Simulera mera! Presentation om dynamisk simulering och koppling till hälsoekonomi. Lisa Brouwers, Folkhälsomyndigheten

Transkript

1

2 Simulera mera! Presentation om dynamisk simulering och koppling till hälsoekonomi Lisa Brouwers, Folkhälsomyndigheten

3 Min bakgrund Disputerat i data- och systemvetenskap vid SU ( ) Fokus på simuleringsmodeller som beslutsstöd, översvämningar i Ungern ffa Arbetat med modellering och simulering av infektionssjukdomar vid SMI sedan 2004 Och med modellering och simulering på regeringskansliet , långsiktiga prognoser rörande efterfrågan på välfärdstjänster Inte hälsoekonom modellerna har däremot använts i hälsoekonomiska analyser Arbetar som enhetschef för enheten för epidemiologi och hälsoekonomi på Folkhälsomyndigheten Sid

4 Folkhälsomyndigheten Myndigheten bildades 1 januari 2014 och övertog ansvaret från SMI och FHI samt större delen av Socialstyrelsens arbete kring miljöns påverkan på hälsa Från halvårsskiftet 2015 överförs även smittskydds- och beredskapsfrågor från SoS till Folkhälsomyndigheten Myndigheten har två verksamhetsorter - Solna och Östersund Myndigheten har cirka 450 anställda Namn på engelska: Public Health Agency of Sweden Sid

5 Sid

6 Varför? Avgränsning: dynamisk simulering (jmf statisk), tiden skrivs fram i modellen Varför skapa en modell av verkligheten och simulera olika förlopp med hjälp av den? - studier i riktiga världen inte möjliga (dyrt, tidskrävande, oetiskt, omöjligt) t ex: effekter av: en skattereform, ett nytt väg- eller tågprojekt, eller smittskyddsinterventioner (vaccination t ex) Sid

7 verkligheten > modellen à verkligheten Sid.

8 Tillämpning av dynamisk simulering 1. Grundscenarier: modellen simulerar ett eller flera möjliga förlopp utan interventioner (business as usual) 2. Till grundscenarierna adderas interventioner/insatser som ändrar utvecklingen Efter modellering och simulering av epidemiologin kan hälsoekonomi läggas på. Slutligen kan interventioner jämföras med varandra och med grundscenariot, ur ett hälsoekonomiskt perspektiv. Direkta kostnader (vårdkonsumtion, intervention) Indirekta kostnader Påverkan på livskvalitet Sid.

9 Modellval Modeller kan klassificeras på massa olika sätt, t ex. Deterministiska vs. Stokastiska Makro vs. Mikro Statiska vs. Dynamiska Kontinuerliga vs. Diskreta Systemdynamiska / händelsestyrda / agentbaserade Jag kallar fortsättningsvis makromodeller för S.I.R-modeller, när jag tillämpar dessa har de varit deterministiska Och jag kallar mikro för individbaserade modeller (~agentbaserade), dessa har alltid varit stokastiska när jag använt dem Sid

10 Två områden Infektionsepidemiologi Epidemiologi av icke smittsamma sjukdomar Sid

11 Infektionsepidemiologi, min erfarenhet Ofta kortare tidsperspektiv spridningsprocess måste representeras om kort tidsperspektiv, ok att anta fix befolkning Frågeställningar, exempel Hur belastas vården om/när vi får en influensapandemi? Hur många intensivvårdsplatser behövs samtidigt? Ecmo-maskiner..? Bör vi vaccinera riskgrupper bara eller hela befolkningen? Är det kostnadseffektivt att massvaccinera? Bör vi inkludera vaccination mot X i nationella vaccinationsprogrammet? Bör vi inte stänga gränserna/skolor/stora publika evenemang om det är ett allvarligt utbrott? Sid

12 Men varför måste modellerna vara dynamiska? Flockimmunitet! Smittsamhet mäts i något som kallas R 0 Vid tidpunkt 0, i en helt mottaglig befolkning, hur många andra personer smittar en godtycklig smittsam person Under antagandet om homogeneous mixing i befolkningen gäller följande: flockimmunitet uppnås om R 0 kan sänkas till <1. Om R 0 < 1 dör smittan ut Flockimmunitet kan ses som en bonuseffekt av vaccination som nästan alltid missas vid statisk modellering R0 - - > lägsta vaccinationsgrad 1,1 9% 1,5 33% 2 50% 2,3 57% 3 67% 3,5 71% Sid

13 1. SIR: Susceptible Infectious Recovered Traditionellt används så kallade SIR-modeller modeller där befolkningen delas in i klasser. Med ett system av kopplade differentialekvationer beskrivs de dynamiska flödena mellan klasserna (från S till I och från I till R). SIR-modeller byggs ut med ytterligare klasser, men principen är densamma. Sid.

14 Underliggande antaganden i SIRmodeller Eftersom man bara modellerar grupper har alla lika stor chans att träffas och alla har lika många kontakter = homogenous mixing Inga individuella egenskaper (ålder, kön, sociala faktorer..) påverkar risken att smittas Avsaknaden av kontaktstruktur kallas random mixing Fungerar utmärkt i många fall! Sid.

