De kosteneffectiviteit van het bevolkingsonderzoek naar dikkedarmkanker in Vlaanderen.

De kosteneffectiviteit van het bevolkingsonderzoek naar dikkedarmkanker in Vlaanderen. Gezondheidseconomische evaluatie Eindrapport Auteur: Max Lelie Coauteurs: Riet Parmentier, Lieven Annemans, Steven Simoens, Koen Putman Gezondheidseconomisch rapport in opdracht van de Vlaamse Overheid Februari 2023 i a. Inhoud a. Inhoud .................................................................................................................................................................................... i b. Figuren en tabellen ............................................................................................................................................................... ii c. Gebruikte termen en afkortingen .......................................................................................................................................... iii 1. Introductie ........................................................................................................................................................................ 1 1.1 Inleiding ................................................................................................................................................................................ 1 1.2 Huidige en voorgaande evaluatie ......................................................................................................................................... 2 2. Onderzoeksmethodiek ...................................................................................................................................................... 3 2.1 Inleiding ................................................................................................................................................................................ 3 2.2 Model structuur .................................................................................................................................................................... 4 2.3 Screening parameters .......................................................................................................................................................... 9 2.4 Epidemiologische parameters ............................................................................................................................................ 10 2.5 Klinische parameters .......................................................................................................................................................... 11 2.6 Economische parameters.................................................................................................................................................... 11 2.7 Onzekerheid en sensitiviteitsanalyses................................................................................................................................. 12 2.8 Model aannames ................................................................................................................................................................ 12 2.9 Scenario’s en uitkomstmaten ............................................................................................................................................... 7 3. Resultaten ....................................................................................................................................................................... 14 3.1 Inleiding .............................................................................................................................................................................. 14 3.2 Model verificatie ................................................................................................................................................................. 14 3.3 Basis scenario’s ................................................................................................................................................................... 16 3.4 Sensitiviteitsanalyse ............................................................................................................................................................ 18 4. Discussie en Conclusie ..................................................................................................................................................... 25 4.1 Inleiding .............................................................................................................................................................................. 25 4.2 Discussie punten ................................................................................................................................................................. 26 4.3 Eindconclusie ...................................................................................................................................................................... 27 5. Referenties ...................................................................................................................................................................... 28 ii b. Figuren en tabellen Figuur 1: Simpel natuurlijk progressie model DDK ......................................................................................................... 5 Figuur 2: Versimpelde weergave Markov Model diagram ............................................................................................... 6 Figuur 3: Grafische uitleg van de Incremental Cost Effectiveness Ratio ......................................................................... 9 Figuur 4: Grafische weergave van de retrodictie in test-afname versus de gerapporteerde test-afnamen, naar leeftijd, gemiddelde over 4 rapport jaren. .................................................................................................................................... 15 Figuur 5: Tornado diagrammen van sensitiviteit op incrementele kosten en baten. ....................................................... 19 Tabel 1: Gemiddelde tussenuitkomsten van de simulaties. Per scenario worden de gemiddelde waarden over de modellooptijd van 20 jaar. ........................................................................................................................................................ 14 Tabel 2: DDK relevante tussenuitkomsten (events) per scenario. Getoonde waarden zijn gemiddelden over 20 jaar. .. 15 Tabel 3: Totale kosten, gemiddeld per jaar ..................................................................................................................... 16 Tabel 4: Totale kosten, gemiddeld per 100.000 persoonsjaren ....................................................................................... 16 Tabel 5: Gezondheidsuitkomsten, totaal in het hele model ............................................................................................ 17 Tabel 6: Jaarlijkse kosten (gezondheidszorgperspectief GZ en maatschappelijk perspectief MS) en baten van de gezondheidseconomische evaluatie. ............................................................................................................................... 17 Tabel 7: Incrementele kosten en baten per vergelijking. Deze incrementen zijn de uitkomst van het scenario - comparator. ..................................................................................................................................................................... 18 Tabel 8: Sensitiveit op (gezondheidszorg) kosten en baten (in QALYs) van de model opties, inclusief de %-wijziging t.o.v. de basecase. Dalingen t.o.v. de basecase zijn rood aangeduid. Wijzigingen t.o.v. screening in scenario A (zonder screening programma) hebben geen wijzigingen op de kosten en baten. Deze zijn grijs gekleurd. ............................... 20 Tabel 9: Sensitiviteit van model opties op de incrementele vergelijkingen. Ongunstige wijzigingen (voor de kosteneffectiviteit) worden rood gemarkeerd en positieve wijzigingen groen. Een negatieve incrementele kost leest als een ‘incrementele kostenbesparing’, en is daarom groen. Een positieve incrementele kost is rood, omdat dit een kosten uitbreiding betekend. Voor de baten in QALYs zijn positieve wijzigingen gunstig, en negatieve waarden ongunstig. 21 Tabel 10: PSA IKER Kwadranten .................................................................................................................................. 22 Tabel 11: Microscenario’s voor andere test: sensitiviteit en specificiteit. ...................................................................... 23 Tabel 12: IKER per meerof minder-kost per test ......................................................................................................... 23 Tabel 13: Effecten van negatieve publiciteit ................................................................................................................... 23 Tabel 14 : Effecten Participatie verhogende campagnes. ............................................................................................. 