Modellering

Hvorfor det er vigtigt i sundhedsøkonomi

Næsten enhver vigtig finansieringsbeslutning inden for sundhed skal træffes på ufuldstændig evidens. Et forsøg følger patienter i to år; lægemidlet skal tages i tyve. En undersøgelse gennemføres på ét lands hospitaler; beslutningen gælder et andet lands klinikker. En ny test sammenlignes med placebo; det reelle valg står mellem tre behandlinger, der allerede er i brug. En model er den strukturerede måde at bygge bro over disse huller på – at tage det, der vides, og ræsonnere omhyggeligt hen til den størrelse, en beslutningstager faktisk har brug for: den livslange omkostning og sundhedskonsekvens af at vælge mulighed A frem for mulighed B. Uden en model er alternativet ikke "ikke-modelleret vished"; det er en implicit, udokumenteret model i nogens hoved, hvor ingen antagelser er synlige, og ingen af dem kan testes.

For en direktør er dette der, hvor offentlige midler forpligtes i stor skala. Når en national betaler beslutter at refundere et lægemiddel, finansiere et screeningsprogram eller omlægge en ydelse, kommer det tal, der forankrer beslutningen – den inkrementelle omkostning pr. kvalitetsjusteret leveår (QALY) – næsten altid ud af en model, ikke et forsøg. De økonomiske evalueringsbegreber, som tallet udtrykker (QALY'er, inkrementelle cost-effectiveness-ratioer, tærskler, perspektiv), hører til Emne 2.1 — Økonomisk evaluering og forudsættes her; dette emne ejer det apparat, der producerer estimatet. Hvis apparatet er forkert, anvendes tærsklen på en fiktion.

Indsatsen er derfor både finansiel og etisk. En model, der overdriver gevinsten, finansierer noget, der fortrænger bedre anvendelser af det samme budget – alternativomkostningen falder på unavngivne patienter andre steder. En model, der er uigennemsigtig, kan ikke udfordres, og uudfordrelig analyse er der, hvor capture, ønsketænkning og leverandøroptimisme skjuler sig. Modelleringens disciplin – at erklære strukturen, teste hver antagelse og kvantificere det, man ikke ved – er det, der forvandler et overbevisende slide til evidens, som et offentligt organ kan forsvare.

Centrale begreber

Beslutningsanalyse er den formelle ramme under alt dette: at opstille mulighederne, de tilfældige hændelser, der følger efter hver, sandsynlighederne for disse hændelser og værdien af hvert udfald og så beregne den forventede værdi af hver mulighed. En sundhedsøkonomisk model er beslutningsanalyse anvendt på et sundhedsvalg, med omkostning og sundhedsudfald som de værdier, der afvejes. Grundlæggende værk for feltet er Briggs, Sculpher og Claxtons Decision Modelling for Health Economic Evaluation, hvis ramme dette emne følger.

Den simpleste struktur er beslutningstræet: et forgrenet diagram fra en beslutningsknude gennem chanceknuder til endelige udfald, hvor hver gren bærer en sandsynlighed og hvert endepunkt en omkostning og en sundhedsgevinst. Træer er klare og hurtige og passer til beslutninger, der afklares over en kort, fast horisont – en akut hændelse, et diagnostisk forløb. Deres svaghed er tid: et træ har ingen naturlig måde at repræsentere hændelser, der gentager sig, tilstande, der varer ved, eller risici, der ændrer sig år efter år, fordi enhver mulighed skal tegnes som en evigt forgrenende sti.

Til kronisk sygdom er arbejdshesten Markov-kæden, eller Markov-kohortemodellen. Den repræsenterer en sygdom som et sæt gensidigt udelukkende sundhedstilstande – for eksempel rask, komplikation, død – og flytter en hypotetisk kohorte mellem dem i faste tidscyklusser efter overgangssandsynligheder. Ved at akkumulere omkostning og livskvalitet over mange cyklusser fås livslange totaler. Dens definerende forenkling er Markov-antagelsen: overgange afhænger kun af den nuværende tilstand, ikke af historikken, så en standardmodel kan ikke "huske", hvor længe en patient har været syg. Analytikere omgår det med tunneltilstande eller tidsafhængige overgange, men antagelsen er det første, en bedømmer bør afprøve.

