Pemodelan

Mengapa ini penting dalam ekonomi kesehatan

Hampir setiap keputusan pendanaan penting dalam kesehatan harus dibuat pada bukti yang tidak lengkap. Uji coba mengikuti pasien selama dua tahun; obat akan diminum selama dua puluh tahun. Studi dijalankan di rumah sakit satu negara; keputusan untuk klinik negara lain. Tes baru dibandingkan dengan plasebo; pilihan nyata adalah terhadap tiga pengobatan yang sudah digunakan. Model adalah cara terstruktur menjembatani kesenjangan itu — mengambil apa yang diketahui dan bernalar hati-hati ke kuantitas yang benar-benar dibutuhkan pembuat keputusan: biaya dan konsekuensi kesehatan seumur hidup dari memilih opsi A daripada opsi B. Tanpa model, alternatifnya bukan "kepastian tidak-termodel"; itu adalah model implisit dan tidak terdokumentasi di kepala seseorang, tanpa asumsi apa pun terlihat dan tidak ada yang dapat diuji.

Bagi seorang direktur, ini adalah tempat uang publik dikomitmenkan dalam skala. Ketika pembayar nasional memutuskan untuk mengganti biaya obat, mendanai program skrining, atau mengonfigurasi ulang layanan, angka yang menjadi jangkar keputusan — biaya inkremental per tahun kehidupan yang disesuaikan dengan kualitas (QALY) — hampir selalu keluar dari model, bukan uji coba. Konsep evaluasi ekonomi yang diekspresikan angka itu (QALY, rasio efektivitas-biaya inkremental, ambang batas, perspektif) dimiliki Topik 2.1 — Evaluasi Ekonomi dan diasumsikan di sini; topik ini memiliki mesin yang menghasilkan perkiraan. Jika mesinnya salah, ambang batas diterapkan pada fiksi.

Taruhannya karena itu sekaligus finansial dan etis. Model yang melebih-lebihkan manfaat mendanai sesuatu yang menggantikan penggunaan lebih baik dari anggaran yang sama — biaya peluang jatuh pada pasien yang tidak disebutkan namanya di tempat lain. Model yang opak tidak dapat ditantang, dan analisis yang tidak dapat ditantang adalah di mana penangkapan, pemikiran berharap-harap, dan optimisme fornitur bersembunyi. Disiplin pemodelan — menyatakan struktur, menguji setiap asumsi, dan mengkuantifikasi apa yang tidak Anda ketahui — adalah apa yang mengubah slide persuasif menjadi bukti yang dapat dipertahankan badan publik.

Konsep inti

Analisis keputusan adalah kerangka formal di bawah semua ini: menguraikan opsi, peristiwa kesempatan yang mengikuti masing-masing, probabilitas peristiwa itu, dan nilai setiap hasil, kemudian menghitung nilai yang diharapkan dari setiap opsi. Model ekonomi kesehatan adalah analisis keputusan yang diterapkan pada pilihan kesehatan, dengan biaya dan hasil kesehatan sebagai nilai yang ditimbang. Teks fondasional untuk bidang ini adalah Decision Modelling for Health Economic Evaluation Briggs, Sculpher dan Claxton, yang kerangkanya diikuti topik ini.

Struktur paling sederhana adalah pohon keputusan: diagram bercabang dari node keputusan melalui node kesempatan ke hasil akhir, setiap cabang membawa probabilitas dan setiap titik akhir biaya dan hasil kesehatan. Pohon jelas dan cepat, dan cocok untuk keputusan yang terselesaikan selama horizon pendek dan tetap — peristiwa akut, jalur diagnostik. Kelemahannya adalah waktu: pohon tidak memiliki cara alami untuk merepresentasikan peristiwa yang berulang, kondisi yang bertahan, atau risiko yang berubah tahun demi tahun, karena setiap kemungkinan harus digambar sebagai jalur yang terus bercabang.

Untuk penyakit kronis, kuda kerjanya adalah rantai Markov, atau model kohort Markov. Ini merepresentasikan penyakit sebagai seperangkat keadaan kesehatan yang saling eksklusif — misalnya sehat, komplikasi, mati — dan menggerakkan kohort hipotetis di antaranya dalam siklus waktu tetap sesuai probabilitas transisi. Mengakumulasi biaya dan kualitas hidup di seluruh banyak siklus menghasilkan total seumur hidup. Penyederhanaan pendefinisiannya adalah asumsi Markov: transisi hanya bergantung pada keadaan saat ini, bukan sejarah, sehingga model standar tidak dapat "mengingat" berapa lama pasien telah sakit. Analis bekerja di sekitar ini dengan keadaan terowongan atau transisi bergantung-waktu, tetapi asumsinya adalah hal pertama yang harus diinterogasi reviewer.

