Моделирование в мониторинге и оценке программ общественного здоровья Евгений Большов
←
→
Транскрипция содержимого страницы
Если ваш браузер не отображает страницу правильно, пожалуйста, читайте содержимое страницы ниже
Моделирование в мониторинге и оценке
программ общественного здоровья
Евгений Большов
www.aph.org.ua
Что такое модель?
Модель – это инструмент,
Модели позволяют
которые в упрощенном виде
объединять различные
представляет некоторый
данные таким образом,
реальный процесс,
каким нам сложно сделать
позволяет делать прогнозы и
это «в уме»
проводить эксперименты
Какая роль моделирования в науке?
Теперь же используется во все
большем числе дисциплин, в том
Компьютерное моделирование числе астрофизике, физике частиц,
впервые стало научным инструментом материаловедении, технике,
в метеорологии и ядерной физике климатологии, эволюционной
после Второй мировой войны. биологии, экологии, экономике,
теории принятия решений, медицине,
социологии, эпидемиологии и т.д.
Моделирование становится необходимым
методом в большинстве наук
Mental & Computational Models in Public Health
"Все решения принимаются на основе моделей. Большинство моделей в наших головах. Ментальные
модели - это не истинные и точные отображения того, что нас окружает, а только наборы
предположений и наблюдений, полученных из опыта ... Компьютерное моделирование может
компенсировать слабости наших ментальных моделей" (Forrester, 1994).
Априорные индивидуальные знания
Ментальные модели
Экспертные мнения Решения в сфере
общественного
здоровье
Имитационные и другие
математические модели
Данные
5
Почему сейчас проблемы общественного здоровья стали
изучать с помощью моделей?
Изменились наши представления о том, что является
причиной болезней и способы их предотвращения
• Божья воля
1840
• Плохие условия жизни (санитария)
1880
• Одно заболевание, одна причина (теория микробов)
• Одно заболевание, множественные причины (сердечные заболевания) 1950
• Одна причина, множественные заболевания (например, табак) 1960
• Множественные причины, множественные заболевания (но без динамической обратной
связи) (множественность причин) 1980
• Динамическое взаимодействие между заболеваниями, неблагоприятными условиями и
2000
нашими интервенциями (комплексная взаимосвязь между сердечно-сосудистыми
заболеваниями, диетами, и нашими попытками исправить это)
Milstein B. Hygeia's constellation: navigating health futures in a dynamic and democratic world. Atlanta, GA: Syndemics Prevention
Network, Centers for Disease Control and Prevention; April 15, 2008.
…на самом деле мы всегда занимаемся
моделированием
«Каждый раз, когда вы прогнозируете, как что-то, что вы
делаете, чтобы изменить систему, будет влиять на нее, вы
на самом деле моделируете это решение»
Росс Хаммонд
«Все модели неверны, но некоторые - полезны»
Джордж Бокс
Почему модель, а не здравый смысл?
Модели могут давать нам контр интуитивные результаты: модель эпидемии гриппа MIDAS Одна из моделей MIDAS показала, почему закрытие школ во время пандемии гриппа может быть плохой идеей - это уменьшит число работников здравоохранения, которые будут доступны, так как многие являются родителями-одиночками и должны будут уйти домой, если их дети не будут в школе. Еще один контринтуитивный вывод заключался в том, что если существует ограниченный запас вакцины, и целью является защита пожилых людей, лучшим способом действий может быть не давать вакцины пожилым людям, а отдавать их все детям школьного возраста, которые оказываются главным путем передачи гриппа в популяции.
Почему модель, а не исследование или
эксперимент?
• Далеко не все интервенции могут быть проверены с помощью
рандомизированных контролируемых испытаний. Хотя
рандомизированные контролируемые испытания интервенций на
индивидуальном уровня относительно просты (клинические
испытания лекарств), зачастую просто невозможно
рандомизировать интервенции на уровне популяций.
• Например, сложно провести эксперимент как введение налога на
подслащенные сахаром напитки ВО ВСЕЙ СТРАНЕ повлияет на
здоровье населения.Почему модель, а не исследование или
эксперимент?
• Проведение эксперимента может быть просто очень долгим (нельзя ждать 10 лет
оценки программы).