24 iii c. Gebruikte termen en afkortingen VAZG: Vlaams Agentschap Zorg en Gezondheid. Opdrachtgever van dit onderzoek en van het bevolkingsonderzoek programma. CvKO: Centrum voor Kanker Opsporing. Uitvoerder van het bevolkingsonderzoek. SKR: Stichting Kanker Register. Onderzoeksorgaan verantwoordelijk voor rapportage omtrent dikkedarmkanker. DDK / Dikkedarmkanker / Colorectale kanker: Kankers die primair ontstaan (voor uitzaaiing) in de dikke darm, endeldarm, of rectum. Er zijn 4 stadia, afhankelijk van hoever de kanker is uitgezaaid. Prevalentie: Het aantal mensen dat in een bepaalde bevolking, in een bepaalde tijd, de ziekte hebben. Incidentie: Het aantal mensen dat in een bepaalde bevolking, binnen een bepaalde tijd, de ziekte gaan krijgen. Relevante prevalentie: Het aantal mensen dat in een bepaalde bevolking, in een bepaalde tijd, de ziekte hebben en nog ontdekt moeten worden. De uitnodigings-graad: Het percentage mensen van een leeftijd x die in jaar y een uitnodiging voor screening ontvangen. De response-graad: Het percentage mensen van een leeftijd x die in jaar y daadwerkelijk een test afnemen na het ontvangen van een uitnodiging (binnen 12-maanden). Oproep-jaar: een binaire optie of een bepaalde leeftijd op een bepaald jaar opgeroepen wordt tot screening. Uit rapportage blijkt dit geen harde scheiding. Ieder jaar ontvangt een (klein) percentage mensen buiten het oproep-jaar een uitnodiging, en doen op basis hiervan een test. De redenen hiervoor kunnen veelvuldig zijn, maar het model neemt dit mee in de calculaties. De oproep-jaar matrix bepaalt welke leeftijden in een gegeven jaar voornamelijk een uitnodiging krijgen. QALY / Quality Adjusted Life Years: Dit is een uitkomst maat voor de gezondheidseconomische evaluatie. Dit is de utiliteitsscore van een geleefd jaar met inachtneming van de gezondheidstoestand. Een hypothetisch jaar in de best mogelijke gezondheid is 1 QALY. Omdat perfecte gezondheid doorgaans niet de standaard is, is de basis utiliteit, afhankelijk van leeftijd, vaak iets lager. Daarnaast wordt, indien iemand specifieke gezondheidsproblemen heeft, een disutiliteit afgetrokken. Persoonsjaren: Dit is een uitkomstmaat, maar in tegenstelling tot QALYs, houdt geen rekening met utiliteiten van gezondheidstoestand. Het is simpelweg het aantal geleefde jaren. Cohort: Dit is de populatie die binnen een model gesimuleerd wordt. Omdat het doorgaans niet wenselijk is om een volledige populatie te simuleren, is een cohort vaak een specifieke sectie van de complete populatie. In dit geval is de cohort de Vlaamse bevolking tussen 45 en 74 in 2022. Tijdshorizon: Het tijdsperspectief waarin de kosten en baten verzameld worden. Dit kan variëren tussen de looptijd van het model, en levenslang. In dit laatste geval worden de baten geschat over de resterende levensverwachting. IKER / incrementele kosten-effectiviteitsratio: De primaire uitkomstmaat van kosteneffectiviteit. Dit zijn de incrementele kosten tussen twee simulaties, gedeeld door de incrementele baten tussen deze twee simulaties. Dit drukt dan de kost per baat-eenheid uit. Gezondheidszorg perspectief: Dit is het kostenperspectief waarbij alleen de kosten die gemaakt worden in de gezondheidszorg geteld worden. Dit is een nauw kosten-perspectief. Maatschappelijke perspectief: Dit is het kostenperspectief waarbij zowel de gezondheidszorg kosten als de maatschappelijke kosten geteld worden. De maatschappelijke kosten bestaan veelal uit de kosten voor verloren arbeidsproductiviteit, maar kunnen ook verdere kosten omvatten zoals transport kosten, kosten voor partner belasting, aanpassingen aan residenties, etc. iv Markov Model: Een type model dat een ziekteproces en de invloed van een interventie simuleert door een populatie een aantal gezondheidstoestanden te laten doorlopen. PSA: Probabilistic Sensitivity Analysis. Dit is een type sensitiviteitsanalyse waarbij alle invoer parameters met een bepaalde range kunnen variëren (bijvoorbeeld in een normaal verdeling om het gemiddelde) over een x aantal simulaties. Hiermee kan de robuustheid van de resultaten inzichtelijk gemaakt worden. CEAC: Cost-Effectiveness Acceptability Curve. Dit is een grafiek die de kans aangeeft dat een interventie kosteneffectief is (hoeveel % van de simulaties onder een bepaald IKER drempelwaarde vallen). 1 Samenvatting Door middel van een Markov cohort model is de kosteneffectiviteit van het screenen naar dikkedarmkanker in Vlaanderen geëvalueerd. Dit model simuleert screening deelname door middel van het bevolkingsonderzoek voor een periode van 20 jaar, aan hand van beschikbare rapportcijfers. Kosten (zowel gemaakt voor screening als behandeling) en baten (in de vorm van kwaliteit-gewogen leef-jaren) zijn voor verscheidene screening scenario’s verzameld en onderling vergeleken. De conclusie hiervan is dat screenen naar dikkedarmkanker kosteneffectief is, wanneer deze vergeleken wordt tegen het beëindigen van screening. Dit geld voor zowel screenen vanaf 45 jaar als voor screenen vanaf 50 jaar. Wanneer de uitbreiding van screenleeftijd wordt vergeleken met de huidige screening vanaf 50 jaar is de evaluatie ook gunstig. Hierbij is de marge wel kleiner, maar de gezondheidswinst is duidelijk positief. 1 1. Introductie 1.1 Inleiding In 2010 stierven er in Vlaanderen totaal 1708 mensen aan kankers in de rectum, endeldarm en dikke darm. In 2019 stierven er in Vlaanderen 805 mannen en 752 vrouwen (totaal 1557) aan deze kankers [1, 2]. De jaar incidentie toont ook een daling in deze kankers tussen deze jaren: in 2010 werden 5249 nieuwe kankers geregistreerd, en in 2019 waren dit 4382 [3, 4]. Deze cijfers hebben meer context als we beseffen dat de Vlaamse bevolking met ongeveer 7,2% is toegenomen in deze periode, en tevens gemiddeld ouder is geworden (van 41,5 jaar naar 43,1 jaar [5]). De redenen voor deze incidentie daling zijn divers, en niet volledig bekend. Het zal dynamiek zijn van levensstijl veranderingen, betere behandelingen, betere bewustwording van de populatie, en tevens de introductie van het bevolkingsonderzoek screening programma. Het bevolkingsonderzoek wordt in opdracht van de Vlaamse overheid uitgevoerd door het Centrum voor Kanker Opsporing (CvKO). In 2013 is begonnen met het screenen op dikkedarmkanker (hierna DDK), cervicale kanker, en borstkanker [6]. Bij DDK werden mannen en vrouwen tussen de 56 en 74 jaar opgeroepen om deel te nemen aan screening. Tegenwoordig is de doelgroep gefaseerd uitgebreid tot en met 50-jarigen. De mensen in deze leeftijdsgroep ontvangen elke 2 jaar een uitnodiging om door middel van de Fecal Immunochemical Test (FIT) een stoelgang-staal op te sturen. In 2019 waren er totaal 873.004 Vlamingen uitgenodigd voor screening, en werden hierbij 455.383 testen afgenomen [7]. Dit rapport beschrijft het proces en de resultaten van een gezondheidseconomische evaluatie van het Vlaams bevolkingsonderzoek rond het screenen op dikkedarmkanker die vanuit het I-CHER consortium (de VUB en UGent) in samenwerking met de KULeuven heeft uitgevoerd in opdracht van de Vlaamse overheid. Een gezondheidseconomische evaluatie betreft het uitvoeren van een kosteneffectiviteitsanalyse, waarbij de kosten en baten van een interventie vergeleken worden tegen een scenario zonder deze interventie. Abstract kan gezegd worden dat hiervoor een wereld met het bevolkingsonderzoek wordt vergeleken met een wereld zonder dit onderzoek. Dit proces lichten wij toe in sectie 2. 2 De uitkomsten van een gezondheidseconomische evaluatie zijn hoofdzakelijk de uitdrukking van de incrementele kosten van een programma gedeeld door de incrementele baten. Dit zegt iets over de kosteneffectiviteit van een programma. Voor beleidsmakers is dit relevant, omdat iedere euro in de zorg maar één keer uitgegeven kan worden. Om deze reden worden zorg investeringen toegespitst op programma’s die de grootste gezondheidswinst leveren, gegeven de kosten. Dit document (eindrapport) bestaat naast het analytisch model ( MS Excel), de gebruikershandleiding van dit model, en de appendix. Dit document is bedoeld om een volledig overzicht te geven van zowel de resultaten en conclusies, als het onderzoeksproces. Ieder hoofdstuk start met een inleiding, waarbij zeer kort de achtergrond van de gezondheidseconomische leer wordt toegelicht. Na dit introductie hoofdstuk wordt de onderzoeksstrategie uitgelegd in hoofdstuk 2. De technische details hiervan kunnen teruggevonden worden in de appendix. De resultaten worden gedeeld in hoofdstuk 3. Hoofdstuk 4 bevat de discussie en conclusie punten, en hoofdstuk 5 bestaat uit de referenties. 1.2 Huidige en voorgaande evaluatie Deze huidige evaluatie is zowel een herhaling als een uitbreiding op een eerder uitgevoerde gezondheidseconomische evaluatie uit 2013-2015 [8]. Deze evaluatie (hierna evaluatie 2013) concludeerde al dat screening naar DDK bij mensen van 55 tot 74 jaar naar redelijke maatstaven kosteneffectief was (met een Incremental Cost-Effectiveness Ratio tussen de € 1.912 en €3.851 per QALY) over een looptijd van 20 jaar. Er zijn verscheidene redenen om deze evaluatie nu te herhalen. In de eerste plaats is (mede door de invoering van het bevolkingsonderzoek) veel nieuwe epidemiologische en gedragsmatige data beschikbaar gekomen. Zo is er bijvoorbeeld empirische data beschikbaar over de deelname aan het onderzoek, en is er ook data over het voorkomen van poliepen. Hiermee hoeft deze evaluatie minder te berusten op aannames die gebaseerd zijn op minder representatieve samples. Dit gaat ook gepaard met daadwerkelijke real-world veranderingen. Zoals benoemd is de Vlaamse bevolking groter en ouder geworden, de incidentie van DDK gedaald, en is een gedeelte van deze bevolking bijna 10 jaar lang gescreend. Ook zijn er nieuwe vragen voor een herhaalde evaluatie. In sommige landen wordt DDK screening tegenwoordig uitgevoerd vanaf 45 jaar, iets wat ook in Vlaanderen tot de mogelijkheden behoort. Ook waren er model-technische aanpassingen mogelijk, waardoor het opgeleverde gezondheidseconomische model gemakkelijker gebruikt kan worden als een beleidsgereedschap over de langere termijn. 