Modellierung

Warum das in der Gesundheitsökonomie wichtig ist

Fast jede wichtige Finanzierungsentscheidung im Gesundheitswesen muss auf unvollständiger Evidenz getroffen werden. Eine Studie verfolgt Patienten zwei Jahre; das Medikament wird zwanzig Jahre eingenommen. Eine Studie läuft in den Krankenhäusern eines Landes; die Entscheidung gilt für die Kliniken eines anderen. Ein neuer Test wird gegen Placebo verglichen; die echte Wahl steht gegen drei bereits genutzte Behandlungen. Ein Modell ist der strukturierte Weg, diese Lücken zu überbrücken — das Bekannte zu nehmen und sorgfältig zu der Größe zu schließen, die ein Entscheider tatsächlich braucht: die lebenslangen Kosten und Gesundheitsfolgen, Option A statt Option B zu wählen. Ohne Modell ist die Alternative nicht „ungemodellte Gewissheit"; es ist ein implizites, undokumentiertes Modell im Kopf von jemandem, ohne dass eine der Annahmen sichtbar oder testbar ist.

Für eine leitende Führungskraft ist dies der Ort, wo öffentliches Geld im großen Maßstab gebunden wird. Wenn ein nationaler Kostenträger entscheidet, ein Medikament zu erstatten, ein Screening-Programm zu finanzieren, oder eine Leistung neu zu gestalten, kommt die Zahl, die die Entscheidung verankert — die inkrementellen Kosten pro qualitätsadjustiertem Lebensjahr (QALY) — fast immer aus einem Modell, nicht aus einer Studie. Die ökonomischen Evaluationskonzepte, die diese Zahl ausdrückt (QALYs, inkrementelle Kosten-Wirksamkeits-Relationen, Schwellenwerte, Perspektive), gehören zu Thema 2.1 — Ökonomische Evaluation und werden hier vorausgesetzt; dieses Thema gehört die Maschinerie, die die Schätzung erzeugt. Ist die Maschinerie falsch, wird der Schwellenwert auf eine Fiktion angewandt.

Der Einsatz ist daher zugleich finanziell und ethisch. Ein Modell, das Nutzen überzeichnet, finanziert etwas, das bessere Nutzungen desselben Budgets verdrängt — die Opportunitätskosten fallen auf unbenannte Patienten anderswo. Ein undurchsichtiges Modell kann nicht angefochten werden, und unanfechtbare Analyse ist, wo Vereinnahmung, Wunschdenken und Anbieteroptimismus sich verstecken. Die Disziplin der Modellierung — Struktur erklären, jede Annahme testen, und quantifizieren, was Sie nicht wissen — ist es, was eine überzeugende Folie in Evidenz verwandelt, die eine öffentliche Stelle verteidigen kann.

Kernkonzepte

Entscheidungsanalyse ist der formale Rahmen darunter: die Optionen auslegen, die auf jede folgenden Zufallsereignisse, die Wahrscheinlichkeiten dieser Ereignisse, und den Wert jedes Ergebnisses, dann den Erwartungswert jeder Option berechnen. Ein gesundheitsökonomisches Modell ist Entscheidungsanalyse, angewandt auf eine Gesundheitswahl, mit Kosten und Gesundheitsergebnis als die abgewogenen Werte. Der grundlegende Text des Feldes ist Briggs, Sculpher und Claxtons Decision Modelling for Health Economic Evaluation, dessen Rahmen dieses Thema folgt.

Die einfachste Struktur ist der Entscheidungsbaum: ein verzweigendes Diagramm von einem Entscheidungsknoten durch Zufallsknoten zu Endergebnissen, wobei jeder Zweig eine Wahrscheinlichkeit trägt und jeder Endpunkt Kosten und einen Gesundheitsertrag. Bäume sind klar und schnell, und passen zu Entscheidungen, die sich über einen kurzen, festen Horizont auflösen — ein akutes Ereignis, ein diagnostischer Pfad. Ihre Schwäche ist Zeit: Ein Baum hat keinen natürlichen Weg, um wiederkehrende Ereignisse, anhaltende Zustände oder Jahr für Jahr wechselnde Risiken darzustellen, weil jede Möglichkeit als ein immer weiter verzweigender Pfad gezeichnet werden muss.

Für chronische Krankheit ist die Markow-Kette, oder das Markow-Kohortenmodell, das Arbeitspferd. Es stellt eine Krankheit als eine Menge sich gegenseitig ausschließender Gesundheitszustände dar — zum Beispiel stabil, Komplikation, tot — und bewegt eine hypothetische Kohorte zwischen ihnen in festen Zeitzyklen gemäß Übergangswahrscheinlichkeiten. Die Akkumulation von Kosten und Lebensqualität über viele Zyklen ergibt lebenslange Summen. Seine definierende Vereinfachung ist die Markow-Annahme: Übergänge hängen nur vom aktuellen Zustand ab, nicht von der Vorgeschichte, sodass sich ein Standardmodell nicht „erinnern" kann, wie lange ein Patient krank war. Analysten umgehen dies mit Tunnelzuständen oder zeitabhängigen Übergängen, aber die Annahme ist das Erste, was ein Prüfer hinterfragen sollte.

