Modelagem

Por que isso importa na economia da saúde

Quase toda decisão importante de financiamento em saúde deve ser tomada com evidência incompleta. Um ensaio segue pacientes por dois anos; o medicamento será tomado por vinte. Um estudo é conduzido nos hospitais de um país; a decisão é para as clínicas de outro país. Um novo teste é comparado contra placebo; a escolha real é contra três tratamentos já em uso. Um modelo é a forma estruturada de preencher essas lacunas — de pegar o que é conhecido e raciocinar cuidadosamente até a quantidade que um tomador de decisão realmente precisa: o custo e a consequência de saúde ao longo da vida de escolher a opção A sobre a opção B. Sem um modelo, a alternativa não é "certeza não modelada"; é um modelo implícito e não documentado na cabeça de alguém, sem nenhuma das premissas visíveis e nenhuma delas testável.

Para um diretor, é aqui que o dinheiro público é comprometido em escala. Quando um pagador nacional decide reembolsar um medicamento, financiar um programa de rastreamento, ou reconfigurar um serviço, o número que ancora a decisão — o custo incremental por ano de vida ajustado pela qualidade (QALY) — quase sempre vem de um modelo, não de um ensaio. Os conceitos de avaliação econômica que esse número expressa (QALYs, razões de custo-efetividade incremental, limiares, perspectiva) pertencem ao Tópico 2.1 — Avaliação Econômica e são assumidos aqui; este tópico possui a maquinaria que produz a estimativa. Se a maquinaria estiver errada, o limiar está sendo aplicado a uma ficção.

Os riscos são, portanto, tanto financeiros quanto éticos. Um modelo que superestima o benefício financia algo que desloca usos melhores do mesmo orçamento — o custo de oportunidade recai sobre pacientes não nomeados em outro lugar. Um modelo que é opaco não pode ser desafiado, e análise inquestionável é onde captura, pensamento positivo, e otimismo de fornecedor se escondem. A disciplina de modelagem — declarar estrutura, testar cada premissa, e quantificar o que você não sabe — é o que transforma um slide persuasivo em evidência que um órgão público pode defender.

Conceitos centrais

A análise de decisão é o arcabouço formal sob tudo isso: estabelecer as opções, os eventos aleatórios que seguem cada uma, as probabilidades desses eventos, e o valor de cada resultado, depois computar o valor esperado de cada opção. Um modelo econômico de saúde é análise de decisão aplicada a uma escolha de saúde, com custo e resultado de saúde como os valores sendo pesados. O texto fundacional para o campo é Decision Modelling for Health Economic Evaluation de Briggs, Sculpher, e Claxton, cujo arcabouço este tópico segue.

A estrutura mais simples é a árvore de decisão: um diagrama ramificado de um nó de decisão através de nós de chance até resultados finais, cada ramo carregando uma probabilidade e cada ponto final um custo e um retorno de saúde. Árvores são claras e rápidas, e combinam com decisões que se resolvem em um horizonte curto e fixo — um evento agudo, um caminho de diagnóstico. Sua fraqueza é o tempo: uma árvore não tem uma forma natural de representar eventos que recorrem, condições que persistem, ou riscos que mudam ano após ano, porque toda possibilidade deve ser desenhada como um caminho sempre-ramificado.

Para doença crônica, o cavalo de trabalho é a cadeia de Markov, ou modelo de coorte de Markov. Representa uma doença como um conjunto de estados de saúde mutuamente exclusivos — por exemplo bem, complicação, morto — e move uma coorte hipotética entre eles em ciclos de tempo fixos de acordo com probabilidades de transição. Acumular custo e qualidade de vida através de muitos ciclos rende totais de tempo de vida. Sua simplificação definidora é a premissa de Markov: transições dependem apenas do estado atual, não do histórico, então um modelo padrão não pode "lembrar" há quanto tempo um paciente está doente. Analistas contornam isso com estados de túnel ou transições dependentes do tempo, mas a premissa é a primeira coisa que um revisor deveria interrogar.