3 2. Onderzoeksmethodiek 2.1 Inleiding Dit onderzoek gebruikt een aantal verschillende modelleringwijzen die gangbaar zijn in de gezondheidseconomie. Het doel hiervan is om een simulatie te creëren waarbij verschillende scenario’s gemaakt kunnen worden. Idealiter sluit dit model zo nauw mogelijk aan bij de empirische cijfers, maar het is onvermijdelijk dat er een zekere mate van afwijkingen bestaan. Dit komt inherent voort uit de abstractie die nodig is bij het modelleren: hele complexe gezondheidsprocessen moeten noodzakelijkerwijs gereduceerd worden tot een beperkte set van parameters. Gelukkig is de opzet van gezondheidseconomisch modelleren dusdanig dat verschillen met de real-world data minder invloed hebben op de evaluatie dan misschien verwacht. Dit komt omdat de evaluatie berust op de verschillen tussen twee scenario’s: indien bijvoorbeeld deze twee scenario’s allebei een overschatting maken van de sterfte door DDK, is dat maar van beperkte impact op het verschil tussen deze scenario’s. De hoofdelijke modellering van dit onderzoek vindt plaats met een zogeheten cohort-level Markov Model. Dit is een type model dat de populatie simuleert door middel van cohorten die verdeeld worden over bepaalde gezondheidstoestanden. Bij iedere iteratie doorheen de tijd (een cyclus) kan deze cohort van gezondheidstoestand veranderen. Als simpel voorbeeld: een model dat bestaat uit drie gezondheidstoestanden (gezond, ziek, dood) en een cyclus-lengte van een jaar. In dit simplistische voorbeeld begint de populatie in de toestand ziek of gezond, en ieder jaar is er een kans van x-% om bijvoorbeeld van ziek naar gezond te veranderen, of andersom. Ook hebben deze twee toestanden een eigen %-kans om te sterven. In dit model kan bijvoorbeeld een nieuwe medicatie gesimuleerd worden, waarmee de kans om ziek te worden per jaar verkleint, of juist de kans om gezond te worden verhoogd. Dit model kan dan draaien voor een bepaalde tijdshorizon, bijvoorbeeld 10 jaar, waarbij de kosten (bijvoorbeeld voor de medicatie) en gezondheidsbaten (QALYs) opgesomd worden. Het verschil tussen de kosten en baten tussen de simulatie met en zonder deze nieuwe medicatie (de incrementele kosten en baten) is de beoogde uitkomst van deze modellering. Natuurlijk is dit voorbeeld, behalve ter illustratie, te simplistisch om echt bruikbaar te zijn. De precieze structuur van gezondheidstoestanden verschilt per evaluatie, en hangt af van het ziektebeeld en de beschikbare data. 10 zijn om met nieuwe rapportdata zelfstandig analyses te maken. Op basis van de rapport data worden een uitnodigingscurve en responsecurve geschat, waarmee de deelname in test-afname wordt bepaald in het model. De precieze methodologie hiervoor wordt verder uitgelegd in de appendix (A.1). Deze curves samen zijn tevens gebruikt om retroactief de rapport-data te voorspellen ter validatie van de screening-parameters. Dit wordt verder toegelicht in sectie 3.2 van dit rapport. Tevens wordt er in dit model rekening gehouden met de historische gefaseerde uitrol van het screen-programma. Dit noemen wij het “Ripple” effect, omdat er door de jaren heen een rimpel effect door de data beweegt. 2.5 Epidemiologische parameters In deze studie wordt zowel rapport data van het BVO [7], als jaar-incidentie cijfers van het SKR [3,4] gebruikt om de prevalentie en transitie kansen te schatten voor poliepen en DDK. Dit gebeurt met een vast algoritme, ook hiermee is het model op een gebruiksvriendelijke manier te voorzien van nieuwe informatie. Dit proces wordt in detail uitgelegd in de appendix (A.2). Globaal worden DDK en poliepen op eenzelfde maar gespecialiseerde manier verwerkt. Het doel is om te bepalen hoeveel poliepen en DDK er meer te vinden is door middel van screening. Voor poliepen is aangenomen dat de deelname geheel statistisch onafhankelijk is van het hebben van een poliep. Dit wil zeggen dat de proportie van gevonden poliepen bij screening simpelweg gecorrigeerd kan worden voor bepaalde test imperfecties, en daarna relatief gemaakt kan worden voor de hele Vlaamse populatie. Voor DDK neemt de detectiekans buiten het BVO progressief toe met het Stadium, en niet-deelnemers worden ook gedetecteerd (via symptomatische ontdekking of spontane screening in dit model). Concreet betekent dit dat als de rapportgegevens van het BVO betreffende gevonden DDK bevolking breed toegepast worden er een overschatting van het totaal aantal DDK zou plaatsvinden, maar een onderschatting van de verder gevorderde stadia (III en IV). Omgekeerd zou enkel werken met de data van het SKR leiden tot een onderschatting in de predictie, en een overschatting van hoeveel dit vergevorderde stadia zouden zijn. Daarom gebruikt het model voor de predictie van DDK deze twee bronnen samen om apart DDK bij deelnemers, niet-deelnemers, en bekende casussen te bepalen. 11 2.6 Klinische parameters Binnen het model worden de klinische parameters voornamelijk exogeen ingevoerd. Wij hebben het hier over de sterfteen progressiekansen door DDK met en na behandeling, de utiliteiten en disutiliteiten, de kans op symptomatische ontdekking, en de levensverwachtingen. De structuur en toepassingswijze zijn gelijk gebleven aan het model dat in 2013 is ontwikkeld, maar de waarden zelf zijn in de meeste gevallen herzien. Vanuit Statbel [10 ,11] zijn de waarden voor de demografische opbouw van de Vlaamse populatie, de levensverwachtingen, en de leeftijdsgebonden kans op sterfte door alle overige zaken buiten DDK geüpdatet. Zoals opgemerkt in de introductie is de algemene populatie zowel groter als ouder geworden, waardoor in principe meer testen afgenomen worden binnen het screening programma. De disutiliteiten per gezondheidstoestand zijn hetzelfde gebleven als in het oorspronkelijke model. Dit betreffen de disutiliteiten voor vals-positieve uitslagen, het hebben van poliepen, DDK stadium I, II, III, en IV, en de behandelingen hiervan. Hierbij is wel een milde disutiliteit toegevoegd voor de uitvoering van een colonoscopie (proportioneel aan een disutiliteit van een halve dag op 365 dagen in een jaar). Deze disutiliteiten lopen op met de ernst van de gezondheidstoestand. De basis utiliteit scores zijn geüpdatet naar de meest recente scores van 2022 [12]. De kans op sterfte door DDK (zonder, tijdens, en na een behandeling) zijn overgenomen uit het oorspronkelijke model, en proportioneel verlaagd naar huidige sterfte door DDK [3]. Deze verlaging is echter vrij klein. Tevens is hierbij een leeftijd gradiënt aangebracht, van 30%. D.w.z. dat de kans om te sterven aan DDK bij de jongste leeftijd (45 jaar) met een factor 0.7 lager liggen dan de oudste leeftijdsgroep (75) [13, 14, 15]. De kansen op symptomatische ontdekking zijn ongewijzigd gebleven. Deze parameters (inclusief epidemiologische en screening parameters) zijn allen terug te vinden in de appendix. 2.7 Economische parameters De kosten worden berekend onder twee verschillende perspectieven: het gezondheidsperspectief, en het maatschappelijke perspectief. Het gezondheidsperspectief omvat de kosten die gemaakt worden omwille van de screening en de kosten voor medische behandelingen. Grofweg zijn dit alle kosten die onder de noemer zorgkosten van een land zouden vallen. Het maatschappelijke perspectief omvat al deze zorgkosten, plus alle kosten die binnen de economie 12 ontstaan door de ziektelasten. Wij voeren de evaluatie in dit rapport apart uit voor beide perspectieven. In appendix (A.3) worden deze kosten verder gespecificeerd. De kosten voor screening zijn apart geïndexeerd naar 2023, en komen uit op € 7.22 per afgenomen test, en een vaste jaarlijkse kost van € 1,964,642. 2.8 Model aannames Het is niet mogelijk om alle impliciete aannames in het model op te sommen, omdat deze te noemrijk zijn. Wel is het belangrijk om de grootste aannames binnen het model aan te geven. Sommige van deze aannames zijn gemaakt omdat deze inherent zijn in het type model, bijvoorbeeld de homogeniteit van de gezondheidstoestanden. Bij een Markov model zijn alle mensen met een bepaalde gezondheidstoestand volledig homogeen; ze zijn even goed af. Andere aannames zijn gemaakt om de berekeningen te versimpelen, of omdat complexere data niet beschikbaar was. De belangrijkste aannames worden expliciet opgesomd in appendix A.4. 2.9 Onzekerheid en sensitiviteitsanalyses In dit model worden er twee primaire sensitiviteitsanalyses uitgevoerd. Er zijn Tornado diagrammen waarbij de sensitiviteit van de kosten en baten voor wijzigingen in bepaalde parameters visueel wordt voorgesteld. De invoer parameter wijziging en de uitkomst (incrementele kosten en baten) zijn gestandaardiseerd. Dit houdt in dat een x-% toename of afname in bijvoorbeeld de DDK prevalentie tot een y-% toename of afname leidt in de kosten of baten. Indien het effect van een wijziging (y-%) groter is dan de wijziging in x, is de gewijzigde variabele zeer belangrijk in het bepalen van de uitkomst. In de economie heet dit increasing returns to scale. Het omgekeerde (decreasing returns to scale) is ook mogelijk. Dan is de invoer variabele minder bepalend voor de gezondheidseconomische uitkomst. Hiernaast wordt ook een probabilistische sensitiviteit analyse (PSA) uitgevoerd. Dit is de belangrijkste sensitiviteitsanalyse, waarbij de onzekerheid om de evaluatie bepaald kan worden. Voor deze PSA wordt de simulatie 5000 keer herhaald, elk met kleine variaties in de invoer parameters. Deze zijn in iedere simulatie anders, waardoor uiteindelijk 5000 variaties van de simulatie uitkomsten worden verzameld. Op basis van deze 5000 simulaties wordt een 95% confidence interval berekend, 13 waarbinnen 95% van de IKER waarden zich bevinden. Dit kan voorgesteld worden als een wolk van punten op het kosten-effectiviteitsvlak en in een kosteneffectiviteit aanvaardbaarheidscurve costeffectiveness acceptibility curve (CEAC) die de kans aangeeft dat screening kosteneffectief is voor een bepaalde kosteneffectiviteitsgrens. 