Når patienthistorik, individuelle karakteristika eller vekselvirkninger betyder for meget til at miste, vender modelbyggere sig mod simulation på individniveau. Mikrosimulation kører patienter gennem modellen én ad gangen, hver med attributter (alder, risikofaktorer, hændelseshistorik), der former deres forløb, så heterogenitet og hukommelse bevares. Hvor patienter også konkurrerer om delte, begrænsede ressourcer – senge, operationsstuer, personale, en transplantationsventeliste – tilføjer diskret hændelsessimulation køer og timing og modellerer systemet frem for en enkelt patient. Disse metoder køber realisme til prisen af datasult, kørselstid og en sværere opgave med at forklare resultatet.

Intet modeloutput er ét sikkert tal, og at foregive andet er feltets kardinalsynd. Følsomhedsanalyse spørger, hvordan konklusionen flytter sig, når input ændres. Deterministisk følsomhedsanalyse varierer en eller få parametre over plausible intervaller (ofte vist som et tornadodiagram). Probabilistisk følsomhedsanalyse tildeler hver usikker parameter en sandsynlighedsfordeling og kører, ved hjælp af Monte Carlo-stikprøvetagning, modellen tusindvis af gange for at producere en fordeling af resultater – opsummeret som sandsynligheden for, at en mulighed er omkostningseffektiv ved en given tærskel. Usikkerhed, der er tilbage efter dette, kan værdisættes: analyse af informationsværdi estimerer, hvad det ville være værd at bestille mere forskning, før man beslutter, og forvandler "vi er ikke sikre" til et tal, et forskningsbudget kan handle på.

En model er kun så troværdig som dens validering. Face-validitet spørger, om strukturen og resultaterne giver klinisk mening; intern validitet (verifikation) kontrollerer, at modellen gør, hvad dens ligninger tilsigter, uden kodefejl; krydsvaliditet sammenligner resultater med andre modeller af det samme problem; og ekstern validitet tester forudsigelser mod virkelige udfald, som modellen ikke brugte som input. Endelig sidder modelleringsværktøjskassen inden for det bredere apparat for medicinsk teknologivurdering (MTV, på engelsk HTA) – den proces, hvorved organer som Englands NICE, Tysklands IQWiG, Canadas CDA-AMC, Australiens PBAC og USA's ICER vejer evidens for finansieringsbeslutninger verden over.

Bedste praksis

1. Beslut forsøgsbaseret versus modelbaseret, før du bygger noget. En analyse inden for forsøget ved siden af et randomiseret kontrolleret forsøg er det rette værktøj, når forsøgets horisont, sammenligningsgrundlag og population matcher beslutningen. En model er påkrævet, når – som sædvanligt – beslutningen rækker ud over forsøget: livslange konsekvenser, sammenligningsgrundlag der aldrig er blevet forsøgt head-to-head, eller en målpopulation, der adskiller sig fra de inkluderede. De fleste reelle beslutninger kræver begge dele: forsøget forankrer effekten på kort sigt, modellen ekstrapolerer den. Angiv, hvilket du gør, og hvorfor, på første side.

2. Lad beslutningsproblemet vælge modeltypen, aldrig omvendt. En kort, akut, ikke-tilbagevendende beslutning passer til et beslutningstræ; en kronisk tilstand med tilbagevendende hændelser passer til en Markov-model; kraftig patientheterogenitet eller hændelseshukommelse skubber mod mikrosimulation; begrænsede delte ressourcer og kødannelse skubber mod diskret hændelsessimulation. At vælge en struktur, fordi den er velkendt, eller fordi en leverandør allerede ejer en, er sådan, modeller kommer til at passe dårligt til det spørgsmål, de skal besvare.

3. Fastlæg tidshorisonten længe nok til at fange alle relevante forskelle. Horisonten skal løbe, indtil der ikke længere opstår meningsfulde forskelle i omkostning eller sundhed mellem mulighederne – for en livslang tilstand betyder det et liv. At afkorte tidligt smigrer indsatser, hvis omkostninger falder på forhånd, og hvis gevinster kommer sent (forebyggelse, helbredelse), og det er en af de mest almindelige måder, en model i det stille skævvrider sit eget svar. Begrund horisonten eksplicit mod sygdommens naturhistorie.

