 |
Анализ «затраты-полезность»
|
|
|
|
Вариант анализа «затраты-эффективность» (эффективности затрат / CEA), при котором результаты вмешательства оцениваются в единицах «полезности» с точки зрения потребителя медицинской помощи (например, качество жизни / КЖ); при этом наиболее часто используется интегральный показатель «сохранённые годы качественной жизни» (QALY). Синоним - анализ полезности затрат; затраты-утилитарность.
Анализ полезности затрат представляет собой тип клинического исследования по критерию эффективности затрат, который переводит клинический исход лечения в плоскость его полезности. Она определяется как некая преференция (предпочтение, преимущество) пациента. Для измерения полезности затрат широко применяют критерий соотношения количества лет продлённой жизни к её качеству (Quality-Adjusted-Life-Years - QALY). Это позволяет охарактеризовать проводимое лечение путём прогнозирования особенностей и качества предстоящей жизни, которые можно ожидать в течение прогнозируемого срока выживания. Другими словами, это сопоставление количества лет жизни с уровнем её качества на данный срок.
При проведении исследований затраты на лечение сопоставляют с критерием полезности (QALY). Например, исследователи могут определить, что стоимость новой технологии будет составлять 100 тыс. долларов США по отношению к критерию QALY, полученному в результате анализа. При наличии таких данных появляется возможность сравнить разные курсы лечения, опираясь на учёт затрат на лечение (сбережение средств) по отношению к критерию QALY.
Анализ полезности затрат рассчитывают по следующим формулам:
CUA =((DC1 + IC1) - (DC2 + IC2))/(Ut1 - Ut2)
или
= (DC + IС)/Ut, где
CUA - показатель прироста затрат на единицу полезности, соотношение «затраты / полезность» (то есть стоимость единицы полезности, например, одного года качественной жизни),и IC1 - прямые и косвенные затраты при 1-м методе лечения,и IC2 - прямые и косвенные затраты при 2-м методе лечения,и Ut2 - утилитарность при 1-м и 2-м методах лечения.
|
|
|
Анализ «затраты-выгода»
Тип клинико-экономического анализа, при котором как затраты, так и результаты представлены в денежном выражении. Это даёт возможность сравнивать экономическую эффективность различных вмешательств с результатами, выраженными в различных единицах (например, программу вакцинации против гриппа с организацией системы интенсивной неонатальной помощи для выхаживания детей, рождённых с низкой массой тела).
Анализ «затраты-выгода» (синоним: анализ рентабельности) позволяет компенсировать один из недостатков анализа эффективности затрат (СЕА), обусловленный невозможностью оценить общественную ценность лекарственного средства. В этом случае за единицу оценки клинических результатов, полученных с помощью любого метода лечения, принимают денежный эквивалент. Таким образом, прямые затраты на лечение можно сравнивать с денежным выражением непосредственного эффекта, полученного в результате клинического испытания. Такой способ сравнения представляется логичным, однако существуют трудности в оценке подобных результатов: как, например, представить сохранённую жизнь или дополнительные годы жизни в денежном выражении? В силу этих и многих других трудностей анализ «затраты-выгода» используют редко.
Моделирование
Моделирования экономических объектов является составной частью фармакоэкономических исследований. В фармакоэкономике широко применяются как аналитические, так и статистические модели. Наилучшим вариантом является совместное применение аналитических и статистических моделей. Аналитическая модель дает возможность в общих чертах разобраться в явлении, наметить контур основных закономерностей. Любые уточнения могут быть получены с помощью статистических моделей. Также при проведении фармакоэкономических исследований часто используется имитационное моделирование, одним из представителей которого является метод «Монте-Карло». По дизайну наиболее часто встречающиеся в фармакоэкономике модели можно разделить на модель Маркова (описывает несколько дискретных состояний и переходы между ними с течением времени) и «дерево решений» (иллюстрирует все возможные исходы применительно к конкретной специфической ситуации).
