Upload
maritza-san-roman
View
0
Download
0
Embed Size (px)
Citation preview
Continuación de modelos de decisión
Medicine is a science of uncertainty and a art of probability.
Sir William Osler
¿Para qué hacer modelos de decisión en salud?
Sobrevida esperada.
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Años
Po
cen
taje
de
pac
ien
tes
TAC
FAC79 pacient71
pacient
Proyecciones: Donde los beneficios y los costos se ven a lo largo de la vida del paciente.
Sobrevida esperada.
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Años
Po
cen
taje
de
pac
ien
tes
TAC
FAC79 pacient71
pacient¿A qué costo?
Costos esperados..
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Años
Co
sto
s
TAC
FAC
Costos acumulados
Modelos Markov en enfermedades crónicas.
Procesos crónicos
Modelos de Markov
Estado de salud
A
Estado de salud
B
Estado absorbente
Los aspectos técnicos están
muy relacionados con
la estadística bayesiana y el
análisis de sobrevida, entre
otras.
Año = 0
Año = 1
Año = 2
Año = 3
Año = 4
Respuesta al Tx sin recurrencia
Recurrencia loco-regional Metástasis Muerte
Caracterización de un modelo Markov: Sin tratamiento
Año = 0
Año = 1
Año = 2
Año = 3
Año = 4
Respuesta al Tx sin recurrencia
Recurrencia loco-regional Metástasis Muerte
Caracterización de un modelo markov: Con tratamiento
Árbol en un ciclo Markov
Muere Estadio 40.035 Metástasis Estadio 3
0.70Estadio 1 Recurrencia
0.021Loco-regional Estadio 20.30
Vive 0.965
Sin recurrencia Estadio 10.979
La curva de sobrevida
• La descripción más completa de un pronóstico de salud será una curva de sobrevida, la cual mostrará los efectos del riesgo a lo largo del tiempo.
• Definición de la curva de sobrevida: Es la probabilidad de estar vivo a lo largo del tiempo.
Conceptos de probabilidad: definiciones y relaciones
Término Definición Fórmula Rango
ProbabilidadLa oportunidad (chance)de que se presente un evento P 0-1
Proporción La frecuencia relativa de un estado P 0-1
Prevalencia La proporción de un grupo con una enfermedad específica P 0-1
PorcentajeLa probabilidad expresada como una frecuencia "por 100" P x 100 0-100
FrecuenciaProbabilidad expresada en una muestra (ej; 1 en 1000) P 0-denominador
OddsLa razón entre la probabilidad de un evento y su complemento P/(1-P) 0-infinito
Tasa de incidencia (o de riesgo; hazard
La ocurrencia de nuevos casos o eventos por unidad de tiempo- P/t 0-infinito
Proporción de incidencia
La proporción de personas que desarrollan una nueva enfermedad o tinene un evento durante un perido específico de tiempo. P 0-1
Riesgo
La probabilidad que un individuo desarrolle una nueva enfermedad o tenga un evento durante un periodo específico de tiempo. P 0-1
Medidas de probabilidad que involucran tiempo
El modelo de Markov: Pasos para su desarrollo
• Identificar los estados de salud para el modelo • Identificar la duración del ciclo• Identificar la probabilidades de transición• Identificar los resultados en salud (Costos,
AVACs, AVG)• Programar el modelo• “Correr” la simulación • Interpretar los resultados
Identificar la probabilidades de transición
• Datos para estimar las probabilidades de transición:– Mortalidad: Tablas de vida, bases de datos– Estudios clínicos, registros, bases de datos
retrospectivas.– Literatura.– Opinión de expertos.– Supuestos puros.
Probabilidad de transición
• La probabilidad de ir del estado A al estado B.
• “Likelihood” de que ocurra un evento en un determinado tiempo.
• Las probabilidades son condicionales a que se esté vivo en el inicio del periodo.
• Las probabilidades van de 1-0 y se expresan en un periodo de tiempo.
