PL-5233 Paris 5 Cours Monte Carlo Part 1 144 dpi

Comtet Lionel

Description

Université René DescartesFaculté de Pharmacie - Master Professionnel – Dimension Économique des Produits de Santé14 décembre 2005Prise en Compte de l’Incertitude P te ceudans l’Évaluation des svatdTechnologies de SantéTenienSimulations de Monte Carlo, Familles de Distribution de Probabilité, Calibrage des DistributionsLionel Riou França, Robert Launoisl RranobauREES France – Réseau d’Evaluation en Economie de la Santé28, rue d’Assas – 75006 Paris – FranceTel: [phone] – Fax: [phone]Réseau d’Évvaalluuaattiioonn en E-mail : [e-mail] - Web : www.rees-france.comÉconomie ddee llaa SSaanntéREESProblématiqueromqUne question : L’intervention est elle coût-efficace ? Analyse Coût-Efficacité (ACE) Estimateur : le Ratio Coût-Efficacité Différentiel / Incrémental (RCED)Plusieurs cas de figure : Aucun essai thérapeutique disponible :• Essai clinico-économique Un (plusieurs) essais cliniques disponibles :• Modélisation• Etude médico-économiqueMaster Paris 5 PL-5233/05 - Simulation de Monte Carlo 2Les Essais Clinico-Économiqueses Ciccme« Piggyback » studies : Collecte des données économiques durant un essai clinique de phase IIIAvantages : Rigueur de l’essai clinique (randomisation, aveugle, plan d’étude) : ↓ biais, ↑ validité interne Économique (se greffe à une infrastructure préexistante)Inconvénients Étude in vitro (conditions artificielles) Conflits entre les objectifs économiques et cliniques :• ...

Informations

• Publié par: Nufor
• Nombre de lectures: 128
• Langue: Français

Extrait

Université René Descartes Faculté de Pharmacie -Master Professionnel –Dimension Économique des Produits de Santé 14 décembre 2005

Prise en Compte de l’Incertitude dans l’Évaluationdes Technologies   deSanté Simulations de Monte Carlo, Familles de Distribution de Probabilité, Calibrage des Distributions

LionelRiouFrança, Robert Launois

REES France – Réseau d’Evaluation en Economie de la Santé 28, rue d’Assas – 75006 Paris – France Tel: [phone] – Fax: [phone] E-mail :[e-mail]- Web :www.rees-france.com

      

Problématique

/

Une question : L’intervention est elle coût-efficace ?  Analyse Coût-Efficacité (ACE)  Estimateur : le Ratio Coût-Efficacité Différentiel Incrémental (RCED) Plusieurs cas de figure :  Aucun essai thérapeutique disponible : •Essai clinico-économique  Un (plusieurs) essais cliniques disponibles : •Modélisation •Etude médico-économique

Master Paris 5

PL-5233/05 - Simulation de Monte Carlo

2

Les EssaisClinico-Économiques

« Piggyback » studies :  Collecte des données économiques durant un essai clinique de phase III Avantages :  Rigueur de l’essai clinique (randomisation, aveugle, plan d’étude) :biais,validité interne  Économique (se greffe à une infrastructure préexistante) Inconvénients  Étudein vitro(conditions artificielles)  Conflits entre les objectifs économiques et cliniques : •Soins protocolés, aveugle, choix des critères d’inclusion, choix des investigateurs, choix du comparateur, horizon temporel, taille d’échantillon, choix des variables…

Master Paris 5

PL-5233/05 - Simulation de Monte Carlo

3

Les ÉtudesMédico-Economiques

Études observationnelles  Randomisées : essai « pragmatique »  Non randomisées : études « Avant » / « Après », Cas / Témoins…  Analyse de données administratives Avantages  Proches des situations réelles de soins Incovénients  Multiples sources de biais

Master Paris 5

PL-5233/05 - Simulation de Monte Carlo

4

Rendudes Résultats d’un Essai

coût

et

Estimations individuelles de d’efficacité. On peut calculer :  L’espérance d’efficacité E[E]  L’espérance de coût E[C]  Leur variance V[E] et V[C]  Leur corrélation[C,E] Par des procédures statistiques, il est alors possible d’estimer le RCED et de quantifier l’incertitude autour de l’estimation.

Master Paris 5

PL-5233/05 - Simulation de Monte Carlo

5

Les Modèles:Définition

Représentation simplifiée de la réalité

Représentation, physique ou graphique, mais plus généralement mathématique, des relations qui existent réellement ou qui, par hypothèse, semblent exister entre des phénomènes ou entre les différents éléments d'un système, en vue d'études analytiques ou expérimentales (simulations) propres àfaciliter la compréhensionde certains mécanismes, notamment par la validation d'hypothèses, et à mieuxéclairer les fonctions de prévision ou de décision. Selon que les relations en cause sont définies de façon stricte ou qu'elles obéissent à des lois statistiques, les modèles sont dits soitdéterministes, soitprobabilistesou stochastiques.

Master Paris 5

PL-5233/05 - Simulation de Monte Carlo

6

Les Modèles: Exemples

Modèles graphiques :  Le plan RATP Modèles physiques :  Une maquette Modèles mathématiques :  Une équation de régression linéaire  Un essai clinique randomisé  Un arbre de décision  Un modèle de Markov  Un modèle compartimental (SIR, …)  Un système à événements discrets…

Master Paris 5

PL-5233/05 - Simulation de Monte Carlo

7

Les Modèles: Utilité

coûts de l’interventino 

Extrapoler le devenir du patient dans le temps  Mortalité à 30 joursespérance de vie Estimer des résultats non mesurés directement  Critères de substitution dans un essai clinique : pression artériellemortalité  Coûts pertinents dans l’évaluation : dans l’ostéoporosecoûts des fractures à venir Synthétiser des sources de données multiples  Coûts et efficacité proviennent de sources différentes  Comparaisons indirectes entre les interventions à évaluer  Plusieurs essais disponibles pour un même critère Simuler des situations que l’on ne peut tester expérimentalement (coût, éthique…)

Master Paris 5

PL-5233/05 - Simulation de Monte Carlo

8

Modélisation : Méthodologie

Arbres de décision, Modèles de Markov, Modèles déterministes, Modèles   stochastiques

Les Étapes delaModélisation

Définition de la structure du modèle (identification des paramètres d’intérêt) Affectation des valeurs des paramètres (choix des sources de données) Valorisation des résultats (critères de jugement) Calcul des espérances d’efficacité et de coût Analyse de sensibilité

Master Paris 5

PL-5233/05 - Simulation de Monte Carlo

10

Qualités d’un Modèle

Simplicité  Compréhension plus aisée  Pas de surparamétrisation Transparence  Accessible à la critique par les pairs Conscient de la qualité des données  Identification de la qualité de la preuve  Hiérarchie dans le choix des sources (essai > opinion d’expert) Traduction de l’incertitude, et non suppléance  Un modèle ne remplace pas l’absence de données  Analyses de sensibilité et de robustesse  Description appropriée de la réalité Validé  Concordant avec d’autres modèles ou études  Évolutif avec les connaissances disponibles

Master Paris 5

PL-5233/05 - Simulation de Monte Carlo

Source : Buxton et al, Health Econ, 1997 11