4. Vælg modelstruktur, så den afspejler sygdommen, og nævn de antagelser, den tvinger. Sundhedstilstande skal være klinisk meningsfulde, gensidigt udelukkende og samlet udtømmende; cykluslængden skal være kort nok til at fange den hurtigste vigtige hændelse. Hver struktur påtvinger forenklinger – Markovs hukommelsesløse antagelse er det klassiske eksempel – så opstil dem, hvor en bedømmer kan se dem, og vis, at dem, der betyder noget, er testet eller lempet.

5. Kilde hver parameter bevidst og gradér dens evidens. Overgangssandsynligheder, omkostninger og livskvalitetsvægte bør hver kunne spores til en angivet kilde, med den stærkeste evidens brugt til de parametre, der driver resultatet. Vær eksplicit, hvor en systematisk oversigt, en enkelt undersøgelse, et register eller en ekspertvurdering gør arbejdet, og foretræk relative effekter fra randomiseret evidens kombineret med baseline-risici fra lokale observationelle data – at blande kilder er legitimt, at skjule blandingen er det ikke.

6. Modellér de sammenligningsgrundlag, beslutningen faktisk står over for, ved virkelige doser og priser. Et omkostningseffektivt resultat mod placebo eller mod en forældet standard er næsten meningsløst, hvis klinikere faktisk vælger mellem tre nuværende muligheder. Inkludér alle relevante sammenligningsgrundlag, brug de priser og det adhærensmønster, der vil gælde i praksis, og vær ærlig, når en head-to-head-sammenligning hviler på en indirekte sammenligning eller netværkssammenligning frem for direkte forsøgsevidens.

7. Ekstrapolér ud over forsøget med erklærede, testede overlevelsesantagelser. Hvor modellen projicerer effekt ud over de observerede data – næsten altid – kan valget af ekstrapolation (hvilken overlevelseskurve, om behandlingseffekten består, aftager eller ophører) dominere svaret. Tilpas alternative parametriske kurver, vis dem mod de observerede data og ekstern evidens, og præsentér intervallet frem for at smugle den mest optimistiske tilpasning ind som et punktestimat.

8. Karakterisér usikkerhed probabilistisk, ikke kun én parameter ad gangen. Deterministisk envejsanalyse og tornadodiagrammer viser, hvilke input der betyder noget, men kun probabilistisk følsomhedsanalyse, der propagerer al usikkerhed samlet gennem Monte Carlo-simulation, giver sandsynligheden for, at en beslutning er rigtig. Rapportér cost-effectiveness-acceptabilitetskurven ved siden af punktestimatet; en gunstig ratio med 55 % sandsynlighed for omkostningseffektivitet er en anden beslutning end den samme ratio ved 95 %.

9. Adskil usikkerhedens slags, og behandl hver på dens egne præmisser. Parameterusikkerhed (vi kender ikke den sande værdi) håndteres ved probabilistisk analyse; strukturel usikkerhed (vi er usikre på, om modellen er bygget rigtigt) kræver scenarieanalyse på tværs af alternative strukturer; heterogenitet (svaret er reelt forskelligt efter undergruppe) kræver undergruppeanalyser, ikke et gennemsnit, der ikke passer til nogen. At blande dem – for eksempel at skjule en strukturel tvivl i en bred parameterfordeling – fremstiller fejlagtigt, hvad der faktisk er ukendt.

10. Validér på alle niveauer, og skriv valideringen ned. Kontrollér face-validitet med klinikere, der ikke har bygget modellen; verificér koden med uafhængig testning og ekstremværdikontroller; krydsvalidér mod offentliggjorte modeller af samme sygdom og forklar afvigelser; og test, hvor der findes eksterne udfaldsdata, modellens forudsigelser mod dem. En model, der præsenteres til en finansieringsbeslutning uden en valideringsredegørelse, bør ikke stoles på, uanset hvor sofistikeret den ser ud.

11. Gør modellen gennemsigtig og reproducerbar nok til, at en modstander kan genopbygge den. Dokumentér struktur, hvert input med sin kilde og hver antagelse, så en skeptisk bedømmer i princippet kunne rekonstruere resultatet. Gennemsigtighed er ikke en høflighed; den er mekanismen, hvormed optimistiske fejl fanges, før offentlige penge flytter sig, hvorfor MTV-organer i stigende grad kræver eksekverbare modeller og fulde parametertabeller frem for en opsummerende ratio.