Rates: Tasa
• La tasa de incidencia (de mortalidad) representa el número de ocurrencias de un evento (muerte) dado un número de pacientes en una determinada unidad de tiempo (rango va de 0-infinito por unidad de tiempo).– Es la derivada de la curva de sobrevida (-
ds /dt)– Se expresan 5/10,000 person-year– Casos incidentes/número de personas-tiempo
La probabilidad de morir entre el periodo t0 y t1.
t
t0 t1
s0
s1
Sobrevida
Probabilidad de morir= S0-S1/S0 =D/S0
Donde D= muertes
La relación entre tasas y mortalidades se puede expresar:
• A través de la función exponencial (usada con mayor frecuencia)
• La cual asume que el riesgo de muerte en el tiempo es constante.
P= 1 – e
r= (-1 /t)(Ln(1-p)
-rt
Esta relación es muy útil.
• Porque nos permite la estandarización de tasas en probabilidades
• Nos permite pasar de probabilidades a tasas para poder sumar y restar (lo cual se puede hacer con tasas) y regresar a probabilidades.
• Permite usar información de hazard rates, odds ratios y relative risks.
Ejemplo • Considere 100 pacientes con un seguimiento de
2 años, 50 mueren durante el estudio.• ¿Cuál es la probabilidad anual de transición?
– En dos años =50/100= 0.5– En un año = 50/100/2 =0.25– Incorrecto, porque la probabilidad de transición de un
año refleja la probabilidad condicional de morir dado que la persona esta viva al inicio del año.
– Apliquemos la probabilidad:– 100 en el año 0– 75 en el año 1 = (100x (1-0.25))– ??? En el año 2 =(75 x(1.0.25))
Entonces • ¿Cuál es la tasa a un año?r=-1/2 x Ln (1-0.5)=-1/2 x (-0.6931)=0.3436• Entonces, ¿cuál es la probabilidad después
de un año?P=1-e -0.3466(1) =0.2929
¿Cuál es la probabilidad en un mes? =¿Cuál es la probabilidad en 12 años? =El riesgo diario de morir, transformado a un
año= P =1-e –h(t)(365)
Conformar la matriz de transición
0.945 0.006 0.014 0.0350 0.913 0.052 0.0350 0 0.607 0.3930 0 0 1
A=
Las probabilidades de transición están especificadas en la matriz A. A = aij de tamaño 4 x 4.
aij representa la probabilidad de que una persona en el estadio i transite al estadio j en un solo ciclo. Por definición, la sumatoria de aij = 1. Las transiciones =0, significa que esa transición no es posible.
Respuesta al Tx sin recurrencia
Recurrencia loco-regional Metástasis Muerte
Simulación de cohorte
• Vector inicial con la población al inicio de la simulación Po = 1 0 0 0
T1 0.945 0.006 0.014 0.035 0.9450 0 0.913 0.052 0.035 0.0060 0 0 0.607 0.393 0.0140 0 0 0 1 0.035
T T0.945 0.945 0.006 0.014 0.035 0.8930.006 0 0.913 0.052 0.035 0.0110.014 0 0 0.607 0.393 0.0220.035 0 0 0 1 0.074
Pk = Pk-1 X A
Ciclo 0
Ciclo 1
Trazado del modelo markovCiclo Cáncer localizado Cáncer recurrente Metástasis Muerte
0 1 0 0 01 0.945 0.006 0.014 0.0352 0.893 0.011 0.022 0.0743 0.844 0.016 0.026 0.1144 0.797 0.019 0.029 0.1555 0.754 0.022 0.030 0.194
Ciclo Cáncer localizado Cáncer recurrente Metástasis Muerte
0 1000 0 0 01 945 6 14 352 893 11 22 743 844 16 26 1144 797 19 29 1555 754 22 30 194
El trazado del modelo en 1000 pacientes.
