Modellering

Varför detta är viktigt inom hälsoekonomi

Nästan varje viktigt finansieringsbeslut inom hälso- och sjukvård måste fattas på ofullständig evidens. En prövning följer patienter i två år; läkemedlet kommer att tas i tjugo. En studie genomförs på ett lands sjukhus; beslutet gäller ett annat lands kliniker. Ett nytt test jämförs mot placebo; det verkliga valet är mot tre behandlingar som redan används. En modell är det strukturerade sättet att överbrygga dessa glapp – att ta det som är känt och noggrant resonera fram till den kvantitet en beslutsfattare faktiskt behöver: den livslånga kostnaden och hälsokonsekvensen av att välja alternativ A framför alternativ B. Utan en modell är alternativet inte ”omodellerad visshet”; det är en underförstådd, odokumenterad modell i någons huvud, där inga antaganden syns och ingen av dem går att pröva.

För en chef är det här allmänna medel förbinds i stor skala. När en nationell betalare beslutar att ersätta ett läkemedel, finansiera ett screeningprogram eller omkonfigurera en tjänst kommer det tal som förankrar beslutet – den inkrementella kostnaden per kvalitetsjusterat levnadsår (QALY) – nästan alltid ur en modell, inte en prövning. De begrepp inom ekonomisk utvärdering som det talet uttrycker (QALY, inkrementella kostnadseffektivitetskvoter, tröskelvärden, perspektiv) hör hemma i Ämne 2.1 — Ekonomisk utvärdering och förutsätts här; detta ämne äger maskineriet som producerar uppskattningen. Om maskineriet är fel tillämpas tröskelvärdet på en fiktion.

Insatserna är därför både finansiella och etiska. En modell som överskattar nyttan finansierar något som tränger undan bättre användningar av samma budget – alternativkostnaden faller på onämnda patienter på annat håll. En modell som är ogenomskinlig kan inte ifrågasättas, och oifrågasättbar analys är där påverkan, önsketänkande och leverantörsoptimism gömmer sig. Modelleringens disciplin – att deklarera struktur, pröva varje antagande och kvantifiera vad man inte vet – är det som förvandlar en övertygande bild till evidens som ett offentligt organ kan försvara.

Grundläggande begrepp

Beslutsanalys är det formella ramverk som ligger under allt detta: att lägga ut alternativen, de slumpmässiga händelser som följer på vart och ett, sannolikheterna för dessa händelser och värdet av varje utfall, och sedan beräkna det förväntade värdet av varje alternativ. En hälsoekonomisk modell är beslutsanalys tillämpad på ett hälsoval, med kostnad och hälsoutfall som de värden som vägs. Fältets grundtext är Briggs, Sculpher och Claxtons Decision Modelling for Health Economic Evaluation, vars ramverk detta ämne följer.

Den enklaste strukturen är beslutsträdet: ett förgrenat diagram från en beslutsnod genom slumpnoder till slutliga utfall, där varje gren bär en sannolikhet och varje ändpunkt en kostnad och en hälsoavkastning. Träd är tydliga och snabba, och de passar beslut som löses över en kort, fast horisont – en akut händelse, ett diagnostiskt förlopp. Deras svaghet är tid: ett träd har inget naturligt sätt att representera händelser som återkommer, tillstånd som består eller risker som förändras år efter år, eftersom varje möjlighet måste ritas som en ständigt förgrenad väg.

För kronisk sjukdom är arbetshästen Markovkedjan, eller Markov-kohortmodellen. Den representerar en sjukdom som en uppsättning ömsesidigt uteslutande hälsotillstånd – till exempel frisk, komplikation, död – och flyttar en hypotetisk kohort mellan dem i fasta tidscykler enligt övergångssannolikheter. Att ackumulera kostnad och livskvalitet över många cykler ger livslånga summor. Dess definierande förenkling är Markovantagandet: övergångar beror bara på det nuvarande tillståndet, inte på historia, så en standardmodell kan inte ”minnas” hur länge en patient har varit sjuk. Analytiker kringgår detta med tunnel-tillstånd eller tidsberoende övergångar, men antagandet är det första en granskare bör förhöra.

