ASIGNACIONES DE RECURSOS EN SALUD USANDO OPTIMIZACIÓN MATEMÁTICA RESTRINGIDA ¿CÓMO HACERLAS O NO?
A continuación, se presenta la traducción del texto original del artículo de los autores más adelante mencionados realizado por el equipo del comité editorial de MD&CO Consulting Group.
Esta traducción se realiza con fines académicos para promover la revisión de la literatura disponible sobre el tema. Se advierte que la traducción puede presentar notas realizadas por el traductor con el objetivo de facilitar la comprensión del documento y disipar ambigüedades que puedan existir por las diferencias en los idiomas.
Health Policy and Planning, Volume 38, Issue 1, January 2023, Pages 122–128, https://doi.org/10.1093/heapol/czac096
A pesar de la búsqueda de una política de salud basada en la evidencia, las decisiones sobre la asignación de recursos de atención de la salud se basan con demasiada frecuencia en el poder político o en el statu quo. Pero para servir mejor a las personas, el sistema de salud debe funcionar de manera eficiente y justa, y necesitamos métodos de evaluación adecuados para determinar cómo hacerlo. Los avances en el poder de la computación en las últimas décadas han hecho posible ejecutar sofisticados algoritmos de optimización matemática en computadoras personales para considerar cómo interactúan los objetivos de las políticas y las intervenciones para priorizar el gasto en atención médica. , restricciones del sistema del mundo real y límites presupuestarios. Dichos métodos brindan un complemento invaluable para los análisis o rankings económicos tradicionales o extendidos. Aprenda cómo acceder e implementar las recomendaciones y cómo han transformado el gasto mundial en atención médica hasta la fecha.
Como uno de los componentes más grandes de los presupuestos gubernamentales, las carteras de atención médica están sujetas al escrutinio público y político y a mucho debate sobre cómo se utilizan. Muchos gobiernos e instituciones han expresado su apoyo al objetivo de lograr la Cobertura Universal de Salud (UHC), pero la UHC no se puede desligar de la realidad de los recursos limitados. En otras palabras, se debe dar prioridad a los paquetes de salud. Los sistemas de salud son tan complejos que, históricamente, el proceso de priorización a menudo se ha descompuesto en decisiones binarias discretas (Edejer et al., 2003; Chalkidou et al., 2016; Jamison et al. , 2018). Intuitivamente, la intervención más rentable debe implementarse primero, pero los criterios exactos para juzgar si una intervención es efectiva o ineficaz aún son controvertidos (Marseille et al., 2015; Woods et al., 2016; Glassman et al. A. , 2017; Ocharek et al. , 2018).
El problema de evaluar las intervenciones en secuencia es que, por lo general, no son independientes entre sí. También se debate la definición de independencia. En un estudio dedicado a este tema, Dakin y Gray (2018) encontraron "diferencias significativas entre definiciones publicadas de 'independencia' en el contexto de la toma de decisiones en el cuidado de la salud". Si hay un efecto de interacción, las pautas de la Organización Mundial de la Salud (OMS) recomiendan la comparación paso a paso de las combinaciones de intervenciones (sin intervención, A, B, AB, etc.) (Edejer et al. 2003). Un experimento factorial 2 × 2 llamado Análisis de Costo-Efectividad Generalizado o GCEA (Murray et al., 2000). Las mismas pautas también recomiendan calcular las ganancias en salud en diferentes niveles de cobertura de intervención. Si seguimos este consejo y comparamos 6 intervenciones, cada una con 5 posibles niveles de cobertura, tenemos que considerar más de 15.000 combinaciones. Dada esta complejidad y los datos necesarios para informarla, muchos estudios y organismos asesores ignoran por completo los efectos de las interacciones, incluso si eso significa perder los beneficios potenciales para la salud. Quizás no sea sorprendente (Evans et al., 2006; Dakin y Gris, 2006). 2018). La práctica de evaluar una nueva intervención propuesta frente a un escenario de atención estándar sin intervención sigue siendo un método común, si no el principal, en uso en la actualidad (Verguet et al. 2021).
