卫生经济学评价模型在糖尿病自我管理教育和支持中的应用进展2026

卫生经济学评价模型在糖尿病自我管理教育和支持中的应用进展2026全球糖尿病患者急剧增加、经济负担沉重，糖尿病自我管理教育和支持的研究日益增多。卫生经济学评价模型能够评估各种干预措施的经济成本效益，尚缺乏对糖尿病自我管理教育和支持中所使用模型的回顾与总结。该文系统回顾了卫生经济学评价模型的定义、起源与发展历程，重点详细介绍常见模型的结构特征及其在糖尿病自我管理教育和支持中的应用现状，同时，还总结了糖尿病自我管理教育和支持的长期成本效果，旨在为该领域的卫生经济学研究提供参考依据。研究显示，全球糖尿病患者人数预计将从2021年的5.29亿激增至2050年的13.1亿

［

1］

，相关医疗支出高达1万亿美元

［

2］

。我国糖尿病花费支出居全球第二

［

3］

，预计2020—2030年费用将从2502亿元增加至4604亿元

［

4］

。因此，迫切需要具有成本效果的公共卫生措施以减轻疾病的经济负担。2005年，Tang等

［

5］

提出了糖尿病自我管理教育和支持（diabetesself-managementeducationandsupport，DSMES），并被纳入美国糖尿病管理标准中。DSMES被证实可提升患者的自我管理能力，改善血糖控制和生活质量

［

6,7］

，但其在资源有限场景下的经济可行性面临挑战。卫生经济学评价模型能模拟干预措施的长期经济效果，助力资源优化配置

［

8］

。国外已有多项研究采用模型模拟DSMES的成本效果

［

9,10］

，而国内相关研究较少

［

11］

，尤其在实践中的应用。因此，本文系统梳理卫生经济学模型的发展、特征及其在DSMES中的应用，旨在为临床决策者提供模型选择的依据，并为政策制定者评估不同模型在预测DSMES的经济效益与适用性提供参考。一、卫生经济学评价模型的起源和发展20世纪50至60年代，卫生经济学作为经济学分支兴起，其核心理论支撑了卫生经济学评价模型的发展

［

12,13］

。卫生经济学评价是指应用经济技术分析与评价方法，从卫生资源的投入（成本）和卫生资源的产出（效果、效用或效益）两个方面对备选方案进行比较分析，筛选最优策略

［

13,14］

。一般情况包括基于临床研究和模型研究两种路径。目前，利用经济模型量化并评估医疗措施的成本效果已成为卫生决策中的常用实践。卫生经济学评价模型是一类通过综合来自多个来源的信息，并应用数学技术（通常与计算机软件结合），来比较决策选项的预期成本和效果的数学和统计工具

［

8］

。约20世纪70年代，一些简单的数学模型开始被应用于卫生政策和临床决策中。决策树模型是最简单的决策分析工具

［

12，15］

，适用于模拟发展迅速、预后明确且短期内即可达关键节点的疾病

［

8，16］

。然而，该模型缺乏明确的时间变量，难以处理与时间有关的经济评价因素，且在疾病状态较多时容易变得冗长。20世纪70年代后，马尔可夫（Markov）模型被引入，通过动态模拟时间序列下的健康状态演变

［

17］

，成为糖尿病、脑卒中等

［

18］

慢性病长期经济评价的主流工具。此后，混合模型（如决策树-Markov）

［

19］

进一步增强了模型的灵活性和应用范围。针对糖尿病领域的经济学评价，复杂模型逐步涌现。1997年Eastman模型结合马尔可夫状态与蒙特卡洛模拟，用于预测2型糖尿病（type2diabetesmellitus，T2DM）微血管并发症、心血管疾病和死亡率

［

20］

。此外，2013年Kruger等

［

21］

构建SheffieldType1Diabetes模型用于评估1型糖尿病（type1diatetesmellitus，T1DM）教育项目。我国相关研究起步较晚，2003年王倩等

