📊 statistics

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

Deze studie vergelijkt empirisch lineaire gemengde effectenmodellen, generalized estimating equations en two-part mixed models voor het schatten van EQ-5D-utiliteiten in reuma-trials, waarbij wordt vastgesteld dat hoewel two-part mixed models lagere utiliteitsschattingen opleveren, de keuze van de methode minimale impact heeft op de algehele kosteneffectiviteitsconclusies.

Oorspronkelijke auteurs: Jiajun Yan, Eleanor Pullenayegum, Shun Fu Lee, Feng Xie

Gepubliceerd 2026-07-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jiajun Yan, Eleanor Pullenayegum, Shun Fu Lee, Feng Xie

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een kristallen bol probeert te bouwen om de toekomstige kosten van een medische behandeling te voorspellen. In de wereld van de gezondheidseconomie wordt deze kristallen bol een "Markov-model" genoemd. Het is een chique manier om te zeggen dat we een kaart van een ziekte maken, waarbij we deze opdelen in verschillende "gezondheidstoestanden" (zoals "voelen geweldig", "voelen oké" of "voelen verschrikkelijk"). We simuleren vervolgens hoe een groep patiënten zich over jaren heen tussen deze toestanden beweegt, waarbij we berekenen hoeveel geld we zouden uitgeven en hoeveel "kwaliteitsgecorrigeerde levensjaren" (QALY's) ze zouden winnen. Een QALY is als een munteenheid voor het leven: één jaar van perfecte gezondheid is 1,0 waard, terwijl een jaar van hevige pijn 0,5 kan zijn.

Om deze kaart accuraat te maken, hebben we een betrouwbare liniaal nodig om te meten hoe "goed" of "slecht" een bepaalde gezondheidstoestand voor een patiënt voelt. Hier komt de EQ-5D om de hoek kijken. Het is een eenvoudige vragenlijst waarbij patiënten hun mobiliteit, zelfzorg, pijn en stemming beoordelen. Het lastige deel is dat deze beoordelingen niet alleen getallen zijn; het zijn "nutswaarden" (utilities) die gemiddeld moeten worden uit rommelige, echte gegevens waarbij patiënten vele malen zijn gemeten. Omdat patiënten herhaaldelijk worden gemeten, zijn hun antwoorden aan elkaar gekoppeld (iemand die zich vandaag slecht voelt, voelt zich morgen waarschijnlijk ook slecht), wat het wiskundige gemiddelde berekenen een beetje lijkt op het ontwarren van een knoop in een koptelefoon. Wetenschappers moeten de juiste statistische "tool" kiezen om deze knoop te ontwarren. Als ze de verkeerde tool kiezen, kunnen ze de waarde van een behandeling verkeerd berekenen, wat leidt tot verwarrende beslissingen over welke medicijnen de prijspost waard zijn.

De Grote Statistische Strijd

In dit onderzoek besloot een team van onderzoekers om drie van de meest populaire statistische tools tegen elkaar te testen om te zien welke de EQ-5D-knoop het beste ontwarst voor patiënten met Reumatoïde Artritis (RA). RA is een chronische aandoening waarbij het immuunsysteem van het lichaam de gewrichten aanvalt, wat zorgt voor pijn en zwelling. De onderzoekers verzamelden gegevens van drie grote klinische trials met in totaal meer dan 1.700 patiënten, die duizenden gezondheidsmetingen leverden over een periode van 24 weken.

Ze zetten drie statistische modellen tegenover elkaar:

Het Lineair Gemengd Effect Model (LMM): Denk aan dit als een gestage, betrouwbare wandelaar die ervan uitgaat dat het pad grotendeels glad is, maar rekening houdt met het feit dat dezelfde wandelaar het pad meerdere keren bewandelt.
De Generalized Estimating Equations (GEE): Dit zijn als een groep verkenners die naar de bewegingspatronen van de hele menigte kijken, zonder zich zorgen te maken over de specifieke eigenaardigheden van individuele wandelaars.
Het Two-Part Mixed Model (TPMM): Dit is een complexere, tweestapsmachine. Eerst vraagt het: "Is deze persoon aan de absolute bovenkant van de geluksschaal?" (het plafond). Zo ja, dan behandelt het die persoon op een bepaalde manier. Zo niet, dan gebruikt het een tweede machine om te meten hoeveel diegene lijdt. Deze tool is specifiek ontworpen voor gegevens waarbij veel mensen tegen het "perfecte gezondheid"-plafond aanlopen.

De Bevindingen: Een Verhaal van Twee Kampen

Toen de onderzoekers de cijfers doorliepen, waren de resultaten verrassend duidelijk. De LMM- en de GEE-modellen waren praktisch tweelingen. Ze produceerden schattingen voor de gezondheidsnutswaarden die minder dan 0,002 verschilden (dat is twee-duizendsten van een punt). In het grote geheel is dat alsof je een berg meet en een resultaat krijgt dat slechts het verschil heeft van de dikte van een enkel vel papier.

