Когда использовать дискретное моделирование событий (DES) для экономической оценки технологий здравоохранения? – Экономист в области здравоохранения

Так называется полезная статья автора Карнон и Хаджи Али Афзалы (Фармакоэкономика 2014) с субтитрами Обзор и критика затрат и преимуществ DES.

Статья начинается с выделения трех наиболее распространенных типов моделей: деревьев решений, марковских когортных моделей и моделей индивидуального уровня. Деревья решений полезны для простых краткосрочных моделей, но бесполезны для более сложных задач моделирования или более длительных временных горизонтов. Когортные модели являются наиболее популярными, но «…[b]Поскольку такие модели следуют за когортой, а не за отдельными людьми, они подчиняются марковскому предположению, которое утверждает, что последующий (или будущий) путь объекта зависит только от текущего состояния здоровья, а не от последовательности состояний, которые ему предшествовали. Индивидуальные модели включать
модели перехода состояний с дискретным и непрерывным временем, а также моделирование дискретных событий (DES). «Все эти модели преодолевают марковское предположение, назначая людям атрибуты, которые могут влиять на их продвижение по модели, но которые также могут обновляться по мере того, как люди переживают события в модели». В чем разница между моделями перехода дискретного/непрерывного времени и DES? Первые сосредоточены на состоянии здоровья; DES организован вокруг событий.

Каковы плюсы и минусы DES? Ниже я резюмирую некоторые из них.

Плюсы. Основные преимущества DES заключаются в том, что они могут более легко реализовать следующие 4 сценария:

• Базовая неоднородность. «Большинство когортных моделей определяют единую однородную популяцию (например, женщин в возрасте 60 лет с ранним раком молочной железы с положительным лимфатическим узлом). [10]), для которого указан один набор значений входных параметров. Содействуя представлению неоднородности в подходящей популяции, DES может повысить точность модели, если базовые характеристики не имеют нормального распределения совместно и по отдельности, а базовые характеристики не являются линейными по своему эффекту (например, для каждой единицы увеличения возраста вероятность события увеличивается на 1%). Ценность представления базовой неоднородности зависит от величины потенциального улучшения достоверности модели и качества данных, доступных для заполнения модели».
• Маркеры непрерывного заболевания. В реальном мире болезни часто меняются постепенно с течением времени. DES допускает такой тип моделирования. Например, если в клиническом исследовании используются только суррогатные маркеры, очень полезно иметь возможность связать эти суррогатные показатели с результатами. Как это делается? “Во-первых, создается модель(и) для прогнозирования изменений переменных-маркеров заболевания с течением времени. Во-вторых, модели для прогнозирования вероятности соответствующих клинических событий применяются в каждый момент времени, учитывая текущие уровни маркеров заболевания (и другие характеристики пациента). Такие модели требуют надежных данных, описывающих прогрессирование маркеров заболевания, а также взаимосвязь между маркерами заболевания и частотой соответствующих клинических событий (например, диабетической ретинопатии, сердечно-сосудистых событий и заболеваний почек)”.
• Частота событий, меняющаяся во времени. Изменяющуюся во времени частоту событий можно реализовать в когортных моделях, но это гораздо сложнее, чем в DES. «представление изменяющихся во времени вероятностей в [cohort models requires] Состояния, которые вводятся после начального времени модели, требуют использования туннельных состояний: состояние работоспособности разбивается на несколько подсостояний, каждое из которых представляет состояние работоспособности в определенный момент времени после начала этого состояния. Реализация изменяющихся во времени частот событий в модели DES более проста — модель просто выбирает время до события из указанной функции выживания». Когда это имеет значение? В основном, когда есть «эффекты домохозяйства» данного события. «Улучшение достоверности модели от представления частоты событий, изменяющихся во времени, до неабсорбирующих состояний здоровья, вероятно, будет более существенным. В этих случаях изменение распределения времени до следующего события имеет эффект домино. В модели предотвращения инсульта новое время последующих вторичных событий отбиралось после каждого вторичного события».
• Влияние предыдущих событий на частоту последующих событий. Опять же, влияние предыдущих событий на последующие переходные состояния можно смоделировать в когортных моделях, но сложность быстро возрастает. “Моделями, которые лучше всего иллюстрируют этот фактор, являются модели диабета, которые в основном используют уравнения риска модели результатов UKPDS для описания частоты семи осложнений, связанных с диабетом. Для представления всех потенциальных комбинаций семи осложнений потребуется 127 отдельных состояний здоровья… Другие примеры включают модели, в которых одно и то же событие может наблюдаться несколько раз, а количество эпизодов является важным предиктором, например, модель шизофрении записывает количество эпизодов рецидива как атрибут пациента”.

Минусы: Главный минус — сложность и необходимость дополнительной проверки.

• Сложность. “Затраты на DES связаны со временем и опытом, необходимыми для реализации и проверки сложных моделей, когда, возможно, будет достаточно более простой модели. Затраты несут не только аналитики, но и рецензенты”.
• Валидация. Все модели нуждаются в проверке. Поскольку DES более сложны и могут показаться менее прозрачными для рецензентов (например, академических рецензентов, органов ОМТ, других исследователей), проведение проверок имеет решающее значение.

Так какую модель вам следует использовать? Тресс принятия решений, когортные модели или модели индивидуального уровня, такие как DES? Авторы обращаются к Альберту Эйнштейну за советом:

«Все должно быть сделано как можно проще, но не проще».

Альберт Эйнштейн

В статье также проводится обзор литературы по всем моделям DES, которые использовались в рамках экономической оценки технологий здравоохранения. Вы можете прочитать статью полностью здесь.