Ketika sejarah pasien, karakteristik individu, atau interaksi terlalu penting untuk hilang, pemodel beralih ke simulasi tingkat-individu. Mikrosimulasi menjalankan pasien melalui model satu per satu, masing-masing membawa atribut (usia, faktor risiko, sejarah peristiwa) yang membentuk lintasan mereka, sehingga heterogenitas dan memori dipertahankan. Di mana pasien juga bersaing untuk sumber daya bersama dan terbatas — tempat tidur, ruang operasi, staf, daftar tunggu transplantasi — simulasi peristiwa-diskrit menambahkan antrian dan waktu, memodelkan sistem daripada pasien tunggal. Metode ini membeli realisme dengan harga kelaparan data, waktu jalan, dan pekerjaan lebih sulit menjelaskan hasilnya.

Tidak ada output model adalah angka pasti tunggal, dan berpura-pura sebaliknya adalah dosa kardinal bidang ini. Analisis sensitivitas menanyakan bagaimana kesimpulan bergerak ketika input berubah. Analisis sensitivitas deterministik memvariasikan satu atau beberapa parameter di seluruh rentang masuk akal (sering ditampilkan sebagai diagram tornado). Analisis sensitivitas probabilistik menetapkan setiap parameter tidak pasti distribusi probabilitas dan, menggunakan pengambilan sampel Monte Carlo, menjalankan model ribuan kali untuk menghasilkan distribusi hasil — diringkas sebagai probabilitas bahwa opsi efektif-biaya pada ambang tertentu. Ketidakpastian yang tersisa setelah ini dapat dinilai: analisis nilai informasi memperkirakan apa nilainya untuk mengomisikan lebih banyak penelitian sebelum memutuskan, mengubah "kami tidak yakin" menjadi angka yang dapat ditindaklanjuti anggaran penelitian.

Model hanya sekredibel validasinya. Validitas wajah menanyakan apakah struktur dan hasil masuk akal secara klinis; validitas internal (verifikasi) memeriksa model melakukan apa yang dimaksudkan persamaannya, bebas dari kesalahan koding; validitas silang membandingkan hasil terhadap model lain dari masalah yang sama; dan validitas eksternal menguji prediksi terhadap hasil nyata yang tidak digunakan model sebagai input. Terakhir, kotak peralatan pemodelan duduk di dalam mesin yang lebih luas dari penilaian teknologi kesehatan (HTA) — proses di mana badan seperti NICE Inggris, IQWiG Jerman, CDA-AMC Kanada, PBAC Australia, dan ICER Amerika Serikat menimbang bukti untuk keputusan pendanaan di seluruh dunia.

Praktik terbaik

1. Putuskan berbasis-uji-coba versus berbasis-model sebelum Anda membangun apa pun. Analisis dalam-uji-coba bersama uji coba terkontrol acak adalah alat yang tepat ketika horizon, pembanding, dan populasi uji coba cocok dengan keputusan. Model diperlukan ketika — seperti biasanya — keputusan melampaui uji coba: konsekuensi seumur hidup, pembanding yang tidak pernah diuji berhadapan langsung, atau populasi target berbeda dari yang terdaftar. Sebagian besar keputusan nyata membutuhkan keduanya: uji coba menjangkarkan efek jangka pendek, model mengekstrapolasinya. Nyatakan mana yang Anda lakukan dan mengapa di halaman pertama.

2. Biarkan masalah keputusan memilih jenis model, jangan pernah sebaliknya. Keputusan pendek, akut, tidak-berulang cocok untuk pohon keputusan; kondisi kronis dengan peristiwa berulang cocok untuk model Markov; heterogenitas pasien yang kuat atau memori peristiwa mendorong ke mikrosimulasi; sumber daya bersama terbatas dan antrian mendorong ke simulasi peristiwa-diskrit. Memilih struktur karena akrab, atau karena fornitur sudah memilikinya, adalah bagaimana model salah-cocok dengan pertanyaan yang dimaksudkan dijawabnya.