［

22］

以筛查幽门螺旋杆菌方案为例，引入Markov模型方法。近年来虽开发了本土化模型，如COMT模型

［

23］

，但尚未在DSMES中进行应用。由此可见，卫生经济学评价模型已从简单概念发展为成熟的多样化工具体系，并在政策制定和临床决策中发挥重要作用。二、常见卫生经济学评价模型的结构特征采用主题词和自由词相结合的方式，系统检索知网、万方、维普、Pubmed、WebofScience、OVID和Cochrane数据库，检索时限为建库至2024年4月。最终纳入2篇中文

［

24,25］

及18篇英文

［

9,10，21，26,27,28,29,30,31,32,33,34,35,36,37,38,39,40］

文献，基本特征见

表1

。共识别出9种应用于DSMES的卫生经济学模型，涵盖通用模型（Markov模型）和其他糖尿病专病模型，模型的结构特征见

表2

。现有模型多由西方学者基于当地人群数据开发，且以Markov结构为主，尚未见我国开发的模型应用于DSMES领域。不同模型在适用对象和范围上存在差异，需结合研究目标进行选择。未来需基于中国糖尿病流行病学特征，构建本土化DSMES卫生经济学模型，以精准评估糖尿病管理与教育模式的经济效果。三、卫生经济学评价模型在DSMES中的应用1.Markov模型：Markov模型自20世纪90年代起成为慢性病卫生经济学评价的重要工具

［

41］

。英国学者率先将其应用于DSMES的成本效果分析，并成为该领域最常用的模型。2004年，英国Shearer等

［

40］

通过构建涵盖糖尿病肾脏病、视网膜病变等六大微血管并发症的Markov模型，建模的概率和参数主要来源于随机对照试验和欧洲研究数据。该研究模拟了10年的结构化治疗和教育项目后，发现此项目可为T1DM患者节省2237英镑，并提升0.122个质量调整生命年（quality-adjustedlifeyears，QALY）。然而，该研究未对模型进行充分检验，且忽略了糖尿病大血管并发症的影响。后续研究扩展模型模拟的范围，纳入心血管并发症后显示DSMES成本效果概率降至42%~45%

［

35］

。大血管并发症影响糖尿病患者的生活质量和预期寿命，因此未来建模需将其纳入以提供更全面的成本效果分析。此外，澳大利亚、南非等国家的研究也验证了该模型在评估DSMES中的适用性

［

34，37］

。目前，国外研究在DSMES中应用Markov模型较为成熟，而国内尚未使用该模型开展相关研究。因此，建议基于中国糖尿病流行病学数据，使用Markov模型评估DSMES，为评估糖尿病管理策略的长期成本效果提供依据。2.UKPDSOutcomes模型：UKPDSOutcomes模型基于英国UKPDS研究开发，包括UKPDSOutcomes1模型

［

42］

和UKPDSOutcomes2模型

［

43］

两个版本，适用于T2DM患者的评估。2016年，比利时Odnoletkova等

［

33］

首次利用UKPDSOutcomes1模型评估电话自我管理支持教育在T2DM患者中的40年成本效果，通过模拟七大并发症，预测寿命、成本、QALY及增量成本效果比（incrementalcost-effectivenessratio，ICER）。该模型不仅完成内部验证，还通过与大型人群研究对比进行外部验证。然而，该模型可能高估心血管风险，且在微血管并发症预测存在局限

［

44,45］

。为克服上述局限性，Hayes等

［

43］

整合更长期数据开发了UKPDSOutcomes2模型，提升了糖尿病进展模拟的全面性。国外多项研究表明，该模型在评估DSMES的长期成本效果方面表现优异

［

10，26］

。2023年，我国学者首次应用该模型评估综合糖尿病护理管理项目50年的成本效果，并验证其具有成本效果

［

27］

。该研究基于真实世界数据，利用索赔数据集和临床信息系统收集患者的成本和临床改善情况，并在模型中输入人口统计学、危险因素、成本及并发症数据进行分析。值得注意的是，该模型基于英国人群数据构建，且仅完成内部验证，全球适用性和准确性仍需进一步验证。3.CORE模型：CORE模型由瑞士Palmer等

［

46］

于2004年开发，是一种基于互联网的交互式计算机模型，可预测糖尿病干预的长期健康和经济效果。CORE模型在国内DSMES的经济评估中已得到初步应用和探索。2012年，郭晓蕙等

