Modélisation

Pourquoi cela compte en économie de la santé

Presque chaque décision de financement importante en santé doit être prise sur une preuve incomplète. Un essai suit des patients pendant deux ans ; le médicament sera pris pendant vingt. Une étude est menée dans les hôpitaux d'un pays ; la décision concerne les cliniques d'un autre pays. Un nouveau test est comparé à un placebo ; le vrai choix se fait entre trois traitements déjà utilisés. Un modèle est la façon structurée de combler ces écarts — de prendre ce qui est connu et de raisonner soigneusement jusqu'à la quantité dont un décideur a réellement besoin : le coût et la conséquence de santé sur toute une vie de choisir l'option A plutôt que l'option B. Sans modèle, l'alternative n'est pas une « certitude non modélisée » ; c'est un modèle implicite et non documenté dans la tête de quelqu'un, sans qu'aucune hypothèse ne soit visible ni testable.

Pour un dirigeant, c'est là que l'argent public est engagé à grande échelle. Lorsqu'un payeur national décide de rembourser un médicament, de financer un programme de dépistage, ou de reconfigurer un service, le chiffre qui ancre la décision — le coût incrémental par année de vie ajustée sur la qualité (QALY) — provient presque toujours d'un modèle, non d'un essai. Les concepts d'évaluation économique que ce chiffre exprime (QALY, ratios coût-efficacité incrémentaux, seuils, perspective) relèvent du Sujet 2.1 — Évaluation économique et sont supposés ici ; ce sujet a la charge de la machinerie qui produit l'estimation. Si la machinerie est erronée, le seuil s'applique à une fiction.

Les enjeux sont donc à la fois financiers et éthiques. Un modèle qui surestime le bénéfice finance quelque chose qui évince de meilleurs usages du même budget — le coût d'opportunité retombe sur des patients innommés ailleurs. Un modèle opaque ne peut être contesté, et une analyse incontestable est là où se cachent la capture, la pensée magique, et l'optimisme du fournisseur. La discipline de la modélisation — déclarer la structure, tester chaque hypothèse, et quantifier ce que l'on ne sait pas — est ce qui transforme une diapositive persuasive en preuve qu'un organisme public peut défendre.

Concepts fondamentaux

L'analyse de décision est le cadre formel qui sous-tend tout cela : exposer les options, les événements aléatoires qui suivent chacune, les probabilités de ces événements, et la valeur de chaque résultat, puis calculer la valeur espérée de chaque option. Un modèle économique de santé est une analyse de décision appliquée à un choix de santé, avec le coût et le résultat de santé comme valeurs pesées. Le texte fondateur du champ est Decision Modelling for Health Economic Evaluation de Briggs, Sculpher et Claxton, dont ce sujet suit le cadre.

La structure la plus simple est l'arbre de décision : un diagramme en branches allant d'un nœud de décision à travers des nœuds aléatoires jusqu'à des résultats finaux, chaque branche portant une probabilité et chaque point d'aboutissement un coût et un gain de santé. Les arbres sont clairs et rapides, et ils conviennent aux décisions qui se résolvent sur un horizon court et fixe — un événement aigu, un parcours diagnostique. Leur faiblesse est le temps : un arbre n'a aucun moyen naturel de représenter des événements qui se répètent, des affections qui persistent, ou des risques qui changent d'année en année, car chaque possibilité doit être dessinée comme un chemin toujours ramifié.

Pour les maladies chroniques, le cheval de bataille est la chaîne de Markov, ou modèle de cohorte de Markov. Il représente une maladie comme un ensemble d'états de santé mutuellement exclusifs — par exemple bien portant, complication, décès — et déplace une cohorte hypothétique entre eux par cycles temporels fixes selon des probabilités de transition. L'accumulation du coût et de la qualité de vie sur de nombreux cycles produit des totaux sur toute une vie. Sa simplification définitoire est l'hypothèse markovienne : les transitions ne dépendent que de l'état actuel, non de l'historique, de sorte qu'un modèle standard ne peut pas « se souvenir » depuis combien de temps un patient est malade. Les modélisateurs contournent cela avec des états tunnel ou des transitions dépendantes du temps, mais l'hypothèse est la première chose qu'un relecteur devrait interroger.

