การคัดเลือกพารามิเตอร์ บัญชีต้นทุนอ้างอิง และฐานข้อมูลค่าอรรถประโยชน์เมื่อข้อมูลในประเทศมีจำกัด

อ่านฉบับภาษาอังกฤษ (English version)

บทคัดย่อ

คณะกรรมการของโรงพยาบาลอำเภอแห่งหนึ่งกำลังพิจารณาการรักษาเชิงป้องกันแบบใหม่ C เทียบกับทางเลือกปัจจุบัน A แบบจำลองบอกว่า C แพงกว่า 150,000 บาทต่อผู้ป่วย และได้เพิ่ม 1.00 QALY (ปีสุขภาวะ คือปีชีวิตที่ถ่วงน้ำหนักด้วยคุณภาพ) ทำให้ต้นทุนต่อ QALY ต่ำกว่าเกณฑ์ 160,000 บาทต่อ QALY ไม่มีการศึกษาในพื้นที่ที่ให้ข้อมูลนำเข้าเหล่านี้ นักวิเคราะห์จึงต้องยืมมา บัญชีต้นทุนอ้างอิงให้ราคาการตรวจติดตามครั้งละ 1,200 บาทในปีที่เก่ากว่า เมื่อปรับเป็นราคาปีนี้คือ 1,380 บาท และสามครั้งเป็น 4,140 บาท ค่าน้ำหนักที่ตีพิมพ์ของสภาวะป่วยที่ C ป้องกันต่างกัน คือ 0.75 เมื่อให้คะแนนคำตอบของผู้ป่วยในการทดลองตามความชอบของประชาชนไทย และ 0.80 ในฐานรวบรวมค่าน้ำหนักที่ตีพิมพ์ของอีกประเทศหนึ่ง ซึ่งทำให้ C อยู่ที่ 187,500 บาทต่อ QALY การทดลองให้ผลของการรักษา แต่ไม่ได้ให้ความเสี่ยงของผู้ป่วยในพื้นที่ บัญชีหลักฐานบันทึกทุกการเลือก และการทดสอบง่าย ๆ แสดงว่าในบรรดาข้อมูลนำเข้าที่กำหนดเป็นช่วงไว้ ตัวไหนเปลี่ยนการตัดสินใจได้ คือค่าน้ำหนัก ไม่ใช่จำนวนครั้งที่มาตรวจ

🔍 คลิกเพื่อขยาย คลิกที่ใดก็ได้เพื่อปิด

ตัวเลขสามตัวที่แบบจำลองต้องยืมมา

คณะกรรมการของโรงพยาบาลอำเภอแห่งหนึ่งกำลังตัดสินใจว่าจะให้การรักษาเชิงป้องกันแบบใหม่ C แทนทางเลือกปัจจุบัน A หรือไม่ แบบจำลองของนักวิเคราะห์บอกว่า C แพงกว่า 150,000 บาทต่อผู้ป่วย และให้สุขภาพเพิ่มเทียบเท่ากับการมีชีวิตที่สุขภาพสมบูรณ์เพิ่มหนึ่งปี

ชีวิตแต่ละปีถูกถ่วงน้ำหนักด้วยคุณภาพ ตั้งแต่ 1 สำหรับสุขภาพสมบูรณ์ ถึง 0 สำหรับการเสียชีวิต และค่าน้ำหนักนี้เรียกว่าค่าอรรถประโยชน์ (utility) การอยู่ 10 ปีในสภาวะที่มีค่าน้ำหนัก 0.70 นับเป็นปีสุขภาพดี 7.0 ปี ถ้าสุขภาพสมบูรณ์ตลอดช่วงนั้นจึงได้เพิ่ม 3.0 ปี ปีชีวิตที่ถ่วงน้ำหนักด้วยคุณภาพแบบนี้เรียกว่าปีสุขภาวะ (quality-adjusted life year, QALY) C จึงได้เพิ่ม 1.00 QALY

อ่านบทเรียนเต็มได้ที่ ปีสุขภาวะ ปีสุขภาวะที่สูญเสีย และค่าอรรถประโยชน์: เรากำลังวัดอะไรกันแน่ บทความเดียวกันยังสอนปีสุขภาวะที่สูญเสีย (disability-adjusted life year, DALY) ซึ่งคือปีชีวิตที่มีสุขภาพดีที่เสียไปแทนที่จะได้เพิ่ม และบทความนี้ไม่ได้ใช้ การอยู่ 10 ปีกับภาวะที่มีน้ำหนัก 0.20 เพิ่มปีที่อยู่กับความพิการ 2.0 ปี

แล้วคุ้มค่าหรือไม่ อัตราส่วนต้นทุนประสิทธิผลส่วนเพิ่ม (incremental cost-effectiveness ratio, ICER) คือต้นทุนที่เพิ่มหารด้วยสุขภาพที่ได้เพิ่ม เมื่อเทียบกับทางเลือกที่ดีรองลงมา ในที่นี้คือ 150,000 บาท ÷ 1.00 = 150,000 บาทต่อ QALY คณะกรรมการเทียบค่านี้กับเกณฑ์ 160,000 บาท ซึ่งเป็นจำนวนเงินสูงสุดที่ระบบสุขภาพยอมจ่ายต่อหนึ่ง QALY C จึงดูคุ้มค่า

