Моделирование

Почему это важно для экономики здравоохранения

Почти каждое важное решение о финансировании в здравоохранении приходится принимать на неполных доказательствах. Испытание наблюдает пациентов два года; препарат будут принимать двадцать лет. Исследование проводится в больницах одной страны; решение — для клиник другой. Новый тест сравнивается с плацебо; реальный выбор — против трёх уже используемых методов лечения. Модель — структурированный способ преодолеть эти разрывы: взять известное и тщательно рассуждать до величины, которая действительно нужна лицу, принимающему решение, — пожизненной издержки и последствия для здоровья от выбора варианта А вместо варианта Б. Без модели альтернатива — не «немоделируемая определённость»; это неявная, недокументированная модель в чьей-то голове, где ни одно предположение не видно и ни одно не проверяемо.

Для руководителя именно здесь публичные деньги обязуются в масштабе. Когда национальный плательщик решает возместить лекарство, профинансировать программу скрининга или реконфигурировать услугу, число, на котором держится решение, — инкрементальная издержка на год жизни с поправкой на качество (QALY), — почти всегда получено из модели, а не из испытания. Понятия экономической оценки, которые выражает это число (QALY, инкрементальные соотношения затрат и эффективности, пороги, перспектива), относятся к теме 2.1 «Экономическая оценка» и здесь предполагаются известными; эта тема владеет механизмом, производящим оценку. Если механизм неверен, порог применяется к вымыслу.

Поэтому ставки одновременно финансовые и этические. Модель, завышающая выгоду, финансирует нечто, вытесняющее лучшее использование того же бюджета, — альтернативная издержка ложится на неназванных пациентов в другом месте. Непрозрачная модель не может быть оспорена, а неоспоримый анализ — то место, где прячутся захват, принятие желаемого за действительное и оптимизм поставщика. Дисциплина моделирования — объявление структуры, проверка каждого предположения и количественная оценка того, чего вы не знаете, — это то, что превращает убедительный слайд в доказательство, которое публичный орган может защитить.

Основные понятия

Анализ решений — формальный каркас под всем этим: изложение вариантов, случайных событий, следующих за каждым, вероятностей этих событий и ценности каждого исхода, затем вычисление ожидаемой ценности каждого варианта. Экономическая модель здравоохранения — это анализ решений, применённый к выбору в здравоохранении, где взвешиваемые ценности — издержка и результат для здоровья. Основополагающий текст для этой области — «Decision Modelling for Health Economic Evaluation» Бриггса, Скалфера и Клэкстона, чьей структуре следует эта тема.

Простейшая структура — дерево решений: ветвящаяся диаграмма от узла решения через узлы случайности к конечным исходам, где каждая ветвь несёт вероятность, а каждая конечная точка — издержку и результат для здоровья. Деревья ясны и быстры и подходят для решений, разрешающихся на коротком, фиксированном горизонте — острое событие, диагностический путь. Их слабость — время: у дерева нет естественного способа представить повторяющиеся события, сохраняющиеся состояния или риски, меняющиеся год за годом, потому что каждую возможность приходится рисовать как всё более ветвящийся путь.

Для хронических заболеваний рабочая лошадка — цепь Маркова, или марковская когортная модель. Она представляет заболевание как набор взаимоисключающих состояний здоровья — например, здоров, осложнение, смерть — и перемещает гипотетическую когорту между ними в фиксированных временных циклах согласно вероятностям перехода. Накопление издержек и качества жизни за много циклов даёт пожизненные итоги. Её определяющее упрощение — марковское предположение: переходы зависят только от текущего состояния, а не от истории, поэтому стандартная модель не может «помнить», как долго пациент болен. Аналитики обходят это туннельными состояниями или зависящими от времени переходами, но это предположение — первое, что должен допросить рецензент.

Когда история пациента, индивидуальные характеристики или взаимодействия слишком важны, чтобы их терять, разработчики моделей обращаются к симуляции на индивидуальном уровне. Микросимуляция проводит пациентов через модель по одному, каждый несёт атрибуты (возраст, факторы риска, история событий), формирующие его траекторию, так что неоднородность и память сохраняются. Там, где пациенты также конкурируют за общие, ограниченные ресурсы — койки, операционные, персонал, лист ожидания трансплантации, — дискретно-событийная симуляция добавляет очереди и хронометраж, моделируя систему, а не одинокого пациента. Эти методы покупают реализм ценой голода по данным, времени выполнения и более трудной задачи объяснения результата.

