ماڈلنگ

یہ صحت کی معاشیات میں کیوں اہم ہے

صحت میں تقریباً ہر اہم مالی معاونت کا فیصلہ نامکمل شواہد پر کرنا لازمی ہے۔ ایک اُزمائش مریضوں کی دو سال پیروی کرتی ہے؛ دوا بیس سال تک لی جائے گی۔ ایک مطالعہ ایک ملک کے ہسپتالوں میں چلایا جاتا ہے؛ فیصلہ دوسرے ملک کے کلینکوں کے لیے ہے۔ ایک نیا ٹیسٹ پلیسبو کے خلاف موازنہ کیا جاتا ہے؛ حقیقی انتخاب پہلے سے استعمال شدہ تین علاجوں کے خلاف ہے۔ ایک ماڈل ان خلاؤں کو پُل کرنے کا منظم طریقہ ہے — جو معلوم ہے اسے لینا اور احتیاط سے استدلال کرتے ہوئے اس مقدار تک پہنچنا جو ایک فیصلہ ساز اصل میں چاہتا ہے: آپشن A کو آپشن B کے اوپر منتخب کرنے کی زندگی بھر کی لاگت اور صحت کا نتیجہ۔ ماڈل کے بغیر، متبادل "غیر-ماڈل شدہ یقین" نہیں ہے؛ یہ کسی کے سر میں ایک ضمنی، غیر دستاویزی ماڈل ہے، جس کے کوئی مفروضے نظر آنے والے اور کوئی جانچنے کے قابل نہیں ہیں۔

ایک ڈائریکٹر کے لیے، یہی وہ جگہ ہے جہاں عوامی پیسہ بڑے پیمانے پر عہد کیا جاتا ہے۔ جب کوئی قومی پیئر دوا کو ریمبرس کرنے، اسکریننگ پروگرام کی مالی معاونت کرنے، یا خدمت کو دوبارہ تشکیل دینے کا فیصلہ کرتا ہے، وہ عدد جو فیصلے کو لنگر انداز کرتا ہے — اضافی لاگت فی کوالٹی-ایڈجسٹڈ-لائف-ایئر (QALY) — تقریباً ہمیشہ ماڈل سے نکلتا ہے، اُزمائش سے نہیں۔ اقتصادی جائزے کے تصورات جو وہ عدد ظاہر کرتا ہے (QALYs، اضافی لاگت-تاثیر تناسب، حدیں، نقطہ نظر) موضوع 2.1 — اقتصادی جائزہ سے تعلق رکھتے ہیں اور یہاں فرض کیے جاتے ہیں؛ یہ موضوع اس مشینری کا مالک ہے جو تخمینہ پیدا کرتی ہے۔ اگر مشینری غلط ہے، حد ایک افسانے پر لاگو کی جا رہی ہے۔

داؤ پر لگا مسئلہ اس لیے مالیاتی اور اخلاقی دونوں ہے۔ ایک ماڈل جو فائدہ زیادہ بتاتا ہے ایسی چیز کی مالی معاونت کرتا ہے جو اسی بجٹ کے بہتر استعمال بے دخل کرتی ہے — مواقع کی لاگت کہیں اور غیر نام زد مریضوں پر گرتی ہے۔ ایک ماڈل جو غیر شفاف ہے چیلنج نہیں کیا جا سکتا، اور غیر-قابلِ-چیلنج تجزیہ وہ جگہ ہے جہاں قبضہ، خواہشی سوچ، اور وینڈر کی امید چھپتی ہے۔ ماڈلنگ کا نظم و ضبط — ساخت کا اعلان کرنا، ہر مفروضے کو جانچنا، اور جو آپ نہیں جانتے اسے مقدار متعین کرنا — وہ ہے جو ایک قائل کرنے والی سلائیڈ کو ایسے شواہد میں بدلتا ہے جن کا ایک عوامی ادارہ دفاع کر سکتا ہے۔

بنیادی تصورات

فیصلہ تجزیہ اس سب کے نیچے رسمی فریم ورک ہے: اختیارات، ہر ایک کے بعد آنے والے موقعی واقعات، ان واقعات کے احتمالات، اور ہر نتیجے کی قدر بیان کرنا، پھر ہر آپشن کی متوقع قدر کا حساب لگانا۔ ایک صحت اقتصادی ماڈل صحت کے انتخاب پر لاگو فیصلہ تجزیہ ہے، لاگت اور صحت کے نتیجے کو تولے جانے والی قدروں کے طور پر۔ اس شعبے کا بنیادی متن Briggs، Sculpher اور Claxton کی Decision Modelling for Health Economic Evaluation ہے، جس کا فریم ورک یہ موضوع پیروی کرتا ہے۔

سب سے سادہ ساخت فیصلہ درخت ہے: ایک شاخ دار خاکہ جو ایک فیصلے کے نقطے سے موقعی نقاط کے ذریعے آخری نتائج تک جاتا ہے، ہر شاخ ایک احتمال لے کر اور ہر اختتامی نقطہ ایک لاگت اور صحت کا صلہ۔ درخت واضح اور تیز ہیں، اور وہ فیصلوں کے لیے موزوں ہیں جو مختصر، مقررہ افق پر حل ہوتے ہیں — ایک شدید واقعہ، ایک تشخیصی راستہ۔ ان کی کمزوری وقت ہے: ایک درخت میں ان واقعات کی نمائندگی کرنے کا کوئی فطری طریقہ نہیں جو دہراتے ہیں، ایسی حالتیں جو برقرار رہتی ہیں، یا خطرات جو سال بہ سال بدلتے ہیں، کیونکہ ہر امکان کو ایک ہمیشہ-شاخ دار راستے کے طور پر کھینچنا لازمی ہے۔

دائمی بیماری کے لیے، کام کا گھوڑا مارکوف چین، یا مارکوف گروہ ماڈل ہے۔ یہ بیماری کو باہمی طور پر خصوصی صحت کی حالتوں کے مجموعے کے طور پر نمائندگی کرتا ہے — مثلاً ٹھیک، پیچیدگی، مردہ — اور منتقلی احتمالات کے مطابق مقررہ وقتی چکروں میں ایک فرضی گروہ کو ان کے درمیان حرکت دیتا ہے۔ کئی چکروں میں لاگت اور معیارِ زندگی جمع کرنا زندگی بھر کے مجموعے دیتا ہے۔ اس کی متعین کرنے والی سادگی مارکوف مفروضہ ہے: منتقلیاں صرف موجودہ حالت پر منحصر ہیں، تاریخ پر نہیں، تو ایک معیاری ماڈل "یاد" نہیں رکھ سکتا کہ مریض کتنی دیر سے بیمار ہے۔ تجزیہ کار ٹنل حالتوں یا وقت-پر-منحصر منتقلیوں سے اس کے گرد کام کرتے ہیں، لیکن مفروضہ پہلی چیز ہے جس کی ایک جائزہ کار کو تفتیش کرنی چاہیے۔