Quando o histórico do paciente, características individuais, ou interações importam demais para perder, modeladores recorrem à simulação em nível individual. A microssimulação executa pacientes através do modelo um de cada vez, cada um carregando atributos (idade, fatores de risco, histórico de eventos) que moldam sua trajetória, então heterogeneidade e memória são preservadas. Onde os pacientes também competem por recursos compartilhados e restritos — leitos, salas de operação, pessoal, uma lista de espera de transplante — a simulação de eventos discretos adiciona filas e temporização, modelando o sistema em vez de um paciente isolado. Esses métodos compram realismo ao preço de fome de dados, tempo de execução, e um trabalho mais difícil de explicar o resultado.

Nenhuma saída de modelo é um único número certo, e fingir o contrário é o pecado capital do campo. A análise de sensibilidade pergunta como a conclusão se move quando os insumos mudam. A análise de sensibilidade determinística varia um ou poucos parâmetros através de faixas plausíveis (frequentemente mostrada como um diagrama de tornado). A análise de sensibilidade probabilística atribui a cada parâmetro incerto uma distribuição de probabilidade e, usando amostragem de Monte Carlo, executa o modelo milhares de vezes para produzir uma distribuição de resultados — resumida como a probabilidade de que uma opção seja custo-efetiva a um dado limiar. A incerteza que permanece depois disso pode ser valorada: a análise de valor da informação estima o que valeria a pena comissionar mais pesquisa antes de decidir, transformando "não temos certeza" em um número sobre o qual um orçamento de pesquisa pode agir.

Um modelo é apenas tão confiável quanto sua validação. A validade de face pergunta se a estrutura e os resultados fazem sentido clínico; a validade interna (verificação) verifica se o modelo faz o que suas equações pretendem, livre de erro de codificação; a validade cruzada compara resultados contra outros modelos do mesmo problema; e a validade externa testa previsões contra resultados reais que o modelo não usou como insumos. Finalmente, o kit de ferramentas de modelagem se situa dentro da maquinaria mais ampla de avaliação de tecnologia em saúde (HTA) — o processo pelo qual órgãos como o NICE da Inglaterra, o IQWiG da Alemanha, o CDA-AMC do Canadá, o PBAC da Austrália, e o ICER dos Estados Unidos pesam evidência para decisões de financiamento em todo o mundo.

Melhores práticas

1. Decida entre baseado em ensaio versus baseado em modelo antes de construir qualquer coisa. Uma análise dentro do ensaio ao lado de um ensaio clínico randomizado é a ferramenta certa quando o horizonte, comparadores, e população do ensaio combinam com a decisão. Um modelo é necessário quando — como é usual — a decisão excede o ensaio: consequências de tempo de vida, comparadores nunca testados cabeça a cabeça, ou uma população-alvo diferente daquelas inscritas. A maioria das decisões reais precisa de ambos: o ensaio ancora o efeito de curto prazo, o modelo o extrapola. Declare o que você está fazendo e por quê na primeira página.

2. Deixe o problema de decisão escolher o tipo de modelo, nunca o inverso. Uma decisão curta, aguda, não recorrente combina com uma árvore de decisão; uma condição crônica com eventos recorrentes combina com um modelo de Markov; forte heterogeneidade de paciente ou memória de evento empurra para microssimulação; recursos compartilhados restritos e filas empurram para simulação de eventos discretos. Escolher uma estrutura porque é familiar, ou porque um fornecedor já possui uma, é como os modelos passam a se ajustar mal à pergunta que deveriam responder.

3. Fixe o horizonte de tempo longo o suficiente para capturar todas as diferenças relevantes. O horizonte deve correr até que nenhuma diferença significativa adicional de custo ou saúde se acumule entre as opções — para uma condição vitalícia, isso significa uma vida inteira. Truncar cedo demais favorece intervenções cujos custos caem antecipadamente e cujos benefícios chegam tarde (prevenção, cura), e é uma das formas mais comuns pelas quais um modelo silenciosamente enviesa sua própria resposta. Justifique o horizonte explicitamente contra a história natural da doença.

4. Escolha a estrutura do modelo para refletir a doença, e nomeie as premissas que impõe. Os estados de saúde devem ser clinicamente significativos, mutuamente exclusivos, e coletivamente exaustivos; o comprimento do ciclo deve ser curto o suficiente para capturar o evento importante mais rápido. Toda estrutura impõe simplificações — a premissa sem memória de Markov é o exemplo clássico — então liste-as onde um revisor possa vê-las e mostre que as que importam foram testadas ou relaxadas.

