Költség eloszlások statisztikai modellezése cenzorált adatokon

Cikk címe: Költség eloszlások statisztikai modellezése cenzorált adatokon

Szerzők: Dr. Bacskai Miklós, Rakonczai Pál, Csiha Julianna, Balázs Tamás, Lang Zsolt

Intézmények: HealthWare Tanácsadó Kft., ---

Évfolyam: XII. évfolyam

Oldal: 16-20

Terjedelem: 5

Rovat:

Alrovat:

Absztrakt:

Betegutakhoz kapcsolódó fekvőés járóbeteg ellátási költségek modellezését vizsgáltuk számítógépes szimulációs kísérlettel és az OEP betegkövető adatbázisának hepatitisz C betegkörén. A követési idő adminisztratív és informatív cenzorálásának torzító hatását túlélés elemzéssel, általános lineáris kevert modellekkel és összekapcsolt modellekkel mértük meg és hasonlítottuk egymással össze. Megállapítottuk, hogy a cenzorált adatok arányának és típusának megfelelően különböző statisztikai modellek alkalmasak a költségtrendek és az informatív cenzorálást okozó események kockázatának becslésére.

Abstract:

In this study the performance of different healthcare cost models have been investigated. In the first step a simulation study has been performed and then statistical models have been fitted to real cost data related to hepatitis C patients available in the NHIFA database. The biasing effect of administrative and informative censoring of follow-up time has been measured in several models such as survival/generalized linear mixed effect/joint models. The outcome of these models have been compared and lead to the conclusion that depending on the ratio and type of the censored data, there are different statistical models appropriate to estimate the trend of cost and risk of events related to informa tive censoring.

Szerző Intézmény
Dr. Bacskai Miklós HealthWare Tanácsadó Kft.
Rakonczai Pál HealthWare Tanácsadó Kft.
Csiha Julianna ---
Balázs Tamás ---
Lang Zsolt HealthWare Tanácsadó Kft.

[1] Lin DY (2000): Linear regression analysis of censored medical costs. Biostatistics 1(1), 35–47.
[2] Lin DY (2003): Regression analysis of incomplete medical cost data. Statist. Med. 22, 1181–1200.
[3] Lang Zs, Rakonczai P, Lazányi I, Lohn E, Bacskai M (2012): Eseményt követő kiadások eloszlásának és
várható értékének modellezése Cox-féle arányos hazárd modellel. IME -Az egészségügyi vezetők szaklapja XI:(1) 2012, 34–39.
[4] Kalbfleisch JD, Prentice RL (2002): The statistical Analysis of Failure time data. 2nd Edition. Wiley.
[5] Lin DY, Feuer EJ, Etzioni R, Wax Y (1997): Estimating Medical Costs from Incomplete Follow-UP Data.
Biometrics 53, 419–434.
[6] Liu L, Wolfe RA, Kalbfleisch JD (2007): A shared random effects model for censored medical costs and mortality. Statist. Med. 26: 139–155.
[7] Liu L (2009): Joint modeling longitudinal semi-continuous data and survival, with application to longitudinal
medical cost data. Statist. Med. 28, 972–986.
[8] Xu H, Daggy J, Yu D, Craig BA (2013): Joint modeling of medical cost and survival in complex sample surveys. Statist. Med. 32, 1509–1523.
[9] Rizopoulos D (2010): JM: An R Package for the Joint Modelling of Longitudinal and Time-to-Event Data.
Journal of Statistical Software, 35(9), 1-33. URL http://www.jstatsoft.org/v35/i09/.
[10] Rizopoulos D (2012): Joint Models for Longitudinal and Time-to-Event Data With Applications in R. Boca Raton: Chapman & Hall/CRC.
[11] Brown H, Prescott R (2006): Applied Mixed Models in Medicine. Second edition. John Wiley & Sons.
[12] Cox DR (1972): Regression models and life-tables (with discussion). J. Royal Stat. Soc. B, 34:187-220.
[13] Therneau TM, Grambsch PM (2000): Modeling Survival Data. Extending the Cox Model. Springer.
[14] Pinheiro J, Bates D, DebRoy S, Sarkar D and the R Development Core Team (2013): nlme: Linear and Nonlinear Mixed Effects Models. R package version 3.1-111.
[15] Therneau TM (2013): A Package for Survival Analysis in S. R package version 2.37-4, URL: http://CRAN.R-project. org/package=survival.
[16] R Core Team (2013): R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL http://www.R-project.org/