جب مریض کی تاریخ، انفرادی خصوصیات، یا تعاملات کھونے کے لیے بہت اہم ہوں، ماڈل ساز انفرادی-سطح کے تخروپن کی طرف رخ کرتے ہیں۔ مائیکرو سمولیشن مریضوں کو ماڈل کے ذریعے ایک وقت میں ایک چلاتی ہے، ہر ایک صفات (عمر، خطرے کے عوامل، واقعے کی تاریخ) لے کر جو ان کے راستے کو تشکیل دیتی ہیں، تو تنوع اور یاد محفوظ رہتی ہے۔ جہاں مریض بھی مشترکہ، محدود وسائل — بستر، تھیٹر، عملہ، پیوند کاری کی انتظار فہرست — کے لیے مقابلہ کرتے ہیں، الگ-واقعہ تخروپن صفوں اور وقت کا اضافہ کرتا ہے، ایک اکیلے مریض کے بجائے نظام کو ماڈل کرتا ہوا۔ یہ طریقے حقیقت پسندی خریدتے ہیں ڈیٹا کی بھوک، چلنے کا وقت، اور نتیجہ سمجھانے کے سخت کام کی قیمت پر۔

کوئی ماڈل کا نتیجہ ایک واحد یقینی عدد نہیں ہے، اور اس کے برعکس دکھاوا کرنا اس شعبے کا اہم گناہ ہے۔ حساسیت تجزیہ یہ پوچھتا ہے کہ جب مدخلات بدلتے ہیں تو نتیجہ کیسے حرکت کرتا ہے۔ تعینی حساسیت تجزیہ قابلِ فہم رینج میں ایک یا چند پیرامیٹرز بدلتا ہے (اکثر ٹورنیڈو خاکے کے طور پر دکھایا جاتا ہے)۔ احتمالی حساسیت تجزیہ ہر غیر یقینی پیرامیٹر کو ایک احتمالی تقسیم دیتا ہے اور، Monte Carlo نمونہ گیری استعمال کرتے ہوئے، ماڈل کو ہزاروں بار چلاتا ہے تاکہ نتائج کی ایک تقسیم پیدا ہو — احتمال کے طور پر خلاصہ کیا گیا کہ ایک آپشن دی گئی حد پر لاگت-مؤثر ہے۔ اس کے بعد باقی رہنے والی غیر یقینی کی قدر کی جا سکتی ہے: معلومات کی قدر کا تجزیہ اندازہ لگاتا ہے کہ فیصلہ کرنے سے پہلے مزید تحقیق تفویض کرنا کتنی قیمت رکھے گا، "ہم یقین نہیں رکھتے" کو ایسے عدد میں بدلتے ہوئے جس پر تحقیقی بجٹ عمل کر سکتا ہے۔

ایک ماڈل صرف اتنا ہی قابلِ اعتماد ہے جتنی اس کی توثیق۔ چہرے کی توثیق پوچھتی ہے کہ آیا ساخت اور نتائج طبی معنی رکھتے ہیں؛ اندرونی توثیق (تصدیق) چیک کرتی ہے کہ ماڈل وہی کرتا ہے جو اس کے مساواتوں کا ارادہ ہے، کوڈنگ کی غلطی سے پاک؛ کراس-توثیق نتائج کا موازنہ اسی مسئلے کے دوسرے ماڈلز سے کرتی ہے؛ اور بیرونی توثیق پیشین گوئیوں کو حقیقی نتائج کے خلاف جانچتی ہے جو ماڈل نے مدخلات کے طور پر استعمال نہیں کیے۔ آخر میں، ماڈلنگ کا اوزار خانہ صحت کی ٹیکنالوجی کی تشخیص (HTA) کی وسیع تر مشینری کے اندر بیٹھتا ہے — وہ عمل جس سے انگلستان کے NICE، جرمنی کے IQWiG، کینیڈا کے CDA-AMC، آسٹریلیا کے PBAC، اور امریکہ کے ICER جیسے ادارے دنیا بھر میں مالی معاونت کے فیصلوں کے لیے شواہد تولتے ہیں۔

بہترین طریقے

1. کچھ بھی بنانے سے پہلے اُزمائش-بنیاد بمقابلہ ماڈل-بنیاد فیصلہ کریں۔ بے ترتیب کنٹرول شدہ اُزمائش کے ساتھ ساتھ ایک درون-اُزمائش تجزیہ درست آلہ ہے جب اُزمائش کا افق، موازنہ کنندگان، اور آبادی فیصلے سے میل کھاتے ہوں۔ ایک ماڈل درکار ہے جب — جیسا عام ہے — فیصلہ اُزمائش سے آگے پھیلتا ہے: زندگی بھر کے نتائج، موازنہ کنندگان جن کا کبھی براہِ راست موازنہ نہیں کیا گیا، یا ایک ہدف آبادی جو اندراج شدہ سے مختلف ہو۔ زیادہ تر حقیقی فیصلوں کو دونوں کی ضرورت ہے: اُزمائش قریبی-مدت اثر لنگر کرتی ہے، ماڈل اسے پھیلاتا ہے۔ پہلے صفحے پر بیان کریں کہ آپ کون سا کر رہے ہیں اور کیوں۔

2. فیصلے کے مسئلے کو ماڈل کی قسم منتخب کرنے دیں، کبھی الٹا نہیں۔ ایک مختصر، شدید، غیر-دہرانے والا فیصلہ فیصلہ درخت کے لیے موزوں ہے؛ دہراتے واقعات والی دائمی حالت مارکوف ماڈل کے لیے موزوں ہے؛ مضبوط مریض تنوع یا واقعہ یاد مائیکرو سمولیشن کی طرف دھکیلتی ہے؛ محدود مشترکہ وسائل اور قطار بندی الگ-واقعہ تخروپن کی طرف دھکیلتی ہے۔ ایک ساخت منتخب کرنا کیونکہ یہ مانوس ہے، یا کیونکہ ایک وینڈر پہلے ہی ایک کا مالک ہے، وہ طریقہ ہے جس سے ماڈل اس سوال سے غلط میل کھاتے ہیں جسے جواب دینے کے لیے وہ مقصود ہیں۔

