TreeAge PRO Healthcare模块
使用Healthcare模块，您可以创建基于成本效益以及成本或有效性作为单一衡量标准进行评估的树。
Healthcare模型通常从一个决策节点开始，其中包含针对特定健康状况的每个治疗选项的分支。每个治疗选项的子树通过治疗跟踪病情，包括任意数量的可能结果。
下面介绍的模型包括两种治疗特定肿瘤的策略。每种策略都有不同的根除肿瘤的可能性。在每个终端节点，与该结果相关的成本和有效性值。
Healthcare决策树通常要复杂得多，并且通常包括每个治疗方案的马尔可夫模型。更复杂的Healthcare树可能在每个策略中包含许多马尔可夫模型。
Healthcare模型还可以包含异质性和事件跟踪，如本页单独的功能描述中所述。
成本效益分析
模型完成后，TreeAge Pro 会自动生成评估模型所需的算法并选择最佳策略。这使您可以专注于手头的问题，而不是评估模型所需的计算。
标准算法根据其概率对策略中每个可能的结果赋予权重。组合加权平均值为每个策略生成一个总体预期值。
TreeAge Pro 的Healthcare模块允许您通过增量成本效益比和/或净收益来比较基于成本效益的策略。您还可以仅根据成本或比较有效性 (CER) 比较同一模型中的策略。您甚至可以使用非标准测量值，例如感染、死亡等。
以下模型比较了肿瘤的两种治疗方法。
成本效益分析比较基于 CE 前沿的策略。
如果该模型中存在主导策略，它们将呈现在 CE 边界的上方和左侧。
排名报告显示比较策略的数字计算，包括增量成本效益比 (ICER)。
然后可以将 ICER 与支付意愿 (WTP) 阈值进行比较，以确定我们是否能够在成本效益的基础上负担更有效的治疗。
研究Healthcare模型的不确定性
TreeAge Pro 允许您研究模型输入中的不确定性如何影响我们可以通过其输出得出的结论。TreeAge Pro 支持两种研究不确定性的方法：
Healthcare模块扩展了两种敏感性分析，通过成本效益分析比较策略。
确定性灵敏度分析 为了研究某个值范围内的不确定性单个参数。确定性敏感性分析的最常见形式通过单向敏感性分析研究单个参数。还支持 2 路、3 路和龙卷风图。
为了对模型运行单向敏感性分析，参数必须由变量表示。然后可以在一系列不确定性上分析变量，而不是使用单点估计。考虑下面的模型。
也许我们担心用新的治疗方法--手术和放疗根除肿瘤的可能性。我们可以对变量 pEradicateRadSurg 进行单向敏感性分析，范围为 0.5 到 0.9，有 4 个间隔。这将针对值 0.5、0.6、0.7、0.8、0.9 重新计算模型五次。
使用二级输出，五组结果可用于根据成本效益、成本或有效性审查战略比较。仅基于有效性的比较如下所示。该图生成的阈值为 0.6，高于该阈值新治疗更有效。
基于成本效益的比较，使用净货币收益计算，WTP 为 $50K/LY，如下所示。该图生成了 0.749 的阈值，高于该阈值新的处理更具成本效益（给定 WTP 假设）。
概率敏感性分析 (PSA) 研究多种不确定性对您的模型的综合影响。
要执行 PSA，一个或多个参数必须由分布表示。然后对分布进行采样，将采样值代入模型并重新计算 EV。多次重复此操作会创建大量预期值 (EV)，每个都反映一组不同的采样参数。
在整个结果集中，一些 EV 集将确认基本案例分析，而另一些则不会。这为基本案例结论提供了一个总体确定性衡量标准。
上面的模型被修改为包括三个参数分布：
1.仅用放射线根除肿瘤的可能性。
2.用放射线和手术根除肿瘤的可能性。
3.手术费用。
运行 PSA Monte Carlo 模拟以从 1000 个参数样本集生成 1000 个单独的结果集。然后可以解析模拟结果以找到所有输出（包括 ICER）和其他次要输出的范围和置信区间，这些输出衡量基本案例分析中的确定性水平--考虑到 WTP $50K/，新的治疗是最具成本效益的。 LY。
以下 ICE 散点图显示了针对增量成本和增量效率绘制的仿真迭代。WTP 线下方和右侧的图证实了基本案例分析。
下面的可接受性曲线显示了认为每种策略在一系列 WTP 中最具成本效益的模拟迭代百分比。
模拟结果中还有许多其他输出图表和数字报告。
状态转移/马尔可夫模型
通常，Healthcare模型需要在未来跟踪疾病过程。解决此问题的最常见方法是创建状态转换或马尔可夫模型。
