La notion de coût-efficacité s'est largement ... - Examen corrige
où z est le vecteur des covariables et sont les paramètre de la loi de Weibull. Les
autres paramètres du modèle semi-markovien sont les probabilités Pij de ...
part of the document
Méthodologie statistique des
évaluations médico-économiques
Combescure C. (1), Castelli C. (2) et J-P. Daurès. (1, 2)
(1) Délégation Interrégionale de la Recherche Clinique Sud-Méditerranée, CHU de Nîmes
(2) Université Montpellier 1
Plan de lexposé :
TOC \o "1-3" \h \z \u HYPERLINK \l "_Toc148278502" 1) Introduction PAGEREF _Toc148278502 \h 2
HYPERLINK \l "_Toc148278503" 2) Méthodes statistiques PAGEREF _Toc148278503 \h 3
HYPERLINK \l "_Toc148278504" a. Estimateurs du coût et de lefficacité moyens par patient PAGEREF _Toc148278504 \h 3
HYPERLINK \l "_Toc148278505" Les arbres décisionnels PAGEREF _Toc148278505 \h 3
HYPERLINK \l "_Toc148278506" Les méthodes de régression PAGEREF _Toc148278506 \h 4
HYPERLINK \l "_Toc148278507" Les analyses médico-économiques de données de survie PAGEREF _Toc148278507 \h 5
HYPERLINK \l "_Toc148278508" Les modèles multi-états (Markovien, semi-Markovien) PAGEREF _Toc148278508 \h 6
HYPERLINK \l "_Toc148278509" B Indicateurs de coût-efficacité PAGEREF _Toc148278509 \h 7
HYPERLINK \l "_Toc148278510" Le ratio coût-efficacité incrémentiel (ICER) PAGEREF _Toc148278510 \h 7
HYPERLINK \l "_Toc148278511" Le bénéfice net incrémentiel (BNI) PAGEREF _Toc148278511 \h 8
HYPERLINK \l "_Toc148278512" C Commentaires PAGEREF _Toc148278512 \h 8
HYPERLINK \l "_Toc148278513" 3) Exemple sur le cancer du poumon : comparaison de deux traitements (radio-chimio thérapie concomitante vs radio-chimio thérapie séquentielle PAGEREF _Toc148278513 \h 11
HYPERLINK \l "_Toc148278514" 4) Exemple sur le cancer du colon : comparaison de deux types de surveillance PAGEREF _Toc148278514 \h 14
HYPERLINK \l "_Toc148278515" Références bibliographiques PAGEREF _Toc148278515 \h 18
1) Introduction
La notion de coût-efficacité sest largement répandue ces dernières années dans le domaine de la santé. Elle traduit la productivité dune action de santé et sintéresse à la comparaison de stratégies. Lobjectif visé en utilisant le coût-efficacité est loptimisation des ressources. Cest donc un outil daide à la décision puissant. Une condition indispensable pour obtenir des résultats fiables et valides de coût-efficacité est dutiliser de manière rigoureuse des outils statistiques appropriés.
Lobjectif de cet exposé est de présenter une panoplie doutils statistiques permettant de réaliser des analyses coût-efficacité, ainsi que leurs conditions dutilisation, leurs limites, leurs points forts, et leurs interprétations.
La plupart des méthodes présentées proviennent de la biostatistique. Cette discipline existe depuis plusieurs décennies dans le secteur médical et a pour but de modéliser au sens large le patient (facteurs de risque, réponses aux traitements, évolutions dune pathologie, répartition géographique des cas,
). Une nouvelle approche en économie de la santé consiste à adapter les méthodes statistiques existantes aux problématiques médico-économiques en introduisant des données économiques.
Cest dans cette optique que nous présentons, en plus des méthodes existantes, une méthode originale destimation du coût et de lefficacité moyens par patient basée sur une modélisation semi-markovienne des trajectoires des patients et incorporant une modélisation des coûts par des régressions linéaires. Cette méthode permet donc de prendre en compte les différents états de santé que peut traverser le patient, une gestion du temps en continu et la prise de covariables dans lestimation du bénéfice net incrémentiel.
2) Méthodes statistiques
Dans cette partie, nous présentons dabord les méthodes permettant le coût moyen par patient et lefficacité moyenne par patient, où le critère defficacité est la survie. Puis, nous présentons lindicateur le plus répandu de coût-efficacité (le ratio coût-efficacité incrémentiel ou ICER) proposant une aide à la décision basée sur le coût et lefficacité. Le bénéfice net incrémentiel, qui est une alternative pratique à lICER, est également rappelé.
a. Estimateurs du coût et de lefficacité moyens par patient
Les arbres décisionnels
Les arbres de décision modélisent les choix dactions de santé et leurs conséquences dans un contexte dincertitude (Beck 1983, Sonnenberg 1993). Ils peuvent être non récursifs ou récursifs. Dans le premier cas, toutes les possibilités sont explicitées directement dans larbre. Dans le second cas, larbre représente la modélisation des trajectoires possibles du patient sur une période courte (appelée cycle), et létat du patient à la fin dun cycle est létat du patient au cycle suivant. La trajectoire du patient est alors modélisée de cycle en cycle. Un exemple est montré dans la figure 1.
Les paramètres (probabilité des nuds aléatoires, coûts et utilités) dun arbre décisionnel sont généralement issus de la littérature. Contrairement aux arbres non récursifs, les arbres récursifs permettent une modélisation dans le temps de la trajectoire dun patient. Toutefois, la durée constante des cycles est une hypothèse forte et assez peu réaliste dans le domaine médical.
Lestimation du coût et de lefficacité moyenne par patient est réalisée avec des simulations de Monte-Carlo. Cette méthode permet aussi destimer les variances, ce qui est indispensable pour interpréter les résultats avec rigueur, ainsi que la covariance entre le coût et lefficacité.
