Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Anal Is Is de Sensibilidad Parte 2
Anal Is Is de Sensibilidad Parte 2
Métodos probabilísticos en la
evaluación económica de
t
tecnologías
l í sanitarias
it i
Parte 2
David Epstein
Dme2@york.ac.uk
1
La presentación
• El AS deterministico
– U
Univariante/multivariante
i i t / lti i t
– Siempre es necesario pero no es suficiente
• El AS probabilístico
b bilí ti (ASP)
– Para evaluar la incertidumbre global en el modelo
– La importancia de valores extremos
• Distribuciones de los parámetros
• Las simulaciones Monte – Carlo
• Curva de aceptabilidad de coste efectividad
• El valor de la información
2
Desafios a una AS deterministico
• Interpretacion de los resultados
• Correlaciones entre los parametros del
modelo
• La distribuciones de los parametros del
modelo
d l
• Varían simultáneamente de valor 2 o más
parámetros del modelo
3
Análisis de sensibilidad
determinísticos
• El AS deterministico no cuantifica la
probabilidad de valores extremos
p
• Valores extremos puede cambiar las
conclusiones de un análisis pero pueden ser
muy improbables
• Un análisis de sensibilidad probabilístico
puede superar esta limitación
4
Modelo determinístico sencillo
Inputs
p p
Output
AVACs
Tratamiento B Tratamiento B
Buena salud =11
AVAC Cost
Mala salud = 10
Buena 11
10.75 2500
Buena salud
Mala 10 RCEI=
Costes € 0.25
A = 1000 1500/0.05=
B= 2500
30000
5
ASP Probabilistico y multivariante
Inputs
p p
Output
Progresión de
Estructura del Modelo Tratamiento A
la enfermedad AVAC Coste
Tratamiento A … …
P (mala, A) Buena 11 … …
… …
Buena salud
Efectos Mala 10 10.70 1000
clínicos
Tratamiento B
Ratio Odds A vs B Tratamiento B AVAC Coste
AVACs Buena 11 … …
Buena salud =11
Mala = 10 AVACs Buena salud … …
Mala 10 … …
Costes 10.75 2.500
A = 1000
B= 2500 6
Medio ponderado
Análisis de sensibilidad
probabilístico (ASP)
• Objetivo
– Calcular la probabilidad de que la
intervención es costo-efectiva,, dado
• La estructura del modelo
• El WTP ppor el beneficio (p
(p.ej.
j Por AVAC))
• La distribución de los parámetros del
modelo
7
ASP Probabilistico
Inputs
p p
Output
Odds ratio
Treatment B
AVACs
Tratamiento B AVAC Coste
Buena salud =11
Mala = 10 AVACs Buena 11 10.85 2.500
Buena salud 10 75
10.75 2 500
2.500
Mala 10 10.55 2.500
Costes P(mala|B)
A = 1000 10.75 2.500
B= 2500
8
La familia de las distribuciones
p
paramétricas
Distribución Inputs Descripción
9
Desviación estándar
Más distribuciones paramétricas
Distribución Inputs Descripción Util para
B t
Beta Numero
N Rango de
R d 0 Describir
D ibi una
con un a 1, no es probabilidad
evento
t simétrico
i ét i
Numero sin
un evento
Log-normal
g Media,, DE Rango
g 0a Describir un
Infinito Odds Ratio
En función “log”
Media= log(0,78)
Media log(0 78)
= -0.25
DE= {log(0.89) – log (0.68)}/ 4=
0.065
11
La distribución LogNormal
___ Lognormal(Mean -0.25;
0 25; SE 0,065)
0 065)
____ L
Lognormal(Mean
l(M -0.25;
0 25 SE 0,15)
0 15)
No son
simétricas
____ Lognormal(Mean -0.25; SE 0,30)
13
Simulación Monte-Carlo
• Elige un numero
aleatorio
l i entre 0 y 1
• En Excel, RAND()
• Por ej. 0,175
0 0.5 1 1.5 2 2.5 3 3.5 4
• 17.5%
17 5% del área de la
distribución es a la
0 895
