Modelleren

Waarom dit ertoe doet in de gezondheidseconomie

Bijna elke belangrijke financieringsbeslissing in de zorg moet worden genomen op onvolledig bewijs. Een trial volgt patiënten twee jaar; het geneesmiddel wordt twintig jaar gebruikt. Een studie wordt in de ziekenhuizen van het ene land gedaan; de beslissing is voor de klinieken van een ander land. Een nieuwe test wordt vergeleken met placebo; de echte keuze is tegen drie behandelingen die al in gebruik zijn. Een model is de gestructureerde manier om die kloven te overbruggen – om wat bekend is te nemen en zorgvuldig te redeneren naar de hoeveelheid die een beslisser werkelijk nodig heeft: de levenslange kosten en gezondheidsgevolgen van het kiezen van optie A boven optie B. Zonder model is het alternatief niet “ongemodelleerde zekerheid”; het is een impliciet, ongedocumenteerd model in iemands hoofd, waarvan geen aanname zichtbaar is en geen enkele toetsbaar.

Voor een directeur is dit waar publiek geld op schaal wordt toegezegd. Wanneer een nationale betaler besluit een geneesmiddel te vergoeden, een screeningsprogramma te financieren of een dienst te herconfigureren, komt het getal dat de beslissing verankert – de incrementele kosten per voor kwaliteit gecorrigeerd levensjaar (QALY) – vrijwel altijd uit een model en niet uit een trial. De concepten van economische evaluatie die dat getal uitdrukt (QALY’s, incrementele kosteneffectiviteitsratio’s, drempelwaarden, perspectief) horen bij Onderwerp 2.1 — Economische evaluatie en worden hier verondersteld; dit onderwerp beheert de machinerie die de schatting voortbrengt. Als de machinerie fout is, wordt de drempelwaarde op een fictie toegepast.

De inzet is dus zowel financieel als ethisch. Een model dat de baat overschat, financiert iets wat betere bestemmingen van hetzelfde budget verdringt – de alternatieve kosten vallen op naamloze patiënten elders. Een ondoorzichtig model kan niet worden betwist, en onbetwistbare analyse is waar kaping, wensdenken en optimisme van leveranciers zich verbergen. De discipline van het modelleren – de structuur verklaren, elke aanname toetsen en kwantificeren wat u niet weet – is wat een overtuigende dia verandert in bewijs dat een publiek orgaan kan verdedigen.

Kernbegrippen

Beslisanalyse is het formele kader onder dit alles: de opties uitleggen, de kansgebeurtenissen die elk volgen, de kansen op die gebeurtenissen en de waarde van elke uitkomst, en dan de verwachte waarde van elke optie berekenen. Een gezondheidseconomisch model is beslisanalyse toegepast op een gezondheidskeuze, met kosten en gezondheidsuitkomst als de af te wegen waarden. De fundamentele tekst voor het vakgebied is Decision Modelling for Health Economic Evaluation van Briggs, Sculpher en Claxton, wier kader dit onderwerp volgt.

De eenvoudigste structuur is de beslisboom: een vertakkend diagram van een beslisknoop via kansknopen naar eindsituaties, waarbij elke tak een kans draagt en elk eindpunt een kosten- en gezondheidsopbrengst. Bomen zijn helder en snel, en passen bij beslissingen die over een korte, vaste horizon worden beslecht – een acuut voorval, een diagnostisch traject. Hun zwakte is tijd: een boom heeft geen natuurlijke manier om gebeurtenissen weer te geven die terugkeren, aandoeningen die aanhouden of risico’s die jaar na jaar veranderen, omdat elke mogelijkheid als een steeds verder vertakkend pad moet worden getekend.

Voor chronische ziekte is het werkpaard de Markovketen, of het Markov-cohortmodel. Het stelt een ziekte voor als een set elkaar uitsluitende gezondheidstoestanden – bijvoorbeeld gezond, complicatie, overleden – en verplaatst een hypothetisch cohort in vaste tijdcycli tussen die toestanden volgens overgangskansen. Het optellen van kosten en levenskwaliteit over vele cycli levert levenslange totalen op. Haar bepalende vereenvoudiging is de Markov-aanname: overgangen hangen alleen af van de huidige toestand, niet van de geschiedenis, zodat een standaardmodel zich niet kan “herinneren” hoe lang een patiënt ziek is. Analisten werken eromheen met tunneltoestanden of tijdsafhankelijke overgangen, maar de aanname is het eerste wat een beoordelaar moet bevragen.

