Introdução: Políticas de saúde informadas no Brasil dependem de uma avaliação de tecnologia em saúde (HTA) robusta, especialmente para condições como câncer de pulmão de células não pequenas (NSCLC). Apresentamos uma análise de eficiência de primeira linha para avaliar tratamentos de NSCLC que correlaciona custos anuais de tratamento com resultados clínicos, oferecendo uma abordagem sistemática para melhorar a tomada de decisão no contexto de saúde brasileiro. Métodos: Este estudo quantitativo analisou os custos de medicamentos para NSCLC dentro do sistema de saúde brasileiro e os dados de eficácia clínica de estudos cruciais. Os dados foram analisados usando o software Python e R. O conjunto de dados compreendeu custos de medicamentos e taxas de risco para sobrevida global. Após a preparação dos dados, que envolveu normalização e gerenciamento de outliers, construímos uma fronteira de eficiência classificando os medicamentos com base no custo e na eficácia. Um modelo de regressão linear foi então desenvolvido para extrapolar essa fronteira, derivando uma fórmula que prevê custos de tratamento para melhorias específicas na sobrevida global. Resultados: A análise delineou uma fronteira de eficiência e revelou tratamentos de NSCLC com boa relação custo-benefício no Brasil. A seguinte equação de regressão linear foi derivada: sobrevida global = (1,033551 ± 0,000003) × custo do tratamento (USD). Isso permite a estimativa de custos de tratamento apropriados para novas terapias com base em seus resultados clínicos esperados. Este modelo inicial fornece uma base para estimar o impacto econômico de novos tratamentos. Conclusões: Esta análise preliminar da fronteira de eficiência oferece uma nova perspectiva para avaliar estratégias de tratamento de CPNPC no Brasil para dar suporte a decisões de políticas de saúde sustentáveis. O modelo está sujeito a limitações devido à ausência de uma revisão sistemática da literatura. No entanto, ele representa um passo inicial em direção a uma estrutura de ATS mais abrangente. Pesquisas futuras devem refinar o modelo incluindo coleta e análise sistemática de dados.
Notas
O registro foi originalmente publicado em inglês. A versão em português foi traduzida com o apoio de inteligência artificial.
Abstract
Introduction: Informed healthcare policies in Brazil rely on robust health technology assessment (HTA), especially for conditions like non-small cell lung cancer (NSCLC). We present an efficiency fron tier analysis to evaluate NSCLC treatments that correlates annual treatment costs with clinical outcomes, offering a systematic approach to enhance decision-making in the Brazilian healthcare context. Methods: Thisquantitative study analyzed NSCLC drug costs within theBrazilian healthcaresystemandtheclinicalefficacydataofpivotal studies. The data were analyzed using Python and R software. The dataset comprised drug costs and hazard ratios for overall survival. After data preparation, which involved normalization and outlier management, we constructed an efficiency frontier by ranking drugs based on cost and effectiveness. A linear regression model was then developed to extrapolate this frontier, deriving a formula that pre dicts treatment costs for specified improvements in overall survival. Results: The analysis delineated an efficiency frontier and revealed cost-effective NSCLC treatments in Brazil. The following linear regression equation was derived: overall survival = (1.033551 0.000003) × treatment cost (USD). This allows for the estimation of appropriate treatment costs for new therapies based on their expected clinical outcomes. This initial model provides a foundation for estimating the economic impact of new treatments. Conclusions: This preliminary efficiency frontier analysis offers a novel perspective for evaluating NSCLCtreatmentstrategies inBrazil to support sustainable healthcare policy decisions. The model is subject to limitations due to the absence of a systematic literature review. However, it represents an initial step towards a more com prehensive HTA framework. Further research should refine the model by including systematic data collection and analysis.
Notes
The record was originally published in English. The Portuguese version was translated with the support of artificial intelligence.