3. وقتی افق کو اتنا لمبا طے کریں کہ تمام متعلقہ فرق پکڑے جائیں۔ افق کو تب تک چلنا لازمی ہے جب تک اختیارات کے درمیان لاگت یا صحت میں کوئی مزید بامعنی فرق جمع نہ ہو — زندگی بھر کی حالت کے لیے، اس کا مطلب زندگی بھر ہے۔ جلد ختم کرنا ایسی مداخلتوں کو سنوارتا ہے جن کی لاگتیں پہلے آتی ہیں اور فوائد دیر سے آتے ہیں (پیشگی اقدام، علاج)، اور یہ سب سے عام طریقوں میں سے ایک ہے جس سے ایک ماڈل خاموشی سے اپنے ہی جواب کو تعصب زدہ کرتا ہے۔ بیماری کی فطری تاریخ کے خلاف افق کا واضح طور پر جواز فراہم کریں۔

4. بیماری کی عکاسی کرنے کے لیے ماڈل کی ساخت منتخب کریں، اور ان مفروضوں کا نام لیں جو یہ مجبور کرتی ہے۔ صحت کی حالتیں طبی طور پر بامعنی، باہمی طور پر خصوصی، اور اجتماعی طور پر مکمل ہونی چاہئیں؛ چکر کی لمبائی اتنی مختصر ہونی چاہیے کہ تیز ترین اہم واقعہ پکڑ سکے۔ ہر ساخت سادگیاں مسلط کرتی ہے — مارکوف بے-یاد مفروضہ کلاسیکی مثال ہے — تو انہیں وہاں فہرست کریں جہاں ایک جائزہ کار دیکھ سکے اور دکھائیں کہ اہم والوں کو جانچا یا ڈھیلا کیا گیا ہے۔

5. ہر پیرامیٹر کو سوچ سمجھ کر ماخذ دیں اور اس کے شواہد کو درجہ دیں۔ منتقلی احتمالات، لاگتیں، اور معیارِ زندگی کے وزن ہر ایک کو ایک بیان کردہ ماخذ تک ٹریس کرنا چاہیے، سب سے مضبوط شواہد نتیجے کو چلانے والے پیرامیٹرز کے لیے استعمال کیے جائیں۔ واضح ہوں کہ کہاں ایک منظم جائزہ، ایک واحد مطالعہ، ایک رجسٹری، یا ماہرانہ فیصلہ کام کر رہا ہے، اور بے ترتیب شواہد سے نسبتی اثرات کو مقامی مشاہداتی ڈیٹا کے بنیادی خطرات کے ساتھ یکجا کرنے کو ترجیح دیں — ذرائع ملانا جائز ہے، آمیزے کو چھپانا نہیں۔

6. ان موازنہ کنندگان کو ماڈل کریں جن کا فیصلہ اصل میں سامنا کرتا ہے، حقیقی-دنیا کی خوراکوں اور قیمتوں پر۔ پلیسبو یا فرسودہ معیار کے خلاف ایک لاگت-مؤثر نتیجہ تقریباً بے معنی ہے اگر معالجین اصل میں تین موجودہ اختیارات کے درمیان انتخاب کرتے ہیں۔ تمام متعلقہ موازنہ کنندگان شامل کریں، وہ قیمتیں اور پابندی کے نمونے استعمال کریں جو عمل میں حاصل ہوں گے، اور دیانتدار رہیں جب براہِ راست موازنہ کنندہ کے بجائے ایک بالواسطہ یا نیٹ ورک موازنہ ٹیک لگاتا ہے۔

7. اعلان کردہ، جانچے گئے بقا کے مفروضوں کے ساتھ اُزمائش سے آگے پھیلائیں۔ جہاں ماڈل مشاہدہ شدہ ڈیٹا سے آگے اثر کا اندازہ لگاتا ہے — تقریباً ہمیشہ — پھیلاؤ کا انتخاب (کون سا بقا کا وکر، آیا علاج کا اثر برقرار رہتا ہے، کمزور ہوتا ہے، یا رک جاتا ہے) جواب پر غالب آ سکتا ہے۔ متبادل پیرامیٹرک وکرز فٹ کریں، انہیں مشاہدہ شدہ ڈیٹا اور بیرونی شواہد کے خلاف دکھائیں، اور رینج پیش کریں سب سے پرامید فٹ کو نقطہ تخمینے کے طور پر چھپانے کے بجائے۔

8. غیر یقینی کو احتمالی طور پر خصوصیت دیں، صرف ایک وقت میں ایک پیرامیٹر نہیں۔ تعینی ایک-طرفہ تجزیہ اور ٹورنیڈو خاکے دکھاتے ہیں کہ کون سے مدخلات اہم ہیں، لیکن صرف احتمالی حساسیت تجزیہ، Monte Carlo تخروپن کے ذریعے تمام غیر یقینی کو ایک ساتھ پھیلاتے ہوئے، وہ احتمال دیتا ہے کہ فیصلہ صحیح ہے۔ نقطہ تخمینے کے ساتھ ساتھ لاگت-تاثیر قابلِ قبولیت وکر رپورٹ کریں؛ 55% لاگت-تاثیر احتمال والا سازگار تناسب اسی تناسب سے 95% پر ایک مختلف فیصلہ ہے۔

9. غیر یقینی کی اقسام کو الگ کریں اور ہر ایک کو اپنی شرائط پر لیں۔ پیرامیٹر غیر یقینی (ہم اصل قدر نہیں جانتے) احتمالی تجزیے سے ہینڈل کی جاتی ہے؛ ساختی غیر یقینی (ہمیں یقین نہیں کہ ماڈل صحیح طرح بنایا گیا ہے) کو متبادل ساختوں پر منظرنامہ تجزیے کی ضرورت ہے؛ تنوع (جواب واقعی ذیلی گروہ کے لحاظ سے مختلف ہے) کو ذیلی گروہ نتائج کی ضرورت ہے، ایک اوسط کی نہیں جو کسی سے میل نہیں کھاتا۔ انہیں الجھانا — مثلاً، ایک وسیع پیرامیٹر تقسیم کے اندر ایک ساختی شبہ چھپانا — یہ غلط پیش کرتا ہے کہ اصل میں کیا نامعلوم ہے۔