Wenn Patientenvorgeschichte, individuelle Merkmale oder Wechselwirkungen zu wichtig sind, um verloren zu gehen, wenden sich Modellierer der Simulation auf individueller Ebene zu. Mikrosimulation führt Patienten einzeln durch das Modell, jeder mit Merkmalen (Alter, Risikofaktoren, Ereignisvorgeschichte), die seine Bahn formen, sodass Heterogenität und Gedächtnis erhalten bleiben. Wo Patienten auch um geteilte, begrenzte Ressourcen konkurrieren — Betten, Säle, Personal, eine Transplantations-Warteliste — fügt die ereignisorientierte Simulation Warteschlangen und Timing hinzu, indem sie das System statt eines einzelnen Patienten modelliert. Diese Methoden kaufen Realismus zum Preis von Datenhunger, Laufzeit, und einer schwierigeren Aufgabe, das Ergebnis zu erklären.

Kein Modellergebnis ist eine einzige sichere Zahl, und das Gegenteil vorzugeben, ist die Todsünde des Feldes. Sensitivitätsanalyse fragt, wie sich die Schlussfolgerung bewegt, wenn sich Inputs ändern. Deterministische Sensitivitätsanalyse variiert einen oder wenige Parameter über plausible Bandbreiten (oft als Tornado-Diagramm gezeigt). Probabilistische Sensitivitätsanalyse weist jedem unsicheren Parameter eine Wahrscheinlichkeitsverteilung zu und führt, mittels Monte-Carlo-Stichproben, das Modell Tausende Male aus, um eine Ergebnisverteilung zu erzeugen — zusammengefasst als die Wahrscheinlichkeit, dass eine Option bei einem gegebenen Schwellenwert kosteneffektiv ist. Verbleibende Unsicherheit nach diesem kann bewertet werden: Value-of-Information-Analyse schätzt, was es wert wäre, mehr Forschung zu beauftragen, bevor entschieden wird, und verwandelt „wir sind nicht sicher" in eine Zahl, nach der ein Forschungsbudget handeln kann.

Ein Modell ist nur so vertrauenswürdig wie seine Validierung. Gesichtsvalidität fragt, ob Struktur und Ergebnisse klinisch Sinn ergeben; interne Validität (Verifizierung) prüft, ob das Modell tut, was seine Gleichungen beabsichtigen, frei von Codierungsfehlern; Kreuzvalidität vergleicht Ergebnisse gegen andere Modelle desselben Problems; und externe Validität testet Vorhersagen gegen reale Ergebnisse, die das Modell nicht als Inputs nutzte. Schließlich sitzt der Modellierungswerkzeugkasten innerhalb der breiteren Maschinerie des Health Technology Assessment (HTA) — des Prozesses, durch den Einrichtungen wie Englands NICE, Deutschlands IQWiG, Kanadas CDA-AMC, Australiens PBAC und der Vereinigten Staaten ICER Evidenz für Finanzierungsentscheidungen weltweit abwägen.

Bewährte Praktiken

1. Studienbasiert gegen modellbasiert entscheiden, bevor Sie irgendetwas bauen. Eine studieninterne Analyse neben einer randomisierten kontrollierten Studie ist das richtige Werkzeug, wenn Horizont, Vergleichsmaßstäbe und Bevölkerung der Studie zur Entscheidung passen. Ein Modell ist nötig, wenn — wie üblich — die Entscheidung über die Studie hinausreicht: lebenslange Folgen, nie direkt verglichene Vergleichsmaßstäbe, oder eine Zielbevölkerung, die sich von der eingeschriebenen unterscheidet. Die meisten echten Entscheidungen brauchen beides: die Studie verankert den kurzfristigen Effekt, das Modell extrapoliert ihn. Geben Sie auf der ersten Seite an, welches Sie tun und warum.

2. Das Entscheidungsproblem die Modellart wählen lassen, nie umgekehrt. Eine kurze, akute, nicht wiederkehrende Entscheidung passt zu einem Entscheidungsbaum; ein chronischer Zustand mit wiederkehrenden Ereignissen passt zu einem Markow-Modell; starke Patientenheterogenität oder Ereignisgedächtnis drängt zur Mikrosimulation; begrenzte geteilte Ressourcen und Warteschlangen drängen zur ereignisorientierten Simulation. Eine Struktur zu wählen, weil sie vertraut ist, oder weil ein Anbieter bereits eine besitzt, ist, wie Modelle dazu kommen, nicht zur Frage zu passen, die sie beantworten sollen.

