Taloudellinen arviointi

Edistymisluokitus
Opasnetissa lukuisat sivut ovat työn alla eri vaiheissa. Niiden tietosisältöön pitää siis suhtautua harkiten. Tämän sivun sisällön edistyminen on arvioitu: Tämä sivu on täysluonnos Sivu on kirjoitettu kertaalleen alusta loppuun eli kaikki olennaiset sisällöt ovat jo paikoillaan. Kuitenkaan sisältöjä ei ole vielä kunnolla tarkistettu, ja esimerkiksi tärkeitä viitteitä voi puuttua.

Tämä sivu on tietokide alatyypiltään muuttuja. Sivutunniste: Op_fi4434
Moderaattori:Ei ole (katso kaikki) Kuinka ryhtyä moderaattoriksi? Sivun edistyminen: Täysluonnos. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi4434}}

Kysymys

Jos rokotevalmiste on vaikuttavuudeltaan parempi mutta tarjotultaan hinnaltaan kalliimpi, milloin sillä saavutettu lisähyöty on lisäkustannuksen arvoinen?

• Hyötyä arvioidaan rokotteen laajamittaisesta käytöstä seuraavalla invasiivisen pneumokokkitautitapausten vähenemisellä koko väestössä. Hyötyä eli vaikuttavuutta mitataan muutoksella laatupainotetuissa elinvuosissa (Quality-Adjusted Life Years, QALYs).
• Kustannuksista otetaan huomioon vain terveydenhuollon kustannukset.

Vastaus

Etsitään kustannusvaikuttavin rokote perusteluissa kuvattujen kriteerien mukaisesti.

Laskenta

Laskenta

Taloudellista arviointia varten laadittu ohjelmakoodi laskee inkrementaaliset kustannusvaikuttavuussuhteet (ICER) kahdelle vaihtoehtoiselle rokotteelle. Käyttäjältä kysytään seuraavat syötteet:

(a) rokotteisiin sisällytettävät serotyypit (oletuksena PCV10 ja PCV13)

(b) rokotteiden annoshinnat

ohjelma hyödyntää epidemiologisen mallin antamia ennusteita vakavan pneumokokkitaudin vuosittaisille tapausmäärille. ICER-arvot listataan yhteenvetotaulukossa Table 3 ja pienempää ICER-arvoa vastaava rokote on vaihtoehdoista kustannusvaikuttavampi.