12. Kvantificér, om mere forskning er værd at købe, før du forpligter dig. Når usikkerheden er bred, og beløbene store, estimerer analyse af informationsværdi den forventede værdi af at løse den usikkerhed – hvilket undertiden begrunder en "godkend med forskning"- eller "kun i forskning"-beslutning frem for et simpelt ja eller nej. Det omformulerer en dødgang ("evidensen er umoden") til et økonomisk spørgsmål ("er et forsøg sine omkostninger værd, givet den beslutning, der står på spil?").

Spørgsmål at drøfte med dit team

1. Kræver denne beslutning virkelig en model, og hvis ja, hvad gør modellen, som forsøget ikke kan? Instinktet i mange organisationer er at gribe til en model refleksmæssigt eller at mistro modeller totalt som "opdigtede tal" – begge dele er forkert. Det produktive spørgsmål er, hvilket specifikt hul modellen bygger bro over: at ekstrapolere et toårigt forsøg til et helt liv, at sammenligne med en behandling, der aldrig er forsøgt head-to-head, eller at overføre evidens fra ét sundhedssystem til jeres. At nævne hullet disciplinerer modellen, fordi det fortæller, hvilken del af strukturen der bærer beslutningen og derfor fortjener mest granskning og de stærkeste data. Det fortæller også, hvornår en model ikke er berettiget – hvor en god analyse inden for forsøget allerede matcher beslutningen, tilføjer en omstændelig model antagelser uden at tilføje sandhed. Et ærligt svar angiver det ene vigtigste, modellen ekstrapolerer, og hvor meget af resultatet der hviler på den ekstrapolation.

2. Hvilke en eller to antagelser ville, hvis de var forkerte, vende vores konklusion – og hvor sikre er vi på netop dem? Hver model har en håndfuld bærende antagelser og en lang hale af input, der næsten ikke betyder noget; faren er at fordele granskningen jævnt i stedet for på de led, der bærer vægten. Et tornadodiagram eller envejsfølsomhedsanalyse identificerer drivkræfterne mekanisk, men teamsamtalen handler om evidenskvaliteten for netop de drivere: stammer den afgørende overgangssandsynlighed fra en stærk metaanalyse eller en enkelt lille undersøgelse, er overlevelsesekstrapolationen forankret i eksterne data eller en håbefuld kurvetilpasning? Det ubehagelige mønster er en selvsikker overskriftsratio, der hviler på en parameter, hvor evidensen er tynd. Et ærligt svar hævder ikke, at modellen generelt er robust; det nævner de specifikke antagelser, beslutningen hænger på, og graderer evidensen bag hver, og beslutter derefter, om det er nok til at handle på eller en grund til at indsamle mere.

3. Hvem byggede denne model, hvis sag hjælper den, og ville en uafhængig genopbygning nå frem til samme svar? Mange modeller, der lægges frem for betalere, er bygget af eller finansieret af en part med direkte interesse i resultatet – en producent, der søger refusion, en ydelse, der søger investering. Det gør dem ikke forkerte, men det gør uafhængig granskning ufravigelig, og det rejser specifikke spørgsmål: blev sammenligningsgrundlag valgt for at smigre, blev den mest optimistiske ekstrapolation valgt, er modellen overhovedet gennemsigtig nok til at blive afprøvet? Spændingen er, at de, der har dataene og modelleringskapaciteten, ofte er den interesserede part, så svaret er sjældent at afvise deres model direkte, men at kræve gennemsigtighed, køre jeres egne følsomhedsanalyser på deres model og krydsvalidere mod uafhængigt arbejde. Et ærligt svar er åbenhjertigt om proveniens og interessekonflikt og behandler en model, der ikke kan åbnes og køres igen, som et rødt flag frem for en proprietær detalje, der kan vinkes igennem.

4. Har sygdommen valgt vores modelstruktur, eller har bekvemmelighed valgt den for os? Strukturen – beslutningstræ, Markov-kohorte, mikrosimulation, diskret hændelsessimulation – bør følge af det kliniske problem: hvordan tilstanden udfolder sig, om hændelser gentager sig, om patienthistorik eller delte, begrænsede ressourcer betyder noget. Fejlmønstret er en struktur, der er valgt, fordi den er velkendt, fordi en leverandør allerede ejer en, eller fordi den er hurtig at bygge, og så bøjet til at passe en sygdom, den ikke egner sig til. Teamsamtalen er konkret: gentager eller varer tilstanden ved på en måde, et beslutningstræ ikke kan fange; flader Markovs hukommelsesløse antagelse en risiko ud, der reelt afhænger af historikken; konkurrerer patienter om senge eller operationsstuer på en måde, en kohortemodel ignorerer? Hver struktur køber klarhed til prisen af specifikke forenklinger, så det produktive spørgsmål er ikke "er dette den bedste model", men "hvilke forenklinger har denne struktur tvunget os til, og berører nogen af dem den del af sygdommen, beslutningen afhænger af?" Et ærligt svar nævner de strukturelle antagelser, valget påtvinger, og viser, at dem, der betyder noget, er testet, frem for at forsvare strukturen, fordi den allerede er bygget.

