卫生经济学中的决策分析模型
- 提出者
- Pauker & Kassirer (medical decision analysis, Massachusetts General Hospital)
- 年份
- 1975
- 类型
- Method
- 类别
- health economic evaluation framework
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
决策分析模型是一个系统性框架,通过将关于概率、结果、成本和患者偏好的证据整合到定量模型中,来比较不同的卫生干预措施。该模型由Pauker和Kassirer于1975年开发,它构建了临床不确定性和经济权衡,从而能够透明地比较治疗方案并确定最佳策略。决策分析模型应用于卫生技术评估、临床实践指南制定和资源分配决策。
方法背后的直觉
一位临床医生面临一个决策:一位新诊断为高血压的65岁患者,是应该开始降压治疗,还是观察(观望等待)?治疗可以降低心血管风险,但有副作用和成本。没有一项单一试验能直接回答这位患者的这个问题,因为结果取决于个体风险状况、药物在其亚组中的疗效以及患者偏好。决策分析量化了这种权衡:这位患者受益的概率是多少?成本是多少?治疗中和非治疗中的生活质量如何?通过将所有可用证据(随机对照试验、流行病学、成本数据)整合到一个模型中,决策分析计算出每个选项的预期值。预期值 = Σ(结果概率 × 结果价值)。如果一项治疗有80%的概率预防中风(价值2质量调整生命年,QALYs)和20%的概率引起副作用(价值-0.5 QALYs),则其预期值 = 0.8×2 + 0.2×(−0.5) = 1.5 QALYs。如果替代方案(观望等待)的预期值为1.0 QALYs,则根据预期值标准,治疗方案更受青睐。决策分析强制进行明确推理并允许系统比较。
历史学
Pauker & Kassirer (1975, 1976) 开创了医学决策分析,将预期值理论(von Neumann & Morgenstern)应用于临床决策。早期应用:何时治疗无症状疾病,何时进行诊断性检查。Weinstein & Fineberg (1980) 出版了有影响力的教科书。到1990年代,决策分析已在临床流行病学和卫生服务研究中确立。Briggs, Claxton, and Sculpher (2000年代) 将决策分析扩展到经济评估(整合成本、QALYs、成本效益分析 (CEA)/成本收益分析 (CBA))。决策树在慢性病领域被马尔可夫模型取代(1990年代)。概率敏感性分析(蒙特卡洛模拟)在2000年代成为标准,实现了不确定性量化。如今,决策建模在卫生技术评估 (HTA) 提交和指南制定中已是常规;工具(TreeAge、R包)使非统计学家也能使用。
何时使用
当比较卫生干预措施且决策者需要系统性证据整合时。决策分析是以下方面的标准方法:(1) 临床实践指南制定(比较治疗策略)。(2) 卫生技术评估(报销决策)。(3) 资源分配(确定干预措施的优先次序)。(4) 研究优先次序(确定哪些数据最能提高决策信心)。(5) 患者咨询(共享决策工具)。在以下情况下使用:存在多种选择,结果不确定,偏好和成本很重要,以及重视透明框架。在以下情况下不需要:具有明确赢家的直接临床比较(例如,两种疗效相同但一种便宜得多的药物——直观决策);模型增加价值不大的罕见结果。
局限与注意事项
- 参数不确定性:模型的质量取决于输入概率和效用;如果数据稀疏或存在偏差,模型输出不可靠。
- 假设理性决策:预期值方法假设决策者是风险中性的;实际偏好通常是非线性的(损失厌恶、希望偏差)。
- 简化现实:模型必然抽象了疾病的复杂性;重要的临床因素可能被省略或平均化,从而失去患者特异性细微差别。
- 需要大量数据:构建严谨模型需要关于概率(试验、登记数据)、效用(偏好调查)和成本(会计记录)的数据;数据通常不完整。
- GIGO(垃圾进,垃圾出):如果输入假设错误或有争议,尽管数学严谨,输出仍会产生误导。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 透明地整合证据:概率、结果、成本、效用明确说明并相互关联,使利益相关者能够批判性评估并随着证据演变进行更新。
- 系统地处理不确定性:敏感性分析和概率分析量化不确定性对决策的影响,指导哪些研究最有价值。
- 促进沟通:决策树可视化问题结构;利益相关者(临床医生、患者、支付方)理解权衡和价值判断。
- 灵活性:适应各种证据类型(随机对照试验、观察性研究、专家意见),并可根据新数据进行更新。
应用
- 临床指南制定:急性冠脉综合征治疗的心脏病学指南:决策模型比较经皮冠状动脉介入治疗 (PCI) vs 药物管理 vs 急诊搭桥手术。模型整合了随机对照试验 (RCT) 疗效、手术并发症、恢复时间、生活质量;输出结果推荐PCI适用于特定患者特征(例如,年龄 <70岁,症状持续时间 <12小时)。