Scenarios Valitse vertailtavat rokotteet:: PCV-10 PCV-13 Mikä on rokotteen PCV10 annoshinta?: Mikä on rokotteen PCV13 annoshinta?: Haluatko muuttaa rokotteiden PCV-10 ja7tai PCV-13 serotyyppejä?: Ei Kyllä Debug plots: Show all User defined vaccine Valitse PCV-10 serotyypit: 1 3 4 5 6A 6B 6C 7F 8 9N 9V 10 11 12 14 15 16 18C 19A 19F 20 22 23A 23F 33 35 38 Other Valitse PCV-13 serotyypit: 1 3 4 5 6A 6B 6C 7F 8 9N 9V 10 11 12 14 15 16 18C 19A 19F 20 22 23A 23F 33 35 38 Other + Näytä koodi- Piilota koodi #http://fi.opasnet.org/fi/Special:Opasnet_Base?id=op_fi4433.pneumokokki_vaestossa library(OpasnetUtils) library(ggplot2) openv.setN(100) if (length(vac) == 0) stop("Mitään skenaariota ei valittu") vac <- c("No_vaccination",vac) if(price10 == '') price10 <- 0 if(price13 == '') price13 <- 0 n_vac <- 1.8e5 vacprice <- data.frame( Vaccine = c("No_vaccination", "PCV10", "PCV13"), Result = c(0, price10, price13) ) vacprice <- EvalOutput(Ovariable("vacprice", data = vacprice[vacprice$Vaccine %in% vac , ])) * n_vac temp <- opbase.data("Op_en6353", subset = "serotypes_in_typical_pneumococcal_vaccines") temp$Obs <- NULL colnames(temp)[colnames(temp) == "Result"] <- "Serotype" serotypes <- temp[temp$Vaccine == "Existing serotypes" , "Serotype"] userserotypes <- temp[temp$Vaccine %in% vac , ] if(custom_vac) { userserotypes <- data.frame( Vaccine = c(rep("PCV10", length(vac_user10)), rep("PCV13", length(vac_user13))), Serotype = c(vac_user10, vac_user13) ) } # Näyttää monimutkaiselta tuo servacin määrittely. Eikö voisi tehdä helpomminkin? # -- Pointti on siis että kullekin käyttäjän valitsemalle rokotteelle tehdään merkintä # sen sisältämistä serotyypeistä 1 sisältyy 0 ei. Näin skenaariot saadaan tehtyä yksinkertaisella # kertolaskulla (ovariable). Alla oleva koodi on täysin vektorisoitu ja kiertää siten kaksi # lyhyttä for looppia (R:n puolella), mikä on kieltämättä aika pieni voitto tässä tapauksessa... servac <- merge( data.frame(userserotypes, Result = 1), # Serotypes, either default or user-defined merge(data.frame(Vaccine = vac), data.frame(Serotype = serotypes)), # All combinations of vaccines and serotypes all.y = TRUE ) servac$Result <- as.numeric(!is.na(servac$Result)) servac <- Ovariable( "servac", data = servac ) objects.latest("Op_en6358", code_name = "initiate") # [[:op_en:Economic evaluation]] ovariable ICER, function sumtable objects.latest("Op_en6353", code_name = "initiate") # [[:op_en:Epidemiological modelling]] ovariables VacCar, VacIPD objects.latest("Op_en6007", code_name = "answer") # [[OpasnetUtils/Drafts]] ## Read the annual IPD and carriage incidence data. ## The 0 entries in IPD and carriage data are replaced by small values. #IPD <- Ovariable("IPD", ddata = "Op_fi4305.pneumokokki_vaestossa") IPD <- Ovariable("IPD", ddata = "Op_fi4433.pneumokokki_vaestossa") # [[Markunkoesivu]] IPD@data <- IPD@data[IPD@data$Observation == "Incidence" , colnames(IPD@data) != "Observation"] #Car <- Ovariable("Car", ddata = "Op_fi4305.pneumokokki_vaestossa") Car <- Ovariable("Car", ddata = "Op_fi4433.pneumokokki_vaestossa") # [[Markunkoesivu]] Car@data <- Car@data[Car@data$Observation == "Carrier" , colnames(Car@data) != "Observation"] p_user <- q_user <- adultcarriers <- 1 p <- Ovariable("p", data = data.frame(Result = p_user)) q <- EvalOutput(Ovariable("q", data = data.frame(Result = q_user))) # EvalOutput must be used because q is mentioned twice in the code and there will otherwise be a merge mismatch. ## The true number of adult carriers may actually be larger than estimated. This adjusts for that. #Car <- Car * Ovariable("adjust", data = data.frame(Age = c("Under 5", "Over 5"), Result = c(1, adultcarriers))) #VacCar <- EvalOutput(VacCar) VacIPD <- EvalOutput(VacIPD) if (1==0) { cat("servac\n") oprint(summary(servac)) cat("Number of carriers\n") oprint(summary(VacCar)) cat("Incidence of invasive pneumococcal disease.