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.

• 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. 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:
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 levar un modelo a población implica reunir a todas las 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.
Identificar y sintetizar pruebas
• 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).
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 la 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.
Evaluar el valor 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 estimen 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, "juicio
de expertos" será frecuentemente necesario.
 TERMINOS
• 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).