📊 statistics

An Empirical Comparison of Statistical Methods for Estimating EQ-5D Health State Utilities in Rheumatoid Arthritis Clinical Trials for Economic Modelling

Questo studio confronta empiricamente i modelli a effetti misti lineari, le equazioni di stima generalizzate e i modelli misti a due parti per stimare le utilità EQ-5D nei trial sull'artrite reumatoide, riscontrando che, sebbene i modelli misti a due parti producano stime di utilità inferiori, la scelta del metodo ha un impatto minimo sulle conclusioni complessive di costo-efficacia.

Autori originali: Jiajun Yan, Eleanor Pullenayegum, Shun Fu Lee, Feng Xie

Pubblicato 2026-07-30

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Jiajun Yan, Eleanor Pullenayegum, Shun Fu Lee, Feng Xie

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di costruire una palla di cristallo per prevedere il costo futuro di un trattamento medico. Nel mondo dell'economia sanitaria, questa palla di cristallo si chiama "modello di Markov". È un modo elegante per dire che creiamo una mappa di una malattia, scomponendola in diversi "stati di salute" (come "sentirsi benissimo", "sentirsi ok" o "sentirsi malissimo"). Poi simuliamo come un gruppo di pazienti possa spostarsi tra questi stati nel corso degli anni, calcolando quanto denaro spenderemmo e quanti "anni di vita corretti per la qualità" (QALY) guadagneremmo. Un QALY è come una valuta per la vita: un anno di salute perfetta vale 1,0, mentre un anno di dolore intenso potrebbe valere 0,5.

Per rendere accurata questa mappa, abbiamo bisogno di un righello affidabile per misurare quanto sia "buono" o "cattivo" ogni stato di salute per un paziente. È qui che entra in gioco l'EQ-5D. Si tratta di un semplice questionario in cui i pazienti valutano la loro mobilità, l'autonomia nelle attività quotidiane, il dolore e l'umore. La parte complicata è che queste valutazioni non sono solo numeri; sono "utilità" che devono essere mediate da dati del mondo reale, spesso disordinati, dove i pazienti vengono misurati ripetutamente. Poiché i pazienti vengono misurati più volte, le loro risposte sono collegate (una persona che si sente male oggi è probabile che si senta male anche domani), il che rende la matematica della media di queste risposte simile al tentativo di districare un nodo di cuffie. Gli scienziati devono scegliere lo "strumento statistico" giusto per sciogliere questo nodo. Se scelgono lo strumento sbagliato, potrebbero calcolare erroneamente il valore di un trattamento, portando a decisioni confuse su quali medicinali valgano il loro prezzo.

La Grande Sfida Statistica

In questo studio, un team di ricercatori ha deciso di mettere alla prova tre dei più popolari strumenti statistici per vedere quale districa meglio il nodo dell'EQ-5D per i pazienti con Artrite Reumatoidale (AR). L'AR è una condizione cronica in cui il sistema immunitario del corpo attacca le articolazioni, causando dolore e gonfiore. I ricercatori hanno raccolto i dati da tre grandi studi clinici che coinvolgevano in totale oltre 1.700 pazienti, i quali hanno fornito migliaia di misurazioni sulla salute nell'arco di 24 settimane.

Hanno messo a confronto tre modelli statistici:

Il Modello a Effetti Misti Lineari (LMM): Immaginatelo come un escursionista costante e affidabile che assume che il sentiero sia per lo più regolare, ma tiene conto del fatto che lo stesso escursionista percorre quel sentiero più volte.
Le Equazioni di Stima Generalizzate (GEE): Questa è come un gruppo di scout che osservano i modelli di movimento dell'intera folla senza preoccuparsi delle particolarità dei singoli escursionisti.
Il Modello Misto a Due Parti (TPMM): Questa è una macchina più complessa, a due fasi. Prima chiede: "Questa persona è all'apice assoluto della scala della felicità?" (il soffitto). Se sì, la tratta in un certo modo. Altrimenti, usa una seconda macchina per misurare quanto sta soffrendo. Questo strumento è progettato specificamente per dati in cui molte persone raggiungono il "soffitto" della salute perfetta.

I Risultati: Una Storia di Due Campi

Quando i ricercatori hanno elaborato i numeri, i risultati sono stati sorprendentemente chiari. I modelli LMM e GEE erano praticamente gemelli. Producevano stime di utilità della salute che differivano per meno di 0,002 (ovvero due millesimi di punto). Nel grande schema delle cose, è come misurare una montagna e ottenere un risultato che differisce per lo spessore di un singolo foglio di carta.