3. Den Zeithorizont lang genug festlegen, um alle relevanten Unterschiede zu erfassen. Der Horizont muss laufen, bis keine weiteren bedeutsamen Unterschiede bei Kosten oder Gesundheit zwischen den Optionen mehr anfallen — für einen lebenslangen Zustand bedeutet das eine Lebenszeit. Frühes Abschneiden schmeichelt Interventionen, deren Kosten früh anfallen und deren Nutzen spät eintrifft (Prävention, Heilung), und ist einer der häufigsten Wege, wie ein Modell still seine eigene Antwort verzerrt. Rechtfertigen Sie den Horizont explizit gegen den natürlichen Verlauf der Krankheit.

4. Modellstruktur wählen, um die Krankheit widerzuspiegeln, und die dadurch erzwungenen Annahmen benennen. Gesundheitszustände müssen klinisch bedeutsam, sich gegenseitig ausschließend und gemeinsam erschöpfend sein; die Zykluslänge muss kurz genug sein, um das schnellste wichtige Ereignis zu erfassen. Jede Struktur erzwingt Vereinfachungen — die gedächtnislose Markow-Annahme ist das klassische Beispiel — also listen Sie sie dort auf, wo ein Prüfer sie sehen kann, und zeigen Sie, dass die wichtigen getestet oder gelockert wurden.

5. Jeden Parameter bewusst beschaffen und seine Evidenz bewerten. Übergangswahrscheinlichkeiten, Kosten und Lebensqualitätsgewichte sollten jeweils auf eine angegebene Quelle zurückführen, wobei die stärkste Evidenz für die Parameter genutzt wird, die das Ergebnis treiben. Seien Sie explizit, wo ein systematischer Review, eine einzelne Studie, ein Register oder ein Expertenurteil die Arbeit leistet, und bevorzugen Sie relative Effekte aus randomisierter Evidenz, kombiniert mit Basisrisiken aus lokalen Beobachtungsdaten — Quellen zu mischen ist legitim, die Mischung zu verbergen nicht.

6. Die Vergleichsmaßstäbe modellieren, denen die Entscheidung tatsächlich begegnet, zu realen Dosen und Preisen. Ein kosteneffektives Ergebnis gegen Placebo oder gegen einen veralteten Standard ist nahezu bedeutungslos, wenn Kliniker tatsächlich zwischen drei aktuellen Optionen wählen. Schließen Sie alle relevanten Vergleichsmaßstäbe ein, nutzen Sie die Preise und Adhärenzmuster, die in der Praxis gelten werden, und seien Sie ehrlich, wenn ein direkter Vergleich auf einem indirekten oder Netzwerkvergleich statt direkter Studienevidenz beruht.

7. Über die Studie hinaus extrapolieren mit erklärten, getesteten Überlebensannahmen. Wo das Modell den Effekt über die beobachteten Daten hinaus projiziert — fast immer — kann die Wahl der Extrapolation (welche Überlebenskurve, ob der Behandlungseffekt anhält, nachlässt oder aufhört) die Antwort dominieren. Passen Sie alternative parametrische Kurven an, zeigen Sie sie gegen die beobachteten Daten und externe Evidenz, und präsentieren Sie die Bandbreite, statt die optimistischste Anpassung als Punktschätzung einzuschmuggeln.

8. Unsicherheit probabilistisch charakterisieren, nicht nur einen Parameter nach dem anderen. Deterministische Einweg-Analyse und Tornado-Diagramme zeigen, welche Inputs zählen, aber nur probabilistische Sensitivitätsanalyse, die alle Unsicherheit zusammen durch Monte-Carlo-Simulation propagiert, liefert die Wahrscheinlichkeit, dass eine Entscheidung richtig ist. Berichten Sie die Kosteneffektivitäts-Akzeptanzkurve neben der Punktschätzung; ein günstiges Verhältnis mit 55 % Wahrscheinlichkeit der Kosteneffektivität ist eine andere Entscheidung als dasselbe Verhältnis bei 95 %.

9. Die Arten von Unsicherheit trennen und jede nach ihren eigenen Bedingungen behandeln. Parameterunsicherheit (wir kennen den wahren Wert nicht) wird durch probabilistische Analyse behandelt; strukturelle Unsicherheit (wir sind uns nicht sicher, ob das Modell richtig gebaut ist) braucht Szenarioanalyse über alternative Strukturen; Heterogenität (die Antwort unterscheidet sich genuin nach Untergruppe) braucht Untergruppenergebnisse, keinen Durchschnitt, der auf niemanden passt. Sie zu vermischen — etwa einen strukturellen Zweifel in einer breiten Parameterverteilung zu verstecken — stellt falsch dar, was tatsächlich unbekannt ist.

10. Auf jeder Ebene validieren, und die Validierung aufschreiben. Prüfen Sie Gesichtsvalidität mit Klinikern, die das Modell nicht gebaut haben; verifizieren Sie den Code mit unabhängigem Testen und Extremwertprüfungen; kreuzvalidieren Sie gegen veröffentlichte Modelle derselben Krankheit und erklären Sie Abweichungen; und, wo externe Ergebnisdaten existieren, testen Sie die Vorhersagen des Modells gegen sie. Einem für eine Finanzierungsentscheidung vorgelegten Modell ohne Validierungsbericht sollte nicht vertraut werden, wie ausgefeilt es auch aussieht.

