Вы когда-нибудь задумывались, как чрезвычайно дорогое лекарство от редкого заболевания может быть рентабельным? Или почему фармацевтическая компания занимается исследованием лекарства от редкого заболевания с очень небольшим количеством пациентов по всему миру? Или зачем любому плательщику включать лекарство с такой высокой стоимостью в свой формуляр? Рынок редких заболеваний ведет себя не так, как болезнь с высокой распространенностью, и стандартные методы HEOR к ним неприменимы. Давайте обсудим, каковы проблемы при построении модели экономической эффективности орфанного препарата для лечения одного из редких заболеваний.

Определение редкого заболевания варьируется в разных странах: от 1 из 20 000 до 1 из 2 000. К редким заболеваниям относятся и другие ультра-редкие заболевания с еще более низким уровнем распространенности (1 из 50 000 по определению NICE). Они в основном хронические и фатальные, с высоким социальным бременем, требующим срочного определения приоритетов. Последний день февраля ежегодно отмечается как День редких болезней, чтобы привлечь внимание к этим недооцененным болезням.

Одна из многих причин того, что количество вылеченных редких заболеваний настолько низкое (некоторые из них - это отсутствие исследований и разработок лекарств от редких болезней фармацевтическими компаниями из-за ограниченного рынка, или лекарства от редких заболеваний, которые очень дороги, и т. Д.), Является количество проблем. с которыми столкнулись при экономическом моделировании редких заболеваний до утверждения HTA.

Хотя во всем мире зарегистрировано более 7000 различных редких заболеваний, экономическое моделирование является недавним явлением из-за ограниченности данных о пациентах, исследований, естественной истории болезни и клинических результатов, что затрудняет создание надежных моделей.

В этом посте вы узнаете об ограничениях, с которыми сталкиваются при экономическом моделировании редких заболеваний, и о том, как их преодолеть.

При работе с редкими заболеваниями, где распространенность слишком низкая, а исследования пациентов и клинические испытания проводятся на минимальном количестве пациентов, количество точек данных всегда ограничено. В результате поиск исходных данных для модели рентабельности становится проблемой.

Моделирование данных

Одним из важнейших методов, который может быть реализован перед дальнейшим анализом для определения состояний здоровья или вероятностей перехода между состояниями здоровья или расчета скорости прогрессирования заболевания, является «Моделирование данных». Это относится к созданию нескольких точек данных при сохранении текущего тренда в данных. В случае отсутствия данных мы можем использовать графики и данные из доступной литературы по болезни. Ниже приведены шаги, которые необходимо выполнить для моделирования точек данных:

Шаг 1. Оцифровка

В случае отсутствия данных, графики могут быть оцифрованы из доступной литературы с помощью онлайн-дигитайзеров.

Шаг 2: аппроксимация кривой

Подгонку кривой можно выполнить с помощью оптимизатора Python или MS Excel; оба дают многообещающие результаты.

Например, на графике, показанном ниже, мы можем использовать аппроксимацию кривой, чтобы установить связь между возрастом и показателем инвалидности. В этом случае существует линейная зависимость между возрастом и метрикой идентификатора.

Шаг 3. Моделирование

Как указано выше, очевидным ограничением при работе с редким заболеванием является небольшое количество пациентов, доступных для исследования. В таких случаях мы можем использовать различные методы для моделирования данных. Поскольку в этом случае у нас есть линейная зависимость, данные можно моделировать с использованием коэффициентов из уравнения регрессии, включая дисперсию.

Ниже приводится список проблем, с которыми приходится сталкиваться при сборе некоторых исходных данных для экономического моделирования, и возможные способы их решения:

1) Состояние здоровья:

Чтобы создать карту Маркова для рентабельности, нам нужно различать состояния здоровья и направление, в котором пациент может прогрессировать в заболевании.

Для общих заболеваний уже определены состояния здоровья. Однако при редких заболеваниях состояние здоровья может быть недоступно. Тогда есть два способа продолжить -

a) Изучите доступную литературу, где вы можете найти определения состояний здоровья. (Обсуждение KOL также может быть полезным)

б) Чаще всего всегда будет указана метрика для измерения тяжести заболевания, такая как оценка инвалидности (например, LDLC в случае сердечно-сосудистых заболеваний), которую можно использовать для создания «состояний здоровья». Используя смоделированные данные, описанные в предыдущем разделе, мы можем создать сегменты для разделения этапов или выполнить упражнение по сегментации, чтобы различать их.

2) Вероятности перехода:

Вероятность перехода пациента из одного состояния в другое нелегко определить при редких заболеваниях.

Доступность продольных данных имеет решающее значение для расчета вероятностей перехода, поскольку путешествие пациента используется для анализа переходов. На основе этих данных можно разработать модели склонности с использованием методов машинного обучения, таких как полиномиальная логистическая регрессия (или других алгоритмов классификации, еще один, который я пробовал с хорошей оценкой F1, был SVM) для расчета вероятностей перехода.

Однако в некоторых редких заболеваниях, когда прогрессирование слишком медленное или пациентов невозможно отслеживать в течение определенного периода времени (необходимого для обучения модели), нет свидетельств перехода. В таких случаях мы пытаемся использовать данные, зависящие от времени, и обучаем модель вычислению вероятностей перехода. Этот подход может быть не лучшим способом получить вероятности перехода, но это единственный логический подход в случае отсутствия доказательств.

3) Расходы:

Для редких заболеваний, когда препарат все еще проходит клинические испытания или нет конкурирующего препарата, с которым можно было бы сравнить затраты, изучение аналогичного заболевания может оказаться полезным для определения поэтапных затрат. Однако такие факторы, как природа заболевания, скорость и средний возраст прогрессирования, тяжесть заболевания на каждой стадии, должны учитываться при использовании затрат на другое заболевание.

Кроме того, некоторые категории затрат не актуальны в нашем случае из-за вышеперечисленных факторов, которые, возможно, потребуется исключить из анализа.

4) Эффективность препарата:

Эффективность препарата напрямую связана с замедлением прогрессирования заболевания, то есть менее частым переходом между состояниями из-за лечения, что означает, что в игру вступает новый набор вероятностей перехода.

Чтобы вычислить эти вероятности перехода из-за лечения, мы можем напрямую применить обещанную эффективность к нашей метрике идентификатора и повторно обучить ранее построенную модель классификации, используя обновленные сокращенные значения метрики. Эффективность препарата можно оценить, сравнив когорты, получавшие лечение, и когорты, не получавшие лечения (Лекарство A будет необработанной когортой, если препарат сравнения не присутствует, на графике, показанном ниже)

Заключение

Четыре аспекта, описанные выше, и примененные решения помогли нам спасти жизни, поскольку модель была принята органами ОМТ, а революционный один в своем роде лекарственный препарат запущен во многие страны.