İçeriğe atla
Arama sonuçlarına dön

Belirsizlik Yayılımı ile Olasılıksal Durum-Geçiş Simülasyonu — Stokastik Markov Modeli

Ortaya koyan
Markov, A. A. (probabilistic extension developed by Sonnenberg & Beck and others)
Yıl
1993
Tür
Probabilistic state-transition model with Monte Carlo uncertainty propagation
Aile
Simulation / optimization

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

Yazı boyutu

Ne işe yarar?

Stokastik bir Markov Modeli, bir sistemi karşılıklı olarak dışlayıcı sağlık veya karar durumları kümesi olarak temsil eden, kohortu (veya bireysel ajanları) olasılıksal olarak örneklenmiş geçiş parametreleri kullanarak bu durumlar arasında hareket ettiren ve tekil nokta tahminleri yerine maliyetler, sonuçlar veya sıralamalar üzerindeki tam olasılık dağılımlarını üretmek için binlerce Monte Carlo yinelemesi boyunca sonuçları toplayan bir simülasyon tekniğidir.

Yöntemin mantığı

Bir popülasyonu hastalık evreleri — sağlıklı, hasta, iyileşmiş, ölmüş — boyunca birçok yıllık döngüde takip ettiğinizi hayal edin. Deterministik bir Markov modelinde geçiş olasılıklarını sabitlersiniz ve tek bir yörünge elde edersiniz. Stokastik versiyon, bu olasılıkların kendilerinin belirsiz olduğunu kabul eder: sonlu örneklemlere sahip çalışmalardan gelirler. Her Monte Carlo yinelemesinde geçiş matrislerini arka dağılımlarından yeni matrisler çekerek, model bu parametre belirsizliğini nihai çıktılara kadar yayar ve yanlış kesinlik yerine güven aralıkları üretir.

Tarih

Markov zincirleri 1906'da Andrei Markov tarafından biçimlendirilmiştir. Tıbbi karar analizine uygulamaları, sağlık ekonomistleri için pratik rehberlik sağlayan Sonnenberg ve Beck (1993) tarafından sistematik olarak tanıtılmıştır. Olasılıksal uzantılar — Monte Carlo yinelemeleri boyunca dağılımlardan geçiş parametreleri çekmek — 1990'lar–2000'ler boyunca standart uygulama haline gelmiş, NICE gibi kurumların kılavuzlarında ve Briggs, Sculpher ve Claxton'ın (2006) ders kitaplarında kodlanmıştır. Bugün stokastik Markov modeli, sağlık teknolojisi değerlendirmesinde stokastik duyarlılık analizi için baskın araçtır.

Ne zaman kullanılır?

Karar verme, ayrık durumları, tekrarlayan geçiş olaylarını birden çok zaman periyodu boyunca ve parametre belirsizliğinin çıktılara resmi olarak yayılması gereken durumları içerdiğinde — en yaygın olarak sağlık teknolojisi değerlendirmesi, farmakoekonomi ve politika değerlendirmesinde, geçiş olasılıkları ve getirilerdeki belirsizliğin önemli olduğu durumlarda kullanılır. Düzenleyici veya HTA organları (NICE, CADTH, vb.) stokastik duyarlılık analizi gerektirdiğinde standart yaklaşımdır. Sürekli durum uzaylarına sahip sistemler diferansiyel denklemlerle daha iyi ele alındığında, Markov varsayımı (hafızasızlık) makul olmadığında ve geçmiş, durum genişletme yoluyla yakalanamadan önemli olduğunda, analiz ufku tek bir dönem olduğunda veya parametre dağılımlarını belirtmeyi haklı çıkaracak kadar seyrek veri olduğunda (bu durumda deterministik tek yönlü duyarlılık analizi daha uygun olabilir) KULLANMAYIN.

Sınırlar ve dikkat edilmesi gerekenler

  • Markov (hafızasızlık) varsayımı — gelecekteki geçişlerin geçmişe değil, yalnızca mevcut duruma bağlı olduğu — pratikte sıklıkla ihlal edilir; tünel durumlar aracılığıyla çözüm yolları model karmaşıklığını artırır.
  • Tüm parametreler için güvenilir olasılık dağılımları belirtmek, iyi kalitede kanıt gerektirir; kötü belirtilmiş öncüller, kötü kalibre edilmiş belirsizliği yayar.
  • Hesaplama maliyeti, durumların, döngülerin ve Monte Carlo yinelemelerinin sayısıyla artar; çok büyük modeller önemli çalışma süresi veya paralel hesaplama kaynakları gerektirebilir.
  • Model yapısının kendisi (hangi durumların dahil edileceği, döngü uzunluğu) tipik olarak sabittir ve olasılıksal belirsizliğe tabi değildir, bu da ölçülmemiş yapısal belirsizliğin önemli bir kaynağı olabilir.
  • Sonuçlar, dağılımların ve korelasyonlarının seçimine duyarlıdır; parametreler arasındaki korelasyonu göz ardı etmek (örneğin, maliyetler ve faydalar) toplam varyansı hafife alabilir veya abartabilir.