Wanneer patiëntgeschiedenis, individuele kenmerken of wisselwerkingen te belangrijk zijn om te verliezen, wenden modelleurs zich tot simulatie op individueel niveau. Microsimulatie laat patiënten één voor één door het model lopen, elk met attributen (leeftijd, risicofactoren, gebeurtenisgeschiedenis) die zijn traject bepalen, zodat heterogeniteit en geheugen behouden blijven. Waar patiënten ook strijden om gedeelde, beperkte middelen – bedden, operatiekamers, personeel, een wachtlijst voor transplantatie – voegt discrete-gebeurtenissimulatie wachtrijen en timing toe, en modelleert het systeem in plaats van een enkele patiënt. Deze methoden kopen realisme ten koste van datahonger, rekentijd en een moeilijkere taak om het resultaat uit te leggen.

Geen modeluitkomst is een enkel zeker getal, en doen alsof wel is de hoofdzonde van het vakgebied. Gevoeligheidsanalyse vraagt hoe de conclusie beweegt wanneer inputs veranderen. Deterministische gevoeligheidsanalyse varieert één of enkele parameters over aannemelijke bereiken (vaak getoond als tornadodiagram). Probabilistische gevoeligheidsanalyse kent aan elke onzekere parameter een kansverdeling toe en draait het model met Monte Carlo-steekproeven duizenden keren om een verdeling van resultaten te produceren – samengevat als de kans dat een optie kosteneffectief is bij een gegeven drempel. Onzekerheid die daarna overblijft, kan worden gewaardeerd: analyse van de informatiewaarde schat wat het waard zou zijn om meer onderzoek op te dragen voordat men beslist, en verandert “we zijn niet zeker” in een getal waarop een onderzoeksbudget kan handelen.

Een model is alleen zo betrouwbaar als zijn validatie. Face-validiteit vraagt of de structuur en resultaten klinisch zinvol zijn; interne validiteit (verificatie) controleert dat het model doet wat de vergelijkingen beogen, vrij van codeerfouten; kruisvaliditeit vergelijkt resultaten met andere modellen van hetzelfde probleem; en externe validiteit toetst voorspellingen aan werkelijke uitkomsten die het model niet als input gebruikte. Ten slotte zit het modelleerinstrumentarium binnen de bredere machinerie van beoordeling van gezondheidstechnologie (HTA) – het proces waarmee organen als NICE in Engeland, IQWiG in Duitsland, CDA-AMC in Canada, PBAC in Australië en ICER in de Verenigde Staten bewijs voor financieringsbeslissingen wereldwijd wegen.

Beste praktijken

1. Besluit trialgebaseerd versus modelgebaseerd voordat u iets bouwt. Een analyse binnen de trial naast een gerandomiseerde gecontroleerde trial is het juiste instrument wanneer de horizon, referentiepunten en populatie van de trial bij de beslissing passen. Een model is nodig wanneer – zoals gebruikelijk – de beslissing de trial overstijgt: levenslange gevolgen, referentiepunten die nooit rechtstreeks zijn vergeleken, of een doelpopulatie die verschilt van de ingeschrevenen. De meeste echte beslissingen vereisen beide: de trial verankert het effect op korte termijn, het model extrapoleert het. Vermeld op de eerste pagina welke u doet en waarom.

2. Laat het beslisprobleem het modeltype kiezen, nooit andersom. Een korte, acute, niet-terugkerende beslissing past bij een beslisboom; een chronische aandoening met terugkerende gebeurtenissen past bij een Markovmodel; sterke patiëntheterogeniteit of gebeurtenisgeheugen duwt naar microsimulatie; beperkte gedeelde middelen en wachtrijen duwen naar discrete-gebeurtenissimulatie. Een structuur kiezen omdat zij vertrouwd is, of omdat een leverancier er al een bezit, is hoe modellen de vraag die zij moeten beantwoorden slecht gaan passen.