Lorsque l'historique du patient, les caractéristiques individuelles, ou les interactions comptent trop pour être perdus, les modélisateurs se tournent vers la simulation au niveau individuel. La microsimulation fait passer les patients dans le modèle un par un, chacun portant des attributs (âge, facteurs de risque, historique d'événements) qui façonnent sa trajectoire, de sorte que l'hétérogénéité et la mémoire sont préservées. Là où les patients sont aussi en concurrence pour des ressources partagées et contraintes — lits, blocs opératoires, personnel, une liste d'attente de transplantation — la simulation à événements discrets ajoute des files d'attente et une temporalité, modélisant le système plutôt qu'un patient isolé. Ces méthodes achètent le réalisme au prix d'une soif de données, d'un temps d'exécution, et d'une explication du résultat plus difficile.

Aucun résultat de modèle n'est un chiffre certain unique, et prétendre le contraire est le péché capital du champ. L'analyse de sensibilité demande comment la conclusion évolue quand les intrants changent. L'analyse de sensibilité déterministe fait varier un ou quelques paramètres sur des fourchettes plausibles (souvent montrée comme un diagramme en tornade). L'analyse de sensibilité probabiliste attribue à chaque paramètre incertain une distribution de probabilité et, à l'aide d'un échantillonnage de Monte-Carlo, exécute le modèle des milliers de fois pour produire une distribution de résultats — résumée comme la probabilité qu'une option soit efficiente à un seuil donné. L'incertitude qui subsiste après cela peut être valorisée : l'analyse de la valeur de l'information estime ce qu'il vaudrait de commanditer davantage de recherche avant de décider, transformant « nous ne sommes pas sûrs » en un chiffre sur lequel un budget de recherche peut agir.

Un modèle n'est fiable qu'à hauteur de sa validation. La validité apparente demande si la structure et les résultats font sens cliniquement ; la validité interne (vérification) contrôle que le modèle fait ce que ses équations visent, sans erreur de code ; la validité croisée compare les résultats à d'autres modèles du même problème ; et la validité externe teste les prédictions contre des résultats réels que le modèle n'a pas utilisés comme intrants. Enfin, la boîte à outils de modélisation se situe à l'intérieur de la machinerie plus large de l'évaluation des technologies de santé (ETS) — le processus par lequel des organismes tels que le NICE anglais, l'IQWiG allemand, le CDA-AMC canadien, le PBAC australien, et l'ICER américain pèsent la preuve pour des décisions de financement dans le monde entier.

Bonnes pratiques

1. Décider entre approche fondée sur l'essai et approche fondée sur le modèle avant de rien construire. Une analyse intra-essai aux côtés d'un essai contrôlé randomisé est le bon outil lorsque l'horizon, les comparateurs, et la population de l'essai correspondent à la décision. Un modèle est requis lorsque — comme c'est habituel — la décision dépasse l'essai : conséquences sur toute une vie, comparateurs jamais comparés tête à tête, ou population cible différente de celle enrôlée. La plupart des décisions réelles ont besoin des deux : l'essai ancre l'effet à court terme, le modèle l'extrapole. Énoncez ce que vous faites et pourquoi dès la première page.

2. Laisser le problème de décision choisir le type de modèle, jamais l'inverse. Une décision courte, aiguë, non récurrente convient à un arbre de décision ; une affection chronique avec des événements récurrents convient à un modèle de Markov ; une forte hétérogénéité des patients ou une mémoire des événements pousse vers la microsimulation ; des ressources partagées contraintes et des files d'attente poussent vers la simulation à événements discrets. Choisir une structure parce qu'elle est familière, ou parce qu'un fournisseur en possède déjà une, est la façon dont les modèles finissent par mal correspondre à la question qu'ils sont censés résoudre.

3. Fixer l'horizon temporel assez long pour capturer toutes les différences pertinentes. L'horizon doit courir jusqu'à ce qu'aucune différence supplémentaire significative de coût ou de santé ne s'accumule entre les options — pour une affection à vie, cela signifie toute une vie. Tronquer tôt flatte les interventions dont les coûts arrivent d'emblée et dont les bénéfices arrivent tard (prévention, guérison), et c'est l'une des façons les plus courantes dont un modèle biaise discrètement sa propre réponse. Justifiez explicitement l'horizon par rapport à l'histoire naturelle de la maladie.

