МЕДИКО-ЕКОНОМІЧНА ОЦІНКА БІОТЕРАПІЙ В УПРАВЛІННІ РЕВМАТОЇДНИМ АРТРИТОМ
МЕДИКО-ЕКОНОМІЧНА ОЦІНКА БІОТЕРАПІЙ В УПРАВЛІННІ РЕВМАТОЇДНИМ АРТРИТОМ У ФРАНЦІЇ ТЕХНІЧНИЙ КРАТКИЙ проф. Роберт Лануа Сумайя Бен Харіз
7.2.3 РОЗПОДІЛ ДИРИХЛЕТУ 58 7.2.4 РОЗПОДІЛ ГАММИ 58 7.2.5 МЕТОДИ ОЦІНКИ ПАРАМЕТРІВ ЗАКОНОДАВСТВА 59 7.3 ЛІКУВАННЯ ПАРАМЕТРИЧНИХ НЕИЗНАЧЕНЬ 59 7.3.1 ДЕТЕРМІНІСТИЧНИЙ АНАЛІЗ ЧУТЛИВОСТІ 7 ДИЗАЙНІТ СІНІЗ 7 СІНДІЗМІНТ СІНІЗ 7 СІНДІЗМІНТ. АНАЛІЗ 60 7.3.3 ІМОЖНИЙ АНАЛІЗ ЧУТЛИВОСТІ (ASP) 60 7.4 РОЗМІСТЕННЯ НЕИЗВЕЩЕННОСТЕЙ 61 7.4.1 МОДЕЛЮВАННЯ ПОРЯДКУ МОНТЕ-КАРЛО 1 61 7.4.2 МОДЕЛЮВАННЯ ПОРЯДКУ МОНТЕ-КАРЛО 2 61 8 ХАРАКТЕРИЗАЦІЯ ФІНАНСОВОГО КОНТАКТУ ПРОПОРЦІЇ ПЕРЕМОЖНИХ СПРАВ (CPCG) 62 8.2 МЕЖА ВИБОРІВ, ЯКІ МАКСИМУЮТЬ ЧИСТУ ЗДОРОВ'Я 62 FDCMAX) 62 9 ДОСВІД І НАВИЧКИ ДЛЯ ВИКОНАННЯ ПРОЕКТУ 63 10 ТЕРМІНОВИЙ ГРАФІК 67 11 ОРГАНІЗАЦІЯ 11 ОРГАНІЗАЦІЯ 69 REES FRANCE 69 12 БІБЛІОГРАФІЧНА ЛІТЕРАТУРА 71 ДОДАТОК 1: ВИКОНАННЯ ІМОЖНОГО АНАЛІЗУ ЧУТЛИВОСТІ ЗА VBA 74 4
T2A TCL Ціноутворення на основі діяльності Tocilizumab, (ROACTEMRA) 6
Рисунок 2: Алгоритм лікування РА у 2014 році відповідно до рекомендацій SFR, ЕТАП II 1.3.3 Фаза III: лікування після першого відмови анти-ФНО Пацієнти з невдачею першої біомедицини можуть отримувати другий анти-ФНО або ліки, засновані на іншому способі дії. За словами sfar, в даний час немає аргументів на користь одного виду лікування над іншим. Все залежить від анамнезу пацієнта та особливостей молекули. Деякі попередні результати дозволяють припустити, що ліки з іншим способом дії можуть бути ефективнішими, ніж використання нового препарату, що належить до того ж терапевтичного класу. Це важливий момент, який ми пропонуємо пояснити в рамках метааналізу мережі. 12
Управління статтями, які відповідатимуть критеріям прийнятності, здійснюватиметься під Endnote. 2.3.2 Опис етапів процесу відбору Після усунення дублікатів вибір буде зроблений за заголовками та тезами та після повного подвійного прочитання решти статей. Буде побудована блок-схема типу, представленого нижче. 17
Повний перелік статей, визначених у MEDLINE (n = 383) Статті виключені (n = 160) Причини: - Огляд літератури, метааналіз - Погана індикація - Спостережливе дослідження - Лікування (n = 132) Статті виключені (n = 91) Причини: - Дизайн (розширення зі зміною протоколу, лише 1 рука .) - Мова - Субаналіз досліджень Статті, вибрані для більш детального аналізу (n = 47) Статті виключено (n = 85) Причини: - Не перенесено жодних критеріїв ACR - Субаналіз досліджень - Статті дизайну, відібрані для другого висновку (n = 21) Статті виключені (n = 26) Причини: - Дата вказу (n = 20) - Відкритий ярлик (n = 2) - Інші (дублікат, нерегульована дозування препарату, порівняння доз, вивчена популяція) (n = 4) Остаточний відбір (n = 19) - Анти-TNF α IR: 2 статті (+ випробовування RADIATE ) - DMARD IR: 17 статей (включаючи випробування OPTION) (+ TOWARD випробування) Статті виключено (n = 2) Причини: - Сукупність досліджуваних не є ні анти-TN F α IR, ні DMARD IR IR: неадекватна реакція Якість досліджень буде оцінюватися за шкалою Джадада. Клінічні дані будуть вилучені відповідно до стандартизованої сітки, визначеної апріорі, та записаної під EXCEL 18