Une analyse de sensibilité est nécessaire afin détudier la robustesse des résultats et de la conclusion par rapport aux paramètres principaux du modèle : on fait varier la valeur dun paramètre et on observe si la conclusion change. Les résultats dune analyse de sensibilité à une voie peuvent être représentés avec un graphe de Tornado.
Les modélisations par arbre décisionnel ont un avantage essentiel : elles peuvent être construites à partir des données de la littérature (attention : ne pas confondre avec les méta-analyses). Les résultats provenant dessais randomisés sont à privilégier car ce sont les plus fiables, viennent ensuite les résultats provenant de suivi de cohortes, et, en dernier recours, les paramètres peuvent être estimés par avis dexperts.
Figure 1 : Exemple darbre décisionnel récursif (cancer du poumon)
Les méthodes de régression
De plus en plus, les données économiques sont recueillies dans les essais cliniques randomisés ou dans le suivi de cohorte. Ces données permettent dobtenir des résultats plus fins car elles sont individuelles, ce qui rend possible létude de limpact de certains facteurs sur le coût moyen dune prise en charge pour une pathologie donnée (âge, sexe, catégorie socio-professionnelle, antécédent, ...). Le modèle statistique consacré pour étudier linfluence de variables sur une variable à expliquer est, bien sûr, le modèle de régression. Lutilisation de ce type de modèle dans un but médico-économique nécessite cependant quelques précautions et adaptations.
On peut imaginer un modèle de régression linéaire (1).
EMBED Equation.3 (1)
où C est le coût total de la prise en charge, et Xj sont les covariables dintérêt. Un modèle de régression non linéaire (modèle log-linéaire) a également été proposé afin damélioration ladéquation du modèle (car cela permet dans certains cas de normaliser la variable coût). mais linterprétation devient difficile avec ce type de régression car léchelle de mesure est changé.
Mais deux problèmes surgissent très vite. Le premier concerne ladéquation du modèle qui peut être très mauvaise. Par exemple, si une partie des patients « va bien », ces patients là auront un coût faible, alors que les autres patients auront un coût élevé. Lhypothèse de normalité des résidus a peu de chance dêtre respectée. Le deuxième problème concerne le processus de censure. En effet, le coût total de la prise nest pas toujours observé (les données censurées sont fréquentes dans ce domaine). Or, si un patient est censuré avant la fin de la prise en charge, il ne peut pas être pris en compte dans ce modèle linéaire. Toute linformation sur ce patient est inexploitée. De plus, le processus de censure peut être informatif (ie non aléatoire). Par exemple, si les patients sont perdus de vue parce quils rentrent en soins palliatifs, la censure est clairement informative.
Ces modèles de régression ne sont pas adaptés à lestimation de lefficacité (temps de survie).
Les analyses médico-économiques de données de survie
Les processus de censure sont souvent présents dans les données de survie, à cause de la nature même de ce type détude. Pour parer à ce problème, des auteurs ont proposé de partitionner la période de suivi et de réaliser un modèle de régression sur chacun des intervalles de temps (Willan 2004, Willan 2003). Ceci permet dexploiter toute linformation disponible (voir figure 2 pour le découpage des intervalles).
Figure 2 : Découpage des intervalles
SHAPE \* MERGEFORMAT
Le modèle (1) devient alors le modèle (2).
EMBED Equation.3 (2)
où Ct est le coût par patient dans lintervalle t. Si un patient est décédé, son coût est considéré nul. Un problème dadéquation peut apparaître sil y a beaucoup de patients avec des coûts nuls
Il est également possible dintroduire dans ces modèles de régression un système de pondération pour corriger leffet des données censurées (méthode IPCW). Lidée est de donner à un individu non censuré un poids correspondant à linverse de la probabilité dêtre censuré, étant données ses covariables (Willan 2005).
Les modèles multi-états (Markovien, semi-Markovien)
Dans ce type de modèles, la trajectoire du patient est modélisée de manière assez fine puisque plusieurs états sont considérés et le temps est géré en continu (Gardiner 2006) : la notion de cycle disparaît. Par exemple, dans le cas du cancer du colon, nous avons considéré trois états de santé (cf figure 3).
Figure 3 : Exemple de modèle semi-markovien
SHAPE \* MERGEFORMAT
Le temps passé dans un état i avant de le quitter pour létat j est modélisé par une loi de Weibull (Foucher 2005) permettant dintroduire des covariables (3).
EMBED Equation.3 (3)
où z est le vecteur des covariables et EMBED Equation.3 sont les paramètre de la loi de Weibull. Les autres paramètres du modèle semi-markovien sont les probabilités Pij de transiter de létat i vers létat j.
Les paramètres du modèle semi-markovien peuvent alors être estimés par la méthode du maximum de vraisemblance.
Le coût par patient est modélisé dans chaque état et sur des intervalles de temps par les modèles de régression présentés précédemment. Les coûts étant liés à létat de santé, on peut espérer que les modèles de régression auront une meilleure adéquation (homogénéité des coûts dans chaque état).
A cette étape là de la construction, le coût moyen par patient nest pas encore estimé. Il faut lestimer à partir du modèle semi-markovien et sur les coût moyens par patient estimés dans chaque état de santé. Les formules analytiques ne permettant pas une estimation directe, cette estimation est réalisé par des simulations (Monte Carlo).
B Indicateurs de coût-efficacité
Une fois que le coût et lefficacité moyens par patient ont été calculés par lune des méthodes précédentes, il est possible de calculer des indicateurs permettant de mesurer le coût-efficacité, et de prendre une décision entre deux stratégies thérapeutiques. Ces indicateurs sont des variables aléatoires fonction du coût et de lefficacité : le ratio coût-efficacité incrémentiel (ICER), le bénéfice net incrémentiel (BNI). Nous naborderons pas ici les courbes dacceptabilité.