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

Güçlü yönleri

  • Parametre belirsizliğini açıkça ölçer ve nokta tahminleri yerine güven aralıkları sunar, belirsizlik altında şeffaf karar vermeyi destekler.
  • Olasılıksal çıktı (örneğin, maliyet-etkililik kabul edilebilirlik eğrileri) doğrudan bilgi değeri analizlerini ve bütçe tahsis kararlarını bilgilendirir.
  • Durum-geçiş yapısı, teknik olmayan paydaşlar tarafından anlaşılabilir ve model mantığı döngü döngü denetlenebilir.
  • Manuel senaryo oluşturmaya gerek kalmadan birden fazla eşzamanlı belirsiz parametreyi doğal olarak barındırır.
  • Sağlık teknolojisi değerlendirme organları (NICE, CADTH, PBAC) tarafından ekonomik değerlendirmelerde stokastik duyarlılık analizi için standart olarak geniş çapta kabul edilmiştir.
  • Genişletilebilir: bireysel düzeyde mikrosimülasyon ve zaman-homojen olmayan varyantlar, aynı çerçeve içinde hasta heterojenliğini ve zamanla değişen geçişleri içerebilir.

Uygulama alanları

  • HTA başvuruları için stokastik duyarlılık analizi gerektiren yeni farmasötiklerin veya tıbbi cihazların maliyet-etkililik analizi.
  • Onkoloji, kardiyovasküler hastalık ve bulaşıcı hastalık epidemiyolojisinde hastalık ilerlemesi modellemesi.
  • Yıllar boyunca birden fazla sağlık durumundan geçen diyabet veya HIV gibi kronik durumlar için uzun vadeli sonuç projeksiyonu.
  • Olasılıksal belirsizlik raporlamasını zorunlu kılan düzenleyici kurumlara (NICE, CADTH, EMA) sağlık teknolojisi değerlendirme başvuruları.
  • Bütçe tahsisini bilgilendiren maliyet-per-QALY güven aralıklarının olduğu tarama veya önleme programlarını karşılaştıran politika değerlendirmesi.
  • Varlıkların belirsiz geçiş oranlarıyla durumlar (iyi, bozulmuş, arızalı) arasında geçiş yaptığı altyapı veya proje risk modellemesi.

Nasıl çalışır?

Nasıl çalışır?

1

Durum uzayını tanımlayın: modellenen varlığın kaplayabileceği tüm karşılıklı olarak dışlayıcı, toplu olarak eksiksiz durumları listeleyin (örneğin, hastalık evreleri, kaynak seviyeleri, proje aşamaları). Zaman döngüsü uzunluğunu ve maksimum döngü sayısını (zaman ufku) belirtin. Her durum, belirsiz olabilen ilişkili getiriler — maliyetler, faydalar veya diğer sonuç ölçütleri — taşır.

2

Her geçiş olasılığı ve her getiri parametresi için, kanıt tabanından türetilen belirsizliği yansıtan bir olasılık dağılımı belirtin. Geçiş olasılıkları tipik olarak bir Dirichlet dağılımından çekilir (köken durumu başına 1'e kadar toplamalarını sağlayarak); maliyetler gama veya log-normal dağılımlardan; faydalar [0, 1] içinde sınırlı beta dağılımlarından. Bu adım, tam parametre belirsizlik yapısını kodlar.

3

Belirtilen tüm dağılımlardan bir tam model parametre seti çekin — bu bir Monte Carlo yinelemesi oluşturur. Tam bir parametre vektörü, tüm bir geçiş matrisini, tüm duruma özgü maliyetleri ve tüm faydaları içerir. Örnekleme tipik olarak Latin hiperküp örneklemesi veya basit rastgele örnekleme kullanılarak yapılır, kararlı güven aralıkları için N ≥ 1000 yineleme önerilir.

4

Örneklenen parametre seti için Markov kohort izini çalıştırın: başlangıç kohort dağılımını geçiş matrisi ile her döngü için zaman ufkuna ulaşılana kadar tekrarlı olarak çarpın. Her döngüde her durumdaki kohort oranını kaydedin. Durum işgalleri ile örneklenen getirileri çarparak ve tüm döngüler boyunca toplayarak, uygun iskonto uygulayarak toplam beklenen maliyetleri ve sonuçları hesaplayın.

5

Tüm N yinelemeleri için 3–4 adımlarını tekrarlayın. Bu, her toplu sonuç (örneğin, toplam maliyet, kalite ayarlı yaşam yılları) için N çoğaltma üretir. Her çıktı için N değerinin koleksiyonu, model belirsizliğini doğrudan yansıtan ampirik bir örnekleme dağılımı oluşturur.

