Hälsoekonomisk modellering

Transkript

1 Hälsoekonomisk modellering Ingrid Lekander, Director Ivbar, PhDc LIME KI Seminarium Dagens Medicin 7 november

2 Agenda Varför behövs modeller? Val av modell Att bygga en modell Osäkerhet och validering Sammanfattande råd

3 Varför inte använda data från kliniska prövningar? Kliniska prövningar är sällan designade för att visa hälsoekonomiska konsekvenser av ett nytt läkemedel eller behandlingsmetod Kort uppföljningstid Data saknas på kostnader och (relevanta) effekter Orealistiska behandlingsförhållanden Otypisk patientpopulation Irrelevanta jämförelsealternativ 3

4 Modeller för hälsoekonomisk utvärdering Modeller inom hälsoekonomi Modellering en metod att utföra en hälsoekonomisk utvärdering med syftet att: Jämför två eller flera behandlingsalternativ Tar i beaktande både kostnader och hälsoeffekter Skatta konsekvenserna av en ny behandling i klinisk praxis Kompletterande information utöver RCTs Resultat från hälsoekonomisk modellering används som underlag till prioriteringsbedömningar för hälso- och sjukvårdens resurser 4

5 Modellering Kombinerar data från flera källor: Kliniska data Epidemiologiska data Ekonomiska data. Används för att skatta kostnadseffektiviteten för olika: Jämförelsealternativ Patientgrupper Tidshorisonter Ekonomiska perspektiv 5

6 Agenda Varför behövs modeller? Val av modell Beslutsträd Markovmodell Att bygga en modell Osäkerhet och validering Sammanfattande råd

7 Olika val av modell Modelltyper Program Beslutsträd Markovmodeller State-transition simulering Discrete event simulate (DES).med flera Excel (VBA-programmering) TreeAge R.med flera Val av modell handlar främst om preferenser om de är korrekt utvecklade bör alla ge likvärdiga resultat 7

8 Faktorer som påverkar val av modell Egenskaper att ta hänsyn till, till exempel: Kort tid och välavgränsat utfall: beslutsträd Minne: State-transition simulering Interaktion mellan patienter (tex köer): DES-modell bäst lämpad Användning Simuleringsmodeller tidskrävande Transparens Vem är användaren? Programmering Programvara Kommunikation Simuleringsmodeller kan ha enklare struktur Det finns få regler Olika trade-offs att ta hänsyn till Modellering är en konstform! Tänk igenom dina syften och ta den som passar bäst 8

9 Val av analys Cost-minimization (ovanlig) Två behandlingar har samma effekt Den behandling som innebär lägst kostnad är bäst Cost-effectiveness Kostnad per undviken händelse tex. hjärtatack eller Life-Years gained Viktigt att effektivitetsmåttet är kliniskt relevant Surrogate endpoints, tex. sänkt blodtryck bör undvikas Cost-utility Effekt mäts som kvalitetsjusterade levnadsår (QALYs) Cost-benefit Beräknar både kostnader och effekter i ekonomiska termer 9

10 Agenda Varför behövs modeller? Val av modell Beslutsträd Markovmodell Att bygga en modell Osäkerhet och validering Sammanfattande råd

11 Beslutsträd Modellerar baserat på möjliga val och utfall Består av noder som formerar en träd-liknande struktur Kostnader och effekter läggs in som enheter vid slutet av respektive gren 11

12 Ett enkelt beslutsträd Terminal-nod Chance-nod Choose-nod

13 Beräkningar i beslutsträdet Varje gren från Choose utvärderas separat. Armen med bäst resultat är den vi bör använda Resultatet för varje arm beräknas genom att ta ett viktat medel vid varje Chance-nod med start vid slutet av trädet ( roll-back ) 13

14 Beslutsträd: beräkning 14

15 Användning Väl definierade utfall under en begränsad tid Ingen relevant skillnad efter slutet av trädet! Dock kan det hjälpa att tänka i beslutsträdsstruktur för annan modellering!! 15