Sin embargo, comparar miles de escenarios es exactamente el tipo de tarea para la que se construyen las computadoras, y los algoritmos de optimización a menudo están limitados cuando hay una gran cantidad de variables y restricciones potenciales en la solución (por ejemplo, límite de presupuesto). El Grupo de Trabajo sobre Buenas Prácticas Emergentes en Métodos de Optimización, establecido por la Sociedad Profesional de Economía de la Salud e Investigación de Resultados (ISPOR), ha publicado dos informes que examinan varios métodos de optimización aplicados a problemas de optimización, concluí: La toma de decisiones sobre atención médica tiene grandes beneficios potenciales” (Crown et al., 2017; Crown et al., 2018).
El grupo de trabajo ISPOR ha brindado una base valiosa para aplicar técnicas de optimización restringida a problemas médicos, y la disponibilidad y calidad de datos, los desafíos de validación de modelos, etc. históricamente han obstaculizado su aceptación generalizada. También aborda algunos obstáculos importantes. Otra limitación notable es que la implementación de cualquiera de estos métodos aún requiere un conocimiento matemático y de programación considerable, lo que puede ser una barrera importante para la adopción en la mayoría de los entornos de políticas. Pero estas barreras son cada vez más innecesarias. Los increíbles avances en la interacción humano-computadora en los últimos años han hecho posible integrar algoritmos sofisticados en herramientas de software fáciles de usar, como WebApps.
En este documento nos centramos en la cuestión de cómo se pueden utilizar de forma óptima los recursos sanitarios. Comenzamos definiendo la optimización restringida y luego discutimos cómo resolver los problemas de optimización restringida para priorizar las intervenciones de salud. Ahora hablemos de cuándo y por qué se necesita dicho método. Finalmente, discutimos cómo los formuladores de políticas pueden acceder y utilizar estos métodos para guiar las decisiones sobre la asignación de recursos de salud.
¿Qué es la optimización restringida?
Es el proceso de optimización una función objetivo con respecto a algunas variables con restricciones en las mismas maximizar o minimizar.
Podemos dividir esta definición bastante amplia en tres componentes: la función objetivo, las variables de decisión y las restricciones. Consideremos dos ejemplos motivadores para ilustrar qué forma pueden tomar estos componentes.
Eficiencia en la asignación entre programas
Primero consideramos un ejemplo en el que el objetivo es maximizar los resultados de salud de una población variando la asignación de fondos, con restricciones para que el gasto general permanezca igual. En este caso, la función objetivo son los resultados de salud de la población, las variables de decisión se relacionan con cómo se debe asignar este financiamiento y la restricción es el presupuesto general. Más precisamente, supongamos que la respuesta de salud de un país consta de n programas, cada uno con un presupuesto de B i para i = 1,…, n . El conjunto de variables de decisión en este caso son los presupuestos que se asignan a cada programa, {B 1 ,…, B n }. También denotamos el presupuesto total por , es decir, la suma de los presupuestos de cada programa. Matemáticamente, un problema de optimización con restricciones podría expresarse como
Donde H(B1 , …, Bn) representa los resultados de salud bajo la asignación presupuestaria { B 1 ,…, B n } y C es alguna restricción presupuestaria general. En palabras, esta ecuación establece que deseamos maximizar los resultados de salud H , que resultarán de una asignación presupuestaria particular { B 1 ,…, B n }, tal que nuestro presupuesto total T sea igual o menor que nuestra restricción presupuestaria C .