Ни один результат модели не является единственным определённым числом, и притворяться иначе — главный грех этой области. Анализ чувствительности спрашивает, как меняется вывод при изменении вкладов. Детерминированный анализ чувствительности варьирует один или несколько параметров в правдоподобных диапазонах (часто показывается как торнадо-диаграмма). Вероятностный анализ чувствительности присваивает каждому неопределённому параметру распределение вероятности и, используя выборку Монте-Карло, запускает модель тысячи раз, производя распределение результатов, — резюмируемое как вероятность того, что вариант экономически оправдан при данном пороге. Неопределённость, остающуюся после этого, можно оценить: анализ ценности информации оценивает, чего стоило бы заказать больше исследований перед решением, превращая «мы не уверены» в число, на которое может действовать исследовательский бюджет.

Модели можно доверять ровно настолько, насколько её валидировали. Валидность по внешнему виду спрашивает, имеют ли структура и результаты клинический смысл; внутренняя валидность (верификация) проверяет, что модель делает то, что задумано её уравнениями, без ошибок кода; перекрёстная валидность сравнивает результаты с другими моделями той же проблемы; а внешняя валидность проверяет предсказания против реальных исходов, которые модель не использовала как вклады. Наконец, инструментарий моделирования находится внутри более широкого механизма оценки медицинских технологий (ОМТ) — процесса, посредством которого такие органы, как NICE Англии, IQWiG Германии, CDA-AMC Канады, PBAC Австралии и ICER США, взвешивают доказательства для решений о финансировании по всему миру.

Лучшие практики

1. Решите между испытанием и моделью, прежде чем что-либо строить. Анализ внутри испытания наряду с рандомизированным контролируемым испытанием — правильный инструмент, когда горизонт, сравнения и население испытания соответствуют решению. Модель требуется, когда — как обычно — решение выходит за пределы испытания: пожизненные последствия, сравнения, никогда не испытывавшиеся напрямую, или целевое население, отличное от включённого. Большинству реальных решений нужно и то, и другое: испытание закрепляет краткосрочный эффект, модель его экстраполирует. Укажите на первой странице, что именно вы делаете и почему.

2. Пусть проблема решения выбирает тип модели, никогда не наоборот. Короткое, острое, неповторяющееся решение подходит для дерева решений; хроническое состояние с повторяющимися событиями подходит для марковской модели; сильная неоднородность пациентов или память о событиях толкают к микросимуляции; ограниченные общие ресурсы и очереди толкают к дискретно-событийной симуляции. Выбор структуры, потому что она знакома или потому что поставщик уже владеет ею, — вот как модели перестают подходить вопросу, на который должны отвечать.

3. Устанавливайте временной горизонт достаточно долгим, чтобы уловить все релевантные различия. Горизонт должен длиться до тех пор, пока между вариантами не перестанут накапливаться дальнейшие значимые различия в издержках или здоровье — для пожизненного состояния это означает всю жизнь. Раннее усечение льстит вмешательствам, чьи издержки приходят заранее, а выгоды — поздно (профилактика, излечение), и это один из самых распространённых способов, которыми модель тихо смещает собственный ответ. Явно обосновывайте горизонт естественным течением болезни.

4. Выбирайте структуру модели, отражающую заболевание, и называйте предположения, которые она навязывает. Состояния здоровья должны быть клинически осмысленными, взаимоисключающими и совместно исчерпывающими; длина цикла должна быть достаточно короткой, чтобы уловить самое быстрое важное событие. Каждая структура навязывает упрощения — марковское предположение об отсутствии памяти классический пример, — поэтому перечисляйте их там, где рецензент может их увидеть, и показывайте, что важные из них проверены или ослаблены.

5. Осознанно указывайте источник каждого параметра и оценивайте его доказательства. Вероятности перехода, издержки и веса качества жизни должны каждый восходить к указанному источнику, причём сильнейшие доказательства используются для параметров, определяющих результат. Явно указывайте, где работу выполняет систематический обзор, единственное исследование, регистр или экспертное суждение, и предпочитайте относительные эффекты из рандомизированных данных в сочетании с базовыми рисками из локальных наблюдательных данных — смешение источников законно, сокрытие смешения — нет.

