Markov模型

相比传统的基于个体水平数据的研究，模型分析不需要计算样本量，更适合经费较为有限的研究，能大大降低研究成本。同时，模型分析也是成本－效果研究中的最常用的研究设计方案，模型类型包括决策树模型、马尔科夫模型、离散事件模拟模型、分区生存模型和动态传染模型等。我们需要根据相关心血管疾病的临床特点和研究数据的可获得性进行模型的选择。Markov模型是对决策树模型的优化，决策树模型则是我们最为熟知的概率模型。以ACEI类药物为例，解释决策树模型：若不考虑患者因素，第一次医师选择（1）卡托普利（2）依那普利（3）培哚普利（4）贝那普利这4种药物其中1种的概率均为0.25；若患者需要进行调药（种类或剂量），那么第二次医师选择这4种药物其中1种的概率均为0.25×0.25；若患者需要进行调药（种类或剂量），那么第三次医师选择这4种药物其中1种的概率均为0.25×0.25×0.25；以此类推。对于决策树模型而言，每一个概率会被之前的概率所影响，例如第一次药物选择会对第二次药物选择产生影响，第一次和第二次药物选择会共同对第三次药物选择产生影响；每个次级概率均为线性出现，例如第三次的药品出现概率等于第一次、第二次和第三次的概率相乘，第n次的药品出现概率等于第一次、第二次至第n-1次、第n次的概率相乘。Markov模型针对决策树模型的这两个特点进行优化：（1）未来的概率与过去的概率（包括初始状态概率）无关，只与现在的概率有关；（2）最简单的Markov模型结构类似于三角形，椭圆形为转移状态，箭头为转换的方向，P为转移的概率。研究中，通过干预措施，我们希望能提高疾病的康复率（P4），延长患者的生存率（P1），减少疾病的死亡率（P6）。根据研究设计的复杂程度，还可以形成4角、5角等更多状态的Markov模型。由于Markov模型这两个特点，使得这样的循环模型可以模拟无限的时间，适合心血管疾病中慢性病的研究。可运用Treeage Pro实现Markov模型的建模和分析。在模型分析的一级结构中，设置疾病出现的概率为1，健康和死亡的概率均为0；在模型分析的二级、三级结构中，对应的概率进行赋值，通过一定的循环周期，系统可自动生存平均期望寿命。经过干预措施改变P6，生存平均期望寿命也会随之改变。(https://www.daowen.com)