11. Das Modell transparent und reproduzierbar genug machen, damit ein Gegner es neu bauen könnte. Dokumentieren Sie Struktur, jeden Input mit seiner Quelle, und jede Annahme, sodass ein skeptischer Prüfer das Ergebnis im Prinzip rekonstruieren könnte. Transparenz ist keine Höflichkeit; sie ist der Mechanismus, durch den optimistische Fehler gefangen werden, bevor sich öffentliches Geld bewegt, weshalb HTA-Einrichtungen zunehmend ausführbare Modelle und vollständige Parametertabellen verlangen statt einer zusammenfassenden Kennzahl.

12. Quantifizieren, ob mehr Forschung es wert ist, gekauft zu werden, bevor Sie sich verpflichten. Wenn Unsicherheit breit und die Summen groß sind, schätzt Value-of-Information-Analyse den Erwartungswert, diese Unsicherheit aufzulösen — manchmal eine „Zulassung mit Forschung"- oder „nur in Forschung"-Entscheidung rechtfertigend statt eines einfachen Ja oder Nein. Sie rahmt eine Pattsituation („die Evidenz ist unreif") in eine ökonomische Frage um („ist eine Studie ihre Kosten wert, angesichts der auf dem Spiel stehenden Entscheidung?").

Fragen für die Diskussion mit Ihrem Team

1. Braucht diese Entscheidung genuin ein Modell, und wenn ja, was leistet das Modell, was die Studie nicht kann? Der Instinkt in vielen Organisationen ist, reflexhaft nach einem Modell zu greifen, oder Modellen pauschal als „ausgedachte Zahlen" zu misstrauen — beides ist falsch. Die produktive Frage ist, welche spezifische Lücke das Modell überbrückt: eine Zwei-Jahres-Studie auf eine Lebenszeit extrapolieren, gegen eine nie direkt verglichene Behandlung vergleichen, oder Evidenz von einem Gesundheitssystem in Ihres übertragen. Die Lücke zu benennen, diszipliniert das Modell, weil es Ihnen sagt, welcher Teil der Struktur die Entscheidung trägt und daher die meiste Prüfung und die stärksten Daten verdient. Es sagt Ihnen auch, wann ein Modell nicht gerechtfertigt ist — wo eine gute studieninterne Analyse bereits zur Entscheidung passt, fügt ein ausgefeiltes Modell Annahmen hinzu, ohne Wahrheit hinzuzufügen. Eine ehrliche Antwort benennt das eine wichtigste, was das Modell extrapoliert, und wie viel vom Ergebnis auf dieser Extrapolation reitet.

2. Welche eine oder zwei Annahmen würden, wenn falsch, unsere Schlussfolgerung kippen — und wie sicher sind wir gerade bei diesen? Jedes Modell hat eine Handvoll tragender Annahmen und einen langen Schwanz von Inputs, die kaum zählen; die Gefahr ist, Prüfung gleichmäßig zu verteilen statt auf die Gelenke, die das Gewicht tragen. Ein Tornado-Diagramm oder Einweg-Sensitivitätsanalyse identifiziert die Treiber mechanisch, aber das Teamgespräch geht um Evidenzqualität genau bei diesen Treibern: Stammt die entscheidende Übergangswahrscheinlichkeit aus einer starken Metaanalyse oder einer kleinen Studie, ist die Überlebensextrapolation an externe Daten verankert oder eine hoffnungsvolle Kurvenanpassung? Das unangenehme Muster ist eine selbstsichere Schlagzeilenkennzahl, die auf einem Parameter ruht, für den die Evidenz dünn ist. Eine ehrliche Antwort behauptet nicht, das Modell sei allgemein robust; sie benennt die spezifischen Annahmen, von denen die Entscheidung abhängt, und bewertet die Evidenz hinter jeder, und entscheidet dann, ob das genug ist, um danach zu handeln, oder ein Grund, mehr zu sammeln.

3. Wer baute dieses Modell, wessen Fall hilft es, und würde ein unabhängiger Neubau dasselbe Ergebnis erreichen? Viele Kostenträgern vorgelegte Modelle werden von einer Partei mit direktem Interesse am Ergebnis gebaut oder finanziert — ein Hersteller, der Erstattung sucht, ein Dienst, der Investition sucht. Das macht sie nicht falsch, aber es macht unabhängige Prüfung nicht verhandelbar, und wirft spezifische Fragen auf: Wurden Vergleichsmaßstäbe gewählt, um zu schmeicheln, wurde die optimistischste Extrapolation gewählt, ist das Modell überhaupt transparent genug, um befragt zu werden? Die Spannung ist, dass die Menschen mit den Daten und der Modellierungskapazität oft die interessierte Partei sind, sodass die Antwort selten ist, ihr Modell rundweg abzulehnen, sondern Transparenz zu verlangen, eigene Sensitivitätsanalysen auf ihrem Modell durchzuführen, und gegen unabhängige Arbeit zu kreuzvalidieren. Eine ehrliche Antwort ist offen über Herkunft und Interessenkonflikt, und behandelt ein Modell, das nicht geöffnet und neu ausgeführt werden kann, als Warnsignal statt als proprietäres Detail, das durchgewunken wird.