\n") oprint(summary(VacIPD)) } #if("Iter" %in% colnames(VacCar@output)) N <- max(VacCar@output$Iter) else N <- 1 if("Iter" %in% colnames(VacIPD@output)) N <- max(VacIPD@output$Iter) else N <- 1 if (1==0) {ggplot(VacCar@output, aes(x = Serotype, weight = result(VacCar) / N, fill = Vaccine)) + geom_bar(position = "dodge") + theme_gray(base_size = 24) + labs(title = "Carriers", y = "Number of carriers in Finland") } ggplot(VacIPD@output, aes(x = Serotype, weight = result(VacIPD) / N, fill = Vaccine)) + geom_bar(position = "dodge") + theme_gray(base_size = 24) + labs(title = "Figure 1. Number of IPD cases per year, by serotype.", y = "Number of cases per year") VacIPD@output$Agegroup <- cut( as.numeric(levels(VacIPD@output$Age[VacIPD@output$Age])), breaks = c(0, 3, 5, 15, 65, 80, 101), include.lowest = TRUE ) VacIPD@marginal <- c(VacIPD@marginal, FALSE) #oprint(VacIPD) ggplot(VacIPD@output, aes(x = Vaccine, weight = result(VacIPD) / N, fill = Agegroup)) + geom_bar(position = "stack") + theme_gray(base_size = 24) + labs(title = "Figure 2. Number of IPD cases per year, by age group.", y = "Number of cases per year") ###################### #QALYpercase <- Ovariable("QALYpc", ddata = "Op_en6358.qalys_lost") # [[Economic evaluation]] QALYs per case #costpercase <- Ovariable("costpc", ddata = "Op_en6358.costs_incurred") # [[Economic evaluation]] QALYs per case #QALY <- VacIPD * QALYpercase #cost <- VacIPD * costpercase + vacprice # Sum over Serotype VacIPD <- oapply(VacIPD, NULL, sum, c("Serotype"), na.rm = TRUE) Costs <- EvalOutput(Costs) # Healthcare costs Total_costs <- oapply(Costs, NULL, sum, c("Outcome", "Age")) #oprint(Total_costs) Total_costs <- oapply(Total_costs, Total_costs@output[colnames(Total_costs@output) %in% c("Vaccine", "Iter")], mean) health_care_costs <- Total_costs Total_costs <- Total_costs + vacprice Total_costs@output <- Total_costs@output[c(colnames(Total_costs@output)[colnames(Total_costs@output) %in% c("Vaccine", "Iter")], "Result")] Total_costs@marginal <- colnames(Total_costs@output) %in% c("Vaccine", "Iter") QALYs <- EvalOutput(QALYs) #### Tässä voi tehdä tapauskohtaista säätöä valitsemalla sopivat indeksit. qalyind <- "Vaccine" if("Iter" %in% colnames(QALYs@output)) qalyind <- c(qalyind, "Iter") #costind <- "Vaccine" #if("Iter" %in% colnames(Total_costs@output)) costind <- c(costind, "Iter") qalysum <- oapply(QALYs, INDEX = QALYs@output[qalyind], FUN = sum) qalysum@name <- "" colnames(qalysum@output)[colnames(qalysum@output) == "QALYsResult"] <- "Result" #costsum <- oapply(Total_costs, INDEX = Total_costs@output[costind], FUN = sum) costsum <- Total_costs #oprint(costsum) #oprint(qalysum) #### The actual model ICER <- EvalOutput(ICER) if (1==2) { oprint( qalysum, include.rownames = FALSE, caption = "QALYs lost due to IPD", caption.placement = "top" ) oprint( health_care_costs, include.rownames = FALSE, caption = "Health care costs due to IPD", caption.placement = "top" ) oprint( costsum, include.rownames = FALSE, caption = "Total costs (health care + vaccination)", caption.placement = "top" ) oprint( ICER, include.rownames = FALSE, caption = "Cost-effectiveness of vaccination choices", caption.placement = "top" ) oprint( sumtable(), include.rownames = FALSE, caption = "Summary table", caption.placement = "top" ) } if (!is.null(debug_plot)) { temp <- QALYs temp <- oapply(temp, NULL, sum, "Outcome") temp@output$Age <- as.numeric(as.character(temp@output$Age)) plot1 <- ggplot( temp@output, aes(x = Age, y = QALYsResult, colour = Vaccine, group = Vaccine) ) + geom_line() + theme_gray(base_size = 24) + labs(title = "QALYs lost due to IPD", y = "QALYs lost per year") # + facet_wrap(~ Outcome) temp <- Costs temp <- oapply(temp, NULL, sum, "Outcome") temp@output$Age <- as.numeric(as.character(temp@output$Age)) plot2 <- ggplot( temp@output, aes(x = Age, y = CostsResult, colour = Vaccine, group = Vaccine) ) + geom_line() + theme_gray(base_size = 24) + labs(title = "IPD health care cost (excl. vaccination)", y = "") # + facet_wrap(~ Outcome) temp <- VacIPD temp@output$Age <- as.numeric(as.character(temp@output$Age)) plot3 <- ggplot( temp@output, aes(x = Age, y = VacIPDResult, colour = Vaccine, group = Vaccine) ) + geom_line() + theme_gray(base_size = 24) + labs(title = "IPD cases per year", y = "Cases per year") } if (!is.null(debug_plot)) plot3 if (!is.null(debug_plot)) plot2 if (!is.null(debug_plot)) plot1 # Rigid implementation which doesnt allow uncertainty, for debugging purposes qorder <- qalysum@output$Vaccine[order(result(qalysum), decreasing = TRUE)] QALYs_incremental <- c(0, -diff(result(qalysum)[match(qorder, qalysum@output$Vaccine)])) QALYs_gained <- cumsum(QALYs_incremental) Cost_total <- result(Total_costs)[match(qorder, Total_costs@output$Vaccine)] Cost_incremental <- c(0,diff( Cost_total)) ICER2 <- Cost_incremental / QALYs_incremental ICER2[1] <- 0 if (1==2) { oprint( oapply(VacIPD, VacIPD@output["Vaccine"], sum), include.rownames = FALSE, caption = "Table 1. Number of cases of invasive pneumococcal disease (IPD) per year (see also Figures 1-2 below).", caption.placement = "top" ) } vaccres<-matrix(result(VacIPD),101,3)[,c(3,1,2)] ipdsums<-apply(vaccres,2,sum) ipdtable<-data.frame(Vaccination_____=c("No vaccination ","PCV10 ","PCV13 "),N_of_IPD_cases____=round(ipdsums)) oprint(ipdtable, include.rownames = FALSE, caption = "Table 1. Number of cases of invasive pneumococcal disease (IPD) per year (see also Figures 1-2 below).", caption.placement = "top" ) ############################## ## print healt care costs table sum_table1A <- data.frame( Vaccine__ = qorder, Medical_costs__ = 0.01*round((result(health_care_costs)/1E4)[match(qorder,health_care_costs@output$Vaccine)]), Vaccine_programme_cost__ = 0.01*round(result(vacprice)/1E4), Health_care_costs__ = 0.01*round((result(costsum)/1E4)[match(qorder,costsum@output$Vaccine)]) ) oprint( sum_table1A, include.rownames = FALSE, caption = "Table 2. Health care costs (in MEUR)", caption.placement = "top" ) ############################## ## print summary table tekstia<-data.frame(Columns=c(" 1 Vaccine ", " 2 QALYs gained ", " 3 Incremental effect ", " 4 Health-case costs ", " 5 Incremental cost ", " 6 ICER ", " "), Content=c("vaccination programme", "QALYs gained in the Finnish population (*) as compared to 'no vaccination'", "difference in QALYs gained", "medical costs due to IPD in the Finnish population(*) plus the cost of vaccination (in MEUR, 180000 doses) ", "health-care cost difference (in MEUR)", "incremental cost-effectiveness ratio (in euros). The programme with the lower ICER is identified as the more cost-effective", "(*) QALYs and health-care costs refer to the Finnish population of 5.4 million individuals")) oprint(tekstia, include.rownames = FALSE, include.colnames = FALSE, caption = "Columns appearing in Table 3 (below)", caption.placement = "top") sum_table2 <- data.frame( Vaccine = qorder, QALYs_gained__ = round(QALYs_gained), Incremental_effect__ = round(QALYs_incremental), Health_care_costs__ = 0.01*round(Cost_total/1E4), Incremental_cost__ = 0.01*round(Cost_incremental/1E4), ICER__ = ICER2 ) oprint( sum_table2, include.rownames = FALSE, caption = "Table 3. Cost-effectiveness analysis summary table ", caption.placement = "top" )