10. ہر سطح پر توثیق کریں، اور توثیق کو لکھیں۔ ان معالجین سے چہرے کی توثیق چیک کریں جنہوں نے ماڈل نہیں بنایا؛ آزاد جانچ اور انتہائی-قدر چیک سے کوڈ کی تصدیق کریں؛ اسی بیماری کے شائع شدہ ماڈلز کے خلاف کراس-توثیق کریں اور فرق سمجھائیں؛ اور، جہاں کوئی بیرونی نتیجے کا ڈیٹا موجود ہو، ماڈل کی پیشین گوئیوں کو اس کے خلاف جانچیں۔ ایک ماڈل جو مالی معاونت کے فیصلے کے لیے بغیر توثیق کے کھاتے کے پیش کیا جاتا ہے اس پر بھروسہ نہیں کیا جانا چاہیے، خواہ یہ کتنا ہی نفیس نظر آئے۔

11. ماڈل کو کافی شفاف اور دوبارہ پیدا کرنے کے قابل بنائیں کہ ایک مخالف اسے دوبارہ بنا سکے۔ ساخت، ہر مدخل کا ماخذ، اور ہر مفروضہ دستاویزی بنائیں، تاکہ ایک شکی جائزہ کار اصولی طور پر نتیجہ دوبارہ تعمیر کر سکے۔ شفافیت مروت نہیں ہے؛ یہ وہ میکانزم ہے جس سے پرامید غلطیاں عوامی پیسہ حرکت کرنے سے پہلے پکڑی جاتی ہیں، یہی وجہ ہے کہ HTA ادارے تیزی سے قابلِ اجرا ماڈلز اور مکمل پیرامیٹر جدولیں مانگتے ہیں خلاصہ تناسب کے بجائے۔

12. عہد کرنے سے پہلے مقدار متعین کریں کہ آیا مزید تحقیق خریدنے کے قابل ہے۔ جب غیر یقینی وسیع ہو اور رقم بڑی ہو، معلومات کی قدر کا تجزیہ اس غیر یقینی کو حل کرنے کی متوقع قدر کا تخمینہ لگاتا ہے — کبھی کبھار ایک "تحقیق کے ساتھ منظور" یا "صرف تحقیق میں" فیصلے کا جواز فراہم کرتا ہے سادہ ہاں یا نہیں کے بجائے۔ یہ ایک تعطل ("شواہد نابالغ ہیں") کو ایک اقتصادی سوال ("کیا داؤ پر لگے فیصلے کو دیکھتے ہوئے ایک اُزمائش اس کی لاگت کے قابل ہے؟") میں دوبارہ فریم کرتا ہے۔

اپنی ٹیم کے ساتھ گفتگو کے لیے سوالات

1. کیا اس فیصلے کو واقعی ایک ماڈل کی ضرورت ہے، اور اگر ایسا ہے تو ماڈل کیا کر رہا ہے جو اُزمائش نہیں کر سکتی؟ بہت سی تنظیموں کی جبلت اضطراری طور پر ماڈل تک پہنچنا ہے، یا ماڈلز کو مکمل طور پر "بنائے ہوئے اعداد" کے طور پر بے اعتبار کرنا — دونوں غلط ہیں۔ پیداواری سوال یہ ہے کہ ماڈل کون سا مخصوص خلا پُل کرتا ہے: دو-سالہ اُزمائش کو زندگی بھر تک پھیلانا، ایسے علاج کے خلاف موازنہ کرنا جس کا کبھی براہِ راست موازنہ نہیں ہوا، یا ایک صحت کے نظام سے آپ کے لیے شواہد منتقل کرنا۔ خلا کا نام لینا ماڈل کو ڈسپلن کرتا ہے، کیونکہ یہ آپ کو بتاتا ہے کہ ساخت کا کون سا حصہ فیصلہ اٹھاتا ہے اور اس لیے سب سے زیادہ جانچ پڑتال اور سب سے مضبوط ڈیٹا کا مستحق ہے۔ یہ آپ کو یہ بھی بتاتا ہے کہ ماڈل کب جواز نہیں رکھتا — جہاں ایک اچھا درون-اُزمائش تجزیہ پہلے ہی فیصلے سے میل کھاتا ہے، ایک وسیع ماڈل سچائی شامل کیے بغیر مفروضے شامل کرتا ہے۔ ایک دیانتدار جواب وہ واحد سب سے اہم چیز بیان کرتا ہے جسے ماڈل پھیلا رہا ہے اور نتیجے کا کتنا حصہ اس پھیلاؤ پر سوار ہے۔

2. کون سے ایک یا دو مفروضے، اگر غلط ہوں، ہمارا نتیجہ الٹ دیں گے — اور بالکل انہی میں ہمیں کتنا اعتماد ہے؟ ہر ماڈل کے پاس بوجھ اٹھانے والے مفروضوں کی ایک مٹھی اور شاذ و نادر ہی اہم مدخلات کی ایک طویل دم ہے؛ خطرہ یکساں طور پر جانچ پڑتال خرچ کرنا ہے بجائے ان جوڑوں پر جو وزن اٹھاتے ہیں۔ ایک ٹورنیڈو خاکہ یا ایک-طرفہ حساسیت تجزیہ مکینیکل طور پر محرکات شناخت کرتا ہے، لیکن ٹیم کی گفتگو بالکل انہی محرکات پر شواہد کے معیار کے بارے میں ہے: کیا فیصلہ کن منتقلی احتمال ایک مضبوط میٹا-تجزیے سے ہے یا ایک چھوٹے مطالعے سے، کیا بقا کا پھیلاؤ بیرونی ڈیٹا پر لنگر انداز ہے یا امید بھرا وکر فٹ؟ ناخوشگوار نمونہ ایک مطمئن اہم تناسب ہے جو ایک ایسے پیرامیٹر پر ٹکا ہے جس کے لیے شواہد تنگ ہیں۔ ایک دیانتدار جواب یہ دعویٰ نہیں کرتا کہ ماڈل عام طور پر مضبوط ہے؛ یہ ان مخصوص مفروضوں کا نام لیتا ہے جن پر فیصلہ لٹکا ہے اور ہر ایک کے پیچھے شواہد کو درجہ دیتا ہے، پھر فیصلہ کرتا ہے کہ آیا یہ عمل کرنے کے لیے کافی ہے یا مزید جمع کرنے کی وجہ ہے۔