บทความที่สอนเรื่อง ICER อย่างครบถ้วนยังสอนการครอบงำ (dominance) ซึ่งคือกฎที่ตัดทางเลือกออกเมื่อมีอีกทางเลือกที่ถูกกว่าและให้สุขภาพไม่น้อยกว่า ทางเลือก D ที่แพงกว่า C 20,000 บาท แต่ได้น้อยกว่า 0.10 QALY จึงถูก C ครอบงำ บทความนี้ไม่ต้องใช้กฎนี้ อ่านบทเรียนเต็มทั้งสองเรื่องได้ที่ อัตราส่วนต้นทุนประสิทธิผลส่วนเพิ่มและระนาบต้นทุนประสิทธิผล: ทางเลือกที่ด้อยกว่า ผลประโยชน์สุทธิ และเกณฑ์ 160,000 บาทต่อปีสุขภาวะ

ตัวเลขในแบบจำลองนั้นไม่มีตัวใดมาจากการศึกษาในอำเภอนี้ นักวิเคราะห์ยืมมาทั้งหมด คือราคาจากบัญชีต้นทุนบริการระดับประเทศ ค่าน้ำหนักของสภาวะป่วยจากฐานรวบรวมค่าน้ำหนักที่ตีพิมพ์ และผลของ C จากการทดลองที่ทำที่อื่น ตัวเลขที่ยืมมาแต่ละตัวตอบคำถามของคนอื่น จึงไม่ควรหยิบมาใส่แบบจำลองทันทีเพียงเพราะแหล่งที่มาดูน่าเชื่อถือ บทความนี้ตรวจสามตัว คือต้นทุนของการตรวจติดตามหนึ่งครั้ง ค่าน้ำหนักของสภาวะป่วย และความเสี่ยงของการเกิดเหตุการณ์เมื่อไม่ได้ C

ราคา ดัชนี ค่าน้ำหนัก และจำนวนครั้งทั้งหมดในบทความนี้เป็นค่าสมมติ ไม่ใช่ค่าจากบัญชีจริง

เขียนก่อนว่าตัวเลขต้องหมายถึงอะไร

อ่านก่อนในเว็บไซต์นี้ บทความเหล่านี้สอนอย่างครบถ้วนว่าเขียนคำถามที่ข้อมูลนำเข้าแต่ละตัวต้องตอบอย่างไร และเก็บบันทึกหนึ่งแถวที่สืบย้อนได้สำหรับข้อมูลนำเข้าแต่ละตัวอย่างไร หัวข้อนี้เก็บไว้เฉพาะข้อมูลนำเข้าสามตัวที่แบบจำลองของ C ยืมมา

• การค้นหาข้อมูลนำเข้าของแบบจำลองจากวรรณกรรม: เลือกค่าประมาณให้ตรงกับคำถาม
• ข้อมูลนำเข้าของแบบจำลองที่ตรวจสอบได้: สร้างตารางพารามิเตอร์ที่สืบย้อนถึงที่มา

ข้อมูลนำเข้าแต่ละตัวของแบบจำลองคือพารามิเตอร์ (parameter) หมายถึงปริมาณที่กำหนดผลการคำนวณ เช่น ราคาการมาตรวจหนึ่งครั้ง หรือค่าน้ำหนักของสภาวะป่วย ตัวเลขที่แม่นยำแต่เป็นปริมาณอื่นยังคงเป็นข้อมูลนำเข้าที่ผิด นักวิเคราะห์จึงเขียนไว้ก่อนเริ่มค้นว่าแต่ละตัวต้องหมายถึงอะไร [1] สำหรับการตรวจติดตาม คือการมาตรวจติดตามเพิ่มของผู้ป่วยที่ได้ C ที่คลินิกระดับอำเภอ ซึ่งแยกเป็นราคาต่อครั้งกับจำนวนครั้ง โดยคิดราคาตามที่ระบบสุขภาพจ่ายจริง เป็นเงินของปีนี้

นิยามนี้ช่วยตัดตัวเลือกออกได้เร็ว ราคาในบัญชีของการมาพบแพทย์เฉพาะทางในโรงพยาบาลมหาวิทยาลัยเป็นบริการคนละอย่าง อุบัติการณ์ (incidence) ของผู้ป่วยใหม่ 2 คนต่อ 1,000 คน-ปีในประชากรทั้งอำเภอเป็นอัตรา (rate) คือจำนวนเหตุการณ์ต่อคน-ปีในคนทุกคน (ดู อุบัติการณ์ ความชุก และตัวหารที่ถูกต้อง: ระบาดวิทยาเบื้องหลังต้นทุนความเจ็บป่วยและแบบจำลองมาร์คอฟ) ไม่ใช่ความเสี่ยงในผู้ป่วยที่จะได้รับ C ส่วนค่าน้ำหนักต้องระบุสี่อย่าง คือสภาวะสุขภาพ แบบสอบถามที่ใช้บรรยายสภาวะนั้น ใครเป็นผู้ตอบ และความชอบของใครที่ใช้ให้คะแนน

บัญชีต้นทุนให้ราคา ไม่ได้ให้จำนวนครั้ง

อ่านก่อนในเว็บไซต์นี้ บทความนี้สอนอย่างครบถ้วนว่าปรับต้นทุนจากปีราคา (price year) หนึ่งไปอีกปีหนึ่งด้วยดัชนีราคาอย่างไร และรายการในบัญชีต้นทุนระดับประเทศต้องผ่านการตรวจอะไรบ้างก่อนนำมาใช้ บทความเดียวกันยังสอนการปรับลดค่าตามเวลา (discounting) ซึ่งคือการแปลงต้นทุนในอนาคตเป็นมูลค่าวันนี้ ที่อัตรา 3% ต้นทุน 1,834 บาทที่ต้องจ่ายในปีที่ 3 มีค่าเท่ากับ 1,678 บาทในวันนี้ หัวข้อนี้ไม่ต้องใช้ขั้นตอนนั้น จึงเก็บไว้เฉพาะการมาตรวจที่ C เพิ่มขึ้น