Variable initiation (Only for developers)

+ Näytä koodi- Piilota koodi library(OpasnetUtils) # Initiate model components primary_outcomes <- Ovariable("primary_outcomes", ddata = "Op_en6358.primary_outcomes") secondary_outcomes <- Ovariable("secondary_outcomes", ddata = "Op_en6358.secondary_outcomes") costs_per_outcomes <- Ovariable("costs_per_outcomes", ddata = "Op_en6358.costs_per_outcomes") QALYs_per_outcomes <- Ovariable("QALYs_per_outcomes", ddata = "Op_en6358.QALYs_per_outcomes") Outcomes <- Ovariable( "Outcomes", dependencies = data.frame( Name = c("primary_outcomes", "secondary_outcomes", "VacIPD"), Ident = c(rep("Op_en6358/initiate", 2), "Op_en6353/initiate") ), formula = function(...) { # Primaries out <- VacIPD * primary_outcomes # Secondaries temp <- out * secondary_outcomes # Combine outcomes under single index temp@output <- temp@output[!colnames(temp@output) %in% "Outcome"] colnames(temp@output)[colnames(temp@output) == "Outcome_new"] <- "Outcome" temp@output <- temp@output[colnames(temp@output) %in% colnames(out@output)] out <- orbind(out, temp) return(out) } ) # Healthcare costs Costs <- Ovariable( "Costs", dependencies = data.frame( Name = c("Outcomes", "costs_per_outcomes"), Ident = rep("Op_en6358/initiate", 2) ), formula = function(...) { out <- Outcomes * costs_per_outcomes return(out) } ) # QALYs lost QALYs <- Ovariable( "QALYs", dependencies = data.frame( Name = c("Outcomes", "QALYs_per_outcomes"), Ident = rep("Op_en6358/initiate", 2) ), formula = function(...) { out <- Outcomes * QALYs_per_outcomes return(out) } ) # Initiate analysis ovariable ICER and function sumtable ICER <- Ovariable("ICER", dependencies = data.frame(Name = c( "qalysum", "costsum", "QALYs" )), formula = function(...) { qalyorder <- oapply(QALYs, INDEX = QALYs@output["Vaccine"], FUN = sum) qalyorder <- as.character(qalyorder@output$Vaccine[order(result(qalyorder), decreasing = TRUE)]) qalysum2 <- qalysum costsum2 <- costsum # Take the Vaccine group from the previous group (based on reverse QALY order, i.e. worst first. levels(qalysum2@output$Vaccine) <- qalyorder[match(levels(qalysum2@output$Vaccine), qalyorder) + 1] levels(costsum2@output$Vaccine) <- qalyorder[match(levels(costsum2@output$Vaccine), qalyorder) + 1] # Remove NAs from the index or otherwise they will match anything. qalysum2@output <- qalysum2@output[!is.na(qalysum2@output$Vaccine) , ] costsum2@output <- costsum2@output[!is.na(costsum2@output$Vaccine) , ] out <- (costsum - costsum2) / (-1 * (qalysum - qalysum2)) # The formula calls for QALY _savings_, hence * -1 return(out) } ) sumtable <- function() { out <- merge( merge( merge( qalysum@output, costsum@output, by = "Vaccine" ), vacprice@output, all.x = TRUE ), ICER@output, all.x = TRUE ) out <- out[c("Vaccine", "Result.x", "Result.y", "vacpriceResult", "ICERResult")] colnames(out) <- c("Vaccine", "QALY", "Costs incl. price", "Vaccination price", "ICER") out <- out[ order(out$QALY, decreasing = TRUE) , ] return(out) } objects.store(primary_outcomes, secondary_outcomes, costs_per_outcomes, QALYs_per_outcomes, Outcomes, Costs, QALYs, ICER, sumtable) cat("Initiated ovariables primary_outcomes, secondary_outcomes, costs_per_outcomes, QALYs_per_outcomes, Outcomes, Costs, QALYs, ICER and function sumtable\n")

