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

Fernando Alarid‐Escudero, Eline Krijkamp+5 more|arXiv (Cornell University)|Aug 30, 2021

Advanced Causal Inference Techniques参考文献 33被引用 24

一句话总结

本教程提供了一份全面指南，介绍如何在R中实现时间依赖性队列状态转移模型（cSTMs），用于成本效果分析，重点在于模拟时间依赖性和状态停留时间依赖性。教程展示了如何使用R代码对随时间变化的转移概率、成本和效用进行建模，并应用该框架生成流行病学和经济结果，包括生存率、患病率和成本效果比，所有过程均可通过公开的GitHub仓库实现完全可复现。

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.

研究动机与目标

• 将传统的时间独立队列状态转移模型（cSTMs）扩展为包含时间依赖的转移概率、成本和效用。
• 演示两种形式的时间依赖性：基于自模拟开始以来时间的模拟时间依赖性，以及基于在健康状态中停留时间的状态停留时间依赖性。
• 通过一个真实世界成本效果分析示例，逐步在R中实现模型，以增强模型的真实性和透明度。
• 使研究人员能够计算关键的流行病学结果（如生存率、患病率），并开展成本效果分析和概率敏感性分析。
• 通过公开的R代码和方法论清晰性，促进卫生经济建模的可复现性和透明度。

提出的方法

• 使用三维转移概率数组（P）来建模时间依赖性，其中第三维表示自模拟开始以来的时间，从而实现模拟时间依赖性。
• 通过将状态空间扩展为“隧道状态”（如Sick - cycle 1, Sick - cycle 2）来实现状态停留时间依赖性，以追踪在某一健康状态中的持续时间。
• 使用矩阵乘法迭代计算队列在各状态间的分布：mt+1 = mt × Pt，其中mt为第t周期的状态向量。
• 通过队列状态转移数组追踪转移，以计算一次性转移奖励（如疾病发病时的成本或终末期干预的成本）。
• 利用模型输出开展成本效果分析（CEA）和概率敏感性分析（PSA）。
• 使用基础R以确保完全透明和可定制性，并参考高性能包如hesim和heemod以实现可扩展的模型。

实验结果

研究问题

• RQ1 如何在队列状态转移模型中实现模拟时间依赖性，以反映随时间变化的参数（如年龄特异性死亡率）？
• RQ2 当转移风险依赖于疾病发病以来的时间时，建模状态停留时间依赖性的最有效方法是什么？
• RQ3 如何在不扩展状态空间的情况下，将转移奖励（如诊断时的一次性成本或终末期成本）纳入模型？
• RQ4 状态空间扩展对计算效率和模型可扩展性有何影响？
• RQ5 如何利用时间依赖性cSTMs生成可靠的流行病学结果（如生存概率和疾病患病率），以支持模型校准与验证？

主要发现

• 本教程成功在R中使用三维转移概率数组实现了模拟时间依赖性，使基于模拟时间的时变转移概率成为可能。
• 通过隧道状态有效建模了状态停留时间依赖性，能够准确追踪基于在健康状态中停留时间的时变风险和成本。
• 通过队列状态转移数组高效捕获了转移奖励，避免了额外的状态扩展，提升了模型效率。
• 该模型能够生成关键的流行病学结果，如生存概率和疾病患病率，这些结果对模型校准与验证至关重要。
• 完整的R实现已公开发布于GitHub，确保了可复现性，并可广泛应用于卫生经济学评估。
• 该方法显著提升了卫生决策科学中的透明度和灵活性，尤其适用于复杂且随时间变化的卫生干预措施。