Le ratio coût-efficacité incrémentiel (ICER)
En notant E1 et C1 (respectivement E2 et C2) lefficacité (exprimée en années de vie) et le coût par patient (exprimé en unités monétaires) dans la première stratégie (respectivement la deuxième stratégie), lICER est défini par la formule (4).
EMBED Equation.3 (4)
LICER est donc exprimé en unités monétaires par unité defficacité gagnée. En supposant que la stratégie 2 est plus coûteuse et plus efficace que la stratégie 1, lICER traduit directement linvestissement à réaliser pour gagner une unité defficacité. L acceptabilité de l ICER s interprète par rapport à la disposition à payer notée lð : si l ICER est significativement inférieur à lð, alors la stratégie 2 sera préférée. Pour pouvoir aboutir à cette conclusion, il est nécessaire de calculer la variance du ratio qui traduit lincertitude autour de lestimation (Briggs 1998, Briggs 1997). Plusieurs méthodes ont été proposées (Siani 2003). Elle peut être calculée en utilisant la méthode de Fieller (Heitjan 2000), la delta-méthode (développement en série limitée du ratio) ou des méthodes de bootstrap. La nature mathématique de lICER (ratio) rend toutefois difficile lestimation de la variance du ratio, surtout lorsque la variance de la différence defficacité est grande.
LICER est souvent représenté graphiquement sur un plan : la différence d efficacité est représentée sur l axe horizontal et la différence de coût sur l axe vertical. La disposition à payer est alors représentée par la droite de pente ðlð passant par l origine.
Habituellement l ICER, qui est lespérance du ratio de la différence de coût et de la différence defficacité, est estimé par le ratio des différences moyennes. Mais, ceci est une approximation (cf (5)).
EMBED Equation.3 (5)
En effet, on peut montrer quen utilisant un développement en série limitée, on obtient la formule (6).
EMBED Equation.3 (6)
Le bénéfice net incrémentiel (BNI)
Le BNI est la différence entre la différence de coût et la différence defficacité convertie en unités monétaires avec la disposition à payer lð comme taux de conversion (Willan 2003). Le BNI se calcule donc pour une valeur donnée de lð ðla formule ð(ð7ð)ð.ð
EMBED Equation.3 (7)
Si BNI(lð) est significativement positif, alors le gain en efficacité est jugé plus important que le surcoût, et la stratégie 2 est préférée. Ce résultat n est valable que pour la valeur lð sélectionnée. En général, on calcule le BNI pour un large intervalle de valeurs de lð et on interprète l ensemble des valeurs obtenues afin d avoir une certaine robustesse dans la conclusion.
La variance du BNI est simple à calculer dès lors qu on dispose de la covariance entre le coût et l efficacité dans chacune des stratégies (cf (8))
EMBED Equation.3 (8)
La variance du BNI est l ordre de lð2. L intervalle de confiance à 95% devient donc vite très grand. Toutefois, lestimation du BNI et de sa variance pose moins de problème que celle de lICER.
C Commentaires
Les modélisations par arbre décisionnel ont été rendues très accessibles grâce à des logiciels comme TreeAge. La difficulté la plus importante réside dans la structuration du modèle : il est nécessaire que les trajectoires possibles des patients soient bien représentées, cela rend souvent larbre très compliqué et même impraticable. Un compromis doit être obtenu entre la précision de larbre et la disponibilité de linformation permettant destimer les paramètres de larbre. Dune part, il ne sert à rien de créer des branches qui seront « empruntées » par peu de patients car elles compliquent larbre sans apporter beaucoup dinformation. Dautre part, un arbre trop simple napportera pas de résultats pertinents. La notion de cycle est également une contrainte majeure dans ce type de modélisation, et cette hypothèse ne correspond pas à la réalité.
Dans les modèles de régression, il nest plus question de modéliser la trajectoire des patients : le coût (et lefficacité) moyen par patient est estimé directement à partir de données individuelles. Le principal avantage de ces modèles est lintroduction de covariables permettant dexpliquer le coût et lefficacité (ou dajuster). Mais :
les techniques classiques de choix des variables à introduire ne sont plus valables : une variable peut nêtre significative ni pour le coût ni pour lefficacité, mais avoir une influence sur le BNI. Cette problématique na pas encore été résolue.
les modèles de régression ne sont pas adaptés à lestimation de lefficacité
ladéquation des modèles linéaires nest en général pas très bonne, et les modèles non linéaires (log linéaires en particulier) ne permettent pas dinterpréter le résultat en terme de coût (on change déchelle de référence).
Les modélisations par processus multi états, telles que les modèles semi-markoviens, sont une alternative intéressante car ils permettent :
de tenir compte des différents états de la maladie
dintroduire les coûts conditionnellement à létat de la maladie, ce qui devrait assurer une plus grande finesse des résultats
destimer la survie de manière plus satisfaisante quavec les modèles de régression
dintroduire des covariables dans lestimation du coût et de la survie
De plus, ce type de modèle est bien adapté pour estimer le temps de survie, et la qualité de vie liée à chaque état de santé pourra être prise en compte. Les covariables pouvant être introduites dans lestimation du coût et de lefficacité, le BNI peut être estimé avec ajustement et des analyses de sous-groupes peuvent être envisagées.
Cette méthode a été appliquée à lévaluation médico-économique de deux types de surveillance des récidives dans le cancer du colon (cf paragraphe 4). Toutefois, ce type de modélisation nécessite beaucoup de données, et, actuellement, aucune méthode ne permet de calculer un nombre de sujets nécessaire pour pouvoir implémenter ces modèles.
LICER et le BNI ont pour objectif de permettre un choix entre deux stratégies sur des critères de coût et defficacité. On peut montrer que, lorsque la différence defficacité nest pas nulle, les décisions prises en utilisant le BNI ou lICER sont identiques en théorie, comme le montre la formule (9).
EMBED Equation.3 (9)
De plus, il est possible de réaliser les tests statistiques suivant (cf (10) et (11)).