Para demostrar esto, consideremos un ejemplo hipotético en el que tenemos un presupuesto total de US$1 millón (m) para asignar a la diabetes tipo 2, que puede asignarse a un programa de detección o a un programa de adherencia al tratamiento. Se estima que el programa de detección evita 100 años de vida ajustados por discapacidad (DALY), mientras que se estima que el programa de adherencia al tratamiento evita 200 DALY. Usando la notación matemática que definimos arriba, tenemos dos posibilidades: bajo la primera asignación presupuestaria {$1 m , $0 m } tenemos H ($1 m , $0 m ) = 100 y bajo la segunda tenemos H ($0 m , $1 metro) = 200. En este caso, la financiación del programa de adherencia al tratamiento se identificaría como la opción óptima utilizando un marco de optimización con restricciones, y esto corresponde a la opción que encontraría un CEA. Sin embargo, el problema se vuelve más complejo si consideramos opciones para financiar parcialmente cada programa; exploraremos esto más en un ejemplo posterior.
Esta forma general de optimización restringida se puede extender de varias maneras. Por ejemplo, puede que no sea posible desfinanciar un programa existente por debajo de su nivel actual , en cuyo caso el problema podría escribirse como
Alternativamente, puede ser posible desagregar el resultado de salud entre subgrupos separados de la población (por ejemplo, niños versus adultos) e imponer una restricción de que el resultado de salud para alguna población debe alcanzar un objetivo determinado. Por ejemplo, suponga que los resultados de salud de interés son el número de personas con diabetes controlada y existen objetivos específicos para la población k (por ejemplo, al menos M adolescentes con diabetes controlada). Esto se puede hacer escribiendo donde Hk (B1, …, Bn) son los resultados de salud para la población k.
Distribución optima de las vacunas:
Para el siguiente ejemplo, el objetivo es minimizar la cantidad de casos de una enfermedad infecciosa variando la distribución de vacunas entre una población, sujeta a una restricción en la cantidad total de dosis disponibles. Por ejemplo, si se distribuye una vacuna entre personas mayores y menores de 65 años, podríamos escribir V = { V <65 , V 65+ } para representar el número de dosis asignadas a cada cohorte de edad y luego escribir el problema de optimización con restricciones como:
donde infecciones ( V ) representa el número total de infecciones en la asignación de vacunas V y V * es el número total de dosis disponibles. Al igual que con el ejemplo anterior, esto se puede generalizar de varias maneras; por ejemplo, las infecciones podrían ser reemplazadas por algún otro objetivo como las muertes.
En los dos ejemplos presentados, la asignación óptima de recursos depende de manera compleja de las variables de decisión. Por ejemplo, dirigir las vacunas contra la influenza a personas mayores de 65 años puede evitar más muertes, ya que la mortalidad por influenza es mayor para las personas mayores de 65 años. Pero, por otro lado, si la mayoría de la transmisión ocurre en personas menores de 65 años, entonces tener una cohorte de adultos bien vacunados puede prevenir infecciones secundarias en la cohorte de mayores de 65 años y así terminar evitando más infecciones.
Un marco conceptual para la asignación óptima de los recursos de la salud
Paso 1: identificar claramente el problema
La sección anterior destacó que la optimización restringida consiste en una función objetivo, una o más variables de decisión y una o más restricciones. En la práctica, el primer paso para llevar a cabo una optimización restringida es identificar estos tres componentes. A menudo, esto se formula en un lenguaje sencillo, por ejemplo, "¿dónde deben ubicarse las instalaciones para garantizar que los tiempos de viaje se minimicen, al mismo tiempo que se garantiza que nadie necesite viajar más de 2 horas?" o '¿cómo puedo organizar mi lista para aprovechar al máximo a mi personal, respetando la disponibilidad de todos?'. Este paso puede ser engañosamente complejo; aunque es el menos técnico de los pasos a seguir, ninguno de los pasos siguientes se puede completar sin una comprensión clara del problema en cuestión. Además, la elección del objetivo depende de lo que se considere más importante (por ejemplo, minimizar las infecciones o muertes), mientras que la elección de las restricciones puede depender de muchas cosas, incluidas las consideraciones financieras (como el presupuesto disponible, aunque esto también puede no ser fijo, sino determinado en diálogo con otros departamentos gubernamentales) y consideraciones de equidad. Este es quizás el paso más importante y en el que los políticos están más involucrados.