3. Leg de tijdshorizon lang genoeg vast om alle relevante verschillen te vangen. De horizon moet lopen totdat tussen de opties geen verdere betekenisvolle verschillen in kosten of gezondheid meer ontstaan – voor een levenslange aandoening betekent dat een heel leven. Te vroeg afkappen flatteert interventies waarvan de kosten vooraf vallen en de baten laat komen (preventie, genezing), en is een van de meest voorkomende manieren waarop een model stilletjes zijn eigen antwoord vertekent. Rechtvaardig de horizon expliciet aan het natuurlijke beloop van de ziekte.

4. Kies de modelstructuur naar de ziekte en noem de aannames die zij afdwingt. Gezondheidstoestanden moeten klinisch zinvol, elkaar uitsluitend en gezamenlijk uitputtend zijn; de cyclusduur moet kort genoeg zijn om de snelste belangrijke gebeurtenis te vangen. Elke structuur legt vereenvoudigingen op – de geheugenloze Markov-aanname is het klassieke voorbeeld – dus som ze op waar een beoordelaar ze kan zien en toon dat degene die ertoe doen zijn getoetst of versoepeld.

5. Bron elke parameter bewust en graad haar bewijs. Overgangskansen, kosten en levenskwaliteitsgewichten moeten elk naar een vermelde bron te herleiden zijn, met het sterkste bewijs gebruikt voor de parameters die het resultaat drijven. Wees expliciet waar een systematische review, één studie, een register of een deskundigenoordeel het werk doet, en geef de voorkeur aan relatieve effecten uit gerandomiseerd bewijs gecombineerd met basisrisico’s uit lokale observationele data – bronnen mengen is legitiem, de menging verbergen niet.

6. Modelleer de referentiepunten waarvoor de beslissing werkelijk staat, bij echte doseringen en prijzen. Een kosteneffectief resultaat tegen placebo of tegen een verouderde standaard is bijna betekenisloos als artsen in werkelijkheid kiezen tussen drie huidige opties. Neem alle relevante referentiepunten op, gebruik de prijzen en therapietrouwpatronen die in de praktijk zullen gelden en wees eerlijk wanneer een rechtstreekse vergelijking op een indirecte of netwerkvergelijking rust in plaats van op direct trialbewijs.

7. Extrapoleer voorbij de trial met verklaarde, getoetste overlevingsaannames. Waar het model effect voorbij de waargenomen data projecteert – vrijwel altijd – kan de keuze van extrapolatie (welke overlevingscurve, of het behandeleffect aanhoudt, afneemt of stopt) het antwoord domineren. Pas alternatieve parametrische curves aan, toon ze tegen de waargenomen data en extern bewijs en presenteer het bereik in plaats van de meest optimistische fit als puntschatting naar binnen te smokkelen.

8. Karakteriseer onzekerheid probabilistisch, niet slechts parameter voor parameter. Deterministische eenzijdige analyse en tornadodiagrammen tonen welke inputs ertoe doen, maar alleen probabilistische gevoeligheidsanalyse, die alle onzekerheid samen door Monte Carlo-simulatie propageert, levert de kans op dat een beslissing juist is. Rapporteer de kosteneffectiviteitsacceptatiecurve naast de puntschatting; een gunstige ratio met 55% kans op kosteneffectiviteit is een andere beslissing dan dezelfde ratio bij 95%.

9. Scheid de soorten onzekerheid en behandel elk op zijn eigen voorwaarden. Parameteronzekerheid (wij kennen de ware waarde niet) wordt met probabilistische analyse afgehandeld; structurele onzekerheid (wij twijfelen of het model goed is gebouwd) vraagt scenarioanalyse over alternatieve structuren; heterogeniteit (het antwoord verschilt werkelijk per subgroep) vraagt subgroepresultaten, geen gemiddelde dat niemand past. Ze door elkaar halen – bijvoorbeeld een structurele twijfel verbergen in een brede parameterverdeling – stelt verkeerd voor wat werkelijk onbekend is.

10. Valideer op elk niveau en schrijf de validatie op. Controleer face-validiteit met artsen die het model niet bouwden; verifieer de code met onafhankelijke tests en extreme-waardencontroles; valideer kruiselings met gepubliceerde modellen van dezelfde ziekte en verklaar afwijkingen; en toets, waar externe uitkomstdata bestaan, de voorspellingen van het model eraan. Een model dat voor een financieringsbeslissing wordt gepresenteerd zonder validatieverslag mag niet worden vertrouwd, hoe verfijnd het er ook uitziet.