EMBED Equation.3 (10)
Et :
EMBED Equation.3 (11)
Cependant les conclusions peuvent être différentes à cause de lapproximation faite dans le calcul de lICER (la moyenne du ratio nest pas le ratio des moyennes) et du calcul de la variance de lICER. En effet, lICER nest pas adapté lorsque la différence defficacité est faible et/ou lorsque la variance de la différence defficacité est grande. De plus, même si les différences defficacité et de coût suivent des distributions normales, il nest pas assuré que lICER suive une loi normale à cause du ratio. Le test statistique pour lICER nest donc pas toujours fiable. Ce problème est absent pour le BNI car son estimateur suit une distribution normale si les différences defficacité et coût sont normalement distribués.
Lindicateur de coût-efficacité le plus pratique est le BNI. Cest celui que nous avons utilisé dans les exemples présentés (cf paragraphe 3 et 4).
3) Exemple sur le cancer du poumon : comparaison de deux traitements (radio-chimio thérapie concomitante vs radio-chimio thérapie séquentielle
Cette étude a été mené au CHU de Limoges [15]. Elle avait pour objectif de comparer sur des critères médico-économiques deux traitements du cancer du poumon : RT-CT concomitante et RT-CT séquentielle.
Contexte:
Hypothèse: Effets adverses plus fréquents avec la RT-CT concomitante, donc un impact supposé sur les coûts.
Point de vue du payeur.
Coûts directs, valorisation avec léchelle nationale des coûts.
Efficacité: temps de survie.
Données
Essai clinique randomisé, 2 bras (bras A : RT CT séquentielle, bras B : RT CT concomitante)
Provenance: Groupe français de pneumo-cancérologie.
201 patients, 190 patients exploitables.
Coûts directs: chimiothérapies, radiothérapies, antibiotiques, transfusions, facteurs de croissance, NFS, bilans, surveillances, transports, rechutes, soins terminaux.
Les coûts sont répertoriés sur deux périodes (pendant et après le protocole).
55 (28%) patients étaient censurés, dont 35 à la date de point.
Covariables: sexe, âge, stade clinique de la tumeur (TNM_T), stade ganglionnaire (TNM_N) et histologie.
Résultats
Le modèle sans covariable est donné par la formule (12).
EMBED Equation.3 (12)
Où k désigne lintervalle (k=1,
,36), tous les intervalles sont de deux mois, yk désigne le coût (exprimé en euros) par patient dans lintervalle k et dk désigne lefficacité par patient (exprimée en mois de survie) dans lintervalle
Pas de différence significative de coût entre les deux bras à 72 mois (p=0.62).
Pas de différence significative defficacité entre les deux bras à 72 mois (p=0.08).
Figure 3 : Bénéfice incrémentiel en fonction de la disposition à payer
EMBED SPLUSGraphSheetFileType
Lorsque la disposition à payer lð est comprise entre 500 ¬ /mois de vie gagné et 1850 ¬ /mois de vie, le bénéfice net incrémentiel est significativement différent de 0. Il est positif, donc en faveur du bras B. le BNI n est plus significatif lorsque la disposition à payer dépasse 1850¬ /mois de vie gagnée. Ceci est dû à la variance du BNI qui est, par définition, de l ordre de grandeur de lð2. Les écarts types deviennent vite très grands en fonction de lð.
Influence des covariables
Covariables envisagées: bras, sexe, âge, TNM-T, TNM-N, histologie.
Choix des covariables avec deux modèles univariés pour chacune (un pour le coût, un autre pour l efficacité). Une covariable sera retenue si au moins une des deux p-values est inférieure à 10%.
Covariables retenues: le bras et le TNM-N.
Le modèle considéré est donné par la formule (13).
EMBED Equation.3 (13)
Les estimations des efficacités et des coûts moyens par patient à 72 mois dans chaque sous-groupe étaient :
Tableau 1 : résultats dans chaque bras
Bras ABras BTNMN=0TNMN=1TNMN=0TNMN=1Coût (en euros)15849181541739313198Ecart type1104168415321115Efficacité (en mois)26.2220.6336.3616.24Ecart type2.972.483.612.55
La différence de coût entre les deux bras chez les TNMN=0 nest pas significative (p=0.41), alors quelle lest chez les TNMN=1 (p=0.04). Cette dernière différence est en faveur du bras B qui est moins coûteux. Inversement, la différence defficacité chez les TNMN=0 est significative en faveur du bras B (p=0.03) mais ne lest pas chez les TNMN=1 (p=0.21).
Figure 4 : Bénéfice incrémentiel en fonction de la disposition à payer dans le groupe des patient sans ganglion
EMBED SPLUSGraphSheetFileType
Figure 5 : Bénéfice incrémentiel en fonction de la disposition à payer dans le groupe des patient avec ganglion
EMBED SPLUSGraphSheetFileType
La variable stade N (notée TNM-N, stade N indique la présence de ganglions) a un impact sur le BNI : alors quil nétait pas significativement différent de 0 sur lensemble de léchantillon, il apparaît significatif dans le groupe TNM-N=0.
Cet exemple montre que le calcul BNI sans ajustement peut conduire à des conclusions erronés. Dans notre cas, les résultats montrent que la RT CT séquentielle (bras B) est coût-efficace dans le groupe des patients sans ganglion, mais ne lest pas dans le groupe des patients avec ganglions.
4) Exemple sur le cancer du colon : comparaison de deux types de surveillance
Cette étude a été mené dans le département de lHérault. Lobjectif était de comparer sur des critères médico-économiques la surveillance standard (définie par une conférence de consensus de 1988) de la récidive du cancer du colon et une surveillance modérée qui reprend une partie seulement des examens de la surveillance standard [16]. Par rapport à [16], nous avons implémenté la méthode destimation des coûts et de lefficacité basée sur un modèle markovien.
