药物经济学评价技能包

该技能包提供进行药物经济学评价的综合指导与工具，涵盖成本 - 效果分析、成本 - 效用分析、成本 - 效益分析、敏感性分析及模型构建。当您需要进行以下工作时，请使用此技能：对医疗保健干预措施进行经济学评价；分析治疗成本与产出结果；构建决策分析模型（如马尔可夫模型、决策树模型、离散事件模拟模型）；依据中国指南撰写药物经济学报告。本技能包适用于从事卫生技术评估（HTA）项目的研究人员、卫生经济学家及医药行业专业人士。

药物经济学评价技能

Overview

此技能提供全面的药物经济学评价指导，包括成本-效果分析、成本-效用分析、成本-效益分析、敏感性分析和模型构建。遵循最新版的中国药物经济学评价指南，为医疗卫生干预措施的经济评价提供完整的工作流程、计算工具和参考文献。

评价类型选择

根据研究目的和数据特点选择合适的评价类型：

• 成本-效果分析 (CEA)：干预效果可用单一临床指标（如生命年、生存率）衡量时使用
• 成本-效用分析 (CUA)：需要同时考虑生存质量和生存时间时使用，效果指标为QALYs
• 成本-效益分析 (CBA)：干预效果可以用货币单位衡量时使用
• 成本-最小化分析 (CMA)：两种干预方案效果证实时使用，仅比较成本

核心工作流程

步骤 1：确定研究框架

1. 定义研究问题

   • 明确目标疾病和目标人群
   • 确定评价的干预措施和对照
   • 设定研究视角（推荐：社会视角）

2. 选择评价类型

   • 根据效果指标性质选择 CEA、CUA、CBA 或 CMA
   • 长期研究考虑贴现（成本和效果均需贴现）
   • 中国推荐贴现率：4.5%

3. 确定分析时间范围

   • 慢性疾病：通常采用终身或足够长的时间范围（95%以上研究对象进入了死亡状态）
   • 急性疾病：短期随访（1-3年）

步骤 2：收集和识别成本

遵循中国药物经济学评价指南识别成本：

直接医疗成本

• 药品费用
• 门诊费用
• 住院费用
• 检查检验费用
• 手术治疗费用
• 不良事件治疗费用

直接非医疗成本

• 交通费用
• 住宿费用
• 营养支持费用
• 非专业护理费用

间接成本

• 生产力损失（早亡或病假）
• 陪护成本与损失

无形成本

• 疼痛、焦虑、生活质量下降等不纳入货币成本，在效用分析中考虑

成本数据来源：

• 医院信息系统
• 医保数据库
• 流行病学研究
• 文献综述
• 问卷调查

步骤 3：测量效果/效用

效果指标选择

• 生存指标：生命年 (LY)、生存率
• 疾病特异性指标：无事件生存时间、症状改善
• 其他：并发症发生率、住院次数

效用测量（推荐使用间接测量法）

• EQ-5D（欧洲五维健康量表）
• SF-6D（基于SF-36）

效用值来源优先级：

1. 基于目标人群的原始研究数据（最佳）
2. 已发表的中国人群效用值
3. 其他国家人群的效用值数据

步骤 4：构建决策分析模型

根据研究特点选择合适的模型类型：

决策树模型

• 适用场景：短期、单次决策、事件顺序明确
• 优点：直观、易于理解、适合分析决策过程
• 步骤：
  1. 定义决策节点、机会节点、终端节点
  2. 为每个机会节点分配概率（概率和为1）
  3. 为每个终端节点分配成本和效果
  4. 折回计算期望值
  5. 比较决策选项

马尔可夫模型

• 适用场景：慢性疾病、长期随访、需要处理循环事件
• 优点：可处理疾病状态的周期性转移、结构清晰
• 步骤：
  1. 定义健康状态（如：健康、轻度、中度、重度、死亡）
  2. 构建转移矩阵（描述状态间转移概率）
  3. 估计转移概率（从发生率、生存曲线或文献）
  4. 为每个状态分配周期成本和效用
  5. 设定周期长度（通常为1年）和模型时限（终身或95%以上研究对象进入死亡状态）
  6. 进行马尔可夫模拟

离散事件模拟 (DES)

• 适用场景：个体差异大、事件时间不规律、需要处理资源限制
• 优点：最灵活、可模拟个体路径、精确建模时间依赖关系
• 步骤：
  1. 定义实体（患者）及其属性
  2. 定义可能的事件类型
  3. 建立事件调度机制
  4. 执行模拟
  5. 汇总分析结果

分区生存模型 (PSM)

• 适用场景：肿瘤学研究、基于生存曲线
• 优点：直接基于生存数据、外推合理
• 步骤：
  1. 获取PFS和OS生存曲线
  2. 使用参数化分布拟合曲线（指数、威布尔等）
  3. 外推到模型时限
  4. 计算各分区的人数分布
  5. 累积成本和效用