• ต้นทุนของใคร ณ ปีใด: บทความพื้นฐานเรื่องการคิดต้นทุนและปีราคา

โรงพยาบาลอำเภอแทบไม่เคยรู้ว่าการมาตรวจหนึ่งครั้งของตนมีต้นทุนเท่าไร ทั้งเวลาของบุคลากร ห้อง การตรวจทางห้องปฏิบัติการ และส่วนแบ่งของค่าดำเนินงาน นักวิเคราะห์จึงเปิดดูราคาในบัญชีราคามาตรฐานของบริการสุขภาพระดับประเทศ ซึ่งสร้างจากการศึกษาต้นทุนในโรงพยาบาลหลายแห่ง บัญชีให้ราคา 1,200 บาทสำหรับการตรวจติดตามหนึ่งครั้งในโรงพยาบาลอำเภอ บัญชีแบบนี้เรียกว่าบัญชีต้นทุนอ้างอิง (reference cost list) [2]

ราคาในบัญชีกำหนดไว้ในปีที่ผ่านมา ดัชนีราคาผู้บริโภค (consumer price index, CPI) อยู่ที่ 100 ในปีนั้น และอยู่ที่ 115 ในปีนี้ โดยใช้ปีฐานเดียวกัน ราคาจึงต้องคูณด้วย 115/100 เพื่อปรับเป็นราคาปีนี้

ส่วนจำนวนครั้งที่ผู้ป่วยมาตรวจเป็นข้อมูลนำเข้าอีกตัวหนึ่ง บันทึกของคลินิกในพื้นที่แสดงว่าผู้ป่วยที่ได้ C มาตรวจเพิ่มเฉลี่ย 3 ครั้งต่อคน และค่าเฉลี่ยของแต่ละคลินิกอยู่ระหว่าง 2 ถึง 4 ครั้ง ช่วงนี้จึงบอกว่าค่าเฉลี่ยของอำเภอยังไม่แน่นอนเพียงใด ไม่ได้บอกว่าผู้ป่วยแต่ละคนต่างกันเท่าไร ค่ามาตรวจเหล่านี้รวมอยู่ใน 150,000 บาทที่ C แพงกว่าแล้ว

การตรวจสามข้อก่อนนำราคาเข้าแบบจำลอง

การตรวจความเข้ากันในขั้นสุดท้ายถามสามข้อ คือประเภทสถานพยาบาลเดียวกัน หน่วยนับของราคาเดียวกัน และองค์ประกอบของต้นทุนเดียวกัน บัญชีนี้ผ่านทั้งสามข้อ แต่ราคาของโรงพยาบาลมหาวิทยาลัยจะไม่ผ่านข้อแรก และบัญชีที่ไม่รวมค่าอาคารและครุภัณฑ์จะไม่ผ่านข้อที่สาม คำตอบของสามข้อนี้ตัดสินว่าจะนำราคานั้นไปใช้ในส่วนใดของการวิเคราะห์

เมื่อผ่านทั้งสามข้อ ราคานั้นจึงเข้าสู่การวิเคราะห์หลัก (base case) คือชุดตัวเลขหลักที่คณะกรรมการอ่านก่อน ถ้าไม่ผ่านหนึ่งข้อ ยังใช้ราคานั้นได้ แต่เฉพาะในสถานการณ์ทางเลือกที่ระบุชื่อ (named scenario) คือการวิเคราะห์เสริมที่บอกชัดว่าใช้สมมติฐานอะไร ถ้าไม่ผ่านหลายข้อ แสดงว่าบัญชีนั้นตอบคำถามอื่น จึงบันทึกข้อมูลนำเข้านั้นว่าต้องวิจัยเพิ่ม แทนการปรับตัวเลขจนดูเหมาะ

# One follow-up visit from the reference cost list, restated to this year's prices, then counted.
source_cost <- 1200    # THB per visit, in the list's price year
source_cpi <- 100      # price index in the list's year
target_cpi <- 115      # price index this year, on the same base
visits <- 3            # extra visits per patient on C, from local clinic records
ratio <- target_cpi / source_cpi
restated <- source_cost * ratio
cat("Price index ratio:", formatC(ratio, format = "f", digits = 2), "\n")
cat("Restated THB per visit:", restated, "| short by", restated - source_cost, "as listed\n")
cat("Base-case visit total THB:", restated * visits, "| as listed:", source_cost * visits, "\n")
cat("Two-visit scenario THB:", restated * 2, "\n")
cat("Four-visit scenario THB:", restated * 4, "\n")
cat("Ten more index points at 3 visits add THB:", source_cost / source_cpi * 10 * visits, "\n")

Price index ratio: 1.15
Restated THB per visit: 1380 | short by 180 as listed
Base-case visit total THB: 4140 | as listed: 3600
Two-visit scenario THB: 2760
Four-visit scenario THB: 5520
Ten more index points at 3 visits add THB: 360

# Recap numbers for three ideas the linked posts teach in full; this article does not use them.
years <- 10       # years lived with a condition
weight <- 0.20    # its disability weight
cat("Years lived with disability:", formatC(years * weight, format = "f", digits = 1), "\n")
d_more_cost <- 20000   # THB option D costs more than C
d_less_qaly <- 0.10    # QALY option D gives less than C
cat("C dominates D:", d_more_cost > 0 && d_less_qaly > 0, "\n")
cost <- 1834      # THB due in year 3
rate <- 0.03      # discount rate per year
cat("Worth today THB:", round(cost / (1 + rate)^3), "\n")