5. Hvilken slags usikkerhed står vi faktisk over for her, og behandler vi hver på dens egne præmisser? Det er let at kollapse "vi er ikke sikre" til en enkelt bred fejlmargin, men feltet skelner mellem tre ganske forskellige ting: parameterusikkerhed (vi kender ikke den sande værdi af et input), strukturel usikkerhed (vi er usikre på, om modellen er bygget på den rette måde) og heterogenitet (svaret er reelt forskelligt mellem undergrupper). Hver kræver et forskelligt svar – probabilistisk analyse for parametre, scenarieanalyse på tværs af alternative strukturer for den anden, undergruppeanalyser frem for et gennemsnit for den tredje – og at blande dem fremstiller fejlagtigt, hvad der er ukendt. Det klassiske kunstgreb er at skjule en strukturel tvivl i en fed parameterfordeling, så overskriften stadig rapporterer en enkelt beroligende sandsynlighed for omkostningseffektivitet. Teamet bør spørge, hvilken af de tre der egentlig driver tvivlen i denne beslutning, og om analysen foran dem adresserer den slags eller blot den mest belejlige. Et ærligt svar adskiller de tre eksplicit og indrømmer, hvor en tvivl er strukturel – den sværeste slags at kvantificere og den letteste at begrave.

6. Givet hvad vi stadig ikke ved, skal vi beslutte nu eller betale for at lære mere først? Når usikkerheden er bred, og det forpligtede beløb stort, er "ja" og "nej" ikke de eneste muligheder: en "godkend med forskning"- eller "kun i forskning"-beslutning holder døren åben, mens evidensen modnes. Analyse af informationsværdi forvandler dødgangen – "evidensen er umoden" – til et økonomisk spørgsmål: hvad ville det være værd at løse usikkerheden, før man beslutter, og overstiger det de plausible omkostninger ved den undersøgelse, der ville løse den? Spændingen er reel, fordi forsinkelse har sin egen omkostning i sundhed, som patienter, der venter, går glip af, og fordi en producent eller en ydelse har al mulig grund til at hjemtage et tidligt ja frem for at forpligte sig til at generere data. Teamet bør veje, hvor den resterende usikkerhed er koncentreret, om en gennemførlig undersøgelse faktisk kunne indsnævre den inden for en nyttig tidsramme, og hvad en betinget ordning ville kræve af den interesserede part. Et ærligt svar behandler "beslut nu versus køb mere evidens" som et kvantificerbart valg frem for et spørgsmål om mod og er villigt til at anbefale et betinget ja, når værdien af at lære berettiger det.

I praksis: et sundhedsøkonomisk eksempel

Den nationale sundhedsforsikringsfond i det fiktive socialforsikringsland Solenne skal beslutte, om den skal refundere en ny oral behandling af kronisk hjerteinsufficiens. Producentens indsendelse rapporterer en gunstig inkrementel cost-effectiveness-ratio, komfortabelt under fondens angivne tærskel. Den afgørende evidens er et enkelt randomiseret kontrolleret forsøg: 18 måneders opfølgning, der viser, at lægemidlet reducerer indlæggelser for hjerteinsufficiens og beskedent forbedrer overlevelsen sammenlignet med standardbehandling. Fondens vurderingsudvalg beder sit økonomiteam vurdere modellen bag tallet, ikke blot tallet.

Teamet bekræfter først, at en model er uundgåelig. Hjerteinsufficiens er livslang; forsøget løb i 18 måneder; beslutningen vedrører omkostninger og gevinster over patienternes resterende liv. En analyse inden for forsøget ville besvare det forkerte spørgsmål. Producenten har, korrekt, bygget en Markov-kohortemodel med tilstande for stabil sygdom, indlagt og død, der cykler månedligt for at fange hyppige indlæggelser. Indtil videre passer strukturen til sygdommen. Teamets granskning vender sig derefter mod de led, der bærer resultatet.