|
|
|
При проведении фармакоэкономических исследований часто приходится сталкиваться с ситуацией, когда имеющихся клинических данных недостаточно для прямого сравнения оцениваемых медицинских технологий. Однако, в некоторых случаях недостаток клинических данных может быть восполнен путем моделирования. Моделирование - это исследование объектов познания на их моделях; построение и изучение моделей реально существующих предметов, процессов или явлений с целью получения объяснений этих явлений, а также для предсказания явлений, интересующих исследователя. Моделирования экономических объектов являются необходимыми при проведении фармакоэкономических исследований в тех случаях, когда имеющихся клинических данных не достаточно для сравнительного анализа. Моделирование в фармакоэкономике актуально для специалистов в области экономики здравоохранения, особенно для тех, чья профессиональная деятельность связана с проведением фармакоэкономических исследований и принятием решений о лекарственном обеспечении. Объектами исследования моделирования в фармакоэкономическом анализе являются любые экономические объекты. Математические модели экономических систем должны удовлетворять требованиям адекватности, универсальности, полноты и простоты, должны соответствовать расчетным практическим формулам.
Виды моделирования.
В силу многозначности понятия «модель» не существует единой классификации видов моделирования. Классификацию можно проводить по характеру моделей, характеру моделируемых объектов, приложению моделирования и т.д. Например, можно выделить следующие виды моделирования:
|
|
|
• Компьютерное моделирование
• Математическое моделирование
• Аналитическое моделирование
• Статистическое моделирование
• Имитационное моделирование
• Другие виды моделирования
В фармакоэкономике широко применяются как аналитические, так и статистические модели. Каждый из этих типов имеет свои преимущества и недостатки.
Аналитические модели более «грубы», учитывают меньшее число факторов, всегда требуют множество допущений и упрощений. Тем не менее, результаты расчета по ним легче обозримы, отчетливее отражают присущие явлению основные закономерности. Использование аналитических моделей позволяет более просто найти оптимальное решение.
Статистические модели, по сравнению, с аналитическими, более точны и подробны, не требуют столь грубых допущений, позволяют учесть большее (в теории - неограниченное по размеру) число факторов. Но и у них есть свои недостатки: громоздкость, плохая обозримость, большое требование к вычислительной мощности компьютера, а главное, крайняя трудность поиска оптимальных решений. Наилучшим вариантом является совместное применение аналитических и статистических моделей. Аналитическая модель дает возможность в общих чертах разобраться в явлении, наметить как бы контур основных закономерностей. Любые уточнения могут быть получены с помощью статистических моделей.
Также, при проведении фармакоэкономических исследований часто используется имитационное моделирование, одним из представителей которого является метод «Монте-Карло». Метод Монте-Карло - это численный метод решения математических задач при помощи моделирования случайных величин.
Имитационное моделирование применяется к процессам, в ход которых может время от времени вмешиваться специалист, принимающий решение. Применительно к фармакоэкономике: специалист, ведущий терапию некоторого заболевания, может в зависимости от сложившейся обстановки, принимать те или другие решения. Затем приводится в действие математическая модель, которая показывает, какое ожидается изменение обстановки в ответ на это решение и к каким последствиям оно приведет спустя некоторое время. Следующее «текущее решение» принимается уже с учетом реальной новой обстановки и т.д. В результате многократного повторения такой процедуры субъект, принимающий решение, как бы «набирает опыт», учится на своих и чужих ошибках и постепенно «выучивается» принимать правильные решения - если не оптимальные, то почти оптимальные.
|
|
|
История моделирования в фармакоэкономике - это история имитационных математических моделей, которые лишь частично удовлетворяют предъявляемым требованиям и не обладают познавательными функциями. Неудовлетворенность степенью выполнения предъявляемых требований составляет основную проблему моделирования экономики. Решение этой проблемы моделирования экономики связано с развитием и использованием функциональных математических моделей и методов моделирования экономических объектов. Особенностью функционального моделирования является то, что оно основано на фундаментальных законах функционирования экономики, а преимуществом-то, что функциональные модели в полной степени удовлетворяют предъявляемым требованиям и обладают высокими познавательными функциями. Поэтому в истории моделирования экономики можно выделить следующие этапы: - формирование и применение имитационных математических моделей экономических объектов на основе отдельных закономерностей экономики; - формирование и применение функциональных математических моделей экономических объектов на основе законов экономических систем. Современные представления функционального моделирования экономических объектов выражены в законах функционирования, функциональных моделях и методами моделирования экономических систем.
Дизайн моделей.
По дизайну наиболее часто встречающиеся в фармакоэкономике модели можно разделить на модель Маркова и «дерево решений». Дерево решений - диаграмма, иллюстрирующая все возможные исходы применительно к конкретной специфической ситуации. Модель Маркова - описывает несколько дискретных состояний и переходы между ними с течением времени.