Paso 2: Determinar cómo los resultados dependen de la asignación de recursos
Si supiera qué resultado se obtendría de cada posible asignación de recursos, entonces estaría en una buena posición para determinar qué asignación es la mejor. En la práctica, la estimación de los resultados de cada asignación presupuestaria generalmente requiere datos y/o un modelo. En el recuadro 1 se proporciona un ejemplo motivador , donde las cuatro asignaciones factibles se evalúan durante pruebas piloto para determinar sus resultados asociados.
Caso 1. Cómo los resultados dependen de la asignación de recursos
Suponga que usted es el gerente de un centro de salud local y desea brindar apoyo a los pacientes con osteoartritis (OA) en su distrito. Actualmente, los pacientes con OA reciben folletos que contienen consejos sobre el autocontrol, así como cuatro clases de 60 minutos que enseñan los principios de protección de las articulaciones a un costo total de $92 por paciente. Su límite de presupuesto general es de $150/paciente. Está considerando ampliar las clases a 90 minutos para enseñar ejercicios de manos y protección de las articulaciones. Esto tendrá un costo adicional de $30 por paciente. Sin embargo, una prueba piloto muestra que los pacientes tienen dificultades para seguir tanto la protección de las articulaciones como los ejercicios para las manos, por lo que hay una pequeña disminución en los años de vida ajustados por calidad (AVAC) cuando ambos se enseñan en la misma clase. Por lo tanto, decide no proporcionar ejercicios de manos. Sin embargo, el terapeuta ocupacional a cargo de las sesiones sugiere que intente reemplazar las lecciones de protección de las articulaciones con ejercicios para las manos, en lugar de proporcionar ambos. Ella le dice que hacer este cambio reducirá el costo por paciente en $60 en relación con proporcionar ambos. Esta vez, encontrará que los QALY se maximizan al proporcionar solo ejercicios de manos, en comparación con solo proporcionar clases de protección de las articulaciones, sin proporcionar protección de las articulaciones ni ejercicios de las manos o ambos.
Este ejemplo se basa en los resultados informados en un estudio de 2015 ( Oppong et al. , 2015 ) que encontró que proporcionar ejercicios para las manos sin protección para las articulaciones era la opción más rentable. Sin embargo, los ejercicios manuales no parecerían rentables si se midieran en relación con una línea de base que incluyera protección articular.
En este ejemplo, hay cuatro asignaciones factibles (ejercicios de manos, protección de las articulaciones, ambas o ninguna) y los resultados de cada asignación están determinados por pruebas piloto. Estos se resumen a continuación.
QALY más alto: proporcionar ejercicios de mano
Costo: $32/paciente
Segundo QALY más alto: proporciona protección para las articulaciones
Costo: $92/paciente
AVAC: Medio-alto
Tercer QALY más alto: proporciona protección para las articulaciones y ejercicios para las manos
Costo: $122/paciente
AVAC: Medio
Línea de base (sin AVAC): No proporcione protección para las articulaciones ni ejercicios para las manos
Costo: $0/paciente
AVAC: Ninguno
Las variables de decisión en el problema son qué programas proporcionar (ejercicios manuales, protección articular, ambos o ninguno). El objetivo es maximizar los AVAC. La restricción es el tope presupuestario general de $150/paciente, y dado que ninguna de las opciones excede esto, las cuatro son factibles.
