采用增量人數(shù)開展預算影響分析的探討

張婧 黃元楷 席曉宇

編者按：為深入學習貫徹習近平新時代中國特色社會主義思想，落實2021年全國宣傳部長會議和全國衛(wèi)生健康工作會議精神，聚焦中國共產(chǎn)黨成立以來衛(wèi)生健康事業(yè)歷史進程中的重要決策、活動及成果，從不同角度和層面展現(xiàn)衛(wèi)生健康事業(yè)發(fā)展的重要成就，我刊特從2021年7月起開設“黨為人民謀健康的100年”專欄，從我刊實際出發(fā)，陸續(xù)推出一系列我國健康衛(wèi)生事業(yè)與藥學工作結合的相關文章，從而助力提高人民健康水平制度保障、堅持和發(fā)展中國特色衛(wèi)生健康制度。本期專欄文章《采用增量人數(shù)開展預算影響分析的探討》建立了推算各干預方案使用人數(shù)及其增量的新算法，并分析了新算法相較于常見算法的優(yōu)勢及潛在應用范圍，以期為藥物經(jīng)濟學預算影響分析研究的開展和相關決策提供參考。

中圖分類號 R956 文獻標志碼 A 文章編號 1001-0408（2021）22-2790-04

DOI 10.6039/j.issn.1001-0408.2021.22.18

摘 要 目的：為藥物經(jīng)濟學預算影響分析研究的開展和相關決策提供參考。方法：以使用新干預措施的增量人數(shù)為切入點，設計新的計算方法，并分析新算法相較于常見算法的優(yōu)勢及潛在應用范圍。結果與結論：新算法直接使用來源于真實世界的銷售數(shù)據(jù)推算各干預方案的使用人數(shù)及其增量。相較于常見算法，新算法不考慮各干預方案使用人數(shù)的不變部分，轉而重點關注使用人數(shù)的變化部分，回避了目標人群和某些干預方案使用人數(shù)的估算，能夠在一定程度上解決常見算法對目標人群和市場份額預測不合理或不準確的問題，而且可以進行靈活調整以適應不同的市場情形和支付準入情形。但也存在關鍵參數(shù)（如搶占率等）來源主觀性較強或數(shù)據(jù)來源不準確等不足，從而導致使用人數(shù)計算過程中不確定性因素較多。

關鍵詞 預算影響分析;增量人數(shù);算法;藥物經(jīng)濟學;搶占率

Discussion on Budget Impact Analysis Based on the Increment of Users

ZHANG Jing，HUANG Yuankai，XI Xiaoyu（Research Center of National Drug Policy & Ecosystem， China Pharmaceutical University， Nanjing 211198， China）

ABSTRACT? ?OBJECTIVE： To provide reference for the development of pharmacoeconomic budget impact analysis and related decision-making. METHODS： Taking the incremental number of people using new intervention measures as the starting point， a new algorithm was designed， and the advantages and potential application scope of the new algorithm were compared with those of common algorithms. RESULTS & CONCLUSIONS： The new algorithm directly used the sales data from the real world to calculate the number of users and their increment of each intervention scheme. Compared with common algorithms， the new algorithm did not consider the unchanged part of the number of users of each intervention scheme， but focused on the changing part of the number of users， avoided the estimation of the number of the target population and the users of some intervention schemes， and could solve the problem of unreasonable or inaccurate prediction of the target population and market share by common algorithms to a certain extent; moreover， it could be flexibly adjusted to adapt to different market conditions and medical insurance access conditions. However， due to the strong subjectivity of key parameters （such as preemption rate） or inaccurate data sources， the calculation results of the new algorithm are still uncertain.