Cost calculation (Only for developers)

+ Näytä koodi- Piilota koodi library(OpasnetUtils) cost_table <- opasnet.csv("/0/0e/Pneumococcus_cost_table.csv", wiki = "opasnet_en") #cost_table<-re#ad.table("Cost_Table.dat") ## 101*8 taulukko ## Title of cost_table: ## QALY losses and medical costs per case, separately for meningitis and bacteremia. ## (Note: QALY losses and costs for meningitis cases include sequlae.) ##Columns of cost_table : #1# Age (years) age<-cost_table[,1] #2# QALYs lost due to one meningitis case (incl. sequlae) QALY_men<-cost_table[,2] #3# QALYs lost due to one bacteremia case QALY_bac<-cost_table[,3] #4# case-fatality ratio for a meningitis or bacteremia case (ie for an IPD case) CFR<-cost_table[,4] #5# life years lost per one fatal IPD case LYL<-cost_table[,5] #6# Medical costs due to one meningitis case (including sequlae) COST_men<-cost_table[,6] #7# Medical costs due to one bacteremia case COST_bac<-cost_table[,7] #8# Proportion of meningitis cases among all IPD cases (rest are bacteremia) PROP_men<-cost_table[,8] ## Tässä koodissa "Cost_calculation.R" luetaan taulukko "Cost_Table.dat" ja muunnetaan ## se taukukoksi "Loss_per_IPDcase" vastaamaan yhtä IPD tapausta. ## ## Tällöin kust.vaik.-mallin antamat tulokset saadaan funktiossa ## "calc_qalys_and_med_costs" kun argumentiksi annetaan IPD tapausten määrät ## Suomessa ikävuosittain (101 kpl). Nämä IPD tapausten määrät vastaavat joko ## "ei rokoteta" tilannetta tai lasketaan epidemiologisen mallin avulla eri ## rokotevaihtiehdoille. (opasnetissä IPD-vektorit saadaan siis ovariablien kautta). ## ## Funktio "calc_3_ouput_tables" tuottaa 3 tulostaulukkoa. ## Nämä ovat kust.vaik.-mallin lopputulokset. ## Markku Nurhonen 15.8.2014 ###################################################################################### ## Adjust matrix "Loss_per_case" to correspond to one ipd case ## (instead of just meningitis or bacterremia case) onevec<-rep(1,101) adjustment<-cbind(onevec,PROP_men,(onevec-PROP_men),onevec,CFR,PROP_men,(onevec-PROP_men),onevec) Loss_per_case<-cbind(age,QALY_men,QALY_bac,CFR,LYL,COST_men,COST_bac,PROP_men) Loss_per_IPDcase<-Loss_per_case*adjustment ## Matriisia Loss_per_IPDcase käytetään päivitettäessä ## kustannuksia ja QALY-arvoja IPD insidenssien muuttuessa ## rokotteiden vaihtuessa calc_qalys_and_med_costs<-function(ipd_novacc,ipd,Loss_per_IPDcase) ## for two given 101-long IPD vectors ## ipd_novacc = ipd under NO vaccination ## ipd = ipd under vaccination ## this function gives a list of ## non-fatal,fatal and total QALYs gained: result[[1]]:(1,2,3) ## and medical costs under novacc and vacc: result[[2]]:(1,2) ## Loss_per_IPDcase is a 101*8 matrix { Loss_total_novacc<-matrix(ipd_novacc,101,8)*Loss_per_IPDcase Loss_total<-matrix(ipd,101,8)*Loss_per_IPDcase Gain<-apply(Loss_total_novacc-Loss_total,2,sum) ##koko populaatio ## Now columns 2+3 are nonfatal, 5 is fatal QALYs ## list Qalys gained: nonfatal, fatal and total QALYs<-c(Gain[2]+Gain[3], Gain[5], Gain[2]+Gain[3]+Gain[5]) ## Now columns 6+7 are medical costs ## list med cost under novacc and vacc medical_cost0<-cbind(Loss_total_novacc[,6]+Loss_total_novacc[,7],Loss_total[,6]+Loss_total[,7]) medical_cost<-apply(medical_cost0,2,sum) list(QALYs,medical_cost) } calc_3_output_tables<-function(ipd0,ipd1,ipd2,vaccine_cost1,vaccine_cost2,Loss_per_IPDcase) ## for 3 given 101-long IPD vectors ## ipd0 = ipd under NO vaccination ## ipd1= ipd under vaccination 1 ## ipd1= ipd under vaccination 2 ## and ## vaccine_cost1,vaccine_cost2= ## per dose costs of vaccines 1 and 2 ## Loss_per_IPDcase is a 101*8 matrix ## ## calculate a list of 3 output tables ## rows and columns as indicated below ## ## typical call of this function: ## calc_3_ouput_tables(IPD_noVac,IPD_pcv10,IPD_pcv13,20,40,Loss_per_IPDcase) { c1<-calc_qalys_and_med_costs(ipd0,ipd1,Loss_per_IPDcase) c2<-calc_qalys_and_med_costs(ipd0,ipd2,Loss_per_IPDcase) ## output table 1 ## columns(3): vaccination, non fatal, fatal and total qalys gained ## rows: no_vacc, vacc1, vacc2 table1<-rbind(rep(0,3),c1[[1]],c2[[1]]) qalys_gained<-table1[,3] ## output table 2 ## columns(3): medical costs, vaccination programme costs, health care costs ##rows: no_vacc, vacc1, vacc2 vaccine_cost_tot<-180000*c(0,vaccine_cost1,vaccine_cost2) med_cost<-c(c1[[2]],c2[[2]][2]) healthcare_cost<-med_cost+vaccine_cost_tot table2<-cbind(med_cost,vaccine_cost_tot,healthcare_cost) ## ouput table3 ## columns(5): 1.QALYs gained compared to no_vacc ## 2.incremental effects (=incremental QALYS gained) ## 3.Health care costs 4.incremental costs ## 5.ICER=column4/column2 ##rows: no_vacc, vacc1, vacc2 incr_qalys<-(c(qalys_gained,0)-c(0,qalys_gained))[seq(3)] incr_costs<-(c(healthcare_cost,0)-c(0,healthcare_cost))[seq(3)] table3<-cbind(qalys_gained,incr_qalys,healthcare_cost,incr_costs,c(0,incr_costs[-1]/incr_qalys[-1])) list(table1,table2,table3) } objects.store(age, QALY_men, QALY_bac, CFR, LYL, COST_men, COST_bac, PROP_men, onevec, adjustment, Loss_per_case, Loss_per_IPDcase, calc_qalys_and_med_costs, calc_3_output_tables ) cat("Objects age, QALY_men, QALY_bac, CFR, LYL, COST_men, COST_bac, PROP_men, onevec, adjustment, Loss_per_case, Loss_per_IPDcase, calc_qalys_and_med_costs, calc_3_output_tables successfully stored.\n" )

