1. 项目概述与问题拆解看到“肿瘤疾病诊疗的经济学分析”这个标题很多同学第一反应可能是这到底是数学建模题还是医学题其实这正是当前交叉学科研究的热点也是各类建模竞赛如国赛、美赛中越来越常见的题型。它要求我们不是单纯地做临床研究而是运用数学模型和经济学工具去量化、分析和优化一个复杂的现实系统。第一问通常扮演着“基石”角色它的模型构建直接决定了后续所有分析的逻辑是否自洽、结论是否可靠。简单来说第一问的核心任务是针对题目给出的肿瘤诊疗场景构建一个能够刻画“资源消耗-健康产出”关系的核心经济学模型。这个模型需要回答在给定的医疗资源如资金、床位、医生时间约束下如何选择或评价不同的诊疗策略才能使得“钱花得最值”这里的“值”在经济学上通常用“成本效果”或“成本效用”来衡量。你可能会遇到诸如“比较A方案和B方案哪个更经济”、“在预算有限下如何分配资源使总健康收益最大”这类具体问题。这项工作适合所有对数学建模、数据分析、公共卫生政策或医疗管理感兴趣的同学。无论你是数理基础扎实的理工科学生还是对社科交叉应用有热情的经管类学生都能在其中找到发挥空间。接下来我会把自己带队和评审中积累的经验拆解成一步步可操作的方法并重点分享那些容易踩坑的细节。2. 核心模型选型与思路构建面对第一问首要任务是确定模型的分析框架。这不是天马行空的创造而是基于经典卫生经济学理论和题目具体信息的“结构化思考”。2.1 确定分析视角与评价指标题目通常不会明说但你必须先明确分析视角是从全社会角度、医保支付方角度还是医院角度这直接决定了哪些成本需要计入哪些产出被看重。例如全社会角度会考虑患者因病误工带来的生产力损失间接成本而医院角度可能只关心药品、检查等直接医疗成本。在建模说明中务必开宗明义地声明你的分析视角。紧接着是选择核心评价指标这是模型的“指挥棒”。最常用的是两类成本-效果分析CEA效果用临床自然单位衡量如“延长的生命年LYs”、“避免的复发次数”、“肿瘤缩小比例客观缓解率ORR”。适用于比较治疗同一种疾病的不同方案。成本-效用分析CUA效果用质量调整生命年QALYs衡量。它引入了“健康效用值”通常用1表示完全健康0表示死亡0-1之间表示不同健康状态将生存时间和生存质量结合起来。这是目前卫生经济学评价的“金标准”尤其适合涉及生存质量差异大的方案比较如根治性手术 vs. 保守治疗姑息治疗。注意很多同学直接套用QALYs却忽略了效用值的数据来源。在建模中如果题目没有给出你需要基于文献为每种健康状态如“无进展生存”、“疾病进展”、“严重不良反应期”赋予一个合理的效用值并说明引用来源或假设依据。这是一个关键的得分点也是容易失分的地方。2.2 模型结构选择决策树 vs. 马尔可夫模型根据疾病进程和治疗决策的复杂性需要选择合适的模型结构来模拟患者队列随时间推移的状态变化。决策树模型适用于短期、决策点少、结局明确的一次性决策。例如比较两种一线化疗方案A和B治疗后可能只有“有效”、“无效”或“发生严重副作用”几种互斥的终点状态。它的优点是直观、计算简单。在Excel里就能搭建。结构大致如下初始决策选择方案A或B ├── 概率分支如70%有效 │ └── 结局成本C1效果E1如获得10个QALYs └── 概率分支如30%无效/副作用 └── 结局成本C2效果E2如获得5个QALYs并增加额外处理成本每个分支的终点都附上其成本和效果通过概率加权平均就能算出每个方案的期望成本和期望效果。马尔可夫模型则擅长模拟慢性、周期性、可能反复发生的疾病过程。肿瘤诊疗非常适合用它因为患者常在不同健康状态间转换例如“健康”、“局部复发”、“远处转移”、“死亡”。模型将时间离散为一个个周期如1个月或1年定义一组互斥且完备的“健康状态”并通过“转移概率”矩阵来描述每个周期内患者从一个状态转移到另一个状态的可能性。以一个简化的乳腺癌模型为例状态可设为无病生存DFS、局部复发LR、远处转移DM、死亡。每个周期存活的患者都会根据一组概率通常来自大型临床研究决定下一个周期所处的状态。