11. Maak het model transparant en reproduceerbaar genoeg opdat een tegenstander het kan herbouwen. Documenteer structuur, elke input met zijn bron en elke aanname, zodat een sceptische beoordelaar het resultaat in beginsel kan reconstrueren. Transparantie is geen beleefdheid; het is het mechanisme waarmee optimistische fouten worden gevangen voordat publiek geld beweegt, waarom HTA-organen steeds vaker uitvoerbare modellen en volledige parametertabellen eisen in plaats van een samenvattende ratio.

12. Kwantificeer of meer onderzoek de moeite van kopen waard is voordat u zich verbindt. Wanneer onzekerheid breed is en de bedragen groot, schat informatiewaardeanalyse de verwachte waarde van het oplossen van die onzekerheid – wat soms een beslissing “goedkeuren met onderzoek” of “alleen in onderzoek” rechtvaardigt in plaats van een eenvoudig ja of nee. Het herkadert een patstelling (“het bewijs is onvolgroeid”) in een economische vraag (“is een trial haar kosten waard, gegeven de beslissing die op het spel staat?”).

Vragen om met uw team te bespreken

1. Heeft deze beslissing werkelijk een model nodig, en zo ja, wat doet het model wat de trial niet kan? Het instinct in veel organisaties is reflexmatig naar een model te grijpen, of modellen in hun geheel te wantrouwen als “verzonnen getallen” – beide zijn fout. De productieve vraag is welke specifieke kloof het model overbrugt: een trial van twee jaar naar een heel leven extrapoleren, vergelijken met een behandeling die nooit rechtstreeks is vergeleken, of bewijs van het ene zorgstelsel naar het uwe overbrengen. De kloof benoemen disciplineert het model, omdat het u vertelt welk deel van de structuur de beslissing draagt en dus de meeste toetsing en de sterkste data verdient. Het vertelt u ook wanneer een model niet gerechtvaardigd is – waar een goede analyse binnen de trial al bij de beslissing past, voegt een uitgebreid model aannames toe zonder waarheid toe te voegen. Een eerlijk antwoord noemt het allerbelangrijkste wat het model extrapoleert en hoeveel van het resultaat op die extrapolatie rust.

2. Welke één of twee aannames zouden, als ze fout zijn, onze conclusie omkeren – en hoe zeker zijn wij van precies die? Elk model heeft een handvol dragende aannames en een lange staart van inputs die nauwelijks tellen; het gevaar is toetsing gelijk te verdelen in plaats van op de voegen die het gewicht dragen. Een tornadodiagram of eenzijdige gevoeligheidsanalyse identificeert de drijvers mechanisch, maar het teamgesprek gaat over de kwaliteit van het bewijs voor precies die drijvers: is de cruciale overgangskans afkomstig uit een sterke meta-analyse of een kleine studie, is de overlevingsextrapolatie verankerd aan externe data of een hoopvolle curvefit? Het ongemakkelijke patroon is een zelfverzekerde kopratio die rust op een parameter waarvoor het bewijs dun is. Een eerlijk antwoord beweert niet dat het model in het algemeen robuust is; het noemt de specifieke aannames waarvan de beslissing afhangt en beoordeelt de kwaliteit van het bewijs erachter, en besluit dan of dat genoeg is om op te handelen of een reden om meer te verzamelen.

3. Wie bouwde dit model, wiens zaak helpt het, en zou een onafhankelijke herbouw hetzelfde antwoord bereiken? Veel modellen die aan betalers worden voorgelegd, zijn gebouwd of gefinancierd door een partij met een direct belang bij het resultaat – een fabrikant die vergoeding zoekt, een dienst die investering zoekt. Dat maakt ze niet fout, maar maakt onafhankelijke toetsing onontkoombaar en roept specifieke vragen op: zijn referentiepunten gekozen om te flatteren, is de meest optimistische extrapolatie geselecteerd, is het model überhaupt transparant genoeg om te bevragen? De spanning is dat de mensen met de data en modelleercapaciteit vaak de belanghebbende partij zijn, zodat het antwoord zelden is hun model zonder meer te verwerpen maar transparantie te eisen, uw eigen gevoeligheidsanalyses op hun model te draaien en kruiselings te valideren met onafhankelijk werk. Een eerlijk antwoord is open over herkomst en belangenconflict en behandelt een model dat niet kan worden geopend en opnieuw gedraaid als rode vlag en niet als bedrijfsgeheim dat kan worden doorgelaten.

