Кардиология №12 / 2016
Модель прогнозирования сердечно-сосудистых событий в Российской популяции: методологические аспекты
1ФГБУ Государственный научно-исследовательский центр профилактической медицины Минздрава РФ, Москва; 2ФГБУ Российский кардиологический научно-производственный комплекс Минздрава РФ, Москва; 3ФГБОУ ВО Московский государственный медико-стоматологический университет им. А.И. Евдокимова Минздрава РФ, Москва
Моделирование — распространенный подход к прогнозированию не только здоровья популяции, но и социально-экономического бремени болезней, что является важным аргументом при принятии решений в сфере здравоохранения и профилактики. Цель исследования. Разработать модель прогнозирования риска развития сердечно-сосудистых заболеваний (ССЗ), применимую для оценки клинического и социально-экономического эффекта профилактических и лечебных мер на уровне всей популяции или ее части (регион, город, группа пациентов). Материал и методы. Возможные результаты применения сравниваемых альтернативных технологий в аналитической модели принятия решений определяли с помощью модели Маркова, состоящей из марковских состояний и вероятностей перехода из одного состояния в другое в течение определенного временного интервала. В модель включены факторы риска развития ССЗ (артериальное давление — АД, уровень холестерина в крови, курение) и вероятности перехода между ними. Данные стандартизированы по возрасту для мужчин и женщин. Проведен многофакторный анализ чувствительности. Поиск литературы проведен с использованием eLIBRARY.RU (http://elibrary.ru) и КиберЛенинки (http://cyberleninka.ru). Проведены консультации с экспертами в области ишемической болезни сердца (ИБС), инсульта, хронической сердечной недостаточности (ХСН). Результаты. Построена аналитическая модель принятия решений, позволяющая построить и сравнить исходы двух сценариев развития событий (отсутствие/наличие вмешательства). В модель включены факторы риска: артериальная гипертония (АГ), курение и гиперхолестеринемия, в качестве прогностически значимых ССЗ: ИБС, инфаркт миокарда (ИМ), нестабильная стенокардия, ХСН, ХСН после перенесенного ИМ, транзиторная ишемическая атака (ТИА), инсульт, фибрилляция предсердий. Состояние пациентов на выходе из модели определяется как сумма характеристик марковских состояний за рассматриваемый в модели временной горизонт. Каждый достигнутый результат имеет затраты и исход, значения которых можно вычислить с помощью имитационного моделирования («когортная симуляция»). Результаты анализа проспективных данных исследования ЭССЕ-РФ показали, что смертность с возрастом ожидаемо растет, но в разных возрастных группах вклад сердечно-сосудистых причин разный и снижается с возрастом. В отношении АД получено ожидаемое увеличение риска смерти по мере роста уровней АД как у мужчин, так и у женщин, кроме мужчин 60—64 лет, у которых минимальный риск смерти приходился на группу лиц с АД 140—149/90—99 мм рт.ст., а в группе лиц с нормальным АД он был выше. Курение ожидаемо ассоциировалось с увеличением риска смерти во всех возрастных группах у мужчин и женщин. У мужчин в возрасте 40—64 лет более высоким оказался риск смерти при нормальном уровне холестерина (2—5 ммоль/л), существенно выше, чем при уровнях холестерина 5—7 ммоль/л. В проведенных нами исследованиях и доступной отечественной литературе не найдено источников данных для оценки вероятности развития факторов риска (АГ, курение, гиперхолестеринемия) у лиц, ранее не имевших этих факторов. Для этого необходимы проспективные исследования, по меньшей мере, с двумя срезами обследований (а не только анализом конечных точек). Анализ литературы по поиску проспективных российских исследований, которые позволили бы оценить вероятности перехода из одного состояния в другое, и консультации с экспертами выявили, что существующие в настоящее время исследования не позволяют получить все необходимые вероятности перехода на основании отечественных данных. В отсутствие отечественных данных для модели допустимо использование результатов мета-анализов международных исследований. Заключение. Марковская модель позволит осуществлять прогнозирование эффективности различных вмешательств, в том числе их социально-экономических последствий. Создаваемая модель позволит в будущем вносить изменения при появлении результатов новых исследований или новых данных, чтобы повысить точность моделирования.