När patienthistorik, individuella egenskaper eller samspel spelar för stor roll för att förlora vänder sig modellerare till simulering på individnivå. Mikrosimulering kör patienter genom modellen en i taget, var och en med attribut (ålder, riskfaktorer, händelsehistorik) som formar deras förlopp, så att heterogenitet och minne bevaras. Där patienter också konkurrerar om delade, begränsade resurser – sängplatser, operationssalar, personal, en transplantationskö – lägger diskret händelsesimulering till köer och timing och modellerar systemet snarare än en ensam patient. Dessa metoder köper realism till priset av databehov, körtid och ett svårare jobb med att förklara resultatet.

Inget modellresultat är ett enda säkert tal, och att låtsas något annat är fältets kardinalsynd. Känslighetsanalys frågar hur slutsatsen rör sig när indata ändras. Deterministisk känslighetsanalys varierar en eller några få parametrar över rimliga intervall (ofta visad som ett tornadodiagram). Probabilistisk känslighetsanalys tilldelar varje osäker parameter en sannolikhetsfördelning och kör, med Monte Carlo-sampling, modellen tusentals gånger för att producera en fördelning av resultat – sammanfattad som sannolikheten att ett alternativ är kostnadseffektivt vid ett givet tröskelvärde. Osäkerhet som återstår efter detta kan värderas: analys av informationsvärde uppskattar vad det vore värt att beställa mer forskning innan man beslutar, och förvandlar ”vi är inte säkra” till ett tal som en forskningsbudget kan agera på.

En modell är bara så pålitlig som dess validering. Ytvaliditet (face validity) frågar om strukturen och resultaten är kliniskt rimliga; intern validitet (verifiering) kontrollerar att modellen gör vad dess ekvationer avser, fri från kodningsfel; korsvaliditet jämför resultat mot andra modeller av samma problem; och extern validitet prövar förutsägelser mot verkliga utfall som modellen inte använde som indata. Slutligen ligger modelleringsverktygslådan inom det bredare maskineriet för hälsoteknologibedömning (HTA) – processen genom vilken organ såsom Englands NICE, Tysklands IQWiG, Kanadas CDA-AMC, Australiens PBAC och USA:s ICER väger evidens för finansieringsbeslut världen över.

Bästa praxis

1. Avgör prövningsbaserat kontra modellbaserat innan du bygger något. En analys inom prövningen vid sidan av en randomiserad kontrollerad prövning är rätt verktyg när prövningens horisont, jämförelsealternativ och population stämmer med beslutet. En modell krävs när – som vanligt – beslutet sträcker sig bortom prövningen: livslånga konsekvenser, jämförelsealternativ som aldrig prövats head-to-head eller en målpopulation som skiljer sig från de inskrivna. De flesta verkliga beslut behöver båda: prövningen förankrar kortsiktig effekt, modellen extrapolerar den. Ange vilket ni gör och varför på första sidan.

2. Låt beslutsproblemet välja modelltyp, aldrig tvärtom. Ett kort, akut, icke-återkommande beslut passar ett beslutsträd; ett kroniskt tillstånd med återkommande händelser passar en Markovmodell; stark patientheterogenitet eller händelseminne skjuter mot mikrosimulering; begränsade delade resurser och köbildning skjuter mot diskret händelsesimulering. Att välja en struktur därför att den är bekant, eller därför att en leverantör redan äger en, är hur modeller kommer att passa illa med den fråga de är avsedda att besvara.

3. Fastställ tidshorisonten tillräckligt lång för att fånga alla relevanta skillnader. Horisonten måste löpa tills inga ytterligare meningsfulla skillnader i kostnad eller hälsa uppstår mellan alternativen – för ett livslångt tillstånd innebär det en livstid. Att korta av för tidigt smickrar insatser vars kostnader landar i förväg och vars nyttor kommer sent (prevention, bot), och det är ett av de vanligaste sätten en modell i det tysta snedvrider sitt eget svar. Motivera horisonten uttryckligen mot sjukdomens naturhistoria.