5. Origine cada parâmetro deliberadamente e gradue sua evidência. Probabilidades de transição, custos, e pesos de qualidade de vida deveriam cada um rastrear a uma fonte declarada, com a evidência mais forte usada para os parâmetros que conduzem o resultado. Seja explícito onde uma revisão sistemática, um único estudo, um registro, ou um julgamento de especialista está fazendo o trabalho, e prefira efeitos relativos de evidência randomizada combinados com riscos de linha de base de dados observacionais locais — misturar fontes é legítimo, esconder a mistura não é.

6. Modele os comparadores que a decisão realmente enfrenta, a doses e preços do mundo real. Um resultado custo-efetivo contra placebo ou contra um padrão desatualizado é quase sem sentido se clínicos realmente escolhem entre três opções atuais. Inclua todos os comparadores relevantes, use os preços e padrões de adesão que vigorarão na prática, e seja honesto quando uma comparação cabeça a cabeça repousa em uma comparação indireta ou de rede em vez de evidência de ensaio direta.

7. Extrapole além do ensaio com premissas de sobrevivência declaradas e testadas. Onde o modelo projeta efeito além dos dados observados — quase sempre — a escolha de extrapolação (qual curva de sobrevivência, se o efeito do tratamento persiste, diminui, ou para) pode dominar a resposta. Ajuste curvas paramétricas alternativas, mostre-as contra os dados observados e evidência externa, e apresente a faixa em vez de contrabandear o ajuste mais otimista como uma estimativa pontual.

8. Caracterize a incerteza probabilisticamente, não apenas um parâmetro de cada vez. A análise determinística unidirecional e os diagramas de tornado mostram quais insumos importam, mas apenas a análise de sensibilidade probabilística, propagando toda a incerteza junto através de simulação de Monte Carlo, rende a probabilidade de que uma decisão esteja certa. Relate a curva de aceitabilidade de custo-efetividade ao lado da estimativa pontual; uma razão favorável com uma probabilidade de 55% de custo-efetividade é uma decisão diferente da mesma razão a 95%.

9. Separe os tipos de incerteza e trate cada um em seus próprios termos. A incerteza de parâmetro (não sabemos o valor verdadeiro) é tratada por análise probabilística; a incerteza estrutural (não temos certeza de que o modelo está construído corretamente) precisa de análise de cenário através de estruturas alternativas; a heterogeneidade (a resposta genuinamente difere por subgrupo) precisa de resultados de subgrupo, não uma média que não se ajusta a ninguém. Confundi-las — por exemplo, esconder uma dúvida estrutural dentro de uma distribuição de parâmetro ampla — representa mal o que é realmente desconhecido.

10. Valide em todo nível, e escreva a validação. Verifique a validade de face com clínicos que não construíram o modelo; verifique o código com testes independentes e verificações de valor extremo; valide cruzadamente contra modelos publicados da mesma doença e explique divergências; e, onde qualquer dado de resultado externo exista, teste as previsões do modelo contra eles. Um modelo apresentado para uma decisão de financiamento sem uma descrição de validação não deveria ser confiado, por mais sofisticado que pareça.

11. Torne o modelo transparente e reproduzível o suficiente para um adversário reconstruir. Documente estrutura, cada insumo com sua fonte, e cada premissa, para que um revisor cético pudesse em princípio reconstruir o resultado. Transparência não é uma cortesia; é o mecanismo pelo qual erros otimistas são capturados antes que o dinheiro público se mova, razão pela qual órgãos de HTA cada vez mais exigem modelos executáveis e tabelas de parâmetros completas em vez de uma razão resumida.

12. Quantifique se mais pesquisa vale a pena comprar antes de se comprometer. Quando a incerteza é ampla e as somas grandes, a análise de valor da informação estima o valor esperado de resolver essa incerteza — às vezes justificando uma decisão de "aprovar com pesquisa" ou "apenas em pesquisa" em vez de um simples sim ou não. Reenquadra um impasse ("a evidência é imatura") em uma pergunta econômica ("um ensaio vale seu custo, dado o que está em jogo na decisão?").