De TPMM (de tweestapsmachine) gedroeg zich echter als een strenge brombeer. Het gaf consequent lagere scores voor hoe gezond de patiënten zich voelden vergeleken met de andere twee modellen. Hoe meer "perfecte gezondheid" de patiënten rapporteerden (hoe hoger het "plafondeffect"), hoe groter het gat werd. Voor patiënten in "remissie" (die zich het beste voelen), schatte de TPMM de gezondheidsnutswaarde ongeveer 0,019 tot 0,042 punten lager in dan het LMM. Het lijkt erop dat dit model zo gefocust was op het scheiden van de "perfecte" scores van de "onvolmaakte" scores, dat het de algehele waarde van de goede dagen onderschatte.

Maakt het uit voor het geld?

Hier zit de wending: ondanks dat de TPMM andere cijfers gaf, veranderde het de uiteindelijke conclusie over de vraag of de behandelingen de kosten waard waren niet.

De onderzoekers stopten alle drie de sets met cijfers in een "Markov-model" (de kristallen bol) om te zien hoeveel geld en gezondheid een nieuwe behandelstrategie zou besparen in vergelijking met de oude.

De LMM en GEE voorspelden een extra kostenpost van €1.693 voor een minimale winst in gezondheid (een verschil van ongeveer 0,00005 QALY's tussen hen beiden).
De TPMM voorspelde een iets kleinere gezondheidswinst, wat de behandeling er nog minder kosteneffectief uit liet zien, waardoor de "kosten per eenheid gezondheid" (ICER) in sommige gevallen bijna op €1.000.000 uitkwam.

Ondanks deze verschillen in de wiskunde bleef de uiteindelijke conclusie hetzelfde: de nieuwe behandeling was onder geen van de modellen kosteneffectief. De waarschijnlijkheid dat het een "goede deal" was, was bij alle modellen 0%. De onderzoekers suggereren dat dit gebeurde omdat de patiënten in de studie zo vergelijkbaar waren in hun gezondheidsresultaten, dat de kleine verschillen in hoe de modellen de cijfers berekenden, verloren gingen in de ruis.

De Kern van het Verhaal

De studie suggereert dat voor klinische trials rondom Reumatoïde Artritis de eenvoudigere, standaard tools (LMM en GEE) net zo goed zijn als het complexere two-part model, en dat ze de extra moeite van de TPMM niet vereisen. Ho wel produceerde de TPMM lagere cijfers, die verschillen waren te klein om de grote beslissing in dit specifieke economische model te veranderen. De auteurs waarschuwen echter dat dit niet voor elke ziekte geldt. Als een ziekte een groot aantal mensen heeft die zich "perfect gezond" voelen, kan de TPMM anders reageren en zouden de resultaten kunnen veranderen. Voor nu, in de wereld van RA, winnen de eenvoudige tools de race.

Technische Samenvatting: Een empirische vergelijking van statistische methoden voor het schatten van EQ-5D gezondheidstoestandsutiliteiten in klinische trials voor reumatoïde artritis

Probleemstelling
In de context van gezondheidstechnologie-assessments (HTA) worden Markov-modellen breed gebruikt om de kosteneffectiviteit van interventies voor chronische ziekten zoals reumatoïde artritis (RA) te evalueren. Een cruciale input voor deze modellen is de gezondheidstoestandsutiliteit (health state utility, HSU), die de voorkeuren van patiënten voor specifieke gezondheidstoestanden kwantificeert. Hoewel klinische trials hoogwaardige longitudinale data bieden voor het afleiden van HSU's, kan de statistische benadering die wordt gebruikt om deze utiliteiten uit herhaalde metingen te schatten, variëren. De ISPOR Task Force-richtlijnen adviseren specifieke modelleringsstrategieën, zoals het modelleren van utility-decrementen in plaats van ruwe utiliteiten, en stellen algemene lineaire modellen, generalized estimating equations (GEE) en two-part modellen (TPMM) voor om longitudinale data en excessieve nulwaarden (plafondeffecten) te verwerken. Er is echter beperkt empirisch bewijs dat de prestaties van deze specifieke aanbevolen modellen vergelijkt wanneer ze worden toegepast op RA-trialdata, en hoe de resulterende utiliteitsschattingen doorwerken naar de uitkomsten van de economische evaluatie, specifwel de incrementele kosteneffectiviteitsratio (ICER).

Methodologie
De studie voerde een empirische vergelijking uit tussen drie statistische modellen—Linear Mixed-Effects Models (LMM), Generalized Estimating Equations (GEE) en Two-Part Mixed Models (TPMM)—met gebruik van individuele patiëntgegevens uit drie gerandomiseerde, dubbelblinde RA-klinische trials (NCT01721044, NCT01721057 en NCT01711359) verkregen via het Vivli-platform.