- 卫生技术评估 (HTA) 提交:制药公司提交新的糖尿病药物;决策模型在30年时间范围内比较该药物与标准疗法。马尔可夫模型跟踪疾病状态(糖化血红蛋白 (A1c) 控制、并发症)。输出:ICER为25,000美元/QALY。英国国家健康与临床优化研究所 (NICE) 推荐报销,为定价谈判提供信息。
- 筛查项目:公共卫生机构使用决策模型评估宫颈癌筛查策略(每年巴氏涂片 vs 每3年 vs 基于人乳头瘤病毒 (HPV) 的筛查)。模型比较成本、挽救的生命年、QALYs、危害(过度治疗)。输出:每5年进行一次基于HPV的筛查效率最高,指导国家政策。
- 共享决策:早期前列腺癌患者(低风险、无症状):决策模型比较主动监测 vs 根治性前列腺切除术。决策树纳入了前列腺癌的自然病程、手术风险、功能结果(控尿、勃起功能)、生活质量。患者可以看到根据其偏好和风险承受能力量身定制的每个选项的预期值。
- 研究优先排序:传染病控制模型比较疫苗接种、治疗和监测策略。概率敏感性分析识别不确定性最高的参数。信息价值 (VOI) 分析计算:“关于X的完美数据将如何减少决策不确定性?”指导研究资金投向价值最高的研究。
使用方式
使用方式
Step 1: 定义决策问题。决策备选方案有哪些?(例如,结直肠癌筛查:结肠镜检查 vs 粪便隐血试验 (FOBT) vs 不筛查)。患者群体是谁?(例如,50-75岁,平均风险)。时间范围是多久?(10年结果?终生?)。 Step 2: 绘制结构图。识别所有偶然事件(疾病进展 vs 消退,检测结果阳性 vs 阴性,不良事件发生 vs 不发生)。识别感兴趣的结果(存活/死亡,无症状 vs 有症状,美元成本,QALYs)。 Step 3: 填充概率。概率从何而来?随机对照试验(主要证据)、队列研究、国家登记数据、荟萃分析。例如:如果随机对照试验显示结肠镜检查在90%的病例中检测出结直肠癌,并在95%的已检测病例中预防死亡,则使用P(检测) = 0.90,P(预防死亡 | 已检测) = 0.95。对于疾病进展(任何试验中均未涉及),使用已发表的流行病学数据。 Step 4: 分配结果。效用:每个健康状态的生活质量权重(0-1量表)(正常健康 = 1,诊断为癌症 = 0.7,治疗后 = 0.8)。成本:筛查成本(300美元),癌症治疗成本(50,000美元),持续监测(500美元/年)。 Step 5: 构建模型。使用决策树(短期,离散事件)或马尔可夫模型(长期,循环状态)。软件:TreeAge Pro(商业),Excel(基础),R/Python(灵活)。 Step 6: 验证。运行基线情景(当前标准护理)并将输出与已发表文献进行比较(模型是否与流行病学数据匹配?)。
公式
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.
决策树示例:50岁人群的结直肠癌筛查。根节点:决策节点(方形):[筛查 vs 不筛查]。分支1(筛查):进行结肠镜检查。机会节点(圆形):[发现癌症(10%患病率) vs 未发现(90%)]。如果发现癌症:治疗,结果 = QALY = 0.85(经治疗的癌症病例,长期生存)。成本 = 300美元(结肠镜检查)+ 50,000美元(治疗)= 50,300美元。如果未发现:常规护理。结果 = QALY = 1.0(无癌)。成本 = 300美元。预期值(筛查)= 0.10 × (0.85 QALYs, 50,300美元) + 0.90 × (1.0 QALYs, 300美元) = [0.10×0.85 + 0.90×1.0] = 0.985 QALYs, [0.10×50,300 + 0.90×300] = 5,300美元 + 270美元 = 5,570美元成本。分支2(不筛查):常规护理,结果 = 1.0 QALY(假设没有未诊断的癌症;保守估计)。成本 = 0美元。预期值(不筛查)= 1.0 QALYs,0美元成本。增量成本效益比 (ICER)(筛查 vs 不筛查)= (5,570美元 − 0美元) / (0.985 − 1.0) = 负分母(筛查导致QALYs减少?)。这表明筛查由于误诊/过度治疗风险而减少了QALYs。敏感性分析:如果P(癌症患病率) = 20%而不是10%,重新计算。ICER变为正值,筛查现在有益。阈值分析:在何种癌症患病率下筛查达到盈亏平衡(QALYs相等)?求解:0.985变为 ≥ 1.0,找到P(癌症)阈值。概率敏感性分析:为所有参数(癌症患病率、检测率、治疗效果)分配分布,运行1,000次模拟,报告可接受性曲线。
公式
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.
