Las etapas de desarrollo de un modelo de

decisión
Especificar el problema de decisión
• Esto implica identificar claramente la cuestión que debe abordarse en
el análisis.
• Definición de la población receptora y las subpoblaciones.
• Éste normalmente serán los pacientes relevantes, pero pueden incluir
no pacientes (por ejemplo, en el de programas de detección y
prevención).
• Por lo general, serán programas o intervenciones, pero podría incluir
secuencias de tratamientos
Definición de los límites del modelo

• Todos los modelos son simplificaciones de la realidad y nunca será

posible un modelo para incluir todas las posibles ramificaciones de la
opción en particular Considerada.

• Se ha demostrado que incluye reducciones en la transmisión

horizontal del VIH en los modelos tienen un marcado impacto en la
rentabilidad del cribado (Sanders 2005).
Estructurar un modelo de decisión
• Se basará en la naturaleza de las intervenciones. Por ejemplo, para una evaluación económica del diagnóstico alternativo
estrategias para la infección del tracto urinario en los niños, era necesario utilizar un árbol de decisión complejo para reflejar la
probabilidad previa (prevalencia) y el diagnóstico precisión (sensibilidad y especificidad) de los diversos pruebas de detección
(Downs 1999).
• En parte, la estructura del modelo reflejará lo que es la historia natural de una condición particular y el impacto de las opciones en
ese proceso; por ejemplo, los riesgos futuros a los que se enfrentan los pacientes sobreviviendo a un infarto de miocardio y el
impacto de las opciones para prevención de esos riesgos.
• No existen reglas generales sobre la estructura del modelo adecuado en una situación. Sin embargo, algunas de las características
de una enfermedad/tecnología que probablemente influyan en las opciones sobre la estructura incluyen:
• • Si la enfermedad es aguda o crónica y, si es esta última, el número de posibles eventos relacionados con la salud que podrían
ocurrir con el tiempo.
• • Si los riesgos de eventos cambian con el tiempo o pueden asumirse razonablemente como constantes.
• • Si la eficacia de la(s) intervención(es) (en relación con algunas línea de base de atención) se puede asumir de manera constante
en el tiempo o con un plazo limitado de alguna manera.
• • Si se interrumpe el tratamiento, las suposiciones apropiadas sobre el perfil futuro de los cambios en la salud que se lograron
durante el Tratamiento. Por ejemplo, ¿habría algún tipo de efecto de "rebote" o ¿se mantendrán las ganancias, en relación con un
grupo de comparación, a lo largo del tiempo (Drummond et al. 2005).
• • Si la probabilidad de eventos relacionados con la salud a lo largo del tiempo depende lo que le ha pasado a "un paciente" en el
pasado.
Identificar y sintetizar pruebas
• El proceso de población de un modelo implica reunir a todos los evidencia, dada una estructura seleccionada, y sintetizarla
apropiadamente en términos de los parámetros de entrada en el modelo. De conformidad con los principios generales de
medicina basada en la evidencia (Sackett et al. 1996), debe haber una para identificar las pruebas pertinentes. La síntesis de
evidencia es un área clave de evaluación clínica por derecho propio (Sutton et al. 2000) que es de importancia fuera de los
requisitos de la evaluación económica. Sin embargo, los requisitos modelos analíticos de decisión para la evaluación económica
han colocado algunos importantes sobre los métodos de síntesis de evidencia. Estos incluyen:
• • La necesidad de estimar la eficacia de las intervenciones a pesar de la ausencia de ensayos aleatorizados cara a cara. Esto implica
el uso de comparaciones mixtas de tratamiento para crear una red de pruebas entre Ensayos.
• • La necesidad de obtener probabilidades de eventos clínicos para modelos período estandarizado de seguimiento a pesar del
hecho de que los informes clínicos presentarlos en diferentes momentos de seguimiento.
• La necesidad de estimaciones de la eficacia del tratamiento en términos de punto final, aunque los ensayos informan de diversas
medidas.
• • La necesidad de evaluar la heterogeneidad en las medidas entre tipos de pacientes. Idealmente, esto se llevaría a cabo utilizando
datos del paciente, pero la meta regresión se puede utilizar con datos resumidos en algunos Situaciones.
• Estos problemas en la síntesis de evidencia están siendo abordados por los estadísticos, a menudo
• dentro de un marco bayesiano (Sutton y Abrams 2001; Ades 2003; 2004), y estos se utilizan cada vez más en la decisión modelos
de evaluación económica (Ades et al. 2006). Un área importante de la investigación metodológica sobre el terreno se refiere a la
incorporación de la síntesis de pruebas y la modelización de decisiones en el mismo marco analítico: modelización de decisiones»
(Parmigiani 2002; 2004). Esto tiene la ventaja de facilitar una expresión más completa de la incertidumbre en la base de pruebas
en la evaluación económica.
Hacer frente a la incertidumbre y la
heterogeneidad
• La incertidumbre y la heterogeneidad existen en todas las
evaluaciones económicas. Éste es un área de metodología de
evaluación económica que se ha desarrollado rápidamente en los
últimos años (Briggs 2001), y sus implicaciones para la modelización
de decisiones representan un elemento importante de este libro. Los
capítulos 4 y 5 proporcionan más métodos apropiados para manejar
la incertidumbre y la heterogeneidad. El recuadro 2.1 resume los
conceptos clave, y estos se desarrollan
• Capítulo 4.
Evaluar el valor de la investigación adicional
• El propósito de la investigación evaluativa, como los ensayos de control aleatorio, es reducir la incertidumbre en la toma de decisiones midiendo uno
o más parámetros (que puede ser específico de subgrupos particulares) con mayor precisión.

