Modelización

Por qué esto importa en economía de la salud

Casi toda decisión de financiación importante en salud debe tomarse con evidencia incompleta. Un ensayo sigue a los pacientes durante dos años; el fármaco se tomará durante veinte. Un estudio se realiza en los hospitales de un país; la decisión es para las clínicas de otro. Una nueva prueba se compara contra placebo; la elección real es frente a tres tratamientos ya en uso. Un modelo es la forma estructurada de salvar esas brechas: de tomar lo que se sabe y razonar cuidadosamente hasta la cantidad que un decisor realmente necesita: el coste y la consecuencia de salud, a lo largo de toda una vida, de elegir la opción A sobre la opción B. Sin un modelo, la alternativa no es «certeza sin modelar»; es un modelo implícito y no documentado en la cabeza de alguien, sin ninguno de sus supuestos visible ni comprobable.

Para un directivo, aquí es donde se compromete dinero público a gran escala. Cuando un pagador nacional decide reembolsar un medicamento, financiar un programa de cribado, o reconfigurar un servicio, la cifra en que se ancla la decisión —el coste incremental por año de vida ajustado por calidad (AVAC)— casi siempre sale de un modelo, no de un ensayo. Los conceptos de evaluación económica que esa cifra expresa (AVAC, razones coste-efectividad incrementales, umbrales, perspectiva) corresponden al Tema 2.1 — Evaluación Económica y se dan por sabidos aquí; este tema corresponde a la maquinaria que produce la estimación. Si la maquinaria está equivocada, el umbral se está aplicando a una ficción.

Lo que está en juego es, por tanto, tanto financiero como ético. Un modelo que sobreestima el beneficio financia algo que desplaza usos mejores del mismo presupuesto: el coste de oportunidad recae sobre pacientes anónimos en otro lugar. Un modelo opaco no puede cuestionarse, y el análisis incuestionable es donde se esconden la captura, el pensamiento ilusorio y el optimismo del proveedor. La disciplina de la modelización —declarar la estructura, poner a prueba cada supuesto, y cuantificar lo que no se sabe— es lo que convierte una diapositiva persuasiva en evidencia que un organismo público puede defender.

Conceptos fundamentales

El análisis de decisiones es el marco formal que subyace a todo esto: exponer las opciones, los eventos aleatorios que siguen a cada una, las probabilidades de esos eventos, y el valor de cada resultado, para luego calcular el valor esperado de cada opción. Un modelo económico de salud es análisis de decisiones aplicado a una elección sanitaria, con el coste y el resultado de salud como los valores que se sopesan. El texto fundacional del campo es Decision Modelling for Health Economic Evaluation de Briggs, Sculpher y Claxton, cuyo marco sigue este tema.

La estructura más simple es el árbol de decisión: un diagrama ramificado que va de un nodo de decisión, a través de nodos de azar, hasta resultados finales, cada rama con una probabilidad y cada punto final con un coste y un rendimiento de salud. Los árboles son claros y rápidos, y se ajustan a decisiones que se resuelven en un horizonte corto y fijo —un evento agudo, una vía diagnóstica. Su debilidad es el tiempo: un árbol no tiene una forma natural de representar eventos que se repiten, afecciones que persisten, o riesgos que cambian año tras año, porque toda posibilidad debe dibujarse como una vía cada vez más ramificada.

Para la enfermedad crónica, el caballo de batalla es la cadena de Markov, o modelo de cohorte de Markov. Representa una enfermedad como un conjunto de estados de salud mutuamente excluyentes —por ejemplo, bien, complicación, muerto— y mueve a una cohorte hipotética entre ellos en ciclos de tiempo fijos según probabilidades de transición. Acumular coste y calidad de vida a lo largo de muchos ciclos produce totales de por vida. Su simplificación definitoria es el supuesto de Markov: las transiciones dependen solo del estado actual, no de la historia, de modo que un modelo estándar no puede «recordar» cuánto tiempo lleva enfermo un paciente. Los analistas sortean esto con estados-túnel o transiciones dependientes del tiempo, pero el supuesto es lo primero que debería interrogar un revisor.