To antagelser dominerer. Den første er overlevelsesekstrapolationen: ud over 18 måneder projicerer modellen en dødelighedsgevinst, der består uformindsket resten af livet, ved hjælp af den parametriske kurve med den mest optimistiske langsigtede tilpasning. Da teamet tilpasser alternative kurver og tester et scenarie, hvor behandlingseffekten aftager efter fem år – i overensstemmelse med ekstern registerevidens for lignende lægemidler – skrumper den livslange QALY-gevinst, og ratioen stiger over tærsklen. Den anden er sammenligningsgrundlaget: modellen sammenligner med en ældre standardbehandling, men Solennes retningslinjer anbefaler nu en nyere kombination, som forsøget ikke inkluderede, og som kun kan nås gennem en indirekte sammenligning med bred usikkerhed. Teamet bemærker også, at Markovs hukommelsesløse antagelse udjævner den højere genindlæggelsesrisiko hos patienter, der netop har været indlagt, hvilket de håndterer med en kort tunneltilstand.

Teamet kører modellen igen probabilistisk og propagerer al parameterusikkerhed gennem Monte Carlo-simulation. Cost-effectiveness-acceptabilitetskurven viser en sandsynlighed for omkostningseffektivitet på omkring 50 % ved fondens tærskel – plat eller krone, ikke den selvsikre sag, punktestimatet antydede. Fordi beslutningen er stor, og usikkerheden er koncentreret i overlevelsesekstrapolationen, kører de en analyse af informationsværdi: den forventede værdi af at løse den usikkerhed overstiger de plausible omkostninger ved en længere opfølgningsundersøgelse. Udvalgets anbefaling er hverken et rent ja eller et rent nej. Den refunderer behandlingen under en ordning for styret indførelse med en fortrolig rabat, der forbedrer ratioen, betinget af at producenten leverer udvidede overlevelsesdata inden for tre år – en "godkend med forskning"-beslutning, som modelleringen, ikke intuition, gjorde forsvarlig. Prismekanikken i den ordning hører til Emne 2.4 — Farmakoøkonomi.

Fire sektorperspektiver

Startup

En digital sundheds- eller udstyrs-startup bygger sædvanligvis sin første model for at rejse penge eller for at komme ind i en MTV-proces, den aldrig har stået over for, ofte med sparsom evidens – en lille enkeltarmsundersøgelse, surrogatendepunkter, stærk grundlæggeroverbevisning. Fristelsen er en model konstrueret til at klare tærsklen, med en kort horisont, der skjuler sene omkostninger, og en optimistisk ekstrapolation præsenteret som fakta. Den klogere vej er en tidlig, bevidst konservativ model, der bringer frem, hvilket evidenshul der mest truer værdisagen, så knappe forsøgspenge bruges på at lukke netop det hul. En gennemsigtig model, der ærligt viser bred usikkerhed, er mere finansierbar og mere troværdig for en betaler end en poleret, ingen bedømmer kan åbne.

Lille virksomhed

En lille, men etableret udbyder, praksis eller leverandør – en specialistklinik, en diagnostikvirksomhed, en udstyrsdistributør med et fast produkt – møder som regel modellering ikke for at rejse kapital, men for at besvare et reelt indkøbs- eller refusionsspørgsmål: vil en betaler finansiere dette, er en ydelseslinje værd at fortsætte, betaler en udstyrsopgradering sig selv? I modsætning til en startup har den faktiske driftsdata – reelle omkostninger, gennemstrømning, lokale resultater – men sjældent en sundhedsøkonom internt, så den praktiske risiko er enten at udlicitere modellen til den leverandør, hvis produkt evalueres, eller at bygge et regneark, der aldrig tester sine egne antagelser. Den fornuftige kurs er en beskeden, gennemsigtig model, der læner sig op ad dens egne virkelige data for de input, den kan skaffe lokalt, og låner offentliggjorte estimater, ærligt graderet, for resten, med en simpel følsomhedsanalyse af de to-tre parametre, der flytter svaret. Dens troværdighed hviler mindre på sofistikation end på at være åben om, hvor tallene kommer fra, og at kunne køre sagen igen, når en pris eller en betalers tærskel skifter.