详细建模方法参考：references/model_methods.md

步骤 5：计算核心指标

使用 scripts/ 中的计算工具：

增量成本-效果比 (ICER)

使用 scripts/cost_effectiveness_analysis.py 中的 calculate_icere() 函数：

python

from cost_effectiveness_analysis import calculate_icere

result = calculate_icere(
    cost_intervention,  # 干预组成本
    effect_intervention,  # 干预组效果（如QALYs）
    cost_control,  # 对照组成本
    effect_control,  # 对照组效果
    threshold=100000  # 支付阈值（最新的中国1倍人均GDP/QALY）
)

ICER计算公式： [ ICER = \frac{C_A - C_B}{E_A - E_B} = \frac{\Delta C}{\Delta E} ]

质量调整生命年 (QALYs)

使用 scripts/cost_effectiveness_analysis.py 中的 calculate_qaly() 函数：

python

from cost_effectiveness_analysis import calculate_qaly

qalys = calculate_qaly(
    life_years=10,  # 生命年
    utility_scores=np.array([...]),  # 各时期效用分数
    discount_rate=0.45  # 贴现率
)

QALY计算公式： [ QALY = \sum_{t=1}^{T} U_t \times \frac{1}{(1+r)^{t-1}} ]

净收益 (Net Benefit)

[ NB = \lambda \times E - C ]

其中：

• NB = 净收益
• λ = 支付阈值
• E = 效果
• C = 成本

步骤 6：进行敏感性分析

单因素敏感性分析

使用 scripts/cost_effectiveness_analysis.py 中的 deterministic_sensitivity_analysis() 函数：

python

from cost_effectiveness_analysis import deterministic_sensitivity_analysis

# 定义参数范围
param_ranges = {
    'drug_cost': (10000, 20000),
    'hospital_cost': (5000, 15000),
    'effectiveness': (0.8, 1.2)
}

# 执行敏感性分析
results_df = deterministic_sensitivity_analysis(
    base_params=base_parameters,
    param_ranges=param_ranges,
    outcome_func=outcome_function
)

龙卷风图数据准备：使用 tornado_plot_data() 函数

概率敏感性分析 (PSA)

使用 scripts/monte_carlo_simulation.py 中的 MonteCarloSimulator 类：

python

from monte_carlo_simulation import MonteCarloSimulator

# 创建模拟器
simulator = MonteCarloSimulator(n_simulations=10000, seed=42)

# 定义参数分布
parameters = {
    'cost': {
        'distribution': 'gamma',
        'params': (2, 15000),  # shape, scale
        'min_value': 0
    },
    'effect': {
        'distribution': 'beta',
        'params': (5, 3),  # alpha, beta
        'min_value': 0,
        'max_value': 10
    }
}

# 执行PSA
results_df = simulator.probabilistic_sensitivity_analysis(
    parameters=parameters,
    outcome_func=outcome_function,
    threshold=120000
)

生成成本-效果可接受曲线 (CEAC)：使用 generate_ceac() 函数

价值信息分析 (VOI)：使用 value_of_information_analysis() 函数

步骤 7：结果解释与报告

支付阈值（中国参考）

• 1倍人均GDP/QALY：约 100,000元
• 2倍人均GDP/QALY：约 200,000元
• 3倍人均GDP/QALY：约 300,000元

结果解释

• ICER ≤ 支付阈值：具有成本效果
• ICER > 支付阈值：不具有成本效果
• 严格优势：成本更低且效果更好
• 严格劣势：成本更高且效果更差

报告要求

遵循 最新版CHEERS声明和最新版中国药物经济学评价指南：

1. 清晰描述研究设计和方法
2. 报告基线分析结果
3. 提供敏感性分析结果（单因素和概率敏感性）
4. 报告结果的置信区间
5. 讨论研究局限性和推广性
6. 明确声明资助来源和潜在利益冲突

详细指南参考：references/china_guidelines.md

Scripts 使用指南

cost_effectiveness_analysis.py

核心功能：成本-效果分析、ICER计算、QALY计算、确定性敏感性分析

主要函数：

• calculate_icere()：计算ICER
• calculate_qaly()：计算QALYs
• calculate_ceac()：计算成本-效果可接受曲线
• deterministic_sensitivity_analysis()：单因素敏感性分析
• tornado_plot_data()：准备龙卷风图数据
• markov_model_transition()：马尔可夫模型模拟
• discount_costs()：成本贴现

monte_carlo_simulation.py

核心功能：蒙特卡洛模拟、概率敏感性分析、价值信息分析

主要类和方法：

• MonteCarloSimulator：蒙特卡洛模拟器
  • generate_samples()：从指定分布生成样本
  • probabilistic_sensitivity_analysis()：执行PSA
  • generate_ceac()：生成CEAC
  • value_of_information_analysis()：VOI分析
  • scatter_plot_data()：准备成本-效果散点图数据

