স্বাস্থ্য অর্থনীতি সূচক

বিষয় 51 / 91· HTA কাঠামো এবং প্রতিরোধ অর্থনীতি

মার্কভ কোহর্ট সিমুলেশন

একটি মার্কভ কোহর্ট মডেল হলো সেই হস্তক্ষেপগুলোর জন্য HTA-র আদর্শ মডেলিং কৌশল যাদের প্রভাব একবারে নয়, একাধিক সময়কাল (চক্র) জুড়ে উন্মোচিত হয়। একটি কাল্পনিক কোহর্ট সম্পূর্ণভাবে একটি স্বাস্থ্য অবস্থায় শুরু করে, এবং প্রতি চক্রে স্থির স্থানান্তর সম্ভাব্যতার একটি সেট কোহর্টের অংশগুলোকে অবস্থাগুলোর মধ্যে সরায়; প্রতিটি অবস্থা কোহর্টের যত অংশ দখল করে তার অনুপাতে প্রতি চক্রে ব্যয় ও QALY জমা হয়, তারপর বর্তমান মূল্যে ছাড় দেওয়া হয়। যে কোনো সফটওয়্যার প্রকৌশলী যিনি বহু-বছর ডিজিটাল স্বাস্থ্য ব্যবসায়িক যুক্তি মডেল করেন — যেখানে ব্যবহারকারী বা রোগীরা সময়ের সাথে "নিযুক্ত", "ঝরে পড়া" বা "বাতিল"-এর মতো অবস্থার মধ্যে চলাচল করে — তিনি ঠিক এই কাঠামোই তৈরি করছেন।

কেন এটি গুরুত্বপূর্ণ

বেশিরভাগ প্রকৃত স্বাস্থ্য প্রযুক্তি সিদ্ধান্ত একক-সময়কালের ব্যয় ও ফলাফলের তুলনা নয়। একটি দীর্ঘস্থায়ী অবস্থা বছরের পর বছর অগ্রসর হয়, পুনরায় দেখা দেয়, চিকিৎসায় সাড়া দেয় বা প্রাণঘাতী হয় — এবং একক-সময়কালের ব্যয়-কার্যকারিতা বিশ্লেষণ তা উপস্থাপন করতে পারে না। স্বাস্থ্য প্রযুক্তি মূল্যায়ন-র মাধ্যমে মূল্যায়িত দীর্ঘস্থায়ী রোগ হস্তক্ষেপের জন্য NICE, ICER ও CADTH দাখিলগুলো প্রায় সবসময় আজীবন সময় দিগন্ত সহ মার্কভ কোহর্ট মডেল হিসেবে নির্মিত হয়, কারণ বিকল্প — প্রতিটি সম্ভাব্য স্বতন্ত্র রোগী পথ মডেল করা — বড় মাপে সমাধানযোগ্য নয়। কোহর্ট-স্তরের মার্কভ মডেল স্বতন্ত্র-স্তরের কিছু বাস্তবতা বিনিময় করে (পূর্ববর্তী অবস্থার স্মৃতি উপস্থাপন করা কঠিন, এ থেকেই "মার্কভ": ভবিষ্যৎ কেবল বর্তমান অবস্থার ওপর নির্ভর করে) একটি স্বচ্ছ, নিরীক্ষণযোগ্য এবং সম্ভাব্যতাভিত্তিক সংবেদনশীলতা বিশ্লেষণ-এ হাজার বার চালানোর মতো দ্রুত মডেলের জন্য।

গণিত

এক চক্রে কোহর্ট হালনাগাদ (সারি ভেক্টর × স্থানান্তর ম্যাট্রিক্স):
  নতুন_অবস্থা[j] = যোগফল_i অবস্থা[i] * স্থানান্তর_ম্যাট্রিক্স[i][j]

এক চক্রের ব্যয়:
  চক্র_ব্যয় = যোগফল_s অবস্থা[s] * ব্যয়_প্রতি_চক্র[s]

এক চক্রের QALY:
  চক্র_qaly = যোগফল_s অবস্থা[s] * উপযোগিতা[s] * চক্র_দৈর্ঘ্য_বছর

`চক্র` চক্র জুড়ে পূর্ণ সিমুলেশন, `ছাড়_হার`-এ ছাড়কৃত:
  মোট_ছাড়কৃত_ব্যয় = যোগফল_{t=0}^{চক্র-1} চক্র_ব্যয়(অবস্থা_t) / (1 + ছাড়_হার)^t
  মোট_ছাড়কৃত_qaly = যোগফল_{t=0}^{চক্র-1} চক্র_qaly(অবস্থা_t) / (1 + ছাড়_হার)^t
  যেখানে অবস্থা_0 = প্রাথমিক বণ্টন, অবস্থা_{t+1} = কোহর্ট_এগিয়ে_নাও(অবস্থা_t, স্থানান্তর_ম্যাট্রিক্স)