0,895 derecha de 0,895
0 895
Rand Mean SE
Odds ratio
Odd ti en
LOGINV( 1 - 0,175 ; -0,25 ; 0,15 ) = 0,895 simulación14#1
Una muestra aleatoria de valores
de la distribución
MC Rand OR
1 0.175 0.895
2 0.476 0.785
3 0.830 0.674
4 0 010
0.010 1 103
1.103
5 0.117 0.930
6 0.203 0.881
7 0.933 0.621
8 0.203 0.881
9 0.122 0.926
Rand Mean SE 10 0.053 0.992
Odds ratio
Odd ti en
LOGINV( 1 - 0,053 ; -0,25 ; 0,15 ) = 0,992 simulación 15#10
Calculación del modelo para cada
simulación (n
(n=10)
10)
WTP=
20000 35000
MC OR DC DU ICER Select Select
1 0.895 1500 0.023 65923 A A
2 0.785 1500 0.048 31036 A B
3 0.674 1500 0.076 19779 B B
4 1.103 1500 -0.021 Dominated A A
5 0.930 1500 0.015 100021 A A
6 0.881 1500 0.026 57940 A A
7 0.621 1500 0.090 16699 B B
8 0.881 1500 0.026 57839 A A
9 0.926 1500 0.016 94347 A A
10 0.992 1500 0.002 856055 A A
1500
1000
Simulacion #4 Simulacion #1
500
0
-0.040 -0.020 0.000 0.020 0.040 0.060 0.080 0.100
Dif AVAC 17
10 simulaciones MC
Dif Costes
WTP=20000
2000
1500
1000
Probabilidad B es coste-efectivo=
500
2/10 20%
2/10=20%
0
-0.040 -0.020 0.000 0.020 0.040 0.060 0.080 0.100
Dif AVAC 18
10 simulaciones MC
Dif Costes
WTP=35000 WTP=20000
2000
1500
1000
Probabilidad B es coste-efectivo=
500
3/10 30%
3/10=30%
0
-0.040 -0.020 0.000 0.020 0.040 0.060 0.080 0.100
Dif AVAC 19
Los resultados del ASP
• 10 simulaciones no es suficiente para un Monte Carlo.
• La media de una muestra de 1.000
1 000 simulaciones
– Diff Costes = 1.500
– Diff AVAC = 0,05 RCEI = 1.500 / 0,05 = 30.000
Probabilidad que B es el tratamiento coste-efectivo:
WTP 10 simulaciones
i l i 1 000 simulaciones
1.000 i l i
20.000 20% 16%
30.000 20% 50%
35 000
35.000 30% 58%
20
Curva de aceptabilidad de coste
efectividad (1.000 simulaciones)
Darba.(2006) Gac San. 20(1) 74-77
1
0.9
T
Tratamiento
i B
0.8
0.7
Prob qque el
tratamiento 0.6
es coste-
58%
0.5
efectivo
0.4
0.3
Tratamiento A
0.2
16%
0.1
0
0 10000 20000 30000 40000 50000 60000 70000
23
Análisis de sensibilidad
multivariante
• En la mayoría de modelos hay muchos
parámetros inciertos
• Aunque los parámetros sean independientes,
independientes
los resultados del modelo varían en función
de los demás
24
Un análisis de sensibilidad
deterministico y multivariante
B mucho mas B un poco mas
efectivo
f i que A efective
f i que A
OR = 0,68 OR = 0,78
Riesgo bajo RCEI = 27.000 RCEI = 40.000
P ((mala | A)) = 0,2
,
25
Supone WTP = 20.000
Métodos del analisis de
sensibilidad
Deterministico
Recomendable
Combinado Varían simultáneamente
(multivariante) de valor dos o más
parámetros del modelo
Difícil en el caso de
más que dos parámetros
inciertos 26
Métodos del analisis de
sensibilidad
Deterministico Probabilistico
Recomendable
Combinado Varían simultáneamente Para evaluar la incertidumbre
(multivariante) de valor dos o más global. Recomendable
parámetros del modelo
Difícil en el caso de
más que dos parámetros
inciertos 27
Análisis de sensibilidad
multivariante y probabilistico
• Objetivo
• Evaluar la probabilidad de que la
i t
intervención
ió sea coste-efectiva
t f ti dado:
d d
• La estructura del modelo
• El WTP por beneficios de salud
• La incertidumbre conjunta en todos los
parámetros
28
ASP Multivariate