4. Heeft de ziekte onze modelstructuur gekozen, of heeft gemak haar voor ons gekozen? De structuur – beslisboom, Markovcohort, microsimulatie, discrete-gebeurtenissimulatie – moet volgen uit het klinische probleem: hoe de aandoening zich ontvouwt, of gebeurtenissen terugkeren, of patiëntgeschiedenis of gedeelde, beperkte middelen ertoe doen. Het faalpatroon is een structuur die is overgenomen omdat zij vertrouwd is, omdat een leverancier er al een bezit of omdat zij snel te bouwen is, en dan gebogen om bij een ziekte te passen waarvoor zij niet geschikt is. Het teamgesprek is concreet: keert de aandoening terug of houdt zij aan op een manier die een beslisboom niet kan vangen; vlakt de geheugenloze Markov-aanname een risico af dat werkelijk van de geschiedenis afhangt; strijden patiënten om bedden of operatiekamers op een manier die een cohortmodel negeert? Elke structuur koopt helderheid ten koste van specifieke vereenvoudigingen, dus de productieve vraag is niet “is dit het beste model” maar “welke vereenvoudigingen heeft deze structuur ons opgelegd, en raakt er een aan het deel van de ziekte waarop de beslissing draait?” Een eerlijk antwoord noemt de structurele aannames die de keuze oplegt en toont dat degene die ertoe doen zijn getoetst, in plaats van de structuur te verdedigen omdat zij al is gebouwd.

5. Met welke soort onzekerheid hebben wij hier eigenlijk te maken, en behandelen wij elk op zijn eigen voorwaarden? Het is gemakkelijk “wij zijn niet zeker” samen te persen tot één brede foutmarge, maar het vakgebied onderscheidt drie heel verschillende dingen: parameteronzekerheid (wij kennen de ware waarde van een input niet), structurele onzekerheid (wij twijfelen of het model op de juiste manier is gebouwd) en heterogeniteit (het antwoord verschilt werkelijk tussen subgroepen). Elk vraagt een andere reactie – probabilistische analyse voor parameters, scenarioanalyse over alternatieve structuren voor de tweede, subgroepresultaten in plaats van een gemiddelde voor de derde – en ze door elkaar halen stelt verkeerd voor wat onbekend is. De klassieke goocheltruc is een structurele twijfel verbergen in een dikke parameterverdeling, zodat de kop nog steeds één geruststellende kans op kosteneffectiviteit rapporteert. Het team moet vragen welke van de drie de twijfel bij deze beslissing werkelijk drijft, en of de analyse die voor hen ligt die soort aanpakt of slechts de gemakkelijkste. Een eerlijk antwoord scheidt de drie expliciet en erkent waar een twijfel structureel is – de moeilijkst te kwantificeren soort en de gemakkelijkst te begraven.

6. Gegeven wat wij nog niet weten, moeten wij nu beslissen of eerst betalen om meer te leren? Wanneer onzekerheid breed is en het toegezegde bedrag groot, zijn “ja” en “nee” niet de enige opties: een beslissing “goedkeuren met onderzoek” of “alleen in onderzoek” houdt de deur open terwijl het bewijs rijpt. Informatiewaardeanalyse verandert de patstelling – “het bewijs is onvolgroeid” – in een economische vraag: wat zou het waard zijn de onzekerheid op te lossen voordat men beslist, en overstijgt dat de aannemelijke kosten van de studie die haar zou oplossen? De spanning is reëel, omdat uitstel eigen kosten heeft in gezondheid die patiënten mislopen die wachten, en omdat een fabrikant of dienst elke prikkel heeft een vroeg ja binnen te halen in plaats van zich te verbinden aan dataproductie. Het team moet wegen waar de resterende onzekerheid geconcentreerd is, of een haalbare studie haar in nuttige tijd werkelijk kan verkleinen en wat een voorwaardelijke regeling van de belanghebbende partij zou vereisen. Een eerlijk antwoord behandelt “nu beslissen versus meer bewijs kopen” als kwantificeerbare keuze en niet als kwestie van durf, en is bereid een voorwaardelijk ja aan te bevelen wanneer de waarde van leren dat rechtvaardigt.