• Модель может показать результаты, для получения которых в клинических
исследований понадобились бы огромные выборки. Например, сравнительный
анализ 6 моделей скрининга рака груди показали, что снижение смертности, хоть
и очень незначительное, дает стратегия начала скрининга в возрасте 40 лет
против начала в 50 лет. Для того, чтобы найти эту разницу в исследовании,
нужно было бы провести максимально большое клиническое исследование
длительностью 10-15 лет.
• В конце концов, эксперименты – это просто очень дорого. Тогда как модели
позволяют проводить десятки (и даже сотни) так называемых In silico
экспериментовIn silico In silico — термин, обозначающий компьютерное моделирование эксперимента, чаще биологического. Фраза была создана по аналогии с фразами in vivo (в живом организме) и in vitro (в пробирке), которые часто используются в биологии, и сама не является латинской. Термин по написанию близок к латинскому выражению in silicio — «в кремнии», поскольку кремний как полупроводниковый материал играет важную роль в производстве компьютерного оборудования. Выражение in silico было впервые введено в оборот в 1989 году на семинаре «Cellular Automata: Theory and Applications» в Лос-Аламосе, Нью-Мексико. Педро Мирамонтес (Pedro Miramontes), математик из Национального автономного мексиканского университета представил доклад «DNA and RNA Physicochemical Constraints, Cellular Automata and Molecular Evolution». В своем докладе Мирамонтес использовал выражение «in silico» для обозначения биологических экспериментов, полностью осуществленных на компьютере.
Зачем нужны модели? • Для оценки реального числа людей с определенным заболеванием в популяции (далеко не все случаи заболеваний регистрируются) • Модели могут быть использованы для оценки разных подходов к борьбе с эпидемическими заболеваниями, выбор между альтернативными вариантами решений • Для оценки и сравнения экономической эффективности интервенций • Еще один способ использования моделей для руководства процессом принятия решений - ретроспективно оценивать вмешательства и политику, с целью лучшего понимания того, как работают эти вмешательства и политика, или почему они не работают, и использовать эти знания для обеспечения инсайтов, которые были бы полезны для тиражирования или масштабирования вмешательства или политики
Зачем нужны модели? • Для понимания того, как несколько интервенций будут работать вместе. Будет ли синергия? Какой «пакет» интервенций будет оптимальным? • Для понимания того, насколько масштабной должна интервенция, чтобы достичь цель (какой % детей должен быть вакцинирован, чтобы гарантировано не допустить эпидемии?) • Модели нужны для адвокации политических и экономических решений, направленных на улучшение общественного здоровья (табак, сладкие напитки и т.д.) – политикам нужно показывать цифры и сценарии • Просто для планирования и оценки бюджетов на 1, 2, 5, 10 и более лет
На какие вопросы могут отвечать модели?
(примеры)
1. Если сохранится сегодняшнее регулирование ситуации с табаком, какой будет
распространенность курения в ближайшие 10 лет? Если начнется антитабачная
кампания, как она повлияет на смертность от сердечно-сосудистых заболеваний
в течение 10 лет? На смертность от рака?
2. Какой должна быть оптимальная частота проверок женщин 40-50 лет на рак
груди? Раз в год? Раз в 2 года? Раз в 5 лет?
3. Сколько полных рабочих ставок персонала, предоставляющего ВИЧ-услуги,
необходимых для выполнения базового сценария и достижения целевых
значений стратегии UNAIDS 90–90–90, понадобится в 2018-2020 гг. в областях
Украины?Самые простые модели: экстраполяция
текущих тенденций
Самый простой способ прогнозирования – экстраполяция
наблюдаемой тенденции в будущее (неочевидно, что она
сохранится).
Однако, даже такая простая техника уже полезна, так как
дает точку отсчета для оценки наших интервенций.Пример применения простого моделирования в оценке программ: были
ли усилия по снижению числа курильщиков в Австралии
эффективными?
Рассмотрим пример применения метода «прерванной
регрессии» для оценки программы по снижению числа
курильщиков в Австралии.
Идея метода «прерванной регрессии» довольно проста: мы
хотим оценить разницу между тем ЧТО БЫЛО БЫ, ЕСЛИ БЫ
ПРОГРАММА НЕ НАЧАЛА РАБОТАТЬ (продолжаем
существующую тенденцию) и тем, ЧТО ЕСТЬ В РЕАЛЬНОСТИ
ПОСЛЕ ТОГО, КАК ПРОГРАММА НАЧАЛА РАБОТАТЬ.Метод прерванной регрессии
Суть австралийской программы была в унификации вида пачек с сигаретами: пачки сигарет разных брендов должны были быть одинаковыми и содержать изображение результатов болезней, связанных с курением. Выглядели они, например, так (это самое безобидное из изображений).