4. Choisir la structure du modèle pour refléter la maladie, et nommer les hypothèses qu'elle impose. Les états de santé doivent être cliniquement significatifs, mutuellement exclusifs, et collectivement exhaustifs ; la longueur de cycle doit être assez courte pour capturer l'événement important le plus rapide. Chaque structure impose des simplifications — l'hypothèse markovienne sans mémoire en est l'exemple classique — aussi listez-les là où un relecteur peut les voir et montrez que celles qui comptent ont été testées ou assouplies.

5. Sourcer délibérément chaque paramètre et noter sa preuve. Les probabilités de transition, les coûts, et les pondérations de qualité de vie devraient chacun remonter à une source énoncée, la preuve la plus solide étant utilisée pour les paramètres qui pilotent le résultat. Soyez explicite sur le fait qu'une revue systématique, une étude unique, un registre, ou un jugement d'expert fait le travail, et préférez des effets relatifs tirés de preuves randomisées combinés à des risques de référence tirés de données observationnelles locales — mélanger les sources est légitime, cacher le mélange ne l'est pas.

6. Modéliser les comparateurs que la décision affronte réellement, à des doses et des prix du monde réel. Un résultat efficient contre un placebo ou contre un standard dépassé est proche du vide de sens si les cliniciens choisissent réellement entre trois options actuelles. Incluez tous les comparateurs pertinents, utilisez les prix et les schémas d'adhésion qui prévaudront en pratique, et soyez honnête lorsqu'une comparaison tête à tête repose sur une comparaison indirecte ou en réseau plutôt que sur une preuve d'essai directe.

7. Extrapoler au-delà de l'essai avec des hypothèses de survie déclarées et testées. Là où le modèle projette l'effet au-delà des données observées — presque toujours — le choix de l'extrapolation (quelle courbe de survie, si l'effet du traitement persiste, s'atténue, ou s'arrête) peut dominer la réponse. Ajustez des courbes paramétriques alternatives, montrez-les par rapport aux données observées et à la preuve externe, et présentez la fourchette plutôt que d'introduire subrepticement l'ajustement le plus optimiste comme une estimation ponctuelle.

8. Caractériser l'incertitude probabilistiquement, pas seulement un paramètre à la fois. L'analyse déterministe à sens unique et les diagrammes en tornade montrent quels intrants comptent, mais seule l'analyse de sensibilité probabiliste, propageant toute l'incertitude ensemble à travers une simulation de Monte-Carlo, produit la probabilité qu'une décision soit juste. Rapportez la courbe d'acceptabilité coût-efficacité aux côtés de l'estimation ponctuelle ; un ratio favorable avec une probabilité de 55 % d'être efficient est une décision différente du même ratio à 95 %.

9. Séparer les types d'incertitude et traiter chacun selon ses propres termes. L'incertitude paramétrique (nous ne connaissons pas la vraie valeur) est traitée par l'analyse probabiliste ; l'incertitude structurelle (nous doutons que le modèle soit bien construit) a besoin d'une analyse de scénarios entre structures alternatives ; l'hétérogénéité (la réponse diffère véritablement selon le sous-groupe) a besoin de résultats par sous-groupe, non d'une moyenne qui ne convient à personne. Les confondre — par exemple, cacher un doute structurel dans une large distribution de paramètre — dénature ce qui est réellement inconnu.

10. Valider à chaque niveau, et consigner la validation par écrit. Vérifiez la validité apparente avec des cliniciens qui n'ont pas construit le modèle ; vérifiez le code par des tests indépendants et des contrôles de valeurs extrêmes ; validez de façon croisée par rapport à des modèles publiés de la même maladie et expliquez les divergences ; et, là où existent des données de résultat externes, testez les prédictions du modèle contre elles. Un modèle présenté pour une décision de financement sans compte-rendu de validation ne devrait pas être digne de confiance, quelle que soit sa sophistication apparente.