In de praktijk: een voorbeeld uit de gezondheidseconomie

Het Nationale Ziektekostenverzekeringsfonds van het fictieve sociale-verzekeringsland Solenne overweegt een nieuwe orale therapie voor chronisch hartfalen te vergoeden. De indiening van de fabrikant rapporteert een gunstige incrementele kosteneffectiviteitsratio, ruim onder de vermelde drempel van het Fonds. Het cruciale bewijs is één enkele gerandomiseerde gecontroleerde trial: 18 maanden follow-up, die toont dat het geneesmiddel ziekenhuisopnames voor hartfalen vermindert en de overleving bescheiden verbetert tegen standaardzorg. De beoordelingscommissie van het Fonds vraagt haar economieteam het model achter het getal te beoordelen, niet alleen het getal.

Het team bevestigt eerst dat een model onvermijdelijk is. Hartfalen is levenslang; de trial liep 18 maanden; de beslissing betreft kosten en baten over de resterende levens van patiënten. Een analyse binnen de trial zou de verkeerde vraag beantwoorden. De fabrikant heeft terecht een Markov-cohortmodel gebouwd met toestanden voor stabiele ziekte, opgenomen en overleden, maandelijks cyclerend om frequente opnames te vangen. Tot zover past de structuur bij de ziekte. De toetsing van het team richt zich dan op de voegen die het resultaat dragen.

Twee aannames domineren. De eerste is overlevingsextrapolatie: voorbij 18 maanden projecteert het model een overlevingsvoordeel dat levenslang onverminderd aanhoudt, met de parametrische curve met de meest optimistische langetermijnfit. Wanneer het team alternatieve curves opnieuw past en een scenario toetst waarin het behandeleffect na vijf jaar afneemt – in overeenstemming met extern registerbewijs over vergelijkbare geneesmiddelen – krimpt de levenslange QALY-winst en stijgt de ratio boven de drempel. De tweede is het referentiepunt: het model vergelijkt met een oudere standaardzorg, maar de richtlijnen van Solenne bevelen nu een nieuwere combinatie aan die de trial niet omvatte, alleen bereikbaar via een indirecte vergelijking met brede onzekerheid. Het team merkt ook op dat de geheugenloze Markov-aanname het hogere heropnamerisico van recent opgenomen patiënten afvlakt, wat zij met een korte tunneltoestand aanpakken.

Het team draait het model opnieuw probabilistisch, waarbij alle parameteronzekerheid door Monte Carlo-simulatie wordt gepropageerd. De kosteneffectiviteitsacceptatiecurve toont ruwweg 50% kans op kosteneffectiviteit bij de drempel van het Fonds – een muntworp, niet de zelfverzekerde zaak die de puntschatting impliceerde. Omdat de beslissing groot is en de onzekerheid geconcentreerd zit in de overlevingsextrapolatie, voeren zij een informatiewaardeanalyse uit: de verwachte waarde van het oplossen van die onzekerheid overstijgt de aannemelijke kosten van een langere follow-upstudie. De aanbeveling van de commissie is noch een vlak ja noch een vlak nee. Zij vergoedt de therapie onder een regeling voor beheerde toegang met een vertrouwelijke korting die de ratio verbetert, op voorwaarde dat de fabrikant binnen drie jaar uitgebreide overlevingsdata levert – een beslissing “goedkeuren met onderzoek” die het modelleren, niet de intuïtie, verdedigbaar maakte. De prijsmechanismen van die regeling horen bij Onderwerp 2.4 — Farmaco-economie.

Vier sectorperspectieven

Startup

Een digitale-gezondheids- of hulpmiddelenstartup bouwt haar eerste model doorgaans om geld op te halen of een HTA-proces in te gaan dat zij nooit heeft meegemaakt, vaak met schaars bewijs – een kleine studie met één arm, surrogaatendpunten, sterke overtuiging van de oprichters. De verleiding is een model dat is ontworpen om de drempel te halen, met een korte horizon die late kosten verbergt en een optimistische extrapolatie gepresenteerd als feit. Het wijzere pad is een vroeg, bewust conservatief model dat laat zien welke bewijskloof de waardezaak het meest bedreigt, zodat schaars trialgeld wordt besteed aan het dichten van precies die kloof. Een transparant model dat eerlijk brede onzekerheid toont, is financierbaarder en geloofwaardiger voor een betaler dan een gepolijst model dat geen beoordelaar kan openen.