3. Perbaiki horizon waktu cukup panjang untuk menangkap semua perbedaan relevan. Horizon harus berjalan hingga tidak ada lagi perbedaan bermakna dalam biaya atau kesehatan yang bertambah antara opsi — untuk kondisi seumur hidup, itu berarti seumur hidup. Memotong awal melumasi intervensi yang biayanya mendarat di muka dan manfaatnya tiba lambat (pencegahan, kesembuhan), dan ini adalah salah satu cara paling umum model secara diam-diam membias jawabannya sendiri. Justifikasikan horizon secara eksplisit terhadap sejarah alami penyakit.

4. Pilih struktur model untuk mencerminkan penyakit, dan sebutkan asumsi yang dipaksanya. Keadaan kesehatan harus bermakna secara klinis, saling eksklusif, dan secara kolektif lengkap; panjang siklus harus cukup pendek untuk menangkap peristiwa penting tercepat. Setiap struktur memaksakan penyederhanaan — asumsi tanpa-memori Markov adalah contoh klasik — jadi daftar mereka di mana reviewer dapat melihatnya dan tunjukkan bahwa yang penting telah diuji atau dilonggarkan.

5. Sumberkan setiap parameter dengan sengaja dan nilai buktinya. Probabilitas transisi, biaya, dan bobot kualitas hidup masing-masing harus dilacak ke sumber yang dinyatakan, dengan bukti terkuat digunakan untuk parameter yang mendorong hasil. Eksplisit di mana tinjauan sistematis, studi tunggal, registri, atau penilaian ahli melakukan pekerjaan, dan lebih suka efek relatif dari bukti acak dikombinasikan dengan risiko dasar dari data observasional lokal — mencampur sumber sah, menyembunyikan campuran tidak.

6. Modelkan pembanding yang benar-benar dihadapi keputusan, pada dosis dan harga dunia-nyata. Hasil efektif-biaya terhadap plasebo atau terhadap standar usang hampir tidak bermakna jika klinisi sebenarnya memilih di antara tiga opsi saat ini. Sertakan semua pembanding relevan, gunakan harga dan pola kepatuhan yang akan berlaku dalam praktik, dan jujurlah ketika perbandingan berhadapan-langsung bertumpu pada perbandingan tidak-langsung atau jaringan daripada bukti uji coba langsung.

7. Ekstrapolasi melampaui uji coba dengan asumsi kelangsungan hidup yang dinyatakan dan diuji. Di mana model memproyeksikan efek melampaui data yang diamati — hampir selalu — pilihan ekstrapolasi (kurva kelangsungan hidup mana, apakah efek pengobatan bertahan, memudar, atau berhenti) dapat mendominasi jawaban. Cocokkan kurva parametrik alternatif, tunjukkan mereka terhadap data yang diamati dan bukti eksternal, dan sajikan rentang daripada menyelundupkan kecocokan paling optimis sebagai perkiraan titik.

8. Karakterisasi ketidakpastian secara probabilistik, bukan hanya satu parameter pada satu waktu. Analisis satu-arah deterministik dan diagram tornado menunjukkan input mana yang penting, tetapi hanya analisis sensitivitas probabilistik, menyebarkan semua ketidakpastian bersama melalui simulasi Monte Carlo, menghasilkan probabilitas bahwa keputusan benar. Laporkan kurva penerimaan efektivitas-biaya bersama perkiraan titik; rasio yang menguntungkan dengan probabilitas 55% efektivitas-biaya adalah keputusan berbeda dari rasio yang sama pada 95%.

9. Pisahkan jenis ketidakpastian dan perlakukan masing-masing dengan caranya sendiri. Ketidakpastian parameter (kita tidak tahu nilai sebenarnya) ditangani oleh analisis probabilistik; ketidakpastian struktural (kita tidak yakin model dibangun dengan benar) memerlukan analisis skenario di seluruh struktur alternatif; heterogenitas (jawaban benar-benar berbeda menurut subkelompok) memerlukan hasil subkelompok, bukan rata-rata yang tidak cocok dengan siapa pun. Mencampuradukkan mereka — misalnya, menyembunyikan keraguan struktural di dalam distribusi parameter lebar — salah merepresentasikan apa yang sebenarnya tidak diketahui.