2.10 Microscenario’s Naast de eerder benoemde scenario’s worden een aantal kleinere scenario’s kort bekeken. Dit zijn kleine variaties op de hoofdscenario’s en bieden context aan de beleidsmatige beslissingen die omtrent het screening programma gemaakt kunnen worden. Deze microscenario’s betreffen drie thema’s. Een andere screentest die voor een meer/minder kost hogere/lagere sensitiveit en specificiteit kent. Een participatie verhogende campagne die voor een bepaald bedrag per jaar de participatie verhoogd. En tenslotte een negatieve publiciteitsevent waarbij bijvoorbeeld een publiekelijk persoon zich negatief uitlaat over het programma waardoor participatie afneemt. Omdat dit laatste microscenario geen beleidskeuze omvat, en altijd een negatief effect zal hebben, wordt hierbij simpelweg de impact op de incrementele kosten en baten bekeken. Deze microscenario’s bevatten minder details dan de hoofd analyses, en worden telkens vergeleken tegen het “gewone” scenario zonder de desbetreffende variaties. Hierbij worden steeds een aantal waardes gemodelleerd (bijvoorbeeld verschillende meerkosten, of andere doelgroepen), om toch een indicatie te geven van de sensitiviteit en marges van de analyse. 14 3. Resultaten 3.1 Inleiding In deze sectie worden de resultaten van de simulaties en evaluaties getoond, met een korte uitleg. De interpretatie hiervan vindt plaats in sectie 4. De eerste sectie betreft Model verificatie en triangulatie uitkomsten. De resultaten betreffen in primair de base-case set van aannames. Deze basecase gaat uit van een open dynamische cohort, een levenslange tijdshorizon, screening van zowel mannen als vrouwen, de historische “ripple” in de uitnodigingswaves, de ruis tussen oproepjaren, en leeftijd gradiënten in de ernst van DDK, en COVID-jaren (2020 en 2021) worden meegenomen in de invoerdata. Deze base-case aannames worden in sectie 3.5 dieper toegelicht. 3.2 Model validatie De onderstaande tabel (1) toont globale tussenuitkomsten, en tevens historische data voor een aantal parameters. Dit begint met populatie van screenbare leeftijd, en niet substantieel afwijkt van de historische populatie tussen 45 en 74 jaar. Vervolgens zijn er de gemiddelde afgenomen testen per jaar (absoluut en relatief), en het % wat hiervan een afwijkend resultaat geeft. Tenslotte is er per scenario een schatting van de totale prevalentie van DDK (inclusief follow-up). Hierbij is zichtbaar dat bij meer screening de totale prevalentie daalt. Scenario A: Scenario waarin screening programma wordt beëindigd. Scenario B: Scenario waarin huidige screening wordt voortgezet. Scenario C: Scenario waarin screening wordt uitgebreid naar 45 jarigen. Historische data Gesimuleerde uitkomsten Parameter 2015 2020 Scenario A Scenario B Scenario C Gemiddelde populatie (45 tot 74 jaar) 2,393,871 2,519,127 2,470,068 2,472,293 2,472,484 Effectieve test afname 15.37% 14.08% 6.46% 17.19% 16.08% Afgenomen FIT testen 368,056 354,581 158,729 360,174 396,563 (% afwijkend) (7.80%) (5.80%) (10.04%) (8.71%) (7.73%) Geschatte prevalentie 1.739% 1.345% 1.332% Tabel 1: Gemiddelde tussenuitkomsten van de simulaties. Per scenario worden de gemiddelde waarden over de model-looptijd van 20 jaar. 15 In de grafiek hiernaast is een retrospectieve schatting van de testafname gemaakt van de jaren 2021, 2020, 2019, en 2018 met de screening parameter bepaling (zoals uitgelegd in sectie 2.3). Het is hierbij zichtbaar dat het model conservatief neigt: de hoeveelheid testen valt wat lager uit. Bovenal is het wel in staat om de complexe golven van screeningdeelname te simuleren. De onderstaande tabel (2) toont verdere tussenuitkomsten in de vorm van zieke-gerelateerde events. Beginnende met het aantal uitgevoerde colonoscopieën, is het duidelijk dat er substantieel meer ingrepen verricht worden bij de scenario’s met screening. Over de langere termijn is er echter een daling in het aantal jaarlijkse behandelingen van DDK die uitgevoerd worden. Ook neemt de lange termijn sterfte door DDK af. Ook het aantal levensjaren met een gevorderde stadium van DDK ~23% lager in een wereld met screening. Ter context van deze resultaten zijn er additionele resultaten omtrent cumulatieve mortaliteit door DDK, de evolutie van de IKERs, en testafnames in appendix B.4. Gemiddelde over 20 jaar Tussenuitkomst Scenario A Scenario B Scenario C Colonoscopieën 25,466 49,799 51,451 DDK behandelingen per jaar 4,096 3,681 3,662 Sterfte door DDK 1,682 1,234 1,215 Totaal DDK St III en St IV 8,717 6,705 6,611 Tabel 2: DDK relevante tussenuitkomsten (events) per scenario. Getoonde waarden zijn gemiddelden over 20 jaar. 0 5,000 10,000 15,000 20,000 25,000 30,000 35,000 Totaal aantal testen, 4-jaar gemiddelde Voorspelde testen Gerapporteerde testen Figuur 4: Grafische weergave van de retrodictie in test-afname versus de gerapporteerde test-afnamen, naar leeftijd, gemiddelde over 4 rapport jaren. 16 3.3 Basis scenario’s Beginnende met de kosten, deze worden per jaar, per 100.000 persoonsjaren, en totaal getoond in de onderstaande tabellen (3 & 4). Scenario A (het scenario waarin screening wordt stopgezet) bevat geen bevolkingsonderzoek kosten. Bij dit scenario zijn de kosten die gemaakt worden voor het stopzetten en de spontane screening gerekend bij de gezondheidszorg kosten. Scenario B (Huidige screening) en scenario C (Uitbreiding screening) omvatten voor het Bevolkingsonderzoek zowel het forfaitaire bedrag en de kosten voor de screentesten. Ter context is dit per jaar ~0.8% van de totale jaarlijkse zorgbestedingen in Vlaanderen. Kosten per jaar Scenario A Scenario B Scenario C Bevolkingsonderzoek kosten € - € 3,404,073 € 3,593,569 Gezondheidszorg kosten € 219,049,208 € 214,702,937 € 214,507,292 Maatschappelijke kosten € 615,894,797 € 613,162,023 € 613,048,827 Tabel 3: Totale kosten, gemiddeld per jaar De kosten per 100.000 persoonsjaren zijn gestandaardiseerd op de populatie in het aantal geleefde jaren (20 model jaren + de resterende levensverwachting) . Dit is een veelvoorkomende uitkomstmaat om gemakkelijk internationale vergelijkingen te maken. Kosten per 100.000 persoonsjaren Scenario A Scenario B Scenario C Bevolkingsonderzoek kosten € - € 52,331 € 55,244 Gezondheidszorg kosten € 3,366,189 € 3,300,667 € 3,297,659 Maatschappelijke kosten € 9,468,263 € 9,426,251 € 9,424,511 Tabel 4: Totale kosten, gemiddeld per 100.000 persoonsjaren Ten laatste worden hier de totale levensjaren, QALYs, en QALYs per 100.000 persoonsjaren getoond in tabel 5. Dit zijn de baten die gemeten zijn in de simulaties. Dit zijn allereerst de totalen (life-time horizon), en tenslotte de levensjaren gecorrigeerd met de levensjaren (referentie scenario A). 17 Gezondheidsbaten Scenario A Scenario B Scenario C Totaal levensjaren 79.072.720 79.265.706 79.274.300 Totaal QALYs 143.106.346 143.379.880 143.395.903 QALYs per 100.000 persoonsjaren 55.255 55.389 55.395 Tabel 5: Gezondheidsuitkomsten, totaal in het hele model Als de QALYs gewogen worden per persoonsjaar is de score per persoon 0.69756 in scenario A, 0.69837 in scenario B, en 0.69840 in scenario C. Per jaar komt dit neer op 26,660,860 en 26,681,416 en 26,682,306. In de onderstaande tabel worden de jaarlijkse baten en kosten getoond op basis waarvan de incrementen berekend zullen worden. Scenario A Scenario B Scenario C Levensjaren (p.j.) 6,504,698 6,517,181 6,517,917 QALYs (p.j) 3,271,446 3,274,318 3,274,434 Kosten (GZ, p.j.) € 219,049,208 € 218,107,010 € 218,100,861 Kosten (MS, p.j.) € 834,944,005 € 831,269,033 € 831,149,688 Tabel 6: Jaarlijkse kosten (gezondheidszorgperspectief GZ en maatschappelijk perspectief MS) en baten van de gezondheidseconomische evaluatie. De gezondheidseconomische evaluatie vindt plaats op de incrementele verschillen tussen deze scenario’s. Zoals benoemd wordt dit verwerkt in een 3-way comparison. In de eerste twee vergelijkingen worden huidige screening (B) en de uitbreiding van screening (C) vergeleken met de wereld waarin screening wordt beëindigd (A). In de derde vergelijking wordt de uitbreiding screening (C) vergeleken tegen de huidige screening. Deze incrementen, en de bijbehorende gezondheidseconomische evaluatie worden getoond in de tabel hieronder (7). De IKERs worden getoond voor de gezondheidsperspectief kosten (GZ) en de maatschappelijk perspectief kosten (MS). 18 Vergelijking 1 Vergelijking 2 Vergelijking 3 Comparator Scenario A Scenario A Scenario B Scenario Scenario B Scenario C Scenario C Incrementele levensjaren 12,483 13,219 736 Incrementele QALY&s 2,872 2,988 116 Incrementele kosten (GZ) € -942,198 € -948,347 € -6,149 Incrementele kosten (MS) € -3,674,972 € -3,794,317 € -119,345 IKER GZ Dominant Dominant Dominant IKER MS Dominant Dominant Dominant Tabel 7: Incrementele kosten en baten per vergelijking. Deze incrementen zijn de uitkomst van het scenario - comparator. 