1.3.3.1. Khái niệm
Mô hình là công cụ giúp đơn giản hóa thế giới thực nhằm đánh giá chi phí và hiệu quả kỳ vọng của các liệu pháp điều trị, cho phép phát triển các ước tính và phân tích linh hoạt, thử nghiệm nhiều giả định và những bối cảnh khác nhau. Mô hình không những giúp cho nhà nghiên cứu trả lời các câu hỏi để đưa ra các quyết
21
định thực hiện một can thiệp y tế mà còn cung cấp nhiều thông tin quan trọng khi thay đổi các giả định hoặc bối cảnh nghiên cứu [52], [64].
Hiện nay, phương pháp mô hình hóa được sử dụng phổ biến trong những đánh giá kinh tế dược, nhất là những nghiên cứu có dữ liệu đầu vào được lấy từ các thử nghiệm lâm sàng ngẫu nhiên có đối chứng (Randomized Controlled Trial – RCT), mà những can thiệp trong nghiên cứu có ảnh hưởng tới tuổi thọ và/hoặc chất lượng cuộc sống của người bệnh. Điều này được giải thích là do những hạn chế khi sử dụng nghiên cứu RCT như sau: (1) Thường chỉ so sánh 2 hoặc 3 lựa chọn điều trị và có thể không bao gồm chuỗi so sánh liên quan mà 1 nghiên cứu kinh tế dược quan tâm; (2) Khó có thể cung cấp đủ thông tin các nguồn lực cần thiết; (3) Có những giới hạn về mặt thời gian nghiên cứu, nhất là trong trường hợp bệnh mãn tính; (4) Không cung cấp thông tin so sánh về điểm kết thúc cuối cùng mà thường dừng ở điểm trung gian và (5) Có xu hướng thực hiện trên một nhóm đối tượng cụ thể và bỏ qua nhóm bệnh nhân khác và do đó cần có một công cụ làm khuôn mẫu để có thể khái quát các nhóm nhỏ bệnh nhân này.
1.3.3.2. Phân loại
Các mô hình mô phỏng thường được sử dụng trong các đánh giá y tế bao gồm mô hình cây quyết định, mô hình Markov, mô hình mô phỏng sự kiện riêng biệt, mô hình hệ thống động học và mô hình tác nhân cơ sở. Trong đó, mô hình Markov và mô hình cây quyết định được sử dụng nhiều nhất và gần như giải quyết được mọi vấn đề đặt ra trong đánh giá kinh tế dược. Đối với bệnh mãn tính, mô hình Markov được sử dụng phổ biến.
Mô hình Markov
Mô hình Markov là mô hình mô tả chuỗi các sự kiện lặp đi lặp lại và chuyển hóa qua lại lẫn nhau với những tần số chuyển hóa và chu kì chuyển hóa nhất định (Hình 1.7). Mô hình Markov được sử dụng dựa trên quan điểm bệnh là một chuỗi những trạng thái nhất định, do đó đặc biệt hữu ích trong phân tích kinh tế dược, đặc biệt đối với các bệnh lý mãn tính với yếu tố thời gian đóng vai trò quan trọng quyết định hiệu quả điều trị. Để xây dựng mô hình Markov cần có những dữ liệu về trạng
22
thái bệnh, tần suất chuyển giữa các trạng thái bệnh, chu kì Markov và thời gian chạy mô hình. Mô hình Markov có ưu điểm là có xét đến yếu tố thời gian nhưng khuyết điểm là không có bộ nhớ và tần số chuyển không phụ thuộc vào trạng thái trước đó [52]. Mô hình Markov đơn giản với 3 trạng thái bệnh được trình bày trong Hình 1.7.
Hình 1.7. Mô hình Markov
Xác định tần số chuyển giữa các trạng thái bệnh trong mô hình Markov
Ma trận chuyển đổi (transition matrix)
Xác suất xác định cách mà bệnh nhân di chuyển từ trạng thái này sang trạng thái khác như thế nào. Tổng các xác suất chuyển đổi xuất phát từ một trạng thái bệnh phải bằng 1. Giả định nghiên cứu sử dụng mô hình Markov cơ bản bao gồm 3 trạng thái bệnh (khỏe mạnh, tiến triển, tử vong) (Hình 1.7), việc biểu diễn xác suất các trạng thái bệnh có thể được biểu diễn dưới dạng ma trận chuyển đổi và được trình bày trong Bảng 1.4.