Cuando la historia del paciente, las características individuales o las interacciones importan demasiado como para perderlas, los modelizadores recurren a la simulación a nivel individual. La microsimulación hace pasar a los pacientes por el modelo de uno en uno, cada uno con atributos (edad, factores de riesgo, historial de eventos) que moldean su trayectoria, de modo que se preservan la heterogeneidad y la memoria. Donde los pacientes también compiten por recursos compartidos y limitados —camas, quirófanos, personal, una lista de espera de trasplantes—, la simulación de eventos discretos añade colas y temporización, modelando el sistema en lugar de a un paciente solo. Estos métodos compran realismo al precio de un hambre de datos, tiempo de ejecución, y una tarea más difícil para explicar el resultado.

Ningún resultado de modelo es una única cifra cierta, y fingir lo contrario es el pecado capital del campo. El análisis de sensibilidad pregunta cómo se mueve la conclusión cuando cambian los insumos. El análisis de sensibilidad determinista varía uno o unos pocos parámetros a lo largo de rangos plausibles (a menudo mostrado como un diagrama de tornado). El análisis de sensibilidad probabilístico asigna a cada parámetro incierto una distribución de probabilidad y, usando el muestreo Monte Carlo, ejecuta el modelo miles de veces para producir una distribución de resultados, resumida como la probabilidad de que una opción sea coste-efectiva a un umbral dado. La incertidumbre que queda después de esto puede valorarse: el análisis de valor de la información estima cuánto valdría encargar más investigación antes de decidir, convirtiendo «no estamos seguros» en una cifra sobre la que un presupuesto de investigación puede actuar.

Un modelo es tan digno de confianza como su validación. La validez aparente pregunta si la estructura y los resultados tienen sentido clínico; la validez interna (verificación) comprueba que el modelo hace lo que sus ecuaciones pretenden, libre de errores de código; la validez cruzada compara los resultados frente a otros modelos del mismo problema; y la validez externa contrasta las predicciones con resultados reales que el modelo no usó como insumos. Por último, el instrumental de modelización se sitúa dentro de la maquinaria más amplia de la evaluación de tecnologías sanitarias (ETS): el proceso mediante el cual organismos como el NICE de Inglaterra, el IQWiG de Alemania, el CDA-AMC de Canadá, el PBAC de Australia, y el ICER de Estados Unidos sopesan la evidencia para las decisiones de financiación en todo el mundo.

Buenas prácticas

1. Decida entre basarse en el ensayo o en el modelo antes de construir nada. Un análisis dentro del ensayo junto a un ensayo controlado aleatorizado es la herramienta correcta cuando el horizonte, los comparadores y la población del ensayo coinciden con la decisión. Se necesita un modelo cuando —como es habitual— la decisión rebasa el ensayo: consecuencias de por vida, comparadores nunca enfrentados cara a cara en un ensayo, o una población objetivo distinta de la reclutada. La mayoría de las decisiones reales necesitan ambos: el ensayo ancla el efecto a corto plazo, el modelo lo extrapola. Indique cuál está haciendo y por qué en la primera página.

2. Deje que el problema de decisión elija el tipo de modelo, nunca al revés. Una decisión corta, aguda y no recurrente se ajusta a un árbol de decisión; una afección crónica con eventos recurrentes se ajusta a un modelo de Markov; una fuerte heterogeneidad de pacientes o memoria de eventos empuja hacia la microsimulación; los recursos compartidos limitados y las colas empujan hacia la simulación de eventos discretos. Elegir una estructura porque es familiar, o porque un proveedor ya posee una, es cómo los modelos acaban ajustándose mal a la pregunta que deben responder.

3. Fije el horizonte temporal lo bastante largo como para capturar todas las diferencias relevantes. El horizonte debe extenderse hasta que ya no se acumulen diferencias significativas de coste o salud entre las opciones; para una afección de por vida, eso significa toda una vida. Truncar pronto favorece a las intervenciones cuyos costes llegan por adelantado y cuyos beneficios llegan tarde (prevención, cura), y es una de las formas más comunes en que un modelo sesga silenciosamente su propia respuesta. Justifique el horizonte explícitamente frente a la historia natural de la enfermedad.

4. Elija la estructura del modelo para reflejar la enfermedad, y nombre los supuestos que impone. Los estados de salud deben ser clínicamente significativos, mutuamente excluyentes y colectivamente exhaustivos; la longitud del ciclo debe ser lo bastante corta como para capturar el evento importante más rápido. Toda estructura impone simplificaciones —el supuesto de Markov sin memoria es el ejemplo clásico—, así que enumérelas donde un revisor pueda verlas y muestre que las que importan se han probado o relajado.