3.4 Sensitiviteitsanalyse Om de sensitiviteit van de base-case analyse aan te geven zijn de Tornado Diagrammen onderaan deze pagina gemaakt (referentie vergelijking 1). De populatie grootte geeft een makkelijk voorbeeld hoe deze diagrammen te lezen zijn. Dit is omdat een populatie verdubbeling de incrementele kosten en baten ook verdubbelt, en een halvering de incrementele kosten en baten ook halveert. Dit is in de diagrammen te zien aan het feit dat een populatie stijging (blauw, +50%) ook een +0.5 effect heeft op de incrementele kosten, en een daling (rood, -50%) een -0.5 effect. Een daling van de responsegraad heeft bijvoorbeeld een positief effect op de incrementele baten. Wat deze diagrammen aantonen is dat met name de Response graad, Spontane screening, en de behandelingskosten een groot effect hebben op de incrementele kosten. De Response graad en de Spontane screening hebben beide ook een gemiddeld effect op de incrementele baten. 19 Kanttekening Colonoscopie acceptatie: Bij de kosten zijn twee opmerkingen. Allereerst is er geen waarde voor een 50% toename, omdat er bij een toename van 25% al 100% geaccepteerd wordt. Daarnaast is de afname niet symmetrisch. Een afname in acceptatie van 25% leidt tot een verlaging in kosten, maar een verlaging van 50% tot een stijging van kosten. Dit komt omdat bij een hoge daling in colonoscopie opvolgingen er weliswaar minder colonoscopie kosten gemaakt worden, maar er wel volop screenkosten en (hogere) kosten voor DDK behandelingen gemaakt worden. Figuur 5: Tornado diagrammen van sensitiviteit op incrementele kosten en baten. 26 4.2 Discussie punten Ieder model heeft zijn beperkingen, en dit onderzoek is daar niet anders in. In dit model lag de focus op het modelleren van screening, maar hierdoor is er relatief minder complexiteit gestoken in de behandelingen en follow-up toestanden. Dit aspect is verantwoordelijk voor een substantieel gedeelte van de gezondheidszorg kosten, maar het huidige model heeft niet de ruimte om de volledige complexiteit hiervan mee te nemen. Ook behandelt het model mensen van 75 jaar en ouder als één enkele leeftijdscategorie. Dit is wederom een keuze om de complexiteit te kunnen focussen op de grootste kantelpunten van de evaluatie, maar dit betekent ook dat met name sterfte en DDK bij deze groep van ouderen minder precies is gemodelleerd. De impact van deze versimpeling op de kosteneffectiviteit is zeer beperkt, maar het is mogelijk dat de absolute sterfte door DDK van mensen ouder dan 75 jaar hierdoor hoger geschat wordt. Andere beperkingen zijn zoals genoemd in sectie 2.8 inherent aan het type model wat gebruikt is. Bijvoorbeeld dat de cohort binnen een gezondheidstoestand volledig homogeen behandeld wordt. De theorie van Markov Cohort modellen suggereert dat bij een grote populatie en een lange tijdshorizon (en adequate data voorziening) de micro-level verschillen in mensen op cohort-level zichzelf gemiddeld opheffen, maar dit is helaas niet test-baar met één model. De mogelijkheid blijft daardoor dat dit model bepaalde gedragingen op micro-level niet adequaat meeneemt. Hierbuiten is het huidige model wel een significante uitbreiding in complexiteit en detaillering. Zo is de leeftijd van de populatie nu per jaar behandeld in plaats van per 5 jaar, waardoor de screening deelname en gezondheidsstaten veel accurater kon worden bepaald. Ook zijn nieuwe data bronnen die beschikbaar zijn geworden toegepast om screening en gezondheid veel nauwkeuriger te bepalen. Ook zijn de transities tussen gezondheidstoestanden realistischer gemaakt. Zo worden bijvoorbeeld interval kankers mee gemodelleerd, en houdt sterfte ook rekening met de wachtkamer en follow-up toestanden. Mede door de toename in complexiteit is dit model veel nauwkeuriger in het bepalen van de juiste gezondheidstoestand, en het bepalen van de baten van screening. Naast een uitbreiding van het model is het ook duidelijk geworden dat het bevolkingsonderzoek naar DDK goed functioneert. Zo zijn de kosten voor screening betrekkelijk laag gebleven in vergelijking met de verwachtingen van het voorgaande model. De deelname aan het bevolkingsonderzoek heeft ook voorspelde gezondheidswinsten weten te realiseren. Hoewel de ruimte aanwezig is om deelname en opvolging te verhogen, zien wij eigenlijk dat het onderzoek beter 27 presteert dan aanvankelijk gemodelleerd. D.w.z. dat de verbetering in kosteneffectiviteit niet enkel ligt aan de wijze van modellering, maar substantieel te wijten valt aan de effectiviteit van het bevolkingsonderzoek. Dit model en het voorgaande model in 2013 zijn omwille van verschillen in de precieze uitkomstmaat en modelwijze niet rechtstreeks te vergelijken, maar de belangrijkste verschillen zijn als volgt: De baten zijn in beide modellen positief, maar in dit model zijn de baten lager: dit komt door strenge aannames en de toegevoegde complexiteit in modelleren. Het kostenaspect in dit model wijst op een kostenbesparing, en in het vorige model op een kostenuitbreiding. Dit komt onder andere door de gunstigere kosten vanuit het bevolkingsonderzoek, en de kostenstijging in de behandeling van DDK. 4.3 Eindconclusie Zoals gemeld concludeerde het vorige rapport dat screening vanaf 50 tot 74 jaar kosteneffectief was, met een IKER tussen de ~ € 2,000 en € 4,000. Deze evaluatie concludeert dat deze huidige vorm van screening voortzetten voor 20 jaar kosteneffectiever (dominant) geworden is. Hiernaast concluderen wij dat de uitbreiding van screening naar 45 jarigen ook kosteneffectief (dominant) is, met een marge tot € 2,986 per QALY. Het beëindigen van het bevolkingsonderzoek zou niet kosteneffectief zijn, gezien dit gepaard zal gaan met meer zorgkosten en een verlaging van de volksgezondheid. Concreet zijn de resultaten van deze analyse eenduidig. Het huidige screeningprogramma van 50 tot 74 jarigen is kosteneffectief in het verlagen van de ziektelast van dikkedarmkanker. Een uitbreiding van screening tot 45 jarigen is tevens kosteneffectief, maar wel met enkele opmerkingen. Zo is de marge voor een dominante IKER kleiner, waarbij in 37% van de simulaties geen kostenbesparing plaatsvond (desalniettemin blijven de IKERs laag). Ook is de incrementele gezondheidswinst ten opzichte van de huidige screening proportioneel lager. Wel lijkt de ontwikkeling van de kosteneffectiviteit ratio te bewegen in een gunstige richting. Dit wil zeggen dat wanneer het programma langer dan 20 jaar draait, de kosteneffectiviteit toeneemt. Deze conclusies zijn robuust voor wijzigingen in de aannames en instellingen in het model. Het verdient hierbij wel de opmerking dat de conclusies kunnen wijzigen indien de behandeling van dikkedarmkanker van prijs of kwaliteit wijzigt, of wanneer de prevalentie van dikkedarmkanker substantieel daalt, of de screening deelname drastisch daalt. 28 5. Referenties [1] Doodsoorzaken | Statbel. (2022, March 29). Doodsoorzaken | Statbel. Retrieved December 24, 2022, from https://statbel.fgov.be/nl/themas/bevolking/sterfte-enlevensverwachting/doodsoorzaken#news [2] SKR. (2021). KORT RAPPORT - KANKER IN BELGIË, 2020. Stichting Kanker Register. http://kankerregister.org/media/docs/publications/rapporten/KankerinBelgi%C3%AB2020(FINA L020822).pdf [3] SKR. (2022, December). Belgian Cancer Registry — Tabellen op jaarbasis. Belgian Cancer Registry &Mdash; Tabellen Op Jaarbasis. Retrieved December 24, 2022, from http://kankerregister.org/Statistieken_tabellen_jaarbasis [4] SKR. (2021). De incidentie van dikkedarmkanker bij 45tot 49-jarigen in Vlaanderen, 20012019. Stichting Kanker Register. http://kankerregister.org/media/docs/publications/Dikkedarmkanker_Vlaanderen_45-49_20012019.pdf [5] Vlaamse Overheid. (2021). Metadata Vlaanderen - agentschap Digitaal Vlaanderen. Metadata Vlaanderen - Agentschap Digitaal Vlaanderen. Retrieved December 24, 2022, from https://metadata.vlaanderen.be/srv/search?keyword=Zorgatlas [6] Domus Medica. (2022, November 17). Themadossier dikkedarmkankerscreening | Domus Medica. Themadossier Dikkedarmkankerscreening | Domus Medica. Retrieved December 24, 2022, from https://www.domusmedica.be/richtlijnen/themadossiers/themadossierdikkedarmkankerscreening#:~:text=Elk%20jaar%20krijgen%20meer%20dan,persoonsjaren%20v oor%20vrouwen%20in%20Vlaanderen. [7] CvKO. (2020). Jaarrapport 2019. Bevolkingsonderzoek Vlaanderen. Retrieved December 24, 2022, from https://borstkanker.bevolkingsonderzoek.be/sites/default/files/202212/Jaarrapport%202019.pdf [8] Pil, L., Fobelets, M., Putman, K., Trybou, J., & Annemans, L. (2016). Cost-effectiveness and budget impact analysis of a population-based screening program for colorectal cancer. European journal of internal medicine, 32, 72-78. 29 [9] Peeters, M., Leroy, R., Robays, J., Veereman, G., Bielen, D., Ceelen, W., ... & Verleye, L. Dikkedarmkanker: diagnose, behandeling en follow-up. Samenvatting. Good Clinical Practice (GCP). Brussel: Federaal Kenniscentrum voor de Gezondheidszorg (KCE). 