3. اس ماڈل کو کس نے بنایا، یہ کس کے کیس کی مدد کرتا ہے، اور کیا ایک آزاد دوبارہ تعمیر وہی جواب تک پہنچے گی؟ پیئرز کے سامنے رکھے گئے بہت سے ماڈلز ایک ایسے فریق کے ذریعے بنائے یا مالی معاونت یافتہ ہیں جس کا نتیجے میں براہِ راست مفاد ہے — ایک تیارکنندہ جو ریمبرسمنٹ چاہتا ہے، ایک خدمت جو سرمایہ کاری چاہتی ہے۔ یہ انہیں غلط نہیں بناتا، لیکن یہ آزاد جانچ پڑتال کو غیر-قابلِ-گفت و شنید بناتا ہے، اور یہ مخصوص سوالات اٹھاتا ہے: کیا موازنہ کنندگان سنوارنے کے لیے منتخب کیے گئے، کیا سب سے پرامید پھیلاؤ منتخب کیا گیا، کیا ماڈل بالکل تفتیش کیے جانے کے لیے کافی شفاف ہے؟ ٹینشن یہ ہے کہ ڈیٹا اور ماڈلنگ صلاحیت والے لوگ اکثر دلچسپی رکھنے والا فریق ہوتے ہیں، تو جواب شاذ و نادر ہی ان کے ماڈل کو مکمل طور پر رد کرنا ہے بلکہ شفافیت کا مطالبہ کرنا، ان کے ماڈل پر اپنے حساسیت تجزیے چلانا، اور آزاد کام کے خلاف کراس-توثیق کرنا ہے۔ ایک دیانتدار جواب اصل اور تنازع کے بارے میں صاف گو ہے، اور ایک ماڈل جسے کھولا اور دوبارہ نہیں چلایا جا سکتا کو سرخ جھنڈے کے طور پر لیتا ہے نہ کہ ایک ملکیتی تفصیل کے طور پر جسے لہرا کر گزار دیا جائے۔

4. کیا بیماری نے ہماری ماڈل کی ساخت منتخب کی ہے، یا سہولت نے ہمارے لیے اسے منتخب کیا ہے؟ ساخت — فیصلہ درخت، مارکوف گروہ، مائیکرو سمولیشن، الگ-واقعہ تخروپن — طبی مسئلے سے پیروی کرنی چاہیے: حالت کیسے کھلتی ہے، آیا واقعات دہراتے ہیں، آیا مریض کی تاریخ یا مشترکہ، محدود وسائل اہم ہیں۔ ناکامی کا نمونہ ایک ایسی ساخت اپنانا ہے کیونکہ یہ مانوس ہے، کیونکہ ایک وینڈر پہلے ہی ایک کا مالک ہے، یا کیونکہ یہ بنانے میں تیز ہے، اور پھر اسے ایک بیماری کے مطابق موڑنا جس کے لیے یہ موزوں نہیں۔ ٹیم کی گفتگو ٹھوس ہے: کیا حالت اس طرح دہراتی یا برقرار رہتی ہے جسے فیصلہ درخت نہیں پکڑ سکتا؛ کیا مارکوف بے-یاد مفروضہ ایک خطرے کو ہموار کرتا ہے جو واقعی تاریخ پر منحصر ہے؛ کیا مریض بستروں یا تھیٹروں کے لیے اس طرح مقابلہ کرتے ہیں جسے گروہ ماڈل نظر انداز کرتا ہے؟ ہر ساخت مخصوص سادگیوں کی قیمت پر وضاحت خریدتی ہے، تو پیداواری سوال "کیا یہ بہترین ماڈل ہے" نہیں بلکہ "اس ساخت نے ہم پر کون سی سادگیاں مسلط کی ہیں، اور کیا ان میں سے کوئی بیماری کے اس حصے کو چھوتی ہے جس پر فیصلہ ٹکتا ہے؟" ہے۔ ایک دیانتدار جواب ان ساختی مفروضوں کا نام لیتا ہے جو انتخاب مسلط کرتا ہے اور دکھاتا ہے کہ اہم والوں کو جانچا گیا ہے، ساخت کا دفاع کرنے کے بجائے کیونکہ یہ پہلے ہی بنائی گئی ہے۔

5. ہمیں یہاں اصل میں کس قسم کی غیر یقینی کا سامنا ہے، اور کیا ہم ہر ایک کو اپنی شرائط پر لے رہے ہیں؟ "ہم یقین نہیں رکھتے" کو ایک واحد وسیع خطا بار میں گرانا آسان ہے، لیکن یہ شعبہ تین کافی مختلف چیزوں میں فرق کرتا ہے: پیرامیٹر غیر یقینی (ہم ایک مدخل کی حقیقی قدر نہیں جانتے)، ساختی غیر یقینی (ہمیں یقین نہیں کہ ماڈل صحیح طریقے سے بنایا گیا ہے)، اور تنوع (جواب واقعی ذیلی گروہوں کے درمیان مختلف ہے)۔ ہر ایک مختلف ردعمل کا تقاضا کرتا ہے — پیرامیٹرز کے لیے احتمالی تجزیہ، دوسرے کے لیے متبادل ساختوں پر منظرنامہ تجزیہ، تیسرے کے لیے اوسط کے بجائے ذیلی گروہ نتائج — اور انہیں الجھانا غلط پیش کرتا ہے کہ کیا نامعلوم ہے۔ کلاسیکی چالبازی ایک ساختی شبہ کو موٹی پیرامیٹر تقسیم کے اندر چھپانا ہے، تو اہم خبر پھر بھی ایک واحد تسلی بخش لاگت-تاثیر احتمال رپورٹ کرتی ہے۔ ٹیم کو پوچھنا چاہیے کہ تینوں میں سے کون سا اس فیصلے پر شبہ کو واقعی چلا رہا ہے، اور آیا ان کے سامنے موجود تجزیہ اس قسم کو حل کرتا ہے یا سب سے زیادہ آسان قسم کو۔ ایک دیانتدار جواب تینوں کو واضح طور پر الگ کرتا ہے اور تسلیم کرتا ہے کہ کہاں ایک شبہ ساختی ہے — مقدار متعین کرنے کا سب سے مشکل اور دفن کرنے کا سب سے آسان قسم۔