En la práctica, los ensayos piloto rápidamente se vuelven inviables cuando hay un conjunto más grande o complejo de asignaciones factibles, especialmente si consideramos diferentes opciones de implementación para cada intervención, como diferentes niveles de cobertura o plataformas de entrega. En lugar de una opción binaria para incluir o excluir cada intervención, ahora tenemos un continuo de opciones para cada una. Figura 1 ilustra un ejemplo en el que estamos eligiendo entre dos programas, cada uno de los cuales cuesta $ 10 m a escala completa. Si el Programa 1 se implementa a gran escala, proyectamos 100 000 casos, y si el Programa 2 se implementa a gran escala, proyectamos 80 000 casos. Si las únicas opciones son implementar a gran escala o no implementarlo en absoluto, entonces seleccionaríamos el Programa 2. Sin embargo, es posible que la financiación parcial de los programas genere mayores beneficios; por ejemplo, la financiación del Programa 1 a una escala del 30 % puede generar >30 % de los beneficios asociados, especialmente si se combina con una financiación parcial del Programa 2. La Figura 1 presenta una curva presupuestaria completa ilustrativa, donde encontramos que la asignación óptima de $10 millones es una división 30/70 entre los Programas 1 y 2.
Figura 1. Decidir entre dos programas cuando cada uno se puede implementar a una escala variable
Para el ejemplo provisto en la Figura 1, generalmente no sería posible evaluar cada asignación utilizando pruebas piloto. En cambio, se podría usar un modelo para ayudar a estimar los resultados bajo diferentes asignaciones.
Nuestro grupo ha trabajado extensamente con cuestiones de asignación de recursos en torno a enfermedades infecciosas, para lo cual hemos utilizado modelos de enfermedades compartimentales combinados con módulos de costos que asignan el gasto a los parámetros del modelo ( Kerr et al ., 2015 ). Otros tipos de optimización restringida requieren diferentes tipos de modelos; (corona et al. , 2017) brindan una descripción general de varios tipos comunes. La característica fundamental de estos modelos es que formalizan la relación entre la asignación de recursos y los resultados.
Paso 3: Determinar la asignación óptima de recursos
Los algoritmos de optimización están diseñados para buscar la solución óptima cuando hay muchas opciones. El uso de dichos algoritmos tiene una larga historia en las ciencias de la toma de decisiones en salud (Stinnett y Paltiel, 1996), y existen numerosos tipos diferentes de algoritmos que se pueden aplicar a diferentes problemas, desde la asignación de recursos hasta la programación de pacientes y la planificación de la ubicación de las instalaciones.
En la Figura 2 presentamos otro ejemplo que ilustra cómo los algoritmos de optimización pueden ayudar a determinar la asignación óptima de fondos entre los programas de prevención y tratamiento. Los números de casos resultantes de cada nivel de financiación se componen para los fines de este ejemplo, pero normalmente se calcularían utilizando un modelo y datos como se describe en la sección anterior. En este ejemplo, cuando se dispone de muy pocos fondos (US$1 millón), es mejor asignarlos todos a los programas de tratamiento, lo que resultaría en 5700 casos (Figura 2a ). Con un presupuesto de US$2 millones, la mejor estrategia sigue siendo destinarlo todo al tratamiento para un total de 5510 casos ( Figura 2b), pero a medida que aumenta el presupuesto y se establecen los programas de tratamiento, es mejor comenzar a ampliar los programas de prevención: un presupuesto de US $ 3 millones daría como resultado 5300 casos si se asignara todo al tratamiento, frente a 5200 si se asignara US $ 1 millón a los programas de prevención ( Figura 2c ). A medida que aumenta el presupuesto general, disminuye el número de casos proyectados y cambia la asignación óptima entre la prevención y el tratamiento ( Figura 2d). Puede haber varias razones para tales efectos de escala no lineales: puede haber una relación no lineal entre el gasto total en un programa y la cobertura programática (por ejemplo, si el costo marginal por persona cubierta aumenta o disminuye a medida que el programa se amplía), o puede haber una relación no lineal entre la magnitud de los efectos de la interacción programática a medida que aumenta la cobertura del programa (p. ej., los esfuerzos de prevención pueden ser más efectivos si los programas de tratamiento están funcionando), o puede haber efectos epidemiológicos no lineales, especialmente en el caso de enfermedades infecciosas, debido a los efectos de la inmunidad colectiva.