2014. KCE Reports 218As. D/2014/10.273/12. [10] StatBel. (n.d.). Bevolking naar woonplaats, nationaliteit (Belg/niet-Belg), burgerlijke staat, leeftijd en geslacht. Retrieved December 24, 2022, from https://bestat.statbel.fgov.be/bestat/crosstable.xhtml?view=5fee32f5-29b0-40df-9fb9af43d1ac9032. [11] StatBel. (n.d.). Evolutie van de levensverwachting bij de geboorte, in jaren Vlaams Gewest (1996-2021). Retrieved December 24, 2022, from https://statbel.fgov.be/nl/themas/bevolking/sterfte-en-levensverwachting/sterftetafels-enlevensverwachting#panel-14. [12] Van Wilder, L., Charafeddine, R., Beutels, P., Bruyndonckx, R., Cleemput, I., Demarest, S., ... & Devleesschauwer, B. (2022). Belgian population norms for the EQ-5D-5L, 2018. Quality of Life Research, 31(2), 527-537. [13] Chukmaitov, A., Bradley, C. J., Dahman, B., Siangphoe, U., Warren, J. L., & Klabunde, C. N. (2013). Association of polypectomy techniques, endoscopist volume, and facility type with colonoscopy complications. Gastrointestinal endoscopy, 77(3), 436-446. [14] Miller, K. D., Siegel, R. L., Lin, C. C., Mariotto, A. B., Kramer, J. L., Rowland, J. H., ... & Jemal, A. (2016). Cancer treatment and survivorship statistics, 2016. CA: a cancer journal for clinicians, 66(4), 271-289. [15] Ness RM, Holmes AM, Klein R, Dittus R. Utility valuations for outcome states of colorectal cancer. Am J Gastroenterol 1999 Jun;94(6):1650-7. [16] Silva-Illanes, N., & Espinoza, M. (2018). Critical analysis of Markov models used for the economic evaluation of colorectal cancer screening: a systematic review. Value in Health, 21(7), 858-873. [17] Patel, S. S., & Kilgore, M. L. (2015). Cost effectiveness of colorectal cancer screening strategies. Cancer Control, 22(2), 248-258. 30 [18] Khalili, F., Najafi, B., Mansour-Ghanaei, F., Yousefi, M., Abdollahzad, H., & Motlagh, A. (2020). Cost-effectiveness analysis of colorectal cancer screening: a systematic review. Risk Management and Healthcare Policy, 1499-1512. De kosteneffectiviteit van het bevolkingsonderzoek naar dikkedarmkanker in Vlaanderen. Gezondheidseconomische evaluatie APPENDIX Auteur: Max Lelie Coauteurs: Riet Parmentier, Lieven Annemans, Steven Simoens, Koen Putman Appendix bij gezondheidseconomisch rapport in opdracht van de Vlaamse Overheid Januari 2023 i a. Inhoud a. Inhoud .................................................................................................................................................................................... i b. Figuren en tabellen ............................................................................................................................................................... ii c. Gebruikte termen en afkortingen ......................................................................................................................................... 1 Introductie ................................................................................................................................................................................. 3 A. Appendix: Onderzoeksmethodiek ..................................................................................................................................... 4 A.1 Screening Parameters ...................................................................................................................................................... 4 A.2 Epidemiologische parameters .......................................................................................................................................... 1 A.3 Economische parameters ................................................................................................................................................. 5 A.4 Model aannames ............................................................................................................................................................. 6 B. Appendix: Resultaten ........................................................................................................................................................ 9 B.1 Probabilistic Sensitivity Analysis Scatterplots .................................................................................................................. 9 B.2 Cost-Effectiveness Acceptability Curves ......................................................................................................................... 10 B.3 Distributie van tussenuitkomsten .................................................................................................................................. 11 B.4 Contextuele grafieken .................................................................................................................................................... 12 C. Referenties ...................................................................................................................................................................... 14 ii b. Figuren en tabellen Figuur 1: Uitnodigingen response-graad curves ............................................................................................................. 4 Figuur 2: Grafische weergave van de retrodictieve voorspelling van de test-afname, en het daadwerkelijk gerapporteerde aantal testen. 4-jaar gemiddelde ............................................................................................................... 5 Figuur 3: Screen wave matrix, met het "ripple" effect door de gefaseerde uitrol. ............................................................ 5 Figuur 4: Opbouw prevalentie .......................................................................................................................................... 1 Figuur 5: Prevalentie poliepen, gladde curve .................................................................................................................... 2 Figuur 6: Abstracte weergave correctie stappen in DDK incidentie ................................................................................. 3 Figuur 7: Resulterende totale prevalentie DDK. De grijze curve is de rapport data (in leeftijdsgroepen van 5 jaar, gemiddelde van mannen en vrouwen). De rode en blauwe curves zijn de geslachtsspecifieke correcties, welke daarna gladgestreken zijn. ............................................................................................................................................................ 4 Figuur 8: Grafische weergave van de first-last backwards inductie methode ................................................................... 5 Figuur 9: Scatterplots voor de drie vergelijkingen ............................................................................................................ 9 Figuur 10: CEAC Curves voor de drie vergelijkingen .................................................................................................... 10 Figuur 11: Evolutie van de ICER na de looptijd van het model (schatting). .................................................................. 12 Figuur 12: Test-afname binnen het BVO per scenario ................................................................................................... 12 Figuur 13:Cumulatieve sterfte binnen de cohort. ............................................................................................................ 13 Tabel 1: Probabilistische spreiding van tussenuitkomsten, op basis van 5000 simulaties. De eerste kolom geeft de 2.5ste percentiel weer. De volgende kolom het gemiddelde van de simulaties, gevolgd door het 97.5ste percentiel. Tenslotte de standaard error van de simulaties. .............................................................................................................. 11 1 c. Gebruikte termen en afkortingen VAZG: Vlaams Agentschap Zorg en Gezondheid. Opdrachtgever van dit onderzoek en van het bevolkingsonderzoek programma. CvKO: Centrum voor Kanker Opsporing. Uitvoerder van het bevolkingsonderzoek. SKR: Stichting Kanker Register. Onderzoeksorgaan verantwoordelijk voor rapportage omtrent dikkedarmkanker. DDK / Dikkedarmkanker / Colorectale kanker: Kankers die primair ontstaan (voor uitzaaiing) in de dikke darm, endeldarm, of rectum. Er zijn 4 stadia, afhankelijk van hoever de kanker is uitgezaaid. Prevalentie: Het aantal mensen dat in een bepaalde bevolking, in een bepaalde tijd, de ziekte hebben. Incidentie: Het aantal mensen dat in een bepaalde bevolking, binnen een bepaalde tijd, de ziekte gaan krijgen. Relevante prevalentie: Het aantal mensen dat in een bepaalde bevolking, in een bepaalde tijd, de ziekte hebben en nog ontdekt moeten worden. De uitnodigings-graad: Het percentage mensen van een leeftijd x die in jaar y een uitnodiging voor screening ontvangen. De response-graad: Het percentage mensen van een leeftijd x die in jaar y daadwerkelijk een test afnemen na het ontvangen van een uitnodiging (binnen 12-maanden). Oproep-jaar: een binaire optie of een bepaalde leeftijd op een bepaald jaar opgeroepen wordt tot screening. Uit rapportage blijkt dit geen harde scheiding. Ieder jaar ontvangt een (klein) percentage mensen buiten het oproep-jaar een uitnodiging, en doen op basis hiervan een test. De redenen hiervoor kunnen veelvuldig zijn, maar het model neemt dit mee in de calculaties. De oproep-jaar matrix bepaalt welke leeftijden in een gegeven jaar voornamelijk een uitnodiging krijgen. QALY / Quality Adjusted Life Years: Dit is een uitkomst maat voor de gezondheidseconomische evaluatie. Dit is de utiliteitsscore van een geleefd jaar met inachtneming van de gezondheidstoestand. Een hypothetisch jaar in de best mogelijke gezondheid is 1 QALY. Omdat perfecte gezondheid doorgaans niet de standaard is, is de basis utiliteit, afhankelijk van leeftijd, vaak iets lager. Daarnaast wordt, indien iemand specifieke gezondheidsproblemen heeft, een disutiliteit afgetrokken. Persoonsjaren: Dit is een uitkomstmaat, maar in tegenstelling tot QALYs, houdt geen rekening met utiliteiten van gezondheidstoestand. Het is simpelweg het aantal geleefde jaren. Cohort: Dit is de populatie die binnen een model gesimuleerd wordt. Omdat het doorgaans niet wenselijk is om een volledige populatie te simuleren, is een cohort vaak een specifieke sectie van de complete populatie. In dit geval is de cohort de Vlaamse bevolking tussen 45 en 74 in 2022. Tijdshorizon: Het tijdsperspectief waarin de baten verzameld worden. Dit kan variëren tussen de looptijd van het model, en levenslang. In dit laatste geval worden de baten geschat over de resterende levensverwachting. 