Utilidades esperadas
Ciclo Cáncer localizado Cáncer recurrente Metástasis Muerte Utilidad del
ciclo Utilidad
acumulada Utilidades 0.95 0.80 0.40 0
0 1 0 0 0 0.4751 0.945 0.006 0.014 0.035 0.908 1.383152 0.893 0.011 0.022 0.074 0.866 2.24913 0.844 0.016 0.026 0.114 0.825 3.07414 0.797 0.019 0.029 0.155 0.784 3.858055 0.754 0.022 0.030 0.194 0.746 4.60395
Ciclo Cáncer localizado Cáncer recurrente Metástasis Muerte Utilidad del
ciclo Utilidad
acumulada Utilidades 0.95 0.80 0.40 0
0 1000 0 0 0 4751 945 6 14 35 908 1,3832 893 11 22 74 866 2,2493 844 16 26 114 825 3,0744 797 19 29 155 784 3,8585 754 22 30 194 746 4,604
15,168
Costos esperados
Ciclo Cáncer localizado Cáncer recurrente Metástasis Muerte Costo del
ciclo Costo
acumulado Costos 1500 45000 200000 0
0 1000 0 0 0 7500001 945 6 14 35 4,487,500 5,237,5002 893 11 22 74 6,234,500 11,472,0003 844 16 26 114 7,186,000 18,658,0004 797 19 29 155 7,850,500 26,508,5005 754 22 30.000 194 8,121,000 34,629,500
96,505,500
Ciclo Cáncer localizado Cáncer recurrente Metástasis Muerte Costo del
ciclo Costo
acumulado Costos 1500 45000 200000 0
0 1 0 0 0 7501 0.945 0.006 0.014 0.035 4,488 5,2382 0.893 0.011 0.022 0.074 6,235 11,4723 0.844 0.016 0.026 0.114 7,186 18,6584 0.797 0.019 0.029 0.155 7,851 26,5095 0.754 0.022 0.030 0.194 8,121 34,630
Matriz sin tratamiento
0.945 0.006 0.014 0.0350 0.913 0.052 0.0350 0 0.607 0.3930 0 0 1
A=
Respuesta al Tx sin recurrencia
Recurrencia loco-regional Metástasis Muerte
¿Cómo calculamos la matriz con tratamiento?
1. Obtenemos información de los riesgos relativos o las tasas de riesgo en los estudio clínicos.
2. Regresamos de probabilidades de transición a tasas.
3. Restamos
4. Y nuevamente regresamos de tasas a probabilidades de transición.
Sin embargo, generalmente vamos a tener cosas como esta:
• En modelo de hipertensión: La transición de normoalbuminuria a microalbuminuria.
• “La transición a microalbuminuria en 6 años ocurrió en 15 de 79 (19%) pacientes en el grupo placebo, mientras que en el grupo de enalapril fue de 5 en 77 (6.5%).
Placebo r=(-1/t) Ln (1-P)= (-1/6)Ln (0.81) =0.035
P = 1-exp (-0.035)(1)=0.034
Enalapril r=(-1/t) Ln (1-P)= (-1/6)Ln (0.935) =0.011
P = 1-exp (-0.0.11)(1)=0.011
Razón de riesgo y probabilidad de transición.
• Suponga que la transición anual de probabilidad de A a B sin tratamiento es de 10% y la razón de riesgo (hazard ratio) asociado con tratamiento es de 0.8. Para estimar la probabilidad de transición de la cohorte con tratamiento, primero se debe de calcular la tasa de transición anual: -ln(1-0.01)=0.1054. Esta tasa después se multiplica por la razón de riesgo para obtener la razón de transición con tratamiento, la cual a su vez se debe de volver a convertir en una probabilidad: 1-exp (-0.1054*0.8) = 0.0808
Ejercicio:
• En modelo de hipertensión: La transición de microalbuminuria a proteinuria.
• “La transición a proteinuria en 5 años ocurrió en 19 de 45 (42%) pacientes en el grupo placebo, mientras que en el grupo de enalapril fue de 6 en 49 (12%).
Placebo r=(-1/t) Ln (1-P)=
P = 1-exp (-rt)=
Enalapril r=(-1/t) Ln (1-P)=
P = 1-exp (-rt)=
Recalcular el trazado de pacientes, costos y utilidades del ejemplo de cáncer.
• El cálculo asume una disminución en las probabilidades de transición del 50%, directamente sobre su valor.