KEYWORDS? ?Budget impact analysis; Increment of users; Algorithm; Pharmacoeconomics; Preemption rate

預算影響分析（budget impact analysis，BIA）是針對新的醫(yī)療干預措施進入支付范圍后對該系統(tǒng)支出影響的分析評估，已被越來越多的國家和地區(qū)要求用于評估藥物的經(jīng)濟性以幫助其進行決策[1-3]。

《中國藥物經(jīng)濟學評價指南（2020）》中推薦的BIA計算流程為：首先，需要確定目標人群數(shù)量，即特定時間段內，符合新干預措施在相應準入政策約束下的所有適用患者人數(shù)[1]。研究者可根據(jù)國家統(tǒng)計年鑒或者全國人口普查數(shù)據(jù)確定全國總人口，再按照納入和排除標準，基于患病率/發(fā)病率、診斷率、治療率等相應的流行病學資料，以及支付方種類、覆蓋率、支付比例等醫(yī)療產(chǎn)品或服務的支付范圍相關數(shù)據(jù)，逐步估算目標人群數(shù)量[4]。其次，根據(jù)各干預方案市場份額的分布情況，即每種干預方案在目標人群中的使用比例，研究者依次估計各干預方案的使用人數(shù)[1]。最后，研究者將不同市場情形下各干預方案的使用人數(shù)和人均年基金支出相乘，計算得到對應市場情形下的基金支出總量，進而可確定新干預措施納入或排除出支付范圍對基金支出的影響。

但在實際操作過程中，部分干預方案（如抗感染藥物、營養(yǎng)支持藥物、輔助用藥等方案）在臨床的適用情形較多，其目標人群和市場份額的計算不僅需要處理龐大的數(shù)據(jù)，而且關鍵的臨床流行病學數(shù)據(jù)容易缺失，導致目標人群和各干預方案的使用人數(shù)難以估算，使得部分BIA實證研究使用了低質量證據(jù)或者假設值來粗略預估目標人群和各干預方案的使用人數(shù)，直接影響了BIA結果的準確性[5-7]。《中國藥物經(jīng)濟學評價指南（2020）》沒有對目標人群和各干預方案使用人數(shù)難以預估時如何開展BIA提供相關的操作細則，現(xiàn)有的國外BIA指南或者相關指導性文件也未給出明確的建議[8-10]，故解決目標人群和各干預方案使用人數(shù)的預估問題成為了BIA計算的關鍵。基于此，筆者擬以使用新干預措施的增量人數(shù)為切入點，設計新的計算方法，并分析新算法相較于常見算法的優(yōu)勢及潛在應用范圍，以期為BIA研究和相關決策提供參考。

1 算法介紹

1.1 計算思路及計算過程

本研究參考《中國藥物經(jīng)濟學評價指南（2020）》，設置對照情形和研究情形兩種市場情形。具體而言，對照情形為新干預措施不進入支付范圍，目標人群只使用當前市場上現(xiàn)有干預方案的狀態(tài);研究情形為新干預措施進入支付范圍后，一定比例的目標人群開始使用新干預措施的狀態(tài)[11]。其中，納入BIA研究的市場現(xiàn)有干預方案一般已被納入支付范圍，主要適應證與新干預措施相同且臨床應用較多，通常被業(yè)內簡稱為“競品”。

BIA常見計算思路是先確定不同市場情形下的目標人群、市場份額以及各干預方案的使用人數(shù)，再結合人均基金支出計算不同市場情形下的基金支出總量。由于在研究情形下使用新干預措施的增量人數(shù)來自不同的干預方案，且新干預措施對不同干預方案的影響程度不同，故可以推測，如果某些干預方案的使用人數(shù)及其在新干預措施使用人數(shù)增量中的占比已知，那么可以推算出剩余由干預方案轉用新干預措施的人數(shù)，進而結合人均基金支出計算出不同市場情形下基金支出的變化情況（圖1）。如圖1所示，相較于常見算法，新算法不考慮各干預方案使用人數(shù)的不變部分，轉而重點關注使用人數(shù)的變化部分，回避了目標人群和某些干預方案使用人數(shù)的估算。

1.1.1 對照情形 設單個患者的日用藥量為Qd，所有患者的平均用藥時長為t，二者相乘可得人均用藥量;某干預措施某年的預測銷售數(shù)量記為Qy，該干預措施該年的患者使用人數(shù)記為Uy，則計算公式為：