5. Obtenga cada parámetro deliberadamente y califique su evidencia. Las probabilidades de transición, los costes y las ponderaciones de calidad de vida deben rastrearse cada uno hasta una fuente declarada, usando la evidencia más fuerte para los parámetros que impulsan el resultado. Sea explícito sobre dónde está haciendo el trabajo una revisión sistemática, un único estudio, un registro, o un juicio de experto, y prefiera efectos relativos de evidencia aleatorizada combinados con riesgos basales de datos observacionales locales; mezclar fuentes es legítimo, ocultar la mezcla no lo es.

6. Modele los comparadores a los que la decisión realmente se enfrenta, a dosis y precios del mundo real. Un resultado coste-efectivo frente a placebo o frente a un estándar obsoleto es casi carente de sentido si los clínicos realmente eligen entre tres opciones actuales. Incluya todos los comparadores relevantes, use los precios y los patrones de adherencia que se darán en la práctica, y sea honesto cuando una comparación cara a cara descanse en una comparación indirecta o en red en lugar de en evidencia directa de ensayos.

7. Extrapole más allá del ensayo con supuestos de supervivencia declarados y probados. Donde el modelo proyecta el efecto más allá de los datos observados —casi siempre—, la elección de la extrapolación (qué curva de supervivencia, si el efecto del tratamiento persiste, se desvanece, o cesa) puede dominar la respuesta. Ajuste curvas paramétricas alternativas, muéstrelas frente a los datos observados y la evidencia externa, y presente el rango en lugar de introducir de matute el ajuste más optimista como estimación puntual.

8. Caracterice la incertidumbre de forma probabilística, no solo un parámetro a la vez. El análisis determinista unidireccional y los diagramas de tornado muestran qué insumos importan, pero solo el análisis de sensibilidad probabilístico, propagando toda la incertidumbre junta mediante simulación Monte Carlo, produce la probabilidad de que una decisión sea correcta. Informe de la curva de aceptabilidad de coste-efectividad junto a la estimación puntual; una razón favorable con un 55 % de probabilidad de coste-efectividad es una decisión distinta de la misma razón al 95 %.

9. Separe los tipos de incertidumbre y trate cada uno en sus propios términos. La incertidumbre paramétrica (no conocemos el valor verdadero) se trata mediante análisis probabilístico; la incertidumbre estructural (no estamos seguros de que el modelo esté construido correctamente) necesita un análisis de escenarios entre estructuras alternativas; la heterogeneidad (la respuesta genuinamente difiere por subgrupo) necesita resultados por subgrupo, no una media que no encaja con nadie. Confundirlas —por ejemplo, ocultar una duda estructural dentro de una distribución de parámetro amplia— tergiversa lo que realmente se desconoce.

10. Valide en todos los niveles, y documente la validación por escrito. Compruebe la validez aparente con clínicos que no construyeron el modelo; verifique el código con pruebas independientes y comprobaciones de valores extremos; valide de forma cruzada frente a modelos publicados de la misma enfermedad y explique las divergencias; y, donde existan datos de resultados externos, contraste las predicciones del modelo frente a ellos. No debe confiarse en un modelo presentado para una decisión de financiación sin un relato de validación, por sofisticado que parezca.

11. Haga el modelo lo bastante transparente y reproducible como para que un adversario pueda reconstruirlo. Documente la estructura, cada insumo con su fuente, y cada supuesto, de modo que un revisor escéptico pudiera en principio reconstruir el resultado. La transparencia no es una cortesía; es el mecanismo por el que se detectan los errores optimistas antes de que se mueva dinero público, razón por la cual los organismos de ETS exigen cada vez más modelos ejecutables y tablas de parámetros completas en lugar de una razón resumen.

12. Cuantifique si merece la pena comprar más investigación antes de comprometerse. Cuando la incertidumbre es amplia y las sumas grandes, el análisis de valor de la información estima el valor esperado de resolver esa incertidumbre, a veces justificando una decisión de «aprobar con investigación» o «solo en investigación» en lugar de un simple sí o no. Replantea un estancamiento («la evidencia es inmadura») en una pregunta económica («¿merece la pena un ensayo por su coste, dado lo que hay en juego?»).