10. Validasi di setiap tingkat, dan tuliskan validasinya. Periksa validitas wajah dengan klinisi yang tidak membangun model; verifikasi kode dengan pengujian independen dan pemeriksaan nilai-ekstrem; validasi silang terhadap model yang dipublikasikan dari penyakit yang sama dan jelaskan divergensi; dan, di mana ada data hasil eksternal, uji prediksi model terhadapnya. Model yang disajikan untuk keputusan pendanaan tanpa catatan validasi tidak boleh dipercaya, betapa canggihnya terlihat.

11. Buat model transparan dan dapat direproduksi cukup untuk musuh untuk membangunnya kembali. Dokumentasikan struktur, setiap input dengan sumbernya, dan setiap asumsi, sehingga reviewer skeptis pada prinsipnya dapat merekonstruksi hasilnya. Transparansi bukan kesopanan; itu adalah mekanisme di mana kesalahan optimis ditangkap sebelum uang publik bergerak, itulah sebabnya badan HTA semakin menuntut model yang dapat dieksekusi dan tabel parameter lengkap daripada rasio ringkasan.

12. Kuantifikasi apakah lebih banyak penelitian layak dibeli sebelum Anda berkomitmen. Ketika ketidakpastian lebar dan jumlahnya besar, analisis nilai-informasi memperkirakan nilai yang diharapkan dari menyelesaikan ketidakpastian itu — kadang membenarkan keputusan "setujui dengan penelitian" atau "hanya dalam penelitian" daripada ya atau tidak sederhana. Ini membingkai ulang jalan buntu ("buktinya belum matang") menjadi pertanyaan ekonomi ("apakah uji coba layak biayanya, mengingat keputusan yang dipertaruhkan?").

Pertanyaan untuk didiskusikan dengan tim Anda

1. Apakah keputusan ini benar-benar membutuhkan model, dan jika demikian, apa yang dilakukan model yang tidak dapat dilakukan uji coba? Naluri di banyak organisasi adalah menjangkau model secara refleks, atau mencurigai model secara keseluruhan sebagai "angka yang dibuat-buat" — keduanya salah. Pertanyaan produktifnya adalah kesenjangan spesifik apa yang dijembatani model: mengekstrapolasi uji coba dua-tahun ke seumur hidup, membandingkan dengan pengobatan yang tidak pernah diuji berhadapan langsung, atau mengangkut bukti dari satu sistem kesehatan ke Anda. Menyebutkan kesenjangan mendisiplinkan model, karena itu memberi tahu Anda bagian struktur mana yang membawa keputusan dan karena itu layak mendapat pengawasan terbesar dan data terkuat. Ini juga memberi tahu Anda kapan model tidak dibenarkan — di mana analisis dalam-uji-coba yang baik sudah cocok dengan keputusan, model yang rumit menambah asumsi tanpa menambah kebenaran. Jawaban yang jujur menyatakan satu hal paling penting yang diekstrapolasi model dan berapa banyak hasil yang bergantung pada ekstrapolasi itu.

2. Satu atau dua asumsi mana, jika salah, akan membalikkan kesimpulan kita — dan seberapa yakin kita persis pada itu? Setiap model memiliki segenggam asumsi pembawa-beban dan ekor panjang input yang hampir tidak penting; bahayanya adalah menghabiskan pengawasan secara merata alih-alih pada sendi yang membawa berat. Diagram tornado atau analisis sensitivitas satu-arah mengidentifikasi pendorong secara mekanis, tetapi percakapan tim adalah tentang kualitas bukti tepat pada pendorong itu: apakah probabilitas transisi penting dari meta-analisis yang kuat atau satu studi kecil, apakah ekstrapolasi kelangsungan hidup dijangkarkan ke data eksternal atau kecocokan kurva berharap? Pola yang tidak nyaman adalah rasio utama percaya diri bertumpu pada parameter yang buktinya tipis. Jawaban yang jujur tidak mengklaim model kuat secara umum; itu menyebutkan asumsi spesifik yang digantungkan keputusan dan menilai bukti di belakang masing-masing, kemudian memutuskan apakah itu cukup untuk ditindaklanjuti atau alasan untuk mengumpulkan lebih banyak.