Bảng 1. 4. Xác suất chuyển đổi trạng thái bệnh
Đến chu kỳ t+1
Khỏe mạnh Tiến triển Tử vong Tổng
Từ chu kỳ t Khỏe mạnh 1-(a+b) a b 1
Tiến triển 0 1-c c 1
Tử vong 0 0 1 1
Theo quy ước, các hàng đại diện cho trạng thái bệnh ở đầu chu kỳ (chu kỳ t), các cột đại diện cho các trạng thái bệnh mà cá nhân sẽ di chuyển đến ở chu kỳ tiếp theo (chu kỳ t+1). Mỗi ô trong ma trận mô tả xác suất di chuyển từ hàng đến cột, nếu một số chuyển đổi trạng thái bệnh không xảy ra sẽ đặt bằng 0. Ngoài ra, vì tổng xác suất các hàng phải bằng 1, nếu chúng ta chỉ biết xác suất chuyển đổi ở một số ô,
Khỏe Tiến triển
23
chúng ta có thể ngoại suy xác suất của ô còn lại bằng cách lấy số dư, chẳng hạn như xác suất từ trạng thái "khỏe mạnh" quay lại trạng thái "khỏe mạnh" là 1-(a+b).
Đối với trạng thái bệnh "tử vong". Nếu bắt buộc yêu cầu có dữ liệu tử vong, hoặc là do một bệnh cụ thể, hoặc là từ tất cả nguyên nhân, có thể sử dụng bảng sống (life table) của quốc gia để ước tính xác suất chuyển đổi.
Tỷ lệ và xác suất
Xác suất chuyển đổi có thể được xác định từ nhiều nguồn dữ liệu khác nhau, trong đó lý tưởng nhất là tổng hợp dữ liệu từ các nghiên cứu. Tuy nhiên, cần lưu ý rằng, có sự khác biệt giữa xác suất (probability) và tỷ lệ (rate) và trong nhiều nghiên cứu, các nhà nghiên cứu sẽ sử dụng tỷ lệ thay vì sử dụng xác suất. Do đó, việc chuyển đổi là cần thiết. Công thức chuyển đổi từ tỷ lệ qua xác suất [63]:
p = 1 – e-rt
Trong đó, p: xác suất; r: tỷ lệ; t là khoảng thời gian xảy ra sự kiện Xác suất chuyển đổi theo thời gian
Đa số trong các mô hình Markov, để đơn giản hóa, xác suất chuyển đổi trạng thái thường được giả định không biến đổi theo thời gian bất kể bệnh nhân ở trạng thái đó trong bao lâu. Chẳng hạn như bệnh nhân nhiễm HIV có xác suất tử vong hàng năm khi ở trạng thái AIDS là như nhau bất kể bệnh nhân đã ở trạng thái AIDS trong bao lâu nhưng trong thực tế, xác suất tử vong của bệnh nhân có thể tăng theo thời gian. Trong các trường hợp này, xác suất chuyển đổi phụ thuộc thời gian (time- dependent transition probabilities) có thể được sử dụng thay thế [63].
Có 02 loại xác suất chuyển đổi phụ thuộc thời gian: xác suất chuyển đổi biến đổi theo thời gian trong mô hình và biến đổi theo thời gian trong trạng thái bệnh.
+ Xác suất chuyển đổi biến đổi theo thời gian trong mô hình là trường hợp xác suất biến đổi sau mỗi chu kỳ của mô hình hoặc nói cách khác là xác suất biến đổi theo tuổi người bệnh. Xác suất này thường được áp dụng trong việc xác định xác suất tử vong không do bệnh mà do các nguyên nhân khác gây ra (xác suất tử vong tự nhiên) và thường được rút ra từ bảng sống còn (life table) của từng quốc gia, với tuổi càng tăng thì xác suất tử vong càng tăng. Xác suất này tương đối dễ
24
thực hiện nếu giả định rằng tất cả các bệnh nhân trong mô hình bắt đầu ở cùng độ tuổi. Do đó, tuổi bắt đầu vào mô hình cần phải được nêu rõ, vì đây sẽ là điểm để tham chiếu xác định xác suất bắt đầu trong mô hình và còn là yếu tố mô tả đối tượng được áp dụng biện pháp can thiệp vì vấn đề quyết định là xác định được lựa chọn cho chi phí-hiệu quả nhất trên nhóm đối tượng cụ thể [63], [84].
+Xác suất chuyển đổi biến đổi theo thời gian trong trạng thái bệnh là trường hợp xác suất chuyển đổi thay đổi khi thời gian lưu lại trạng thái đó tăng. Loại xác suất này thường phức tạp và khó thực hiện vì liên quan đến số lượng bệnh nhân lưu lại trạng thái bệnh đó; trong khi đó mô hình Markov có nhược điểm là không có bộ nhớ và do đó không thể theo dõi khi nào bệnh nhân vào trạng thái bệnh đó và lưu lại đó bao lâu [63], [84].