Preguntas para debatir con su equipo

1. ¿Necesita realmente esta decisión un modelo, y si es así, qué está haciendo el modelo que el ensayo no puede hacer? El instinto en muchas organizaciones es recurrir a un modelo por reflejo, o desconfiar de los modelos en bloque como «cifras inventadas»; ambos son errores. La pregunta productiva es qué brecha concreta salva el modelo: extrapolar un ensayo de dos años a toda una vida, comparar contra un tratamiento nunca enfrentado cara a cara en un ensayo, o transportar evidencia de un sistema de salud al propio. Nombrar la brecha disciplina el modelo, porque le dice qué parte de la estructura carga la decisión y por tanto merece el mayor escrutinio y los datos más fuertes. También le dice cuándo un modelo no está justificado: donde un buen análisis dentro del ensayo ya coincide con la decisión, un modelo elaborado añade supuestos sin añadir verdad. Una respuesta honesta indica lo único más importante que está extrapolando el modelo y cuánto del resultado depende de esa extrapolación.

2. ¿Qué uno o dos supuestos, de estar equivocados, invertirían nuestra conclusión, y cuán seguros estamos precisamente de esos? Todo modelo tiene un puñado de supuestos que cargan peso estructural y una larga cola de insumos que apenas importan; el peligro es repartir el escrutinio de forma uniforme en lugar de concentrarlo en las articulaciones que soportan el peso. Un diagrama de tornado o un análisis de sensibilidad unidireccional identifica los motores mecánicamente, pero la conversación del equipo trata de la calidad de la evidencia precisamente en esos motores: ¿la probabilidad de transición pivotal procede de un metaanálisis sólido o de un pequeño estudio, la extrapolación de supervivencia está anclada a datos externos o a un ajuste de curva esperanzador? El patrón incómodo es una razón titular confiada que descansa sobre un parámetro cuya evidencia es escasa. Una respuesta honesta no afirma que el modelo es robusto en general; nombra los supuestos concretos de los que pende la decisión y califica la evidencia detrás de cada uno, y luego decide si eso basta para actuar o es motivo para reunir más.

3. ¿Quién construyó este modelo, a qué caso ayuda, y una reconstrucción independiente llegaría a la misma respuesta? Muchos modelos puestos delante de los pagadores están construidos por, o financiados por, una parte con un interés directo en el resultado —un fabricante que busca reembolso, un servicio que busca inversión. Eso no los hace incorrectos, pero hace que el escrutinio independiente sea innegociable, y plantea preguntas concretas: ¿se eligieron los comparadores para favorecer, se seleccionó la extrapolación más optimista, es el modelo lo bastante transparente como para ser interrogado en absoluto? La tensión es que quienes tienen los datos y la capacidad de modelización a menudo son la parte interesada, así que la respuesta rara vez es rechazar de plano su modelo, sino exigir transparencia, ejecutar sus propios análisis de sensibilidad sobre su modelo, y validar de forma cruzada frente a trabajo independiente. Una respuesta honesta es franca sobre la procedencia y el conflicto, y trata un modelo que no puede abrirse ni volver a ejecutarse como una señal de alarma y no como un detalle propietario que se deja pasar.

4. ¿Ha elegido la enfermedad nuestra estructura de modelo, o la ha elegido la conveniencia por nosotros? La estructura —árbol de decisión, cohorte de Markov, microsimulación, simulación de eventos discretos— debería derivarse del problema clínico: cómo se desarrolla la afección, si los eventos se repiten, si la historia del paciente o los recursos compartidos y limitados importan. El patrón de fallo es una estructura adoptada porque es familiar, porque un proveedor ya posee una, o porque es rápida de construir, y luego forzada para ajustarse a una enfermedad a la que no conviene. La conversación del equipo es concreta: ¿se repite o persiste la afección de una forma que un árbol de decisión no puede capturar; aplana el supuesto de Markov sin memoria un riesgo que genuinamente depende de la historia; compiten los pacientes por camas o quirófanos de una forma que un modelo de cohorte ignora? Cada estructura compra claridad al precio de simplificaciones concretas, así que la pregunta productiva no es «¿es este el mejor modelo?», sino «¿qué simplificaciones nos ha impuesto esta estructura, y toca alguna de ellas la parte de la enfermedad de la que depende la decisión?». Una respuesta honesta nombra los supuestos estructurales que impone la elección y muestra que los que importan se han probado, en lugar de defender la estructura porque ya está construida.

