun yılda öldüğünü gösteriyorsa, P(CD4<50 → ölü) = 0.10; (b) literatür (yayınlanmış kohortlar); (c) klinik uzmanlık ve kalibrasyon. Adım 3: Duruma özgü faydaları (yaşam kalitesi ağırlıkları, 0-1 ölçeği, 1 = mükemmel sağlık) atayın. CD4 <50, 0.6 faydaya sahip olabilir (AIDS ile ilgili semptomlar, belirsizlik); terapide CD4 >500, 0.95 faydaya sahip olabilir (normal sağlığa yakın). Adım 4: Döngü başına duruma özgü maliyetleri atayın: ilaç maliyetleri, izleme (laboratuvar, klinik ziyaretler), varsa hastaneye yatış/komplikasyonlar. Adım 5: Durumları ve geçiş matrisini temsil eden yazılımda (Excel elektronik tablosu, TreeAge Pro, R, Python) modeli oluşturun. Adım 6: Yayınlanmış verilere karşı doğrulayın: temel senaryoyu (standart bakım) çalıştırın ve 10 yıllık sonuçları yayınlanmış kohort verileriyle (kalibrasyon) karşılaştırın; gerekirse ayarlayın.

Formül
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

Markov izi hesaplaması: Başlangıçta 1.000 hasta kohortunu simüle edin (örn. hepsi CD4 200–500'de). Yıl 1'de, geçiş olasılıklarını uygulayın: eğer P(CD4 200–500 → CD4 >500) = 0.30, P(CD4 200–500 → CD4 50–200) = 0.15, P(CD4 200–500 → ölü) = 0.05 ise: Yıl 1 dağılımı: 500'ü CD4 200–500'de kalır, 300'ü CD4 >500'e geçer, 150'si CD4 50–200'e geçer, 50'si ölür. Yıl 2'de, geçiş olasılıklarını Yıl 1 dağılımına uygulayın; tüm hastalar ölene veya zaman ufku ulaşılana kadar her yıl tekrarlayın. Her döngü için maliyetleri ve QALYs'leri hesaplayın: Yıl t maliyeti = Σ(durum s'deki kohort) × (durum s başına maliyet); Yıl t QALYs = Σ(durum s'deki kohort) × (durum s'nin faydası). Gelecekteki maliyetleri/QALYs'leri yıllık %3 oranında iskonto edin: PV = Yıl t'deki değer / (1.03)^t. Toplam maliyet/QALY = iskonto edilmiş yıllık değerlerin toplamı. Örnek: Yıl 1 maliyeti = 500×$2.000 (CD4 200–500 maliyeti) + 300×$1.500 (CD4 >500 maliyeti) + 150×$5.000 (CD4 50–200 maliyeti) + 0 (ölü) = $2.05M. Bugüne iskonto edin: Yıl 1 PV = $2.05M / 1.03 = $1.99M. 10 yıl sonra: kümülatif PV maliyeti (müdahale) = $15M, kümülatif PV QALY (müdahale) = 6.5 QALY. Karşılaştırıcı (standart tedavi) 5.0 QALY, maliyet $12M sağlar. ICER = ($15M − $12M) / (6.5 − 5.0) = $3M / 1.5 = QALY başına $2M.