4. Välj modellstruktur för att spegla sjukdomen, och namnge de antaganden den tvingar fram. Hälsotillstånd måste vara kliniskt meningsfulla, ömsesidigt uteslutande och sammantaget uttömmande; cykellängden måste vara kort nog att fånga den snabbaste viktiga händelsen. Varje struktur påtvingar förenklingar – det minneslösa Markovantagandet är det klassiska exemplet – så lista dem där en granskare kan se dem och visa att de som spelar roll har prövats eller lättats.

5. Källbelägg varje parameter medvetet och gradera dess evidens. Övergångssannolikheter, kostnader och livskvalitetsvikter bör var och en kunna spåras till en angiven källa, med den starkaste evidensen använd för de parametrar som driver resultatet. Var uttrycklig där en systematisk översikt, en enskild studie, ett register eller ett expertomdöme gör jobbet, och föredra relativa effekter från randomiserad evidens kombinerade med baslinjerisker från lokala observationsdata – att blanda källor är legitimt, att dölja blandningen är det inte.

6. Modellera de jämförelsealternativ beslutet faktiskt står inför, vid verkliga doser och priser. Ett kostnadseffektivt resultat mot placebo eller mot en föråldrad standard är nära meningslöst om kliniker faktiskt väljer mellan tre aktuella alternativ. Inkludera alla relevanta jämförelsealternativ, använd de priser och följsamhetsmönster som kommer att gälla i praktiken och var ärlig när en head-to-head-jämförelse vilar på en indirekt jämförelse eller nätverksjämförelse snarare än direkt prövningsevidens.

7. Extrapolera bortom prövningen med deklarerade, prövade överlevnadsantaganden. Där modellen projicerar effekt förbi de observerade datan – nästan alltid – kan valet av extrapolering (vilken överlevnadskurva, om behandlingseffekten består, avtar eller upphör) dominera svaret. Anpassa alternativa parametriska kurvor, visa dem mot de observerade datan och extern evidens, och presentera intervallet i stället för att smuggla in den mest optimistiska anpassningen som en punktskattning.

8. Karakterisera osäkerhet probabilistiskt, inte bara en parameter i taget. Deterministisk envägsanalys och tornadodiagram visar vilka indata som spelar roll, men bara probabilistisk känslighetsanalys, som propagerar all osäkerhet tillsammans genom Monte Carlo-simulering, ger sannolikheten att ett beslut är rätt. Redovisa acceptabilitetskurvan för kostnadseffektivitet vid sidan av punktskattningen; en gynnsam kvot med 55 % sannolikhet för kostnadseffektivitet är ett annat beslut än samma kvot vid 95 %.

9. Skilj slagen av osäkerhet åt och behandla var och en på sina egna villkor. Parameterosäkerhet (vi vet inte det sanna värdet) hanteras med probabilistisk analys; strukturell osäkerhet (vi är osäkra på om modellen är rätt byggd) behöver scenarioanalys över alternativa strukturer; heterogenitet (svaret skiljer sig genuint mellan delgrupper) behöver delgruppsresultat, inte ett genomsnitt som passar ingen. Att blanda ihop dem – till exempel genom att dölja ett strukturellt tvivel i en bred parameterfördelning – missvisar vad som faktiskt är okänt.

10. Validera på varje nivå, och skriv ned valideringen. Kontrollera ytvaliditet med kliniker som inte byggde modellen; verifiera koden med oberoende testning och extremvärdeskontroller; korsvalidera mot publicerade modeller av samma sjukdom och förklara avvikelser; och, där externa utfallsdata finns, pröva modellens förutsägelser mot dem. En modell som läggs fram för ett finansieringsbeslut utan en valideringsredogörelse bör inte litas på, hur sofistikerad den än ser ut.

