[논문 리뷰] A Tutorial on Time-Dependent Cohort State-Transition Models in R using a Cost-Effectiveness Analysis Example

Fernando Alarid‐Escudero, Eline Krijkamp외 5명|arXiv (Cornell University)|2021. 08. 30.

Advanced Causal Inference Techniques참고 문헌 33인용 수 24

한 줄 요약

이 튜토리얼은 R을 사용한 비용효율성 분석을 위한 시간에 따라 변하는 코hort 상태이동 모델(cSTMs)을 구현하는 종합적인 가이드를 제시한다. 주로 시뮬레이션 시간 의존성과 상태 체류 시간 의존성에 중점을 두며, R 코드를 사용해 시간에 따라 변하는 전이 확률, 비용, 효용을 모델링하는 방법을 설명한다. 이 프레임워크는 생존, 유병률, 비용효율성 비율 등 전염병학적 및 경제적 결과를 생성하는 데 응용되며, 공개된 GitHub 리포지토리를 통해 완전한 재현 가능성을 확보한다.

ABSTRACT

In an introductory tutorial, we illustrated building cohort state-transition models (cSTMs) in R, where the state transitions probabilities were constant over time. However, in practice, many cSTMs require transitions, rewards, or both to vary over time (time-dependent). This tutorial illustrates adding two types of time-dependency using a previously published cost-effectiveness analysis of multiple strategies as an example. The first is simulation-time dependence, which allows for the transition probabilities to vary as a function of time as measured since the start of the simulation (e.g., varying probability of death as the cohort ages). The second is state-residence time dependence, allowing for history by tracking the time spent in any particular health state using tunnel states. We use these time-dependent cSTMs to conduct cost-effectiveness and probabilistic sensitivity analyses. We also obtain various epidemiological outcomes of interest from the outputs generated from the cSTM, such as survival probability and disease prevalence, often used for model calibration and validation. We present the mathematical notation first, followed by the R code to execute the calculations. The full R code is provided in a public code repository for broader implementation.

연구 동기 및 목표

• 기존의 시간에 따라 변하지 않는 코hort 상태이동 모델(cSTMs)을 확장하여 시간에 따라 변하는 전이 확률, 비용, 효용을 통합하는 것.
• 두 가지 형태의 시간 의존성 구현: 시뮬레이션 시작 이후 경과 시간에 기반한 시뮬레이션 시간 의존성과, 건강 상태에 체류한 시간에 기반한 상태 체류 시간 의존성.
• 실제 비용효율성 분석 사례를 활용한 R에서의 단계별 구현을 제공하여 모델의 현실성과 투명도를 향상시키는 것.
• 연구자들이 주요 전염병학적 결과(예: 생존율, 유병률)를 계산하고 비용효율성 분석 및 확률적 민감도 분석을 수행할 수 있도록 하는 것.
• 공개된 R 코드와 명확한 방법론을 통해 건강 경제 모델링의 재현 가능성과 투명성을 증진하는 것.

제안 방법

• 세 번째 차원이 시뮬레이션 시작 이후 경과 시간을 나타내는 3차원 전이 확률 배열(P)을 사용하여 시뮬레이션 시간 의존성을 모델링한다.
• 상태 체류 시간 의존성을 실현하기 위해 상태 공간을 '터널 상태'(예: 아프다 - 1회차, 아프다 - 2회차)로 확장하여 건강 상태에 체류한 시간을 추적한다.
• 행렬 곱셈을 사용해 반복적으로 코hort의 상태 분포를 계산한다: mt+1 = mt × Pt, 여기서 mt는 t회차의 상태 벡터이다.
• 코hort 상태이동 배열을 사용해 전이를 추적하여 일회성 전이 보상(예: 질병 발병 시 비용 또는 종료 시 간병 비용)을 계산한다.
• 모델 출력물을 사용해 비용효율성 분석(CEA) 및 확률적 민감도 분석(PSA)을 수행한다.
• 기본 R을 사용해 완전한 투명성과 사용자 맞춤형 설정을 확보하며, 확장성 있는 구현을 위해 hesim 및 heemod 등의 고성능 패키지를 참고한다.

실험 결과

연구 질문

• RQ1 시뮬레이션 시간 의존성을 어떻게 코hort 상태이동 모델에 구현할 수 있을까? 예를 들어 연령별 사망률과 같은 시간에 따라 변하는 매개변수를 반영하기 위해.
• RQ2 질병 발병 후 경과 시간에 따라 전이 위험이 변하는 경우, 상태 체류 시간 의존성을 가장 효과적으로 모델링하는 방법은 무엇인가?
• RQ3 진단 시나 종료 시 간병과 같은 일회성 비용을 상태 공간 확장을 피하면서 어떻게 통합할 수 있는가?
• RQ4 상태공간 확장을 고려할 때 계산 효율성과 모델 확장성에 미치는 영향은 무엇인가?
• RQ5 시간에 따라 변하는 cSTMs가 모델 校정 및 검증을 위해 신뢰할 수 있는 전염병학적 결과(예: 생존 확률, 질병 유병률)를 생성하는 데 어떻게 활용될 수 있는가?

주요 결과

• 튜토리얼은 R에서 3차원 전이 확률 배열을 사용해 시뮬레이션 시간 의존성을 성공적으로 구현하였으며, 시뮬레이션 시간에 따라 변하는 전이 확률을 반영할 수 있다.
• 터널 상태를 활용한 상태 체류 시간 의존성 모델링이 효과적으로 구현되어, 건강 상태에 체류한 시간에 따라 변하는 위험도 및 비용을 정확히 추적할 수 있다.
• 코호트 상태이동 배열을 통한 전이 보상의 효율적 포착으로 상태 공간 확장을 피하고 모델의 효율성을 향상시켰다.
• 모델은 생존 확률 및 질병 유병률와 같은 주요 전염병학적 결과를 생성하여, 모델 校정 및 검증에 필수적인 요소를 제공한다.
• 전체 R 구현 코드는 GitHub에 공개되어 있어 재현 가능성을 보장하고 건강 경제 평가 분야에서의 광범위한 활용을 가능하게 한다.
• 이러한 접근은 복잡하고 시간에 따라 변하는 건강 간호 조치에 대해 건강 의사결정 과학 분야에서 투명성과 유연성을 향상시킨다.