Perguntas para discutir com sua equipe

1. Esta decisão genuinamente precisa de um modelo, e se assim for, o que o modelo está fazendo que o ensaio não pode? O instinto em muitas organizações é recorrer a um modelo reflexivamente, ou desconfiar de modelos completamente como "números inventados" — ambos estão errados. A pergunta produtiva é qual lacuna específica o modelo preenche: extrapolar um ensaio de dois anos para uma vida, comparar contra um tratamento nunca testado cabeça a cabeça, ou transportar evidência de um sistema de saúde para o seu. Nomear a lacuna disciplina o modelo, porque diz a você qual parte da estrutura carrega a decisão e, portanto, merece o maior escrutínio e os dados mais fortes. Também diz quando um modelo não é justificado — onde uma boa análise dentro do ensaio já combina com a decisão, um modelo elaborado adiciona premissas sem adicionar verdade. Uma resposta honesta declara a coisa mais importante que o modelo está extrapolando e quanto do resultado depende dessa extrapolação.

2. Quais uma ou duas premissas, se erradas, viariam nossa conclusão — e quão confiantes estamos exatamente nessas? Todo modelo tem um punhado de premissas que carregam carga e uma longa cauda de insumos que mal importam; o perigo é gastar escrutínio uniformemente em vez de nas juntas que carregam o peso. Um diagrama de tornado ou análise de sensibilidade unidirecional identifica os motores mecanicamente, mas a conversa da equipe é sobre qualidade de evidência precisamente nesses motores: a probabilidade de transição pivotal vem de uma meta-análise forte ou um único estudo pequeno, a extrapolação de sobrevivência está ancorada a dados externos ou um ajuste de curva esperançoso? O padrão desconfortável é uma razão de manchete confiante repousando em um parâmetro para o qual a evidência é escassa. Uma resposta honesta não afirma que o modelo é robusto em geral; nomeia as premissas específicas das quais a decisão depende e gradua a evidência por trás de cada uma, depois decide se isso é suficiente para agir ou uma razão para reunir mais.

3. Quem construiu este modelo, o caso de quem ele ajuda, e uma reconstrução independente chegaria à mesma resposta? Muitos modelos colocados diante de pagadores são construídos por, ou financiados por, uma parte com interesse direto no resultado — um fabricante buscando reembolso, um serviço buscando investimento. Isso não os torna errados, mas torna o escrutínio independente não negociável, e levanta perguntas específicas: os comparadores foram escolhidos para favorecer, a extrapolação mais otimista foi selecionada, o modelo é transparente o suficiente para ser interrogado de forma alguma? A tensão é que as pessoas com os dados e a capacidade de modelagem são frequentemente a parte interessada, então a resposta raramente é rejeitar completamente seu modelo mas exigir transparência, executar suas próprias análises de sensibilidade no modelo deles, e validar cruzadamente contra trabalho independente. Uma resposta honesta é franca sobre proveniência e conflito, e trata um modelo que não pode ser aberto e reexecutado como uma bandeira vermelha em vez de um detalhe proprietário a ser passado sem verificação.

4. A doença escolheu nossa estrutura de modelo, ou a conveniência a escolheu por nós? A estrutura — árvore de decisão, coorte de Markov, microssimulação, simulação de eventos discretos — deveria seguir do problema clínico: como a condição se desenrola, se eventos recorrem, se o histórico do paciente ou recursos compartilhados e restritos importam. O padrão de falha é uma estrutura adotada porque é familiar, porque um fornecedor já possui uma, ou porque é rápida de construir, e depois dobrada para se ajustar a uma doença que não combina. A conversa da equipe é concreta: a condição recorre ou persiste de uma forma que uma árvore de decisão não pode capturar; a premissa sem memória de Markov achata um risco que genuinamente depende do histórico; pacientes competem por leitos ou salas de operação de uma forma que um modelo de coorte ignora? Cada estrutura compra clareza ao preço de simplificações específicas, então a pergunta produtiva não é "este é o melhor modelo" mas "quais simplificações esta estrutura nos impôs, e alguma delas toca a parte da doença sobre a qual a decisão gira?" Uma resposta honesta nomeia as premissas estruturais que a escolha impõe e mostra que as que importam foram testadas, em vez de defender a estrutura porque já está construída.