16 Agenda Varför behövs modeller? Val av modell Beslutsträd Markovmodell Att bygga en modell Osäkerhet och validering Sammanfattande råd

17 Markov kohortmodell Modellerar en patientkohort Patienter delas in i states definerade av Hälsostatus Behandling, etc. Tid delas in i cykler I varje cykel kan patienter flytta mellan olika states men de kan bara vara i en i taget 17

18 Markov kohortmodell: Övergångsdiagram Sannolikhet för övergång mellan olika states Tillfälligt sjukdomsstadium Frisk Frisk Sjuk Död Terminal state 18

19 Generell Markov kohortmodell state 1 t=0 cycle 1 t=1 cycle 2 state 2 state 3 state n. t=2 cycle i t= i 19

20 Grunderna i en Markov kohortmodell Markov states (health states) Patienter kan vara i en av oändligt antal states vid varje given tidpunkt States är kompletta summerar till 1 Definierad tidshorisont Delad i lika stora delar (Markov cykel) Övergång mellan olika states Patienter övergår mellan states enligt definierade sannolikheter Inget minne av tidigare händelser Sannolikheter bygger på nuvarande state och möjligtvis icke stateberoende faktorer så som tex ålder. Vanligtvis körs två Markov-beräkningar för att jämföra två behandlingsalternativ (går att ha fler) 20

21 Kostnader och utfall Kostnader och utfall är länkade till states och cykler, dvs När en patient är i en cykel i ett specifikt hälsotillstånd så medför detta en specifik kostnad och hälsoutfall (e.g. utility) Genom att lägga ihop alla kostnader och hälsoutfall över tidshorisonten för modellen beräknas de förväntade kostnaderna och hälsoutfallen för det behandlingsalternativet Kostnader och hälsoutfall diskonteras vanligen med 3% i Sverige 21

22 Resultat Incremental cost-effectiveness ration (ICER) = ΔC ΔE C E B B C E A A Kostnaden för en extra enhet effekt! 22

23 Agenda Varför behövs modeller? Val av modell Att bygga en modell Osäkerhet och validering Sammanfattande råd

24 Att bygga en modell Identifiera relevanta states för din sjukdom Kliniskt och ekonomiskt skilda och viktiga Inkludera endast händelser som har påverkan på resultaten Kan tillgänglig data stödja modellen? Övergångssannolikheter Behandlingskostnader Kostnader relaterade till sjukdomstillståndet Livskvalitet Modellen bör reflektera tillgänglig data! 24

25 Att bygga en modell forts. Relevant tidshorisont Behandlingslängd Relevant uppföljning av patienter (dvs. livstid, 10 år) Modellvalidering Intern Beräknar den vad den avser att beräkna? Extern Är den i linje med andra publicerade modeller? Modellerar den sjukdomen väl? 25

26 Agenda Varför behövs modeller? Val av modell Att bygga en modell Osäkerhet och validering Osäkerhet Modellvalidering Känslighetsanalys Sammanfattande råd

27 Varför uppstår osäkerhet? Modellen tar in information från olika källor Kliniska data Epidemiologiska data Ekonomiska data. Kvalitet och korrekthet i ingående data skiljer sig åt Osäkerhet i resultaten Behöver tas i beaktande när resultaten tolkas Antaganden (i avsaknad av relevant data) 28

28 Olika typer av osäkerhet Metodologisk osäkerhet Uppstår när resultaten jämförs med analyser med liknande syfte men som använder annan metod Till exempel vid val av olika modelleringstekniker Osäkerhet kring modellen Är den rätt specificerad och programmerad? Överförbarhet och generaliserbarhet Gäller resultaten i andra miljöer? tex: Är resultat baserat på Svensk data relevant för Norge? Osäkerhet kring parametrar i modellen Osäkerhet relaterad till begränsningar i underliggande data Har ägnats mest uppmärksamhet för hantering Modellvalidering Känslighetsanalys 29

29 Agenda Varför behövs modeller? Val av modell Att bygga en modell Osäkerhet och validering Osäkerhet Modellvalidering Känslighetsanalys Sammanfattande råd

