健康效用值测量时映射法的适用情况及模型选择.doc

1、最好的资料送给现在奋斗的你！加油！健康效用值测量时映射法的适用情况及模型选择2020年4月健康效用值测量时映射法的适用情况及模型选择 本 文关键词：效用，映射，测量，模型，情况健康效用值测量时映射法的适用情况及模型选择 本文 简介：成本 -效用分析作为药物经济学研究的方法之一，在 国内外卫生评估中的应用日益普遍。 质量调整生命年是计量 效用的常用单位， 其计算的关键在于生命质量权重即健康效 用值的测量。 在大多数情况下， 使用基于偏好的普适性效用 量表来产生健康效用值都是适用的， 但也有一些情况下， 其 表现出灵敏度低的弱点，且普适性的特点往往与临床健康效用值测量时映射法的适用情况及模型选择

2、本文 内容：成本 -效用分析作为药物经济学研究的方法之一， 在国内外卫生评估中的应用日益普遍。 质量调整生命年是计 量效用的常用单位， 其计算的关键在于生命质量权重即健康 效用值的测量。 在大多数情况下， 使用基于偏好的普适性效 用量表来产生健康效用值都是适用的，但也有一些情况下， 其表现出灵敏度低的弱点， 且普适性的特点往往与临床实际 的健康状态关联性差。 一些临床研究人员更愿意使用贴近实 际疾病的疾病特异性量表或其他健康状态量表测量健康相 关生命质量，但是这些非基于偏好的测量量表缺少效用积分 体系，无法获得能够用于成本效用分析中的单一的效用指 数。而映射法便能解决这类问题， 它能够将生命质

3、量测量工 具转化成效用指数从而拓展其应用范围。 文章将对映射法进 行系统介绍，并进一步地对其应用于效用值测量时模型的选 择及应用加以分析。1、映射法的概念及基本原理映射法可以分为专家法模式和统计学模型分析法 模式。由于专家法过于武断且争议较大， 目前统计学模型分 析模式较为理想。在应用时，其需要一个真实的数据集，且 两种量表必须同时应用于同一个研究人群。映射是指非效用值测量方法 （包括非基于偏好的条 件特异性测量方法和特定的基于偏好的测量方法） 对基于偏 好且具有效用积分体系的效用值测量方法的映射， 它通过估 计两种测量方法的相关关系， 将非偏好信息转化为同等效力 的基于偏好的单一指数。 首先

4、，运用回归方法建立回归方程， 拟建一个效用值转换模型， 方程的自变量为非效用值测量方 法的某一类指数， 因变量为基于偏好且有积分体系效用值测 量方法中的指数； 然后对所建立的回归方程进行拟合度的检验；最后，运用模型来预测非效用值测量方法的效用值2、映射法的适用情况2.1 疾病特异性量表与基于偏好且具有效用积分体 系的健康效用测量量表间的映射需要对临床试验进行经济性评价时， 搭载临床数据 收集用于效果测量的经常会是非基于偏好的条件特异性测 量方法， 如西雅图心绞痛量表等。 此时可以运用映射法将特 异性测量方法的测量结果转化为基于偏好且有积分体系的 测量方法的结 果，如欧洲五 维健康量表 ( eu

5、roqol-5D, EQ-5D)，从而得到效用值进行成本 -效用分析。3 个主要的基于偏好的健康效用表为 EQ-5D 、健康 效用指数 (health utilities index, HUI2 、HUI3 )和六维健康 测量量表( short form-6D, SF-6D)。其中， HUI 、EQ-5D 和 SF-6D 已有自身的效用积分体系， 能够通过基于偏好的估算 方法获得效用值。2.2 普适性量表与基于偏好且具有效用积分体系的 健康效用测量量表间的映射研究者不想要限制证据基础而希望通过临床研究 获得综合性数据时，往往需要选择普适性的效用测量方法 （如 SF-36、SF-12 等）。此时

6、映射法也可以被用于将此类量 表的测量结果转换为通过效用积分体系估计得到的健康效 用值，进一步进行成本 -效用分析。在应用映射法时，临床 试验为最佳的数据来源， 样本选择可以是社区人口、 医院人 口以及基层医疗人口。3、映射法的模型选择3.1 对应于变量及参数类型的总体模型类型将映射中所使用的非基于偏好的效用量表称为起 始量表， 将最终映射到的具有效用积分体系、 基于偏好的效 用测量量表称为目标量表。在映射之前，需要设立几个假设以作为模型的选择 条件：假设 a：起始量表的条目等级能够用于表示一个等 距量表的偏好，其中 l 表示最差健康状态、 i 表示最佳健康 状态；假设 b：起始量表维度中的条目