Virksomhed

En stor producent, hospitalskoncern eller forsikrer driver modellering som en industriel kapabilitet: genbrugelige modelplatforme, standardparameterbiblioteker og dedikerede sundhedsøkonomi- og udfaldsforskningsteams, der forbereder indsendelser til mange jurisdiktioner på én gang. Styrken er stringens, reproducerbarhed og evnen til at tilpasse én global model til hvert lands metodevejledning; risikoen er, at skala og egeninteresse kombineres til sofistikerede modeller optimeret til at overbevise, med strukturelle valg, der i det stille favoriserer sponsoren. Virksomhedens troværdighed afhænger af styring, der adskiller modelbyggerne fra det kommercielle pres, af at indsende fuldt eksekverbare og gennemsigtige modeller og af at invitere snarere end modstå uafhængig replikation.

Offentlig sektor

En national betaler, et MTV-organ eller et ministerium er oftere forbruger og dommer af modeller end bygger, og dets disciplin er kritisk gennemgang i stor skala: en offentliggjort metodevejledning, der begrænser horisont, perspektiv, diskontering og usikkerhedsrapportering, og kapaciteten til at køre og udfordre en sponsors model igen frem for at acceptere dens overskrift. Organer som NICE, IQWiG, PBAC, CDA-AMC og ICER findes for at pålægge netop denne disciplin, og de bygger eller bestiller i stigende grad uafhængige modeller til at krydsvalidere industriens indsendelser. Staten bærer også de beslutninger, som modellering gør mulige, men ikke kan træffe alene – godkend, afvis eller godkend-med-forskning – og ansvaret for den alternativomkostning, som hvert ja pålægger patienter, der aldrig ser udvalget.

Almindelige fejlmønstre

• At bygge en model, når et forsøg allerede besvarer spørgsmålet. At tilføje antagelser, hvor god evidens inden for forsøget matcher beslutningen, og importere bias uden gevinst. Løsning: vælg forsøgsbaseret versus modelbaseret bevidst, og modellér kun det hul, forsøget ikke kan dække.

• At afkorte tidshorisonten. At afslutte modellen, før sene gevinster eller omkostninger akkumuleres, hvilket smigrer indsatser med omkostninger på forhånd som forebyggelse. Løsning: kør horisonten, indtil der ikke er meningsfulde forskelle tilbage – et liv for livslange tilstande – og begrund den mod naturhistorien.

• Optimistisk ekstrapolation smuglet ind som punktestimat. At vælge den overlevelseskurve eller effektvarighedsantagelse, der mest smigrer resultatet, og præsentere den som basiscasen. Løsning: tilpas alternativer, test effektaftagen, vis intervallet mod eksterne data.

• At rapportere et punktestimat uden usikkerhed. En enkelt ratio, der antyder falsk præcision. Løsning: kør altid probabilistisk følsomhedsanalyse, og rapportér acceptabilitetskurven ved siden af punktestimatet.

• At forveksle usikkerhedens slags. At skjule en strukturel tvivl i en bred parameterfordeling eller at gennemsnitte over reel heterogenitet. Løsning: håndtér parameterusikkerhed probabilistisk, strukturel usikkerhed ved scenarier og heterogenitet ved undergrupper.

• Svage eller manglende sammenligningsgrundlag. At vise omkostningseffektivitet mod placebo eller en forældet standard, når klinikere vælger blandt nuværende muligheder. Løsning: inkludér alle relevante sammenligningsgrundlag til reelle priser og adhærens, og vær ærlig om indirekte sammenligninger.

• Sortboksmodellen. Et resultat, der ikke kan åbnes, køres igen eller reproduceres, især fra en interesseret part. Løsning: kræv eksekverbare modeller, fulde parametertabeller og en skriftlig valideringsredegørelse før enhver beslutning.

• At springe validering over. At stole på en sofistikeret udseende model uden face-, interne, kryds- eller eksterne kontroller. Løsning: validér på alle niveauer og dokumentér det; behandl en uvalideret model som ubevist.