每个状态都关联着特定的“成本”如DM状态下的姑息治疗费用更高和“效用值”如DM状态下的生存质量低于DFS。通过模拟大量虚拟患者或采用队列模拟法在整个时间轴上的状态跃迁累加他们消耗的总成本和获得的总QALYs。选择依据如果题目时间跨度长如5年、10年生存分析且涉及复发、转移、再治疗等动态过程马尔可夫模型几乎是唯一的选择。决策树难以刻画这种复杂的循环。我个人的经验是在肿瘤经济学评价中马尔可夫模型的应用占八成以上。2.3 数据来源与处理要点模型是骨架数据是血肉。数据准备常常消耗一半以上的时间且直接决定模型的可信度。临床数据概率、效果转移概率、治疗方案的有效率、生存率等必须寻找高质量来源。优先顺序为题目直接给出的数据 基于题目所附参考文献推算 引用近年的高质量Meta分析或大型随机对照试验RCT结果。绝对禁止自己编造核心临床参数。成本数据区分直接医疗成本药费、检查费、手术费、直接非医疗成本交通、住宿和间接成本生产力损失。视角不同计入的范围不同。成本需要贴现将未来发生的成本折算到现值。贴现率通常取3%-5%需在模型中明确设定并做敏感性分析。效用值数据如前所述需要为每个马尔可夫状态赋予效用值。可查阅如《中国药物经济学评价指南》推荐值或特定癌种的流行病学研究。常用工具如EQ-5D量表评分转换。实操心得建立一个清晰的参数表是团队协作和报告呈现的关键。用表格列出每个参数参数名、定义、基线值、取值范围、来源会让你的模型显得非常专业。例如参数名称定义基线值范围敏感性分析数据来源从无病生存到局部复发的年转移概率患者每年从DFS状态转移到LR状态的概率0.080.05 - 0.12基于参考文献[1]的5年无复发生存率推算远处转移状态的月医疗成本患者在DM状态下每月平均的直接医疗费用元85006000 - 11000本市三级医院医保结算数据抽样无病生存状态的健康效用值DFS状态下患者的生命质量权重0.850.75 - 0.95参考XX癌种中国患者效用值研究[2]年贴现率用于将未来成本和效果折算为现值的比率0.030 - 0.05参照《中国药物经济学评价指南2020》3. 模型构建的详细步骤与实现这里我以一个具体的例子来演示如何构建一个马尔可夫模型比较“标准治疗方案SOC”和“新型靶向治疗方案New”的经济性。我们假设题目背景是某种晚期肿瘤。3.1 定义模型状态与周期首先基于疾病自然史和治疗路径定义马尔可夫状态。我们设定三个存活状态无进展生存PFS、疾病进展PD、死亡Death。其中PFS和PD是瞬态Death是吸收态一旦进入不再离开。周期长度根据疾病进展速度和数据可得性选择“月”或“年”。晚期肿瘤进展较快常用“月”为周期。我们这里设为“1个月”。时间跨度即模拟时长。通常要覆盖绝大部分患者的生存期例如5年60个月或直到队列中99%的患者进入死亡状态。我们设为10年120个月确保充分捕获长期差异。3.2 构建转移概率矩阵这是模型的核心引擎。我们需要为每个治疗方案SOC和New分别定义一组转移概率。这些概率通常来自关键临床试验的生存曲线数据如PFS曲线和OS曲线。如何从生存曲线获取概率假设从文献中得知SOC组的中位PFS为10个月New组的中位PFS为18个月。我们可以利用以下公式估算每月从PFS转移到PD的概率常数风险假设下月度转移概率 1 - exp(ln(0.5) / 中位时间)对于SOC组P_SOC 1 - exp(ln(0.5)/10) ≈ 0.0669(每月约6.69%的患者从PFS进展到PD)对于New组P_New 1 - exp(ln(0.5)/18) ≈ 0.0385(每月约3.85%)同理从PD状态到Death的转移概率需要利用总生存OS数据和中位OS来估算。但更精细的做法是PFS和OS曲线之间的差异就是患者在PD状态下的生存时间。有时文献会直接给出PD状态下的中位生存期。构建矩阵以SOC组为例单位每月从PFS状态转移到PD的概率为P_SOC(0.0669)留在PFS的概率为1 - P_SOC(0.9331)直接死亡概率很小可设为0或一个极小的背景死亡率。