Formül
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

Markov modelinden elde edilen ICER geri ödeme için yol gösterir: eğer NICE eşiği QALY başına £20.000 (kabaca 25.000 ABD Doları) ise ve ICER QALY başına 2 milyon ABD Doları ise, bu ilaç açıkça maliyet-etkin değildir. Eğer ICER QALY başına 18.000 ABD Doları ise, kabul edilebilirdir. Hassasiyet analizi kritiktir: (1) Deterministik: tek bir parametreyi değiştirin (örn. ölüm oranı ±%20, geçiş olasılıkları ±%10) ve ICER'ı yeniden hesaplayın; tornado grafiği hangi parametrelerin sonucu en çok etkilediğini gösterir. (2) Olasılıksal: tüm belirsiz parametrelere olasılık dağılımları atayın; dağılımlardan rastgele çekimlerle 1.000–10.000 simülasyon çalıştırın; olası ICER'ların bulutunu ve kabul edilebilirlik eğrisini (müdahalenin farklı WTP eşiklerinde maliyet-etkin olma olasılığı) çıktı alın. Kabul edilebilirlik eğrisi QALY başına £20.000'da %80 maliyet-etkinlik olasılığı gösteriyorsa, ICER sağlamdır; %40 ise, yüksek belirsizlik ihtiyat gerektirir. Alt grup analizi: daha genç ve yaşlı hastalar, tedaviye başlamamış ve deneyimli hastalar, yüksek CD4 başlangıç ve düşük CD4 hastaları için ayrı modeller çalıştırın; müdahalenin en çok/en az maliyet-etkin olduğu grupları belirleyin. Sonuçlar koşullu önerilere yol gösterir: 'Bu ilacı tedaviye başlamamış hastalar için (ICER 15 bin ABD Doları), ancak deneyimli hastalar için değil (ICER 40 bin ABD Doları) fonlayın.'

Formül
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.

Sık yapılan hatalar

  • Zaman içinde sabit geçiş olasılıklarının varsayılması: Hastalığın erken evrelerindeki hastalar 10 yıl sonraki hastalara göre farklı ilerliyorsa, sabit olasılıklar yanlıştır. Kanıt destekliyorsa zamana bağlı geçiş olasılıklarını kullanın (model karmaşıklığı gerektirir).
  • Geçmişi yakalamak için tünel durumlarını unutmak: Bir hastanın prognozu mevcut durumda ne kadar süre kaldığına bağlıysa (örn. CD4 iyileşme 'yörüngesi'), bunu göz ardı edin ve geçişler yanlı olacaktır. Tünel durumları (1 yıldan az CD4 iyileşmesi ve ≥1 yıl) bir çözüm yoludur.
  • Aşırı parametrelendirme: Çok fazla durum ve geçiş dahil etmek modeli şişirir; parametre belirsizliği patlar. Parsimon modeller (gerekli minimum durumlar) tercih edilir; karmaşıklık yalnızca klinik olarak gerekçelendirildiğinde eklenir.
  • Kalibrasyonun göz ardı edilmesi: Model tarafından türetilen sonuçlar, aynı tedavi altındaki aynı popülasyon için yayınlanmış verilerle eşleşmelidir. Markov tarafından tahmin edilen 10 yıllık sağkalım %60 ise ancak yayınlanmış kohort %50 gösteriyorsa, model yanlış kalibre edilmiştir ve sonuçlar güvenilmezdir. Her zaman temel senaryoyu kalibre edin.
  • Deneme kaynaklı geçişlerin gerçek dünya hastalarına uygulanmasının varsayılması: RCT'ler genellikle gerçek dünya hastalarından daha genç, daha sağlıklı, daha uyumlu hastaları kaydeder. RCT'den elde edilen geçiş olasılıkları genelleştirilmeyebilir; gerçek dünya kohortlarına karşı harici doğrulama önemlidir.

Sık sorulan sorular

Markov modeli ile karar ağacı arasındaki fark nedir?

Karar ağaçları karar noktalarında (örn. tedavi et vs. etme) dallanır ve anlık sonuçları (deneme uç noktaları) gösterir. Markov modelleri, yıllar boyunca hastalık doğal seyrini yakalayarak birçok döngü boyunca durumlar arasında ilerlemeyi simüle eder. Karar ağaçları kısa vadeli, tek seferlik kararları ele alır; Markov modelleri devam eden geçişlerle kronik hastalıkları ele alır. Genellikle birleştirilir: karar ağacı başlangıç/tedavi atamasını belirler; ardından Markov modelleri ilerlemeyi takip eder.

Deneme verileri eksikse geçiş olasılıkları nasıl kalibre edilir?