3. Siapa yang membangun model ini, kasus siapa yang dibantunya, dan apakah pembangunan ulang independen akan mencapai jawaban yang sama? Banyak model yang ditempatkan di depan pembayar dibangun oleh, atau didanai oleh, pihak dengan kepentingan langsung dalam hasil — produsen mencari penggantian biaya, layanan mencari investasi. Itu tidak membuat mereka salah, tetapi membuat pengawasan independen tidak dapat dinegosiasikan, dan itu menimbulkan pertanyaan spesifik: apakah pembanding dipilih untuk melumasi, apakah ekstrapolasi paling optimis dipilih, apakah model cukup transparan untuk diinterogasi sama sekali? Ketegangannya adalah bahwa orang-orang dengan data dan kapasitas pemodelan sering pihak yang berkepentingan, jadi jawabannya jarang menolak model mereka sepenuhnya tetapi menuntut transparansi, menjalankan analisis sensitivitas Anda sendiri pada model mereka, dan validasi silang terhadap pekerjaan independen. Jawaban yang jujur jujur tentang provenans dan konflik, dan memperlakukan model yang tidak dapat dibuka dan dijalankan ulang sebagai bendera merah daripada detail proprietary yang dilambaikan lewat.

4. Apakah penyakit yang memilih struktur model kita, atau kenyamanan yang memilihnya untuk kita? Strukturnya — pohon keputusan, kohort Markov, mikrosimulasi, simulasi peristiwa-diskrit — harus mengikuti masalah klinis: bagaimana kondisi terungkap, apakah peristiwa berulang, apakah sejarah pasien atau sumber daya bersama dan terbatas penting. Pola kegagalannya adalah struktur yang diadopsi karena akrab, karena fornitur sudah memilikinya, atau karena cepat dibangun, dan kemudian ditekuk untuk cocok dengan penyakit yang tidak cocok. Percakapan tim konkret: apakah kondisi berulang atau bertahan dengan cara yang tidak dapat ditangkap pohon keputusan; apakah asumsi tanpa-memori Markov meratakan risiko yang benar-benar bergantung pada sejarah; apakah pasien bersaing untuk tempat tidur atau ruang operasi dengan cara yang diabaikan model kohort? Setiap struktur membeli kejelasan dengan harga penyederhanaan spesifik, jadi pertanyaan produktif bukan "apakah ini model terbaik" tetapi "penyederhanaan mana yang dipaksakan struktur ini pada kita, dan apakah salah satunya menyentuh bagian penyakit yang menjadi giliran keputusan?" Jawaban yang jujur menyebutkan asumsi struktural yang dipaksakan pilihan dan menunjukkan yang penting telah diuji, daripada mempertahankan struktur karena sudah dibangun.

5. Jenis ketidakpastian mana yang sebenarnya kita hadapi di sini, dan apakah kita memperlakukan masing-masing dengan caranya sendiri? Mudah untuk mengempiskan "kita tidak yakin" menjadi satu bar kesalahan lebar, tetapi bidang ini membedakan tiga hal yang cukup berbeda: ketidakpastian parameter (kita tidak tahu nilai sebenarnya dari input), ketidakpastian struktural (kita tidak yakin model dibangun dengan cara yang benar), dan heterogenitas (jawaban benar-benar berbeda antar subkelompok). Masing-masing menuntut respons berbeda — analisis probabilistik untuk parameter, analisis skenario di seluruh struktur alternatif untuk yang kedua, hasil subkelompok daripada rata-rata untuk yang ketiga — dan mencampuradukkan mereka salah merepresentasikan apa yang tidak diketahui. Tipu daya klasiknya adalah menyembunyikan keraguan struktural di dalam distribusi parameter gemuk, sehingga judul utama masih melaporkan satu probabilitas efektivitas-biaya yang menenangkan. Tim harus bertanya mana dari tiga itu yang benar-benar mendorong keraguan pada keputusan ini, dan apakah analisis di depan mereka mengatasi jenis itu atau hanya jenis yang paling nyaman. Jawaban yang jujur memisahkan ketiganya secara eksplisit dan mengakui di mana keraguan itu struktural — jenis yang paling sulit dikuantifikasi dan paling mudah dikubur.

