Skrivet av professor Nancy Devlin, forskningsdirektör vid OHE och medlem av EuroQol Group
EQ-5D är det mest använda måttet på patientrapporterade resultat (PRO) i hela världen. Sedan ett par decennier tillbaka har det använts i kliniska prövningar, observationsstudier, undersökningar av befolkningens hälsa och – på senare tid – i rutinmässig datainsamling i hälso- och sjukvårdssystem. Eftersom det är ett generiskt PRO-mått och eftersom det åtföljs av värdeuppsättningar som används vid beräkningen av QALY (kvalitetsjusterade levnadsår), har EQ-5D blivit en hörnsten i bedömningen av hälsoteknik (HTA) och påverkar viktiga beslut om tillgång till nya läkemedel.
Men trots detta är EQ-5D-data ofta underrapporterade och otillräckligt analyserade. Slutsatsen är att om du samlar in dessa uppgifter från dina patienter bör du se till att du lär dig så mycket som möjligt av vad de berättar.
Så: för alla som samlar in eller rapporterar EQ-5D-data, här är mina rekommendationer för vad man ska göra med EQ-5D-data. Detta gäller den ursprungliga versionen med tre nivåer, EQ-5D-3L, versionen med fem nivåer, EQ-5D-5L, den barnvänliga versionen, EQ-5D-Y – och utan tvekan alla PRO-instrument.
1. Vad man inte ska göra – hoppa inte direkt över till ”verktyg” eller användning av poäng av något slag för att sammanfatta patientdata
Okej: du har samlat in EQ-5D-data. Det är bra av många skäl! EQ-5D är ett fantastiskt sätt att mäta hälsoutfall på ett generiskt sätt som kan jämföras mellan olika sjukdomsområden. Ett gäng patienter/personer har kryssat i rutor för att beskriva sin hälsa på de fem dimensionerna. Ett vanligt tillvägagångssätt är att sammanfatta dessa svar till ett enda tal på en skala som är förankrad vid 1 (full hälsa) med hjälp av de värdeuppsättningar som finns tillgängliga för detta ändamål (Szende et al. 2007). Det underlättar analysen av uppgifterna: statistiskt sett är enskilda tal trots allt lättare än kategoriska uppgifter.
Arbetet slutfört? Fel!
Du bör veta att:
- Det finns inget ”neutralt” eller ”objektivt” sätt att sammanfatta EQ-5D-data (eller data från något PRO-mått, för den delen!)
- Vilken ”värdeuppsättning” du än använder för att sammanfatta dina EQ-5D-data, så kommer det att introducera en exogen källa till varians i den statistiska slutsatsen (Parkin, Devlin och Rice 2010) – det vill säga en varians som inte kommer från de data som dina patienter har gett dig. Slutsatser om huruvida det finns statistiskt signifikanta skillnader mellan olika befolknings- eller patientgrupper – eller mellan olika armar i en klinisk prövning – påverkas av vilken värdeuppsättning som används. Det finns viktiga skillnader mellan de statistiska egenskaperna hos de olika värdeuppsättningar som finns tillgängliga för EQ-5D. (För mer information om detta, se Parkin et al 2014. Vi tittar för närvarande på samma saker i förhållande till EQ-5D-5L-data – vilket vi snart kommer att rapportera i Feng et al 2016).
- Var medveten om varifrån värdena kommer! Värdena kommer från ”stated preference”-studier: enligt konvention samlar dessa studier in åsikter från allmänheten – som ombeds föreställa sig att leva med olika hälsoproblem. Vi vet att det finns skillnader mellan allmänheten och patienterna när det gäller deras åsikter och uppfattningar om hur bra eller dåliga hälsoproblem är. Dessa preferensbaserade värdeuppsättningar utvecklades med ett specifikt syfte i åtanke: att uppskatta QALYs. Om du inte använder EQ-5D-data för att skatta QALYs finns det kanske ingen särskilt stark motivering för att använda värdeuppsättningar för att sammanfatta EQ-5D-data.
Notera – inget av detta är en kritik av EQ-5D – snarare tvärtom! EuroQol Group är öppen när det gäller denna typ av frågor och har utförligt undersökt dem. Alla andra generiska och tillståndsspecifika PRO har exakt samma problem – de säger bara inte mycket om det.
2. Titta på patienternas svar på frågeställningarna (dimensioner)
Underskatta inte betydelsen och användbarheten av bra, gammaldags deskriptiv statistik! Deskriptiv statistik om PRO-data är undervärderad och underrapporterad i artiklar, vilket är synd.