5. Que tipo de incerteza estamos realmente enfrentando aqui, e estamos tratando cada uma em seus próprios termos? É fácil colapsar "não temos certeza" em uma única barra de erro ampla, mas o campo distingue três coisas bastante diferentes: incerteza de parâmetro (não sabemos o valor verdadeiro de um insumo), incerteza estrutural (não temos certeza de que o modelo está construído da forma certa), e heterogeneidade (a resposta genuinamente difere entre subgrupos). Cada uma exige uma resposta diferente — análise probabilística para parâmetros, análise de cenário através de estruturas alternativas para a segunda, resultados de subgrupo em vez de uma média para a terceira — e confundi-las representa mal o que é desconhecido. O truque clássico é esconder uma dúvida estrutural dentro de uma distribuição de parâmetro gorda, então a manchete ainda relata uma única probabilidade tranquilizadora de custo-efetividade. A equipe deveria perguntar qual dos três está realmente conduzindo a dúvida nesta decisão, e se a análise diante deles aborda esse tipo ou meramente o tipo mais conveniente. Uma resposta honesta separa os três explicitamente e admite onde uma dúvida é estrutural — o tipo mais difícil de quantificar e o mais fácil de enterrar.

6. Dado o que ainda não sabemos, deveríamos decidir agora ou pagar para aprender mais primeiro? Quando a incerteza é ampla e a soma comprometida é grande, "sim" e "não" não são as únicas opções: uma decisão de "aprovar com pesquisa" ou "apenas em pesquisa" mantém a porta aberta enquanto a evidência amadurece. A análise de valor da informação transforma o impasse — "a evidência é imatura" — em uma pergunta econômica: o que valeria a pena resolver a incerteza antes de decidir, e isso excede o custo plausível do estudo que a resolveria? A tensão é real, porque o atraso tem seu próprio custo em saúde perdida por pacientes que esperam, e porque um fabricante ou serviço tem todo incentivo para garantir um sim precoce em vez de se comprometer a gerar dados. A equipe deveria pesar onde a incerteza residual está concentrada, se um estudo viável poderia realmente estreitá-la em um prazo útil, e o que um arranjo condicional exigiria da parte interessada. Uma resposta honesta trata "decidir agora versus comprar mais evidência" como uma escolha quantificável em vez de uma questão de coragem, e está disposta a recomendar um sim condicional quando o valor de aprender o justifica.

Na prática: um exemplo de economia da saúde

O Fundo Nacional de Seguro de Saúde do fictício país de seguro social de Solenne está decidindo se reembolsa uma nova terapia oral para insuficiência cardíaca crônica. A submissão do fabricante relata uma razão de custo-efetividade incremental favorável, confortavelmente abaixo do limiar declarado do Fundo. A evidência pivotal é um único ensaio clínico randomizado: 18 meses de acompanhamento, mostrando que o medicamento reduz hospitalizações por insuficiência cardíaca e modestamente melhora a sobrevivência contra o cuidado padrão. O comitê de avaliação do Fundo pede à sua equipe de economia que avalie o modelo por trás do número, não apenas o número.

A equipe primeiro confirma que um modelo é inevitável. A insuficiência cardíaca é vitalícia; o ensaio durou 18 meses; a decisão diz respeito a custos e benefícios ao longo do tempo de vida restante dos pacientes. Uma análise dentro do ensaio responderia à pergunta errada. O fabricante construiu, corretamente, um modelo de coorte de Markov com estados para doença estável, hospitalizado, e morte, ciclando mensalmente para capturar admissões frequentes. Até aqui a estrutura combina com a doença. O escrutínio da equipe então se volta para as juntas que carregam o resultado.

Duas premissas dominam. A primeira é a extrapolação de sobrevivência: além de 18 meses o modelo projeta um benefício de mortalidade que persiste indiminuído para toda a vida, usando a curva paramétrica com o ajuste de longo prazo mais otimista. Quando a equipe reajusta curvas alternativas e testa um cenário no qual o efeito do tratamento diminui após cinco anos — consistente com evidência de registro externo sobre medicamentos similares — o ganho de QALY vitalício encolhe e a razão sobe acima do limiar. A segunda é o comparador: o modelo compara contra um padrão de cuidado mais antigo, mas as diretrizes de Solenne agora recomendam uma combinação mais nova que o ensaio não incluiu, alcançável apenas através de uma comparação indireta com ampla incerteza. A equipe também observa que a premissa sem memória de Markov achata o risco maior de readmissão de pacientes recentemente hospitalizados, que abordam com um estado de túnel curto.