11. Rendre le modèle assez transparent et reproductible pour qu'un adversaire puisse le reconstruire. Documentez la structure, chaque intrant avec sa source, et chaque hypothèse, afin qu'un relecteur sceptique puisse en principe reconstruire le résultat. La transparence n'est pas une courtoisie ; c'est le mécanisme par lequel les erreurs optimistes sont détectées avant que l'argent public ne bouge, ce qui explique pourquoi les organismes d'ETS exigent de plus en plus des modèles exécutables et des tableaux de paramètres complets plutôt qu'un ratio résumé.

12. Quantifier si davantage de recherche vaut d'être achetée avant de s'engager. Lorsque l'incertitude est large et les sommes importantes, l'analyse de la valeur de l'information estime la valeur espérée de résoudre cette incertitude — justifiant parfois une décision « approuver avec recherche » ou « seulement en recherche » plutôt qu'un simple oui ou non. Elle recadre une impasse (« la preuve est immature ») en une question économique (« un essai vaut-il son coût, étant donné la décision en jeu ? »).

Questions à discuter avec votre équipe

1. Cette décision a-t-elle réellement besoin d'un modèle, et si oui, que fait le modèle que l'essai ne peut faire ? L'instinct dans de nombreuses organisations est de se saisir réflexivement d'un modèle, ou de se méfier des modèles en bloc comme de « chiffres inventés » — les deux sont faux. La question productive est quel écart précis le modèle comble : extrapoler un essai de deux ans sur toute une vie, comparer à un traitement jamais comparé tête à tête, ou transposer une preuve d'un système de santé vers le vôtre. Nommer l'écart discipline le modèle, car cela indique quelle partie de la structure porte la décision et mérite donc le plus d'examen et les données les plus solides. Cela indique aussi quand un modèle n'est pas justifié — là où une bonne analyse intra-essai correspond déjà à la décision, un modèle élaboré ajoute des hypothèses sans ajouter de vérité. Une réponse honnête énonce la chose la plus importante que le modèle extrapole et la part du résultat qui repose sur cette extrapolation.

2. Laquelle ou lesquelles de nos une ou deux hypothèses, si elles étaient fausses, feraient basculer notre conclusion — et quelle confiance avons-nous précisément en celles-là ? Chaque modèle a une poignée d'hypothèses porteuses et une longue traîne d'intrants qui comptent à peine ; le danger est de répartir l'examen également plutôt que sur les articulations qui portent le poids. Un diagramme en tornade ou une analyse de sensibilité à sens unique identifie mécaniquement les moteurs, mais la conversation d'équipe porte sur la qualité de la preuve précisément sur ces moteurs : la probabilité de transition pivot vient-elle d'une méta-analyse solide ou d'une petite étude unique, l'extrapolation de survie est-elle ancrée à des données externes ou à un ajustement de courbe optimiste ? Le schéma inconfortable est un ratio phare confiant reposant sur un paramètre dont la preuve est mince. Une réponse honnête ne prétend pas que le modèle est robuste en général ; elle nomme les hypothèses précises dont dépend la décision et note la preuve derrière chacune, puis décide si c'est suffisant pour agir ou une raison d'en recueillir davantage.

3. Qui a construit ce modèle, à quel dossier sert-il, et une reconstruction indépendante aboutirait-elle à la même réponse ? De nombreux modèles présentés aux payeurs sont construits par, ou financés par, une partie ayant un intérêt direct au résultat — un fabricant cherchant un remboursement, un service cherchant un investissement. Cela ne les rend pas faux, mais cela rend l'examen indépendant non négociable, et cela soulève des questions précises : les comparateurs ont-ils été choisis pour flatter, l'extrapolation la plus optimiste a-t-elle été sélectionnée, le modèle est-il assez transparent pour être interrogé du tout ? La tension est que ceux qui détiennent les données et la capacité de modélisation sont souvent la partie intéressée, aussi la réponse est-elle rarement de rejeter leur modèle d'emblée mais d'exiger la transparence, de mener vos propres analyses de sensibilité sur leur modèle, et de valider de façon croisée par rapport à un travail indépendant. Une réponse honnête est franche sur la provenance et le conflit, et traite un modèle qui ne peut être ouvert ni ré-exécuté comme un signal d'alarme plutôt qu'un détail propriétaire à laisser passer.