Data: De analyse maakte gebruik van longitudinale EQ-5D-5L en Disease Activity Score-28 (DAS28) data verzameld over 24 weken. De afhankelijke variabele was de utility-decrement ( $1 - \text{utility}$ ).
Gezondheidstoestanden: HSU's werden geschat voor vier door DAS gedefinieerde gezondheidstoestanden: remissie, lage ziekteactiviteit, matige ziekteactiviteit en hoge ziekteactiviteit.
Statistische Modellen:
- LMM: Omvatte vaste en willekeurige effecten om binnen-subject correlatie en tussen-subject variabiliteit te verantwoorden, uitgaande van normaal verdeelde residuen en 'missing at random' (MAR).
- GEE: Specificeerde een covariantiestructuur om longitudinale correlatie te verantwoorden zonder willekeurige effecten, uitgaande van 'missing completely at random' (MCAR) of MCAR-X.
- TPMM: Een two-part benadering waarbij het eerste deel de waarschijnlijkheid van een grenswaarde (utility-decrement = 0, d.w.z. volledige gezondheid) modelleerde met behulp van logistische regressie, en het tweede deel de niet-grenswaarde distributie modelleerde met behulp van lineaire regressie.
Economische Modellering: De geschatte HSU's uit elk statistisch model werden toegepast als inputs in een gepubliceerd Markov-model dat behandelstrategieën voor vroege RA vergeleek. Het model simuleerde patiënttransities over een horizon van 5 jaar. De studie richtte zich op het vergelijken van Strategie #2 (starten met MTX + LEF) tegenover Strategie #1 (starten met MTX monotherapie) vanuit het perspectief van de betaler.
Analyse: De studie vergeleek incrementele Quality-Adjusted Life Years (QALY's), incrementele kosteneffectiviteitsratio's (ICER's) en resultaten van de Probabilistische Sensitiviteitsanalyse (PSA) (inclusief Incrementele Netto Voordelen en Kosteneffectiviteitsacceptatiecurven) over de drie verschillende modelleringsbenaderingen.

Belangrijkste Resultaten

Utiliteitsschattingen:
- LMM vs. GEE: Deze twee modellen produceerden vrijwel identieke HSU-schattingen. De verschillen in punt-schattingen waren minder dan 0,002 over alle gezondheidstoestanden en trials heen.
- TPMM: Dit model genereerde consequent kleinere HSU-schattingen vergeleken met LMM en GEE. De omvang van het verschil correleerde met het "plafondeffect" (het aandeel patiënten dat volledige gezondheid rapporteert). De grootste discrepanties traden op in de remissietoestand (waar de plafondeffecten het hoogst waren, bijv. >25%), met verschillen in punt-schattingen variërend van 0,019 tot 0,042, afhankelijk van de trial. De verschillen waren het kleinst in de toestand van hoge ziekteactiviteit, waar de plafondeffecten minimaal waren.
Economische Impact:
- Ondanks de verschillen in HSU-schattingen was de impact op het economische model minimaal. De verschillen in incrementele QALY's tussen LMM/GEE en TPMM varieerden van 0,0004 tot 0,0007.
- Bijgevolg varieerden de ICER's licht, maar bleven ze consistent hoog (variërend van circa €650.000 tot €985.000 per QALY) over alle modellen heen, wat ver boven de gangbare bereidheid-om-te-betalen drempels ligt.
- De Probabilistische Sensitiviteitsanalyse (PSA) liet zien dat de waarschijnlijkheid dat de interventie kosteneffectief is 0% was over alle modellen bij standaard drempelwaarden (€50.000, €100.000, €150.000). De Incrementele Netto Voordelen (INB) waren negatief in alle scenario's.

Betekenis en Claims
Het artikel claimt dat hoewel de keuze van het statistische model de geschatte omvang van de gezondheidsutiliteiten beïnvloedt—met name wanneer plafondeffecten aanwezig zijn vanwege de structurele verschillen in hoe TPMM grenswaarden verwerkt versus LMM/GEE—deze variatie een verwaarloosbare impact had op de uiteindelijke kosteneffectiviteitsconclusies in de specifieke context van deze studie.

De auteurs benadrukken dat de minimale impact op economische uitkomsten specifiek kan zijn voor de gekozen Markov-modelstructuur, die zeer vergelijkbare verdelingen van de bezetting van gezondheidstoestanden tussen de behandelarmen produceerde, waardoor het effect van de verschillen in utiliteitsschatting werd gedempt. Zij waarschuwen dat de generaliseerbaarheid van deze bevindingen beperkt is tot de specifieke ziekte (RA) en het specifieke type model gebruikt. De studie concludeert dat voor het geselecteerde Markov-model LMM en GEE uitwisselbaar zijn, en hoewel TPMM lagere utiliteitswaarden oplevert, heeft dit in dit geval de besluitvorming niet veranderd. De auteurs merken echter op dat in situaties met andere modelstructuren of populaties met een hoger aandeel patiënten in volledige gezondheid, de keuze van het model aanzienlijke verschillen in economische conclusies zou kunnen opleveren.

Meer zoals dit