Seuls les coûts directs de la surveillance étaient pris en compte. En particulier, le coût du traitement des rechutes na pas été pris en compte car linformation disponible dans les données du Registre des Tumeurs était insuffisante pour cela.
Données :
240 patients atteint du cancer du colon et ayant subit une chirurgie curative entre Janvier et Décembre 1992 ont été inclus dans létude. Les données proviennent du Registre des Tumeurs de lHérault.
Les variables renseignées étaient :
la surveillance (codée 0 pour la surveillance standard et 1 pour la surveillance modérée)
le sexe
lâge
le stade de Dukes (A, B ou C) correspondant à lhistologie
la localisation du cancer (colon ou rectum)
Ces variables ont été introduites en covariables dans le modèle semi-markovien et dans les modèle de régression du coût.
Les coûts renseignés étaient :
consultation
ultrason abdominal
coloscopie
radiographie
CEA (marqueur biologique)
La durée de suivi était de 5 ans et aucun patient nétaient perdu de vue avant la date de point.
Modèle semi-markovien :
3 états de santé ont été définis par les cliniciens :
état 1 : vivant sans récidive
état 2 : vivant avec récidive
état 3 : décès
Figure 6 : Schema du modèle semi-markovien pour la surveillance du cancer du colon
Nous avons fait lhypothèse que le temps de séjour dans chaque état suit une loi de Weibull. Etant donné que dans cette étude le coût des traitements des rechutes na pas été pris en compte, le patients nont un coût non nul que dans létat « vivant sans récidive ».
Paramètres estimés du modèle semi-markovien :
Les paramètres ont été estimés par maximum de vraisemblance. Le choix du modèle a été réalisé en testant les modèles emboîtés à laide du test du rapport de vraisemblance. Finalement, nous avons obtenu les estimations montrées dans le tableau [].
Tableau 2 : paramètres du modèle semi-markovien
ParamètresEstimationsEcarts typesP120.290.06sð1248.1022.13sð131126.48554.36sð2313.742.46nð121.300.18Covariables sur la transition
1->2Age-0.870.43Stade de
Dukes C1.420.53Covariables sur la transition
1->3Age1.150.35Localisation0.900.33Surveillance1.030.45
Toutes les covariables nont pas été retenues dans le modèle. De plus, les covariables qui ont une influence sur les transitions ne sont pas les mêmes pour la transition 1->2 et la transition 1->3.
Modèles de régression du coût :
Les modèles de régression par intervalle ne sont pas présentés car ils sont trop nombreux. Nous présentons le résultat globalement sur 5 ans pour létat 1 dans le tableau
Tableau 3 : paramètre de régression pour le coût dans létat 1
VariableEstimationsEcart typeIntercept9774664Age > 75 ans-1385485Surveillance-7473564Stade de Dukes B2815561Stade de Dukes C1081568
Le type de surveillance est significatif dans ce modèle (avec un surcoût pour la surveillance standard).
Résultats:
Les résultats sont données sous la forme des courbes du BNI par sous-groupe. Le critère defficacité considéré ici est la survie exprimée en mois. Ici, un BNI positif serait en faveur de la surveillance standard). Il apparaît que, quelque soit le sous groupe, le BNI nest pas significativement différent de 0, sauf pour des valeurs inacceptable de la propension à payer (au delà de 4000 euros par mois de vie gagné, soit 48 000 euros par années de vie gagnée). Cette étude de coût-efficacité na donc pas permis de mettre en évidence la supériorité dune stratégie sur une autre.
Figure 7 : Bénéfice incrémentiel en fonction de la disposition à payer dans les différents sous groupes
Références bibliographiques
Beck JR, Pauker SG. The Markov model in medical prognosis. Med Decis Making 1983;3(4):419-458.
Borie F., Combescure C., Daurès J-P., Millat B. and Trétarre B. Cost-effectiveness of Two Follow-up Strategies for Curative Resection of Colorectal Cancer: Comparative Study Using a Markov Model. World J. Surg., 2004, 28: 563-569.
Briggs A.H, Fenn P. Confidence intervals or surfaces? Uncertainty on the cost-effectiveness plane. Health Economics 1998, 7: 723-740.
Briggs A.H, Wonderling D.E., Mooney C.Z.. Pulling cost-effectiveness analysis up by its bootstraps: A non-parametric approach to confidence interval estimation. Health Economics 1997, 6.: 327-340.
Foucher Y, et al. A semi-Markov model based on generalized Weibull distribution with an illustration for HIV disease. Biometrical journal dec 2005; 47:825-833.
Gardiner JC et al. A dynamic model for estimating changes in health status and costs. Statistics in Medicine 2006; In press.