4. La maladie a-t-elle choisi la structure de notre modèle, ou la commodité l'a-t-elle choisie pour nous ? La structure — arbre de décision, cohorte de Markov, microsimulation, simulation à événements discrets — devrait découler du problème clinique : comment l'affection se déroule, si les événements se répètent, si l'historique du patient ou des ressources partagées contraintes comptent. Le schéma d'échec est une structure adoptée parce qu'elle est familière, parce qu'un fournisseur en possède déjà une, ou parce qu'elle est rapide à construire, puis tordue pour s'ajuster à une maladie qu'elle ne convient pas. La conversation d'équipe est concrète : l'affection se répète-t-elle ou persiste-t-elle d'une façon qu'un arbre de décision ne peut capturer ; l'hypothèse markovienne sans mémoire aplatit-elle un risque qui dépend véritablement de l'historique ; les patients sont-ils en concurrence pour des lits ou des blocs d'une façon qu'un modèle de cohorte ignore ? Chaque structure achète de la clarté au prix de simplifications précises, aussi la question productive n'est-elle pas « est-ce le meilleur modèle » mais « quelles simplifications cette structure nous a-t-elle imposées, et l'une d'elles touche-t-elle la partie de la maladie sur laquelle repose la décision ? » Une réponse honnête nomme les hypothèses structurelles que le choix impose et montre que celles qui comptent ont été testées, plutôt que de défendre la structure parce qu'elle est déjà construite.

5. Quel type d'incertitude affrontons-nous réellement ici, et traitons-nous chacun selon ses propres termes ? Il est facile de réduire « nous ne sommes pas sûrs » à une seule large marge d'erreur, mais le champ distingue trois choses bien différentes : l'incertitude paramétrique (nous ne connaissons pas la vraie valeur d'un intrant), l'incertitude structurelle (nous doutons que le modèle soit construit de la bonne façon), et l'hétérogénéité (la réponse diffère véritablement entre sous-groupes). Chacune exige une réponse différente — l'analyse probabiliste pour les paramètres, l'analyse de scénarios entre structures alternatives pour la deuxième, des résultats par sous-groupe plutôt qu'une moyenne pour la troisième — et les confondre dénature ce qui est inconnu. Le tour de passe-passe classique consiste à cacher un doute structurel dans une distribution de paramètre bien large, de sorte que le chiffre phare rapporte toujours une seule probabilité rassurante d'efficience. L'équipe devrait demander lequel des trois pilote réellement le doute sur cette décision, et si l'analyse devant elle traite ce type-là ou seulement le type le plus commode. Une réponse honnête sépare explicitement les trois et admet où un doute est structurel — le type le plus difficile à quantifier et le plus facile à enterrer.

6. Étant donné ce que nous ne savons toujours pas, devrions-nous décider maintenant ou payer pour en apprendre davantage d'abord ? Lorsque l'incertitude est large et la somme engagée importante, « oui » et « non » ne sont pas les seules options : une décision « approuver avec recherche » ou « seulement en recherche » garde la porte ouverte pendant que la preuve mûrit. L'analyse de la valeur de l'information transforme l'impasse — « la preuve est immature » — en une question économique : que vaudrait-il de résoudre l'incertitude avant de décider, et cela dépasse-t-il le coût plausible de l'étude qui la résoudrait ? La tension est réelle, car le délai a son propre coût en santé sacrifiée par les patients qui attendent, et parce qu'un fabricant ou un service a tout intérêt à encaisser un oui précoce plutôt que de s'engager à générer des données. L'équipe devrait peser où se concentre l'incertitude résiduelle, si une étude faisable pourrait réellement la réduire dans un délai utile, et ce qu'un arrangement conditionnel exigerait de la partie intéressée. Une réponse honnête traite « décider maintenant contre acheter plus de preuve » comme un choix quantifiable plutôt qu'une affaire de nerfs, et est prête à recommander un oui conditionnel lorsque la valeur de l'apprentissage le justifie.