从PD状态转移到Death的概率需要另外估算假设基于文献PD状态下中位生存为8个月则月度死亡概率 1 - exp(ln(0.5)/8) ≈ 0.0833留在PD的概率为1 - 0.0833 0.9167。从Death状态转移到其他状态的概率为0留在Death的概率为1。3.3 关联成本与效用为每个状态PFS PD关联月度成本和健康效用值。成本PFS状态的成本主要是维持治疗和定期复查的费用。PD状态的成本则包括后续线治疗、支持治疗、住院等通常显著高于PFS。需要根据当地医疗服务价格或文献进行赋值。例如PFS状态月成本5000元PD状态月成本12000元。注意这里通常只计入直接医疗成本。初始治疗成本如第一个月的高额药费可以作为初始成本“入组成本”单独加入。效用值PFS状态患者生活质量较好效用值较高如0.75。PD状态因症状加重效用值降低如0.50。死亡状态效用值为0。3.4 队列模拟与结果计算我们可以用Excel、TreeAge Pro、R或Python来实现模拟。这里简述Excel的实现思路因其最直观且普及。创建跟踪表建立一个表格行代表周期0, 1, 2, ... 120月列代表各状态的人数分布、成本、效用。初始化在周期0假设有100,000名虚拟患者队列规模足够大以减少随机误差全部从PFS状态开始。为SOC组和New组分别创建一张这样的表。状态转移计算对于每个周期计算下一个周期各状态的人数。下周期PFS人数 本期PFS人数 * (1 - 从PFS到PD的概率)下周期PD人数 本期PFS人数 * (从PFS到PD的概率) 本期PD人数 * (1 - 从PD到死亡的概率)下周期死亡人数 本期PD人数 * (从PD到死亡的概率) 本期死亡人数死亡是吸收态累计成本与效用每个周期的总成本 (PFS人数 * PFS月成本) (PD人数 * PD月成本)每个周期的总效用QALYs (PFS人数 * PFS月效用值 PD人数 * PD月效用值) * (周期长度/1年)。因为QALYs是“年”单位所以月效用需要除以12。更精确的做法是将每个患者在每个状态下度过的时间人-月乘以该状态的月效用值再汇总折算为人-年。贴现将未来每个周期的成本和效用按选定的年贴现率如3%折算到现值周期0。月度贴现因子 1 / (1 年贴现率)^(周期数/12)。汇总将贴现后的所有周期成本相加得到每个方案的总贴现成本。同样方法得到总贴现QALYs。经济学指标计算增量成本效果比ICER (New组总成本 - SOC组总成本) / (New组总QALYs - SOC组总QALYs)如果ICER值低于预设的支付意愿阈值WTP比如在中国常参考1-3倍人均GDP2023年约8.5万元/人年那么New方案就具有成本效果。假设算得ICER为150,000元/QALY低于3倍人均GDP约25.5万元则可认为New方案相对于SOC是成本效果的。4. 模型验证与敏感性分析模型建完不等于万事大吉。验证和敏感性分析是体现模型稳健性和你思考严谨性的关键环节在高质量论文中必不可少。4.1 模型验证确保逻辑正确内部验证Face Validity检查模型输出是否符合临床常识。例如模拟出的中位PFS和OS是否与输入数据的来源文献基本吻合各状态的人数随时间变化曲线是否平滑合理你可以让不熟悉模型的队友来审视看其是否觉得“说得通”。极端值测试将关键概率设为0或1看模型输出是否符合预期。例如将疾病进展概率设为0患者应永远停留在PFS状态总成本应趋于稳定总QALYs应线性增长。这能检验模型结构有无根本性错误。独立重复计算如果可能用另一种软件或编程语言如用Python重写一遍逻辑进行复算对比关键结果是否一致。4.2 敏感性分析应对不确定性模型参数存在不确定性如成本数据是估计的效用值有波动。敏感性分析就是测试当这些参数在合理范围内变动时主要结论如ICER是否低于WTP是否改变。单因素敏感性分析One-way SA每次只改变一个参数观察ICER的变化。通常用“旋风图”来呈现直观显示哪些参数对结果影响最大。