7、拥有相等的权重；假 设 c：起始量表的维度能够包含与环境和治疗相关的所有健 康维度；假设 c：起始量表和目标量表的维度均能够包含 与环境和治疗相关的所有健康维度；假设 d：起始量表的几 个维度之间权重相等；假设 e：起始量表定义的最差健康状 态为死亡；假设 f：起始量表定义的最佳健康状态为完全健从整体来看， 自变量应分为两方面。 一个是起始量 表自身对目标量表结果的影响， 另一个为受访者人口学资料 特征对目标量表结果的影响。 根据量表的设计情况， 起始量 表自身对目标量表结果的影响共有以下六类总体模型： B=+ A+u 式 1 式 1（模型 1）是一类最简单的加性模型， 其需要满足假设 a、b

8、、c和 d。其中，自变量 A 为起始量 表的总分，因变量 B 为目标量表的效用指数（下同） ， u 为 扰动项（下同），即将目标测量方法如 EQ-5D 回归到起始测 量方法如 SF-36、HAQ 等的总分上。式 4 （模型 3 ）中，是式 3 （模型 3）的补充，其 在类型 3 的基础上，增加了交互作用项作为额外的自变量。但是，并非所有的条目间的交互作用项都能够作为式 4 的自 变量，只有通过以下两个条件筛选得到的交互作用项才能作 为自变量： (1)自变量估计系数的符号应为正， 即若某一维度 中的水平是不太健康的，那么选择其将增加负效用值的大 小，例如高的等级应该对应更好的生命质量以及更大的

9、EQ-5D 指数；(2)自变量估计系数的显著性 P 值应小于 0.01 与式 3 相同，此类型需满足假设 a 和 c，Ax、Ay 均为起始 量表各条目等级。式 5(模型 4 )中，自变量 Ax.y 表示起始量表条目 x 的等级 y， i 为条目个数， l 为各条目的等级个数。 Ai.l 为 一个虚拟的离散变量， Ai.l 是条目 i 的子集，当健康状态中的第 i 个条目处 于第 j 个水平时， Ai.l=1 ，否则， Ai.l=0 。并非所有的 Ai.l 均能作为自变量，子集的选择同样按照上面的两 个规则：(1)估计量的符号为正； (2)P值小于 0.01。式 5 只需 要满足假设 c。式 2

10、、3 、5 通过包含维度、条目和交互作用项的平 方项从而放宽了简单加性模型的假设条件。 这三类模型中的 维度和条目得分被视为连续型变量， 条目应答被模拟为虚拟 的离散变量。式 5 的自变量条目应答能够产生大量的自变量 (例如 SF-36 可以产生多于 100 个的自变量)，有利于对模 型中所包含的条目进行筛选。6 式 6(模型 5)是将目标量表的 d 个维度回归到 起始量表的条目等级上， 对每个维度的回归作用均要进行估 计，其只需满足假设 c。此类模型无法用于产生预测值， 且代表模型性能的拟合优度无法测定， 因此，模型 5 只是用 于为模型 6 自变量的选择提供依据。B1=+iAi+jAj+

11、+nAn+u，Bd= +iAi+jAj+nAn+u 式 7 式 7（模型 6）是 将目标量表的 d 个维度回归到起始量表的条目等级的子集 上，其根据式 6 的结果来选择子集， 选择规则与式 5 中的相 同。同样，式 7 只需要满足假设 c。式 6、 7 是更为复杂的两种模拟关系的途径。它们 对目标量表的各个维度单独进行估算。 如果目标测量方法为 EQ-5D，相较于式 6 中的连续型，式 7 中将因变量定义为离 散型更为精确、 恰当。六类模型的变量指标及其分别对应的 数据类型详（表 1）。3.2 常用的映射模型3.2.1 普通最小二乘法。 普通最小二乘法 （ ordinary least squ

12、are，简称 OLS）是一种基本的用于参数估计的线性 回归模型， 在计量经济学中使用广泛。 其基本原理为通过最 小化误差的平方和寻找数据的最佳函数匹配。若起始量表及目标量表的量表属性符合上述总体 模型 1、2、3，则在映射时均可以选择 OLS 作为具体的预测 估计模型选择。此时，起始量表的总得分、维度得分以及条 目等级得分均可作为自变量， 此外， 还可以加入模型 4 中的 虚拟变量即每个条目等级的子集。3.2.2 Tobit 模型。在医学实际中往往会遇到一些删 尾数据。例如，健康效用数据通常显著地呈现出一种部分个 体达到上限值 1 的截断效果，致使 EQ-5D 效用指数得分表 现出一种天花板效