En pratique : un exemple d'économie de la santé

Le Fonds national d'assurance maladie du pays fictif à assurance sociale de Solenne décide s'il faut rembourser une nouvelle thérapie orale pour l'insuffisance cardiaque chronique. La soumission du fabricant rapporte un ratio coût-efficacité incrémental favorable, confortablement en dessous du seuil énoncé par le Fonds. La preuve pivot est un essai contrôlé randomisé unique : 18 mois de suivi, montrant que le médicament réduit les hospitalisations pour insuffisance cardiaque et améliore modestement la survie par rapport au soin standard. Le comité d'évaluation du Fonds demande à son équipe économique d'apprécier le modèle derrière le chiffre, pas seulement le chiffre.

L'équipe confirme d'abord qu'un modèle est incontournable. L'insuffisance cardiaque est à vie ; l'essai a duré 18 mois ; la décision concerne les coûts et les bénéfices sur le reste de la vie des patients. Une analyse intra-essai répondrait à la mauvaise question. Le fabricant a, à juste titre, construit un modèle de cohorte de Markov avec des états pour maladie stable, hospitalisation, et décès, cyclant mensuellement pour capturer les admissions fréquentes. Jusque-là, la structure convient à la maladie. L'examen de l'équipe se tourne alors vers les articulations qui portent le résultat.

Deux hypothèses dominent. La première est l'extrapolation de survie : au-delà de 18 mois, le modèle projette un bénéfice de mortalité qui persiste sans diminuer à vie, en utilisant la courbe paramétrique à l'ajustement de long terme le plus optimiste. Lorsque l'équipe réajuste des courbes alternatives et teste un scénario dans lequel l'effet du traitement s'atténue après cinq ans — conforme à la preuve de registre externe sur des médicaments similaires — le gain de QALY sur toute la vie se réduit et le ratio dépasse le seuil. La seconde est le comparateur : le modèle compare à un standard de soins plus ancien, mais les directives de Solenne recommandent désormais une combinaison plus récente que l'essai n'incluait pas, accessible seulement par une comparaison indirecte à large incertitude. L'équipe note aussi que l'hypothèse markovienne sans mémoire aplatit le risque de réadmission plus élevé des patients récemment hospitalisés, qu'ils traitent avec un court état tunnel.

L'équipe ré-exécute le modèle probabilistiquement, propageant toute l'incertitude paramétrique à travers une simulation de Monte-Carlo. La courbe d'acceptabilité coût-efficacité montre environ 50 % de probabilité d'efficience au seuil du Fonds — un tirage à pile ou face, non le dossier confiant que l'estimation ponctuelle laissait entendre. Parce que la décision est importante et l'incertitude concentrée dans l'extrapolation de survie, ils mènent une analyse de la valeur de l'information : la valeur espérée de résoudre cette incertitude dépasse le coût plausible d'une étude de suivi plus longue. La recommandation du comité n'est ni un oui net ni un non net. Il rembourse la thérapie sous un arrangement d'accès géré avec une remise confidentielle qui améliore le ratio, conditionnel à ce que le fabricant fournisse des données de survie prolongées dans un délai de trois ans — une décision « approuver avec recherche » que la modélisation, non l'intuition, a rendue défendable. La mécanique de tarification de cet arrangement relève du Sujet 2.4 — Pharmacoéconomie.

Quatre angles sectoriels

Jeune pousse

Une jeune pousse de santé numérique ou de dispositifs construit habituellement son premier modèle pour lever des fonds ou entrer dans un processus d'ETS qu'elle n'a jamais affronté, souvent avec une preuve clairsemée — une petite étude à un seul bras, des critères de substitution, une forte conviction des fondateurs. La tentation est un modèle conçu pour franchir le seuil, avec un horizon court qui cache les coûts tardifs et une extrapolation optimiste présentée comme un fait. La voie plus sage est un modèle précoce, délibérément conservateur, qui fait apparaître quel écart de preuve menace le plus le dossier de valeur, afin que l'argent rare de l'essai soit dépensé à combler précisément cet écart. Un modèle transparent qui montre honnêtement une large incertitude est plus finançable et plus crédible pour un payeur qu'un modèle poli qu'aucun relecteur ne peut ouvrir.