6. Моделируйте сравнения, с которыми решение действительно сталкивается, при реальных дозах и ценах. Экономически оправданный результат против плацебо или устаревшего стандарта почти бессмыслен, если клиницисты на самом деле выбирают между тремя текущими вариантами. Включайте все релевантные сравнения, используйте цены и паттерны приверженности, которые будут действовать на практике, и будьте честны, когда прямое сравнение опирается на непрямое или сетевое сравнение, а не на прямые данные испытания.

7. Экстраполируйте за пределы испытания с объявленными, проверенными предположениями о выживаемости. Там, где модель проецирует эффект за пределы наблюдаемых данных — почти всегда — выбор экстраполяции (какая кривая выживаемости, сохраняется ли эффект лечения, ослабевает ли он или прекращается) может доминировать над ответом. Подгоняйте альтернативные параметрические кривые, показывайте их против наблюдаемых данных и внешних доказательств и представляйте диапазон, а не протаскивайте самую оптимистичную подгонку как точечную оценку.

8. Характеризуйте неопределённость вероятностно, а не только по одному параметру за раз. Детерминированный однонаправленный анализ и торнадо-диаграммы показывают, какие вклады важны, но только вероятностный анализ чувствительности, распространяющий всю неопределённость вместе через симуляцию Монте-Карло, даёт вероятность того, что решение верно. Сообщайте кривую приемлемости затратной эффективности наряду с точечной оценкой; благоприятное соотношение с вероятностью 55% экономической оправданности — иное решение, чем то же соотношение при 95%.

9. Отделяйте виды неопределённости и обращайтесь с каждым на его собственных условиях. Неопределённость параметров (мы не знаем истинное значение) обрабатывается вероятностным анализом; структурная неопределённость (мы не уверены, что модель построена правильно) требует сценарного анализа по альтернативным структурам; неоднородность (ответ подлинно различается по подгруппе) требует результатов по подгруппам, а не среднего, не подходящего никому. Их смешение — например, сокрытие структурного сомнения внутри широкого распределения параметра — искажает то, что на самом деле неизвестно.

10. Валидируйте на каждом уровне и записывайте валидацию. Проверяйте валидность по внешнему виду с клиницистами, не строившими модель; верифицируйте код независимым тестированием и проверками экстремальных значений; проводите перекрёстную валидацию против опубликованных моделей того же заболевания и объясняйте расхождения; и там, где существуют какие-либо внешние данные об исходах, проверяйте предсказания модели против них. Модели, представленной для решения о финансировании без отчёта о валидации, не следует доверять, каким бы изощрённым она ни выглядела.

11. Делайте модель достаточно прозрачной и воспроизводимой, чтобы противник мог её восстановить. Документируйте структуру, каждый вклад с его источником и каждое предположение, чтобы скептичный рецензент мог в принципе восстановить результат. Прозрачность — не любезность; это механизм, посредством которого оптимистичные ошибки перехватываются до движения публичных денег, поэтому органы ОМТ всё чаще требуют исполняемые модели и полные таблицы параметров, а не сводное соотношение.

12. Количественно оценивайте, стоит ли покупать больше исследований, прежде чем брать обязательство. Когда неопределённость широка, а суммы велики, анализ ценности информации оценивает ожидаемую ценность разрешения этой неопределённости — иногда оправдывая решение «одобрить с исследованием» или «только в рамках исследования», а не простое да или нет. Он переосмысляет тупик («доказательства ещё не созрели») в экономический вопрос («стоит ли испытание своих издержек, учитывая решение на кону?»).

Вопросы для обсуждения с командой

1. Действительно ли этому решению нужна модель, и если да, что модель делает такого, чего не может испытание? Инстинкт многих организаций — рефлекторно тянуться к модели или вовсе не доверять моделям как «выдуманным числам» — оба неверны. Продуктивный вопрос в том, какой конкретный разрыв модель преодолевает: экстраполяцию двухлетнего испытания на всю жизнь, сравнение с лечением, никогда не испытывавшимся напрямую, или перенос доказательств из одной системы здравоохранения в вашу. Называние разрыва дисциплинирует модель, потому что говорит, какая часть структуры несёт решение и потому заслуживает наибольшего внимания и сильнейших данных. Это также говорит, когда модель не оправдана — там, где хороший анализ внутри испытания уже соответствует решению, сложная модель добавляет предположения, не добавляя истины. Честный ответ указывает единственную наиболее важную вещь, которую экстраполирует модель, и насколько результат зависит от этой экстраполяции.