Years lived with disability: 2.0
C dominates D: TRUE
Worth today THB: 1678

ฐานข้อมูลค่าอรรถประโยชน์ให้ค่าน้ำหนัก พร้อมความชอบของใครบางคน

อ่านก่อนในเว็บไซต์นี้ บทความนี้สอนอย่างครบถ้วนว่าแบบสอบถามและตารางให้คะแนนของแต่ละประเทศแปลงคำตอบของผู้ป่วยเป็นค่าน้ำหนักอย่างไร และต้องเขียนอะไรกำกับค่าน้ำหนักนั้น หัวข้อนี้เก็บไว้เฉพาะค่าน้ำหนักของสภาวะป่วยที่ C ป้องกัน

• ปีสุขภาวะ ปีสุขภาวะที่สูญเสีย และค่าอรรถประโยชน์: เรากำลังวัดอะไรกันแน่

QALY ที่ C ได้เพิ่มมาจากสภาวะป่วยที่ C ป้องกัน ในแบบจำลอง ผู้ป่วยที่ได้ C อยู่ในสภาวะนั้นน้อยกว่าผู้ป่วยที่ได้ A 4.0 ปี ซึ่งแบบจำลองคำนวณจากผลของการรักษาในการทดลองและความเสี่ยงของผู้ป่วยในอำเภอเอง (ข้อมูลนำเข้าตัวที่สาม ด้านล่าง) แต่ละปีในสภาวะนั้นนับได้เพียงเท่ากับค่าน้ำหนักของปีที่สุขภาพดี ส่วนที่ขาดไปคือส่วนที่ค่าน้ำหนักไม่ถึงเต็ม สิ่งที่ได้เพิ่มจึงเท่ากับ 4.0 × (1 − ค่าน้ำหนัก) ผลทั้งหมดจึงขึ้นกับค่าน้ำหนักของสภาวะป่วยเป็นหลัก

ยังไม่มีการศึกษาในไทยที่วัดสภาวะนี้ นักวิเคราะห์จึงค้นค่าน้ำหนักที่ตีพิมพ์ และพบตัวเลือกสามค่า ผู้ป่วยในการทดลองบรรยายสภาวะของตนด้วย EQ-5D-5L ซึ่งเป็นแบบสอบถามมาตรฐานห้าข้อ จากนั้นชุดค่าน้ำหนักของไทย (value set) ซึ่งเป็นตารางให้คะแนนที่สร้างจากความชอบของประชาชนไทย [3] แปลงคำตอบเหล่านั้นเป็น 0.75 ฐานรวบรวมที่ตีพิมพ์ของอีกประเทศหนึ่ง ซึ่งรวบรวมค่าน้ำหนักของหลายโรคจากหลายการศึกษา ให้ 0.80 สำหรับโรคเดียวกัน โดยให้คะแนนด้วยความชอบของประชาชนประเทศนั้น และการศึกษาเล็ก ๆ ในต่างประเทศรายงาน 0.70

ฐานรวบรวมค่าน้ำหนักที่ตีพิมพ์อย่างแหล่งที่สองนี้เรียกว่าฐานข้อมูลค่าอรรถประโยชน์ (utility catalogue) เมื่อใช้ 0.75 ของไทย แต่ละปีในสภาวะป่วยขาดไป 0.25 ของปีที่สุขภาพดี C จึงได้เพิ่ม 4.0 × 0.25 = 1.00 QALY และมีต้นทุน 150,000 ÷ 1.00 = 150,000 บาทต่อ QALY เมื่อใช้ 0.80 ของอีกประเทศ แต่ละปีขาดไปเพียง 0.20 C ได้เพิ่ม 4.0 × 0.20 = 0.80 QALY และ 150,000 ÷ 0.80 = 187,500 บาทต่อ QALY สูงกว่าเกณฑ์ 160,000 บาท

แบบจำลองเดียวกันที่ใช้ค่าจากฐานข้อมูลต่างกันจึงให้คำตอบแก่คณะกรรมการต่างกัน ฐานข้อมูลค่าอรรถประโยชน์จึงเป็นจุดเริ่มต้นของการค้นค่าน้ำหนัก ไม่ใช่ใบรับรองว่าตัวเลขในนั้นเข้ากับแบบจำลองนี้

ค่าน้ำหนักต้องตรวจเหมือนราคา แบบสอบถามใดใช้บรรยายสภาวะ และเป็นฉบับใด สภาวะสุขภาพในฐานข้อมูลตรงกับในแบบจำลอง หรือตรงแค่ชื่อโรค ความชอบของใครที่ใช้ให้คะแนน ชุดค่าน้ำหนักของแบบสอบถามเดียวกันต่างกันไปในแต่ละประเทศ ค่าน้ำหนักจากประชาชนของอีกประเทศจึงนำความชอบของประเทศนั้นมาด้วย ไม่ใช่แค่วิธีคำนวณ [4]

# Where C's 1.00 extra QALY comes from: years spared in the sick state times the health each year lacks.
years_spared <- 4.0      # fewer years in the sick state on C than on A, per patient (the model)
extra_cost <- 150000     # THB more for C than for A, per patient
# The same rule as the QALY recap: 10 years at 0.70 count as 7.0 healthy years, so full health adds 3.0.
cat("10 years at 0.70:", formatC(10 * 0.70, format = "f", digits = 1), "QALYs | gain",
    formatC(10 * (1 - 0.70), format = "f", digits = 1), "\n")
for (w in c(0.75, 0.80, 0.70)) {   # Thai value set; another country's catalogue; a third source
  lost <- 1 - w
  gain <- years_spared * lost
  cat("Weight", formatC(w, format = "f", digits = 2),
      "| lost per year", formatC(lost, format = "f", digits = 2),
      "| QALYs gained", formatC(gain, format = "f", digits = 2),
      "| THB per QALY", format(extra_cost / gain, big.mark = ","), "\n")
}