1.3.3.3. Các bước xây dựng mô hình quyết định
Xây dựng mô hình quyết định gồm 6 bước có thể được khái quát hóa trong Hình 1.8.
Hình 1.8. Các bƣớc phát triển mô hình quyết định Bƣớc 1. Cụ thể hóa vấn đề ra quyết định
Trong đó, cần phải xác định rõ đối tượng bệnh nhân, đặc điểm cụ thể của người bệnh, phương pháp điều trị, quan điểm nghiên cứu cũng như các nguồn thông tin sử dụng. Trong quá trình này, các phương pháp điều trị có thể được giả định bao gồm nhiều phương án điều trị hơn so với thực tế mà từ đó là cơ sở để đề ra những phương pháp thay thế khi bệnh nhân thất bại với phương pháp nào đó [73].
Cụ thể hóa vấn đề ra quyết định
Xác định phạm vi nghiên cứu của mô
hình
Cấu trúc hóa mô hình Xác định và tổng hợp chứng cứ Phân tích tính bất định và tính không đồng nhất Đánh giá tính giá trị của các nghiên cứu
bổ sung
Bƣớc 1 Bƣớc 2 Bƣớc 3
Bƣớc 6 Bƣớc 5
25
Bƣớc 2. Xác định phạm vi nghiên cứu của mô hình
Mô hình là sự đơn giản hóa thế giới thực và do đó không thể bao quát hóa tất cả trong thực tế. Chính vì vậy, cần thiết để lựa chọn và giới hạn những gì cần đưa vào trong mô hình bởi vì điều này ảnh hưởng đến các vấn đề chung trong đánh giá kinh tế y tế như xác định quan điểm nghiên cứu, phương pháp can thiệp, chi phí, hiệu quả....cũng như quan trọng trong việc xét đến khả năng bao phủ của mô hình khi thực hiện [63], [73]. Việc quyết định phạm vi nghiên cứu dựa trên tính sẵn có của dữ liệu thu thập được và tính phức tạp khi thực hiện mô hình hóa [63].
Bƣớc 3. Cấu trúc hóa mô hình quyết định
Bước tiếp theo là lựa chọn loại mô hình phù hợp bằng cách dựa trên các biện pháp can thiệp, quá trình diễn tiến tự nhiên của bệnh và ảnh hưởng của các can thiệp lên diễn tiến bệnh đó. Không có quy tắc chung nào về lựa chọn mô hình phù hợp nhất cho một bối cảnh nhất định. Tuy nhiên, một số đặc điểm ảnh hưởng đến việc lựa chọn mô hình gồm: tình trạng bệnh là cấp hay mạn tính, nguy cơ xảy ra trạng thái bệnh có thay đổi theo thời gian hay hằng định, hiệu quả của can thiệp được giả định hằng định hay giới hạn trong thời gian nhất định…[63], [73].
Bƣớc 4. Xác định và tổng hợp chứng cứ
Việc tổng hợp tất cả các dữ liệu có liên quan vào mô hình cần phù hợp với các nguyên tắc chung của y học thực chứng, trong đó thử nghiệm lâm sàng ngẫu nhiên có đối chứng được xếp hạng cao trong tháp chứng cứ. Lý tưởng nhất là dựa trên dữ liệu của từng bệnh nhân, tuy nhiên hồi quy meta (meta-regression) có thể được sử dụng trong một số trường hợp.
Bƣớc 5. Phân tích tính bất định và tính không đồng nhất trong mô hình
Tính bất định và tính không đồng nhất tồn tại trong tất cả các nghiên cứu đánh giá kinh tế y tế được thảo luận trong mục 1.3.3.4.
Bƣớc 6. Đánh giá giá trị của những nghiên cứu bổ sung
Giá trị của mô hình quyết định là mang lại một khuôn mẫu có cấu trúc các bằng chứng sẵn có như một đầu vào cho vấn đề nghiên cứu. Dựa trên mô hình, thông qua phương pháp phân tích độ nhạy, tính bất định của các quyết định bổ sung
26
liên quan đến một so sánh cụ thể có thể được đánh giá bằng cách đo lường một hoặc nhiều tham số cho từng phân nhóm với độ chính xác cao hơn [63], [73].