5. ¿Qué tipo de incertidumbre estamos afrontando realmente aquí, y estamos tratando cada una en sus propios términos? Es fácil colapsar «no estamos seguros» en un único margen de error amplio, pero el campo distingue tres cosas bastante distintas: la incertidumbre paramétrica (no conocemos el valor verdadero de un insumo), la incertidumbre estructural (no estamos seguros de que el modelo esté construido de la forma correcta), y la heterogeneidad (la respuesta genuinamente difiere entre subgrupos). Cada una exige una respuesta distinta —análisis probabilístico para los parámetros, análisis de escenarios entre estructuras alternativas para la segunda, resultados por subgrupo en lugar de una media para la tercera—, y confundirlas tergiversa lo que se desconoce. El truco clásico es ocultar una duda estructural dentro de una distribución de parámetro generosa, de modo que el titular siga informando de una única probabilidad tranquilizadora de coste-efectividad. El equipo debería preguntar cuál de las tres está realmente impulsando la duda en esta decisión, y si el análisis que tienen delante aborda ese tipo o solo el más conveniente. Una respuesta honesta separa las tres explícitamente y admite dónde una duda es estructural, el tipo más difícil de cuantificar y el más fácil de enterrar.

6. Dado lo que todavía no sabemos, ¿deberíamos decidir ahora o pagar antes por saber más? Cuando la incertidumbre es amplia y la suma comprometida es grande, «sí» y «no» no son las únicas opciones: una decisión de «aprobar con investigación» o «solo en investigación» mantiene la puerta abierta mientras la evidencia madura. El análisis de valor de la información convierte el estancamiento —«la evidencia es inmadura»— en una pregunta económica: ¿cuánto valdría resolver la incertidumbre antes de decidir, y supera eso el coste plausible del estudio que la resolvería? La tensión es real, porque el retraso tiene su propio coste en salud a la que renuncian los pacientes que esperan, y porque un fabricante o un servicio tiene todo el incentivo para asegurar un sí temprano en lugar de comprometerse a generar datos. El equipo debería sopesar dónde se concentra la incertidumbre residual, si un estudio factible podría realmente reducirla en un plazo útil, y qué exigiría un acuerdo condicional a la parte interesada. Una respuesta honesta trata «decidir ahora frente a comprar más evidencia» como una elección cuantificable y no como una cuestión de nervio, y está dispuesta a recomendar un sí condicional cuando el valor de aprender lo justifica.

En la práctica: un ejemplo de economía de la salud

El Fondo Nacional de Seguro de Salud del ficticio país de seguro social de Solenne está decidiendo si reembolsar una nueva terapia oral para la insuficiencia cardíaca crónica. La presentación del fabricante informa de una razón coste-efectividad incremental favorable, cómodamente por debajo del umbral declarado del Fondo. La evidencia pivotal es un único ensayo controlado aleatorizado: 18 meses de seguimiento, que muestra que el fármaco reduce las hospitalizaciones por insuficiencia cardíaca y mejora modestamente la supervivencia frente a la atención estándar. El comité de evaluación del Fondo pide a su equipo de economía que valore el modelo detrás de la cifra, no solo la cifra.

El equipo primero confirma que un modelo es inevitable. La insuficiencia cardíaca es de por vida; el ensayo duró 18 meses; la decisión concierne a los costes y beneficios durante el resto de la vida de los pacientes. Un análisis dentro del ensayo respondería a la pregunta equivocada. El fabricante ha construido, correctamente, un modelo de cohorte de Markov con estados de enfermedad estable, hospitalizado y muerte, con ciclos mensuales para capturar los ingresos frecuentes. Hasta aquí, la estructura se ajusta a la enfermedad. El escrutinio del equipo se dirige entonces a las articulaciones que sostienen el resultado.

Dos supuestos dominan. El primero es la extrapolación de supervivencia: más allá de los 18 meses, el modelo proyecta un beneficio de mortalidad que persiste sin disminuir de por vida, usando la curva paramétrica con el ajuste a largo plazo más optimista. Cuando el equipo reajusta curvas alternativas y prueba un escenario en el que el efecto del tratamiento se desvanece a los cinco años —coherente con la evidencia externa de registros sobre fármacos similares—, la ganancia de AVAC de por vida se encoge y la razón sube por encima del umbral. El segundo es el comparador: el modelo compara frente a un estándar de atención más antiguo, pero las guías de Solenne ahora recomiendan una combinación más nueva que el ensayo no incluyó, alcanzable solo mediante una comparación indirecta con amplia incertidumbre. El equipo también observa que el supuesto de Markov sin memoria aplana el mayor riesgo de reingreso de los pacientes recientemente hospitalizados, lo que abordan con un breve estado-túnel.