Perustelu

Vaihtoehtoisten rokotteiden rokotusohjelmat järjestetään vaikuttavuuden mukaan (V₁ < V₂ < V₃, jne). Inkrementaalisessa kustannusvaikuttavuussuhteessa (incremental cost-effectiveness ratio, ICER; €/lisä-QALY) rokotusohjelmaa verrataan vaikuttavuudeltaan seuraavaksi parempaan ohjelmaan. ICER lasketaan jakamalla odotettu kustannusten erotus odoteulla terveysvaikutusten erotuksella:

<math>ICER = \frac{(C_2-S_2) - (C_1-S_1)}{E_2-E_1},</math>

missä C on rokotusohjelman hinta, S on säästö hoitokustannuksissa ja E on QALY-säästö.

Rokotusohjelma jätetään pois tarkastelusta, jos se on sekä kalliimpi että huonompi vaikuttavuudeltaan verrattuna vähintään yhteen vertailtavista rokotteiden ohjelmista. Jäljelle jäävien rokotusohjelmien ICER:eitä verrataan keskenään siten, että ohjelmaa verrataan aina vaikuttavuudeltaan seuraavaksi parempaan ohjelmaan. Vaikuttavuudeltaan huonointa rokotusohjelmaa verrataan ei rokoteta -tilanteeseen. Vertailussa jäljelle jää kustannusvaikuttavuudeltaan paras (ICER on pienin) rokotusohjelma.