30 Modellvalidering Frågeställning Metod Face validity Är modellen rimlig? Del i utvecklingsprocess Input från KOLs Intern validering Fungerar den som det är tänkt? Tester, code-review, dubbelprogrammering Korsvalidering Är resultaten i linje med liknande analyser? Jämför med publicerade resultat. Förklara skillnader Extern validering Predicerar modellen faktiska utfall? Simulera utfall på andra datakällor, tex observerat Prediktiv validering Predicerar modellen framtida utfall? Predicerar resultat i pågående studie ovanligt! 31

31 Agenda Varför behövs modeller? Val av modell Att bygga en modell Osäkerhet och validering Osäkerhet Modellvalidering Känslighetsanalys Sammanfattande råd

32 Känslighetsanalys Genom att systematiskt testa våra ingångsparametrar och antaganden får vi en förståelse för hur olika variabler påverkar resultaten. 33

33 Deterministisk känslighetsanalys En- eller tvåvägs känslighetsanalys Genom att variera parametrar i modellen kan säkerheten i resultaten utvärderas Kvalitén i analyserna beror på val av vilka parametrar som varieras och över vilka värden Antaganden, osäker data samt variabler som har stor påverkan på resultaten bör analyseras Variation i värden baserat på rimliga yttervärden, kan tex använda 95% KI Annan publicerad data annat 34

34 TORNADO DIAGRAM ICER Pris för behandling Risk för händelse Ålder QALY vikt % kvinnor Behandling innan 35

35 Stochastisk känslighetsanalys Probabilistic Sensitivity Analysis (PSA) Osäkerhet testas genom att tillåta flera eller alla parametrar att variera samtidigt i ett stort antal analyser Kräver en given range för parametervärdena samt fördelning för respektive parameter Potentiell kovarians mellan fördelningarna OBS: detaljerade information finns sällan tillgängligt för alla parametrar Repeteras många gånger med slumpvisa värden inom range och fördelning Resultaten ger en samlad osäkerhet kring resultaten 36

36 The cost-effectiveness plane Incremental costs =C 1 -C 0 Treatment 1 not cost-effective WTP mean ICER Cˆ / Eˆ Negative ICER Treatment 0 dominates Treatment 1 cost-effective Incremental effects =E 1 -E 0 Negative ICER Treatment 1 dominates

37 PSA results in the cost-effectiveness plane Incremental costs =C 1 -C 0 WTP Treatment 1 mean not cost-effective ICER Cˆ / Eˆ Treatment 0 dominates Treatment 1 cost-effective Incremental effects =E 1 -E 0 Treatment 1 dominates

38 Proportion Cost-Effective The acceptability curve Willingness to Pay ( ) 39

39 Tolkningar av känslighetsanalyser Kan fortfarande finnas osäkerhet i resultaten: Vilka parametrar testades? Hur valdes max min värden? Skillnad mellan antaganden och patientegenskaper Känslighetsanalys vs Subgruppsanalys 40

40 Agenda Varför behövs modeller? Val av modell Att bygga en modell Osäkerhet och validering Sammanfattande råd

41 Sammanfattnade råd Välj rätt modell för dina syften gör det inte mer komplext än nödvändigt Transparans är eftersträvansvärt Använd bra data modellen är inte bättre än den data du stoppar in Vilda antaganden ökar osäkerheten i resultaten Välj kliniskt relevanta utfall och rätt analys för ändamålet Ägna tid åt validering och känslighetsanalyser Använd enkla kontroller Tex. states i en cykel ska summera till 1 QALY kan aldrig vara högre än LYs 42

42 Tack! 43

43 Konferens om värdebaserad vård med professor Michael E. Porter, Harvard Business School Perspektiv på sjukvårdens framtida organisation och styrning. Tid: november 2014 Plats: Aula Medica, Nobels väg 6, Stockholm Anmälan och program: november Erbjudande: 20 % rabatt använd anmälningskod Sveus20 I samarbete med Dagens Medicin (Bonnier Media) 44