Задачей анализа была оценка влияния этой программы на число курильщиков в стране. «Распространенность курения в Австралии снизилась с 19,4% в среднем за 34 месяца до изменения упаковки в 2012 году в среднем до 17,2% в течение 34 месяцев после изменения упаковки в 2012 году. Без изменений в 2012 году модель предсказывает, что распространенность курения тоже бы снизилась, но только до 17,77%. Таким образом, изменения упаковки ответственны за снижение на 0,55 процентных пункта (или около 25 процентов от 2,2 процентного пункта фактического снижения за этот период)».
… но мы ознакомимся с более мощными и разнообразными моделями
Основные подходы к моделированию:
системная динамика
Различают аналитическое и имитационное моделирование.
В аналитической модели выход функционально зависит от входа (набора параметров), и в этом
смысле она – статическая (например, это системная динамика).
Системная динамика абстрагируется от отдельных объектов и
событий и предполагает “агрегатный” взгляд на процессы, концентрируясь на
интервенциях, этими процессами управляющих. Моделируя в стиле СД, вы
представляете структуру и поведение системы как множество взаимодействующих
положительных и отрицательных обратных связей и задержек.
Все это описывается довольно сложными наборами уравнений.Основные подходы к моделированию:
имитационное моделирование
Все агентные (имитационные) модели существенно децентрализованы. В
отличие от системной динамики, здесь нет такого места, где централизованно
определялось бы поведение (динамика) системы в целом.
Вместо этого, аналитик определяет поведение на индивидуальном уровне, а
глобальное поведение возникает (emerges) как результат деятельности многих
(десятков, сотен, тысяч, миллионов) агентов, каждый из которых следует своим
собственным правилам, живёт в общей среде и взаимодействует со средой и с
другими агентами. Поэтому агентное или имитационное моделирование называют
ещё моделированием снизу вверх.Отличия аналитического и
имитационного моделирования
Имитационную модель можно рассматривать
как множество правил которые определяют в
какое состояние система перейдёт в будущем
из заданного текущего состояния. Имитация
здесь – это процесс “выполнения” модели,
проводящий её через (дискретные или
непрерывные) изменения состояния во
времени.
В общем случае, для сложных проблем, где
время и динамика важны, имитационное
моделирование представляет собой более
мощное средство анализа.Сегодня в сфере
общественного
здоровья чаще
используют
имитационное
(«снизу вверх»)
моделирование: оно
более реалистично и
легче реализуетсяИз каких компонентов обычно состоит
модель?
Демографический базис
модели (данные о Если модель предполагает
демографическом составе взаимодействие индивидов с
популяции в прошлом; Данные о состоянии здоровья другими людьми (как в случае
настоящем; и прогноз на и факторах риска популяции инфекционных заболеваний) –
будущее – иногда формируется данные о частоте и видах
вне модели; иногда – таких взаимодействий
рассчитывается самой моделью)Из каких компонентов обычно состоит
модель?
Вычислительная часть:
уравнения или алгоритм, которые Модуль сценариев: Модуль оценки
оценивают вероятность изменение модификация факторов экономической
статуса индивида (например,
возникновение заболевания) в риска и проведение эффективности:
зависимости от факторов риска, вычислительных денежная оценка
времени, или взаимодействия с
другими индивидами экспериментов разных сценариевМодели и данные 1. Никогда не бывает достаточного количества данных для модели: всегда можно сделать лучше и точнее, но это не повод не делать модель 2. Попытки построить модель сами по себе полезны: они заставляют провести ревизию ваших данных; понять, чего не хватает; реалистично оценить их качество; и, как следствие, пересмотреть подходы к сбору данных
Откуда эти
Данные для данные
моделей
берутся:
всегда лоскутное
находятся в
одеяло источниках,
разных из источников
в
данных
итоге этодля
«лоскутное
моделирования
одеяло» - это
нормально.