El equipo vuelve a ejecutar el modelo de forma probabilística, propagando toda la incertidumbre paramétrica mediante simulación Monte Carlo. La curva de aceptabilidad de coste-efectividad muestra aproximadamente un 50 % de probabilidad de coste-efectividad al umbral del Fondo, un lanzamiento de moneda, no el caso confiado que implicaba la estimación puntual. Como la decisión es grande y la incertidumbre está concentrada en la extrapolación de supervivencia, ejecutan un análisis de valor de la información: el valor esperado de resolver esa incertidumbre supera el coste plausible de un estudio de seguimiento más largo. La recomendación del comité no es ni un sí ni un no rotundos. Reembolsa la terapia bajo un acuerdo de entrada gestionada con un descuento confidencial que mejora la razón, condicionado a que el fabricante proporcione datos de supervivencia ampliados en un plazo de tres años: una decisión de «aprobar con investigación» que la modelización, no la intuición, hizo defendible. La mecánica de precios de ese acuerdo corresponde al Tema 2.4 — Farmacoeconomía.

Cuatro perspectivas sectoriales

Startup

Una startup de salud digital o de dispositivos suele construir su primer modelo para recaudar dinero o para entrar en un proceso de ETS al que nunca se ha enfrentado, a menudo con evidencia escasa —un pequeño estudio de un solo brazo, criterios de valoración sustitutos, fuerte convicción de los fundadores. La tentación es un modelo diseñado para superar el umbral, con un horizonte corto que oculta los costes tardíos y una extrapolación optimista presentada como hecho. El camino más prudente es un modelo temprano, deliberadamente conservador, que saque a la luz qué brecha de evidencia amenaza más al caso de valor, de modo que el escaso dinero de ensayos se gaste precisamente en cerrar esa brecha. Un modelo transparente que muestre honestamente una amplia incertidumbre es más financiable y más creíble para un pagador que uno pulido que ningún revisor puede abrir.

Pequeña empresa

Un proveedor, consulta o proveedor pequeño pero ya establecido —una clínica especializada, una empresa de diagnóstico, un distribuidor de dispositivos con un producto asentado— suele encontrarse la modelización no para recaudar capital sino para responder a una pregunta real de compra o reembolso: ¿financiará esto un pagador?, ¿merece la pena continuar una línea de servicio?, ¿se paga sola una actualización de equipos? A diferencia de una startup, tiene datos operativos reales —costes reales, rendimiento, resultados locales—, pero rara vez un economista de la salud en plantilla, así que el riesgo práctico es o bien externalizar el modelo al proveedor cuyo producto se está evaluando, o bien construir una hoja de cálculo que nunca pone a prueba sus propios supuestos. El curso sensato es un modelo modesto y transparente que se apoya en sus propios datos del mundo real para los insumos que puede obtener localmente y toma prestadas estimaciones publicadas, honestamente calificadas, para el resto, con un análisis de sensibilidad simple sobre los dos o tres parámetros que mueven la respuesta. Su credibilidad descansa menos en la sofisticación que en ser abierto sobre de dónde proceden las cifras y en poder volver a ejecutar el caso cuando cambia un precio o el umbral de un pagador.

Gran empresa

Un gran fabricante, grupo hospitalario o aseguradora ejecuta la modelización como una capacidad industrial: plataformas de modelo reutilizables, bibliotecas de parámetros estándar, y equipos dedicados de economía de la salud e investigación de resultados que preparan presentaciones para muchas jurisdicciones a la vez. La fortaleza es el rigor, la reproducibilidad, y la capacidad de adaptar un modelo global a la guía de métodos de cada país; el riesgo es que la escala y el interés propio se combinen para producir modelos sofisticados optimizados para persuadir, con elecciones estructurales que silenciosamente favorecen al patrocinador. La credibilidad de una gran empresa depende de una gobernanza que separe a los modelizadores de la presión comercial, de presentar modelos plenamente ejecutables y transparentes, y de invitar, en lugar de resistir, la replicación independiente.