Sammanfattningen av EQ-5D-data enligt värdeuppsättningarna säger inte mycket om vilka aspekter av patientens eller befolkningens hälsa som har påverkats mest av deras tillstånd, eller förbättrats av behandlingen. För att få reda på det måste man titta på de uppgifter som patienterna faktiskt har gett dig: de rutor som de har kryssat i EQ-5D-frågorna. Du bör till exempel alltid rapportera antalet och procentandelen patienter som rapporterar varje nivå av problem på varje dimension av EQ-5D. Om du vill förenkla kan du också slå ihop nivåerna 2 och 3 och rapportera antalet som rapporterar ”inga” problem och antalet som rapporterar ”några” problem.
Förutom att beskriva patientens hälsa vid en viss tidpunkt kan du vara intresserad av att beskriva förändringarna i patientens hälsa – t.ex. före eller efter en operation eller vid olika tidpunkter i en klinisk prövning, jämfört med utgångsläget.
Detta kan också göras på EQ-5D-dimensionernas nivå. Återigen – deskriptiv statistik kan berätta mycket. När vi till exempel tittade på förändringen av antalet och andelen NHS-patienter med höftledsplastik som rapporterade problem per dimension (se tabell 1 nedan), före och efter operationen, fann vi att det fanns ganska slående förbättringar i patienternas ångest och depression, egenvård och smärta/ obehag – inte bara i rörligheten (Devlin et al. 2010). Det som var slående var faktiskt att ingen patient hade ”nivå 3” i fråga om rörlighet före operationen, så de enda möjliga förbättringarna till följd av operationen var från ”vissa” till ”inga” problem. Orsaken? Nivå 3 på rörlighetsdimensionen EQ-5D-3L är ”sängbunden” – och även patienter med mycket dålig rörlighet på grund av höftproblem är inte sängbundna. Detta är ett problem med EQ-5D-3L – vilket vi har påpekat tidigare (Oppe et al 2011) – och har korrigerats i den nya EQ-5D-5L (Herdman et al 2014). Inget av detta skulle ha varit uppenbart om dessa patienters data hade analyserats enbart utifrån nyttoeffekterna.
Källa: Devlin et al (2010)
3. Sammanfattning av förändring utan att använda värdeuppsättningar
Tabeller som den som visas ovan kan vara mycket informativa – men är komplicerade att titta på, och ibland behövs en övergripande sammanfattning. Den goda nyheten är att det är lätt att sammanfatta förändringar i EQ-5D-hälsostatus, bara med hjälp av de uppgifter som patienterna har gett dig.
Under 2010 tog vi fram ett sätt att göra det, baserat på principerna för en Pareto-förbättring inom välfärdsekonomi – Pareto-klassificering av hälsoförändringar (Pareto Classification of Health Change, PCHC) (Devlin et al 2010). Idén är enkel: ett EQ-5D-hälsotillstånd anses vara ”bättre” än ett annat om det är bättre i minst en dimension och inte är sämre i någon annan dimension. Och ett EQ-5D-hälsotillstånd anses vara ”sämre” än ett annat om det är sämre i minst en dimension och inte är bättre i någon annan dimension. Om man använder den principen för att jämföra en patients EQ-5D-hälsotillstånd mellan två tidsperioder finns det bara fyra möjligheter:
– Hälsotillståndet är bättre
– Hälsotillståndet är sämre
– Hälsotillståndet är exakt detsamma
– Förändringarna i hälsotillståndet är ”blandade”: bättre på en dimension, men sämre på en annan.
Om vi tillämpade detta på uppgifter om höftledsoperationer fann vi att mindre än 5 % inte hade någon förändring, 82 % hade förbättrad hälsa, mindre än 5 % hade sämre hälsa och mindre än 10 % hade en ”blandad” förändring (Devlin m.fl. 2010). Med andra ord ger denna enkla analys en mycket tydlig sammanfattning av vad som händer med patienternas hälsa till följd av höftoperation – utan att förlita sig på värdeuppsättningar. Den belyser också viktiga skillnader i fördelarna med höftkirurgi jämfört med andra typer av elektiv kirurgi.
Det finns också andra sätt att sammanfatta EQ-5D-data. Jag ska inte gå in på dem alla här – men det finns en mängd olika tillvägagångssätt, och vissa har viktiga begränsningar som ett sätt att sammanfatta patientdata. Ett exempel på det sistnämnda är att approximera den övergripande ”svårighetsgraden” av ett tillstånd med hjälp av dess ”nivåsummapoäng”, som helt enkelt adderar nivåerna på varje dimension. Det bästa hälsotillståndet enligt EQ-5D-3L innebär att man inte har några problem på någon av dimensionerna. ”Inga problem” = 1, så inga problem alls (1+1+1+1+1+1) = 5. Det allvarligaste problemet på någon dimension = 3, så det sämsta hälsotillståndet är (3+3+3+3+3+3+3) = 15. Varje annat hälsotillstånd på EQ-5D-3L har en nivåsumma mellan det bästa (5) och det sämsta (15). Detta kan också tillämpas på EQ-5D-5L, där det bästa värdet återigen är 5 och det sämsta (5+5+5+5+5+5+5+5) = 25. Dessa nivåsummor kan vara användbara i vissa situationer, men det finns uppenbara begränsningar. Det är en mycket grov sammanfattande poäng – till exempel har 22222, 33211 och 11233 alla samma nivåsummapoäng (= 10). Och varje poäng innehåller ett mycket varierande antal potentiella profiler (5 och 15 har bara en profil vardera, medan nivåsumman 10 innehåller 51 profiler). Bara för att dimensionerna viktas lika betyder det inte att de är fria från värdeomdömen – lika viktning av dimensioner representerar i sig en åsikt om deras betydelse (Parkin et al. 2010).