11. Gör modellen transparent och reproducerbar nog för att en motståndare ska kunna bygga om den. Dokumentera struktur, varje indata med dess källa och varje antagande, så att en skeptisk granskare i princip skulle kunna rekonstruera resultatet. Transparens är ingen artighet; det är mekanismen genom vilken optimistiska fel fångas innan offentliga medel rör sig, vilket är skälet till att HTA-organ alltmer kräver körbara modeller och fullständiga parametertabeller i stället för en sammanfattande kvot.

12. Kvantifiera om mer forskning är värd att köpa innan ni förbinder er. När osäkerheten är bred och beloppen stora uppskattar analys av informationsvärde det förväntade värdet av att lösa den osäkerheten – vilket ibland motiverar ett beslut om ”godkänn med forskning” eller ”endast inom forskning” snarare än ett enkelt ja eller nej. Den omformulerar ett dödläge (”evidensen är omogen”) till en ekonomisk fråga (”är en prövning värd sin kostnad, givet beslutet som står på spel?”).

Frågor att diskutera med ditt team

1. Behöver det här beslutet verkligen en modell, och i så fall, vad gör modellen som prövningen inte kan? Instinkten i många organisationer är att gripa efter en modell reflexmässigt, eller att misstro modeller i sin helhet som ”hittepåsiffror” – båda är fel. Den produktiva frågan är vilket specifikt glapp modellen överbryggar: att extrapolera en tvåårig prövning till en livstid, att jämföra mot en behandling som aldrig prövats head-to-head eller att överföra evidens från ett hälso- och sjukvårdssystem till ert. Att namnge glappet disciplinerar modellen, eftersom det talar om vilken del av strukturen som bär beslutet och därför förtjänar mest granskning och de starkaste datan. Det talar också om när en modell inte är motiverad – där en god analys inom prövningen redan stämmer med beslutet tillför en elaborerad modell antaganden utan att tillföra sanning. Ett ärligt svar anger det enskilt viktigaste modellen extrapolerar och hur mycket av resultatet som vilar på den extrapoleringen.

2. Vilket ett eller två antaganden skulle, om de är fel, vända vår slutsats – och hur säkra är vi på precis dem? Varje modell har en handfull bärande antaganden och en lång svans av indata som knappt spelar roll; faran är att fördela granskningen jämnt i stället för på de leder som bär vikten. Ett tornadodiagram eller envägskänslighetsanalys identifierar drivkrafterna mekaniskt, men teamsamtalet handlar om evidenskvaliteten på just dessa drivkrafter: kommer den avgörande övergångssannolikheten från en stark metaanalys eller en liten studie, är överlevnadsextrapoleringen förankrad i externa data eller en hoppfull kurvanpassning? Det obekväma mönstret är en självsäker rubrikkvot som vilar på en parameter för vilken evidensen är tunn. Ett ärligt svar hävdar inte att modellen är robust i allmänhet; det namnger de särskilda antaganden beslutet hänger på och graderar evidensen bakom var och en, och avgör sedan om det räcker för att agera på eller är ett skäl att samla mer.

3. Vem byggde den här modellen, vems sak hjälper den, och skulle en oberoende ombyggnad nå samma svar? Många modeller som läggs fram för betalare byggs av, eller finansieras av, en part med ett direkt intresse av resultatet – en tillverkare som söker ersättning, en tjänst som söker investering. Det gör dem inte fel, men det gör oberoende granskning icke förhandlingsbar, och det väcker särskilda frågor: valdes jämförelsealternativ för att smickra, valdes den mest optimistiska extrapoleringen, är modellen transparent nog att förhöras alls? Spänningen är att de med datan och modelleringskapaciteten ofta är den intresserade parten, så svaret är sällan att förkasta deras modell rakt av utan att kräva transparens, köra egna känslighetsanalyser på deras modell och korsvalidera mot oberoende arbete. Ett ärligt svar är uppriktigt om proveniens och intressekonflikt, och behandlar en modell som inte kan öppnas och köras om som en varningsflagga snarare än en proprietär detalj att vinka igenom.

