Implementação de análise de custo efetividade no R

Abstract

Introdução: A análise de custo-efetividade (ACE) é uma técnica de avaliação econômica muito utilizada na tomada de decisão para melhoria da Saúde. Por meio da constituição de um problema de ACE é possível identificar, entre dois ou mais procedimentos, aquele que consegue obter o melhor resultado por unidade monetária aplicada. Em resumo, ela permite a comparação entre procedimentos levando em conta a relação entre custo e efetividade. Essa técnica tem se mostrado de fundamental importância, principalmente porque existe uma carência de recursos financeiros disponíveis à saúde, porquanto possibilita que esses recursos sejam aplicados de forma mais adequada, ou seja, com a finalidade de promover a saúde. Materiais e Métodos: O pacote arvoRe é uma implementação de ACE para o R, orientada a computar problemas que envolvam modelos de decisão simples e modelos de decisão com cadeias de Markov – usando simulação de primeira e/ou segunda ordem. O seu uso se dá exclusivamente por meio de uma Interface Gráfica para o Usuário (GUI) desenvolvida em Tcl/Tk. Essa interface gráfica simplifica a tarefa de criação da árvore de decisão e a sua manipulação. O pacote foi inicialmente desenvolvido em 2008 e contemplava somente os modelos envolvendo árvore de decisão simples ou modelos de cadeias de Markov em simulação de primeira ordem. Nesta primeira versão os parâmetros do modelo podiam apenas ser declarados em formato numérico, o que limitava muito a avaliação da incerteza em torno de resultados de custo e efetividade. Este trabalho apresenta ao leitor a evolução do arvoRe por meio de exemplos – partindo dos modelos mais simples para ACE até os modelos que se valem de simulação de segunda ordem, bem como a análise de sensibilidade e outras características que auxiliam o usuário na avaliação dos resultados. Resultados: O arvoRe é capaz de resolver problemas de custo-efetividade envolvendo árvores de decisão simples, árvores de decisão com cadeias de Markov – estando disponíveis simulação de primeira e segunda ordem. A construção de um modelo de decisão pode utilizar a declaração de variáveis e incorporar também expressões matemáticas na definição de seus parâmetros. Essa característica do programa possibilita que o usuário crie um modelo com estruturas mais complexas, e portanto mais realísticas para a avaliação econômica. Um exemplo é a análise de sensibilidade probabilística, que se torna possível com a associação de uma distribuição de probabilidade a um parâmetro do modelo. Ainda são oferecidas ao usuário as principais ferramentas de ACE, como razão de custo-efetividade, razão incremental de custo-efetividade, benefício líquido incremental e curva de aceitabilidade. A modelagem do problema e a análise estatística dos dados, realizadas totalmente por GUI em Tcl/Tk, é facilitada por meio de tabelas e gráficos. Os resultados obtidos para o problema e a sua árvore de decisão podem ser exportados para arquivos que poderão ser utilizados para criar gráficos e tabelas sem o uso do R. Conclusão: As novas implementações realizadas no arvoRe tornam possíveis a construção de modelos mais complexos e a avaliação estocástica da incerteza associada à modelagem - os quais passaram, nos últimos anos, a serem promovidos pelos guias de boas praticas de ACE e mostram crescente aplicação em estudos de avaliação econômica em saúde. Esses recursos, como a simulação de segunda ordem e a abordagem de resultados em termos de benefício líquido, já se encontravam disponíveis em aplicativos comerciais para ACE. Reconhecemos que há aplicativos comerciais que oferecem um leque de ferramentas, que proporcionam uma maior capacidade de personalização do modelo de decisão, não disponíveis no arvoRe. Entretanto, devido ao fato do arvoRe ter código fonte aberto e ter sido desenvolvido em R – ambiente livre e gratuito de grande popularidade no meio acadêmico – os usuários podem não apenas modificar as funcionalidades existentes, mas também criar novas funcionalidades, lançando mão de outros códigos ou pacotes já existentes para o R. No que tange a relação velocidade dos algoritmos de simulação e consumo de recursos computacionais, optou-se por favorecer a velocidade dos algoritmos. Esta escolha implicou uma maior necessidade de memória do tipo RAM - uma vez que o processo de simulação é vetorial (abrindo mão de iterações) e todo desenrolar da coorte simulada é armazenado em memória para futura recuperação. A melhoria dos algoritmos de simulação, objetivando maior velocidade e menor consumo de recursos computacionais, e o desenvolvimento do conjunto de funcionalidades facilitadoras ausentes supracitadas são os próximos pontos a serem explorados em futuras versões do programa.

Introduction: The cost-effectiveness analysis (CEA) is a decision making technique widely used for economic evaluation, to improve the Health. The purpose of a CEA problem is to identify, between two or more procedures, the best result for monetary unit applied. It provides, in a few words, a comparison of procedures taking into account the relationship between cost and effectiveness. This technique has been shown to be of fundamental importance, mainly because there is a lack of financial resources available to healthcare. CEA informs decision-makers who have to determine where to allocate limited healthcare resources. Materials and Methods: The package arvoRe is an implementation of CEA for the R. It is oriented to compute problems of simple decision models and decision models with Markov chains - using first and/or second order simulation. The software human interface is provided by Graphical User Interface (GUI) developed in Tcl/Tk. This graphical interface simplifies the decision tree assembly and its manipulation. The package was initially developed in 2008, providing to the user only simple decision tree models and Markov chain models in first order simulation. In this first version, model parameters could only be configured in numeric format. This limitation implies to be impossible an evaluation of uncertainty around outcomes and cost effectiveness. This paper introduces the reader to arvoRe package through examples - starting with the tree assembly up to a complex CEA model using second order simulation, as well sensitivity analysis and other features that help the user for results analysis. Results: The arvoRe package can solve cost-effectiveness problems using simple decision trees, decision trees with Markov chains - being available first and second order simulation. Variables declaration and mathematical expressions for parameters settings are available to decision model assembly. This feature allows the user to create a more complex structures model, and therefore a more realistic economic evaluation. For example, the probabilistic sensitivity analysis (possible with the association of a probability distribution to a model parameter), acceptability curve, the most popular CEA measures as cost-effectiveness ratio, incremental costeffectiveness ratio, and incremental net benefit. The problem concerning the modeling and statistical analysis, performed thought the GUI in Tcl/Tk, is simplified for charts and graphs. The analysis results and the decision tree can be exported to files, and these files can be used to create graphs and tables without R use. Conclusion: The new implementations added to arvoRe makes possible the assembly of complex models and the evaluation of the uncertainty associated with the stochastic modeling – promoted by good practices guides and with increasing application in economic healthcare evaluation studies. These features, such as second-order simulation and net benefit approach, already available in commercial applications for CEA. We recognize that there are comercial softwares offering a range of tools that provide a greater customization ability of the decision model, not available in the arvoRe. However, due to the fact the arvoRe have open source and has been developed in R – a free environment and widespread in academia - users can not only modify the existing features, but also create new features, making use of other codes or existing packages for R. Regarding the relative simulation algorithms speed and computational resource consumption, we chose to improve the algorithms speed. This choice led to a greater RAM memory use – because the simulation process uses a vectorized computation (avoiding iterations) and any simulated cohort is stored in memory for future analysis. The future software development is focused in faster simulation algorithms and lower resources consumption, as well all missing features cited above.