Evidence and uncertainty in an iterative decision-making framework in health and medicine

Due to limited resources, decision makers are required to make frequent decisions on how to allocate available resources to maximize health outcomes within resource constraints. Such decisions are made based on imperfect information, resulting in decision uncertainty and potential negative consequences of making suboptimal decisions (i.e., opportunity cost). In many countries, health care decisions are informed using a model-based cost-effectiveness analysis (CEA), or another type of health economic evaluation, which is a systematic evaluation of expected health effects and costs of alternative decision options. The aim of this PhD dissertation is to formalize the steps involved in model-based decision making. These steps are formalized using an iterative decision-making framework in health and medicine presented in this dissertation. The iterative decision-making framework combines previously published recommendations and frameworks, and extends this previous work by propagating the principles of knowledge-based medicine and the use of value of information (VOI) analysis as an important part of the iterative decision-making framework. VOI analysis helps evaluate decision uncertainty and the need for further research, and can be also used to design and prioritize future research. The proposed decision-making framework further emphasizes the importance of iteration in the decision-making processes in the light of new and improved evidence. The iterative decision-making framework consists of three parts: 1) decision problem conceptualization, 2) model conceptualization and development, and 3) process of model-based decision analysis. This dissertation consists of four articles that illustrate applications of the proposed iterative decision-making framework in health and medicine. The first two articles are examples of how claims data and registry data can be used to inform a decision-analytic model within the proposed iterative decision-making framework. In Article I, we estimated the annual cost and resource use associated with screening privately insured women aged 40-49 years in the United States using claims data from the Blue Cross Blue Shield, a large US dataset. In Article II, we derived recurrence rates of colorectal cancer using SEER data, publicly available registry data in the United States. Although recurrence rates are not directly observed in the registry data, we applied multistate survival modeling which enabled the estimation of population-based recurrence rates. In Article III, we aimed to facilitate the use of expected value of sample information (EVSI) analysis as part of the iterative decision-making framework by presenting a step-by-step guide and recommendations for the use of four recently developed EVSI methods. In Article IV, we presented an application of the whole iterative decision-making framework, including its parts (i.e., Parts I-III of the iterative decision-making framework). This PhD dissertation proposes an iterative decision-making framework that follows the principles of knowledge-based medicine and emphasizes the importance of an iterative process in decision making in health and medicine. This iterative decision-making framework can be used to inform and guide various health care decisions.

Doktorgradsprosjektet presenterer et iterativ beslutningsrammeverk som følger prinsippene for kunnskapsbasert medisin og understrekker viktigheten av en iterativ prosess i beslutninger om innføring av nye tiltak i helse og medisin. Det iterative beslutningsrammeverket kan brukes til å informere og å veilede hvordan man skal prioritere mellom nye tiltak i helsevesenet. Videre kan det iterative beslutningsrammeverket brukes til å vurdere behovet for videre forskning og identifisere de optimale designene av fremtidig forskning. Med det kan det iterative beslutningsrammeverket gi et bedre grunnlag for beslutninger innen helse og medisin. Doktorgradsprosjektet førte til et tettere samarbeid mellom LINK Medical Research og den gradsgivende institusjonen som derved bidro til at bedriften fikk en bredere forskningserfaring og forskningskompetanse.

Et svært aktuelt tema som har blitt mye diskutert i det helseøkonomiske fagmiljøet, er bruken av "real-world data" (RWD) i helseøkonomisk modellering av sykdommer og medisinske tiltak. RWD omfatter helseopplysninger fra kilder som faller utenfor rammen for randomiserte kliniske studier, herunder helseregistre, observasjonsstudier og medisinske journaler. Fordi inklusjon av RWD i beslutningsanalytisk modellering er forbundet med enkelte utfordringer, er det viktig å undersøke ulike måter å benytte den omfattende informasjonen som ligger i RWD på. Value of Information (VOI) verdsetter forskjellige typer av forskningsstudier basert på studienes potensiale til å redusere dagens beslutningsusikkerhet (dvs. sannsynlighet for å ta en suboptimal beslutning) for å velge den optimale intervensjonen. Valget av suboptimal intervensjon vil føre til tap av helsegevinser. Nye data forventes å redusere beslutningsusikkerheten, og dermed redusere det forventede tapet. Expected Value of Sample Information (EVSI)-metoden måler "forventet reduksjon i det forventede tapet" ved bruk av forskjellige forskningsstudiedesign. Dette doktorgradsprosjektet undersøker fordelene ved å bruke real-world data og Value of Information metoder i beslutninger og modellering for å gjenspeile klinisk praksis og lede til bedre medisinske beslutninger. Prosjektet presenterer eksempler på hvordan RWD kan brukes for å skaffe nyttig informasjon (f.eks. sykdomsforløp, sykdoms- og behandlingshåndtering, helsevesenets bruk av ressurser) og dens potensiale til å redusere beslutningsusikkerhet. Det første PhD-delprosjektet identifiserer årlige kostnader ved screening av brystkreft blant privatforsikrede kvinner i 40-årene ved å bruke amerikanske RWD, og undersøker regional variasjon i disse kostnadene. I det neste delprosjektet brukes det statistisk multistate modellering for å estimere populasjonsbaserte årlige metastatiske tilbakefall av tarmkreft ved bruk av amerikanske data fra Surveillance, Epidemiology, and End Results (SEER) Program. Begge disse prosjektene presenterer hvordan RWD kan brukes for å skaffe viktige inputparametere til beslutningsanalytiske modeller for å evaluere kostnadseffektivitet samt å optimalisere ressursallokering. Det tredje PhD-delprosjektet benytter en «Value of Information»-analyse for å kvantifisere usikkerhet i bruk av gentest Oncotype DX for pasienter med tidlig brystkreft. Mer spesifikt undersøkes verdien av tilleggsinformasjonen for å optimalisere beslutningen om bruk av gentesten, og forskningsprioriteringer ved å analysere potensielle studiedesign vurderes. Dette delprosjektet presenterer hvordan VOI-metoder kan brukes til å identifisere datakilder med størst potensial for å redusere beslutningsusikkerhet og designe studier som vil føre til maksimal forventet reduksjonen i forventet tap dersom beslutningen tas med dagens usikkerhet. Selv om det tredje prosjektet presenterer fordelene ved å bruke VOI-metoder for å designe og prioritere forskningsstudier, samt å identifisere datakilder med det største potensialet for å redusere dagens beslutningsusikkerhet, finnes det flere EVSI tilnærmingsmetoder, og anbefalinger for å velge imellom disse metodene mangler. Derfor gir det fjerde PhD-prosjektet en stegvis veiledning for bruk av fire EVSI-tilnærmingsmetoder og anbefalinger for å velge imellom disse metodene. Prosjektet i sin helhet vil tilføre kunnskap om hvordan den omfattende informasjonen som ligger i RWD og Value of Informasjon metoder kan brukes i helseøkonomiske evalueringer og helseanalyser for å gjenspeile klinisk praksis best mulig og derved optimalisere helserelaterte beslutninger.