下图是一个示例可以看到“新药价格”和“PFS状态效用值”是影响ICER最敏感的参数。 此处应为旋风图文字描述其呈现形式纵轴列出被分析的参数横轴是ICER值每个参数有一条水平条形两端对应其取值下限和上限时的ICER结果条形越长说明影响越大。概率敏感性分析PSA更高级的方法。为每个不确定参数指定一个概率分布如成本服从Gamma分布概率服从Beta分布效用值服从Beta分布然后进行成千上万次蒙特卡洛模拟。每次模拟都从这些分布中随机抽取一组参数值进行计算最终得到ICER的一个分布。结果呈现成本-效果可接受曲线CEAC。这张图能告诉我们在不同支付意愿阈值下新方案具有成本效果的概率是多少。例如当社会愿意为获得一个QALY支付20万元时New方案有85%的概率是划算的。这为决策提供了强有力的概率依据。实现工具Excel结合RISK、TreeAge Pro、Rheemod包、PythonNumPy随机抽样都可以实现PSA。实操心得时间紧的话必须做单因素敏感性分析并绘制旋风图。如果时间允许强烈建议尝试PSA和CEAC图这是拉开论文档次、冲击高奖的关键。在文中要详细说明你为每个参数选择的分布类型及其理由例如概率介于0-1之间常用Beta分布成本非负且可能右偏常用Gamma分布。5. 常见问题与实战避坑指南根据多年辅导和评审经验第一问模型分析中以下几个坑几乎每年都有人掉进去。5.1 问题一混淆成本与收费这是最普遍的错误。模型中的“成本”应该是社会为提供这项医疗服务所消耗的真实资源价值而不是医院的收费标准或医保报销前的价格。在中国药品和耗材存在加成检查费定价也可能偏离成本。理想数据是来自“成本核算”研究但竞赛中更多使用医保支付价或经过调整的公开价格作为成本的近似。必须在文中明确指出你使用的成本数据是什么性质并讨论其局限性。5.2 问题二忽略时间因素与贴现成本和效果发生在不同时间点其价值不同。明天的100元不如今天的100元值钱未来的健康产出也不如现在的“值钱”。因此必须对发生在未来通常指一年后的成本和效果进行贴现。只贴现成本而不贴现效果是错误的常见做法。两者应使用相同的贴现率通常为3%-5%。在敏感性分析中测试贴现率为0%和5%的情形是标准动作。5.3 问题三模型结构过于简单或复杂过于简单例如用简单的加减乘除计算总成本和总生存完全没有考虑疾病状态的动态转换和概率事件。这无法反映诊疗过程的不确定性和时间动态模型说服力弱。过于复杂设计了十几个状态转移概率矩阵极其庞大但很多参数找不到可靠数据来源最终只能大量假设。复杂模型如果缺乏数据支持其可靠性反而低于结构清晰、参数有据的中等复杂度模型。记住模型复杂度应与数据可得性相匹配。5.4 问题四参数来源不清或假设不合理“假设新型治疗方案的有效率为80%”这个80%从哪来是你希望的还是文献报道的所有核心临床参数概率、生存数据和关键经济参数成本、效用值都必须注明来源。如果是假设必须说明假设的理由例如“参考同类药物XX的临床试验数据”并进行广泛的敏感性分析来测试这个假设对结论的影响。5.5 问题五结果呈现不专业只有数字没有图表ICER算出一个数就完了。优秀的分析应包含模型结构示意图、各方案成本效果散点图PSA结果、旋风图、成本-效果可接受曲线。图表信息不全图表缺少标题、坐标轴标签、单位、图例。旋风图看不出参数的波动范围。忽略基线分析结果在呈现PSA结果时忘了在散点图上标出基线分析的结果点即用参数基线值算出的那个成本和效果点这个点是所有模拟分布的“锚”。最后一个小技巧在论文中描述模型时多用“我们构建了一个马尔可夫状态转移模型Markov model”这样的专业术语并附上一张清晰的模型状态转移图可以用PPT或Visio画很简洁。在附录中提供关键的模型计算表格或代码片段如Excel的关键公式区域截图能极大增加评审专家对你模型工作量的认可和结果可信度的信任。模型分析部分本质上是展示你如何将模糊的现实问题转化为一个清晰、可计算、可验证的逻辑框架的能力这个能力远比算出某个具体数值更重要。