Построение прогноза состояния здоровья популяции с помощью моделирования является общепринятым подходом для оценки влияния тех или иных профилактических и лечебных мер или программ в средне- и долгосрочной перспективе [1]. Метод позволяет в условиях недостаточности реальных данных провести анализ последствий принятого решения с помощью математического и логического достраивания имеющихся фактов до полноценной картины [2, 3]. Кроме того, это распространенный подход к прогнозированию не только здоровья популяции, но и социально-экономического бремени болезней, что является важным аргументом при принятии решений в сфере здравоохранения. Особенно часто моделирование применяется при оценке клинической и экономической целесообразности профилактических мер популяционного характера. Так, в последнее время появился ряд публикаций относительно эффекта налоговых мер, стимулирующих рациональное питание на уровне популяции. Такие меры внедрены в ряде стран. Однако из-за невозможности проведения рандомизированных контролируемых исследований в этой области влияние налогов на распространенность факторов риска (ФР), заболеваемость и смертность моделируется на основании реально наблюдаемых снижений продаж нерациональных продуктов питания.
В настоящее время в Российской Федерации также проводятся отдельные исследования по моделированию влияния вмешательств на состояние здоровья, но это касается преимущественно влияния лечебных подходов на состояние здоровья конкретных групп пациентов. Существует необходимость разработки популяционной модели прогнозирования риска, прежде всего риска развития сердечно-сосудистых заболеваний (ССЗ), которая была бы применима для оценки эффективности тех или иных вмешательств на популяционном уровне. Анализ литературы показал необходимость разработки отечественной модели, так как зарубежные модели разработаны с учетом особенностей и целей этих стран [1].
В настоящее время широко используются как аналитические, так и статистические модели, однако наилучшим вариантом является их сочетанное применение.
Цель работы: моделирование прогноза риска развития ССЗ для оценки клинического и социально-экономического эффекта профилактических и лечебных мер на уровне всей популяции или ее части (регион, город, группа пациентов).
Материал и методы
Построение модели. Построение аналитической модели оценки эффективности профилактики и затрат, ассоциированных с риском развития сердечно-сосудистых событий в российской популяции осуществлялось с помощью математической модели Маркова, состоящей из марковских состояний и вероятностей перехода из одного состояния в другое в течение определенного временно'го интервала [3, 4]. Марковские состояния — фиксированные состояния, в которых может пребывать пациент, характеристики которых известны [15]. Временно'й интервал исследования разделяется на равные отрезки времени, которые называются циклами Маркова. Продолжительность циклов выбирается таким образом, чтобы каждый из них представлял собой промежуток времени, имеющий в процессе лечения определенное значение. Модель Маркова подразумевает, что в течение каждого цикла пациент может сделать только один переход из одного состояния в другое. При этом не делается различий между разными пациентами, находящимися в каждом из состояний. Данное ограничение, именуемое марковским допущением, показывает развитие процесса после каждого цикла («отсутствие памяти в модели») [5].
В модель включены ФР, некоторые ССЗ и вероятности перехода между ФР. В качестве ФР использовались три параметра, которые, с одной стороны, статистически значимо влияют на прогноз, а с другой стороны, в отношении них есть достоверная информация эпидемиологического характера (распространенность, влияние на прогноз и др.).
В качестве источников информации о вероятностных параметрах, заложенных в модель (вероятности перехода), были использованы результаты анализа данных собственных исследований, поиск данных литературы и консультации с экспертами.
Анализ результатов собственных исследований. Вероятности перехода от ФР к заболеваниям и смерти определены на основании многолетнего проспективного наблюдения за ког...