Kustannusmuuttujat

Meningiitti- ja bakteremiatapausten terveyspalvelujen käyttö erikoissairaanhoidossa (vuodeosastohoitojaksot ja poliklinikkakäynnit) sekä meningiitin komplikaatioiden yleisyys arvioitiin Hoitoilmoitus­järjestelmästä (HILMO) poimitusta rekisteriaineistosta (2000-2006). Aineiston menigiittitapauksista (N=255) 12 %:lla (N= 30) oli kuulovaurioon viittaava ICD10-diagnoosi meningiittidiagnoosin jälkeen. Kuulovaurion saaneista 20 %: lla (N=6) oli meningiittidiagnoosin jälkeen sisäkorvaistutetoimenpide (DFE00, istutteen asettaminen korvasimpukkaan). Meningiittitapauksista 16 %:lla oli neurologiseen komplikaatioon viittaava diagnoosi. Keskimääräisen tautiepisodin kustannukset hoitovuosittain saatiin kertomalla keskimääräinen palvelujen käyttö yksikkökustannuksilla. Erikoissairaanhoidon keskimääräiset vuodeosastohoitojen ja poliklinikkakäyntien kustannukset arvioitiin tautiryhmittäin muodostettujen aineistojen HUS-kustannustiedoista (HILMO). Kaikki kustannukset ovat vuoden 2012 hintatasossa. Yli vuoden kuluttua toteutuvat terveysvaikutukset ja kustannukset diskontattiin 3 %:n diskonttokorolla.

Arvioidut hoitokustannukset ilman rokotusohjelmaa

Invasiivisesta pneumokokkitaudista aiheutuvat kustannukset saadaan vuonna 2008 tehdystä pneumokokkikonjugaattirokotusohjelman taloudellisesta arviointitukimuksesta, joka tehtiin osana Kansanterveyslaitoksen (nyk. THL) Lasten pneumokokkirokotustyöryhmän työskentelyä. Tutkimus tehtiin, kun rokotetta harkittiin otettavaksi kansalliseen rokotusohjelmaan. Tutkimuksessa verrattiin 7-valenttisen pneumokokkikonjugaattirokotteen rokotusohjelmaan ottamista ei rokoteta -tilanteeseen ja rokotusohjelman kustannusvaikuttavuutta arvioitiin ottamalla huomioon myös rokotusohjelman väestötason vaikutukset. Arvioitavia terveysvaikutuksia olivat vältetyt ennenaikaiset kuolemat sekä vältetyt aivokalvotulehdus-, bakteremia-, keuhkokuume- ja välikorvatulehdustapaukset.

Odotetut pneumokokkitautien ja välikorvatulehduksen (kaikki taudinaiheuttajat) aiheuttamat vuosittaiset diskontatut (5 %) hoitokustannukset (€) ilman rokotusohjelmaa (arvio 2008)

	AOM* (kaikki taudin aiheuttajat)	Keuhkokuume TK*	Keuhkokuume ESH	Bakteremia	Aivokalvotulehdus	Yhteensä
0v	6 935 217	13 638	339 659	38 418	41 573	7 368 504
1-4v	24 107 113	177 649	1 505 050	116 540	24 092	25 930 444
5-9v	-	-	975 775	16 351	9 673	1 001 799
10-19v	-	-	1 274 803	21 184	7 749	1 303 736
20-64 v	-	-	24 216 258	2 162 396	291 975	26 670 629
65v +	-	-	59 840 384	1 675 858	114 853	61 631 095
Yhteensä	31 042 329	191 287	88 151 929	4 030 747	489 916	123 906 208
< 5 v	31 042 329	191 287	1 844 709	154 958	65 665	33 298 948

*Tutkimuksessa ei oletettu väestötason vaikutuksia välikorvatulehdukselle ja terveyskeskuksessa hoidetulle keuhkokuumeelle, jonka takia niiden kustannuksiakaan ei arvioitu.

Katso myös

Tämä rokotehankintakeskustelu toimitettiin tiedoksi kansalliselle rokotusasiantuntijaryhmälle 8.9.2014.

• What is cost-effectiveness?

Kommentoi

Tästä aiheesta käydään keskustelua keskustelusivulla. Voit osallistua siihen kirjautumalla sisään.