Это данные
исследований,
переписей,
медицинской
статистики, научной
литературы и т.д.Источником данных для модели могут
быть результаты работы …другой модели
1. Демографический прогноз есть во всех моделях (он сам по себе модель)
2. Канадская модель сердечно-сосудистых заболеваний POHEM, о которой мы
поговорим ниже, использует результаты другой модели - From LifePaths,
которая используется для планирования социальной политики
3. Модель оценки числа медицинского персонала в сфере ВИЧ для Украины
использует результаты модели Spectrum, которая дает прогноз числа ВИЧ-
инфицированныхМы рассмотрим две модели, одна из которых
касается сердечно-сосудистых заболеваний
(канадская Population Health Model (POHEM),
вторая – ВИЧ/СПИД (АЕМ – AIDS Epidemic
Model).
Обе модели являются имитационными, но
POHEM не предполагает взаимодействия
между индивидами, тогда как АЕМ –
наоборот.Population Health Model (POHEM)
Работа модели начинается с создания так называемой «синтетической популяции» на основе данных кросс-секционного исследования Canadian Community Health Survey
После создания «синтетическая
популяция» должна быть проверена:
насколько ее основные характеристики
совпадают с реальными
характеристиками населения страны.
Далее – пример проверки аналогичной
POHEM английской модели (IMPACT)POHEM: начало работы модели
Стартовая синтетическая популяция: Canadian Community Health Survey 2001 (CCHS)
кросс-секционная выборка населения Канады старше 18 лет
ПЕРЕМЕННАЯ ЗНАЧЕНИЕ Каждый «год» в
2001 Возраст 44 день рождения
……..
……..
Пол Мужчина оценивается
……..
……..
Провинция Онтарио опасность
……..
…….. Регион Йорк развития болезни
……..
…….. Иммиграционный статус Не иммигрант (инфаркт
……..
……..
……..
Образование Высшее миокарда, диабет,
Квартиль по доходу Q4 (самый высокий)рак...)
Индекс массы тела 32.2 кг/m2
Нет болезней
Статус курильщика курильщик
в 2001 году
Статус по диабету Не диабетик
Уровень холестерина Высокий
Кровяное давление Высокое
July 2007Острый инфаркт миокарда: концептуальная схема оценки в
модели
Базовые детерминанты Непосредственные Текущие заболевания
Осложнения Смерть
здоровья факторы риска
возраст (время)
Данные новых Курение
исследований
Пол Алкоголь 1994-2004
Модель
перехода
Уровень
холестерина
Регион
Диета
Ожирение Кровяное
Доход давление Инфаркт
Физическая Диабет
Образование
активность
Первичные
значения и
Первичные коэфф. перехода
значения
Cdn Heart Health Surveys 1986-92Как модель оценивает вероятность
события для конкретного
«синтетического» канадца?
1. Модель обращается к записи, которую мы рассматриваем: начинаем
расчеты в 2001 году, мужчина, возраст 44, курильщик, нет диабета,
высокий общий холестерин, высокое кровяное давление
1. Обращается к уравнению риска заболеваемости из литературы
(Framingham risk function, на основе результатов долговременного
лонгитюдного исследования, которое началось в 1948 году и включает в
себя измерение влияния факторов риска на сердечно-сосудистые
заболевания с помощью опроса, объективных физических измерений и
лабораторных тестов)Как модель оценивает вероятность
события для конкретного
«синтетического» канадца?
3. Подставляет значения нашего «синтетического»
пациента
4. Рассчитывает значение p = F/(1+F) = 0.877
5. В период с 2001 по 2002 гг., по расчетам модели,
событие (острый инфаркт миокарда) не наступит… но событие (инфаркт миокарда) произойдет в первой
четверти 2002 года (и будет далее влиять на состояние
здоровья)
2001 2002 2003 …
……..
……..
…….. …….. ……..
Смерть в возрасте 71.2
……..
……..
……..
Инфаркт миокарда
……..
……..
……..
……..
……..
……..
Хроническая сердечная недостаточность
в возрасте 66.1 в 2023 годуЧто такое сценарии в моделях? Модель
IMPACT: как политика Англии по
снижению употребления соли повлияла
на распространенность сердечно-
сосудистых заболеванийС 2003 года в Великобритании действует одна из самых успешных стратегий противодействия потребления избыточных количеств соли населением, включая образовательные кампании, маркировку продуктов питания и т.д. С 2001 по 2011 годы, среднее потребление соли в Великобритании упало с 9,5 до 8,1 грамма в день, однако национальная цель - 6 грамм в день, еще не достигнута.
Какие сценарии оценивала модель
IMPACT?