Inputs
p Modelo Output
p
Efectos
Estructura del Modelo Tratamiento A
clínicos AVAC Coste
Tratamiento A … …
Buena 11 … …
Ratio Odds A vs B
… …
Buena salud
Progresión de Valores medios Mala 10 10.70 1000
la enfermedad
vB
P (mala,
(mala A) Tratamiento B AVAC Coste
AVACs Buena 11 … …
Buena salud =11
Mala = 10 AVACs Buena salud … …
Mala 10 … …
Costes 10.75 2.500
A = 1000
B= 2500 29
Ejercicio
• Dibuja rápidamente un ejemplo de cada
di ib ió
distribución
– Normal
– Lognormal
– Beta
– Uniforme
• Qué distribución es la mejor representación del
parámetro : la Probabilidad de mala salud en el
grupo de control
30
La distribución beta
• Rango de valores entre 0 y 1
• No
N es simétrica
i é i
• Comando en Excel: Para parámetro “Pa”
– Pa = BETAINV( X ; input1; input2)
• Por ejemplo, si había 100 pacientes en una
muestra, y 30 tuvieron
i la d dÆ
l enfermedad
f
– Input1 = numero de personas con un suceso = 30
– Input2
I 2 = numero de
d personas sin
i ell suceso = 70
• ÆLa media de E(Pa) = 30/100 = 0,30
31
La distribución beta
0.35
03
0.3 - - -Distribución
Distribución beta(30;70)
0.25
0.2
Frequencia
0.15
0.1
____Distribución beta(9; 21)
0.05
0
0.4
0.5
0.6
0.7
0.8
0.9
1
0.1
0.2
0.3
0
0
0
0
0
0
0
0
0
0
30 000
30.000 30% 50%
35
Curva de aceptabilidad de coste
efectividad - multivariante
1
0.9
0.8
0.7
Prob qque el
tratamiento 0.6
es coste- 0.5
efectivo
0.4
0.3
0.2
0.1
0
0 10000 20000 30000 40000 50000 60000 70000
39
El valor de la información perfecta
• Pero en 44% de las simulaciones, A fue la
opción
ió másá coste-efectiva.
t f ti
• Por ejemplo,
j p en simulación #1 la diferencia
en AVACs fue 0,021 y la RCEI fue
,
1.500/0,021 = 73.000
• La sistema hubiera perdido beneficios netos
(en Euros) de
0,021 * 35.000 – 1.500 = 765
40
La calculación del valor de la
información pperfecta (WTP=35.000)
( )
MC ΔCostes ΔAVAC RCEI Opción Valor
optima Perdido
1 1.500 0,021 73.000 A 765
2 1 500
1.500 0 058
0,058 26 000
26.000 B 0
42
Valor de la información perfecta
• Si la enfermedad afecta 1.000 personas, el
valor
l de d la
l información
i f ió perfecta
f t seríaí
1.000*377= 377.000 Euros
• Significa que el máximo que querríamos
pagar
p g porp un nuevo ensayo y no supera
p esto
presupuesto
• (El valor de la información perfecta se
presenta en función de WTP)
43
Valor de la información perfecta en
función de WTP
450000
400000
350000
300000
EVPI Euros
s
250000
200000
150000
100000
50000
0
0 10000 20000 30000 40000 50000 60000
WTP
44
Resumen
• El AS deterministico
– Univariante
– Siempre necesario pero no es suficiente
• El AS probabilístico
– Evaluar la incertidumbre global en el modelo
– Distribuciones de los parámetros
– Correlaciones entre los parámetros en el modelo
– Las simulaciones Monte – Carlo
– C r a de aceptabilidad de coste efectividad
Curva efecti idad
• El valor de la información
45
Ejercicio
• Abrir la hoja de calculo EE.xls
• Entender las formulas en color VERDE
• Minimo: Hacer AS univariante (valores en color
AZUL)
• Merito: Hacer AS probabalistico (valores en color
NARANJA)) con el metodo Monte-Carlo
• Avanzada: Dibujar una curva CEAC
• Supersalida:
p Calcular el valor de información
perfecta
• Presentar sus resultados a los demás
46