Figura 2. Decidir entre programas de prevención y tratamiento cuando cada uno puede implementarse a una escala variable, y la asignación óptima entre ellos depende del presupuesto total disponible
Para entender cómo funcionan tales algoritmos, considere el ejemplo presentado en la Figura 2d. Supongamos que inicialmente consideramos asignar US$10 millones a programas de tratamiento, lo que daría como resultado 2250 casos. A continuación, nos preguntamos qué pasaría si reasignáramos US$1 millón del presupuesto total a programas de prevención. Calculamos que esto daría lugar a 2200 casos, una pequeña mejora. Entonces podríamos seguir ampliando los programas de prevención hasta que ya no mejoren las cosas. En este ejemplo, con un presupuesto de US$10 millones, la división óptima es US$5 millones en tratamiento y US$5 millones en prevención. Más cambios hacia la prevención darían como resultado que se gastara muy poco en el tratamiento, por lo que el número total de casos aumentaría nuevamente de 1900 a 2100. Los algoritmos de optimización automatizan este proceso de búsqueda y, a menudo, también incluyen funciones para mejorar la velocidad y el rendimiento de la búsqueda.
Asignación óptima de recursos de salud en la práctica
Los métodos de optimización con restricciones existen desde hace muchas décadas, pero siguen siendo en gran medida la excepción y no la regla para determinar cómo se asignan los recursos en salud ( Crown et al. , 2018 ). Hay varias razones para esto. En primer lugar, los requisitos de datos para ejecutar un análisis de optimización restringido pueden ser extensos. En segundo lugar, el conocimiento técnico requerido para configurar un análisis de optimización restringido puede presentar una barrera importante. En tercer lugar, la optimización restringida debe integrarse en un marco de toma de decisiones más amplio. Abordamos cada uno de estos puntos en las siguientes secciones.
Requerimientos de datos
Vimos en la sección anterior que evaluar la mejor asignación de recursos implica comprender los resultados potenciales de cada asignación factible. Esto requiere una recopilación sustancial de datos (lo que puede ser poco práctico cuando hay más de un puñado de opciones factibles) o la construcción de un modelo para estimar los resultados.
Soporte de software y modelado
Históricamente, configurar un análisis de optimización con restricciones ha requerido una cantidad sustancial de codificación y matemáticas de nivel universitario. Sin embargo, en los últimos años esto ha ido evolucionando. La revolución tecnológica de las últimas décadas ha hecho que las personas interactúen a diario con algoritmos extremadamente complejos y técnicamente complicados, pero sin necesidad de conocerlos porque las interfaces para acceder a estos algoritmos son muy sencillas. Del mismo modo, varias aplicaciones de software han estado ayudando a poner algoritmos de optimización en manos de los responsables de la toma de decisiones en el ámbito de la atención de la salud. Para algunos problemas de optimización, el software disponible ya se ha comercializado y/o adoptado ampliamente (por ejemplo, software de gestión de la cadena de suministro, varias herramientas de gestión clínica y software de optimización de listas). Para otro tipo de problemas, la capacidad del software ha ido aumentando constantemente, pero aún no se ha adoptado ampliamente; por ejemplo, aunque existen varias herramientas para ayudar a optimizar la ubicación de los establecimientos de salud (por ejemplo, OptiDX, ArcGIS y AccessMod), las decisiones reales a menudo las toman los urbanistas o se deben a razones políticas en lugar de un análisis riguroso. Para la asignación de presupuestos de atención médica, nuestro grupo desarrolló el conjunto Optima de herramientas de apoyo a la toma de decisiones, que incluye aplicaciones basadas en la web para optimizar los presupuestos para el VIH (Stuart et al ., 2018; Kerr, et al ., 2015 ), tuberculosis ( Goscé et al ., 2021 ) y nutrición ( Pearson et al ., 2018 ).