• Esto es generalmente cierto en la investigación clínica, pero también en la evaluación de la rentabilidad. Dados los recursos limitados, es igualmente
apropiado utilizar evaluar la relación calidad-precio de los proyectos de investigación adicionales evaluar enfoques alternativos para el manejo del
paciente.

• Al cuantificar el incertidumbre de decisión asociada con una comparación particular, los modelos de decisión un marco en el que es posible iniciar una
evaluación de la rentabilidad de la investigación adicional.

• Esto se puede llevar a cabo informalmente mediante un simple análisis de sensibilidad mediante la evaluación de la medida en que un las
conclusiones del modelo son sensibles a la incertidumbre en uno (o un número pequeño) de parámetros.

• Estos métodos tienen la fuerza de reflejar la incertidumbre en todos los parámetros. También evalúan en qué medida la reducción incertidumbre a
través de investigaciones adicionales resultaría en un cambio en la decisión sobre el uso de una tecnología y, si hay un cambio, su valor en términos
mejora de la salud y/o reducción de los costos.

• Cada una de estas etapas es crucial para el desarrollo de un modelo de decisión con el fin de informar las decisiones políticas reales.
 TERMINOS
• Variabilidad: Los pacientes individuales inevitablemente diferirán entre sí
en términos, por ejemplo, de los eventos clínicos que experimentan y la
calidad de vida relacionada con la salud. Esta variabilidad no se puede
reducir a través de la recopilación de datos adicionales.

• Incertidumbre de parámetros: la precisión con la que un parámetro de

entrada se estima (por ejemplo, la probabilidad de un evento, un costo
medio o una utilidad media). La imprecisión es el resultado del hecho de
que los parámetros de entrada se estiman para las poblaciones sobre la
base de la información disponible limitada. De ahí la incertidumbre
puede, en principio, reducirse mediante la adquisición de Evidencia.
 TERMINOS
• Incertidumbre de la decisión: Las implicaciones conjuntas de la incertidumbre
de los parámetros un modelo que da lugar a una distribución de la posible
relación costo-efectividad opciones en comparación. Hay un fuerte argumento
normativo para basar las decisiones, dadas las pruebas disponibles, en la
expectativa de esta distribución. Pero la distribución se puede utilizar para
indicar la probabilidad que se ha tomado la decisión correcta.