4. Har sjukdomen valt vår modellstruktur, eller har bekvämligheten valt den åt oss? Strukturen – beslutsträd, Markov-kohort, mikrosimulering, diskret händelsesimulering – bör följa av det kliniska problemet: hur tillståndet utvecklas, om händelser återkommer, om patienthistorik eller delade, begränsade resurser spelar roll. Felmönstret är en struktur som antas därför att den är bekant, därför att en leverantör redan äger en eller därför att den är snabb att bygga, och sedan böjs för att passa en sjukdom den inte passar. Teamsamtalet är konkret: återkommer eller består tillståndet på ett sätt som ett beslutsträd inte kan fånga; plattar det minneslösa Markovantagandet ut en risk som genuint beror på historia; konkurrerar patienter om sängplatser eller operationssalar på ett sätt som en kohortmodell ignorerar? Varje struktur köper tydlighet till priset av särskilda förenklingar, så den produktiva frågan är inte ”är detta den bästa modellen” utan ”vilka förenklingar har den här strukturen tvingat på oss, och rör någon av dem den del av sjukdomen som beslutet hänger på?” Ett ärligt svar namnger de strukturella antaganden valet påtvingar och visar att de som spelar roll har prövats, snarare än att försvara strukturen därför att den redan är byggd.

5. Vilken sorts osäkerhet står vi egentligen inför här, och behandlar vi var och en på sina egna villkor? Det är lätt att kollapsa ”vi är inte säkra” till ett enda bren felstapel, men fältet skiljer mellan tre ganska olika saker: parameterosäkerhet (vi vet inte det sanna värdet på en indata), strukturell osäkerhet (vi är osäkra på om modellen är byggd på rätt sätt) och heterogenitet (svaret skiljer sig genuint mellan delgrupper). Var och en kräver ett annat svar – probabilistisk analys för parametrar, scenarioanalys över alternativa strukturer för den andra, delgruppsresultat snarare än ett genomsnitt för den tredje – och att blanda ihop dem missvisar vad som är okänt. Det klassiska trolleritricket är att dölja ett strukturellt tvivel i en fet parameterfördelning, så att rubriken ändå redovisar en enda lugnande sannolikhet för kostnadseffektivitet. Teamet bör fråga vilken av de tre som verkligen driver tvivlet på det här beslutet, och om analysen framför dem hanterar den sorten eller bara den mest bekväma. Ett ärligt svar skiljer de tre åt uttryckligen och erkänner var ett tvivel är strukturellt – den svåraste sorten att kvantifiera och den lättaste att begrava.

6. Givet vad vi fortfarande inte vet, ska vi besluta nu eller betala för att lära oss mer först? När osäkerheten är bred och det förbundna beloppet stort är ”ja” och ”nej” inte de enda alternativen: ett beslut om ”godkänn med forskning” eller ”endast inom forskning” håller dörren öppen medan evidensen mognar. Analys av informationsvärde förvandlar dödläget – ”evidensen är omogen” – till en ekonomisk fråga: vad vore det värt att lösa osäkerheten innan man beslutar, och överstiger det den rimliga kostnaden för den studie som skulle lösa den? Spänningen är verklig, eftersom dröjsmål har en egen kostnad i hälsa som patienter som väntar går miste om, och eftersom en tillverkare eller tjänst har alla incitament att säkra ett tidigt ja snarare än att förbinda sig att generera data. Teamet bör väga var den kvarvarande osäkerheten är koncentrerad, om en genomförbar studie faktiskt kunde minska den inom en användbar tidsram och vad ett villkorat arrangemang skulle kräva av den intresserade parten. Ett ärligt svar behandlar ”besluta nu kontra köpa mer evidens” som ett kvantifierbart val snarare än en fråga om mod, och är villigt att rekommendera ett villkorat ja när värdet av att lära motiverar det.