10 years at 0.70: 7.0 QALYs | gain 3.0
Weight 0.75 | lost per year 0.25 | QALYs gained 1.00 | THB per QALY 150,000
Weight 0.80 | lost per year 0.20 | QALYs gained 0.80 | THB per QALY 187,500
Weight 0.70 | lost per year 0.30 | QALYs gained 1.20 | THB per QALY 125,000

ผลของการรักษามักย้ายใช้ได้ แต่ความเสี่ยงในพื้นที่มักย้ายไม่ได้

อ่านก่อนในเว็บไซต์นี้ บทความเหล่านี้สอนอย่างครบถ้วนว่าจับคู่อัตราส่วนจากการทดลองกับความเสี่ยงในพื้นที่อย่างไร และตัดสินความน่าเชื่อถือของผลการรักษาจากทุกการทดลองที่พบอย่างไร หัวข้อนี้เก็บไว้เฉพาะสิ่งที่การทดลองของ C ให้ได้

• การค้นหาข้อมูลนำเข้าของแบบจำลองจากวรรณกรรม: เลือกค่าประมาณให้ตรงกับคำถาม
• พ้นจากพีระมิดหลักฐาน: ระดับความเชื่อมั่นตามแนวทาง GRADE และการเลือกข้อมูลประสิทธิผลเข้าสู่แบบจำลองทางเศรษฐศาสตร์

การทดลองของ C ให้ผลของการรักษา ไม่ได้ให้ข้อมูลนำเข้าตัวที่สาม คือความเสี่ยงของการเกิดเหตุการณ์เมื่อไม่ได้ C ในการทดลองนั้น ผู้ป่วยที่ได้ C เกิดเหตุการณ์ 8 จาก 66 คน และกลุ่มควบคุม 13 จาก 60 คน คิดเป็น 12.12% เทียบกับ 21.67% เมื่อนำความเสี่ยงของกลุ่ม C หารด้วยความเสี่ยงของกลุ่มควบคุม ได้อัตราส่วนความเสี่ยง (risk ratio) 0.56 และช่วงความเชื่อมั่น 95% ตั้งแต่ 0.25 ถึง 1.26 ที่บอกว่าการทดลองยังไม่แน่ใจเพียงใด ในแบบจำลองของ C ผลนี้เมื่อใช้กับความเสี่ยงของผู้ป่วยในอำเภอเอง คือที่มาของ 4.0 ปีในสภาวะป่วยที่ผู้ป่วยที่ได้ C หลีกเลี่ยงได้

ข้อมูลนำเข้าแต่ละชนิดมีแหล่งที่ดีที่สุดของตัวเอง จึงไม่มีการจัดลำดับรูปแบบการศึกษาแบบเดียวที่ใช้ได้กับทุกตัว ผลของการรักษาต้องใช้หลักฐานเชิงเปรียบเทียบอย่างการทดลองนี้ ซึ่งควรมาจากทุกการทดลองที่การค้นอย่างเป็นระบบ (systematic search) หาพบ และตัดสินความน่าเชื่อถือแยกทีละผลลัพธ์ ความเสี่ยงเมื่อไม่ได้ C ต้องใช้บันทึกในพื้นที่ที่เป็นตัวแทนของผู้ป่วย ราคาต้องใช้การศึกษาต้นทุนหรือบัญชีต้นทุน และค่าน้ำหนักต้องใช้ความชอบที่วัดด้วยวิธีที่ยอมรับ ข้อมูลการเบิกจ่ายในพื้นที่ ไม่ว่าจะมีมากเพียงใด ยังบอกไม่ได้ว่า C ได้ผลอย่างไร

ตัวเลข 21.67% เป็นตัวเลขอีกชนิดหนึ่ง ตัวเลขนี้บรรยายผู้ป่วยในการทดลอง 60 คน ซึ่งคัดเลือกตามเกณฑ์คัดเข้าของการทดลอง และติดตามนานเท่าที่การทดลองกำหนด ไม่ใช่ผู้ป่วยที่อำเภอนี้จะรักษา แบบจำลองจึงมักใช้ผลเชิงสัมพัทธ์ (relative effect) ซึ่งเป็นอัตราส่วนอย่าง risk ratio นี้ จากการทดลอง และใช้ความเสี่ยงเมื่อไม่ได้รับการรักษาจากบันทึกในพื้นที่ [1] บันทึกนั้นต้องมีกลุ่มคนถูกต้อง ตัวหารถูกต้อง และระยะติดตามเท่ากัน นักวิเคราะห์พบบันทึกแบบนั้นที่โรงพยาบาลอำเภอ และเก็บ 21.67% ของการทดลองไว้ใช้ตรวจทานเท่านั้น

การที่ตัวเลขหนึ่งย้ายจากบริบทที่วัดมาใช้กับการตัดสินใจตรงหน้าได้หรือไม่ เรียกว่าความเหมาะสมในการย้ายใช้ (transportability) ผลเชิงสัมพัทธ์มักย้ายใช้ได้ค่อนข้างดี แต่ความเสี่ยง ราคา และความชอบในพื้นที่มักย้ายไม่ได้ นี่คือเหตุผลที่ 1,200 บาทและ 0.80 ต้องผ่านการตรวจ

