Ese fue el nombre del panel de ISPOR Europa que vi con Hugo Pedder, Jeroen Jansen, Dawn Lee y Mark Harries. El objetivo de los modelos de trayectoria secuencial es poder responder preguntas como (i) cómo los nuevos tratamientos afectan los costos y/o (. ii) qué secuencia proporciona el mejor valor en términos de beneficios para la salud y costo del tratamiento. El Dr. Jansen analiza dos modelos de código abierto relacionados con la artritis reumatoide y el cáncer de pulmón de células no pequeñas EGFR+ producidos para la Iniciativa de Innovación y Valor (IVI). . Ahora conocido como el Centro para la Investigación de Innovación y Valor, en realidad participé en la creación de los modelos IVI-RA e IVI-NSCLC. La mayoría de los modelos están destinados a analizar la incertidumbre de los parámetros a través de un análisis de sensibilidad determinado (DSA) o un análisis de sensibilidad de probabilidad (. PSA). Sin embargo, un aprendizaje importante del modelo IVI es la estructura del modelo para modelos secuenciales. Esto conduce a estimaciones muy diferentes del valor del tratamiento. El segundo aprendizaje es La estructura del modelo debe reflejar la estructura de la síntesis de la evidencia. En tercer lugar, si las diferencias en el historial de tratamiento son factores pronósticos o modificadores del efecto, El análisis será sesgado. En otras palabras Si la eficacia del tratamiento durante la terapia posterior depende del tratamiento recibido al principio de la atención Es importante modelar explícitamente esos efectos en los modelos de secuencia de tratamiento. De lo contrario, los resultados estarán sesgados. El Dr. Lee y el Dr. Marriage examinaron el carcinoma de células renales (CCR) como parte del proyecto piloto NICE Pathways. Un aprendizaje clave es que estos modelos son complejos: los investigadores examinaron 4 tratamientos para 3 riesgos diferentes. grupos. Se realizaron 744 secuencias de tratamiento y 90 análisis de escenarios. En segundo lugar, los modelos continuos tardan mucho más que los modelos estándar y generalmente requieren más potencia de procesamiento. Pero los autores también confiaron en la supercomputadora de la universidad para realizar algunos análisis de sensibilidad. En tercer lugar, el tratamiento temprano afecta las opciones de tratamiento posteriores. Sin embargo, una suposición clave de simplificación excesiva es que la independencia del efecto (es decir, la eficacia del tratamiento es independiente del tratamiento previo). Además, los modelos secuenciales requieren más datos. Porque hay muchos más parámetros a evaluar. El acceso a la información es esencial: tanto los datos reales como los resultados más detallados de los ensayos clínicos. En quinto lugar, la cuestión de la decisión debe plantearse claramente. Como se describe arriba Una cuestión de decisión será si vale la pena agregar tratamiento a la secuencia de tratamiento estándar actual. Otra es determinar qué secuencia de tratamiento es más rentable. En sexto lugar, los modelos producen resultados muy diferentes. Esto depende de si se utiliza un modelo de transición de estado o un modelo de supervivencia segmentado. Esto se debe principalmente a diferencias en los beneficios estimados para la salud. No es sorprendente que los presentadores observaran que hay menos variabilidad en los valores estimados cuando las rutas de tratamiento son ampliamente conocidas. en comparación con un período de alta incertidumbre Lee et al. (2024) publicaron un modelo de secuencia piloto de trayectoria completa. Ambas presentaciones afirmaron que la mayoría de los modelos de secuencia de tratamiento no se pueden realizar en Excel y deben realizarse en R. R es una herramienta mucho más poderosa que Excel, pero las partes interesadas. se mostraron un poco más escépticos con respecto a los resultados en comparación con los modelos basados en Excel. El Dr. Jansen señaló que el paquete hesim en R puede ayudar a desarrollar estos modelos de secuencia.
+ There are no comments
Add yours