I praktiken: ett hälsoekonomiskt exempel

Nationella sjukförsäkringsfonden i det fiktiva socialförsäkringslandet Solenne avgör om en ny oral behandling mot kronisk hjärtsvikt ska ersättas. Tillverkarens underlag redovisar en gynnsam inkrementell kostnadseffektivitetskvot, bekvämt under fondens angivna tröskelvärde. Den avgörande evidensen är en enda randomiserad kontrollerad prövning: 18 månaders uppföljning som visar att läkemedlet minskar sjukhusinläggningar för hjärtsvikt och något förbättrar överlevnaden jämfört med standardvård. Fondens bedömningskommitté ber sitt ekonomteam granska modellen bakom talet, inte bara talet.

Teamet bekräftar först att en modell är oundviklig. Hjärtsvikt är livslång; prövningen pågick i 18 månader; beslutet gäller kostnader och nyttor över patienternas återstående livstid. En analys inom prövningen skulle besvara fel fråga. Tillverkaren har, korrekt, byggt en Markov-kohortmodell med tillstånd för stabil sjukdom, inlagd och död, som cyklar månadsvis för att fånga täta inläggningar. Än så länge passar strukturen sjukdomen. Teamets granskning vänder sig sedan till de leder som bär resultatet.

Två antaganden dominerar. Det första är överlevnadsextrapolering: bortom 18 månader projicerar modellen en dödlighetsnytta som består oförminskad hela livet, med den parametriska kurva som har den mest optimistiska långsiktiga anpassningen. När teamet anpassar alternativa kurvor och prövar ett scenario där behandlingseffekten avtar efter fem år – i linje med extern registerevidens om liknande läkemedel – krymper den livslånga QALY-vinsten och kvoten stiger över tröskelvärdet. Det andra är jämförelsealternativet: modellen jämför mot en äldre standardvård, men Solennes riktlinjer rekommenderar nu en nyare kombination som prövningen inte inkluderade, nåbar bara genom en indirekt jämförelse med bred osäkerhet. Teamet noterar också att det minneslösa Markovantagandet plattar ut den högre återinläggningsrisken hos nyligen inlagda patienter, vilket de hanterar med ett kort tunnel-tillstånd.

Teamet kör om modellen probabilistiskt och propagerar all parameterosäkerhet genom Monte Carlo-simulering. Acceptabilitetskurvan för kostnadseffektivitet visar ungefär 50 % sannolikhet för kostnadseffektivitet vid fondens tröskelvärde – ett myntkast, inte det självsäkra case punktskattningen antydde. Eftersom beslutet är stort och osäkerheten koncentrerad till överlevnadsextrapoleringen kör de en analys av informationsvärde: det förväntade värdet av att lösa den osäkerheten överstiger den rimliga kostnaden för en längre uppföljningsstudie. Kommitténs rekommendation är varken ett rakt ja eller ett rakt nej. Den ersätter behandlingen under ett arrangemang för kontrollerat införande med en konfidentiell rabatt som förbättrar kvoten, villkorad av att tillverkaren levererar utökade överlevnadsdata inom tre år – ett beslut om ”godkänn med forskning” som modelleringen, inte intuitionen, gjorde försvarbart. Prissättningsmekaniken i det arrangemanget hör hemma i Ämne 2.4 — Läkemedelsekonomi.

Fyra sektorperspektiv

Startup-företag

Ett digitalt hälso- eller medicinteknikföretag i startfasen bygger vanligen sin första modell för att resa pengar eller för att ta sig in i en HTA-process det aldrig mött, ofta med gles evidens – en liten enarmad studie, surrogatmått, stark grundaröverbevisning. Frestelsen är en modell konstruerad för att klara tröskelvärdet, med en kort horisont som döljer sena kostnader och en optimistisk extrapolering presenterad som faktum. Den klokare vägen är en tidig, medvetet konservativ modell som lyfter fram vilket evidensglapp som mest hotar värdecaset, så att knappa prövningsmedel spenderas på att stänga just det glappet. En transparent modell som ärligt visar bred osäkerhet är mer finansierbar och mer trovärdig för en betalare än en polerad som ingen granskare kan öppna.