Modenhedsmodel

Tjekliste

• Angiv eksplicit, om evalueringen er forsøgsbaseret, modelbaseret eller begge dele, og hvorfor.
• Begrund modeltypen (træ, Markov, mikrosimulation, diskret hændelse) mod beslutningsproblemet og sygdommen.
• Fastlæg tidshorisonten længe nok til, at ingen yderligere meningsfulde omkostnings- eller sundhedsforskelle akkumuleres, og begrund den.
• Opstil enhver strukturel antagelse, herunder Markovs hukommelsesløse antagelse, hvor relevant, og test dem, der betyder noget.
• Spor hver parameter til en angivet kilde, og gradér evidensen bag resultatets drivere.
• Inkludér alle relevante sammenligningsgrundlag fra den virkelige verden til realistiske priser og adhærens.
• Vis alternative ekstrapolationsantagelser og deres effekt på konklusionen, ikke kun basiscasen.
• Kør probabilistisk følsomhedsanalyse, og rapportér en cost-effectiveness-acceptabilitetskurve ved siden af punktestimatet.
• Adskil parameter-, struktur- og heterogenitetsusikkerhed, og adressér hver passende.
• Validér modellen (face, intern, kryds og, hvor muligt, ekstern), og skriv valideringsredegørelsen ned.
• Sørg for, at modellen er gennemsigtig og reproducerbar nok til, at en uafhængig bedømmer kan genopbygge den.
• Hvor usikkerheden er bred, og beslutningen stor, så kør en analyse af informationsværdi for at veje bestilling af mere forskning.

Centrale kilder

• Andrew Briggs, Mark Sculpher & Karl Claxton, Decision Modelling for Health Economic Evaluation (Oxford University Press) – standardrammen for beslutningsanalytisk modellering i sundhedsøkonomi.
• Alastair Gray, Philip Clarke, Jane Wolstenholme & Sarah Wordsworth, Applied Methods of Cost-Effectiveness Analysis in Health Care (Oxford University Press) – anvendt modelbygning og cost-effectiveness-metoder.
• Henry Glick, Jalpa Doshi, Seema Sonnad & Daniel Polsky, Economic Evaluation in Clinical Trials (Oxford University Press) – forsøgsbaseret evaluering og valget mellem forsøgsbaseret og modelbaseret.
• ISPOR–SMDM Modelling Good Research Practices Task Force-rapporter – god praksis-vejledning om konceptualisering af modeller, beslutningstræer, Markov-modeller, mikrosimulation, diskret hændelsessimulation samt modellers gennemsigtighed og validering.
• NICE's manual for evalueringer af sundhedsteknologi (PMG36) – metodekrav til modeller indsendt til et nationalt MTV-organ – https://www.nice.org.uk/process/pmg36
• Economics Network, Health Economics for Teachers – modelleringsmodulet – https://economicsnetwork.ac.uk/health/teachers

Referencer

1. Decision analysis — Wikipedia — https://en.wikipedia.org/wiki/Decision_analysis
2. Decision tree — Wikipedia — https://en.wikipedia.org/wiki/Decision_tree
3. Markov chain — Wikipedia — https://en.wikipedia.org/wiki/Markov_chain
4. Microsimulation — Wikipedia — https://en.wikipedia.org/wiki/Microsimulation
5. Discrete-event simulation — Wikipedia — https://en.wikipedia.org/wiki/Discrete-event_simulation
6. Sensitivity analysis — Wikipedia — https://en.wikipedia.org/wiki/Sensitivity_analysis
7. Monte Carlo method — Wikipedia — https://en.wikipedia.org/wiki/Monte_Carlo_method
8. Value of information — Wikipedia — https://en.wikipedia.org/wiki/Value_of_information
9. Statistical model validation — Wikipedia — https://en.wikipedia.org/wiki/Statistical_model_validation
10. Health technology assessment — Wikipedia — https://en.wikipedia.org/wiki/Health_technology_assessment
11. Randomized controlled trial — Wikipedia — https://en.wikipedia.org/wiki/Randomized_controlled_trial
12. Andrew Briggs, Mark Sculpher & Karl Claxton, Decision Modelling for Health Economic Evaluation — Oxford University Press, 2006.
13. Alastair Gray, Philip Clarke, Jane Wolstenholme & Sarah Wordsworth, Applied Methods of Cost-Effectiveness Analysis in Health Care — Oxford University Press, 2011.
14. NICE health technology evaluations manual (PMG36) — National Institute for Health and Care Excellence — https://www.nice.org.uk/process/pmg36
15. Economics Network — Health Economics for Teachers — https://economicsnetwork.ac.uk/health/teachers