Klein bedrijf

Een kleine maar gevestigde aanbieder, praktijk of leverancier – een gespecialiseerde kliniek, een diagnostiekbedrijf, een hulpmiddelendistributeur met een gevestigd product – ontmoet modelleren doorgaans niet om kapitaal op te halen maar om een echte inkoop- of vergoedingsvraag te beantwoorden: zal een betaler dit financieren, is een dienstlijn de moeite waard om voort te zetten, verdient een upgrade van apparatuur zich terug? Anders dan een startup heeft zij echte operationele data – werkelijke kosten, doorstroom, lokale uitkomsten – maar zelden een interne gezondheidseconoom, zodat het praktische risico is het model uit te besteden aan de leverancier wiens product wordt geëvalueerd, of een spreadsheet te bouwen die zijn eigen aannames nooit toetst. De verstandige koers is een bescheiden, transparant model dat leunt op eigen praktijkdata voor de inputs die zij lokaal kan bronnen en gepubliceerde schattingen, eerlijk beoordeeld op kwaliteit, leent voor de rest, met een eenvoudige gevoeligheidsanalyse op de twee of drie parameters die het antwoord bewegen. Haar geloofwaardigheid rust minder op verfijning dan op open zijn over waar de getallen vandaan komen en de zaak opnieuw kunnen draaien wanneer een prijs of de drempel van een betaler verschuift.

Grote onderneming

Een grote fabrikant, ziekenhuisgroep of verzekeraar draait modelleren als industriële capaciteit: herbruikbare modelplatforms, standaard parameterbibliotheken en toegewijde teams voor gezondheidseconomie en uitkomstenonderzoek die indieningen voor veel rechtsgebieden tegelijk voorbereiden. De kracht is nauwgezetheid, reproduceerbaarheid en het vermogen één wereldwijd model aan de methodenrichtlijn van elk land aan te passen; het risico is dat schaal en eigenbelang samen verfijnde modellen opleveren die zijn geoptimaliseerd om te overtuigen, met structurele keuzes die stilletjes de sponsor bevoordelen. De geloofwaardigheid van ondernemingen hangt af van bestuur dat de modelleurs scheidt van commerciële druk, van het indienen van volledig uitvoerbare en transparante modellen en van het uitnodigen in plaats van weerstaan van onafhankelijke replicatie.

Overheid

Een nationale betaler, HTA-orgaan of ministerie is vaker de consument en scheidsrechter van modellen dan de bouwer, en haar discipline is kritische toetsing op schaal: een gepubliceerde methodenrichtlijn die horizon, perspectief, disconteren en onzekerheidsrapportage beperkt, en de capaciteit om het model van een sponsor opnieuw te draaien en te betwisten in plaats van zijn kop te aanvaarden. Organen als NICE, IQWiG, PBAC, CDA-AMC en ICER bestaan om precies deze discipline op te leggen, en bouwen of laten steeds vaker onafhankelijke modellen maken om indieningen van de industrie kruiselings te valideren. De overheid draagt ook de beslissingen die modelleren mogelijk maakt maar niet alleen kan nemen – goedkeuren, afwijzen of goedkeuren met onderzoek – en de verantwoording voor de alternatieve kosten die elk ja oplegt aan patiënten die de commissie nooit zien.

Veelvoorkomende faalpatronen

• Een model bouwen terwijl een trial de vraag al beantwoordt. Aannames toevoegen waar goed bewijs binnen de trial bij de beslissing past, en zo vertekening importeren zonder winst. Oplossing: kies bewust trialgebaseerd versus modelgebaseerd en modelleer alleen de kloof die de trial niet kan dekken.

• De tijdshorizon afkappen. Het model beëindigen voordat late baten of kosten ontstaan, wat interventies met kosten vooraf zoals preventie flatteert. Oplossing: laat de horizon lopen tot er geen betekenisvolle verschillen meer zijn – een heel leven bij levenslange aandoeningen – en rechtvaardig haar aan het natuurlijke beloop.

• Optimistische extrapolatie naar binnen gesmokkeld als puntschatting. De overlevingscurve of aanname over blijvend effect kiezen die het resultaat het meest flatteert en haar als basisscenario presenteren. Oplossing: pas alternatieven aan, toets afnemend effect en toon het bereik tegen extern bewijs.