«Дерево решений».
Модель «дерево решений» обычно используется для описания процесса лечения острого заболевания. Данный вид моделей подразумевает наличие нескольких альтернатив с различной вероятностью исходов. При этом, известна вероятность каждого из исходов и известна или возможно рассчитать стоимость каждого исхода.
|
|
|
«Модель Маркова».
Как показывает практика, очень удобно описывать лечение хронического заболевания в виде вероятностей переходов из одного состояния в другое, при этом считается, что, перейдя в одно из состояний, модель не должна далее учитывать обстоятельства того, как она попала в это состояние.
Марковские модели стали широко применяться в ФЭ из-за более гибкой, чем у «дерева решений» структуры. В отличие от альтернатив, на которых сконцентрированы «деревья решений», Марковские модели строятся из состояний и вероятностей перехода из одного состояния в другое в течение данного временного интервала (Марковского цикла).
Случайный процесс называется Марковским процессом (или процессом без последействия), если для каждого момента времени вероятность любого состояния системы в будущем зависит только от ее состояния в настоящем и не зависит от того, как система пришла в это состояние. Имеются несколько состояний: «Здоровье», «Болезнь», «Смерть» и известна вероятность перехода из одного состояния в другое на протяжении определенного временного периода. Длительность временных циклов зависит от особенностей болезни и предлагаемого лечения. Существует два варианта описания Марковских процессов - с дискретным и непрерывным временем. В первом случае переход из одного состояния в другое происходит в заранее известные моменты времени - такты (1, 2, 3, 4, …). Переход осуществляется на каждом такте, то есть исследователя интересует только последовательность состояний, которую проходит случайный процесс в своем развитии, и не интересует, когда конкретно происходил каждый из переходов. Во втором случае исследователя интересует и цепочка меняющих друг друга состояний, и моменты времени, в которые происходили такие переходы. Если вероятность перехода не зависит от времени, то Марковскую цепь называют однородной.
Процесс моделирования. Процесс моделирования включает три элемента:
• субъект (исследователь),
• объект исследования,
• модель, определяющую (отражающую) отношения познающего субъекта и познаваемого объекта.
Первый этап построения модели предполагает наличие некоторых знаний об объекте-оригинале. Познавательные возможности модели обусловливаются тем, что модель отображает (воспроизводит, имитирует) какие-либо существенные черты объекта-оригинала. Вопрос о необходимой и достаточной мере сходства оригинала и модели требует конкретного анализа. Очевидно, модель утрачивает свой смысл как в случае тождества с оригиналом (тогда она перестает быть моделью), так и в случае чрезмерного во всех существенных отношениях отличия от оригинала. Таким образом, изучение одних сторон моделируемого объекта осуществляется ценой отказа от исследования других сторон. Поэтому любая модель замещает оригинал лишь в строго ограниченном смысле. Из этого следует, что для одного объекта может быть построено несколько «специализированных» моделей, концентрирующих внимание на определенных сторонах исследуемого объекта или же характеризующих объект с разной степенью детализации.
На втором этапе модель выступает как самостоятельный объект исследования. Одной из форм такого исследования является проведение «модельных» экспериментов, при которых сознательно изменяются условия функционирования модели и систематизируются данные о ее «поведении». Конечным результатом этого этапа является множество (совокупность) знаний о модели.
На третьем этапе осуществляется перенос знаний с модели на оригинал - формирование множества знаний. Одновременно происходит переход с «языка» модели на «язык» оригинала. Процесс переноса знаний проводится по определенным правилам. Знания о модели должны быть скорректированы с учетом тех свойств объекта-оригинала, которые не нашли отражения или были изменены при построении модели. Четвертый этап - практическая проверка получаемых с помощью моделей знаний и их использование для построения обобщающей теории объекта, его преобразования или управления им.
Моделирование - циклический процесс. Это означает, что за первым четырехэтапным циклом может последовать второй, третий и т.д. При этом знания об исследуемом объекте расширяются и уточняются, а исходная модель постепенно совершенствуется. Недостатки, обнаруженные после первого цикла моделирования, обусловленные малым знанием объекта или ошибками в построении модели, можно исправить в последующих циклах.
|
|
|