1. Ретроспективный. Каким было бы количество сердечно-
сосудистых заболеваний и смертей, если бы эта политика НЕ
БЫЛА реализована?
2. Проспективный 1. «Реалистичный»: к 2020 году в популяции 16-
64 гг. среднее потребление соли в день снизится до 6 грамм в день
3. Проспективный 2. «Идеальный»: к 2020 году в популяции 16-64
гг. среднее потребление соли в день снизится до 3.8 грамм в деньРезультаты оценки сценариев 1. Ретроспективный. На 52 тысячи случаев сердечно-сосудистых заболеваний, на 10 тысяч меньше смертей по сравнению со сценарием, который предполагал, что снижение употребления соли не произошло бы 2. Проспективный 1. «Реалистичный»: на 20 тысяч меньше случаев сердечно-сосудистых заболеваний по сравнению со сценарием, когда все остается «как сейчас», на 4 тысячи меньше смертей 3. Проспективный 2. «Идеальный», на 80 тысяч меньше случаев, на 14 тысяч меньше смертей
Что мы получаем на выходе из моделей? Что мы получаем
при моделировании сценариев? Как можем их сравнивать?
Вариантов метрик может
быть очень много, в
зависимости от вида
модели и потребностей
пользователей. Но
основные классы такие:
Стоимость того или
иного сценария (как
Агрегированные
совокупная, так и в
Число предотвращенных Число предотвращенных показатели успешности
расчете на
случаев заболевания смертей интервенции вроде DALY
предотвращение одного
и QALY
заболевания или одной
смерти)Однако, метрики моделей могут быть
специфическими. Пример с моделированием
скрининга рака груди
Сценарии сравниваются по таким показателям:
1. Число маммограм
2. Снижение смертности от рака груди
3. Число ложноположительных маммограм
4. Число ненужных биопсий…например
Результаты модели
могут быть и • Уровень вирусной
промежуточными,
чисто медицинскими
нагрузки в определенной
(в отличие от популяции ВИЧ-
дискретных событий инфицированных
«инфицирование», • Уровень холестерина и
«смерть) кровяного давления в
определенной популяции
населения страныЧто такое валидизация модели? Как ее
осуществить?
1. Сравнение с историческими данными
2. Сравнение разных моделей между собой
3. Анализ чувствительности моделиAIDS Epidemic Model (AEM)
Составляющие АЕМ 1. Основной блок: данные и результаты прогнозирования 2. Блок интервенций: позволяет исследовать влияние и расходы различных программ 3. Блок анализа влияния: сравнение различных сценариев воздействия
Модель взаимосвязей между
группами
ЖКС
Клиенты
МСМ
Мужчины низкого ПИН
риска
Женщины низкого риска
ДітиКакие возможности для анализа эпидемии
предоставляет АЕМ?
Поведение, которое приводит к инфицированию.Как проверить качество модели? • Модели должны быть проверены с использованием всех возможных источников соответствующих данных • Проверяться должно не только совпадение конкретных показателей (официальная медицинская статистика никогда не «видит» всю эпидемию), но и тенденции • Мнения экспертов и специалистов должны приниматься во внимание при оценке качества модели
Соотношение путей передачи:
статистика и модель, Одесская
область
Статистика Модель
29% 28%
34%
42% 40%
45% 44% 45% 43% 47% 46%
50% 47%
53% 52% 47%
Парентеральный
Половой 66%
71% 72%
58% 60%
55% 56% 55% 57% 53% 53% 54%
50% 53%
47% 48%
2005 2006 2007 2008 2009 2010 2011 2012
2005 2006 2007 2008 2009 2010 2011 2012Нам нужна такая информация и
возможности анализа
– Каким был бы ход эпидемии (количество
новых инфекции, смертей, затраченных
средств и т.д.) если бы программы не было?
– Каким будет ход эпидемии в случае если
программа действует?
– Возможность количественного
автоматического сравнения этих ситуацийImpact Analysis workbook дает
нам такую возможность
www.aidsalliance.org.ua 57Какие программы мы сравниваем?
1. Программа, которая фокусируется
на лечения: охват АРТ будет
достигать 90% (UNAIDS Goal)
2. Программа, фокусируется на ПИН:
а) охват ПИН профилактическими
программами на уровне 70% б)
охват ПИН заместительной
терапии на уровне 10%Какая програма предупредит
больше инфекций в Одесской
области?Финансовый анализ: сколько стоят
разные сценарииВы также можете почитать