Heit>ñ < = > ? N O P j k l m n o p q r üôüïüçüç×ÌÃ̬×Ì¡¡v×f×ÌÃÌO×,júhüc>*B*UmHnHphÿu hüc5;CJ\mHnHuh=6mHnHu j}hücUmHnHu jhücUmHnHuhücmHnHu,jhüc>*B*UmHnHphÿuhücmHnHuhüc0JmHnHu jhüc0JUmHnHujhücU hüc>*hücCJ$aJ$hüc >?@zÐíîïðñ p Ë J
¤
x î Q À %
v
Húõõúúúúúúúúúúúïïéããããéããéï
Æf#
Æf#
Æf#
$a$$a$¤ìÉìpïýýý © ª « Å Æ Ç È É Ê Ë Ì Í é ê ë ì (
)
*
D
E
F
G
H
I
J
K
L
h
i
ôéÚéÉÚ¾Ú®®ôô~®ôéÚémÚ¾Ú®`®ôôhüc:CJmHnHu jqhücUmHnHu,jôhüc>*B*UmHnHphÿuhücmHnHu hüc5;CJ\mHnHu jhüc0JUmHnHuh=6mHnHu jwhücUmHnHu jhücUmHnHuhücmHnHuhüc0JmHnHu i
j
k
¡
¢
£
¤
¥
¦
Â
Ã
Ä
Å
ß
à
á
û
ü
ý
þ
ÿ
éÙÎôã´´ÙÙÎÎjÙÎôÃY´´ÙÙÎÎ jehücUmHnHu,jèhüc>*B*UmHnHphÿuhücmHnHuhüc6CJ]mHnHuh=6mHnHu jkhücUmHnHu jhücUmHnHuhücmHnHuhüc0JmHnHu jhüc0JUmHnHu,jîhüc>*B*UmHnHphÿu ! " V W X r s t u v w x y z Ì Í Î è é ê ë ì í î ï ð
éÙÎôã´´ÙÙÎÎjÙÎôÃY´´ÙÙÎÎ jYhücUmHnHu,jÜhüc>*B*UmHnHphÿuhücmHnHuhüc6CJ]mHnHuh=6mHnHu j_hücUmHnHu jhücUmHnHuhücmHnHuhüc0JmHnHu jhüc0JUmHnHu,jâhüc>*B*UmHnHphÿu
/ 0 1 K L M N O P Q R S o p q r º » ¼ ½ ¾ ¿ À Á éÙÎôã´´ÙÙÎÎkÙÎôÃZ´´ÙLÙhüc6CJ]mHnHu jMhücUmHnHu,jÐhüc>*B*UmHnHphÿuhücmHnHuhüc:CJmHnHuh=6mHnHu jShücUmHnHu jhücUmHnHuhücmHnHuhüc0JmHnHu jhüc0JUmHnHu,jÖhüc>*B*UmHnHphÿu Á Â Þ ß à á
!
"
#
$
%
&
'
C
D
E
F
T
U
V
p
q
r
s
t
u
ôëôÔÄô¹ª¹ªªÄÄôëôiÄô¹ª¹XªªÄ jA
hücUmHnHu,jÄ hüc>*B*UmHnHphÿuhüc6CJ]mHnHuh=6mHnHu jG hücUmHnHu jhücUmHnHuhücmHnHu jhüc0JUmHnHu,jÊhüc>*B*UmHnHphÿuhücmHnHuhüc0JmHnHu u
v
w
x
%&'ABCEFGHIJfghi¶·¸ÒÓóãØÏظãØãrãØÏØ[ãØJ j5 hücUmHnHu,j¸ hüc>*B*UmHnHphÿu hüc5;CJ\mHnHuh=6mHnHu j; hücUmHnHu jhücUmHnHuhücmHnHu,j¾
hüc>*B*UmHnHphÿuhücmHnHuhüc0JmHnHu jhüc0JUmHnHuhüc:CJmHnHu ÓÔÖ×ØÙÚÛ÷øùú12356789 ¨#©#¼#½#ðåðÕÅÕº±ºÕºð~ðåðÕÅvrbrvrS j9=H
hücCJUVaJ jhücCJUmHnHuhücjhücU j/
hücUmHnHuhücmHnHu,j² hüc>*B*UmHnHphÿuhücmHnHuhüc0JmHnHu hüc5;CJ\mHnHu jhüc0JUmHnHuh=6mHnHu jhücUmHnHu HÙ8:;=NOG1%&@AEF^_µ3 R § U ùùôôôòôéééééòçôôåôãôÚÚéÚô$Á`Áa$$Ä`Äa$$a$
Æf#
U V X ¡ ¢ £ ¤ ¥ ¦ § ¨ © ª « ¬ ® ¯ ° ± ² ³ ´ µ ¶ úúúúúúúúúúúúúúúúúúúúúúúúúúúúú$a$ ¶ · ¸ ¹ º » ¼ × Ø p#§#¨#Ä#Å#B%¸()M)N)î*ï*ð*+2+3+^+úúúúúúøïïïïæúúÝïøúïïïæúúú$h`ha$$Á`Áa$$Á`Áa$$a$½#¾#¿#È#É#ö#÷#ø#ù#¸'ê'++-+.+/+0+1+_+`+s+t+u+v++++¬++///1/2/8/9/:/Y/Z/{/|/Þ/ß/ò/ó/ô/õ/"0#0õíéâéâÚâéâéíéíÌÄíéí鵫íéâÚéâéíéííéâéâéíézíéíj¿hücEHÖÿU jëÕH
hücCJUVaJj/hücU jhücCJUmHnHujÄhücEHâÿU j4H
hücCJUVaJj4hücUjhücUmHnHuhüc6H*] hüc6]hücjhücUj¬
hücEHâÿU0^+_+{+|+@,~--³-´-ê.ë.ì./;/6hücUj@ê¹F
hücUVhüc6H*] hüc6]já2hücEHÞÿU j0ï;H
hücCJUVaJj$0hücEHâÿU j:9=H
hücCJUVaJhücjhücUj«-hücEHâÿU j´8=H
hücCJUVaJ. Y7YwYYYYùY-ZVZþZL[[ô[õ[ÿ[8\9\V\W\A]B]]÷÷÷òêâââââââòÚÒòÍòÄļ$
& F a$$8^8a$$a$$
& Fa$$