4. Hat die Krankheit unsere Modellstruktur gewählt, oder hat Bequemlichkeit sie für uns gewählt? Die Struktur — Entscheidungsbaum, Markow-Kohorte, Mikrosimulation, ereignisorientierte Simulation — sollte sich aus dem klinischen Problem ergeben: wie sich der Zustand entfaltet, ob Ereignisse wiederkehren, ob Patientenvorgeschichte oder geteilte, begrenzte Ressourcen zählen. Das Fehlermuster ist eine Struktur, angenommen, weil sie vertraut ist, weil ein Anbieter bereits eine besitzt, oder weil sie schnell zu bauen ist, und dann verbogen, um zu einer Krankheit zu passen, für die sie nicht taugt. Das Teamgespräch ist konkret: Kehrt der Zustand wieder oder hält an auf eine Weise, die ein Entscheidungsbaum nicht erfassen kann; glättet die gedächtnislose Markow-Annahme ein Risiko, das genuin von der Vorgeschichte abhängt; konkurrieren Patienten um Betten oder Säle auf eine Weise, die ein Kohortenmodell ignoriert? Jede Struktur kauft Klarheit zum Preis spezifischer Vereinfachungen, also ist die produktive Frage nicht „ist das das beste Modell", sondern „welche Vereinfachungen hat diese Struktur uns aufgezwungen, und berührt eine davon den Teil der Krankheit, um den sich die Entscheidung dreht?" Eine ehrliche Antwort benennt die strukturellen Annahmen, die die Wahl erzwingt, und zeigt, dass die wichtigen getestet wurden, statt die Struktur zu verteidigen, weil sie bereits gebaut ist.

5. Welcher Art von Unsicherheit begegnen wir hier tatsächlich, und behandeln wir jede nach ihren eigenen Bedingungen? Es ist leicht, „wir sind nicht sicher" zu einer einzigen breiten Fehlerspanne zusammenzufassen, aber das Feld unterscheidet drei recht verschiedene Dinge: Parameterunsicherheit (wir kennen den wahren Wert eines Inputs nicht), strukturelle Unsicherheit (wir sind uns nicht sicher, ob das Modell richtig gebaut ist), und Heterogenität (die Antwort unterscheidet sich genuin zwischen Untergruppen). Jede verlangt eine andere Antwort — probabilistische Analyse für Parameter, Szenarioanalyse über alternative Strukturen für die zweite, Untergruppenergebnisse statt eines Durchschnitts für die dritte — und sie zu vermischen, stellt falsch dar, was unbekannt ist. Der klassische Taschenspielertrick ist, einen strukturellen Zweifel in einer fetten Parameterverteilung zu verstecken, sodass die Schlagzeile weiterhin eine einzige beruhigende Kosteneffektivitätswahrscheinlichkeit berichtet. Das Team sollte fragen, welche der drei den Zweifel bei dieser Entscheidung tatsächlich treibt, und ob die vorliegende Analyse diese Art angeht oder nur die bequemste. Eine ehrliche Antwort trennt die drei explizit und gibt zu, wo ein Zweifel strukturell ist — die schwierigste Art zu quantifizieren und die leichteste zu begraben.

6. Angesichts dessen, was wir noch nicht wissen, sollten wir jetzt entscheiden oder erst dafür zahlen, mehr zu lernen? Wenn Unsicherheit breit und die gebundene Summe groß ist, sind „Ja" und „Nein" nicht die einzigen Optionen: eine „Zulassung mit Forschung"- oder „nur in Forschung"-Entscheidung hält die Tür offen, während die Evidenz reift. Value-of-Information-Analyse verwandelt die Pattsituation — „die Evidenz ist unreif" — in eine ökonomische Frage: Was wäre es wert, die Unsicherheit vor der Entscheidung aufzulösen, und übersteigt das die plausiblen Kosten der Studie, die sie auflösen würde? Die Spannung ist real, weil Verzögerung ihre eigenen Kosten hat, in Gesundheit, die wartende Patienten aufgeben, und weil ein Hersteller oder Dienst jeden Anreiz hat, ein frühes Ja zu sichern, statt sich zu verpflichten, Daten zu erzeugen. Das Team sollte abwägen, wo sich die verbleibende Unsicherheit konzentriert, ob eine machbare Studie sie tatsächlich in einem nützlichen Zeitrahmen verringern könnte, und was ein bedingtes Arrangement von der interessierten Partei verlangen würde. Eine ehrliche Antwort behandelt „jetzt entscheiden gegen mehr Evidenz kaufen" als eine quantifizierbare Wahl statt eine Frage des Mutes, und ist bereit, ein bedingtes Ja zu empfehlen, wenn der Wert des Lernens es rechtfertigt.