Optimización restringida dentro de los procesos de decisión
Las decisiones dentro de la atención de la salud a menudo se toman sin una consideración explícita de las restricciones presupuestarias, en cuyo caso los análisis de costo-efectividad son un medio eficaz de apoyo a la toma de decisiones; en este sentido, los métodos de optimización con restricciones pueden considerarse un complemento útil a los métodos CEA ( Wilson y Görgens, 2020) . Tanto el CEA como los métodos de optimización restringidos se pueden utilizar para informar las decisiones en el contexto de una revisión más holística del sistema de salud, que también puede evaluar factores como los arreglos de compra/adquisición, la gestión de la cadena de suministro, el panorama de financiación, la asignación y el uso de equipos y el paciente en general. satisfacción, entre otros ( Crown et al. , 2018 ; Verguet et al ., 2021 ;Karsu y Morton, 2021 ).
Conclusiones
Las técnicas de optimización de restricciones proporcionan un marco estructurado para responder a una clase muy amplia de problemas. Es decir, la mejor manera de lograr un resultado dado dado un conjunto de restricciones. Hay muchos problemas de asignación de recursos de salud que se benefician de las técnicas de optimización restringidas. Cuando un problema consiste en una meta, un conjunto de posibles estrategias para lograr esa meta y un conjunto de restricciones que deben cumplirse, la optimización restringida es un método apropiado. En este caso, el siguiente paso es determinar el resultado esperado de cada estrategia posible, buscar entre todas las estrategias posibles utilizando un algoritmo de optimización restringido y encontrar la estrategia que conduce al mejor resultado posible.
Si bien todos los países del mundo parecen estar comprometidos con brindar UHC a los Objetivos de Desarrollo Sostenible de la ONU, este siempre ha sido un objetivo difícil de alcanzar para muchos, y el impacto de la pandemia lo ha hecho aún más difícil. 19 (Verguet et al., 2021). Más allá de la crisis inmediata de COVID-19, el impacto negativo de la pandemia en los presupuestos nacionales de salud, los presupuestos de ayuda y la prosperidad general significa encontrar formas de lograr los mejores resultados posibles con recursos limitados. Este documento técnico se centró en el "cómo" de las técnicas de optimización de restricciones, pero también explica por qué estas técnicas son útiles.
A pesar de la proliferación de software de fácil acceso para técnicas de optimización restringida y la rápida expansión en el volumen y la granularidad de los datos de salud recopilados periódicamente (Murdoch y Allan, 2013), las técnicas de optimización restringida siguen existiendo barreras para el uso de la técnica. Estos obstáculos pueden deberse en parte a las limitaciones de dichos métodos, incluida la dependencia de la estimación basada en modelos de la relación entre la política y los resultados de salud. Desafortunadamente, las limitaciones de las técnicas de optimización restringidas son especialmente peligrosas cuando están ocultas detrás de una interfaz fácil de usar. Estas interfaces a menudo oscurecen los procesos y suposiciones subyacentes. En este sentido, una mayor disponibilidad de software para realizar un ajuste fino limitado es un arma de doble filo que hace que dichos métodos sean más fáciles de usar y más propensos a ser mal utilizados.
En este documento, he tratado de esbozar lo más brevemente posible el procedimiento para realizar un análisis de optimización con restricciones y presentar una discusión de por qué dicho análisis es útil. Esperamos que con una mejor comprensión de estos métodos, se apliquen de manera más amplia y, lo que es más importante, con mayor precisión en los años venideros. Se recomienda a los lectores interesados que se comuniquen con el grupo de trabajo de ISPOR (Crown et al. , 2017; Krone et al. , 2018) para ver ejemplos de problemas de optimización específicos con restricciones de salud.
Bibliografía
Chalkidou K, Glassman A, Marten R et al. 2016. Priority-setting for achieving universal health coverage. Bulletin of the World Health Organization 94: 462–7.
Crown W, Buyukkaramikli N, Sir MY et al. 2018. Application of constrained optimization methods in health services research: report 2 of the ISPOR Optimization Methods Emerging Good Practices Task Force. Value in Health 21: 1019–28.