2. Какие одно-два предположения, если они неверны, перевернут наш вывод — и насколько мы уверены именно в них? У каждой модели есть горстка несущих предположений и длинный хвост вкладов, которые едва имеют значение; опасность — тратить внимание равномерно вместо того, чтобы направлять его на соединения, несущие вес. Торнадо-диаграмма или однонаправленный анализ чувствительности механически определяет движущие силы, но командный разговор — о качестве доказательств именно по этим движущим силам: опирается ли ключевая вероятность перехода на сильный метаанализ или на одно небольшое исследование, привязана ли экстраполяция выживаемости к внешним данным или к обнадёживающей подгонке кривой? Неудобный паттерн — уверенное заглавное соотношение, опирающееся на параметр, для которого доказательства скудны. Честный ответ не заявляет, что модель надёжна в целом; он называет конкретные предположения, на которых висит решение, и оценивает доказательства за каждым, а затем решает, достаточно ли этого, чтобы действовать, или это повод собрать больше данных.

3. Кто построил эту модель, чьему делу она помогает, и достиг бы независимый пересбор того же ответа? Многие модели, представляемые плательщикам, строятся или финансируются стороной с прямым интересом в результате — производителем, добивающимся возмещения, услугой, ищущей инвестиции. Это не делает их неверными, но делает независимую проверку не подлежащей обсуждению и поднимает конкретные вопросы: выбраны ли сравнения ради лести, была ли выбрана самая оптимистичная экстраполяция, достаточно ли модель прозрачна, чтобы её вообще можно было допросить? Противоречие в том, что люди с данными и мощностью моделирования часто сами заинтересованная сторона, поэтому ответ редко в том, чтобы прямо отвергнуть их модель, а в том, чтобы требовать прозрачности, проводить собственный анализ чувствительности на их модели и перекрёстно валидировать её против независимой работы. Честный ответ откровенен в отношении происхождения и конфликта и относится к модели, которую нельзя открыть и перезапустить, как к тревожному сигналу, а не как к детали собственности, которую можно пропустить.

4. Заболевание выбрало нашу структуру модели или её выбрало за нас удобство? Структура — дерево решений, марковская когорта, микросимуляция, дискретно-событийная симуляция — должна вытекать из клинической проблемы: как разворачивается состояние, повторяются ли события, важны ли история пациента или общие, ограниченные ресурсы. Паттерн провала — структура, принятая, потому что она знакома, потому что поставщик уже ею владеет или потому что её быстро построить, а затем подогнанная под заболевание, которому она не подходит. Командный разговор конкретен: повторяется ли или сохраняется ли состояние так, что дерево решений не может это уловить; выравнивает ли марковское предположение об отсутствии памяти риск, подлинно зависящий от истории; конкурируют ли пациенты за койки или операционные так, что когортная модель это игнорирует? Каждая структура покупает ясность ценой конкретных упрощений, поэтому продуктивный вопрос не «лучшая ли это модель», а «какие упрощения эта структура нам навязала, и касается ли какое-либо из них части заболевания, от которой зависит решение?» Честный ответ называет структурные предположения, которые навязывает выбор, и показывает, что важные из них проверены, а не защищает структуру потому, что она уже построена.

5. С каким видом неопределённости мы на самом деле здесь сталкиваемся, и обращаемся ли мы с каждым на его собственных условиях? Легко свернуть «мы не уверены» в единую широкую полосу погрешности, но эта область различает три довольно разные вещи: неопределённость параметра (мы не знаем истинное значение вклада), структурную неопределённость (мы не уверены, что модель построена правильно) и неоднородность (ответ подлинно различается между подгруппами). Каждая требует иного ответа — вероятностный анализ для параметров, сценарный анализ по альтернативным структурам для второй, результаты по подгруппам вместо среднего для третьей, — и их смешение искажает то, что неизвестно. Классический трюк — спрятать структурное сомнение внутри толстого распределения параметра, так что заглавный показатель по-прежнему сообщает единую обнадёживающую вероятность экономической оправданности. Команда должна спросить, какая из трёх вещей на самом деле движет сомнением в этом решении, и обращается ли представленный ей анализ к этому виду или лишь к самому удобному. Честный ответ явно разделяет эти три и признаёт, где сомнение структурно, — самое трудное для количественной оценки и самое лёгкое для сокрытия.