4. Använd dina EQ-VAS-data!
EQ-VAS är en skala från 0 till 100 där patienterna ombeds att ange sitt allmänna hälsotillstånd i dag. Vi (som här talar i egenskap av medlem av EuroQol Group!) anser att den är en integrerad del av EQ-5D-frågeformuläret – men den förbises ofta helt och hållet och rapporteras inte (eller ännu värre – vissa användare låter bli att ta med den i datainsamlingen, trots att den är en del av det upphovsrättsskyddade instrumentet!) EQ-VAS erbjuder viktig, kompletterande information till den information om hälsotillstånd som patienterna lämnar när de självrapporterar sin hälsa i EQ-5D. EQ-5D är faktiskt unikt som PRO-instrument genom att det genererar data som visar patienternas egen, övergripande bedömning av sin hälsa. Inte någon annans uppfattning om hur bra eller dåligt deras allmänna hälsotillstånd är, om de föreställer sig att de befinner sig i det, utan den uppfattning som den person som faktiskt upplever det har. Det låter som användbar information – och det är det också.
EQ-VAS kan till exempel fånga upp problem som inte fångas upp av de fem dimensionerna i EQ-5D – vilket kan avslöja vissa luckor i EQ-5D som är relevanta för särskilda patientgrupper (se Feng et al. 2014). Detta hjälper till att tolka de EQ-5D-data som du har samlat in, och om det kan finnas någon anledning att anta att den inte fullt ut fångar effekterna av hälsoproblem.
Inte övertygad? Ta en titt på det här diagrammet, som har genererats från de stora mängder data som finns hos EuroQol Group. Det finns en kraftigt sjunkande EQ-VAS med åldern för dem som rapporterar problem på EQ-5D (dvs. med stigande ålder ökar de problem som rapporteras på de fem dimensionerna och därmed även patienternas totala självskattade hälsa på EQ-VAS). Men intressant nog sjunker EQ-VAS med åldern, även bland patienter som inte rapporterar några problem på EQ-5D. Detta tyder på att EQ-VAS mäter något som skiljer sig lite från, och som är ett tillägg till, sakerna i de fem dimensionerna.
5. Sist men inte minst: Om du behöver använda en värdeuppsättning för att sammanfatta dina EQ-5D-data – t.ex. för att uppskatta QALYs – se till att du gör en känslighetsanalys av alternativa värdeuppsättningar.
Värdeuppsättningar är en produkt av forskares beslut om vilka metoder som ska användas och hur data ska modelleras. Dessa beslut kan potentiellt ha en icke-trivial effekt på egenskaperna hos de värden som genereras – till exempel vad det minsta värdet är, hur många negativa värden det finns och hur fördelningen av värdena ser ut. Forskarna är inte överens om vilka metoder som är ”bäst”, och olika metoder, både för att ta fram värden och för att modellera dem, kan leda till olika resultat.
Det innebär att de värden som ska tillämpas på EQ-5D-data är förknippade med en viss osäkerhet. Men det gör också bevisen för många andra saker i kostnadseffektivitetsanalyser, t.ex. nya teknikers effektivitet och deras kostnader. Så precis som alla andra osäkra parametrar i en kostnadseffektivitetsmodell innebär det att analytiker bör kontrollera om deras slutsatser om kostnadseffektivitet är känsliga för valet av värdeuppsättning. Och när värdeuppsättningar redovisar konfidensintervall (vilket alla bör göra!) bör dessa konfidensintervall också utgöra en del av känslighetsanalysen i kostnadseffektivitetsanalysen.
Vill du veta mer? Utvalda referenser:
Devlin N, Parkin D, Browne J. (2010). Användning av EQ-5D som ett verktyg för prestationsmätning inom NHS. Health Economics 19(8):886-905.
Parkin D, Devlin N, Rice N. (2010) Statistical analysis of EQ-5D profiles: does the use of value sets bias inference? Medical Decision Making 2010; 30:556-565