6. Mengingat apa yang masih belum kita ketahui, haruskah kita memutuskan sekarang atau membayar untuk belajar lebih banyak dahulu? Ketika ketidakpastian lebar dan jumlah yang dikomitmenkan besar, "ya" dan "tidak" bukan satu-satunya opsi: keputusan "setujui dengan penelitian" atau "hanya dalam penelitian" menjaga pintu terbuka sementara bukti matang. Analisis nilai-informasi mengubah jalan buntu — "buktinya belum matang" — menjadi pertanyaan ekonomi: apa nilainya untuk menyelesaikan ketidakpastian sebelum memutuskan, dan apakah itu melebihi biaya masuk akal dari studi yang akan menyelesaikannya? Ketegangannya nyata, karena penundaan memiliki biaya sendiri dalam kesehatan yang tidak jadi diberikan kepada pasien yang menunggu, dan karena produsen atau layanan memiliki setiap insentif untuk mengumpulkan ya awal daripada berkomitmen menghasilkan data. Tim harus menimbang di mana ketidakpastian residual terkonsentrasi, apakah studi yang layak benar-benar dapat mempersempitnya dalam kerangka waktu yang berguna, dan apa yang akan dibutuhkan arrangement bersyarat dari pihak yang berkepentingan. Jawaban yang jujur memperlakukan "putuskan sekarang versus beli lebih banyak bukti" sebagai pilihan yang dapat dikuantifikasi daripada masalah nyali, dan bersedia merekomendasikan ya bersyarat ketika nilai pembelajaran membenarkannya.

Dalam praktik: sebuah contoh ekonomi kesehatan

Dana Asuransi Kesehatan Nasional negara asuransi-sosial fiktif Solenne memutuskan apakah mengganti biaya terapi oral baru untuk gagal jantung kronis. Pengajuan produsen melaporkan rasio efektivitas-biaya inkremental yang menguntungkan, nyaman di bawah ambang batas yang dinyatakan Dana. Bukti penting adalah satu uji coba terkontrol acak: 18 bulan tindak lanjut, menunjukkan obat mengurangi rawat inap untuk gagal jantung dan sedikit meningkatkan kelangsungan hidup terhadap perawatan standar. Komite penilaian Dana meminta tim ekonominya untuk menilai model di balik angka, bukan hanya angkanya.

Tim pertama mengonfirmasi bahwa model tidak dapat dihindari. Gagal jantung seumur hidup; uji coba berjalan 18 bulan; keputusan menyangkut biaya dan manfaat selama sisa hidup pasien. Analisis dalam-uji-coba akan menjawab pertanyaan yang salah. Produsen telah, dengan benar, membangun model kohort Markov dengan keadaan untuk penyakit stabil, rawat inap, dan kematian, bersiklus bulanan untuk menangkap admisi sering. Sejauh ini struktur cocok dengan penyakit. Pengawasan tim kemudian beralih ke sendi yang membawa hasil.

Dua asumsi mendominasi. Yang pertama adalah ekstrapolasi kelangsungan hidup: melampaui 18 bulan model memproyeksikan manfaat mortalitas yang bertahan tidak berkurang seumur hidup, menggunakan kurva parametrik dengan kecocokan jangka-panjang paling optimis. Ketika tim mencocokkan ulang kurva alternatif dan menguji skenario di mana efek pengobatan memudar setelah lima tahun — konsisten dengan bukti registri eksternal pada obat serupa — keuntungan QALY seumur hidup menyusut dan rasio naik di atas ambang batas. Yang kedua adalah pembanding: model membandingkan dengan standar perawatan yang lebih lama, tetapi pedoman Solenne sekarang merekomendasikan kombinasi lebih baru yang tidak dimasukkan uji coba, dapat dijangkau hanya melalui perbandingan tidak-langsung dengan ketidakpastian lebar. Tim juga mencatat asumsi tanpa-memori Markov meratakan risiko readmisi lebih tinggi dari pasien yang baru-baru ini dirawat inap, yang mereka atasi dengan keadaan terowongan singkat.

Tim menjalankan ulang model secara probabilistik, menyebarkan semua ketidakpastian parameter melalui simulasi Monte Carlo. Kurva penerimaan efektivitas-biaya menunjukkan kira-kira probabilitas 50% efektivitas-biaya pada ambang Dana — lemparan koin, bukan kasus percaya diri yang diimplikasikan perkiraan titik. Karena keputusan besar dan ketidakpastian terkonsentrasi dalam ekstrapolasi kelangsungan hidup, mereka menjalankan analisis nilai-informasi: nilai yang diharapkan dari menyelesaikan ketidakpastian itu melebihi biaya masuk akal dari studi tindak-lanjut yang lebih panjang. Rekomendasi komite bukan ya datar atau tidak datar. Ini mengganti biaya terapi di bawah arrangement masuk-terkelola dengan diskonto rahasia yang meningkatkan rasio, bersyarat pada produsen memasok data kelangsungan hidup yang diperpanjang dalam tiga tahun — keputusan "setujui dengan penelitian" yang dibuat pemodelan, bukan intuisi, dapat dipertahankan. Mekanika penetapan harga dari arrangement itu dimiliki Topik 2.4 — Farmakoekonomi.