Yöntemler: (1) Yayınlanmış literatür: aynı hasta popülasyonu, aynı hastalık durumları için geçiş oranlarını bildiren kohort çalışmaları arayın. (2) Meta-analiz: birden fazla küçük çalışma mevcutsa, geçiş olasılığını tahmin etmek için verileri havuzlayın. (3) Uzman görüşü: veri yoksa geçişleri tahmin etmek için klinisyenleri toplayın (en az titiz). (4) Kalibrasyon: tahmini geçişlerle modeli çalıştırın; 5 yıllık sonuçları yayınlanmış deneme verileriyle karşılaştırın; model denemeyle eşleşene kadar geçişleri ayarlayın (tersine mühendislik). Hassasiyet analizi geçişlerdeki belirsizliği yansıtmalıdır.

Markov modelleri tüm klinik olarak ilgili sağlık durumlarını içermeli midir?

Hayır, yalnızca maliyeti veya sonuçları önemli ölçüde etkileyen durumları dahil edin. Örnek: CD4 100–150 ile CD4 50–100'ü ayırt etmek klinik olarak önemlidir (farklı tedavi toksisitesi, ölüm riski), bu nedenle her ikisini de dahil edin. CD4 501–520 ile CD4 521–540'ı ayırt etmek muhtemelen önemsizdir; CD4 >500'e birleştirin. Genel kural: bir durum değişikliği klinik yönetimi veya maliyeti %10'dan fazla değiştirirse, onu dahil edin.

Döngü uzunluğu ve iskonto nasıl ilişkilidir?

Döngü uzunluğu (yıllık, üç aylık, aylık), geçişlerin ne sıklıkla meydana geldiğini ve maliyetlerin/QALYs'lerin ne zaman biriktiğini belirler. Daha kısa döngüler (aylık) doğruluğu artırır ancak hesaplama süresini de artırır. İskonto, her döngünün maliyetlerine/QALYs'lerine uygulanır: yıllık %3 iskonto, 2. Yıl değeri × 1/1.03, 3. Yıl × 1/1.03² vb. anlamına gelir. Üç aylık döngüler kullanılıyorsa, iskonto oranını ayarlayın: üç aylık = %3^(1/4) ≈ üç ayda %0.74. Standart: yıllık %3 iskonto ile yıllık döngüler.

Bir 'tünel durumu' nedir ve ne zaman gereklidir?

Tünel durumu, bir hastanın mevcut durumda ne kadar süre kaldığını yakalar ve hafızasız varsayımı ihlal eder. Örnek: CD4 'yakın zamanda iyileşmiş' (antiretroviral tedavi <1 yıl) hastaların, CD4 'stabil' (tedavi >1 yıl) hastalara göre immün rekonstrüksiyon inflamatuar sendromu (IRIS) riski daha yüksektir. İki durum oluşturun: CD4 >500 (IRIS riski) ve CD4 >500 (stabil); 1 yıl sonra aralarında geçiş yapın. Tünel durumları model karmaşıklığını artırır ancak geçmişin önemli olduğu durumlarda doğruluğu artırır.

Markov modellerine uyum/takip nasıl dahil edilir?

Seçenek 1: Gerçek uyumu içeren ITT (niyetle tedavi) analizinden elde edilen gerçek dünya verilerini kullanın. Seçenek 2: Ayrı durumlar (uyumlu ve uyumsuz) oluşturun ve geçişleri modelleyin (uyum aksaklıkları, yeniden katılım). Seçenek 3: Nüfus düzeyindeki uyumu yansıtmak için modeldeki etkinliği azaltın (örn. deneme %80 uyum gösterdiyse ve etkinlik deneme etkinliğinin %70'i varsayılıyorsa). Hassasiyet analizi, uyum varsayımlarının etkisini araştırmalıdır.

İlgili yöntemler

Kaynaklar

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

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

    DOI kaynağını aç
    Kopyalandı.
  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.

    Yayın kaynağını aç
    Kopyalandı.