& Fa$$
& Fa$$
& Fa$$a$$
& Fa$]ç]è]é]ê]ë]d^®^°^>b@bBbvbþbAdldd d½d¾d*e+eReSe÷òòòòííòòòòåÝÝÝÝòíÛÛòíÒ $$Ifa$$
& F
a$$
& Fa$$a$$a$$
& F a$:b d¡d´dµd¶d·dSeaeceeee©e´eÉeÞe÷efïgðghhhh
hh¦h§h¨h©hßqàqðtôtuuu2u4u8u\u^ubu~uuuuäuvv vCvYxyxxüôüåÛôüÔüÔüÔüÔüÔüÔüôüÉÁôüôü¶®ôüüüüüüüÔüÔüÔüÔühücOJQJ hücH* jhücCJUmHnHuj½hücUj1%»F
hücUVj#GhücUj(%»F
hücUV hüc5\j?hücEHÞÿU jXï;H
hücCJUVaJjhücUhüc7SeZeaebecejeqexeeööneöööö $$Ifa$kdÑB$$IfTF4ÖÖFºÿpH ¶Ø Ø Ö0ÿÿÿÿÿÿö6Ö ÿÿÿÖ ÿÿÿ Ö ÿÿÿ Ö ÿÿÿ4Ö
Faöf4T $$Ifa$eeeee¢e¨eTKBBBB $$Ifa$ $$Ifa$«kdC$$IfTFÖÖrºÿp\
H4 ¶ììììÖ0ÿÿÿÿÿÿö6ÖÿÿÿÿÿÖÿÿÿÿÿ Öÿÿÿÿÿ Öÿÿÿÿÿ4Ö
FaöT¨e©e´e¹e¾eÃeÈeTKBBBB $$Ifa$ $$Ifa$«kd;D$$IfTFÖÖrºÿp\
H4 ¶ììììÖ0ÿÿÿÿÿÿö6ÖÿÿÿÿÿÖÿÿÿÿÿ Öÿÿÿÿÿ Öÿÿÿÿÿ4Ö
FaöTÈeÉeÞeäeêeðeöeTKBBBB $$Ifa$ $$Ifa$«kdõD$$IfTFÖÖrºÿp\
H4 ¶ììììÖ0ÿÿÿÿÿÿö6ÖÿÿÿÿÿÖÿÿÿÿÿ Öÿÿÿÿÿ Öÿÿÿÿÿ4Ö
FaöTöe÷eff fffTKBBBB $$Ifa$ $$Ifa$«kd¯E$$IfTFÖÖrºÿp\
H4 ¶ììììÖ0ÿÿÿÿÿÿö6ÖÿÿÿÿÿÖÿÿÿÿÿ Öÿÿÿÿÿ Öÿÿÿÿÿ4Ö
FaöTfff~ggïghh
hTOMOKFFF$a$"$a$«kdiF$$IfTFÖÖrºÿp\
H4 ¶ììììÖ0ÿÿÿÿÿÿö6ÖÿÿÿÿÿÖÿÿÿÿÿ Öÿÿÿÿÿ Öÿÿÿÿÿ4Ö
FaöT
hªh«h¬hhiiÃjÄjkkälÚmÛmåmæm®nÒn,o4o:ouo¡oppúøøøïøíøëøââÝÕâââââââââÝ$
& Fa$$a$$h^ha$$Ä`Äa$$a$p:pGpZpeprpppîpïpñp q
q@q^q|qqqßqáqâqãqäqåqæqçqèqööööööôîôôéôîîîîîàôôôôôôôô$h^ha$
& Fh^h$h^ha$èqéqêqëqìqíqørùr's(s>t@t t¢t¸tÐtêtýýýýý÷ýòý÷ýíàààà
$h$If^ha$$a$
& Fh^hêtìtîtötu
udWWWW
$h$If^ha$kd
/$$IfTF4ÖÖ\ºÿì P à2223Ö0ÿÿÿÿÿÿö6ÖÿÿÿÿÖÿÿÿÿ Öÿÿÿÿ Öÿÿÿÿ4Ö
Faöf4T
u uuu"u.udWWAW$h¤¤$7$8$H$If^ha$
$h$If^ha$kdÐ/$$IfTF4ÖÖ\ºÿì P 2223Ö0ÿÿÿÿÿÿö6ÖÿÿÿÿÖÿÿÿÿ Öÿÿÿÿ Öÿÿÿÿ4Ö
Faöf4T.u0u2u:uJuXudWWWW
$h$If^ha$kd0$$IfTF4ÖÖ\ºÿì P 2223Ö0ÿÿÿÿÿÿö6ÖÿÿÿÿÖÿÿÿÿ Öÿÿÿÿ Öÿÿÿÿ4Ö
Faöf4TXuZu\udupuzudWWWW
$h$If^ha$kdV1$$IfTF4ÖÖ\ºÿì P 2223Ö0ÿÿÿÿÿÿö6ÖÿÿÿÿÖÿÿÿÿ Öÿÿÿÿ Öÿÿÿÿ4Ö
Faöf4Tzu|u~uuuudWWWW
$h$If^ha$kd2$$IfTF4ÖÖ\ºÿì P 2223Ö0ÿÿÿÿÿÿö6ÖÿÿÿÿÖÿÿÿÿ Öÿÿÿÿ Öÿÿÿÿ4Ö
Faöf4TuuÚuäuìuøuvdWWWWW
$h$If^ha$kdÜ2$$IfTF4ÖÖ\ºÿì P 2223Ö0ÿÿÿÿÿÿö6ÖÿÿÿÿÖÿÿÿÿ Öÿÿÿÿ Öÿÿÿÿ4Ö
Faöf4Tvvv vvv vdWWWWW
$h$If^ha$kd3$$IfTF4ÖÖ\ºÿì P à2223Ö0ÿÿÿÿÿÿö6ÖÿÿÿÿÖÿÿÿÿ Öÿÿÿÿ Öÿÿÿÿ4Ö
Faöf4T v v>vCvGvLvQvdWWWWW
$h$If^ha$kdb4$$IfTF4ÖÖ\ºÿì P 2223Ö0ÿÿÿÿÿÿö6ÖÿÿÿÿÖÿÿÿÿ Öÿÿÿÿ Öÿÿÿÿ4Ö
Faöf4TQvRvSv`vevjvdWWWW
$h$If^ha$kd%5$$IfTF4ÖÖ\ºÿì P à2223Ö0ÿÿÿÿÿÿö6ÖÿÿÿÿÖÿÿÿÿ Öÿÿÿÿ Öÿÿÿÿ4Ö
Faöf4Tjvkvlvyv~vvdWWWW
$h$If^ha$kdè5$$IfTF4ÖÖ\ºÿì P 2223Ö0ÿÿÿÿÿÿö6ÖÿÿÿÿÖÿÿÿÿ Öÿÿÿÿ Öÿÿÿÿ4Ö
Faöf4Tvv
vKwLwlwmwxxYxdb`b[b`bV$a$
& F!kd«6$$IfTF4ÖÖ\ºÿì P 2223Ö0ÿÿÿÿÿÿö6ÖÿÿÿÿÖÿÿÿÿ Öÿÿÿÿ Öÿÿÿÿ4Ö
Faöf4T Yxbxnxyxzxxxxòòòmòòò
kdn7$$IfTFÖÖFºÿ
ü¸Ò
p¼Ö0ÿÿÿÿÿÿö6Ö ÿÿÿÖ ÿÿÿ Ö ÿÿÿ Ö ÿÿÿ4Ö
FaöT
$h$If^ha$xxx¡x¥xzmmm
$h$If^ha$
kd,8$$IfTFÖÖFºÿ
ü¸Ò
p¼Ö0ÿÿÿÿÿÿö6Ö ÿÿÿÖ ÿÿÿ Ö ÿÿÿ Ö ÿÿÿ4Ö
FaöT¥x¦x³x¹x½xzmmm