Petite entreprise

Un prestataire, cabinet, ou fournisseur petit mais établi — une clinique spécialisée, une entreprise de diagnostics, un distributeur de dispositifs au produit stable — rencontre habituellement la modélisation non pour lever des capitaux mais pour répondre à une vraie question d'achat ou de remboursement : un payeur financera-t-il ceci, une ligne de service vaut-elle d'être poursuivie, une mise à niveau d'équipement se rembourse-t-elle elle-même ? Contrairement à une jeune pousse, il dispose de données opérationnelles réelles — coûts réels, débit, résultats locaux — mais rarement d'un économiste de la santé interne, de sorte que le risque pratique est soit d'externaliser le modèle au fournisseur dont le produit est évalué, soit de construire un tableur qui ne teste jamais ses propres hypothèses. La voie sensée est un modèle modeste et transparent qui s'appuie sur ses propres données du monde réel pour les intrants qu'il peut sourcer localement et emprunte des estimations publiées, honnêtement notées, pour le reste, avec une analyse de sensibilité simple sur les deux ou trois paramètres qui font bouger la réponse. Sa crédibilité repose moins sur la sophistication que sur le fait d'être transparent sur l'origine des chiffres et capable de ré-exécuter le dossier quand un prix ou le seuil d'un payeur change.

Entreprise

Un grand fabricant, groupe hospitalier, ou assureur mène la modélisation comme une capacité industrielle : plateformes de modèles réutilisables, bibliothèques de paramètres standard, et équipes dédiées d'économie de la santé et de recherche sur les résultats qui préparent des soumissions pour de nombreuses juridictions à la fois. La force est la rigueur, la reproductibilité, et la capacité d'adapter un modèle global au guide méthodologique de chaque pays ; le risque est que l'échelle et l'intérêt personnel se combinent pour produire des modèles sophistiqués optimisés pour persuader, avec des choix structurels qui favorisent discrètement le commanditaire. La crédibilité de l'entreprise dépend d'une gouvernance qui sépare les modélisateurs de la pression commerciale, de la soumission de modèles pleinement exécutables et transparents, et de l'invitation plutôt que de la résistance à la réplication indépendante.

Gouvernement

Un payeur national, un organisme d'ETS, ou un ministère est le consommateur et l'arbitre des modèles plus souvent que le constructeur, et sa discipline est l'examen critique à grande échelle : un guide méthodologique publié qui contraint l'horizon, la perspective, l'actualisation, et le rapport d'incertitude, et la capacité de ré-exécuter et de contester le modèle d'un commanditaire plutôt que d'accepter son chiffre phare. Des organismes tels que le NICE, l'IQWiG, le PBAC, le CDA-AMC, et l'ICER existent pour imposer précisément cette discipline, et construisent ou commanditent de plus en plus des modèles indépendants pour valider de façon croisée les soumissions de l'industrie. Le gouvernement porte aussi les décisions que la modélisation rend possibles mais ne peut prendre seule — approuver, rejeter, ou approuver avec recherche — et la redevabilité pour le coût d'opportunité que chaque oui impose à des patients qui ne voient jamais le comité.

Erreurs courantes

• Construire un modèle quand un essai répond déjà à la question. Ajouter des hypothèses là où une bonne preuve intra-essai correspond à la décision, important un biais sans gain. Remède : choisir délibérément entre approche fondée sur l'essai et approche fondée sur le modèle, et ne modéliser que l'écart que l'essai ne peut couvrir.

• Tronquer l'horizon temporel. Terminer le modèle avant que des bénéfices ou des coûts tardifs ne s'accumulent, flattant les interventions à coût d'emblée telles que la prévention. Remède : exécuter l'horizon jusqu'à ce qu'aucune différence significative ne subsiste — toute une vie pour les affections à vie — et le justifier par rapport à l'histoire naturelle.

• Extrapolation optimiste introduite subrepticement comme estimation ponctuelle. Choisir la courbe de survie ou l'hypothèse de persistance d'effet qui flatte le plus le résultat et la présenter comme le cas de base. Remède : ajuster des alternatives, tester l'atténuation de l'effet, montrer la fourchette par rapport aux données externes.