Tuttavia, il TPMM (la macchina a due fasi) si è comportato come un severo brontolone. Ha costantemente dato punteggi più bassi per quanto riguarda quanto i pazienti si sentissero in salute rispetto agli altri due modelli. Più i pazienti riportavano una "salute perfetta" (più alto era l'effetto soffitto), maggiore diventava il divario. Per i pazienti in "remissione" (che si sentivano al meglio), il TPMM stimava l'utilità della salute circa da 0,019 a 0,042 punti inferiore rispetto all'LMM. Sembra che questo modello, essendo così concentrato nel separare i punteggi "perfetti" da quelli "imperfetti", abbia finito per sottostimare il valore complessivo dei giorni buoni.

Importa per i Soldi?

Ecco il colpo di scena: nonostante il TPMM abbia fornito numeri diversi, non ha effettivamente cambiato il verdetto finale su quanto i trattamenti valessero il costo.

I ricercatori hanno inserito tutti e tre i set di numeri nel "modello di Markov" (la palla di cristallo) per vedere quanto denaro e salute risparmierebbe una nuova strategia di trattamento rispetto a quella vecchia.

L'LMM e il GEE hanno previsto un costo extra di €1.693 per un piccolo guadagno in termini di salute (una differenza di circa 0,00005 QALY tra loro).
Il TPMM ha previsto un guadagno di salute leggermente inferiore, rendendo il trattamento ancora meno conveniente, portando il "costo per unità di salute" (ICER) a quasi €1.000.000 in alcuni casi.

Nonostante queste differenze nella matematica, la conclusione finale è rimasta la stessa: il nuovo trattamento non era conveniente secondo nessuno dei modelli. La probabilità che fosse un "buon affare" era dello 0% in tutti i casi. I ricercatori suggeriscono che ciò sia accaduto perché i pazienti nello studio erano così simili nei loro esiti di salute che le piccole differenze nel modo in cui i modelli calcolavano i numeri si sono perse nel rumore di fondo.

In Breve

Lo studio suggerisce che, per i trial sull'Artrite Reumatoidale, gli strumenti più semplici e standard (LMM e GEE) sono altrettanto validi del modello più complesso a due parti (TPMM) e non richiedono lo sforzo extra del TPMM. Sebbene il TPMM abbia prodotto numeri inferiori, tali differenze erano troppo piccole per cambiare la decisione di alto livello in questo specifico modello economico. Tuttavia, gli autori avvertono che questo potrebbe non essere vero per ogni malattia. Se una malattia presenta un numero elevato di persone che si sentono "perfettamente in salute", il TPMM potrebbe comportarsi diversamente e i risultati potrebbero cambiare. Per ora, però, nel mondo dell'AR, gli strumenti semplici vincono la corsa.

Sintesi Tecnica: Un confronto empirico di metodi statistici per la stima delle utilità degli stati di salute EQ-5D in studi clinici sulla Artrite Reumatoide

Problema
Nella valutazione delle tecnologie sanitarie (HTA), i modelli di Markov sono ampiamente utilizzati per valutare l'efficacia in termini di costo-efficacia di interventi per malattie croniche come l'artrite reumatoide (AR). Un input critico per questi modelli è l'utilità dello stato di salute (HSU), che quantifica le preferenze dei pazienti per specifici stati di salute. Sebbene gli studi clinici forniscano dati longitudinali di alta qualità per derivare le HSU, l'approccio statistico utilizzato per stimare queste utilità da misure ripetute può variare. Le linee guida della Task Force ISPOR raccomandano strategie di modellazione specifiche, come la modellazione dei decrementi di utilità piuttosto che delle utilità grezze, e suggeriscono modelli lineari generalizzati, equazioni di stima generalizzate (GEE) e modelli a due parti (TPMM) per gestire i dati longitudinali ed i valori eccessivi di zero (effetti soffitto o ceiling effects). Tuttavia, esistono limitate evidenze empiriche che confrontino come questi specifici modelli raccomandati si comportino quando applicati a dati di studi sull'AR e come le loro risultanti stime di utilità si propaghino negli esiti della valutazione economica, specificamente nel rapporto incrementale di costo-efficacia (ICER).

Metodologia
Lo studio ha condotto un confronto empirico di tre modelli statistici — Modelli Lineari a Effetti Misti (LMM), Equazioni di Stima Generalizzate (GEE) e Modelli Misti a Due Parti (TPMM) — utilizzando dati di pazienti individuali da tre studi clinici randomizzati, in doppio cieco sull'AR (NCT01721044, NCT01721057 e NCT01711359) accessibili tramite la piattaforma Vivli.