2 ICER / Incremental Cost-Effectiveness Ratio: De primaire uitkomstmaat van kosteneffectiviteit. Dit zijn de incrementele kosten tussen twee simulaties, gedeeld door de incrementele baten tussen deze twee simulaties. Dit drukt dan de kost per baat-eenheid uit. Gezondheidszorg perspectief: Dit is het kostenperspectief waarbij alleen de kosten die gemaakt worden in de gezondheidszorg geteld worden. Dit is een nauw kosten-perspectief. Maatschappelijke perspectief: Dit is het kostenperspectief waarbij zowel de gezondheidszorg kosten als de maatschappelijke kosten geteld worden. De maatschappelijke kosten bestaan veelal uit de kosten voor verloren arbeidsproductiviteit, maar kunnen ook verdere kosten omvatten zoals transport kosten, kosten voor partner belasting, aanpassingen aan residenties, etc. Markov Model: Een type model dat een populatie indeelt in gezondheidstoestanden en dan per gezondheidstoestand transities simuleert. PSA: Probabilistic Sensitivity Analysis. Dit is een type sensitiviteitsanalyse waarbij alle invoer parameters met een bepaalde range kunnen variëren (bijvoorbeeld in een normaal verdeling om het gemiddelde) over een x aantal simulaties. Hiermee kan de robuustheid van de resultaten inzichtelijk gemaakt worden. CEAC: Cost-Effectiveness Acceptability Curve. Dit is een grafiek die aangeeft hoeveel % van de PSA Simulaties onder een bepaald ICER bedrag vallen. 3 Het uitleggen van de correctie-stappen is duidelijker met het diagram hierboven. Allereerst is er de situatie 1 waarbij er een totale jaar-incidentie gerapporteerd wordt. Dit is gesorteerd op de stadia (in de diagram oplopend van licht naar donker rood, niet op schaal). Hiernaast is er een groot gedeelte van de bevolking waarbij de gezondheidstoestand onbekend is. In de tweede stap wordt de jaar-incidentie gescheiden onder deelnemers en niet-deelnemers, wederom op stadia. Hierbij is het zichtbaar dat de spreiding bij deelnemers relatief meer vroege-stadia DDK omvat. In stap 3 trekken wij de spreiding van niet-deelnemers hiervan af en houden deze apart. Dit zijn de DDK casussen waarvan aangenomen is dat ze symptomatisch zijn ontdekt, of door middel van spontane screening buiten het BVO. Vervolgens wordt dan de spreiding en incidentie zoals gevonden bij deelnemers toegekend aan de resterende bevolking (minus de bekende DDK onder niet-deelnemers om dubbeltellingen te voorkomen). Het resultaat hiervan is een conservatieve schatting van het totaal aantal vindbare casussen DDK, waarbij het met name de eerste twee stadia zijn die meer voorkomen. Ook is hierbij rekening gehouden met leeftijd en geslacht, en is deze curve gladgestreken. Figuur 6: Abstracte weergave correctie stappen in DDK incidentie 4 De resulterende curve staat in de bovenstaande grafiek [figuur 7]. Deze grafiek geeft de gerapporteerde jaar-incidentie weer (grijs, gemiddelde van mannen en vrouwen). Door middel van de correctie stappen beschreven hierboven zijn de blauwe en rode gestreepte curves ontstaan, welke vervolgens gladgestreken zijn. Dit komt overeen met een stijging van factor 1.95. Concreet houdt dit in dat de schatting is dat met een “perfecte” test die 100% accuraat zou zijn, en een volledige deelname (d.w.z. dat de hele bevolking zich zou laten screenen) er bijna twee keer zoveel nieuwe DDK gevonden zou worden als nu, waarbij deze vermeerdering voornamelijk stadium I DDK betreft. De extra stappen die gezet zijn maken deze schatting van de relevante prevalentie conservatiever. Deze relevante prevalentie dient ook als basis voor het schatten van de transitie kansen tussen de staten. Dit gebeurt ‘endogeen’, d.w.z. binnen het model zelf, door middel van een first-last methodiek. De onderstaande diagram [figuur 8] geeft dit grafisch weer. Vanuit het laatste stadium DDK is er een bekende kans om te overlijden, maar hierbuiten zijn er geen gezondheidstransities mogelijk. Dit impliceert een specifieke transitie kans vanaf stadium III om, gegeven de prevalenties, een equilibrium te bereiken. Vervolgens kan dan door backwards induction stroomopwaarts gewerkt worden. Omdat dit automatisch gebeurt op basis van de berekende relevante prevalentie past het model zich aan op de meest recente data. Figuur 7: Resulterende totale prevalentie DDK. De grijze curve is de rapport data (in leeftijdsgroepen van 5 jaar, gemiddelde van mannen en vrouwen). De rode en blauwe curves zijn de geslachtsspecifieke correcties, welke daarna gladgestreken zijn. 5 Het voordeel hiervan is dat met verschillende hypothetische data blijft functioneren. Een neutrale bijwerking is dat dit een negatieve feedback loop creëert. Dit houdt in dat, naar mate het screening programma uitbreidt, het algoritme de transities tussen stadia lager inschat, waardoor DDK feitelijk minder schadelijk wordt geacht. Dit voegt een zekere convexiteit toe aan de kosteneffectiviteitsanalyse: historische successen van screening leiden tot een onderschatting van de mogelijke baten. Ook dit is een conservatieve model karakteristiek. A.3 Economische parameters De kosten-kant van de kosten-utiliteiten analyse betreffen de kosten voor behandeling, screening, en maatschappelijk economische kosten. De eerste twee soorten kosten (voor medische behandelingen, ingrepen, en screening) omvatten de kosten die meegenomen worden in de evaluatie vanuit het gezondheidszorg-perspectief. In een aparte evaluatie bekijken we ook het maatschappelijke perspectief. Hierbij worden de gezondheidszorg kosten, maar ook de maatschappelijk economische kosten meegeteld. Deze laatste kosten omvatten de voortvloeiende kosten door verlies van arbeidsproductiviteit in geval van ziekte en sterfte. In theorie kan het maatschappelijke perspectief meer kosten omvatten, zoals bijvoorbeeld de belasting voor naasten van de patiënt, maar voor deze modellering is gekozen voor een enge interpretatie van de maatschappelijke kost. De kosten voor het screening programma zijn afgestemd met het CvKO, en tevens verhoogd met de recente inflatie gegevens. De kosten zijn teruggebracht tot een vaste, jaarlijkse kost, en een variabele kost per afgenomen test. Dit is een versimpeling van de werkelijke kostenstructuur, dit om het compatibel te maken met de werkwijze van het model. De kosten zijn verhoogd met een verwachtte prijsinflatie van 10.2%, dit omdat de momenteel sterk verhoogde prijsinflatie anders zou zorgen voor een substantiële onderschatting van de kosten op de langere termijn. De vaste kosten bestaan uit het CvKO forfaitaire bedrag, de kosten voor de gegevensuitwisseling (IMA) en het SKR Figuur 8: Grafische weergave van de first-last backwards inductie methode 6 faal-veiligheidssysteem. Met de inflatiecorrectie komt dit uit op € 1,833,539.73 per jaar. De variabele kosten betreffen kosten voor de verzending van de testkit en de analyse hiervan, wat samen met de verhoging uitkomt op € 7.01 per test. Het verdient hierbij de opmerking dat dit een lagere kost is dan oorspronkelijk gebruikt in het 2013 model, dat uitging van een kost van € 8.00 per test. De kosten voor behandelingen van DDK zijn gebaseerd op een verwachtte behandelmix van operatieve ingrepen, radiotherapie, en chemotherapie, afhankelijk van het stadium. Deze behandelmix is toegespitst op de Vlaamse populatie [7], en de kosten hiervan zijn geïndexeerd naar het jaar 2022 (index van 119.17 ten opzichte van 2013). De kosten lopen op met het stadium van DDK: € 15,263.29, € 27,070.66, € 33,250.81, tot € 39,633.56 voor het vierde stadium. Ditzelfde geld voor de follow-up toestand kosten. De kosten die aangerekend worden per colonoscopie zijn € 240.72, en per poliepectomie € 539.84. De maatschappelijke kost is berekend op basis van de frictie-kost methode [8]. Dit berekent de kost op basis van de gemiddelde economische waarde van een arbeidsdag, en het aantal verloren arbeidsdagen per gezondheidstoestand. De gemiddelde economische waarde is berekend op basis van de arbeidsparticipatie, de leeftijd van de populatie, een gemiddelde kostprijs per arbeidsdag. Dit komt neer op een kost van € 157.18 per verloren arbeidsdag. De gerekende verloren arbeidsdagen voor een colonoscopie is 0.5 (0 in het eerste model), sterfte 90 (was 160), DDK stadium III en IV 60 (120) en voor stadium I en II 30 (51). Deze verloren arbeidsdagen zijn verlaagd in lijn met de frictiekost methode, waarbij gekeken wordt naar de tijd dat het zou kosten om een werknemer te vervangen. Dit wordt geschat op 90 dagen. De ordening van verloren dagen voor DDK zijn naar rato aangepast om de orde te bewaren. Wederom zijn deze aannames conservatief gehouden. A.4 Model aannames Het is niet mogelijk om alle impliciete aannames in het model op te sommen, omdat deze te noemrijk zijn. Wel is het belangrijk om de grootste aannames binnen het model aan te geven. Sommige van deze aannames zijn gemaakt omdat deze inherent zijn in het type model, bijvoorbeeld de homogeniteit van de gezondheidstoestanden. Bij een Markov model zijn alle mensen met een bepaalde gezondheidstoestand volledig homogeen; ze zijn even goed af. Andere aannames zijn gemaakt om de berekeningen te versimpelen, of omdat complexere data niet beschikbaar was. De belangrijkste aannames worden hier expliciet worden opgesomd: - De (relatieve) spreiding van DDK naar stadia is gelijk over alle leeftijden. Deze aanname houdt in dat binnen DDK bijvoorbeeld de proportie St. I DDK gelijk is bij 45-jarigen en bij 74-jarigen. Dit is waarschijnlijk niet realistisch, maar er was geen data beschikbaar in de Vlaamse context om dit te onderbouwen. Hiernaast nemen de calculaties voor de prevalentie en transitie kansen in complexiteit drastisch toe. Het effect van deze aanname is dat er mogelijk een kleine overschatting van St. IV bij jongere leeftijden plaatsvindt, en een onderschatting bij oudere leeftijden. 