TreeAge Pro 通过决策树结构支持马尔可夫模型。注意下面的模型。
马尔可夫模型：马尔可夫模型由马尔可夫节点及其右侧的所有内容组成。一个决策树模型可以包含许多针对特定策略、子组等的马尔可夫模型。每个马尔可夫模型作为一个单元进行评估，生成一个期望值，该值可以反馈到整个决策树的分析结果中。
健康状态：马尔可夫节点的直接分支是健康状态。队列开始分布在健康状态之间的每个周期。
转换子树：每个健康状态都有自己的转换子树，它指定了一个周期内可能发生的事件。在转换子树终止的每个点，队列返回到其中一个状态以开始下一个循环。这导致队列在健康状态之间的不同分布以开始每个周期。
累积价值：随着群组在健康状态和转换子树中循环，成本、有效性和/或其他价值衡量标准会根据起始健康状态和循环内发生的事件进行累积。
期望值：在所有周期完成后，总的累积成本和/或有效性会生成马尔可夫模型整体的期望值 (EV)。这说明了任意数量周期内的所有事件组合。然后可以将整个马尔可夫模型 EV 反馈到上游，以对疾病的治疗方案进行整体评估。
评估马尔可夫模型
在评估马尔可夫模型时，它们最终会为每个主动支付（通常是成本和/或有效性）提供一个单一的期望值 (EV)。但是，您可能希望进一步了解导致整体 EV 的单个计算。马尔可夫队列分析提供了这个细节。
考虑以下模型。
马尔可夫队列分析提供了来自每个状态和转换的逐周期累积值。
审查这些转换和计算是验证模型是否按设计工作的宝贵工具。对于此成本效益模型，最后一个周期后的总体累积成本和有效性值成为马尔可夫模型的整体 EV。
马尔可夫队列分析还提供了对图表的访问，这些图表显示了队列在各州之间按周期的分布以及按周期的价值积累。一张这样的图表是下面显示的生存曲线。
异质性和事件跟踪
TreeAge Pro 允许您超越期望值和/或马尔可夫模型的传统限制。通过随机游走（微观模拟）在模型中运行单个“试验”，您可以将异质性和事件跟踪引入您的模型。
异质性
当个体在模型中运行时，您可以为这些个体分配不同的特征以创建异质群组。例如，每个单独的试验都可以有自己的年龄、性别、种族、体重、肿瘤类型、疾病阶段等。模型中可以引用每个这样的特征来计算概率、成本、效用等。
可以对每个试验的 TreeAge Pro 分布进行采样，以生成该试验的特征。您还可以将已知的患者数据加载到模型中，并将该数据用于模型内的试验。
事件跟踪
TreeAge Pro 跟踪器可用于记录事件和其他在模型中进行试验时发生变化的特征。与适用于整个队列的变量不同，跟踪器存储和检索特定于每个试验的数据。
例如，您的模型中可能有一个中风事件。如果没有微观模拟，中风事件只能影响那个特定的周期。但是，通过微观模拟，您可以在跟踪器中记录（或计数）中风事件。然后，您可以在所有后续周期中检查跟踪器的值，这可能会在中风后导致更差的转换概率和/或效用。
示例
所附模型演示了这两种技术（单击以获得更大的图像）。
该模型包括两种分布以产生异质性，一种用于起始年龄，一种用于肿瘤类型。年龄分布的属性如下所示。
在通过模型运行每个试验之前，抽取一个样本以生成 30 到 50 之间的起始年龄。然后根据起始年龄和周期数在马尔可夫模型中增加每个周期的试验年龄。然后将当前年龄用于背景死亡率检查。
该模型还通过转移状态的转换子树中的事件跟踪笔画。见下文。
当试验到达节点 Stroke 时，跟踪器 t_strokes 增加 1。pMetastasesToDead 的概率变量定义根据通过 t_stroke 跟踪器的笔划数增加未来周期中的死亡概率，如下所示。
pMetastasesToDead = tDeathMetastases[t_strokes]
此表达式根据试验的笔划数从表中提取不同的概率值。
离散事件模拟
TreeAge Pro 支持决策树格式中的离散事件模拟 (DES) 或事件时间模型。DES 和时间节点类型促进了基于时间的模型方法。
马尔可夫模型使用固定的周期长度和事件概率，而 DES 模型依赖于与竞争事件相关的时间。时间是从分布中得出的，最短时间事件驱动患者流过模型。值（成本、有效性）是根据到下一个事件的时间以及与特定事件相关的固定值来累积的。
DES 模型通过微观模拟（个体患者模拟）进行分析，并使用现有的报告和图形输出。
在线留言
尊敬的客户朋友，如您有任何意见建议，请通过下表反馈给我们，我们会尽快与您联系。
|
400-621-1085