6. Учитывая то, чего мы всё ещё не знаем, должны ли мы решать сейчас или сначала заплатить за то, чтобы узнать больше? Когда неопределённость широка, а обязуемая сумма велика, «да» и «нет» — не единственные варианты: решение «одобрить с исследованием» или «только в рамках исследования» оставляет дверь открытой, пока доказательства созревают. Анализ ценности информации превращает тупик — «доказательства ещё не созрели» — в экономический вопрос: чего стоило бы разрешить неопределённость перед решением, и превышает ли это правдоподобную издержку исследования, которое бы её разрешило? Противоречие реально, потому что задержка имеет собственную издержку в здоровье, упущенном ожидающими пациентами, и потому что у производителя или услуги есть все стимулы заполучить раннее «да», а не брать обязательство генерировать данные. Команда должна взвесить, где сконцентрирована остаточная неопределённость, могло ли бы осуществимое исследование фактически сузить её в полезные сроки, и чего условное соглашение потребовало бы от заинтересованной стороны. Честный ответ относится к выбору «решать сейчас против покупки больше доказательств» как к количественно оцениваемому выбору, а не вопросу нервов, и готов рекомендовать условное «да», когда ценность обучения это оправдывает.

На практике: пример из экономики здравоохранения

Национальный фонд медицинского страхования вымышленной страны с социальным страхованием, Солен, решает, возмещать ли новую пероральную терапию хронической сердечной недостаточности. Заявка производителя сообщает благоприятное инкрементальное соотношение затрат и эффективности, комфортно ниже заявленного порога фонда. Ключевое доказательство — единственное рандомизированное контролируемое испытание: 18 месяцев наблюдения, показывающих, что препарат снижает госпитализации по поводу сердечной недостаточности и скромно улучшает выживаемость по сравнению со стандартной помощью. Комитет по оценке фонда просит свою экономическую команду оценить модель за числом, а не только число.

Команда сначала подтверждает, что модель неизбежна. Сердечная недостаточность пожизненна; испытание длилось 18 месяцев; решение касается издержек и выгод на протяжении оставшейся жизни пациентов. Анализ внутри испытания ответил бы на неверный вопрос. Производитель правильно построил марковскую когортную модель с состояниями стабильного заболевания, госпитализации и смерти, циклически ежемесячно, чтобы уловить частые поступления. Пока структура соответствует заболеванию. Внимание команды затем обращается к соединениям, несущим результат.

Доминируют два предположения. Первое — экстраполяция выживаемости: за пределами 18 месяцев модель проецирует выгоду в смертности, сохраняющуюся неослабленной на всю жизнь, используя параметрическую кривую с самой оптимистичной долгосрочной подгонкой. Когда команда переподгоняет альтернативные кривые и проверяет сценарий, в котором эффект лечения ослабевает через пять лет — в соответствии с внешними данными регистров по схожим препаратам, — пожизненный прирост QALY сжимается, а соотношение поднимается выше порога. Второе — сравнение: модель сравнивает с более старым стандартом помощи, но нынешние руководства Солен теперь рекомендуют новую комбинацию, не включённую в испытание, достижимую только через непрямое сравнение с широкой неопределённостью. Команда также отмечает, что марковское предположение об отсутствии памяти выравнивает более высокий риск повторной госпитализации у недавно госпитализированных пациентов, что они решают коротким туннельным состоянием.

Команда перезапускает модель вероятностно, распространяя всю неопределённость параметров через симуляцию Монте-Карло. Кривая приемлемости затратной эффективности показывает примерно 50%-ю вероятность экономической оправданности при пороге фонда — подбрасывание монеты, а не уверенный случай, который подразумевала точечная оценка. Поскольку решение крупное, а неопределённость сконцентрирована в экстраполяции выживаемости, они проводят анализ ценности информации: ожидаемая ценность разрешения этой неопределённости превышает правдоподобную издержку более длительного исследования наблюдения. Рекомендация комитета — ни прямое «да», ни прямое «нет». Он возмещает терапию по соглашению об управляемом доступе с конфиденциальной скидкой, улучшающей соотношение, при условии, что производитель предоставит расширенные данные о выживаемости в течение трёх лет, — решение «одобрить с исследованием», которое сделало защитимым моделирование, а не интуиция. Механика ценообразования такого соглашения относится к теме 2.4 «Фармакоэкономика».