6. جو کچھ ہم اب بھی نہیں جانتے اسے دیکھتے ہوئے، کیا ہمیں ابھی فیصلہ کرنا چاہیے یا پہلے مزید سیکھنے کے لیے ادائیگی کرنی چاہیے؟ جب غیر یقینی وسیع ہو اور عہد کی گئی رقم بڑی ہو، "ہاں" اور "نہیں" واحد اختیارات نہیں ہیں: ایک "تحقیق کے ساتھ منظور" یا "صرف تحقیق میں" فیصلہ دروازہ کھلا رکھتا ہے جبکہ شواہد پکتے ہیں۔ معلومات کی قدر کا تجزیہ تعطل کو — "شواہد نابالغ ہیں" — ایک اقتصادی سوال میں بدل دیتا ہے: فیصلہ کرنے سے پہلے غیر یقینی حل کرنا کتنا قیمتی ہوگا، اور کیا یہ اس مطالعے کی قابلِ فہم لاگت سے تجاوز کرتا ہے جو اسے حل کرے گا؟ ٹینشن حقیقی ہے، کیونکہ تاخیر کی اپنی لاگت ان مریضوں کی چھوڑی گئی صحت میں ہے جو انتظار کرتے ہیں، اور کیونکہ ایک تیارکنندہ یا خدمت کو ڈیٹا پیدا کرنے کا عہد کرنے کے بجائے ابتدائی ہاں کو تابونا کرنے کا ہر محرک ہے۔ ٹیم کو تولنا چاہیے کہ باقی ماندہ غیر یقینی کہاں مرتکز ہے، آیا ایک قابل عمل مطالعہ اسے واقعی ایک مفید ٹائم فریم میں تنگ کر سکتا ہے، اور ایک مشروط انتظام دلچسپی رکھنے والے فریق سے کیا مطالبہ کرے گا۔ ایک دیانتدار جواب "ابھی فیصلہ کریں بمقابلہ مزید شواہد خریدیں" کو ایک مقدار متعین کرنے کے قابل انتخاب کے طور پر لیتا ہے ہمت کے معاملے کے بجائے، اور مشروط ہاں کی سفارش کرنے کے لیے تیار ہے جب سیکھنے کی قدر اس کا جواز فراہم کرے۔

عملی تناظر میں: ایک صحت اقتصادیات کی مثال

فرضی سماجی-بیمہ ملک سولین کا National Health Insurance Fund فیصلہ کر رہا ہے کہ آیا دائمی دل کی ناکامی کے لیے ایک نئی زبانی تھراپی کو ریمبرس کیا جائے۔ تیارکنندہ کی جمع کرائی گئی تجویز ایک سازگار اضافی لاگت-تاثیر تناسب رپورٹ کرتی ہے، فنڈ کی بیان کردہ حد سے آرام سے نیچے۔ فیصلہ کن شواہد ایک واحد بے ترتیب کنٹرول شدہ اُزمائش ہیں: 18 مہینے کی پیروی، دکھاتی ہوئی کہ دوا معیاری نگہداشت کے خلاف دل کی ناکامی کے لیے ہسپتال میں داخلوں کو کم کرتی ہے اور بقا کو معمولی طور پر بہتر کرتی ہے۔ فنڈ کی تشخیصی کمیٹی اپنی معاشیات ٹیم سے کہتی ہے کہ عدد کے پیچھے ماڈل کا جائزہ لیں، صرف عدد کا نہیں۔

ٹیم پہلے تصدیق کرتی ہے کہ ماڈل ناگزیر ہے۔ دل کی ناکامی زندگی بھر ہے؛ اُزمائش 18 مہینے چلی؛ فیصلہ مریضوں کی باقی زندگیوں پر لاگتوں اور فوائد سے متعلق ہے۔ ایک درون-اُزمائش تجزیہ غلط سوال کا جواب دے گا۔ تیارکنندہ نے، صحیح طور پر، مستحکم بیماری، ہسپتال میں داخل، اور موت کی حالتوں کے ساتھ ایک مارکوف گروہ ماڈل بنایا ہے، ماہانہ چکر لگاتے ہوئے کثرت سے داخلے پکڑنے کے لیے۔ اب تک ساخت بیماری سے میل کھاتی ہے۔ ٹیم کی جانچ پڑتال پھر ان جوڑوں کی طرف مڑتی ہے جو نتیجہ اٹھاتے ہیں۔

دو مفروضے غالب ہیں۔ پہلا بقا کا پھیلاؤ ہے: 18 مہینوں سے آگے ماڈل ایک اموات کا فائدہ پیش کرتا ہے جو زندگی بھر بغیر کمی کے برقرار رہتا ہے، سب سے پرامید طویل-مدت فٹ والے پیرامیٹرک وکر کا استعمال کرتے ہوئے۔ جب ٹیم متبادل وکر دوبارہ فٹ کرتی ہے اور ایک منظرنامے کو جانچتی ہے جس میں پانچ سال بعد علاج کا اثر کمزور ہوتا ہے — ملتی جلتی دواؤں پر بیرونی رجسٹری شواہد سے مطابقت رکھتے ہوئے — زندگی بھر کا QALY فائدہ سکڑتا ہے اور تناسب حد سے اوپر بڑھتا ہے۔ دوسرا موازنہ کنندہ ہے: ماڈل ایک پرانے معیار کی نگہداشت کے خلاف موازنہ کرتا ہے، لیکن سولین کے رہنما اصول اب ایک نئے امتزاج کی سفارش کرتے ہیں جو اُزمائش میں شامل نہیں تھا، صرف وسیع غیر یقینی کے ساتھ ایک بالواسطہ موازنے کے ذریعے قابلِ رسائی۔ ٹیم یہ بھی نوٹ کرتی ہے کہ مارکوف بے-یاد مفروضہ حال ہی میں ہسپتال میں داخل مریضوں کے زیادہ دوبارہ-داخلے کے خطرے کو ہموار کرتا ہے، جسے وہ ایک مختصر ٹنل حالت سے حل کرتے ہیں۔

ٹیم ماڈل کو احتمالی طور پر دوبارہ چلاتی ہے، Monte Carlo تخروپن کے ذریعے تمام پیرامیٹر غیر یقینی کو پھیلاتے ہوئے۔ لاگت-تاثیر قابلِ قبولیت وکر فنڈ کی حد پر تقریباً 50% لاگت-تاثیر احتمال دکھاتا ہے — ایک سکے کا ٹاس، نہ کہ وہ مطمئن کیس جو نقطہ تخمینہ ظاہر کرتا تھا۔ چونکہ فیصلہ بڑا ہے اور غیر یقینی بقا کے پھیلاؤ میں مرتکز ہے، وہ ایک معلومات کی قدر کا تجزیہ چلاتے ہیں: اس غیر یقینی کو حل کرنے کی متوقع قدر طویل تر پیروی کے مطالعے کی قابلِ فہم لاگت سے تجاوز کرتی ہے۔ کمیٹی کی سفارش نہ تو خالص ہاں ہے نہ خالص نہیں۔ یہ تھراپی کو ایک منظم-داخلے کے انتظام کے تحت ریمبرس کرتی ہے ایک خفیہ رعایت کے ساتھ جو تناسب بہتر کرتی ہے، اس شرط کے ساتھ کہ تیارکنندہ تین سال کے اندر توسیعی بقا کا ڈیٹا فراہم کرے — ایک "تحقیق کے ساتھ منظور" فیصلہ جسے ماڈلنگ نے، وجدان نے نہیں، قابلِ دفاع بنایا۔ اس انتظام کی قیمتی مشینری موضوع 2.4 — فارماکو اکنامکس سے تعلق رکھتی ہے۔