Uy=Qy/（Qd×t）…（1）

由于干預措施必須被符合相應支付條件的參?；颊呤褂?，才能影響基金支出并納入BIA的考慮范圍，故本研究分別計算了各干預措施的使用人數(shù)。設支付方的覆蓋率為Ri，不同支付方的受眾人群占比為Pi，對照情形下采用該支付方式的各干預措施的使用人數(shù)記為UC，則計算公式為：

UC=Uy×Ri×Pi…（2）

1.1.2 研究情形 新干預措施進入支付范圍后，每年以一定比例搶占不同競品的使用人數(shù)。本研究假設新干預措施對各競品的搶占比例相等，并將這一比例定義為搶占率，記為RS，則各競品每年的使用人數(shù)將以（100%-RS）的比例減少。新干預措施進入支付范圍的第n年，則搶占輪數(shù)為n，為方便計算，n一般取整數(shù)。對照情形下各競品的使用人數(shù)記為UCJ，研究情形下各競品的使用人數(shù)記為URJ，則計算公式為：

URJ=UCJ×（100%-RS）n…（3）

由于新干預措施還將覆蓋之前沒有接受過有效治療方案或接受其他類型治療方案以及已經(jīng)停止使用當前市場上現(xiàn)有干預措施的患者等（下文為方便表述，將這部分患者統(tǒng)稱為“其他方案轉用患者”），這部分患者構成較為復雜，具體數(shù)量難以計算。假設新干預措施搶占所有競品的使用人數(shù)占新干預措施總使用人數(shù)增量的比例為RTJ，則覆蓋其他方案轉用患者人數(shù)URT占新干預措施總使用人數(shù)增量的比例為1-RTJ，其計算公式為：

URT=（ΣUCJ-ΣURJ）×（1-RTJ）/RTJ…（4）

新干預措施在對照情形下的使用人數(shù)記為UCN，在研究情形下的使用人數(shù)記為URN，考慮到上述兩種類型的市場變化，則新干預措施總使用人數(shù)的計算公式為：

URN=UCN+Σ（UCJ×RS）n+URT…（5）

由此，依據(jù)各年各干預方案的預測使用人數(shù)以及人均年基金支出可以算得兩種市場情形下基金總支出的變化情況。算法示意圖詳見圖2。

1.2 關鍵參數(shù)的估算

由上文可見，搶占率RS是新算法中最重要的參數(shù)。根據(jù)數(shù)據(jù)來源的公信力等級[11]，筆者首推根據(jù)臨床指南或者以往類似藥物的市場搶占情況來估計RS;若無可供參考的臨床指南，筆者建議由臨床、流行病學、市場營銷和藥物經(jīng)濟學等相關領域的專家組成專家咨詢小組，采用德爾菲法組織專家共同商議新干預措施對不同競品的可替代程度。

新干預措施搶占所有競品的使用人數(shù)占新干預措施總使用人數(shù)增量的比例RTJ，是新算法中的另一個關鍵參數(shù)。專家深度訪談、德爾菲法和層次分析法等定量專家調查法均可以用于估測RTJ。例如，運用層次分析法可逐步分解問題，依次確定新干預措施搶占不同競品的比例并建立判斷矩陣，由相關領域專家對該判斷矩陣的要素進行賦值，進而計算出RTJ[12]。

值得注意的是，研究者在匯報BIA過程時，需要詳細描述納入專家的研究領域、獲取專家意見的方式以及專家所使用的估計方法，并評定RS和RTJ預測的合理性。例如，若采用德爾菲法估計上述參數(shù)，應計算并匯報問卷回收的有效率、專家對問題的熟悉程度、專家意見的一致性程度等，以分析德爾菲咨詢小組中專家的積極系數(shù)、專家的權威程度系數(shù)、專家意見的協(xié)調系數(shù)等[13]，進而評價所獲取數(shù)據(jù)的科學性和有效性，以確保計算結果可靠、可信。

