Uma abordagem MCDA para identificar relações-chave entre estados de saúde em cadeias de Markov para esclerose múltipla
Tipo de documento
Resumo
Descrição
Resumo publicado no Jornal de Assistência Farmacêutica e Farmacoeconomia (JAFF)
Fonte
JAFF
Ano de publicação
2022
Referência (Vancouver)
Sallum FSV. Uma abordagem MCDA para identificar relações-chave entre estados de saúde em cadeias de Markov para esclerose múltipla. J Assist Farmac Farmacoecon. 2022;7(Suppl 1).
An MCDA Approach to Identify Key Health State Relationships in Markov Chains for Multiple Sclerosis
Document type
Abstract
Description
Abstract published in the Journal of Pharmaceutical Care and Pharmacoeconomics (JAFF)
Source
JAFF
Publication year
2022
Reference (Vancouver)
Sallum FSV. Uma abordagem MCDA para identificar relações-chave entre estados de saúde em cadeias de Markov para esclerose múltipla. J Assist Farmac Farmacoecon. 2022;7(Suppl 1).
Introdução: As cadeias de Markov tem sido amplamente usadas para avaliações econômicas de doenças crônicas. Dividindo a enfermidade estudada em estados de saúde, esta metodologia representa quantos pacientes de uma coorte podem permanecer nesses estados de saúde e quantos pacientes podem migrar entre esses estados, ciclo após ciclo. O método do campo de estudo MCDA, um acrônimo em inglês para análise de decisão multicritério, Weighted Influence Non-linear Gauge System (WINGS) busca identificar relações-chave entre elementos de um sistema através do grau de força de cada um no sistema estudado e do grau de influência que cada elemento pode exercer sobre os demais. Objetivos: Identificar relações-chave entre estados de saúde nas cadeias de Markov de duas populações de pacientes de esclerose múltipla não tratados: menores de 28 anos, e com 28 anos ou mais. Em seguida, este estudo busca observar se as relaçõeschave identificadas entre os estados de saúde nas duas populações são as mesmas. Métodos: As cadeias de Markov geradas por Palace et al. (2014) para avaliar pacientes de esclerose múltipla não tratados com 28 anos ou mais, e menores de 28 anos em 10 estados de saúde por ciclos anuais foram utilizadas para identificar as relações-chave entre esses estados. O método WINGS foi aplicado separadamente nas duas cadeias de Markov. Para aplicar o WINGS, cada estado de saúde foi considerado um elemento, a probabilidade de permanecer em um estado de saúde foi o grau de força de cada estado de saúde na cadeia, a probabilidade de transição de um estado de saúde para outro foi o grau de influência que um estado de saúde exerce sobre outro. Resultados: O método WINGS identificou 34 relações-chave iguais em ambas as populações (menor de 28 anos, e com 28 anos ou mais). No entanto, apenas para a população menor de 28 anos foi identificada a relação-chave de transição do estado de saúde #8 para o estado de saúde #9 e a relação-chave de transição do estado de saúde #6 para o estado de saúde #8. Conclusão: A abordagem MCDA aqui apresentada mostrou uma forma de identificar relações-chave entre estados de saúde em cadeias de Markov. Este estudo mostrou que o risco de progredir do estado de saúde # 8 para o estado de saúde #9 e progredir do estado de saúde #6 para o estado de saúde #8 pode ser maior na população de pacientes de esclerose múltipla não tratados menores de 28 anos do que na população com 28 anos ou mais.
Notas
O registro foi originalmente publicado em português. A versão em inglês foi traduzida com o apoio de inteligência artificial.
Abstract
Introduction: Markov chains have been extensively used in economic evaluations of chronic diseases. By dividing the studied illness into health states, this methodology represents how many patients from a cohort can remain in these health states and how many may transition between them, cycle after cycle. The Weighted Influence Non-linear Gauge System (WINGS) method from the Multi-Criteria Decision Analysis (MCDA) framework seeks to identify key relationships among elements of a system based on the degree of influence each element exerts on the studied system and the strength of these relationships. Objectives: To identify key relationships between health states in Markov chains for two populations of untreated multiple sclerosis patients: those under 28 years old and those aged 28 years or older. Furthermore, this study aims to observe whether the key relationships identified between health states in the two populations are the same. Methods: Markov chains developed by Palace et al. (2014) to evaluate untreated multiple sclerosis patients aged 28 years or older and those under 28 years old across 10 health states per annual cycle were used to identify key relationships between these states. The WINGS method was applied separately to both Markov chains. In applying WINGS, each health state was considered an element, the probability of remaining in a health state represented the strength of that health state in the chain, and the transition probability from one health state to another represented the influence one health state exerts on another. Results: The WINGS method identified 34 identical key relationships in both populations (under 28 years old and 28 years or older). However, only for the population under 28 years old, key relationships were identified for the transition from health state #8 to health state #9 and from health state #6 to health state #8. Conclusion: The MCDA approach presented here demonstrated a method to identify key relationships between health states in Markov chains. This study revealed that the risk of progressing from health state #8 to health state #9 and from health state #6 to health state #8 may be higher in the population of untreated multiple sclerosis patients under 28 years old compared to those aged 28 years or older.
Notes
The record was originally published in Portuguese. The English version was translated with the support of artificial intelligence.