Småföretag

En liten men etablerad vårdgivare, praktik eller leverantör – en specialistklinik, ett diagnostikföretag, en produktdistributör med en etablerad produkt – möter vanligen modellering inte för att resa kapital utan för att besvara en verklig inköps- eller ersättningsfråga: kommer en betalare att finansiera detta, är en tjänstelinje värd att fortsätta, betalar en utrustningsuppgradering sig själv? Till skillnad från ett startup-företag har den faktiska driftdata – verkliga kostnader, genomströmning, lokala utfall – men sällan en hälsoekonom anställd, så den praktiska risken är antingen att lägga ut modellen på den leverantör vars produkt utvärderas, eller att bygga ett kalkylblad som aldrig prövar sina egna antaganden. Den förnuftiga vägen är en blygsam, transparent modell som lutar sig mot sina egna verkliga data för de indata den kan hämta lokalt och lånar publicerade skattningar, ärligt graderade, för resten, med en enkel känslighetsanalys på de två eller tre parametrar som flyttar svaret. Dess trovärdighet vilar mindre på sofistikation än på att vara öppen med varifrån talen kommer och att kunna köra om caset när ett pris eller en betalares tröskelvärde förskjuts.

Storföretag

En stor tillverkare, sjukhuskoncern eller försäkrare driver modellering som en industriell förmåga: återanvändbara modellplattformar, standardparameterbibliotek och särskilda team för hälsoekonomi och utfallsforskning som förbereder underlag för många jurisdiktioner samtidigt. Styrkan är stringens, reproducerbarhet och förmågan att anpassa en global modell till varje lands metodvägledning; risken är att skala och egenintresse kombineras till sofistikerade modeller optimerade för att övertyga, med strukturella val som i det tysta gynnar sponsorn. Storföretagets trovärdighet beror på styrning som skiljer modellerarna från det kommersiella trycket, på att lämna in fullt körbara och transparenta modeller och på att inbjuda till snarare än motsätta sig oberoende replikering.

Staten

En nationell betalare, ett HTA-organ eller ett ministerium är oftare konsument och domare av modeller än byggare, och dess disciplin är kritisk granskning i stor skala: en publicerad metodvägledning som begränsar horisont, perspektiv, diskontering och osäkerhetsrapportering, och kapaciteten att köra om och ifrågasätta en sponsors modell i stället för att acceptera dess rubrik. Organ såsom NICE, IQWiG, PBAC, CDA-AMC och ICER finns för att införa just denna disciplin, och bygger eller beställer alltmer oberoende modeller för att korsvalidera branschens underlag. Staten bär också de beslut modelleringen gör möjliga men inte kan fatta ensam – godkänn, avslå eller godkänn-med-forskning – och ansvarsutkrävandet för den alternativkostnad varje ja lägger på patienter som aldrig ser kommittén.

Vanliga felmönster

• Att bygga en modell när en prövning redan besvarar frågan. Att lägga till antaganden där god evidens inom prövningen stämmer med beslutet, och importera bias utan vinst. Åtgärd: välj prövningsbaserat kontra modellbaserat medvetet, och modellera bara det glapp prövningen inte kan täcka.

• Att korta av tidshorisonten. Att avsluta modellen innan sena nyttor eller kostnader uppstår, vilket smickrar insatser med kostnader i förväg såsom prevention. Åtgärd: kör horisonten tills inga meningsfulla skillnader återstår – en livstid för livslånga tillstånd – och motivera den mot naturhistorien.

• Optimistisk extrapolering insmugglad som en punktskattning. Att välja den överlevnadskurva eller det antagande om effektens bestånd som mest smickrar resultatet och presentera det som basfallet. Åtgärd: anpassa alternativ, pröva avtagande effekt, visa intervallet mot externa data.

• Att redovisa en punktskattning utan osäkerhet. En enda kvot som antyder falsk precision. Åtgärd: kör alltid probabilistisk känslighetsanalys och redovisa acceptabilitetskurvan vid sidan av punktskattningen.