Crown W, Buyukkaramikli N, Thokala P et al. 2017. Constrained optimization methods in health services research—an introduction: report one of the ISPOR Optimization Methods Emerging Good Practices Task Force. Value in Health 20: 310–9.
Dakin H, Gray A. 2018. Decision making for healthcare resource allocation: joint v. Separate decisions on interacting interventions. Medical Decision Making 38: 476–86.
Edejer TTT, Baltussen R, Tan-Torres T et al. (eds). 2003. Making choices in health: WHO guide to cost-effectiveness analysis, Vol. 1. World Health Organization.
Evans DBChisholm DEdejer TTT. 2006. Generalized cost-effectiveness analysis: principles and practice. In: Jones AM (ed). The Elgar Companion to Health Economics.
Glassman A, Giedion U, Smith PC. 2017. What’s In, What’s Out: Designing Benefits for Universal Health Coverage.
Goscé L, Abou Jaoude GJ, Kedziora DJ et al. 2021. Optima TB: A tool to help optimally allocate tuberculosis spending. PLoS computational biology 17: e1009255.
Jamison DT, Gelband H, Horton S et al. 2018. Disease Control Priorities: Improving Health and Reducing Poverty, Vol. 9, 3rd edn, Washington, DC: World Bank.
Karsu O, Morton A. 2021. Trading off health and financial protection benefits with multiobjective optimization. Health Economics 30: 55–69.
Kerr CC, Stuart RM, Gray RT et al. 2015. Optima: a model for HIV epidemic analysis, program prioritization, and resource optimization. JAIDS Journal of Acquired Immune Deficiency Syndromes 69: 365–76.
Marseille E, Larson B, Kazi DS, Kahn JG, Rosen S. 2015. Thresholds for the cost-effectiveness of interventions: alternative approaches. Bulletin of the World Health Organization 93: 118–24.
Murdoch TB, Allan SD. 2013. The inevitable application of big data to health care. Jama 309: 1351–2.
Murray CJL, Evans DB, Acharya A, Baltussen RMPM. 2000. Development of WHO guidelines on generalized cost-effectiveness analysis. Health Economics 9: 235–51.
Ochalek J, Lomas J, Claxton K. 2018. Estimating health opportunity costs in low-income and middle-income countries: a novel approach and evidence from cross-country data. BMJ Global Health 3: e000964.
Oppong R, Jowett S, Nicholls E et al. 2015. Joint protection and hand exercises for hand osteoarthritis: an economic evaluation comparing methods for the analysis of factorial trials. Rheumatology (Oxford) 54: 876–83.
Pearson R, Killedar M, Petravic J et al. 2018. Optima Nutrition: an allocative efficiency tool to reduce childhood stunting by better targeting of nutrition-related interventions. BMC Public Health 18: 1–12.
Stinnett AA, Paltiel AD. 1996. Mathematical programming for the efficient allocation of health care resources. Journal of Health Economics 15: 641–53.
Stuart RM, Grobicki L, Haghparast-Bidgoli H et al. 2018. How should HIV resources be allocated? Lessons learnt from applying Optima HIV in twenty-three countries. Journal of the International AIDS Society 21: e25097.
Verguet S, Hailu A, Eregata GT et al. 2021. Toward universal health coverage in the post-COVID-19 era. Nature Medicine 27: 380–7.
Wilson DPGörgens M. 2020. Cost-effectiveness 2.0: improving allocative efficiency with decision science analytics. In: Zhao F, Benedikt C, Wilson D (eds). Tackling the World’s Fastest-Growing HIV Epidemic: More Efficient HIV Responses in Eastern Europe and Central Asia, 27–56.
Woods B, Revill P, Sculpher M, Claxton K. 2016. Country-level cost-effectiveness thresholds: initial estimates and the need for further research. Value in Health 19: 929–35.