# What the trial of C can supply: its two risks and the risk ratio with its 95% confidence interval.
events <- c(C = 8, A = 13)
patients <- c(C = 66, A = 60)
risk <- events / patients
rr <- risk[["C"]] / risk[["A"]]
se <- sqrt(sum(1 / events) - sum(1 / patients))
ci <- exp(log(rr) + c(-1, 1) * qnorm(0.975) * se)
cat("Risk on C %:", formatC(100 * risk[["C"]], format = "f", digits = 2),
    "| risk on A %:", formatC(100 * risk[["A"]], format = "f", digits = 2), "\n")
cat("Risk ratio:", formatC(rr, format = "f", digits = 2), "\n")
cat("95% CI:", formatC(ci, format = "f", digits = 2), "\n")
rate <- 2 / 1000     # the district's new cases per person-year: a rate, not this risk
cat("District rate per person-year:", rate, "\n")

Risk on C %: 12.12 | risk on A %: 21.67
Risk ratio: 0.56
95% CI: 0.25 1.26
District rate per person-year: 0.002

หาไม่พบ ไม่เข้ากัน หรือไม่แน่นอนเกินไป

ช่องว่างแต่ละแบบไม่เหมือนกัน และวิธีรับมือขึ้นกับว่าเป็นแบบไหน หลักฐานหาไม่พบเมื่อการค้นที่บันทึกไว้แล้วไม่พบอะไรเลย เช่นคำตอบของผู้ป่วยในพื้นที่เองเกี่ยวกับสภาวะป่วย หลักฐานไม่เข้ากันเมื่อตอบคำถามอื่น เช่น 0.80 ของอีกประเทศ และหลักฐานไม่แน่นอนเมื่อตอบคำถามที่ถูกต้องแต่มีช่วงกว้าง เช่นค่าเฉลี่ยของคลินิก 2 ถึง 4 ครั้ง

แต่ละแบบรับมือต่างกัน ตัวเลขที่หาไม่พบใช้แหล่งข้อมูลชนิดอื่นหรือความเห็นผู้เชี่ยวชาญอย่างมีโครงสร้าง ตัวเลขที่ไม่เข้ากันใช้ในสถานการณ์ทางเลือกที่ระบุชื่อ และตัวเลขที่ไม่แน่นอนใส่ทั้งช่วงลงในแบบจำลอง [5] การเพิ่มทศนิยมไม่ได้แก้ปัญหาใดเลย

เมื่อไม่มีใครวัดไว้ นักวิเคราะห์ถามผู้เชี่ยวชาญอย่างมีแบบแผนได้ แพทย์หลายคนตอบคำถามที่เขียนไว้เหมือนกัน โดยให้ค่าต่ำสุด ค่าที่น่าจะเป็นที่สุด และค่าสูงสุด แล้วรวมคำตอบด้วยกฎที่กำหนดไว้ล่วงหน้า วิธีนี้เรียกว่าการสอบถามผู้เชี่ยวชาญอย่างมีโครงสร้าง (structured expert elicitation) ผลที่ได้คือดุลยพินิจของผู้เชี่ยวชาญพร้อมช่วงของมัน ไม่ใช่ข้อเท็จจริงที่สังเกตได้ใหม่ และบัญชีหลักฐานต้องบันทึกตามนั้น

ช่องว่างไหนเปลี่ยนคำตอบของคณะกรรมการได้

อ่านก่อนในเว็บไซต์นี้ บทความภาษาอังกฤษเรื่องนี้สอนการวิเคราะห์ความไวในการประเมินทางเศรษฐศาสตร์สุขภาพอย่างครบถ้วน ทั้งการเปลี่ยนข้อมูลนำเข้าทีละตัวและการเปลี่ยนทุกตัวพร้อมกัน หัวข้อนี้เก็บไว้เฉพาะข้อมูลนำเข้าสองตัวของแบบจำลองของ C ที่กำหนดเป็นช่วงไว้ในที่นี้

• ความไม่แน่นอนและการวิเคราะห์ความไวในการประเมินทางเศรษฐศาสตร์สุขภาพ: หลักการ เครื่องมือ และการประยุกต์ใช้

ข้อมูลนำเข้าทุกตัวไม่แน่นอน และเงินทุนวิจัยมีจำกัด คำถามที่มีประโยชน์จึงเป็นว่าความไม่แน่นอนตัวไหนเปลี่ยนการตัดสินใจได้ C อยู่ที่ 150,000 บาทต่อ QALY เทียบกับเกณฑ์ 160,000 บาท เมื่อได้เพิ่ม 1.00 QALY จึงเหลือส่วนต่าง 160,000 × 1.00 − 150,000 = 10,000 บาท ก่อนคำตอบจะพลิก

เริ่มจากจำนวนครั้ง ถ้ามาตรวจ 2 ครั้งแทน 3 ครั้ง ต้นทุนที่เพิ่มของ C ลดลงเท่าค่าตรวจหนึ่งครั้ง 1,380 บาท เหลือ 148,620 บาท และถ้า 4 ครั้งจะเพิ่มเป็น 151,380 บาท เมื่อได้เพิ่ม 1.00 QALY ตัวเลขนี้จึงเป็นต้นทุนต่อ QALY ด้วย ซึ่งต่ำกว่าเกณฑ์ทั้งคู่ การจะใช้ส่วนต่าง 10,000 บาทจนหมด ผู้ป่วยแต่ละคนต้องมาตรวจเพิ่มอีก 10,000 ÷ 1,380 = 7.25 ครั้ง ซึ่งห่างจากบันทึกมาก