Четыре отраслевых ракурса

Стартап

Стартап цифрового здравоохранения или устройств обычно строит свою первую модель, чтобы привлечь деньги или войти в процесс ОМТ, с которым никогда не сталкивался, часто со скудными доказательствами — небольшим однорукавным исследованием, суррогатными конечными точками, сильной убеждённостью основателя. Соблазн — модель, спроектированная для преодоления порога, с коротким горизонтом, скрывающим поздние издержки, и оптимистичной экстраполяцией, представленной как факт. Более мудрый путь — ранняя, намеренно консервативная модель, выявляющая, какой разрыв в доказательствах больше всего угрожает обоснованию ценности, так что скудные деньги испытания тратятся на закрытие именно этого разрыва. Прозрачная модель, честно показывающая широкую неопределённость, более финансируема и более достоверна для плательщика, чем отполированная, которую ни один рецензент не может открыть.

Малый бизнес

Небольшой, но устоявшийся поставщик, практика или поставщик — специализированная клиника, диагностическая фирма, дистрибьютор устройств с устоявшимся продуктом — обычно сталкивается с моделированием не для привлечения капитала, а для ответа на реальный вопрос закупки или возмещения: профинансирует ли это плательщик, стоит ли продолжать линию услуги, окупает ли себя обновление оборудования? В отличие от стартапа, у него есть реальные операционные данные — реальные издержки, пропускная способность, локальные результаты, — но редко штатный экономист здравоохранения, поэтому практический риск — либо аутсорсинг модели поставщику, чей продукт оценивается, либо построение электронной таблицы, никогда не проверяющей собственные предположения. Разумный курс — скромная, прозрачная модель, опирающаяся на собственные реальные данные для вкладов, которые она может получить локально, и заимствующая опубликованные оценки, честно оценённые, для остального, с простым анализом чувствительности по двум-трём параметрам, двигающим ответ. Её достоверность зависит не столько от изощрённости, сколько от открытости в отношении происхождения чисел и способности перезапустить кейс, когда меняется цена или порог плательщика.

Предприятие

Крупный производитель, больничная группа или страховщик проводит моделирование как индустриальную способность: переиспользуемые модельные платформы, стандартные библиотеки параметров и выделенные команды по экономике здравоохранения и исследованию исходов, готовящие заявки сразу для многих юрисдикций. Сила — строгость, воспроизводимость и способность адаптировать одну глобальную модель к методическому руководству каждой страны; риск — что масштаб и собственный интерес сочетаются, производя изощрённые модели, оптимизированные для убеждения, со структурными выборами, тихо благоприятствующими спонсору. Достоверность предприятия зависит от управления, отделяющего разработчиков модели от коммерческого давления, от представления полностью исполняемых и прозрачных моделей и от приглашения, а не сопротивления независимому воспроизведению.

Государство

Национальный плательщик, орган ОМТ или министерство чаще является потребителем и арбитром моделей, чем их строителем, и его дисциплина — критическая проверка в масштабе: опубликованное методическое руководство, ограничивающее горизонт, перспективу, дисконтирование и отчётность о неопределённости, и способность перезапустить и оспорить модель спонсора, а не принимать её заглавный показатель. Такие органы, как NICE, IQWiG, PBAC, CDA-AMC и ICER, существуют именно для навязывания этой дисциплины, и всё чаще они строят или заказывают независимые модели для перекрёстной валидации отраслевых заявок. Государство также несёт решения, которые моделирование делает возможными, но не может принять в одиночку, — одобрить, отклонить или одобрить с исследованием, — и подотчётность за альтернативную издержку, которую каждое «да» накладывает на пациентов, никогда не видящих комитет.

Типичные ошибки

• Построение модели, когда испытание уже отвечает на вопрос. Добавление предположений там, где хорошие данные внутри испытания соответствуют решению, импорт предвзятости без выгоды. Решение: осознанно выбирайте между испытанием и моделью и моделируйте только разрыв, который испытание не может покрыть.

• Усечение временного горизонта. Завершение модели до накопления поздних выгод или издержек, что льстит вмешательствам с ранними издержками, таким как профилактика. Решение: ведите горизонт до тех пор, пока не останется значимых различий, — вся жизнь для пожизненных состояний, — и обосновывайте его естественным течением болезни.