2 算法示例

本研究以新干預措施A為例，采用新算法計算其進入基金支付范圍后對基金支出的影響。從支付方角度進行BIA，使用Excel 2016軟件構建模型，以2020年為基線年，研究時限為3年（2021-2023年），競品為B、C、D等3種。若新干預措施在3年間不進入支付范圍，市場競爭格局變化較小，可在某銷售數(shù)據(jù)庫歷史銷售數(shù)據(jù)的基礎上，推算銷量，根據(jù)公式（1）計算2021-2023年各干預方案的使用人數(shù)，結果見表1。

假定目標人群的支付覆蓋率為96.74%，其中支付模式X的人數(shù)占比為24.31%，支付模式Y的人數(shù)占比為75.69%，目標地區(qū)的人口數(shù)在全國總人口中的占比為30.37%。根據(jù)公式（2），可以計算出對照情形下2021-2023年不同支付模式下各干預方案的使用人數(shù)。若新干預措施A進入支付范圍，并將逐年以10%的搶占率搶占各競品的使用人數(shù)。與此同時，新干預措施A還將覆蓋其他方案轉用患者。假設新干預措施A搶占所有競品的使用人數(shù)占新干預措施總使用人數(shù)增量的比例為50%，則剩余50%的增長份額來自其他方案轉用患者，2021-2023年兩種市場情形下各干預方案的使用人數(shù)見表2。

根據(jù)不同市場情形下各干預方案的使用人數(shù)和人均年基金支出，可以計算出基金支出的變化情況。為了保證BIA結果的可靠性和科學性，支付方的覆蓋率、不同支付方的受眾人群占比、新干預措施對各競品的年均搶占率、新干預措施搶占所有競品的使用人數(shù)占新干預措施總使用人數(shù)增量的比例等參數(shù)在實際運用中還需要進行敏感性分析以降低偏倚風險。

3 討論

3.1 新算法的優(yōu)勢

算法所需數(shù)據(jù)及其來源是BIA質量的重要影響因素之一。常見算法利用患病率/發(fā)病率、診斷率、治療率等臨床數(shù)據(jù)進行目標人群的估計，使用小樣本數(shù)據(jù)、類似疾病人群數(shù)據(jù)、外國人群數(shù)據(jù)或者假設值都會在一定程度上影響基金支出的預測結果[5-7]。新算法直接根據(jù)銷售數(shù)據(jù)對使用人數(shù)及其增量進行推算，這部分數(shù)據(jù)基本來自真實世界，可使計算結果的穩(wěn)健性較高。

3.2 新算法的潛在應用范圍

新算法需要在應用過程中進行靈活調整以適應不同的市場情形。如果新干預措施擁有多個臨床適應證，單憑銷售數(shù)據(jù)來反映干預措施的使用人數(shù)可能有失偏頗，那么就有必要查詢臨床文獻或者咨詢臨床專家以確定所研究適應證的用藥患者比例。新算法還可被推廣運用到其他支付機制的準入情形。例如，設“某干預措施保留原價且仍在支付范圍內”為對照情形，“某干預措施被調出支付范圍”為研究情形一，“某干預措施降價續(xù)約且仍留在支付范圍內”為研究情形二。在研究情形一中，該干預措施因被調出支付范圍而被市場其他干預措施搶占了部分使用人數(shù);在研究情形二中，該干預措施降價續(xù)約，搶占各競品使用人數(shù)的同時還覆蓋了其他方案轉用患者，則上述兩種情況均可采用本文的新算法進行BIA。

3.3 局限性

由于受相關數(shù)據(jù)及資料的可獲取性和方法質量的限制，本研究還存在一定的局限性：第一，由于無法獲得完整的市場規(guī)模數(shù)據(jù)，難以反映各種干預方案的具體使用情況;第二，部分數(shù)據(jù)來源于專家咨詢，雖可以獲取時效性強、權威性高、針對性強的信息，但可能結果一致性較差且?guī)в幸欢ǖ闹饔^性，難以被非藥學和藥物經(jīng)濟學領域的專家理解;第三，從數(shù)據(jù)資源平臺上獲取的藥品銷售數(shù)據(jù)、藥品使用信息和企業(yè)預期銷售增長率不能準確評估某干預措施在全國市場內的銷售數(shù)量，導致使用人數(shù)計算過程中不確定性因素較多。