• Heterogeneidad: La heterogeneidad se relaciona con la medida en que es

posible para explicar una proporción de la variabilidad interpaciente en una
medición particular sobre la base de una o más características del paciente. Por
ejemplo, un evento clínico particular puede ser más probable en hombres y en
individuos de edad más de 60 años. A continuación, será posible estimar los
parámetros de entrada (y la rentabilidad y la incertidumbre de decisión)
condicionadas a una características del paciente (estimaciones del subgrupo),
aunque la incertidumbre en esos parámetros permanecerán.
 TERMINOS
• Probabilidades, En el análisis de decisiones, se toma una probabilidad
como un número que indica la probabilidad de un evento que tiene
lugar en el futuro. Como tal, las acciones de análisis de decisiones la
misma perspectiva que las estadísticas bayesianas (O'Hagan y Luce
2003). Éste concepto de probabilidad se puede generalizar para
representar una fuerza de creencia que, para un individuo
determinado, se basa en sus conocimientos y experiencia previas.
Esta conceptualización más "subjetiva" de las probabilidades es
consistente con la filosofía del análisis de decisiones, que reconoce
que las decisiones no se puede evitar sólo porque los datos no están
disponibles para informarles, y, "juicio de expertos" será
frecuentemente necesario.
• Los conceptos de probabilidad específicos utilizados con frecuencia en el análisis de
decisiones son:
• • Probabilidad conjunta. La probabilidad de que dos eventos ocurran de forma
concomitante. En términos de notación, la probabilidad conjunta de que ocurran los
eventos A y B es P(A y B).
• • Probabilidad condicional. La probabilidad de un evento A dado que un evento B se sabe
que ha ocurrido. La notación es P(A- B).
• • Independencia. Los eventos A y B son independientes si la probabilidad del evento A,
P(A), es lo mismo que la probabilidad de P(A- B). Cuando los eventos son independientes
P(A y B) á P(A) a P(B).
• • Las probabilidades conjuntas y condicionales están relacionadas en la siguiente
ecuación:
• P(A y B) á P(A- B) - P(B). A veces la información está disponible en el probabilidad
conjunta, y la expresión anterior puede ser manipulada a 'condición fuera' las
probabilidades.
 TERMINOS
• Valores esperados: Un enfoque analítico fundamental para identificar una opción
"preferida" de los que se comparan en condiciones de incertidumbre es el
concepto de valor esperado. Si las opciones en comparación se refieren a
tratamientos alternativos para un paciente dado (o un grupo aparentemente
homogéneo de pacientes), la estructura del modelo de decisión reflejará la
variabilidad entre los pacientes en los eventos que pueden ocurrir con cada uno
de los tratamientos. Las probabilidades mostrará la probabilidad de esos eventos
para un paciente dado. Sobre esta base, el modelo indicará una serie de
"pronósticos" mutuamente excluyentes para un paciente y opción (más
generalmente, estos son "estados del mundo" alternativos que podría ocurrir con
una opción determinada). Dependiendo del tipo modelo, estos pronósticos
pueden caracterizarse, por ejemplo, como alternativas vías o secuencias de
estados. Para una opción determinada, la probabilidad de que cada posible
pronóstico se puede cuantificar en términos de probabilidad, y sus implicaciones
en términos de costo y/o alguna medida de resultado.
 TERMINOS
• Pagos, Cuando los pagos se definen en términos de 'von Neumann-
Morgenstern utilities', esto equivaldría a un opción preferida que
tenga la utilidad más alta esperada; esto es consistente con teoría de
la utilidad esperada como marco normativo para la toma de
decisiones Incertidumbre. Aunque en los modelos de evaluación
económica, el enfoque en los valores esperados como base para la
decisión, sigue la teoría normativa presentada por Arrow y Lind
(1970) argumentando que las decisiones de asignación de recursos
públicos neutralizan el riesgo.
 Modelos de cohortes
• El propósito general de una estructura modelo es caracterizar opciones alternativas de una
manera apropiada para el problema de decisión declarado y los límites del modelo.
• La estructura también debe ser coherente con las características clave de la evaluación
económica, como la perspectiva, el tiempo horizonte y medida de resultados.
• Hay varios enfoques matemáticos a la modelización de decisiones entre las que el analista puede
elegir. Una importante consideración es si el modelo debe tratar de caracterizar la experiencia del
paciente "promedio" de una población que comparte las mismas características, o debe
considerar explícitamente al paciente individual y permitir la variabilidad entre pacientes.
• Como se describió anteriormente, el enfoque de la evaluación económica es sobre los costos y
efectos esperados, y la incertidumbre en esos valores esperados. Éste ha dado lugar a que la
mayoría de los modelos de decisión se centren en la experiencia media del paciente – estos se
conocen como modelos de cohortes.
• En determinadas circunstancias, un manera adecuada de estimar los valores esperados puede ser
alejarse de la modelo centrado en caracterizar la variabilidad entre Pacientes.
• Las dos formas más comunes de modelo de cohorte utilizadas en el análisis de decisiones para
evaluación económica son el árbol de decisión y el modelo Markov. Estos son considerados a
continuación.
 El árbol de decisión
• El árbol de decisiones es probablemente la forma más sencilla de modelo de decisión.

• Las características clave de un enfoque de árbol de decisión son:

• Un nodo de decisión cuadrada, normalmente al inicio de un árbol, indica una decisión entre opciones alternativas.
• Un nodo de azar circular muestra un punto en el que dos o más eventos alternativos para un paciente son posibles; estos se
muestran como ramas que salen del Nodo. Para un paciente individual, el evento que experimentan es incierto.
• Los caminos son secuencias mutuamente excluyentes de eventos y son las rutas a través del árbol.
• Las probabilidades muestran la probabilidad de que ocurra un evento en particular en un nodo de oportunidad (o la
proporción de una cohorte de pacientes que se espera que experimenten el evento).

• Moviéndose de izquierda a derecha, la primera probabilidades en el árbol muestran la probabilidad de un evento.

• Probabilidades posteriores son condicionales; es decir, la probabilidad de un evento dado que un evento anterior ha
ocurrido o no. Multiplicar las probabilidades a lo largo de las vías estima la probabilidad de vía que es una probabilidad
conjunta.
 MODELO DE MARKOV

• Es un enfoque comúnmente utilizado en el análisis de decisiones para

la complejidad añadida de las opciones de modelado con una
multiplicidad de posibles consecuencias. Estos modelos se han
utilizado en la evaluación de programas de cribado (Sanders et al.
2005), tecnologías de diagnóstico (Kuntz 1999) e intervenciones
terapéuticas (Sculpher et al. 1996).