1.3.3.4. Phân tích tính không chắc chắn của mô hình quyết định
Tính không chắc chắn của mô hình quyết định gồm: tính dao động (variability), tính không đồng nhất (heterogeneity) và tính bất định (uncertainty). Các phương pháp giải quyết tính dao động, tính không đồng nhất và tính bất định trong phân tích chi phí-hiệu quả dựa trên mô hình được trình bày trong Bảng 1.5
Bảng 1. 5. Các phƣơng pháp giải quyết tính không chắc chắn
Loại Phƣơng pháp phân tích
Tính dao động Phản ảnh bởi độ lệch chuẩn, vi mô phỏng Tính không đồng nhất Phân tích nhóm
Tính bất định cấu trúc (structural) hay quyết định (decision)
Phân tích độ nhạy 1 chiều/ phân tích bổi cảnh, tham số hóa, tính sai lệch của mô hình
Tính bất định tham số Phân tích độ nhạy xác suất
Tính dao động (variability)
Tính dao động là sự biến đổi hay sự ngẫu nhiên quan sát được khi thu thập dữ liệu trong một quần thể đồng nhất. Tính dao động phản ánh qua độ lệch chuẩn quanh giá trị trung bình. Tính dao động không giảm khi tăng cỡ mẫu [63].
Tính dao động trong các mô hình quyết định, đặc biệt là các mô hình đoàn hệ, phần lớn là sản phẩm phụ của quá trình mô hình hóa, và vì vậy để loại bỏ tính dao động ra khỏi kết quả là phải thực hiện từng bước khi phân tích, hay nói một cách khác là thực hiện chạy lại mô hình và trình bày các kết quả khác nhau của mô hình tương ứng với từng giả định được đặt ra [73], [84].
Tính không đồng nhất (heterogeneity)
Tính không đồng nhất liên quan đến sự khác biệt quan sát được giữa đặc điểm của các bệnh nhân mà có thể giải thích được. Tính không đồng nhất không được xem là tính bất định vì những khác biệt xảy ra là có thể giải thích được [62].
Tính bất định (uncertainty)
27
- Tính bất định về cấu trúc liên quan đến các quyết định và giả định được đặt ra trong mô hình. Phương pháp đơn giản để giải quyết tính bất định về cấu trúc là tạo ra các bối cảnh thay thế, mỗi bối cảnh dựa trên đặc điểm kỹ thuật đại diện cho các giả định thay thế và phán đoán về cấu trúc của mô hình [59], [84].
- Tính bất định về tham số liên quan đến độ chính xác của các tham số đầu vào được ước tính trong mô hình vì thông thường các giá trị này sẽ được ước tính từ dữ liệu được lấy mẫu như: xác suất chuyển đổi trạng thái, chi phí, hiệu quả và ảnh hưởng điều trị. Tính bất định này là do tham số đầu vào tính toán ở một mẫu nhất định nhưng lại suy ra cho cả quần thể; do đó, nó sẽ giảm khi tăng cỡ mẫu [63], [73].
Tính bất định về tham số trong mô hình quyết định được giải quyết bằng phân tích độ nhạy đơn giản (một chiều và đa chiều) dựa trên biến đổi từng tham số đầu vào trong 1 khoảng xác định và đánh giá ảnh hưởng của sự biến đổi này đến kết quả của mô hình. Tuy nhiên, phương pháp này có nhiều hạn chế [73]. Một dạng khác của phân tích độ nhạy được sử dụng thay thế đó là phân tích độ nhạy xác suất (Probabilistic Sensitivity Analysis).
Phân tích độ nhạy xác suất cho phép đánh giá cùng một lúc tính bất định chung trên tất cả các tham số trong mô hình dựa trên tập hợp các giá trị tham số đầu vào được chọn ngẫu nhiên từ khoảng phân phối của tham số đó. Việc lựa chọn các loại phân phối phụ thuộc vào bản chất của các tham số đầu vào. Sau khi lựa chọn giá trị mới, mô hình được tái chạy lại để tính toán kết quả đầu ra tương ứng. Việc chạy lại mô hình được lặp lại nhiều lần (thường là 1.000-10.000 lần), tương ứng với các kết quả phân tích khác nhau và được thể hiện trên mặt phẳng chi phí-hiệu quả và được so sánh với ngưỡng chi trả. Tập hợp các kết quả đầu ra đạt chi phí-hiệu quả sẽ cho tỷ lệ phần trăm đạt chi phí-hiệu quả của các can thiệp. Đường cong biểu diễn sự tương quan giữa WTP và phần trăm đạt chi phí-hiệu quả của các can thiệp được gọi là đường cong đạt chi phí-hiệu quả (cost-effectiveness acceptability curve) [73], [84]. Dựa trên đường cong đạt chi phí-hiệu quả các nhà ra quyết định có thể đưa ra quyết định phê duyệt hoặc từ chối một can thiệp.
28