Empat lensa sektor

Startup

Startup kesehatan digital atau perangkat biasanya membangun model pertamanya untuk mengumpulkan uang atau memasuki proses HTA yang belum pernah dihadapinya, sering dengan bukti jarang — studi lengan-tunggal kecil, endpoint pengganti, keyakinan pendiri yang kuat. Godaannya adalah model yang direkayasa untuk melewati ambang, dengan horizon pendek yang menyembunyikan biaya lambat dan ekstrapolasi optimis disajikan sebagai fakta. Jalan yang lebih bijaksana adalah model awal yang sengaja konservatif yang memunculkan kesenjangan bukti mana yang paling mengancam kasus nilai, sehingga uang uji coba yang langka dibelanjakan menutup kesenjangan itu tepatnya. Model transparan yang jujur menunjukkan ketidakpastian lebar lebih dapat didanai dan lebih kredibel kepada pembayar daripada yang dipoles yang tidak dapat dibuka reviewer mana pun.

Bisnis kecil

Penyedia, praktik, atau pemasok kecil yang mapan — klinik spesialis, perusahaan diagnostik, distributor perangkat dengan produk mapan — biasanya menemui pemodelan bukan untuk mengumpulkan modal tetapi untuk menjawab pertanyaan pembelian atau penggantian-biaya nyata: apakah pembayar akan mendanai ini, apakah lini layanan layak dilanjutkan, apakah pembaruan peralatan membayar sendiri? Berbeda dari startup, ia memiliki data operasi nyata — biaya nyata, vazão, hasil lokal — tetapi jarang ekonom kesehatan internal, jadi risiko praktisnya adalah baik menyerahkan model ke fornitur yang produknya sedang dievaluasi, atau membangun spreadsheet yang tidak pernah menguji asumsinya sendiri. Jalur sensibel adalah model sederhana dan transparan yang bersandar pada data dunia-nyata sendiri untuk input yang dapat disumberkannya secara lokal dan meminjam perkiraan yang dipublikasikan, dinilai dengan jujur, untuk sisanya, dengan analisis sensitivitas sederhana pada dua atau tiga parameter yang menggerakkan jawaban. Kredibilitasnya bertumpu kurang pada kecanggihan dan lebih pada keterbukaan tentang dari mana angka berasal dan kemampuan untuk menjalankan ulang kasus ketika harga atau ambang pembayar bergeser.

Perusahaan

Produsen besar, kelompok rumah sakit, atau perusahaan asuransi menjalankan pemodelan sebagai kapabilitas industrial: platform model yang dapat digunakan ulang, perpustakaan parameter standar, dan tim ekonomi-kesehatan dan penelitian-hasil khusus yang menyiapkan pengajuan untuk banyak yurisdiksi sekaligus. Kekuatannya adalah rigor, reproduktibilitas, dan kemampuan mengadaptasi satu model global ke panduan metode setiap negara; risikonya adalah bahwa skala dan kepentingan diri bergabung untuk menghasilkan model canggih yang dioptimalkan untuk meyakinkan, dengan pilihan struktural yang secara diam-diam menguntungkan sponsor. Kredibilitas perusahaan bergantung pada tata kelola yang memisahkan pemodel dari tekanan komersial, pada mengajukan model yang sepenuhnya dapat dieksekusi dan transparan, dan pada mengundang daripada menolak replikasi independen.

Pemerintah

Pembayar nasional, badan HTA, atau kementerian adalah konsumen dan wasit model lebih sering daripada pembangun, dan disiplinnya adalah tinjauan kritis dalam skala: panduan metode yang dipublikasikan yang membatasi horizon, perspektif, diskonto, dan pelaporan ketidakpastian, dan kapasitas untuk menjalankan ulang dan menantang model sponsor daripada menerima judul utamanya. Badan seperti NICE, IQWiG, PBAC, CDA-AMC, dan ICER ada untuk memaksakan disiplin ini tepatnya, dan semakin membangun atau mengomisikan model independen untuk validasi-silang pengajuan industri. Pemerintah juga membawa keputusan yang dimungkinkan pemodelan tetapi tidak dapat dibuat sendiri — setujui, tolak, atau setujui-dengan-penelitian — dan akuntabilitas untuk biaya peluang yang dipaksakan setiap ya pada pasien yang tidak pernah melihat komite.