প্রতি চক্রের বর্তমান মূল্যে ছাড় ঠিক ছাড় এবং সময় অগ্রাধিকার-এর সূত্র ব্যবহার করে, বছর-বছরের পরিবর্তে চক্র-চক্র প্রয়োগ করে।

সমাধানকৃত উদাহরণ

ক্লিনিক্যাল: ২-অবস্থার মডেল — সুস্থ ও মৃত — যেখানে প্রতি চক্রে কোহর্টের ১০% মারা যায় এবং মৃত একটি শোষক অবস্থা (নিজে থাকার সম্ভাব্যতা ১.০; এই লুপ বাদ দিলে মৃত-তে এক চক্র পর কোহর্টের ভর অদৃশ্য হয়ে যায়)। কোহর্ট সম্পূর্ণ সুস্থ অবস্থায় শুরু করে, সুস্থ থাকাকালীন প্রতি চক্রে £১,০০০ ব্যয় (মৃত হলে £০), এবং সুস্থ থাকাকালীন বছরে ০.৮ QALY অর্জন করে। NICE-র ৩.৫% ছাড় হারে ৩ বার্ষিক চক্র সিমুলেট করা:

চক্র 0: অবস্থা = [1.00, 0.00] (100% সুস্থ)
  ব্যয় = £1,000.00, qaly = 0.800, ছাড় গুণক = 1.000000
  ছাড়কৃত: ব্যয় = £1,000.00, qaly = 0.8000

চক্র 1: অবস্থা = [0.90, 0.10] (90% সুস্থ, 10% মৃত)
  ব্যয় = £900.00, qaly = 0.720, ছাড় গুণক = 0.966184
  ছাড়কৃত: ব্যয় = £869.57, qaly = 0.6957

চক্র 2: অবস্থা = [0.81, 0.19] (81% সুস্থ, 19% মৃত)
  ব্যয় = £810.00, qaly = 0.648, ছাড় গুণক = 0.933511
  ছাড়কৃত: ব্যয় = £756.14, qaly = 0.6049

মোট ছাড়কৃত ব্যয় ≈ £2,625.71
মোট ছাড়কৃত QALY ≈ 2.1006

প্রতিটি চক্রের অবস্থা হলো আগের চক্রের অবস্থা স্থানান্তর ম্যাট্রিক্সের মধ্য দিয়ে গিয়ে — চক্র ১-এ সুস্থ থাকা ৯০%-এর ৯০% চক্র ২-এও সুস্থ থাকে (০.৯ × ০.৯ = ০.৮১), বাকি ১৯% এখন মৃত (০.৯ × ০.১ + ০.১ × ১.০ = ০.১৯)। লক্ষ করুন কোহর্ট কখনো সুস্থ অবস্থা পুরোপুরি খালি করে না: প্রতি চক্রে স্থির ১০% মৃত্যুহার ও ফেরত না আসায়, সুস্থ অনুপাত জ্যামিতিকভাবে কমে, কোনো সসীম সংখ্যক চক্রে শূন্যে পৌঁছায় না।

সফটওয়্যার প্রকৌশলের সাথে সংযোগ

একটি বহু-চক্র HTA মডেল প্রকৃত মূল্যায়নে কীভাবে ব্যবহৃত হয় তার জন্য স্বাস্থ্য প্রযুক্তি মূল্যায়ন দেখুন — রেফারেন্স কেস যা নির্ধারণ করে দাখিল করা মার্কভ মডেল কোন ছাড় হার, উপযোগিতা উৎস ও সময় দিগন্ত ব্যবহার করবে।

মার্কভ কোহর্ট মডেল কাঠামোগতভাবে সম্ভাব্যতাভিত্তিক স্থানান্তর সহ একটি স্টেট মেশিন, নির্দিষ্ট সংখ্যক টিক ধরে চালানো, প্রতি টিকে মূল্য ছাড় দেওয়া। একই আকৃতি সময়ের সাথে ব্যবহারকারী কোহর্ট ধরে রাখা/অবস্থা স্থানান্তর সিমুলেট করে — নির্ভরযোগ্যতা সংস্করণের জন্য DORA মেট্রিক্স দেখুন: "এই সময়কালে সিস্টেমের কত অংশ অবনতিশীল অবস্থায় এবং তার ব্যয় কত"। নির্দিষ্টভাবে:

  • ধরে রাখা/ঝরে পড়া মডেলিং হলো "সক্রিয়", "ঝুঁকিতে", "চলে গেছে"-র মতো অবস্থা সহ মার্কভ কোহর্ট মডেল: ১২ বা ২৪ মাসিক চক্র জুড়ে চালানো একটি স্থির মাসিক স্থানান্তর ম্যাট্রিক্স যেকোনো ভবিষ্যৎ মাসে প্রত্যাশিত সক্রিয় ব্যবহারকারী (ও আয়) দেয়, ঠিক যেভাবে সুস্থ/মৃত প্রত্যাশিত জীবিত দেয়।
  • নির্ভরযোগ্যতা ও ঘটনা অর্থনীতি: সিস্টেম অবস্থা (সুস্থ, অবনতিশীল, বন্ধ) একইভাবে মডেল করা যায়, অবনতিশীল/বন্ধ অবস্থায় সিস্টেম থাকাকালীন জমা হওয়া ডাউনটাইম ক্ষতির জন্য "প্রতি চক্রে ব্যয়" সহ — ঘটনা হারের যুক্তিকে ছাড়কৃত-ব্যয় যুক্তিতে রূপান্তর করে যা স্থানান্তর সম্ভাব্যতা বদলাবে এমন নির্ভরযোগ্যতা কাজের ব্যয়ের সাথে তুলনীয়।
  • শোষক অবস্থা শেষ অবস্থা হিসেবে: ক্লিনিক্যাল মডেলে মৃত সফটওয়্যার মডেলে "বাতিল সাবস্ক্রিপশন" বা "স্থায়ীভাবে অফলাইন"-এর সমতুল্য — উভয়ের জন্য স্পষ্ট নিজে-থাকার সম্ভাব্যতা ১.০ লাগে, নইলে সিমুলেশন নীরবে ভর হারায়।

ঝুঁকিপূর্ণ দিক

  • স্থানান্তর সম্ভাব্যতা সারিতে ১-এ যোগ না হওয়া। যে সারি ১-এর বেশি বা কমে যোগ হয় তা প্রতি চক্রে কোহর্টের ভর নীরবে "চুঁইয়ে যেতে" বা "গজাতে" বাধ্য করে — মডেল আউটপুট বিশ্বাস করার আগে সবসময় সারি যোগফল যাচাই করুন, কারণ মডেল কাঠামো নিজে এই ত্রুটি সংকেত দেয় না।
  • রোগের প্রকৃত গতিবিদ্যার তুলনায় চক্র দৈর্ঘ্য খুব স্থূল। কয়েক সপ্তাহে বদলায় এমন অবস্থার জন্য বার্ষিক চক্র চক্র-মধ্যবর্তী স্থানান্তর কম অনুমান করে; মডেল করা প্রক্রিয়া প্রকৃতপক্ষে যত দ্রুত চলে তার তুলনায় ছোট চক্র দৈর্ঘ্য বেছে নিন।
  • শোষক অবস্থার লুপ ভুলে যাওয়া। শোষক অবস্থা (মৃত্যু, স্থায়ী বাতিল) ঠিক ১.০ নিজে-থাকার সম্ভাব্যতা চায়। বাদ দিলে এক চক্র পর সেই অবস্থা থেকে কোহর্টের ভর বাষ্পীভূত হয় এবং সঞ্চিত ব্যয় বা QALY ক্ষতি কম অনুমিত হয়।
  • মডেল চলে বলেই বৈধ ধরে নেওয়া। যুক্তিসঙ্গত স্থানান্তর সম্ভাব্যতা সহ মার্কভ কোহর্ট মডেল তবুও কাঠামোগতভাবে ভুল হতে পারে (অবস্থা অনুপস্থিত, ভুল শোষক আচরণ); আউটপুট বিশ্বাস করার আগে জানা মহামারীবিদ্যা বেঞ্চমার্কের বিপরীতে যাচাই করুন (যেমন সিমুলেটেড ৫-বছর বেঁচে থাকা প্রকাশিত বেঁচে থাকার বক্ররেখার সাথে মেলে কি না)।

উৎস