In der Praxis: ein Beispiel aus der Gesundheitsökonomie

Der Nationale Krankenversicherungsfonds des fiktiven Sozialversicherungslandes Solenne entscheidet, ob eine neue orale Therapie für chronische Herzinsuffizienz erstattet werden soll. Die Einreichung des Herstellers berichtet eine günstige inkrementelle Kosten-Wirksamkeits-Relation, komfortabel unter dem angegebenen Schwellenwert des Fonds. Die entscheidende Evidenz ist eine einzelne randomisierte kontrollierte Studie: 18 Monate Nachbeobachtung, die zeigt, dass das Medikament Krankenhauseinweisungen wegen Herzinsuffizienz senkt und das Überleben gegenüber Standardversorgung bescheiden verbessert. Der Bewertungsausschuss des Fonds bittet sein Ökonomieteam, das Modell hinter der Zahl zu beurteilen, nicht nur die Zahl.

Das Team bestätigt zunächst, dass ein Modell unvermeidlich ist. Herzinsuffizienz ist lebenslang; die Studie lief 18 Monate; die Entscheidung betrifft Kosten und Nutzen über die verbleibende Lebenszeit der Patienten. Eine studieninterne Analyse würde die falsche Frage beantworten. Der Hersteller hat, korrekt, ein Markow-Kohortenmodell mit Zuständen für stabile Erkrankung, Krankenhausaufenthalt und Tod gebaut, monatlich zyklisch, um häufige Einweisungen zu erfassen. Bisher passt die Struktur zur Krankheit. Die Prüfung des Teams wendet sich dann den Gelenken zu, die das Ergebnis tragen.

Zwei Annahmen dominieren. Die erste ist Überlebensextrapolation: über 18 Monate hinaus projiziert das Modell einen Überlebensvorteil, der lebenslang unvermindert anhält, unter Nutzung der parametrischen Kurve mit der optimistischsten langfristigen Anpassung. Als das Team alternative Kurven neu anpasst und ein Szenario testet, in dem der Behandlungseffekt nach fünf Jahren nachlässt — konsistent mit externer Registerevidenz zu ähnlichen Medikamenten —, schrumpft der lebenslange QALY-Gewinn und die Relation steigt über den Schwellenwert. Die zweite ist der Vergleichsmaßstab: Das Modell vergleicht gegen einen älteren Versorgungsstandard, aber Solennes Leitlinien empfehlen inzwischen eine neuere Kombination, die die Studie nicht einschloss, nur durch einen indirekten Vergleich mit breiter Unsicherheit erreichbar. Das Team merkt auch an, dass die gedächtnislose Markow-Annahme das höhere Wiederaufnahmerisiko kürzlich hospitalisierter Patienten glättet, was sie mit einem kurzen Tunnelzustand angehen.

Das Team führt das Modell probabilistisch neu aus und propagiert alle Parameterunsicherheit durch Monte-Carlo-Simulation. Die Kosteneffektivitäts-Akzeptanzkurve zeigt ungefähr 50 % Wahrscheinlichkeit der Kosteneffektivität beim Schwellenwert des Fonds — ein Münzwurf, nicht der selbstsichere Fall, den die Punktschätzung nahelegte. Weil die Entscheidung groß ist und sich die Unsicherheit in der Überlebensextrapolation konzentriert, führen sie eine Value-of-Information-Analyse durch: Der Erwartungswert, diese Unsicherheit aufzulösen, übersteigt die plausiblen Kosten einer längeren Nachbeobachtungsstudie. Die Empfehlung des Ausschusses ist weder ein glattes Ja noch ein glattes Nein. Er erstattet die Therapie unter einem Managed-Entry-Arrangement mit einem vertraulichen Rabatt, der die Relation verbessert, bedingt darauf, dass der Hersteller innerhalb von drei Jahren erweiterte Überlebensdaten liefert — eine „Zulassung mit Forschung"-Entscheidung, die die Modellierung, nicht Intuition, verteidigbar machte. Die Preismechanik dieses Arrangements gehört zu Thema 2.4 — Pharmakoökonomie.

Vier Perspektiven aus unterschiedlichen Sektoren

Startup

Ein digitales Gesundheits- oder Geräte-Startup baut sein erstes Modell meist, um Geld zu beschaffen oder in einen HTA-Prozess einzutreten, dem es sich nie zuvor gestellt hat, oft mit spärlicher Evidenz — einer kleinen einarmigen Studie, Surrogatendpunkten, starker Gründerüberzeugung. Die Versuchung ist ein Modell, konstruiert, um den Schwellenwert zu erreichen, mit einem kurzen Horizont, der späte Kosten verbirgt, und einer optimistischen Extrapolation, präsentiert als Tatsache. Der klügere Weg ist ein frühes, bewusst konservatives Modell, das aufdeckt, welche Evidenzlücke den Wertfall am meisten bedroht, sodass knappes Studiengeld genau dafür ausgegeben wird, diese Lücke zu schließen. Ein transparentes Modell, das ehrlich breite Unsicherheit zeigt, ist finanzierbarer und glaubwürdiger für einen Kostenträger als ein poliertes, das kein Prüfer öffnen kann.