Dati: L'analisi ha utilizzato dati longitudinali EQ-5D-5L e Disease Activity Score-28 (DAS28) raccolti nell'arco di 24 settimane. La variabile dipendente era il decremento di utilità ( $1 - \text{utilità}$ ).
Stati di Salute: Le HSU sono state stimate per quattro stati definiti dal DAS: remissione, bassa attività di malattia, moderata attività di malattia e alta attività di malattia.
Modelli Statistici:
- LMM: Include effetti fissi e casuali per tenere conto della correlazione intra-soggetto e della variabilità inter-soggetto, assumendo una distribuzione normale dei residui e la mancanza di dati casuale (missing at random, MAR).
- GEE: Specifica una struttura di covarianza per tenere conto della correlazione longitudinale senza effetti casuali, assumendo dati mancanti completamente casuali (MCAR) o MCAR-X.
- TPMM: Un approccio in due parti in cui la prima parte modella la probabilità di un valore limite (decremento di utilità = 0, ovvero salute piena) tramite regressione logistica, e la seconda parte modella la distribuzione non limite tramite regressione lineare.
Modellazione Economica: Le HSU stimate da ciascun modello statistico sono state applicate come input a un modello di Markov pubblicato che confrontava le strategie di trattamento per l'AR precoce. Il modello ha simulato le transizioni dei pazienti su un orizzonte di za 5 anni. Lo studio si è concentrato sul confronto tra la Strategia #2 (iniziare con MTX + LEF) rispetto alla Strategia #1 (iniziare con monoterapia con MTX) da una prospettiva del pagatore.
Analisi: Lo studio ha confrontato gli anni di vita aggiustati per la qualità (QALY) incrementali, gli ICER incrementali e i risultati dell'analisi di sensibilità probabilistica (PSA), inclusi i benefici netti incrementali (INB) e le curve di accettabilità costo-efficacia.

Risultati Chiave

Stime di Utilità:
- LMM vs. GEE: Questi due modelli hanno prodotto stime HSU quasi identiche. Le differenze nelle stime puntuali sono state inferiori a 0,002 in tutti gli stati di salute e gli studi.
- TPMM: Questo modello ha generato costantemente stime HSU più piccole rispetto a LMM e GEE. L'entità della differenza è correlata all'effetto soffitto (ceiling effect, ovvero la proporzione di pazienti che riportano la salute piena). Le discrepanze maggiori si sono verificate nello stato di remissione (dove gli effetti soffitto erano più alti, ad esempio >25%), con differenze nelle stime puntuali comprese tra 0,019 e 0,042 a seconda dello studio. Le differenze sono state minori nello stato di alta attività di malattia, dove gli effetti soffitto erano minimi.
Impatto Economico:
- Nonostante le differenze nelle stime HSU, l'impatto sul modello economico è stato minimo. Le differenze nei QALY incrementali tra LMM/GEE e TPMM sono variate da 0,0004 a 0,0007.
- Di conseguenza, gli ICER sono variati leggermente ma sono rimasti costantemente elevati (compresi tra circa €650.000 e €985.000 per QALY) in tutti i modelli, superando di gran lunga le comuni soglie di disponibilità a pagare.
- L'analisi di sensibilità probabilistica (PSA) ha mostrato che la probabilità che l'intervento fosse costo-efficace era dello 0% in tutti i modelli alle soglie standard (€50.000, €100.000, €150.000). I benefici netti incrementali (INB) erano negativi in tutti gli scenari.

Significatività e Rivendicazioni
L'articolo sostiene che, sebbene la scelta del modello statistico influenzi l'entità stimata delle utilità degli stati di salute — in particolare quando sono presenti effetti soffitto dovuti alle differenze strutturali nel modo in cui il TPMM gestisce i valori limite rispetto a LMM/GEE — questa variazione ha avuto un impatto trascurabile sulle conclusioni finali di costo-efficacia nel contesto specifico di questo studio.

Gli autori sottolineano che l'impatto minimo sugli esiti economici può essere specifico della struttura del modello di Markov selezionato, che ha prodotto distribuzioni di occupazione degli stati di salute molto simili tra i bracci di trattamento, attenuando così l'effetto delle differenze di stima dell'utilità. Essi avvertono che la generalizzabilità di questi risultati è limitata alla patologia (AR) e al tipo specifico di modello utilizzato. Lo studio conclude che, per il modello di Markov selezionato, LMM e GEE sono intercambiabili e, sebbene il TPMM fornisca valori di utilità inferiori, non ha alterato le decisioni economiche in questo caso. Tuttavia, gli autori osservano che in contesti con diverse strutture di modello o popolazioni con una quota maggiore di pazienti in salute piena, la scelta del modello potrebbe produrre differenze più sostanziali nelle conclusioni economiche.

Articoli simili