Cette étude a été mené dans le département de l’Hérault. L’objectif était de comparer sur des critères médico-économiques la surveillance standard (définie par une conférence de consensus de 1988) de la récidive du cancer du colon et une surveillance modérée qui reprend une partie seulement des examens de la surveillance standard [16]. Par rapport à [16], nous avons implémenté la méthode d’estimation des coûts et de l’efficacité basée sur un modèle markovien.
Seuls les coûts directs de la surveillance étaient pris en compte. En particulier, le coût du traitement des rechutes n’a pas été pris en compte car l’information disponible dans les données du Registre des Tumeurs était insuffisante pour cela.
Données :
240 patients atteint du cancer du colon et ayant subit une chirurgie curative entre Janvier et Décembre 1992 ont été inclus dans l’étude. Les données proviennent du Registre des Tumeurs de l’Hérault.
Les variables renseignées étaient :
la surveillance (codée 0 pour la surveillance standard et 1 pour la surveillance modérée) le sexe
l’âge
le stade de Dukes (A, B ou C) correspondant à l’histologie la localisation du cancer (colon ou rectum)
Ces variables ont été introduites en covariables dans le modèle semi-markovien et dans les modèle de régression du coût.
Les coûts renseignés étaient : consultation
ultrason abdominal coloscopie
radiographie
CEA (marqueur biologique)
La durée de suivi était de 5 ans et aucun patient n’étaient perdu de vue avant la date de point.
Modèle semi-markovien :
3 états de santé ont été définis par les cliniciens : état 1 : vivant sans récidive
état 2 : vivant avec récidive état 3 : décès
Figure 6 : Schema du modèle semi-markovien pour la surveillance du cancer du colon
Nous avons fait l’hypothèse que le temps de séjour dans chaque état suit une loi de Weibull. Etant donné que dans cette étude le coût des traitements des rechutes n’a pas été pris en compte, le patients n’ont un coût non nul que dans l’état « vivant sans récidive ».
Paramètres estimés du modèle semi-markovien :
Les paramètres ont été estimés par maximum de vraisemblance. Le choix du modèle a été réalisé en testant les modèles emboîtés à l’aide du test du rapport de vraisemblance.
Finalement, nous avons obtenu les estimations montrées dans le tableau [].
Tableau 2 : paramètres du modèle semi-markovien
Paramètres Estimations Ecarts types
P12 0.29 0.06
12 48.10 22.13
13 1126.48 554.36
23 13.74 2.46
12 1.30 0.18
Covariables sur la transition
1->2
Age -0.87 0.43
Stade de
Dukes C 1.42 0.53
Covariables sur la transition
1->3
Age 1.15 0.35
Localisation 0.90 0.33
Surveillance 1.03 0.45
Vivant sans
récidive Vivant avec
récidive
Décès
Toutes les covariables n’ont pas été retenues dans le modèle. De plus, les covariables qui ont une influence sur les transitions ne sont pas les mêmes pour la transition 1->2 et la transition 1->3.
Modèles de régression du coût :
Les modèles de régression par intervalle ne sont pas présentés car ils sont trop nombreux.
Nous présentons le résultat globalement sur 5 ans pour l’état 1 dans le tableau Tableau 3 : paramètre de régression pour le coût dans l’état 1
Variable Estimations Ecart type
Intercept 9774 664
Age > 75 ans -1385 485
Surveillance -7473 564
Stade de Dukes B 2815 561
Stade de Dukes C 1081 568
Le type de surveillance est significatif dans ce modèle (avec un surcoût pour la surveillance standard).
Résultats:
Les résultats sont données sous la forme des courbes du BNI par sous-groupe. Le critère d’efficacité considéré ici est la survie exprimée en mois. Ici, un BNI positif serait en faveur de la surveillance standard). Il apparaît que, quelque soit le sous groupe, le BNI n’est pas significativement différent de 0, sauf pour des valeurs inacceptable de la propension à payer (au delà de 4000 euros par mois de vie gagné, soit 48 000 euros par années de vie gagnée). Cette étude de coût-efficacité n’a donc pas permis de mettre en évidence la supériorité d’une stratégie sur une autre.
Figure 7 : Bénéfice incrémentiel en fonction de la disposition à payer dans les différents sous groupes
Références bibliographiques
Beck JR, Pauker SG. The Markov model in medical prognosis. Med Decis Making 1983;3(4):419-458.
Borie F., Combescure C., Daurès J-P., Millat B. and Trétarre B. Cost-effectiveness of Two Follow-up Strategies for Curative Resection of Colorectal Cancer: Comparative Study Using a Markov Model. World J. Surg., 2004, 28: 563-569.
Briggs A.H, Fenn P. Confidence intervals or surfaces? Uncertainty on the cost-effectiveness plane. Health Economics 1998, 7: 723-740.
Briggs A.H, Wonderling D.E., Mooney C.Z.. Pulling cost-effectiveness analysis up by its bootstraps: A non-parametric approach to confidence interval estimation. Health Economics 1997, 6.: 327-340.
Foucher Y, et al. A semi-Markov model based on generalized Weibull distribution with an illustration for HIV disease. Biometrical journal dec 2005; 47:825-833.
Gardiner JC et al. A dynamic model for estimating changes in health status and costs.
Statistics in Medicine 2006; In press.
Heitjan D.F. Fieller's method and net health benefits. Health Economics 2000, 9: 327-335.
Siani, C. et Moatti, J.P. Quelles méthodes de calcul des régions de confiance du ratio coût-efficacité incrémental choisir ?. Revue d'Epidémiologie et de Santé Publique 2003, 51 :255-276.
Sonnenberg FA and Beck JR. Markov models in medical decision making: a practical guide. Med Decis Making. 1993 Oct-Dec;13(4):322-38.
Vergnenegre A, Combescure C, Fournel P, Bayle S, Gimenez C, Souquet PJ, Lena H, Perol M, Delhoume JY. Cost-minimization analysis of a phase III trial comparing concurrent versus sequential radiochemotherapy for locally advanced non-small-cell lung cancer (GFPC-GLOT 95-01). Ann Oncol. 2006 May 25.
Willan AR, Chen EB, Cook RJ, Lin DY. Incremental net benefit in randomised clinical trials with quality-adjusted survival. Stat Med 2003; 22: 353-362.
Willan A.R, Briggs A.H., Hoch J.S. Regression methods for covariate adjustment and subgroup analysis for non-censored cost-effectiveness data. Health Economics 2004, 13: 461-475.
Willan A.R., Lin D.Y., Manca A. Regression methods for cost-effectiveness analysis with censored data. Statistics in Medicine 2005, 24: 131-145.