Kleinunternehmen

Ein kleiner, aber etablierter Anbieter, eine Praxis oder ein Zulieferer — eine Facharztklinik, eine Diagnostikfirma, ein Gerätevertrieb mit gefestigtem Produkt — begegnet Modellierung meist nicht, um Kapital zu beschaffen, sondern um eine echte Einkaufs- oder Erstattungsfrage zu beantworten: Wird ein Kostenträger das finanzieren, lohnt sich eine Leistungslinie fortzusetzen, zahlt sich eine Geräteaufrüstung selbst aus? Anders als ein Startup hat er echte Betriebsdaten — reale Kosten, Durchsatz, lokale Ergebnisse — aber selten einen hauseigenen Gesundheitsökonomen, sodass das praktische Risiko entweder ist, das Modell an den Anbieter auszulagern, dessen Produkt bewertet wird, oder eine Tabelle zu bauen, die ihre eigenen Annahmen nie testet. Der vernünftige Weg ist ein bescheidenes, transparentes Modell, das sich für lokal beschaffbare Inputs auf seine eigenen Realdaten stützt und für den Rest veröffentlichte, ehrlich bewertete Schätzungen entleiht, mit einer einfachen Sensitivitätsanalyse auf die zwei oder drei Parameter, die die Antwort bewegen. Seine Glaubwürdigkeit ruht weniger auf Ausgefeiltheit als darauf, offen zu sein, woher die Zahlen kommen, und den Fall neu durchrechnen zu können, wenn sich ein Preis oder der Schwellenwert eines Kostenträgers verschiebt.

Großunternehmen

Ein großer Hersteller, Krankenhausverbund oder Versicherer betreibt Modellierung als industrielle Fähigkeit: wiederverwendbare Modellplattformen, Standardparameterbibliotheken, und eigene Teams für Gesundheitsökonomie und Outcomes Research, die Einreichungen für viele Rechtsordnungen gleichzeitig vorbereiten. Die Stärke ist Strenge, Reproduzierbarkeit, und die Fähigkeit, ein globales Modell an den Methodenleitfaden jedes Landes anzupassen; das Risiko ist, dass sich Größe und Eigeninteresse verbinden, um ausgefeilte Modelle zu erzeugen, optimiert zu überzeugen, mit strukturellen Entscheidungen, die still den Sponsor begünstigen. Glaubwürdigkeit im Großunternehmen hängt von Governance ab, die Modellierer vom kommerziellen Druck trennt, von der Einreichung vollständig ausführbarer und transparenter Modelle, und davon, unabhängige Replikation einzuladen statt ihr zu widerstehen.

Regierung

Ein nationaler Kostenträger, eine HTA-Einrichtung oder ein Ministerium ist häufiger der Konsument und Schiedsrichter von Modellen als der Erbauer, und seine Disziplin ist kritische Prüfung im großen Maßstab: ein veröffentlichter Methodenleitfaden, der Horizont, Perspektive, Diskontierung und Unsicherheitsberichterstattung einschränkt, und die Fähigkeit, das Modell eines Sponsors neu auszuführen und anzufechten, statt seine Schlagzeile zu akzeptieren. Einrichtungen wie NICE, IQWiG, PBAC, CDA-AMC und ICER existieren, um genau diese Disziplin durchzusetzen, und bauen oder beauftragen zunehmend unabhängige Modelle, um Industrie-Einreichungen kreuzzuvalidieren. Die Regierung trägt auch die Entscheidungen, die Modellierung möglich macht, aber nicht allein treffen kann — zulassen, ablehnen, oder mit Forschung zulassen — und die Rechenschaftspflicht für die Opportunitätskosten, die jedes Ja Patienten auferlegt, die den Ausschuss nie sehen.

Typische Fehlermuster

• Ein Modell bauen, wenn eine Studie die Frage bereits beantwortet. Annahmen hinzufügen, wo gute studieninterne Evidenz zur Entscheidung passt, und Verzerrung ohne Gewinn importieren. Abhilfe: Studienbasiert gegen modellbasiert bewusst wählen, und nur die Lücke modellieren, die die Studie nicht abdecken kann.

• Den Zeithorizont abschneiden. Das Modell beenden, bevor sich späte Nutzen oder Kosten ergeben, was Interventionen mit Vorabkosten wie Prävention schmeichelt. Abhilfe: Den Horizont laufen lassen, bis keine bedeutsamen Unterschiede mehr bestehen — eine Lebenszeit für lebenslange Zustände — und ihn gegen den natürlichen Verlauf rechtfertigen.