• Rapporter une estimation ponctuelle sans incertitude. Un ratio unique impliquant une fausse précision. Remède : toujours mener une analyse de sensibilité probabiliste et rapporter la courbe d'acceptabilité aux côtés de l'estimation ponctuelle.

• Confondre les types d'incertitude. Cacher un doute structurel dans une large distribution de paramètre, ou faire la moyenne sur une hétérogénéité réelle. Remède : traiter l'incertitude paramétrique probabilistiquement, l'incertitude structurelle par scénario, et l'hétérogénéité par sous-groupe.

• Comparateurs faibles ou absents. Montrer l'efficience contre un placebo ou un standard dépassé quand les cliniciens choisissent parmi des options actuelles. Remède : inclure tous les comparateurs pertinents à des prix et une adhésion réels, et être honnête sur les comparaisons indirectes.

• Le modèle boîte noire. Un résultat qui ne peut être ouvert, ré-exécuté, ou reproduit, en particulier venant d'une partie intéressée. Remède : exiger des modèles exécutables, des tableaux de paramètres complets, et un compte-rendu de validation écrit avant toute décision.

• Sauter la validation. Faire confiance à un modèle d'apparence sophistiquée sans contrôles de validité apparente, interne, croisée, ou externe. Remède : valider à chaque niveau et le documenter ; traiter un modèle non validé comme non prouvé.

Modèle de maturité

Liste de vérification

• Énoncer explicitement si l'évaluation est fondée sur l'essai, sur le modèle, ou les deux, et pourquoi.
• Justifier le type de modèle (arbre, Markov, microsimulation, événements discrets) par rapport au problème de décision et à la maladie.
• Fixer l'horizon temporel assez long pour qu'aucune différence de coût ou de santé significative supplémentaire ne s'accumule, et le justifier.
• Lister chaque hypothèse structurelle, y compris l'hypothèse markovienne sans mémoire le cas échéant, et tester celles qui comptent.
• Faire remonter chaque paramètre à une source énoncée et noter la preuve derrière les moteurs du résultat.
• Inclure tous les comparateurs pertinents du monde réel à des prix et une adhésion réalistes.
• Montrer des hypothèses d'extrapolation alternatives et leur effet sur la conclusion, pas seulement le cas de base.
• Mener une analyse de sensibilité probabiliste et rapporter une courbe d'acceptabilité coût-efficacité aux côtés de l'estimation ponctuelle.
• Séparer l'incertitude paramétrique, structurelle, et d'hétérogénéité et traiter chacune de façon appropriée.
• Valider le modèle (apparente, interne, croisée, et si possible externe) et consigner par écrit le compte-rendu de validation.
• S'assurer que le modèle est assez transparent et reproductible pour qu'un relecteur indépendant puisse le reconstruire.
• Là où l'incertitude est large et la décision importante, mener une analyse de la valeur de l'information pour peser la commande de davantage de recherche.

Sources clés

• Andrew Briggs, Mark Sculpher & Karl Claxton, Decision Modelling for Health Economic Evaluation (Oxford University Press) — le cadre standard de la modélisation d'analyse de décision en économie de la santé.
• Alastair Gray, Philip Clarke, Jane Wolstenholme & Sarah Wordsworth, Applied Methods of Cost-Effectiveness Analysis in Health Care (Oxford University Press) — construction de modèles appliqués et méthodes de coût-efficacité.
• Henry Glick, Jalpa Doshi, Seema Sonnad & Daniel Polsky, Economic Evaluation in Clinical Trials (Oxford University Press) — évaluation fondée sur l'essai et choix entre intra-essai et fondé sur le modèle.
• Rapports du groupe de travail ISPOR–SMDM sur les bonnes pratiques de recherche en modélisation — directives de bonnes pratiques sur la conceptualisation des modèles, les arbres de décision, les modèles de Markov, la microsimulation, la simulation à événements discrets, et la transparence et validation des modèles.
• Manuel des évaluations de technologies de santé du NICE (PMG36) — exigences méthodologiques pour les modèles soumis à un organisme national d'ETS — https://www.nice.org.uk/process/pmg36
• Economics Network, Health Economics for Teachers — module de modélisation — https://economicsnetwork.ac.uk/health/teachers

Références

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