• Een puntschatting rapporteren zonder onzekerheid. Een enkele ratio die valse precisie impliceert. Oplossing: voer altijd probabilistische gevoeligheidsanalyse uit en rapporteer de acceptatiecurve naast de puntschatting.

• De soorten onzekerheid verwarren. Een structurele twijfel verbergen in een brede parameterverdeling, of over werkelijke heterogeniteit middelen. Oplossing: handel parameteronzekerheid probabilistisch af, structurele onzekerheid per scenario en heterogeniteit per subgroep.

• Zwakke of ontbrekende referentiepunten. Kosteneffectiviteit tonen tegen placebo of een verouderde standaard terwijl artsen kiezen tussen huidige opties. Oplossing: neem alle relevante referentiepunten op tegen echte prijzen en therapietrouw en wees eerlijk over indirecte vergelijkingen.

• Het black-boxmodel. Een resultaat dat niet kan worden geopend, opnieuw gedraaid of gereproduceerd, vooral van een belanghebbende partij. Oplossing: eis uitvoerbare modellen, volledige parametertabellen en een schriftelijk validatieverslag vóór elke beslissing.

• Validatie overslaan. Een verfijnd ogend model vertrouwen zonder face-, interne, kruis- of externe controles. Oplossing: valideer op elk niveau en documenteer het; behandel een ongevalideerd model als onbewezen.

Volwassenheidsmodel

Checklist

• Vermeld expliciet of de evaluatie trialgebaseerd, modelgebaseerd of beide is, en waarom.
• Rechtvaardig het modeltype (boom, Markov, microsimulatie, discrete gebeurtenis) aan het beslisprobleem en de ziekte.
• Stel de tijdshorizon lang genoeg vast dat er geen betekenisvolle kosten- of gezondheidsverschillen meer ontstaan, en rechtvaardig haar.
• Som elke structurele aanname op, inclusief de geheugenloze Markov-aanname waar relevant, en toets degene die ertoe doen.
• Herleid elke parameter naar een vermelde bron en graad het bewijs achter de drijvers van het resultaat.
• Neem alle relevante referentiepunten uit de praktijk op tegen realistische prijzen en therapietrouw.
• Toon alternatieve extrapolatieaannames en hun effect op de conclusie, niet alleen het basisscenario.
• Voer probabilistische gevoeligheidsanalyse uit en rapporteer een kosteneffectiviteitsacceptatiecurve naast de puntschatting.
• Scheid parameter-, structurele en heterogeniteitsonzekerheid en pak elk passend aan.
• Valideer het model (face, intern, kruis en waar mogelijk extern) en schrijf het validatieverslag op.
• Zorg dat het model transparant en reproduceerbaar genoeg is voor een onafhankelijke beoordelaar om het te herbouwen.
• Voer waar onzekerheid breed is en de beslissing groot een informatiewaardeanalyse uit om het opdragen van meer onderzoek te wegen.

Belangrijkste bronnen

• Andrew Briggs, Mark Sculpher & Karl Claxton, Decision Modelling for Health Economic Evaluation (Oxford University Press) — het standaardkader voor beslisanalytisch modelleren in de gezondheidseconomie.
• Alastair Gray, Philip Clarke, Jane Wolstenholme & Sarah Wordsworth, Applied Methods of Cost-Effectiveness Analysis in Health Care (Oxford University Press) — toegepaste methoden voor modelbouw en kosteneffectiviteit.
• Henry Glick, Jalpa Doshi, Seema Sonnad & Daniel Polsky, Economic Evaluation in Clinical Trials (Oxford University Press) — evaluatie op basis van trials en de keuze tussen binnen-de-trial en modelgebaseerd.
• Rapporten van de ISPOR–SMDM Modelling Good Research Practices Task Force — richtlijnen voor goede praktijk over het conceptualiseren van modellen, beslisbomen, Markovmodellen, microsimulatie, discrete-gebeurtenissimulatie en modeltransparantie en -validatie.
• NICE-handleiding voor evaluaties van gezondheidstechnologie (PMG36) — methodevereisten voor modellen ingediend bij een nationaal HTA-orgaan — https://www.nice.org.uk/process/pmg36
• Economics Network, Health Economics for Teachers — module over modelleren — https://economicsnetwork.ac.uk/health/teachers

Referenties

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