Mode kegagalan umum

• Membangun model ketika uji coba sudah menjawab pertanyaan. Menambahkan asumsi di mana bukti dalam-uji-coba yang baik cocok dengan keputusan, mengimpor bias tanpa keuntungan. Perbaikan: pilih berbasis-uji-coba versus berbasis-model dengan sengaja, dan model hanya kesenjangan yang tidak dapat dicakup uji coba.
• Memotong horizon waktu. Mengakhiri model sebelum manfaat atau biaya lambat bertambah, melumasi intervensi biaya-di-muka seperti pencegahan. Perbaikan: jalankan horizon hingga tidak ada lagi perbedaan bermakna yang tersisa — seumur hidup untuk kondisi seumur hidup — dan justifikasikan terhadap sejarah alami.
• Ekstrapolasi optimis diselundupkan sebagai perkiraan titik. Memilih kurva kelangsungan hidup atau asumsi ketahanan-efek yang paling melumasi hasil dan menyajikannya sebagai kasus dasar. Perbaikan: cocokkan alternatif, uji pemudaran efek, tunjukkan rentang terhadap data eksternal.
• Melaporkan perkiraan titik tanpa ketidakpastian. Rasio tunggal yang menyiratkan presisi palsu. Perbaikan: selalu jalankan analisis sensitivitas probabilistik dan laporkan kurva penerimaan bersama perkiraan titik.
• Membingungkan jenis ketidakpastian. Menyembunyikan keraguan struktural di dalam distribusi parameter lebar, atau merata-ratakan heterogenitas nyata. Perbaikan: tangani ketidakpastian parameter secara probabilistik, ketidakpastian struktural melalui skenario, dan heterogenitas melalui subkelompok.
• Pembanding lemah atau tidak ada. Menunjukkan efektivitas-biaya terhadap plasebo atau standar usang ketika klinisi memilih di antara opsi saat ini. Perbaikan: sertakan semua pembanding relevan pada harga dan kepatuhan nyata, dan jujurlah tentang perbandingan tidak-langsung.
• Model kotak-hitam. Hasil yang tidak dapat dibuka, dijalankan ulang, atau direproduksi, terutama dari pihak yang berkepentingan. Perbaikan: tuntut model yang dapat dieksekusi, tabel parameter lengkap, dan catatan validasi tertulis sebelum keputusan apa pun.
• Melewatkan validasi. Mempercayai model yang terlihat canggih tanpa pemeriksaan wajah, internal, silang, atau eksternal. Perbaikan: validasi di setiap tingkat dan dokumentasikan; perlakukan model yang tidak divalidasi sebagai belum terbukti.

Model kematangan

Daftar periksa

• Nyatakan secara eksplisit apakah evaluasi berbasis-uji-coba, berbasis-model, atau keduanya, dan mengapa.
• Justifikasikan jenis model (pohon, Markov, mikrosimulasi, peristiwa-diskrit) terhadap masalah keputusan dan penyakit.
• Tetapkan horizon waktu cukup panjang sehingga tidak ada lagi perbedaan biaya atau kesehatan bermakna yang bertambah, dan justifikasikan.
• Daftar setiap asumsi struktural, termasuk asumsi tanpa-memori Markov di mana relevan, dan uji yang penting.
• Lacak setiap parameter ke sumber yang dinyatakan dan nilai bukti di belakang pendorong hasil.
• Sertakan semua pembanding dunia-nyata yang relevan pada harga dan kepatuhan realistis.
• Tunjukkan asumsi ekstrapolasi alternatif dan efeknya pada kesimpulan, bukan hanya kasus dasar.
• Jalankan analisis sensitivitas probabilistik dan laporkan kurva penerimaan efektivitas-biaya bersama perkiraan titik.
• Pisahkan ketidakpastian parameter, struktural, dan heterogenitas dan tangani masing-masing dengan tepat.
• Validasi model (wajah, internal, silang, dan di mana memungkinkan eksternal) dan tuliskan catatan validasinya.
• Pastikan model cukup transparan dan dapat direproduksi untuk reviewer independen untuk membangunnya kembali.
• Di mana ketidakpastian lebar dan keputusan besar, jalankan analisis nilai-informasi untuk menimbang mengomisikan lebih banyak penelitian.

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