15 Case snabb modellering av A(H1N1) med motåtgärder: vaccination och skolstängning (uppdrag av SoS) Modell: VirSim Mer komplex än enkel SIR: olika åldersgrupper, olika kontaktintensitet, vaccinerade och ovaccinerade, olika sjukdomsprofiler och olika smittsamhet Plos Currents utvärdering av massvaccinationen mot A(H1N1) Två modelleringsansatser användes: SIR och individbaserad SIR som komplement och snabbt verktyg för att undersöka dynamiska effekter Programvaror: Vensim, Anylogic, R Sid

16 På gång 2015 Modellering av Rotavaccination Olika åldersgrupper Demografi Ej spridning person till person Fallbibliotek av simulerade pandemiscenarier Del av pandemiberedskap Komplement till individbaserad modellering Validering, snabbare verktyg Sid

17 2. Individbaserad modell Kontaktstrukturen i en befolkning är viktig för spridningen av smittsamma sjukdomar Kan representeras i form av ett nätverk Överföring är mest sannolik när personer befinner sig på samma plats vid samma tidpunkt Bilden, resmönster mellan kommuner från data Sid

18 Individbaserade modeller Individers egenskaper och historik kan representeras i modellen påverkar risken för smitta och konsekvenser vid sjukdom Förekomst av förvärvad immunitet (åldersberoende) Riskgruppstillhörighet (konsekvenser, intervention) Landstingstillhörighet (när vaccin finns tillgängligt) Kräver (helst) mikrodata, länkade register Sid

19 Mikrosim Totalbefolkningsmodell från svenska registerdata 3 länkade SCB-register, totalbefolkningsregistret, arbetsplatsregistret, geografidatabasen Programmerad i C++ Grunden utvecklad av Umeå Universitet, SVERIGE-modellen Sid

20 Individens dagliga beteende Inkl slumpmässighet Disease representation - clinical - infectiousness Simuleringsmodell Socialt kontaktnätverk med geografi Från registerdata Output data - Transmission log (one line per infection) Policy interventioner - Antiviral medicinering - Vaccination - Social distancing / skolstängning / reserestriktioner Analys Sid.

21 Objekt i modellen (1): Personer Attribut Person-id Familje-id Kön Ålder Hem Arbetsplats Akutmottagning Infektionsklinik Immun Tillstånd Hem Sid. Arbetsplats

22 Objekt i modellen (2): Platser Attribut Typ Smittrisk Aktuell smittrisk Koordinater Medlemmar (en lista av personer) Hem Kontor Dagis/skola Akutmottagning Infektionsklinik Grannskap Resa Sid.

23 Case 2006 Smittkoppor Utvärdering av alternativa interventioner Massvaccinering, ringvaccinering, riktad vaccinering Pandemisk influensa Mest effektivt sätt att fördela vaccindoser mellan landstingen Storstäder först? Högst incidens? Högst andel i riskgrupp? Utifrån befolkningsandel? 2009 Inför massvaccinering? Underlag för planering, olika antaganden om vaccinationstäckning Utvärdering av massvaccinationen Sid

24 På gång Fallbibliotek av simulerade pandemiscenarier Individbaserad modellering Kontaktstruktur Åldersberoende förvärvarvad immunitet Riskgruppstillhörighet påverkar när vaccin erbjuds och vilja att vaccineras Landstingstillhörighet påverkar när vaccin ges Övriga individuella egenskaper som ffa påverkar konsekvenserna Förvärvsarbetande? Antal barn (vab)? Sid

25 Dessutom - epidemiologi av icke smittsamma sjukdomar Frågeställningar Hur ser framtidens efterfrågan på hälso- och sjukvård ut? Vad är mest effektivt, att satsa på forskningsresurser på interventioner mot demens eller KOL? Vad kostar antibiotikaresistens samhället idag? I framtiden? Hur påverkas folkhälsan om ett totalförbud mot tobaksrökning införs 2025 (hypotetiskt förstås)? Prognoser för olika kroniska sjukdomar, hur många kommer drabbas av X och hur många kommer leva med X Längre tidsperspektiv Demografisk utveckling måste inkluderas Trender för riskfaktorer Sid

26 SESIM Mikrosimuleringsmodell utvecklad på regeringskansliet individer Rik beskrivning från register Inkomst, pension, utbildningsnivå etc Innehåller statistiska modeller för utfall av livhändelser baserade på individdata i SESIM Individerna i SESIM utsätts årligen för dessa modeller som avgör: dödsrisk, förtidspension, vårdkonsumtion etc. Sid

27 CASE LEV-projektet Prognosticerad behov av vård och omsorg fram till 2050 under alternativa antaganden om hälsosamt åldrande Tobaksprojektet Tobaksrökning tillagt till individerna Statistisk modell för att vara rökare, börja och sluta Gör det möjligt att testa interventioner Projektet SKAR (RU) Dagens samhällskostnader för antibiotikaresistens Extra kostnader inom HS Sid

28 Sammanfattningsvis Simulering och modellering ett verktyg för att analysera troliga effekter av åtgärder, under olika grundantaganden När andra vägar inte är framkomliga Scenarioanalys Modellval beroende på tid, preferenser och frågeställningens karaktär För stöd av förståelse av dynamiska systems komplexitet, feedback-loopar, förseningar etc. För prediktioner och hälsoekonomiska analyser Kräver bra data Känslighetsanalys Sid