Uji klinis berlangsung dalam jangka pendek, tetapi manfaat banyak obat bertahan selama berbulan-bulan atau bahkan bertahun-tahun setelah uji klinis. Untuk mengukur biaya dan manfaat penuh dari suatu pengobatan dari waktu ke waktu (misalnya seperti yang digunakan untuk tujuan HTA), seseorang harus mengekstrapolasi manfaat klinis ini. Biasanya, ekstrapolasi ini dilakukan dengan menggunakan fungsi parametrik (seperti yang direkomendasikan oleh dokumen dukungan teknis NICE Decision Support Unit (DSU) tentang analisis survival (TSD 14). Salah satu tantangannya adalah bahwa fungsi parametrik yang digunakan untuk mengekstrapolasi survival biasanya tidak terlalu fleksibel. Seperti yang ditulis Latimer dan Rutherford (2024) tentang keterbatasan ini:
Secara khusus, model eksponensial, Weibull, Gompertz, dan Gamma tidak dapat mengatasi titik balik apa pun dalam fungsi bahaya seiring berjalannya waktu (yakni, tingkat kemunculan peristiwa yang diinginkan seiring berjalannya waktu), dan model log-logistik, log-normal, dan Gamma Umum hanya dapat mengatasi satu titik balik.
Dengan terapi baru (misalnya, CAR T, imuno-onkologi) yang menawarkan kelangsungan hidup jangka panjang dan tahan lama yang lebih baik, pendekatan parametrik standar ini mungkin tidak cukup menangkap profil kelangsungan hidup yang mungkin. Bahkan jika tidak ada pengobatan yang sepenuhnya kuratif, mungkin ada alasan mengapa model penyembuhan berguna. Secara khusus,
Peserta dengan prognosis terburuk lebih mungkin meninggal terlebih dahulu, sehingga mengubah campuran prognosis dari mereka yang masih dalam tahap tindak lanjut. Hal ini dapat mengakibatkan titik balik dalam fungsi risiko, dengan risiko kematian menurun dalam jangka menengah. Dalam jangka panjang, risiko kemungkinan akan terus menurun dan bahkan mungkin turun ke tingkat yang diharapkan pada populasi umum—dalam hal ini, pasien yang tersisa dapat dianggap sembuh.
Sebagai alternatif, pembayar mungkin enggan menggunakan model “penyembuhan” jika data terbatas mengenai (i) berapa lama penyembuhan akan berlangsung dan (ii) berapa banyak orang yang akan “disembuhkan”. Namun, dokumen dukungan teknis NICE yang diperbarui (TSD 21) menjelaskan beberapa metode yang lebih fleksibel ini.
Penulis menggambarkan model penyembuhan sebagai pembagian semua kerugian dengan semua penyebab kerugian.
Terdapat dua jenis model penyembuhan: model penyembuhan campuran (MCM) dan model penyembuhan non-campuran (NMC). Para penulis menjelaskan MCM sebagai berikut:
MCM berasumsi bahwa ada dua kelompok individu – mereka yang pulih dari penyakit mereka dan mereka yang tidak. Ketika dimasukkan ke dalam kerangka kelangsungan hidup relatif, tingkat kematian populasi umum dimasukkan langsung ke dalam model dan model menggunakan ini, dikombinasikan dengan distribusi parametrik yang dipilih untuk mewakili pasien yang tidak pulih, untuk memperkirakan fraksi pemulihan. Tingkat kematian populasi umum diambil dari tabel kehidupan yang relevan, dengan tingkat dari tahun kalender yang sesuai digunakan, dan ini selanjutnya dikelompokkan berdasarkan karakteristik seperti usia dan jenis kelamin, sehingga setiap peserta uji coba dapat diberi tingkat kematian latar belakang yang diharapkan.
MCM menggabungkan populasi yang pulih dan yang tidak pulih, dengan yang pulih memiliki mortalitas populasi umum. Namun, penting untuk dicatat bahwa pemodel tidak “memutuskan” persentase pemulihan; persentase tersebut diperkirakan dari data. Secara khusus, setiap individu dalam kumpulan data tidak ditetapkan untuk disembuhkan atau tidak; melainkan mereka ditetapkan probabilitas untuk disembuhkan; seseorang hanya dapat memperkirakan fraksi pemulihan pada tingkat populasi dengan merata-ratakan probabilitas pemulihan ini di seluruh populasi.
Untuk membuat kode MCM, seseorang dapat menggunakan campuran str di Stata atau flexsurv Dan menyembuhkan di R.
NMCsebaliknya, membagi populasi secara langsung ke dalam kelompok yang disembuhkan dan yang tidak disembuhkan. Sebaliknya, 'sembuh' didefinisikan sebagai berikut:
NMC tidak berasumsi bahwa ada sekelompok pasien yang “sembuh” pada awal. Titik di mana pemulihan terjadi bergantung pada saat bahaya yang dimodelkan bertemu dengan bahaya yang diamati pada populasi umum. Ketika disesuaikan menggunakan model parametrik standar, tidak ada batasan kapan konvergensi ini akan terjadi.
Meskipun pendekatannya berbeda, penulis mencatat bahwa ketika MCM dan NMC dipasang pada distribusi parametrik yang sama, tingkat penyembuhan seringkali serupa.
Untuk mengkode NCM, seseorang dapat menggunakan campuran strsn atau stpm2 di Stata, atau flexsurvBahasa Indonesia: menyembuhkan Dan rstpm2 di R.
Saya sarankan Anda membaca makalah lengkapnya. Sisa makalah ini memiliki aplikasi empiris, kiat tentang kapan seseorang harus (dan tidak boleh) menggunakan model penyembuhan, dan banyak lagi. Bacaan yang sangat menarik.
NewsRoom.id