Gobierno

Un pagador nacional, un organismo de ETS, o un ministerio es más a menudo el consumidor y árbitro de los modelos que su constructor, y su disciplina es la revisión crítica a escala: una guía de métodos publicada que restringe el horizonte, la perspectiva, el descuento, y el informe de incertidumbre, y la capacidad de volver a ejecutar y cuestionar el modelo de un patrocinador en lugar de aceptar su titular. Organismos como el NICE, el IQWiG, el PBAC, el CDA-AMC, y el ICER existen precisamente para imponer esta disciplina, y cada vez más construyen o encargan modelos independientes para validar de forma cruzada las presentaciones de la industria. El gobierno también carga con las decisiones que la modelización hace posibles pero no puede tomar sola —aprobar, rechazar, o aprobar con investigación—, y con la rendición de cuentas por el coste de oportunidad que todo sí impone a pacientes que nunca ven el comité.

Modos de fallo habituales

• Construir un modelo cuando un ensayo ya responde a la pregunta. Añadir supuestos donde una buena evidencia dentro del ensayo coincide con la decisión, importando sesgo sin ninguna ganancia. Solución: elija deliberadamente entre basarse en el ensayo o en el modelo, y modele solo la brecha que el ensayo no puede cubrir.

• Truncar el horizonte temporal. Terminar el modelo antes de que se acumulen beneficios o costes tardíos, favoreciendo a intervenciones de coste inicial como la prevención. Solución: ejecute el horizonte hasta que no queden diferencias significativas —toda una vida para afecciones de por vida— y justifíquelo frente a la historia natural.

• Extrapolación optimista introducida de matute como estimación puntual. Elegir la curva de supervivencia o el supuesto de persistencia del efecto que más favorece al resultado y presentarlo como el caso base. Solución: ajuste alternativas, pruebe el desvanecimiento del efecto, muestre el rango frente a datos externos.

• Informar de una estimación puntual sin incertidumbre. Una única razón que implica una falsa precisión. Solución: ejecute siempre un análisis de sensibilidad probabilístico e informe de la curva de aceptabilidad junto a la estimación puntual.

• Confundir los tipos de incertidumbre. Ocultar una duda estructural dentro de una distribución de parámetro amplia, o promediar sobre heterogeneidad real. Solución: trate la incertidumbre paramétrica de forma probabilística, la estructural mediante escenarios, y la heterogeneidad por subgrupo.

• Comparadores débiles o ausentes. Mostrar coste-efectividad frente a placebo o un estándar obsoleto cuando los clínicos eligen entre opciones actuales. Solución: incluya todos los comparadores relevantes a precios y adherencia reales, y sea honesto sobre las comparaciones indirectas.

• El modelo de caja negra. Un resultado que no puede abrirse, volver a ejecutarse, ni reproducirse, especialmente de una parte interesada. Solución: exija modelos ejecutables, tablas de parámetros completas, y un relato de validación por escrito antes de cualquier decisión.

• Omitir la validación. Confiar en un modelo de aspecto sofisticado sin comprobaciones de validez aparente, interna, cruzada o externa. Solución: valide en todos los niveles y documéntelo; trate un modelo no validado como no probado.

Modelo de madurez

Lista de comprobación

• Se indica explícitamente si la evaluación se basa en el ensayo, en el modelo, o en ambos, y por qué.
• Se justifica el tipo de modelo (árbol, Markov, microsimulación, eventos discretos) frente al problema de decisión y la enfermedad.
• El horizonte temporal se fija lo bastante largo como para que no se acumulen más diferencias significativas de coste o salud, y se justifica.
• Se enumera todo supuesto estructural, incluido el supuesto de Markov sin memoria donde sea relevante, y se prueban los que importan.
• Cada parámetro se rastrea hasta una fuente declarada y se califica la evidencia detrás de los motores del resultado.
• Se incluyen todos los comparadores relevantes del mundo real a precios y adherencia realistas.
• Se muestran supuestos de extrapolación alternativos y su efecto en la conclusión, no solo el caso base.
• Se ejecuta un análisis de sensibilidad probabilístico y se informa de una curva de aceptabilidad de coste-efectividad junto a la estimación puntual.
• Se separan la incertidumbre paramétrica, estructural y de heterogeneidad y cada una se aborda apropiadamente.
• Se valida el modelo (aparente, interna, cruzada, y donde sea posible externa) y se documenta por escrito el relato de validación.
• Se garantiza que el modelo es lo bastante transparente y reproducible como para que un revisor independiente pueda reconstruirlo.
• Donde la incertidumbre sea amplia y la decisión grande, se ejecuta un análisis de valor de la información para sopesar encargar más investigación.

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