• Optimistische Extrapolation, eingeschmuggelt als Punktschätzung. Die Überlebenskurve oder Effektpersistenz-Annahme wählen, die dem Ergebnis am meisten schmeichelt, und sie als Basisfall präsentieren. Abhilfe: Alternativen anpassen, Effektnachlassen testen, die Bandbreite gegen externe Daten zeigen.

• Eine Punktschätzung ohne Unsicherheit berichten. Eine einzelne Kennzahl, die falsche Präzision suggeriert. Abhilfe: Immer probabilistische Sensitivitätsanalyse durchführen und die Akzeptanzkurve neben der Punktschätzung berichten.

• Die Arten von Unsicherheit verwechseln. Einen strukturellen Zweifel in einer breiten Parameterverteilung verstecken, oder über echte Heterogenität mitteln. Abhilfe: Parameterunsicherheit probabilistisch, strukturelle Unsicherheit per Szenario, und Heterogenität per Untergruppe behandeln.

• Schwache oder fehlende Vergleichsmaßstäbe. Kosteneffektivität gegen Placebo oder einen veralteten Standard zeigen, wenn Kliniker unter aktuellen Optionen wählen. Abhilfe: Alle relevanten Vergleichsmaßstäbe zu realen Preisen und Adhärenz einschließen, und ehrlich über indirekte Vergleiche sein.

• Das Black-Box-Modell. Ein Ergebnis, das nicht geöffnet, neu ausgeführt oder reproduziert werden kann, besonders von einer interessierten Partei. Abhilfe: Ausführbare Modelle, vollständige Parametertabellen, und einen schriftlichen Validierungsbericht vor jeder Entscheidung verlangen.

• Validierung überspringen. Einem ausgefeilt aussehenden Modell ohne Gesichts-, interne, Kreuz- oder externe Prüfungen vertrauen. Abhilfe: Auf jeder Ebene validieren und dokumentieren; ein unvalidiertes Modell als unbewiesen behandeln.

Reifegradmodell

Checkliste

• Explizit angeben, ob die Evaluation studienbasiert, modellbasiert, oder beides ist, und warum.
• Den Modelltyp (Baum, Markow, Mikrosimulation, ereignisorientiert) gegen das Entscheidungsproblem und die Krankheit rechtfertigen.
• Den Zeithorizont lang genug setzen, dass keine weiteren bedeutsamen Kosten- oder Gesundheitsunterschiede mehr anfallen, und ihn rechtfertigen.
• Jede strukturelle Annahme auflisten, einschließlich der gedächtnislosen Markow-Annahme, wo relevant, und die wichtigen testen.
• Jeden Parameter zu einer angegebenen Quelle zurückverfolgen und die Evidenz hinter den Treibern des Ergebnisses bewerten.
• Alle relevanten realen Vergleichsmaßstäbe zu realistischen Preisen und Adhärenz einschließen.
• Alternative Extrapolationsannahmen und ihre Wirkung auf die Schlussfolgerung zeigen, nicht nur den Basisfall.
• Probabilistische Sensitivitätsanalyse durchführen und eine Kosteneffektivitäts-Akzeptanzkurve neben der Punktschätzung berichten.
• Parameter-, strukturelle und Heterogenitätsunsicherheit trennen und jede angemessen angehen.
• Das Modell validieren (Gesichts-, interne, Kreuz- und, wo möglich, externe) und den Validierungsbericht aufschreiben.
• Sicherstellen, dass das Modell transparent und reproduzierbar genug ist, damit ein unabhängiger Prüfer es neu bauen könnte.
• Wo Unsicherheit breit und die Entscheidung groß ist, eine Value-of-Information-Analyse durchführen, um die Beauftragung weiterer Forschung abzuwägen.

Key sources

• Andrew Briggs, Mark Sculpher & Karl Claxton, Decision Modelling for Health Economic Evaluation (Oxford University Press) — the standard framework for decision-analytic modelling in health economics.
• Alastair Gray, Philip Clarke, Jane Wolstenholme & Sarah Wordsworth, Applied Methods of Cost-Effectiveness Analysis in Health Care (Oxford University Press) — applied model-building and cost-effectiveness methods.
• Henry Glick, Jalpa Doshi, Seema Sonnad & Daniel Polsky, Economic Evaluation in Clinical Trials (Oxford University Press) — trial-based evaluation and within-trial versus model-based choice.
• ISPOR–SMDM Modelling Good Research Practices Task Force reports — good-practice guidance on conceptualising models, decision trees, Markov models, microsimulation, discrete-event simulation, and model transparency and validation.
• NICE health technology evaluations manual (PMG36) — methods requirements for models submitted to a national HTA body — https://www.nice.org.uk/process/pmg36
• Economics Network, Health Economics for Teachers — modelling module — https://economicsnetwork.ac.uk/health/teachers

References

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