ต่อไปคือค่าน้ำหนัก C จะต่ำกว่าเกณฑ์ก็ต่อเมื่อได้เพิ่มอย่างน้อย 150,000 ÷ 160,000 = 0.938 QALY ซึ่งต้องใช้ค่าน้ำหนักไม่เกิน 1 − 0.938 ÷ 4.0 = 0.766 ค่า 0.75 ของไทยอยู่ใต้เส้นนั้นเพียงเล็กน้อย 0.80 ของอีกประเทศอยู่เหนือเส้น ส่วน 0.70 ของการศึกษาเล็ก ๆ ให้ 1.20 QALY และ 125,000 บาทต่อ QALY

ค่าของข้อมูลนำเข้าที่ทำให้การตัดสินใจพลิกเรียกว่าค่าที่ทำให้คำตอบพลิก (switch value) คือการมาตรวจเพิ่ม 7.25 ครั้งสำหรับจำนวนครั้ง และค่าน้ำหนัก 0.766 สำหรับสภาวะป่วย

เงินวิจัยควรไปที่ไหน

หลักฐานใหม่จึงคุ้มที่จะลงทุนกับค่าน้ำหนัก ไม่ใช่จำนวนครั้ง การสำรวจผู้ป่วยในพื้นที่ที่อยู่ในสภาวะป่วยกลุ่มเล็ก ๆ แล้วให้คะแนนด้วยชุดค่าน้ำหนักของไทย จะบอกได้ว่าค่าของพวกเขาอยู่ด้านไหนของ 0.766 การสำรวจใช้ทั้งเงินและเวลา จึงคุ้มก็ต่อเมื่อคำตอบของมันพลิกการตัดสินใจได้ จำนวนครั้งยังอยู่ในการวิเคราะห์หลักพร้อมช่วงของมัน และ 0.80 ของอีกประเทศรายงานเป็นสถานการณ์ทางเลือกที่ระบุชื่อ

การทดสอบนี้ครอบคลุมข้อมูลนำเข้าสองตัวที่เรากำหนดเป็นช่วงไว้ในที่นี้ ช่วงของการทดลองเอง 0.25 ถึง 1.26 เลยเกิน 1 ซึ่งเป็นจุดที่ C ไม่ช่วยลดปีในสภาวะป่วยเลย ผลของการรักษาจึงเป็นข้อมูลนำเข้าตัวถัดไปที่ต้องทดสอบ การวิเคราะห์ความไวแบบอาศัยความน่าจะเป็น: จากการแจกแจงพารามิเตอร์สู่ CEAC แสดงวิธีที่แบบจำลองรับช่วงแบบนี้หลายตัวพร้อมกัน

# Which input could change the committee's answer? Threshold 160,000 THB per QALY.
extra_cost <- 150000; gain <- 1.00; threshold <- 160000
visit_price <- 1380     # THB per visit; the base case has 3 visits
for (v in c(2, 4)) cat("Visits", v, "| extra cost THB", extra_cost + (v - 3) * visit_price, "\n")
room <- threshold * gain - extra_cost
cat("Room under the threshold THB:", room, "| extra visits it takes:",
    formatC(room / visit_price, format = "f", digits = 2), "\n")
need <- extra_cost / threshold
cat("QALYs gained needed:", formatC(need, format = "f", digits = 3), "\n")
cat("Highest sick-state weight that keeps C under the threshold:",
    formatC(1 - need / 4.0, format = "f", digits = 3), "\n")

Visits 2 | extra cost THB 148620
Visits 4 | extra cost THB 151380
Room under the threshold THB: 10000 | extra visits it takes: 7.25
QALYs gained needed: 0.938
Highest sick-state weight that keeps C under the threshold: 0.766

บันทึกทุกการเลือกไว้ให้นักวิเคราะห์คนต่อไปหาพบ

อ่านก่อนในเว็บไซต์นี้ บทความนี้สอนอย่างครบถ้วนว่าสร้างตารางที่มีหนึ่งแถวซึ่งสืบย้อนได้สำหรับข้อมูลนำเข้าแต่ละตัวอย่างไร หัวข้อนี้เก็บไว้เฉพาะแถวของแบบจำลองของ C และตัวเลขแต่ละตัวใช้ในส่วนใด

• ข้อมูลนำเข้าของแบบจำลองที่ตรวจสอบได้: สร้างตารางพารามิเตอร์ที่สืบย้อนถึงที่มา

อีกหนึ่งปีจะมีคนถามว่าทำไมแบบจำลองใช้ 0.75 ของไทย ไม่ใช้ค่าน้ำหนักของอีกประเทศ คำตอบต้องอยู่ในบันทึก ไม่ใช่ในความจำของนักวิเคราะห์ ข้อมูลนำเข้าแต่ละตัวจึงมีหนึ่งแถว คือพารามิเตอร์หมายถึงอะไร ค้นที่ไหนและเมื่อไร แหล่งที่มาและฉบับ ค่าประมาณและช่วงของมัน การปรับทุกอย่างที่ทำ และตัวเลขใช้ในส่วนใดของการวิเคราะห์ บันทึกนี้เรียกว่าบัญชีหลักฐาน (evidence ledger) และการเก็บบันทึกแบบนี้ตรงกับที่แนะนำไว้ [1]

นี่คือบัญชีหลักฐานของ C หนึ่งแถวต่อข้อมูลนำเข้าหนึ่งตัว เติมจากหัวข้อก่อนหน้านี้ ตารางแสดงห้าคอลัมน์ที่คณะกรรมการต้องดูก่อน บัญชีฉบับเต็มยังเก็บการค้นแต่ละครั้ง วันที่ค้น และฉบับของแต่ละแหล่งด้วย