6

Yinelemeler boyunca sonuçları özetleyin: her çıktı için ortalama (veya medyan) ve %95 güven aralığını raporlayın. Alternatifleri karşılaştırıyorsanız maliyet-etkililik kabul edilebilirlik eğrileri (CEAC'ler) veya sıralama kabul edilebilirlik indeksleri oluşturun. Hangi parametrelerin en fazla varyansa neden olduğunu, stokastik duyarlılık analizi (PSA) dağılım grafikleri veya mükemmel bilgi değeri (EVPI) metrikleri kullanarak belirleyin.

Sık yapılan hatalar

  • Monte Carlo yineleme sayısını önemsiz kabul etmek: 1000'den az yineleme sıklıkla kararsız güven aralıkları üretir, özellikle kuyruklarda; her zaman yakınsama tanılarını raporlayın.
  • Parametre korelasyonlarını örneklerken göz ardı etmek: korelasyonlu parametreleri bağımsız olarak örneklemek (örneğin, ayrı Beta dağılımlarından değil, ortak bir Dirichlet'ten geçiş olasılıkları) görünen belirsizliği artırır ve bir durumdan gelen olasılıkların bire kadar toplaması kısıtlamasını ihlal edebilir.
  • Stokastik belirsizliği (birinci düzey, simüle edilmiş bireyler arasındaki döngü içi değişkenlik) parametre belirsizliği (ikinci düzey, Monte Carlo yinelemeleri arasındaki) ile karıştırmak; bunlar kohort modellerinde bireysel düzey modellerden farklı şekilde ele alınmalıdır.
  • Güven aralıklarının genişliğini model kalitesi üzerinde bir karar yerine veri kıtlığının dürüst bir yansıması olarak aşırı yorumlamak.
  • Stokastik katmanlar eklemeden önce deterministik temel durumu doğrulamayı başaramamak — temel modeldeki hatalar, olasılıksal sarmalama ile ortaya çıkarılmaz, büyütülür.

Sık sorulan sorular

Stokastik ve deterministik bir Markov modeli arasındaki fark nedir?

Deterministik bir Markov modeli, tüm geçiş olasılıkları ve getiriler için sabit nokta tahminleri kullanır ve tek bir sonuç değeri üretir. Stokastik bir Markov modeli, parametre belirsizliğini yansıtan bir sonuç dağılımı üreterek, her Monte Carlo yinelemesinde bu parametreleri olasılık dağılımlarından örnekler. Her ikisi de aynı kohort izleme mekaniklerini kullanır; yalnızca parametre muamelesi farklıdır.

Yeterli Monte Carlo yinelemesi sayısı ne kadardır?

Genellikle minimum 1000 yineleme önerilir; kararlı güven aralıkları ve maliyet-etkililik kabul edilebilirlik eğrileri için 10.000 tipiktir. Yakınsama görsel olarak (çalışan ortalama grafikleri) veya resmi tanı tanıları ile doğrulanmalıdır. Çok sayıda korelasyonlu parametreye veya nadir olaylara sahip modeller daha fazla yineleme gerektirebilir.

Markov varsayımı ne zaman başarısız olur ve nasıl ele alınabilir?

Markov varsayımı, bir durumdan çıkma olasılığı, hastanın orada ne kadar süre kaldığına bağlı olduğunda başarısız olur (örneğin, hastalık süresiyle artan ölüm riski). Standart çözüm, durumu-içinde-kalma süresini açıkça izleyen tünel durumları eklemektir, bu da daha büyük bir durum uzayı maliyetine yol açar. Alternatif olarak, bireysel düzeyde mikrosimülasyon, her hastanın geçmişini doğrudan izleyebilir.

Stokastik bir Markov modeli bireysel heterojenliği idare edebilir mi?

Standart kohort düzeyindeki stokastik Markov modelleri, yinelemeler boyunca yalnızca parametre belirsizliğini yakalar, bireysel düzeydeki değişkenliği değil. Hasta heterojenliğini (farklı temel riskler, komorbiditeler) dahil etmek için, modelin her simüle edilmiş hastanın durum uzayında ayrı ayrı izlendiği bireysel düzeyde bir mikrosimülasyona genişletilmesi gerekir.

Stokastik bir Markov modeli, ayrık olay simülasyonundan nasıl farklıdır?

Markov modelinde zaman sabit döngülerde ilerler ve tüm olaylar sabit döngü başına geçiş olasılıkları tarafından yönetilir. Ayrık olay simülasyonu, kuyrukları, kaynak kısıtlamalarını ve zamanla değişen oranları daha esnek bir şekilde temsil etmeye izin veren, keyfi dağılımlardan çekilen sürekli zamanlarda meydana gelen olaylara sahip bireysel varlıkları modeller. Markov modelleri oluşturmak ve doğrulamak daha basittir; DES daha esnektir ancak parametrelendirmesi daha zordur.

İlgili yöntemler

Kaynaklar

  1. 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.
  2. Briggs, A., Sculpher, M., & Claxton, K. (2006). Decision Modelling for Health Economic Evaluation. Oxford University Press.

    ISBN: 9780198526629
    Kopyalandı.