N (i, i²) з i = ai + xi та i
Звичайний (d,) Ti i i. 22
Bin (pTi, nti) 2 log it (p) = + i, за допомогою i
Звичайний (d,) Ti i з d
[-, -]. i = 1, k Ми знаходимо точно таку ж модель, як і раніше, за винятком того, що аналітик трансформує свої знання апріорі у вигляді двох параметрів d і σ² незалежно від даних, що підлягають спостереженню. Це думки, які формулюються перед будь-яким розглядом результатів експериментальних конструкцій, встановлених на місці. Можна використовувати кілька типів апріорних законів. Коли апріорна інтуїція параметрів неможлива, застосовуються так звані неінформативні апріорні закони. 23
Норма (µ, σ²), σ² = s²/n є поданням невизначеності щодо мінливості середнього в популяції. Підхід "центрированих індивідів": C - розподіл параметрів T (розмір, наприклад) у вибірка, яка буде нам цікава, щоб мати можливість використовувати їх як оцінювачі параметрів, пов'язаних із сукупністю. Звичайний закон: Т
Норма (X, s²), з: X = середнє значення вибірки s² = передбачувана дисперсія щодо вибірки Нещодавно був проведений систематичний огляд наявних економічних досліджень (Scholz and Mittendorf, 2014). Там були розглянуті сильні та слабкі сторони моделей, що використовують той чи інший із цих двох підходів. 6.1.1 Дерева рішень Найпростішим типом моделі для використання в економіці охорони здоров’я є дерево рішень. Терапевтична проблема конкретно розбита за допомогою дерева рішень, яке включає три типи вузлів: вузли вибору, випадкові вузли та кінцеві вузли. Перші гілки відповідають різним можливостям терапевтичної дії. Гілки, що виходять із випадкових вузлів, представляють різні події, які можуть відбутися в результаті вжитих ініціатив. Нарешті, термінальні вузли фіксують як отримані результати, так і витрати. 46
1. Змінні-лічильники (трекер) для фіксації індивідуальних характеристик; 2. Логічний вузол для переходу; 3. Глобальна матриця. Змінні лічильника або локальні змінні використовуються для зберігання інформації про події та історію хвороби окремої людини. Вони також фіксують витрати, несприятливі події та іншу інформацію. Ці змінні оновлюються під час моделювання та містять персоніфіковану інформацію, яка визначає індивідуальну подорож пацієнта. Рисунок 6. Приклад визначення нового лічильника на дереві рішень. Логічні вузли дозволяють вибрати маршрут на основі логічних умов. Тому логічні умови для кожної альтернативи повинні бути визначені. З боку верхньої кінцівки оцінюють умови для кожного пацієнта. Коли логічна умова відповідає дійсності, пацієнт дотримується цього шляху. Коли логічна умова хибна, вона обчислює логічну умову наступної гілки. Рисунок 7. Визначення нового логічного вузла. Глобальна матриця зберігає всі дані під час моделювання: 52
Замість того, щоб представляти невизначеність параметрів для імовірнісного аналізу чутливості, параметричні розподіли використовуються для представлення індивідуальної мінливості як частини мікросимуляційної моделі. Рисунок 8. Приклад визначення розподілу. Ці розподіли можуть бути використані для значень, які варіюються між окремими людьми або від циклу до циклу. У TreeAge це реалізується шляхом зміни частоти дискретизації у властивостях розподілу. Під час будь-якої мікросимуляції (включаючи внутрішній цикл у двовимірному ASP) розподіли, які під час моделювання змінюються на "Перевизначення для кожного окремого випробування" (Рисунок 8), автоматично отримуватимуться з відповідного розподілу. Кожна особа отримає власний випадковий розіграш. Після проведення моделювання доступна статистика. Приклад результатів моделювання Монте-Карло наведено на рисунку 9. 53