A equipe reexecuta o modelo probabilisticamente, propagando toda a incerteza de parâmetro através de simulação de Monte Carlo. A curva de aceitabilidade de custo-efetividade mostra aproximadamente 50% de probabilidade de custo-efetividade no limiar do Fundo — um cara-ou-coroa, não o caso confiante que a estimativa pontual implicava. Como a decisão é grande e a incerteza concentrada na extrapolação de sobrevivência, eles executam uma análise de valor da informação: o valor esperado de resolver essa incerteza excede o custo plausível de um estudo de acompanhamento mais longo. A recomendação do comitê não é nem um sim simples nem um não simples. Reembolsa a terapia sob um arranjo de entrada gerenciada com um desconto confidencial que melhora a razão, condicional ao fabricante fornecer dados de sobrevivência estendidos dentro de três anos — uma decisão de "aprovar com pesquisa" que a modelagem, não a intuição, tornou defensável. A mecânica de precificação desse arranjo pertence ao Tópico 2.4 — Farmacoeconomia.

Quatro lentes setoriais

Startup

Uma startup de saúde digital ou dispositivos geralmente constrói seu primeiro modelo para levantar dinheiro ou entrar em um processo de HTA que nunca enfrentou, frequentemente com evidência escassa — um pequeno estudo de braço único, endpoints substitutos, forte convicção do fundador. A tentação é um modelo projetado para limpar o limiar, com um horizonte curto que esconde custos tardios e uma extrapolação otimista apresentada como fato. O caminho mais sábio é um modelo inicial, deliberadamente conservador, que traz à superfície qual lacuna de evidência mais ameaça o caso de valor, para que o escasso dinheiro de ensaio seja gasto fechando exatamente essa lacuna. Um modelo transparente que honestamente mostra ampla incerteza é mais financiável e mais crível para um pagador do que um polido que nenhum revisor pode abrir.

Pequena empresa

Um provedor, prática, ou fornecedor pequeno mas estabelecido — uma clínica especialista, uma empresa de diagnóstico, um distribuidor de dispositivo com um produto estabelecido — geralmente encontra a modelagem não para levantar capital mas para responder a uma pergunta real de compra ou reembolso: um pagador financiará isso, uma linha de serviço vale a pena continuar, uma atualização de equipamento se paga? Diferente de uma startup, tem dados operacionais reais — custos reais, throughput, resultados locais — mas raramente um economista da saúde interno, então o risco prático é ou terceirizar o modelo para o fornecedor cujo produto está sob avaliação, ou construir uma planilha que nunca testa suas próprias premissas. O caminho sensato é um modelo modesto e transparente que se apoia em seus próprios dados do mundo real para os insumos que pode originar localmente e empresta estimativas publicadas, honestamente graduadas, para o resto, com uma análise de sensibilidade simples nos dois ou três parâmetros que movem a resposta. Sua credibilidade repousa menos em sofisticação do que em ser aberto sobre de onde os números vêm e ser capaz de reexecutar o caso quando um preço ou o limiar de um pagador muda.

Empresa

Um grande fabricante, grupo hospitalar, ou seguradora executa a modelagem como uma capacidade industrial: plataformas de modelo reutilizáveis, bibliotecas de parâmetros padrão, e equipes dedicadas de economia da saúde e pesquisa de resultados que preparam submissões para muitas jurisdições de uma vez. A força é rigor, reprodutibilidade, e a capacidade de adaptar um modelo global a cada guia de métodos de país; o risco é que escala e interesse próprio se combinam para produzir modelos sofisticados otimizados para persuadir, com escolhas estruturais que silenciosamente favorecem o patrocinador. A credibilidade empresarial depende de governança que separa os modeladores da pressão comercial, de submeter modelos totalmente executáveis e transparentes, e de convidar em vez de resistir à replicação independente.