13、应， 同样的，HUI 也存在此类情况。 因此， 忽略基于偏好的 HRQL 得分的有界性质而使用传统的线性 回归模型（例如 OLS）进行映射往往会导致估计出现偏倚以 及不一致性。然而， Tobit 模型能够为此类数据提供一致且 有效的估计手段。Tobit 模型是由 Tobin 首次提出的，也称截取回归模 型，其对连续型但受限或被截断的因变量进行回归分析。具体来说，上限为 1.0 的删尾数据的 Tobit 模型定 式为：即假设有潜在的 HRQoLYi* (*为实际观测值) 满 足 Yi*=Xi +i* ，且 i* N(0,2 )。Yi 表示目标量 表的健康效用指数， Xi 表示影响效用指数的自变量

14、，即起 始量表中的相应指标。对 Yi* 进行观察，当 Yi1.0 时， Yi= Yi* ，否则， Yi=1.0 。运用 Tobit 模型进行映射，优点在于当误差项满足 方差齐性时，与 OLS 相比， Tobit 模型具有更小偏倚。但是，在不满足方差齐性时， Tobit 模型会产生估 计偏倚从而误导结果。3.2.3 最小绝对离差模型CLAD 。为解决 Tobit 模型对于非方差齐性的不适 用问题， Powell 提出了针对 Tobit 模型的截断最小绝对离差 CLAD 模型。由于不要求分布及误差同方差性假设且对删尾 数据表现稳健， 即使在面对异方差性、 非正态性和删尾数据 时，CLAD 估计法也

15、能够进行估计。 其基本思想是通过最小 化误差项的绝对值之和来获得回归系数的估计值。与 Tobit 模型相同， CLAD 也假设 HRQoL 的测量 值设限为 1。但相对于 Tobit 模型侧重于算术平均数、取最 小平方和，CLAD 模型则侧重于中位数、 取最小绝对离差和。值得注意的是， Tobit 模型和 CLAD 估计方法都是 假设效用用于观察不够理想，从而对 HRQoL 进行的模拟。3.2.4 多分类逻辑回归。当因变量为离散变量（例 如 EQ-5D 的各维度水平），自变量为分类变量时，相比于上 述几种模型，选用多分类逻辑回归模型进行映射更为适合。 此种模型能够产生维度水平的概率分布， 之后

16、可以运用蒙特 卡洛程序从分布中选择一个单一水平， 并将其输入模型来计 算应答者的单一指数值。多分类逻辑回归 （multinomial logistic regression） 是研究多分类资料观察结果与一些影响因素关系的多变量 分析方法， 它是二分类逻辑回归的扩展， 适用于应变量为无 序分类的资料 。 假设应变量 Y（Y1 ，Y2，Yn） 为一 个包括 n个类别的无序多分类变量， X （X1，X2，Xm） 为影响 Y 的 m 个自变量，那么其多分类逻辑回归模型可表示为：式 10 中，对于包括 n 个类别的应变量 Y ，得出的 多分类逻辑回归就包括 n-1 个方程。0i 为第 i 个方程的常数项

17、， 1i， 2i， mi 逻辑为第 i 个方程自变量 X1 ，X2，Xm 的回归系数。这种模型是对目标量表的每个维度分别进行估计，而不是对其自身的单一指数。 根据各个维度的应答估计的选 择值集合，可以定义一个健康状态以及其应对应的一个指数 得分。上述指数得分不是直接处理的， 因此这种模型的优点 在于其能够有效避免上述指数得分的分布问题，也更符合 EQ-5D 量表的逻辑。 此外，由这种基于维度方法衍生出的算 法能够应用于可获得本国值集合而无须换算的国家。相反， OLS和CLAD 等直接预测模型需要换算。3.3 映射模型性能的评价3.3.1 模型的解释能力评价。模型的解释能力即拟 合优度一般通过拟

18、合优度 R2 和调整 R2(adjustedR2)来表 达。 R2 是模型中解释变量或回归元个数的非减函数，其统 计量能够量化在因变量 Y 的总变异中由回归模型解释的那 个部分所占的比例。调整 R2 是指对 R2 方程中的平方和所 涉及的自由度进行调整。拟合优度 R2 和调整 R2 越大，说 明构建出的模型拟合优度越好。3.3.2 模型的预测能力评价。模型的预测能力是指 模型预测值与实际测量值之间的偏差。 其中，总体的预测能 力用平均误差 ME ( mean error) 和平均方差 MSE( mean squared error)表示；个体水平的预测能力用平均绝对误差 MAE ( mean absolute erro)r 表示，即预测误差大于 0.1 和 0.05 的状态数。上述指标的结果值越小， 表示模型的预测能 力越好。除上述几个重要指标外，运用个体估计的均值、标 准差、最大值及最小值等基本描述性统计量也可以衡量模型 的预测能力。在模型检验时，应绘制 EQ-5D 指数的模型预 测值与实际测量值的散点图。 同时，还应计算预测值范围以 及实际测量值与预测值的 Pearson相关系数。4、讨论非基于偏好的健康测量量表对具有效用积分体系14的效用量表的映射模型时主要有 OLS、Tobit、CALD 、多分