7 - Screening, gezondheidsrisico’s, en kosten blijven fundamenteel constant over de looptijd van 20 jaar. Dit houdt niet in dat er ieder jaar procentueel even veel mensen screenen, of DDK krijgen, maar het model gaat ervanuit dat de intrinsieke deelname aan screening niet additioneel toeneemt of afneemt. Ook veranderd bijvoorbeeld de levensstijl in Vlaanderen niet. De risico’s om DDK te krijgen blijven constant over tijd, alleen deelname aan screening wijzigt dit. Ook de kosten blijven constant, en behandelingen even effectief. Dit is een gangbare aanname binnen dit type model, maar dit houdt in dat men voorzichtig moet zijn met de interpretatie van uitkomsten. Ditzelfde geld voor de behandelingen, welke een constante effectiviteit houden over de tijd. - Homogeniteit van de bevolking. Deze was al kort benoemd hiervoor; het model gaat ervanuit dat iedereen binnen de gezondheidstoestand x van leeftijd y volledig homogeen en eindeloos deelbaar is. Dit is een intrinsieke eigenschap van een Markov model, maar dat betekent bijvoorbeeld dat iedereen van 50 bijvoorbeeld ieder jaar een 30% kans heeft om deel te nemen aan screening, ongeacht de gezondheidsstaat. Dit houdt daarbij geen rekening met iemand die niet meedoet (met bewuste redenen), en daarom bij de volgende ronde ook niet mee zal doen. Impliciet is deelname binnen dit model geen keuze, maar een loterij. Afhankelijk van wat er afspeelt in de individuele deelnemers kan dit steeds een overof onderschatting betekenen. Hoewel dit een model eigenschap is, is het tevens zo dat bij grote populaties de individuele verschillen meestal zichzelf egaliseren. - De wachtkamer en follow-up toestanden zijn minder ontwikkeld. De wachtkamer stand zou in theorie ook een volledig eigen Markov model moeten bevatten, met eigen transities. Hetzelfde voor de follow-up toestanden. Hier was echter niet voldoende data voor beschikbaar, en hiernaast zou het model enorm in complexiteit toenemen hierdoor. Binnen het model wordt nu een ruwe calculatie gemaakt hoeveel % van de mensen aan het eind van de wachtkamer naar een bepaalde gezondheidstoestand zouden gaan. Dit kan echter lijden tot een onderschatting van de langere termijn risico’s die zich voordoen in deze toestanden. - Resterende levensjaren na de looptijd van het model worden versimpeld. Per definitie kan het model geen complexe transities berekenen nadat het model is beëindigd. Daarom is er een schatting nodig om te bepalen wat er gebeurt met de populatie in het 20ste modeljaar. Deze schatting gebeurt op een versimpelde manier, namelijk door de resterende levensjaren te verminderen met een factor 0.75 als iemand het laatste modeljaar eindigt in DDK St. I of II, en 0.25 als iemand eindigt in St. III of IV. Dit is een sterke versimpeling, maar hierdoor is het model wel sensitief voor de lange termijn vermindering in sterfte door een eventuele reductie in de gevorderde stadia. 8 - Abstractie van de realiteit. Er is in werkelijkheid altijd “ruis” in een programma. Bijvoorbeeld toont de data dat het uitnodigingsschema van ééns per twee jaar niet “zwartwit” is. Bijvoorbeeld ontvangt een kleine proportie van de 51-jarigen ieder jaar een uitnodiging, ondanks dat het officieel geen oproep-leeftijd is. Ook is door de gefaseerde uitbreiding in het verleden het oproep-schema voor bepaalde leeftijden tijdelijk aangepast (figuur 3). In deze evaluatie is dit soort “ruis” in abstracte vorm meegenomen. De gefaseerde uitbreiding is in de vorm van een temporale “ripple” meegenomen, en het verschil in deelname tussen oproepjaren is op basis van de data meegenomen. Het wordt in de resultaten verder toegelicht, maar werkt deze ruis kosten verhogend en baten verlagend. 9 B. Appendix: Resultaten B.1 Probabilistic Sensitivity Analysis Scatterplots Vergelijking 1 Vergelijking 2 Vergelijking 3 Hierboven zijn de scatterplots getoond van de PSA analyse voor de 3 vergelijkingen. De Y-as geeft het verschil in kosten weer (€) en de X-As het verschil in baren (QALYs). Vergelijkingen 1 en 2 kennen een soortgelijke spreiding in kosten en baten. In alle 1000 simulaties waren de gezondheidsbaten positief (rechts van de Y-as). In ~74% van de simulaties kwam de vergelijking uit op een kostenbesparing (beneden de X-as). Dit zijn de dominante ICER waarden. De gemiddelde ICER van de blauwe dots zijn € 129 en € 133 per QALY. In vergelijking 3 is de grootorde van kosten en baten kleiner, en is de kans op een kostenbesparing kleiner. De gemiddelde ICER van de Q2 observaties is € 358. Figuur 9: Scatterplots voor de drie vergelijkingen 10 B.2 Cost-Effectiveness Acceptability Curves Hierboven staan de CEAC curves die horen bij de PSA analyse. Dit geeft weer wat, gegeven de scatterplots in B.1, de kans is op een acceptabele ICER bij een bepaalde willingness-to-pay. Anders gezegd, bij een bepaalde bereidheid om te investeren per QALY, wat is de bijbehorende kans dat de interventie kosteneffectief is? De interceptie van de curve bij € 0 geeft de kostenbesparende ICERs weer. In alle 3 vergelijkingen beweegt de curve naar 100%, bij respectievelijk € 622, € 630, en € 2.579. Figuur 10: CEAC Curves voor de drie vergelijkingen 11 Sterfte door DDK, per jaar. 0.025 Gemiddeld 0.975 St. Err. Scenario A1434 1683 1933 127 Scenario B1013 1241 1468 116 Scenario C992 1222 1451 117 Sterfte door andere oorzaken, per jaar. Scenario A67952 74441 80930 3311 Scenario B68063 74571 81079 3321 Scenario C68063 74571 81080 3321 FIT testen, per jaar Scenario A132385 158569 184753 13359 Scenario B277605 360085 442566 42082 Scenario C304727 396448 488168 46796 Totale QALYs, Discounted Scenario A2961244 3272242 3583239 158672 Scenario B2963716 3275094 3586473 158867 Scenario C2963823 3275210 3586598 158871 Persoonsjaren, totaal Scenario A130207614 143290187 156372761 6674782 Scenario B130449987 143561424 156672861 6689509 Scenario C130464341 143577485 156690629 6690379 Incidentie per 100.000 Scenario A115 125 135 5 Scenario B98 112 126 7 Scenario C97 111 126 7 Kosten Screening, per jaar Scenario A-€ -€ -€ -€ Scenario B2,939,173€ 3,610,486€ 4,281,800€ 342,507€ Scenario C3,075,407€ 3,816,903€ 4,558,400€ 378,315€ Kosten gezondheidszorg, per jaar Scenario A222,511,885€ 244,899,562€ 267,287,239€ 11,422,284€ Scenario B215,905,880€ 239,568,520€ 263,231,161€ 12,072,776€ Scenario C215,584,168€ 239,336,998€ 263,089,827€ 12,118,791€ Maatschappelijke kosten, per jaar Scenario A846,934,585€ 929,902,529€ 1,012,870,473€ 42,330,584€ Scenario B842,103,246€ 925,044,443€ 1,007,985,640€ 42,316,937€ Scenario C841,920,372€ 924,894,565€ 1,007,868,758€ 42,333,772€ Uitkomst gemiddelden, 95% CR, en Standaard Error B.3 Distributie van tussenuitkomsten In de bovenstaande tabel worden de gemiddelde uitkomsten, de 95% confidentie interval, en de standaard error hiervan weergeven. Dit geeft een indicatie van de spreiding en de vertrouwen in de uitkomsten die gegenereerd worden door het model. Tabel 1: Probabilistische spreiding van tussenuitkomsten, op basis van 5000 simulaties. De eerste kolom geeft de 2.5ste percentiel weer. De volgende kolom het gemiddelde van de simulaties, gevolgd door het 97.5ste percentiel. Tenslotte de standaard error van de simulaties. 12 B.4 Contextuele grafieken De bovenstaande grafiek toont een geschatte evolutie van de ICERs na de looptijd van het model, op basis van de kosten en baten trends. Dit betreft een ruwere schatting van de evolutie van kosten en baten, maar dient als indicatie van de verwachtte stabilisatie van de kosteneffectiviteit. Naar mate de kosten en baten verder in de toekomst komen te liggen neemt de verwachtte kosteneffectiviteit af in kracht. Dit is gebruikelijk, omdat toekomstige kosten en baten gediscontinueerd worden. De derde vergelijking (tussen huidige screening en de uitbreiding hiervan) stabiliseert naar een bepaalde kosten-baten ratio van ongeveer - € 180. Deze lijn suggereert twee dingen, namelijk dat de kosteneffectiviteit na 20 jaar waarschijnlijk gunstiger zal zijn, en dat over een (nog) langere periode de kosten-baten verschillen tussen huidige screening en de uitbreiding consistent beter blijft. Deze grafiek toont de verschillen aan in de afgenomen testen per scenario. Duidelijk is dat de hoeveelheid testen per scenario ruwweg constant blijft. Figuur 11: Evolutie van de ICER na de looptijd van het model (schatting). Figuur 12: Test-afname binnen het BVO per scenario