Governo

Um pagador nacional, órgão de HTA, ou ministério é o consumidor e árbitro de modelos com mais frequência do que o construtor, e sua disciplina é revisão crítica em escala: um guia de métodos publicado que restringe horizonte, perspectiva, desconto, e relatório de incerteza, e a capacidade de reexecutar e desafiar o modelo de um patrocinador em vez de aceitar sua manchete. Órgãos como NICE, IQWiG, PBAC, CDA-AMC, e ICER existem para impor exatamente essa disciplina, e cada vez mais constroem ou comissionam modelos independentes para validar cruzadamente submissões da indústria. O governo também carrega as decisões que a modelagem torna possível mas não pode tomar sozinha — aprovar, rejeitar, ou aprovar-com-pesquisa — e a responsabilização pelo custo de oportunidade que todo sim impõe a pacientes que nunca veem o comitê.

Modos de falha comuns

• Construir um modelo quando um ensaio já responde à pergunta. Adicionar premissas onde boa evidência dentro do ensaio combina com a decisão, importando viés sem ganho. Solução: escolha entre baseado em ensaio versus baseado em modelo deliberadamente, e modele apenas a lacuna que o ensaio não pode cobrir.

• Truncar o horizonte de tempo. Terminar o modelo antes que benefícios ou custos tardios se acumulem, favorecendo intervenções de custo antecipado como prevenção. Solução: execute o horizonte até que nenhuma diferença significativa permaneça — uma vida inteira para condições vitalícias — e justifique contra a história natural.

• Extrapolação otimista contrabandeada como estimativa pontual. Escolher a curva de sobrevivência ou premissa de persistência de efeito que mais favorece o resultado e apresentá-la como o caso base. Solução: ajuste alternativas, teste diminuição de efeito, mostre a faixa contra dados externos.

• Relatar uma estimativa pontual sem incerteza. Uma única razão implicando falsa precisão. Solução: sempre execute análise de sensibilidade probabilística e relate a curva de aceitabilidade ao lado da estimativa pontual.

• Confundir os tipos de incerteza. Esconder uma dúvida estrutural dentro de uma distribuição de parâmetro ampla, ou fazer média sobre heterogeneidade real. Solução: trate incerteza de parâmetro probabilisticamente, incerteza estrutural por cenário, e heterogeneidade por subgrupo.

• Comparadores fracos ou ausentes. Mostrar custo-efetividade contra placebo ou um padrão desatualizado quando clínicos escolhem entre opções atuais. Solução: inclua todos os comparadores relevantes a preços e adesão reais, e seja honesto sobre comparações indiretas.

• O modelo caixa-preta. Um resultado que não pode ser aberto, reexecutado, ou reproduzido, especialmente de uma parte interessada. Solução: exija modelos executáveis, tabelas de parâmetros completas, e uma descrição de validação escrita antes de qualquer decisão.

• Pular validação. Confiar em um modelo de aparência sofisticada sem verificações de face, internas, cruzadas, ou externas. Solução: valide em todo nível e documente; trate um modelo não validado como não comprovado.

Modelo de maturidade

Lista de verificação

• Declare explicitamente se a avaliação é baseada em ensaio, baseada em modelo, ou ambos, e por quê.
• Justifique o tipo de modelo (árvore, Markov, microssimulação, evento discreto) contra o problema de decisão e doença.
• Defina o horizonte de tempo longo o suficiente para que nenhuma diferença significativa adicional de custo ou saúde se acumule, e justifique.
• Liste toda premissa estrutural, incluindo a premissa sem memória de Markov onde relevante, e teste as que importam.
• Rastreie cada parâmetro a uma fonte declarada e gradue a evidência por trás dos motores do resultado.
• Inclua todos os comparadores relevantes do mundo real a preços e adesão realistas.
• Mostre premissas de extrapolação alternativas e seu efeito na conclusão, não apenas o caso base.
• Execute análise de sensibilidade probabilística e relate uma curva de aceitabilidade de custo-efetividade ao lado da estimativa pontual.
• Separe incerteza de parâmetro, estrutural, e heterogeneidade e aborde cada uma apropriadamente.
• Valide o modelo (face, interna, cruzada, e onde possível externa) e escreva a descrição de validação.
• Assegure que o modelo seja transparente e reproduzível o suficiente para um revisor independente reconstruir.
• Onde a incerteza é ampla e a decisão grande, execute uma análise de valor da informação para pesar comissionar mais pesquisa.

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