$h$If^ha$
kdê8$$IfTFÖÖFºÿ
ü¸Ò
p¼Ö0ÿÿÿÿÿÿö6Ö ÿÿÿÖ ÿÿÿ Ö ÿÿÿ Ö ÿÿÿ4Ö
FaöT½x¾xÏxÔxØxzmmm
$h$If^ha$
kd¨9$$IfTFÖÖFºÿ
ü¸Ò
p¼Ö0ÿÿÿÿÿÿö6Ö ÿÿÿÖ ÿÿÿ Ö ÿÿÿ Ö ÿÿÿ4Ö
FaöTØxÙxêxïxóxzmmm
$h$If^ha$
kdf:$$IfTFÖÖFºÿ
ü¸Ò
p¼Ö0ÿÿÿÿÿÿö6Ö ÿÿÿÖ ÿÿÿ Ö ÿÿÿ Ö ÿÿÿ4Ö
FaöTóxôxõx^y_yky±{²{³{´{µ{zpjhc]hhhhh^h
& Fh^h
¤¤7$8$H$
kd$;$$IfTFÖÖFºÿ
ü¸Ò
p¼Ö0ÿÿÿÿÿÿö6Ö ÿÿÿÖ ÿÿÿ Ö ÿÿÿ Ö ÿÿÿ4Ö
FaöT
xõx¼{½{H|\|||l}y}}}£}ó}~~!~@~¸~Ý~ï~Q~Òè è3èWèqèÓèé6éjé¬êµêÅêêê>ë@ëIëOëSë]ë^ëëíë2ìøôìôàÑàøÆøôà¸à¬àø¸øô¡øô¡øø¸øôôø¡øÆø¬¬z¬¬øà¸à hüc6B*]mH phsH hüc5B*\mH phsH hüc5\Uhüc5\mH sH hücB*mH phsH hüc0JB*mH ph333sH hüc6]mH sH hüc5B*\mH ph333sH hücB*mH ph333sH jâ;hücUhüchücmH sH 0µ{¶{·{¸{¹{º{»{¼{¾{&|'|(|)|+|G|H|§|¨|}}~~Ü~Ý~}~ûüýýýýýýýýûýýýýùýôôýýýëôôôôôô$¤¤a$$a$"jan D.F. Fieller's method and net health benefits. Health Economics 2000, 9: 327-335.
Siani, C. et Moatti, J.P. Quelles méthodes de calcul des régions de confiance du ratio coût-efficacité incrémental choisir ?. Revue d'Epidémiologie et de Santé Publique 2003, 51 :255-276.
Sonnenberg FA and Beck JR. Markov models in medical decision making: a practical guide. Med Decis Making. 1993 Oct-Dec;13(4):322-38.
Vergnenegre A, Combescure C, Fournel P, Bayle S, Gimenez C, Souquet PJ, Lena H, Perol M, Delhoume JY. Cost-minimization analysis of a phase III trial comparing concurrent versus sequential radiochemotherapy for locally advanced non-small-cell lung cancer (GFPC-GLOT 95-01). Ann Oncol. 2006 May 25.
Willan AR, Chen EB, Cook RJ, Lin DY. Incremental net benefit in randomised clinical trials with quality-adjusted survival. Stat Med 2003; 22: 353-362.
Willan A.R, Briggs A.H., Hoch J.S. Regression methods for covariate adjustment and subgroup analysis for non-censored cost-effectiveness data. Health Economics 2004, 13: 461-475.
Willan A.R., Lin D.Y., Manca A. Regression methods for cost-effectiveness analysis with censored data. Statistics in Medicine 2005, 24: 131-145.
PAGE
PAGE 5
Décès
Vivant avec récidive
Vivant sans récidive
Temps
Intervalle 2
Intervalle 3
Intervalle 4
Intervalle 1
Patient censuré
Décès
Décès
Pas décès
Surv. 2ème ligne
Surveillance 2ème ligne
Décès
Surv. 1ère ligne
Pas rechute
Décès
Pas décès
Rechute
Ttt 2ème ligne
Surveillance 1ère ligne
Décès
Vivant avec récidive
Vivant sans récidive
Ttt 1ère ligne
Ttt 1ère ligne
Pas décès
Poursuite
Décès
Décès
Surv. 1ère ligne
Pas décès
Arrêt
Décès
Décès
Ttt 2ème ligne
Ttt 2ème ligne
Pas décès
Poursuite
Décès
Décès
Surv. 2ère ligne
Pas décès
Arrêt
Décès
Décès
Décès
Décès