Рисунок 9. Результати моделювання Монте-Карло. Глобальну матрицю, яка відстежує шляхи пацієнтів, можна легко експортувати як файл Excel: Рисунок 10. Вилучення Excel у глобальній матриці. 6.3.2 Застосування моделювання дискретних подій Цей тип моделі представляє інший підхід до моделювання на індивідуальному рівні. SED дає змогу осмислити: еволюцію хвороби; лікування захворювання на основі подій, які можуть відбутися у окремих людей; вплив цих подій на їх поточний стан здоров'я; ризик у майбутньому. Події є центральними елементами СЕД, і вони визначаються як все, що може статися з людиною під час моделювання. Час події лежить в основі СЕД і є безперервним (на відміну від когортної моделі, де час ділиться на дискретні інтервали). Постійними вимірами стану (наприклад, зміною перебігу захворювання) також можна легко керувати. 54
Фаза 3 Заключна фаза, що стосується проекту HAS Публікація - Валідація даних про всі параметри моделі: клініки, витрати та якість життя (комунальні послуги) - Параметризація моделі - Виробництво перших результатів моделі - Виправлення аномалій моделі, підтвердження результатів остаточної моделі, представлення результатів та складання технічного звіту власником січня 2017 року - Презентація результатів аналізу в робочій групі та в економічному підкомітеті січень-лютий 2017 року - Аналіз чутливості/додатковий аналіз Лютий 2017 - Перевірка технічного звіту Власника лютий-березень 2017 - Написання остаточного звіту HAS (з урахуванням зауважень робочої групи)/Підготовка резюме, яке буде безпосередньо включено у звіт лютий-березень 2017 - Перехід до CEESP, березень 2017 р. - Інтеграція будь-яких змін після переходу на CEESP березень-квітень 2017 р. - Переведення до коледжу - Інтеграція можливих змін після проходження в коледжі квітня 2017 р. - Публікація економічної оцінки в клінічному журналі з комісією з читання за квітень-червень 2017 р. та/або журнал економічної охорони здоров’я 68
11 Прогрес та організація місії 11.1 Організація HAS REES Керівник проекту: Роберт Лануа - Управління та організація проекту - Гарантія якості виконаної роботи та терміни роботи Оперативна група Проектна група: Медичні експерти: 1. Роберт Лануа - Наукова координація проект - Перевірка інформації 2. Анастасія Кабешова - Статистичне моделювання для картографування - Медико-економічне моделювання 3. Сумая Бен Харіз - Реалізація мета-аналізу мережі - Використання медико-адміністративних баз даних 1. Доктор Рене Марк Фліпо (Ревматологія) - Валідація епідеміологічних та клінічних даних REES створює групу, яка об'єднує кілька ключових навичок для успіху цієї місії: - Навички економіки здоров'я - Медичні та біологічні навички - Навички статистичного аналізу стадії процесу. Кількість місій: 69