چار شعبہ جاتی عدسے

اسٹارٹ اپ

ایک ڈیجیٹل صحت یا آلہ اسٹارٹ اپ عام طور پر پیسہ اکٹھا کرنے یا ایک HTA عمل میں داخل ہونے کے لیے اپنا پہلا ماڈل بناتا ہے جس کا اسے کبھی سامنا نہیں ہوا، اکثر تنگ شواہد کے ساتھ — ایک چھوٹا واحد-بازو مطالعہ، متبادل اختتامی نقاط، مضبوط بانی قائل۔ لالچ ایک ایسا ماڈل ہے جو حد کو پار کرنے کے لیے انجینئر کیا گیا ہو، ایک مختصر افق کے ساتھ جو دیر کی لاگتیں چھپاتا ہے اور ایک پرامید پھیلاؤ حقیقت کے طور پر پیش کیا جاتا ہے۔ زیادہ عقلمند راستہ ایک ابتدائی، سوچ سمجھ کر قدامت پسند ماڈل ہے جو ظاہر کرتا ہے کہ کون سا شواہد کا خلا قدر کے کیس کو سب سے زیادہ خطرے میں ڈالتا ہے، تاکہ قلیل اُزمائشی پیسہ بالکل اس خلا کو بند کرنے پر خرچ ہو۔ ایک شفاف ماڈل جو دیانتداری سے وسیع غیر یقینی دکھاتا ہے ایک پالش شدہ سے زیادہ قابلِ مالی معاونت اور پیئر کے لیے زیادہ قابلِ اعتماد ہے جسے کوئی جائزہ کار نہیں کھول سکتا۔

چھوٹا کاروبار

ایک چھوٹا قائم شدہ فراہم کنندہ، پریکٹس، یا سپلائر — ایک خصوصی کلینک، ایک تشخیصی فرم، ایک آبادی مصنوع کے ساتھ آلہ تقسیم کار — عام طور پر ماڈلنگ کو سرمایہ اکٹھا کرنے کے لیے نہیں بلکہ ایک حقیقی خریداری یا ریمبرسمنٹ کے سوال کا جواب دینے کے لیے ملتا ہے: کیا ایک پیئر اس کی مالی معاونت کرے گا، کیا سروس لائن جاری رکھنے کے قابل ہے، کیا آلات کا اپ گریڈ خود ادا کرتا ہے؟ اسٹارٹ اپ کے برعکس، اس کے پاس حقیقی آپریٹنگ ڈیٹا ہے — حقیقی لاگتیں، تھرو پُٹ، مقامی نتائج — لیکن شاذ و نادر ہی عملے میں صحت اقتصادیات دان، تو عملی خطرہ یا تو ماڈل کو اس وینڈر کو آؤٹ سورس کرنا ہے جس کی مصنوع کا جائزہ لیا جا رہا ہے، یا ایک اسپریڈشیٹ بنانا ہے جو اپنے ہی مفروضے کبھی نہیں جانچتی۔ عقلمند راستہ ایک معمولی، شفاف ماڈل ہے جو ان مدخلات کے لیے اپنے حقیقی-دنیا کے ڈیٹا پر جھکتا ہے جنہیں یہ مقامی طور پر حاصل کر سکتا ہے اور باقی کے لیے شائع شدہ تخمینے مستعار لیتا ہے، دیانتداری سے درجہ دیے گئے، ان دو یا تین پیرامیٹرز پر ایک سادہ حساسیت تجزیے کے ساتھ جو جواب حرکت دیتے ہیں۔ اس کی ساکھ نفاست سے کم بلکہ اس بارے میں کھلا رہنے پر ٹکی ہے کہ اعداد کہاں سے آتے ہیں اور جب قیمت یا پیئر کی حد بدلتی ہے تو کیس دوبارہ چلانے کے قابل ہونے پر۔

ادارہ

ایک بڑا تیارکنندہ، ہسپتال گروپ، یا بیمہ کنندہ ماڈلنگ کو ایک صنعتی صلاحیت کے طور پر چلاتا ہے: دوبارہ استعمال کے قابل ماڈل پلیٹ فارم، معیاری پیرامیٹر لائبریریاں، اور وقف شدہ صحت-معاشیات اور نتیجہ-تحقیق ٹیمیں جو کئی یورقادیت کے لیے بیک وقت جمع کرائیاں تیار کرتی ہیں۔ طاقت سختی، دوبارہ پیدا کرنے کی قابلیت، اور ایک عالمی ماڈل کو ہر ملک کی طریقہ کار رہنمائی کے مطابق ڈھالنے کی صلاحیت ہے؛ خطرہ یہ ہے کہ پیمانہ اور خود-مفاد مل کر نفیس ماڈلز پیدا کرتے ہیں جو قائل کرنے کے لیے بہترین بنائے گئے ہیں، ساختی انتخابات کے ساتھ جو خاموشی سے سپانسر کے حق میں ہوں۔ ادارے کی ساکھ حکمرانی پر منحصر ہے جو ماڈل سازوں کو کاروباری دباؤ سے الگ کرتی ہے، مکمل طور پر قابلِ اجرا اور شفاف ماڈلز جمع کرانے پر، اور آزاد نقل کی مزاحمت کرنے کے بجائے اسے دعوت دینے پر۔

حکومت

ایک قومی پیئر، HTA ادارہ، یا وزارت اکثر ماڈلز کا صارف اور ریفری ہے تعمیر کار سے زیادہ، اور اس کا نظم و ضبط پیمانے پر تنقیدی جائزہ ہے: ایک شائع شدہ طریقہ کار رہنما جو افق، نقطہ نظر، ڈسکاؤنٹنگ، اور غیر یقینی رپورٹنگ کو محدود کرتا ہے، اور ایک سپانسر کے ماڈل کی اہم خبر کو قبول کرنے کے بجائے اسے دوبارہ چلانے اور چیلنج کرنے کی صلاحیت۔ NICE، IQWiG، PBAC، CDA-AMC، اور ICER جیسے ادارے بالکل اس نظم و ضبط کو مسلط کرنے کے لیے موجود ہیں، اور وہ تیزی سے صنعت کی جمع کرائیوں کو کراس-توثیق کرنے کے لیے آزاد ماڈلز بناتے یا کمیشن کرتے ہیں۔ حکومت وہ فیصلے بھی اٹھاتی ہے جو ماڈلنگ ممکن بناتی ہے لیکن اکیلے نہیں کر سکتی — منظور، رد، یا تحقیق-کے-ساتھ-منظور — اور اس مواقع کی لاگت کی جوابدہی جو ہر ہاں ان مریضوں پر مسلط کرتا ہے جو کبھی کمیٹی نہیں دیکھتے۔