ก่อนแหล่งข้อมูลจะได้แถวของตน ต้องตัดสินสองเรื่องแยกกัน อคติ (bias) ถามว่าแหล่งนั้นวัดคำถามของตนเองได้ดีหรือไม่ ความเข้ากันได้ (applicability) ถามว่าคำถามนั้นเป็นคำถามของเราหรือไม่ การศึกษาที่ทำอย่างดีในอีกประเทศหนึ่งอาจได้คะแนนดีในเรื่องแรกแต่ได้คะแนนต่ำในเรื่องที่สอง ซึ่งตรงกับกรณีของ 0.80

บทความถัดไป การประเมินเทคโนโลยีสุขภาพระยะเริ่มต้น เพดานราคาที่คุ้มค่า และการตัดสินใจชุดสิทธิประโยชน์ ทำงานกับตัวเลขในพื้นที่ที่น้อยกว่านี้อีก คือเทคโนโลยีที่ยังไม่มีการทดลองของตัวเอง

ลำดับการเรียนในชุดนี้

1. คู่มือชุดบทความเศรษฐศาสตร์สุขภาพ: อ่านหลักฐานก่อนอ่านต้นทุน
2. อุบัติการณ์ ความชุก และตัวหารที่ถูกต้อง: ระบาดวิทยาเบื้องหลังต้นทุนความเจ็บป่วยและแบบจำลองมาร์คอฟ
3. รูปแบบการศึกษา แบบจำลองทางสถิติ และเป้าหมายการประมาณค่า: แต่ละรูปแบบการศึกษาประมาณค่าอะไรได้จริง
4. อัตราส่วนความเสี่ยง อัตราส่วนออดส์ ผลต่างความเสี่ยง และจำนวนที่ต้องรักษา: ตารางสองคูณสองเดียว คำตอบสี่แบบ
5. อัตราส่วนฮาซาร์ดไม่ใช่อัตราส่วนความเสี่ยง: ข้อสมมติความเป็นสัดส่วนของฮาซาร์ด เวลารอดชีพเฉลี่ยแบบจำกัดช่วง และข้อมูลนำเข้าแบบจำลอง
6. ความบังเอิญ อคติ และปัจจัยกวน: เหตุใดความสัมพันธ์ที่พบจึงยังไม่ใช่ผลของการรักษา
7. พ้นจากพีระมิดหลักฐาน: ระดับความเชื่อมั่นตามแนวทาง GRADE และการเลือกข้อมูลประสิทธิผลเข้าสู่แบบจำลองทางเศรษฐศาสตร์
8. จากความไวสู่ต้นทุนต่อผู้ป่วยหนึ่งรายที่ตรวจพบ: ค่าทำนายผลบวก ความชุก และเศรษฐศาสตร์ของการคัดกรอง
9. ต้นทุนของใคร ณ ปีใด: มุมมองการวิเคราะห์ ต้นทุนค่าเสียโอกาส การปรับค่าเงินเฟ้อ และการปรับลดค่าตามเวลา
10. ปีสุขภาวะ ปีสุขภาวะที่สูญเสีย และค่าอรรถประโยชน์: เรากำลังวัดอะไรกันแน่
11. อัตราส่วนต้นทุนประสิทธิผลส่วนเพิ่มและระนาบต้นทุนประสิทธิผล: ทางเลือกที่ด้อยกว่า ผลประโยชน์สุทธิ และเกณฑ์ 160,000 บาทต่อปีสุขภาวะ
12. ต้นไม้การตัดสินใจ แบบจำลองมาร์คอฟ และการวิเคราะห์ความไวเชิงความน่าจะเป็น: แบบจำลองแปลงหลักฐานเป็นการตัดสินใจได้อย่างไร
13. คุ้มค่าไม่ได้แปลว่าจ่ายไหว มีประสิทธิภาพไม่ได้แปลว่าเป็นธรรม: ผลกระทบด้านงบประมาณและความเป็นธรรมทางสุขภาพ
14. การคัดเลือกพารามิเตอร์ บัญชีต้นทุนอ้างอิง และฐานข้อมูลค่าอรรถประโยชน์เมื่อข้อมูลในประเทศมีจำกัด (บทความนี้)
15. การประเมินเทคโนโลยีสุขภาพระยะเริ่มต้น เพดานราคาที่คุ้มค่า และการตัดสินใจชุดสิทธิประโยชน์
16. การสื่อสารหลักฐานเศรษฐศาสตร์สุขภาพ: จากผลลัพธ์แบบจำลองสู่ข้อเสนอแนะเชิงนโยบาย

อ่านต่อในวิกิ: อุบัติการณ์ ความชุก และตัวหารที่ถูกต้อง: ระบาดวิทยาเบื้องหลังต้นทุนความเจ็บป่วยและแบบจำลองมาร์คอฟ · พ้นจากพีระมิดหลักฐาน: ระดับความเชื่อมั่นตามแนวทาง GRADE และการเลือกข้อมูลประสิทธิผลเข้าสู่แบบจำลองทางเศรษฐศาสตร์ · ต้นทุนของใคร ณ ปีใด: มุมมองการวิเคราะห์ ต้นทุนค่าเสียโอกาส การปรับค่าเงินเฟ้อ และการปรับลดค่าตามเวลา · ปีสุขภาวะ ปีสุขภาวะที่สูญเสีย และค่าอรรถประโยชน์: เรากำลังวัดอะไรกันแน่ · ต้นไม้การตัดสินใจ แบบจำลองมาร์คอฟ และการวิเคราะห์ความไวเชิงความน่าจะเป็น: แบบจำลองแปลงหลักฐานเป็นการตัดสินใจได้อย่างไร