最佳决策:选择预期净收益(QALY − 成本/支付意愿 (WTP))最高的干预措施。如果ICER < 支付意愿 (WTP) 阈值(例如,20,000英镑/QALY),则干预措施具有成本效益并被推荐。敏感性分析结果指导稳健性。单向敏感性(改变一个参数):龙卷风图显示哪些参数影响最大。如果当一个参数变化±20%时决策发生改变,则该参数对假设至关重要。双向敏感性:共同改变两个参数(例如,检测的敏感性和特异性)以绘制决策图景。概率敏感性:可信ICER的分布揭示了不确定性范围。可接受性曲线回答:在何种WTP阈值下,干预措施最有可能具有成本效益?如果曲线显示在20,000英镑/QALY时有85%的概率具有成本效益,则决策是稳健的;如果只有40%,则高度不确定,需要谨慎或进一步研究。亚组分析:对患者亚组(年龄、疾病严重程度、合并症)分别运行模型。决策可能不同:例如,建议高风险患者筛查,但不建议低风险患者。阈值分析:识别盈亏平衡值。示例:“如果治疗效果 ≥40%,则干预措施具有成本效益。”这指导了做出自信决策所需证据的类型。
公式
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.
常见陷阱
- 过度建模:包含过多状态/分支,在不改善决策洞察力的情况下增加复杂性。从简单开始;如果敏感性分析显示其重要,则添加细节。
- 锚定于单一估计:使用点估计概率而没有不确定性范围。始终进行敏感性分析;决策应能经受合理的参数变化。
- 忽略异质性:将平均模型输出应用于所有患者,忽略亚组差异。亚组分析至关重要;有些患者受益更多/更少。
- 未能验证:未将模型输出与已发表的流行病学数据进行比较。始终将基线情景校准到外部数据以发现模型错误。
- 误解预期值:将预期值视为保证。预期值是平均结果;实际患者可能经历最佳或最差结果。适当沟通。
常见问题
决策树和马尔可夫模型有什么区别?
决策树:时间范围短(例如,治疗后的即时阶段),每个决策分支只有一条路径,每个分支都有一个终点。用于急性决策(是否检测,是否治疗),结果发生在试验时间范围内。马尔可夫模型:时间范围长(慢性病数年/数十年),患者反复经历健康状态,转换以概率定义。用于疾病随时间进展相关的情况。通常结合使用:决策树决定初始选择(例如,是否筛查);然后马尔可夫模型预测所选分支的长期后果。
如果没有直接数据,如何分配效用?
方法:(1) 使用已发表的类似健康状态的效用权重(EQ-5D、SF-6D、HUI量表)。(2) 与患者/普通人群样本进行有针对性的效用启发(时间权衡、视觉模拟量表、离散选择)。(3) 专家判断:临床医生估计,并承认不确定性。(4) 映射:如果试验收集了疾病特异性量表的生活质量数据,使用已发表的映射算法将其转换为效用。数据空白应触发敏感性分析:将效用变化±20%,看决策是否改变。
为什么敏感性分析在决策模型中如此重要?
模型输出(ICER、推荐)取决于输入参数(概率、效用、成本)。参数估计存在不确定性。敏感性分析测试稳健性:如果决策对合理的参数范围具有稳健性,则信心高;如果决策因微小变化而翻转,则敏感性高,决策脆弱。单向敏感性(改变一个参数)、双向敏感性、概率敏感性(同时改变所有参数)显示哪些参数驱动结果。这指导了哪些数据收集最有价值。
什么是“阈值分析”,何时有用?
阈值分析识别盈亏平衡值:“在什么参数值下决策会改变?”例如:“如果治疗效果 ≥60%,则干预措施在20,000英镑/QALY阈值下具有成本效益;低于60%,则不具有成本效益。”阈值指导解释:如果估计效果为70%(高于阈值),则推荐是稳健的;如果为58%(接近阈值),则需要更多关于效果的数据。阈值也为定价提供信息:公司可以计算“我们的药物在什么价格下对支付方具有成本效益?”成本阈值驱动谈判。
预期值与预期效用有何不同?
预期值:预期成本/QALY结果(数学平均值)。预期效用:根据个体风险偏好调整的价值。例如:一个决策有50%的概率获得10 QALYs,50%的概率获得0 QALYs(预期值 = 5 QALYs)。风险中性的人认为这与确定的5 QALYs价值相等。风险规避的人可能更喜欢确定的3 QALYs而不是有风险的赌博;他们的预期效用 < 预期值。大多数决策模型使用预期值(风险中性假设);共享决策模型可能会根据患者的风险偏好进行调整。
相关方法
参考文献
Pauker, S. G., & Kassirer, J. P. (1975). Therapeutic Decision Making: A Cost-Benefit Analysis. New England Journal of Medicine, 293(5), 229-234.
打开 DOI 文献已复制。Briggs, A. H., Claxton, K., & Sculpher, M. J. (2006). Decision Modelling for Health Economic Evaluation. Oxford: Oxford University Press.
打开出版物文献已复制。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.
打开出版物文献已复制。