عام ناکامی کے طریقے

• ماڈل بنانا جب اُزمائش پہلے ہی سوال کا جواب دیتی ہے۔ ایسی جگہ مفروضے شامل کرنا جہاں اچھے درون-اُزمائش شواہد فیصلے سے میل کھاتے ہوں، بغیر فائدے کے تعصب درآمد کرنا۔ حل: اُزمائش-بنیاد بمقابلہ ماڈل-بنیاد سوچ سمجھ کر منتخب کریں، اور صرف اس خلا کو ماڈل کریں جسے اُزمائش پورا نہیں کر سکتی۔

• وقتی افق کاٹنا۔ دیر کے فوائد یا لاگتیں جمع ہونے سے پہلے ماڈل ختم کرنا، پیشگی اقدام جیسی پیشگی-لاگت مداخلتوں کو سنوارتا ہوا۔ حل: افق کو تب تک چلائیں جب تک کوئی بامعنی فرق باقی نہ رہے — زندگی بھر کی حالتوں کے لیے ایک زندگی بھر — اور اسے فطری تاریخ کے خلاف جواز فراہم کریں۔

• پرامید پھیلاؤ نقطہ تخمینے کے طور پر اسمگل شدہ۔ بقا کا وکر یا اثر-برقراری کا مفروضہ منتخب کرنا جو نتیجے کو سب سے زیادہ سنوارتا ہے اور اسے بنیادی کیس کے طور پر پیش کرنا۔ حل: متبادل فٹ کریں، اثر کے کمزور ہونے کو جانچیں، بیرونی ڈیٹا کے خلاف رینج دکھائیں۔

• بغیر غیر یقینی کے نقطہ تخمینہ رپورٹ کرنا۔ ایک واحد تناسب جھوٹی درستگی کا اظہار کرتا ہوا۔ حل: ہمیشہ احتمالی حساسیت تجزیہ چلائیں اور نقطہ تخمینے کے ساتھ ساتھ قابلِ قبولیت وکر رپورٹ کریں۔

• غیر یقینی کی اقسام کو الجھانا۔ ایک ساختی شبہ کو وسیع پیرامیٹر تقسیم کے اندر چھپانا، یا حقیقی تنوع پر اوسط لینا۔ حل: پیرامیٹر غیر یقینی کو احتمالی طور پر، ساختی غیر یقینی کو منظرنامے سے، اور تنوع کو ذیلی گروہ سے ہینڈل کریں۔

• کمزور یا غائب موازنہ کنندگان۔ پلیسبو یا فرسودہ معیار کے خلاف لاگت-تاثیر دکھانا جب معالجین موجودہ اختیارات میں سے انتخاب کرتے ہیں۔ حل: تمام متعلقہ موازنہ کنندگان کو حقیقی قیمتوں اور پابندی پر شامل کریں، اور بالواسطہ موازنوں کے بارے میں دیانتدار رہیں۔

• بلیک-باکس ماڈل۔ ایک نتیجہ جسے کھولا، دوبارہ چلایا، یا دوبارہ پیدا نہیں کیا جا سکتا، خاص طور پر ایک دلچسپی رکھنے والے فریق سے۔ حل: کسی بھی فیصلے سے پہلے قابلِ اجرا ماڈلز، مکمل پیرامیٹر جدولیں، اور ایک تحریری توثیق کا کھاتہ مانگیں۔

• توثیق چھوڑنا۔ ایک نفیس-نظر آنے والے ماڈل پر بغیر کسی چہرے، اندرونی، کراس، یا بیرونی چیک کے بھروسہ کرنا۔ حل: ہر سطح پر توثیق کریں اور دستاویزی بنائیں؛ ایک غیر-توثیق شدہ ماڈل کو غیر-ثابت شدہ سمجھیں۔

پختگی ماڈل

چیک لسٹ

• واضح طور پر بیان کریں کہ آیا جائزہ اُزمائش-بنیاد، ماڈل-بنیاد، یا دونوں ہے، اور کیوں۔
• فیصلے کے مسئلے اور بیماری کے خلاف ماڈل کی قسم (درخت، مارکوف، مائیکرو سمولیشن، الگ-واقعہ) کا جواز فراہم کریں۔
• وقتی افق کو اتنا لمبا طے کریں کہ کوئی مزید بامعنی لاگت یا صحت کا فرق جمع نہ ہو، اور اس کا جواز فراہم کریں۔
• ہر ساختی مفروضہ فہرست کریں، بشمول مارکوف بے-یاد مفروضہ جہاں متعلقہ ہو، اور اہم والوں کو جانچیں۔
• ہر پیرامیٹر کو ایک بیان کردہ ماخذ تک ٹریس کریں اور نتیجے کے محرکات کے پیچھے شواہد کو درجہ دیں۔
• تمام متعلقہ حقیقی-دنیا موازنہ کنندگان کو حقیقت پسندانہ قیمتوں اور پابندی پر شامل کریں۔
• متبادل پھیلاؤ کے مفروضے اور نتیجے پر ان کا اثر دکھائیں، صرف بنیادی کیس نہیں۔
• احتمالی حساسیت تجزیہ چلائیں اور نقطہ تخمینے کے ساتھ ساتھ لاگت-تاثیر قابلِ قبولیت وکر رپورٹ کریں۔
• پیرامیٹر، ساختی، اور تنوع غیر یقینی الگ کریں اور ہر ایک کو مناسب طور پر حل کریں۔
• ماڈل کی توثیق کریں (چہرہ، اندرونی، کراس، اور جہاں ممکن ہو بیرونی) اور توثیق کا کھاتہ لکھیں۔
• یقینی بنائیں کہ ماڈل شفاف اور کافی دوبارہ پیدا کرنے کے قابل ہے کہ ایک آزاد جائزہ کار اسے دوبارہ بنا سکے۔
• جہاں غیر یقینی وسیع اور فیصلہ بڑا ہو، مزید تحقیق تفویض کرنے کو تولنے کے لیے معلومات کی قدر کا تجزیہ چلائیں۔

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