• Att blanda ihop slagen av osäkerhet. Att dölja ett strukturellt tvivel i en bred parameterfördelning, eller medelvärdesbilda över verklig heterogenitet. Åtgärd: hantera parameterosäkerhet probabilistiskt, strukturell osäkerhet med scenarier och heterogenitet med delgrupper.

• Svaga eller saknade jämförelsealternativ. Att visa kostnadseffektivitet mot placebo eller en föråldrad standard när kliniker väljer bland aktuella alternativ. Åtgärd: inkludera alla relevanta jämförelsealternativ vid verkliga priser och följsamhet, och var ärlig om indirekta jämförelser.

• Den svarta lådan-modellen. Ett resultat som inte kan öppnas, köras om eller reproduceras, särskilt från en intresserad part. Åtgärd: kräv körbara modeller, fullständiga parametertabeller och en skriftlig valideringsredogörelse före varje beslut.

• Att hoppa över validering. Att lita på en sofistikerat utseende modell utan ytvaliditets-, interna, kors- eller externa kontroller. Åtgärd: validera på varje nivå och dokumentera det; behandla en ovaliderad modell som obevisad.

Mognadsmodell

Checklista

• Ange uttryckligen om utvärderingen är prövningsbaserad, modellbaserad eller båda, och varför.
• Motivera modelltypen (träd, Markov, mikrosimulering, diskret händelse) mot beslutsproblemet och sjukdomen.
• Sätt tidshorisonten tillräckligt lång för att inga ytterligare meningsfulla kostnads- eller hälsoskillnader uppstår, och motivera den.
• Lista varje strukturellt antagande, inklusive det minneslösa Markovantagandet där det är relevant, och pröva de som spelar roll.
• Spåra varje parameter till en angiven källa och gradera evidensen bakom resultatets drivkrafter.
• Inkludera alla relevanta verkliga jämförelsealternativ vid realistiska priser och följsamhet.
• Visa alternativa extrapoleringsantaganden och deras effekt på slutsatsen, inte bara basfallet.
• Kör probabilistisk känslighetsanalys och redovisa en acceptabilitetskurva för kostnadseffektivitet vid sidan av punktskattningen.
• Skilj parameter-, struktur- och heterogenitetsosäkerhet åt och hantera var och en lämpligt.
• Validera modellen (yt-, intern, kors- och där det är möjligt extern) och skriv ned valideringsredogörelsen.
• Se till att modellen är transparent och reproducerbar nog för att en oberoende granskare ska kunna bygga om den.
• Där osäkerheten är bred och beslutet stort, kör en analys av informationsvärde för att väga beställning av mer forskning.

Viktiga källor

• Andrew Briggs, Mark Sculpher & Karl Claxton, Decision Modelling for Health Economic Evaluation (Oxford University Press) — standardramverket för beslutsanalytisk modellering inom hälsoekonomi.
• Alastair Gray, Philip Clarke, Jane Wolstenholme & Sarah Wordsworth, Applied Methods of Cost-Effectiveness Analysis in Health Care (Oxford University Press) — tillämpad modellbyggnad och metoder för kostnadseffektivitet.
• Henry Glick, Jalpa Doshi, Seema Sonnad & Daniel Polsky, Economic Evaluation in Clinical Trials (Oxford University Press) — prövningsbaserad utvärdering och valet mellan inom-prövning och modellbaserat.
• ISPOR–SMDM:s Modelling Good Research Practices Task Force-rapporter — vägledning om god praxis för konceptualisering av modeller, beslutsträd, Markovmodeller, mikrosimulering, diskret händelsesimulering samt modelltransparens och validering.
• NICE:s handbok för hälsoteknologiutvärderingar (PMG36) — metodkrav för modeller som lämnas till ett nationellt HTA-organ — https://www.nice.org.uk/process/pmg36
• Economics Network, Health Economics for Teachers — modulen om modellering — https://economicsnetwork.ac.uk/health/teachers

Referenser

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