Cost-effectiveness analysis with new models of artificial intelligenceMedical applications

Resum

Given the limited resources of health care systems, the economic evaluation of medical techniques and treatments is becoming more and more important. The most a common tools for cost-effectiveness analysis are decision trees and Markov models, but they can only solve relative small problems. Probabilistic graphical models, such as Bayesian networks and influence diagrams, have been used in artificial intelligence for knowledge representation and explanation, especially in medicine, but only in unicriteria problems. In the last years, the Research Center for Intelligent Decision-Support Systems (CISIAD) at UNED, has developed new algorithms for cost-effectiveness analysis with decision trees and influence diagrams. It has also proposed two new types of probabilistic graphical models: Markov influence diagrams which extend influence diagrams for temporal reasoning, and decision analysis networks, which can model and evaluate problems with asymmetries such as restrictions and partially ordered decisions. This thesis addresses three methodological problems related to the evaluation of cost-effectiveness models. First, there are different corrections for reducing the error introduced by the discretization of time in Markov models. In general, numerical integration techniques give more accurate results than standard approaches, such as half-cycle correction, but we found that they can lead to a greater error when the model has discontinuities, for example when an expensive treatment is withdrawn after some time. We proved that building a new model averaged at the points of discontinuity yields much more accurate results. Second, the existing cost-effectiveness algorithms for Markov influence diagrams could only evaluate models with two criteria and one decision. In this thesis I have developed a new cost-effectiveness algorithm that can evaluate models with several criteria and any number of decisions with findings between the decisions. Third, decision analysis networks could only evaluate unicriterion problems. In collaboration with other members of the CISIAD, I have extended the algorithms developed for Markov influence diagrams, to perform cost-effectiveness analysis on decision analysis networks. I have applied Markov influence diagrams to the economic evaluation of two medical interventions. Our analysis of pediatric cochlear implantation in Spain has proved that it is cost-effective with respect unilateral cochlear implantation, and the model for colorectal cancer screening with immunochemical fecal occult blood test showed that it is cost-saving with respect to no screening.   Resumen (Summary in Spanish) Dado que los recursos de los sistemas de salud son limitados, la evaluación económica de las técnicas y tratamientos médicos es cada vez más importante. Los árboles de decisión y los modelos de Markov son las herramientas más utilizadas para el análisis de coste-efectividad, pero solo pueden resolver problemas relativamente pequeños. Los modelos gráficos probabilistas, como las redes bayesianas y los diagramas de influencia, se han utilizado en inteligencia artificial para la representación y explicación del conocimiento, especialmente en medicina, pero únicamente en problemas unicriterio. En los últimos años, el Centro de Investigación sobre Sistemas Inteligentes de Ayuda a la Decisión (CISIAD) en la UNED, ha desarrollado nuevos algoritmos para realizar análisis de coste-efectividad con árboles de decisión y diagramas de influencia. También ha propuesto dos nuevos tipos de modelos gráficos probabilistas: los diagramas de influencia markovianos, que amplían los diagramas de influencia para incluir razonamiento temporal y las redes de análisis de decisiones, que pueden modelar y evaluar problemas con asimetrías como restricciones o decisiones parcialmente ordenadas. Esta tesis aborda tres problemas metodológicos relacionados con la evaluación de modelos de coste-efectividad. Primero, hay diferentes métodos para reducir el error introducido por la discretización del tiempo en los modelos de Markov. En general, las técnicas de integración numérica dan resultados más precisos que los enfoques tradicionales, como la corrección de medio ciclo, pero pueden conducir a un error mayor cuando el modelo tiene discontinuidades, por ejemplo, cuando se un tratamiento caro se retira después de aplicarlo durante algún tiempo. Hemos probado que, la construcción de un nuevo modelo promediado en los puntos de discontinuidad produce resultados mucho más precisos. Segundo, los algoritmos de coste-efectividad existentes para los diagramas de influencia markovianos solo eran capaces de evaluar modelos con dos criterios y una decisión. En esta tesis, he desarrollado un nuevo algoritmo de coste-efectividad que permite evaluar modelos con varios criterios y cualquier número de decisiones con hallazgos entre las decisiones. Tercero, las redes de análisis de decisiones solo podían evaluar problemas unicriterio. En colaboración con otros miembros de la CISIAD, he ampliado los algoritmos desarrollados para los diagramas de influencia markovianos, para poder realizar análisis de coste-efectividad en redes de análisis de decisión. He aplicado los diagramas de influencia markovianos a la evaluación económica de dos intervenciones médicas. Nuestro análisis del implante coclear pediátrico en España ha demostrado que es coste-efectivo con respecto al implante coclear unilateral. El modelo para el cribado del cáncer colorrectal con test inmunoquímico de sangre oculta en heces mostró que permite ahorrar costes con respecto a la estrategia de no cribado.