• Оптимистичная экстраполяция, протащенная как точечная оценка. Выбор кривой выживаемости или предположения о сохранении эффекта, наиболее льстящего результату, и представление его как базового случая. Решение: подгоняйте альтернативы, проверяйте ослабление эффекта, показывайте диапазон против внешних данных.

• Сообщение точечной оценки без неопределённости. Единственное соотношение, подразумевающее ложную точность. Решение: всегда проводите вероятностный анализ чувствительности и сообщайте кривую приемлемости наряду с точечной оценкой.

• Смешение видов неопределённости. Сокрытие структурного сомнения внутри широкого распределения параметра или усреднение по реальной неоднородности. Решение: обрабатывайте неопределённость параметра вероятностно, структурную неопределённость сценарием, а неоднородность подгруппой.

• Слабые или отсутствующие сравнения. Показ экономической оправданности против плацебо или устаревшего стандарта, тогда как клиницисты выбирают среди текущих вариантов. Решение: включайте все релевантные сравнения по реальным ценам и приверженности и будьте честны в отношении непрямых сравнений.

• Модель «чёрный ящик». Результат, который нельзя открыть, перезапустить или воспроизвести, особенно от заинтересованной стороны. Решение: требуйте исполняемые модели, полные таблицы параметров и письменный отчёт о валидации перед любым решением.

• Пропуск валидации. Доверие изощрённо выглядящей модели без проверок по внешнему виду, внутренних, перекрёстных или внешних. Решение: валидируйте на каждом уровне и документируйте это; относитесь к невалидированной модели как к недоказанной.

Модель зрелости

Контрольный список

• Явно указано, является ли оценка основанной на испытании, на модели или на обоих, и почему.
• Тип модели (дерево, Маркова, микросимуляция, дискретно-событийная) обоснован решением и заболеванием.
• Временной горизонт установлен достаточно долгим, чтобы не накапливались дальнейшие значимые различия в издержках или здоровье, и обоснован.
• Перечислены все структурные предположения, включая марковское предположение об отсутствии памяти там, где релевантно, и проверены важные из них.
• Каждый параметр прослежен до указанного источника, доказательства за движущими силами результата оценены.
• Включены все релевантные реальные сравнения по реалистичным ценам и приверженности.
• Показаны альтернативные предположения экстраполяции и их влияние на вывод, а не только базовый случай.
• Проведён вероятностный анализ чувствительности, и сообщена кривая приемлемости затратной эффективности наряду с точечной оценкой.
• Разделены неопределённость параметра, структурная и неоднородность, и каждая рассмотрена соответствующим образом.
• Модель валидирована (по внешнему виду, внутренне, перекрёстно и, где возможно, внешне), и отчёт о валидации записан.
• Модель достаточно прозрачна и воспроизводима, чтобы независимый рецензент мог её восстановить.
• Там, где неопределённость широка, а решение крупно, проведён анализ ценности информации для взвешивания заказа дополнительных исследований.

Ключевые источники

• Andrew Briggs, Mark Sculpher & Karl Claxton, Decision Modelling for Health Economic Evaluation (Oxford University Press) — стандартная структура для решенческо-аналитического моделирования в экономике здравоохранения.
• Alastair Gray, Philip Clarke, Jane Wolstenholme & Sarah Wordsworth, Applied Methods of Cost-Effectiveness Analysis in Health Care (Oxford University Press) — прикладное построение моделей и методы затратной эффективности.
• Henry Glick, Jalpa Doshi, Seema Sonnad & Daniel Polsky, Economic Evaluation in Clinical Trials (Oxford University Press) — оценка на основе испытаний и выбор между внутрииспытательным и модельным подходом.
• Отчёты рабочей группы ISPOR–SMDM по надлежащей исследовательской практике моделирования — руководство по надлежащей практике концептуализации моделей, деревьев решений, марковских моделей, микросимуляции, дискретно-событийной симуляции, прозрачности и валидации моделей.
• Руководство NICE по оценке медицинских технологий (PMG36) — методические требования к моделям, представляемым национальному органу ОМТ — https://www.nice.org.uk/process/pmg36
• Economics Network, Health Economics for Teachers — модуль моделирования — https://economicsnetwork.ac.uk/health/teachers

Список литературы

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