［

25］

首先使用该模型评估糖尿病教育项目的成本效果，发现尽管增加了5183元的成本（2008年价格水平），但带来了0.76QALY的增益，ICER为6784元，显示具有长期成本效果。然而，该研究依赖于回顾性数据和国外转移概率，可能产生偏差。而且，仅从宏观层面评估糖尿病教育的成本效果，未能比较不同教育方式的效果差异。2021年，Jiang等

［

28］

使用CORE模型评估以自我效能为中心的T2DM结构化教育，发现参与者预期寿命和QALY增加，累计并发症发生率降低，在50年范围内为每位患者节省约24465元（2017年价格水平）。在该研究中，模型输入的基线队列特征、生理参数变化及干预费用来自多中心随机对照试验，但转移概率仍沿用模型内置的非中国人群数据。虽然这些研究提高了对CORE模型的认识，但因使用非中国人群的数据作为转移概率来源，可能存在一定的偏倚。因此，未来需结合中国糖尿病发病率、并发症数据及真实世界证据，自行设定模型中的概率参数，提升本土适用性。CORE模型因结构简洁、验证严谨，在我国DSMES经济评价中潜力显著。4.SheffieldType1Diabetes模型：SheffieldType1Diabetes模型由英国Thokala等

［

47］

于2013年开发，专用于评估T1DM结构化教育项目的长期成本效果，涵盖微血管、大血管并发症及不良事件亚模型。2013年，Kruger等

［

21］

使用该模型对T1DM结构化教育进行终生成本效果分析，并通过概率性和结构性敏感性分析验证了该项目的成本效果，为英国国家卫生服务机构的相关决策提供了支持。这一结果与Basarir等

［

32］

的研究一致。然而，Pollard等

［

31］

发现，胰岛素泵联合结构化教育的ICER为142195英镑（2010—2011年英国价格水平），超出支付阈值、具有成本效果的概率仅14%。这提示，成本效果分析需考虑研究目的、患者特征、模型假设及参数选择等因素。同时，在设计DSMES方案时还需关注成本差异。与其他模型相比，SheffieldType1Diabetes模型能够准确地反映患者特性和需求，提供精确的预测和评估。同时，该模型允许自定义患者特征、时间范围等参数，灵活性高，在国外应用广泛。但是，国内尚未见到针对T1DM管理与教育的卫生经济学研究报告。因此，未来可考虑引入该模型，结合我国本土化数据评估T1DM健康教育项目的经济效果，为政策制定提供科学依据。5.Michigan模型：Michigan模型由Ye等

［

48］

于2015年开发，旨在模拟T2DM患者冠心病的进展，并评估不同预防和治疗策略的成本效果。美国学者利用此模型评估DSMES的成本效果。如Ye等

［

9］

和Egede等

［

29］

分别针对非裔美国人和拉丁美裔T2DM患者的研究显示，这些教育项目不仅提高了生活质量，还降低了医疗成本，具有长期成本效果。尽管该模型经过内部和外部验证，确保了预测的准确性和可靠性，但目前尚未见其在我国糖尿病卫生经济学领域的应用。因此，该模型在中国的适用性和有效性还有待进一步验证。6.其他模型：除常用模型外，其他如美国开发的CDC-RTI模型

［

49］

、Eddy和Schlessinger

［

50］

的Archimedes模型和Gillett等

［

38］

的SheffieldType2Diabetes模型也在DSMES研究中发挥了重要作用。这些模型为研究提供了多种选择工具，未来可通过整合各自优势构建本土化模型。然而，开发和验证特定模型耗时且资源密集。随着人工智能（artificialintelligence，AI）技术的发展，其在处理大数据、复杂变量预测等方面展示出了显著优势

［

51］

。AI、机器学习和大数据等技术能够自动化收集数据与分析，加速复杂数据集的处理，提高模型开发的效率和准确性

［

52］

。研究表明，机器学习技术可以增强基于模型的成本效果分析，减少估计中的不确定性

［

53］

。此外，2022年Padula等

［

54］

发布的PALISADE清单，为机器学习技术应用于卫生经济学评价研究提供了透明、规范的指导。尽管如此，AI和机器学习在卫生经济学评价中的应用仍处于初级阶段。未来研究应探索将这些技术应用于模型构建与验证，以提升预测准确性和实用性，为慢性病管理提供更可靠的评估工具