References 使用指南

china_guidelines.md

中国药物经济学评价指南（最新版）关键内容摘要，包含：

• 评价框架和视角
• 成本识别与测量
• 效果/效用测量
• 模型构建方法
• 贴现原则
• 敏感性分析要求
• 结果表达和报告标准
• 常用计算公式

使用场景：查询中国药物经济学评价的具体要求、标准和方法

model_methods.md

详细的决策分析模型构建方法，包含：

• 马尔可夫模型（基础概念、转移矩阵、概率估计）
• 决策树模型（结构、概率分配、折回计算）
• 离散事件模拟（核心要素、优缺点）
• 分区生存模型（生存曲线拟合）
• 模型比较和选择
• 建模最佳实践

使用场景：学习具体的建模方法、构建决策分析模型

常见任务场景

场景 1：开展新药的成本-效果分析

1. 确定研究视角（全社会视角）
2. 识别直接医疗成本和直接非医疗成本
3. 收集临床试验数据获取效果指标（生存、QALYs）
4. 构建马尔可夫模型模拟疾病进展
5. 计算ICER并与支付阈值比较
6. 进行单因素和概率敏感性分析
7. 按照CHEERS标准撰写报告

场景2：模型构建与验证

1. 根据疾病特点选择模型类型
2. 使用 references/model_methods.md 学习建模方法
3. 从文献或临床试验估计模型参数
4. 进行模型验证（内部验证和外部验证）
5. 使用模型进行基线分析
6. 进行敏感性分析验证模型稳定性

场景3：概率敏感性分析

1. 为每个关键参数指定概率分布
2. 使用 MonteCarloSimulator 进行10,000次以上模拟
3. 生成成本-效果散点图
4. 生成成本-效果可接受曲线（CEAC）
5. 进行价值信息分析（VOI）
6. 报告成本效果概率和置信区间

参数管理最佳实践

参数整齐排列原则

在进行药物经济学评价时，所有参数应整齐排列并标明来源。以下是最佳实践：

1. 参数分类组织

将参数按照以下分类整齐排列：

• 研究框架参数：研究视角、时间范围、贴现率、支付阈值等
• 模型结构参数：健康状态、初始分布等
• 转移概率参数：各状态间的转移概率
• 成本参数：各状态的年度成本明细
• 效用值参数：各状态的效用值
• 模拟参数：模拟次数、随机种子等

2. 参数来源标注

每个参数值都必须标注明确的数据来源：

• 文献引用：注明文献作者、期刊、年份、页码
• 数据库：注明数据库名称、版本、访问时间
• 指南/标准：注明指南名称、版本号、发布机构
• 专家意见：注明专家来源和判断依据
• 研究假设：说明假设的理由和依据

3. 参数格式规范

python

# ========== 参数分类标题 ==========
PARAMETER_NAME = {
    'parameter_key': value,  # 来源: 详细说明数据来源
    'another_key': value,    # 来源: 参考文献 [作者, 期刊, 年份]
}

4. 示例代码

参见 scripts/example.py 文件，其中展示了如何整齐排列所有参数并标明来源。该文件包含：

• 完整的参数分类组织
• 详细的数据来源标注
• 参考文献列表
• 参数使用示例

5. 参数来源模板

• 临床试验：来源: LIFE研究结果,缬沙坦组无事件率,Dahlöf B et al. Lancet. 2002;359:995-1003
• 流行病学研究：来源: 中国人口统计年鉴(2024),40-49岁年龄别死亡率
• 医疗费用：来源: 缬沙坦80mg片剂,5元/天×365天,中国医疗保障局药品目录价格(2024)
• 指南推荐：来源: 中国药物经济学评价指南(2025版),推荐4.5%贴现率
• 研究假设：来源: 假设新确诊患者,100%初始无并发症

重要注意事项

1. 遵循中国指南：确保研究方法符合中国药物经济学评价指南（最新版）的要求

2. 透明度：清晰描述所有假设、数据来源和计算方法

3. 参数来源标注：所有参数值必须注明来源，便于追溯和验证

4. 贴现：成本和效果均需贴现，中国推荐贴现率4.5%

5. 敏感性分析：必须进行充分的敏感性分析以评估不确定性

6. 模型验证：对模型进行内部验证，如可能进行外部验证

7. 报告标准：遵循 最新版CHEERS报告标准

8. 支付阈值：明确说明使用的支付阈值及其依据（中国参考：1-3倍人均GDP/QALY）

9. 时间范围：选择足够长的时间范围以捕捉所有相关成本和效果

10. 成本测量：避免使用支付价格（报销后价格），使用实际费用或标准化收费

11. 效用测量：优先使用中国人群的效用值，使用时注意测量工具的适用性

12. 参数整齐排列：参考 scripts/example.py 中的格式，整齐排列所有参数并详细标注来源

---

资源说明：

• scripts/：包含 Python 计算脚本，可直接执行以进行药物经济学计算
• references/：包含详细的方法指南和参考文献，在需要时加载到上下文
• assets/：暂未包含模板文件，可根据需要添加