4 結語

本研究以補充BIA計算框架為目的，針對新干預措施使用人數(shù)的增量分布構建新的BIA計算方法，其核心思路是根據(jù)新干預措施使用人數(shù)的增量分布來推算各干預方案轉用新干預措施的人數(shù)。本研究所設計的新算法能夠解決部分干預方案目標人群和市場份額難以計算的問題，而且在一定程度上能夠解決常見算法對目標人群和市場份額預測不準確的問題。后續(xù)筆者將進一步開展實證研究，比較常見算法和新算法推算BIA結果的差異，并對比不同臨床適用范圍的干預措施使用不同算法進行BIA的效果差異。本文目前僅是初步探索，希望能夠為BIA提供一種新的研究思路，但還需要在后續(xù)研究中加以完善。

參考文獻

[ 1 ] 劉國恩.中國藥物經(jīng)濟學評價指南：2020[M].北京：中國市場出版社，2020：87-96.

[ 2 ] GHABRI S，MAUSKOPF J. The use of budget impact analysis in the economic evaluation of new medicines in Australia，England，F(xiàn)rance and the United States：relationship to cost-effectiveness analysis and methodological challenges[J]. Eur J Health Econ，2018，19（7）：173-175.

[ 3 ] 國家醫(yī)療保障局.基本醫(yī)療保險用藥管理暫行辦法：國家醫(yī)療保障局令第1號[EB/OL].（2020-07-30）[2021-02-05].

http：//www.nhsa.gov.cn/art/2020/7/31/art_37_3387.html.

[ 4 ] 柳鵬程，江欣悅，李燦，等.淺析醫(yī)保談判準入中預算影響分析相關研究所需數(shù)據(jù)及處理方法[J].中國醫(yī)療保險，2020（5）：57-62.

[ 5 ] LANE W S，WEATHERALL J，GUNDGAARD J，et al.? Insulin degludec versus insulin glargine U100 for patients with type 1 or type 2 diabetes in the US：a budget impact analysis with rebate tables[J]. J Med Econ，2018，21（2）：144-151.

[ 6 ] 羅雪燕，袁泉，姚文兵.?？颂婺嵊糜谥委熗砥诜切〖毎伟┑念A算影響分析[J].中國新藥雜志，2018，27（9）：973-977.

[ 7 ] 謝麗，夏茹意，莊貴華.伴代償期肝硬化乙肝相關肝癌患者根治性切除術后抗病毒治療的預算影響分析[J].中國衛(wèi)生經(jīng)濟，2019，38（9）：64-68.

[ 8 ] National Institute for Health and Clinical Excellence.? ?Assessing resource impact process manual：guidelines[EB/OL].[2021-02-07]. https//www.nice.org.uk/Media/Default/About/what-we-d o/Into-practice/RIA-process-manualgui-

delines.

[ 9 ] MAUSKOPF J，EARNSHAW S. A methodological review of US budget-impact models for new drugs[J]. Pharmacoeconomics，2016，34（11）：1111-1131.

[10] Pharmaceutical Benefits Advisory Committee. Guidelines for preparing submissions to the pharmaceutical benefits advisory committee[EB/OL]. [2021-02-07]. http：//www.pbac.pbs.gov.au/content/information/printable-fifiles/pbacg-

book.

[11] 柳鵬程，方剛，王敏嬌，等.基于關鍵數(shù)據(jù)要素的醫(yī)療保險預算影響分析質量評價體系[J].衛(wèi)生經(jīng)濟研究，2020，37（7）：22-25.

[12] 王玉蘭.基于層次分析法的數(shù)據(jù)資產(chǎn)評估模型研究[D].天津：天津商業(yè)大學，2018.

[13] 張金華.亞健康評定量表的初步編制[D].廣州：南方醫(yī)科大學，2010.

（收稿日期：2021-03-11 修回日期：2021-10-12）

（編輯：孫 冰）