| Summary: | Les thérapies ciblées ont permis d’augmenter la survie des patients souffrant de cancers et d’améliorer leur qualité de vie, avec un coût de traitement plus élevé que pour les chimiothérapies conventionnelles. L’Évaluation Médico-Économique (EME) repose le plus souvent sur des modèles mathématiques qui nécessitent l’utilisation de données cliniques, économiques et de qualité de vie. De manière générale, l’EME utilise des données collectées dans les essais cliniques, la littérature et à dires d’experts. Cependant, il est de plus en plus difficile de disposer d’un essai comparant le traitement A au traitement B (comparaison directe (CD)). De ce fait, les EME utilisent de plus en plus des données issues de comparaisons indirectes (CI). Par ailleurs, les différences entre la population des essais et celle traitée en vie réelle, peuvent rendre difficile l’extrapolation des résultats des essais à la population traitée en vie réelle. Les modèles médico-économiques sont sensibles aux paramètres utilisés ainsi qu’aux méthodes employées pour les estimer. Ainsi, l’efficience en vie réelle peut différer de l’efficience estimée à partir des données d’essais. De même, l’utilisation de données issues de CI vs celle issues de CD peut avoir un impact sur les résultats d’efficience. Cette thèse avait pour objectif d’évaluer l’impact des différentes sources de données (CD, CI et données collectées en vie réelle) sur les résultats d’efficience. Et ce, à travers une étude de cas qui est l’EME de pazopanib vs sunitinib dans le traitement de 1re ligne du Cancer du Rein Métastatique (CRM). Pour répondre aux objectifs de la thèse, nous avons utilisé un modèle partitionné de survie et avons analysé les résultats issus de trois scenarii différents, scénario : CD, CI, et vie réelle. Pour dériver les paramètres du modèle, nous avons réalisé trois analyses rétrospectives de bases de données. Pour les scenarii basés sur les données de CD et données de CI, les coûts étaient collectés à partir de sources de données multiples (PMSI, Oncology Analyzer et la litterature) et les données d’efficacité étaient collectées respectivement à partir d’un essai clinique et d’une CI comparant pazopanib à sunitinib. Pour le scénario vie réelle les coûts et les données de survie étaient collectées à partir du DCIR. Les données d’utilité utilisées étaient identiques pour les trois scenarii. Les résultats du scénario CD montrent que pazopanib est plus efficace et moins coûteux que sunitinib. En revanche, les résultats des scenarii CI et vie réelle montrent que pazopanib était plus efficace et plus coûteux que sunitinib. Bien que les résultats de ces deux derniers scenarii aboutissent à la même conclusion, il y a une grande variabilité sur le Ratio Différentiel Coût Résultat (RDCR) pouvant aboutir, selon la disposition à payer, à des décisions différentes. Les analyses de sensibilité montrent que les résultats étaient sensibles aux données d’utilité mais également aux données de coûts utilisées. La thèse met en évidence une grande disparité des résultats du fait des données disponibles pour mesurer l’efficience en vie réelle ou à partir des essais (CD, CI). Nous constatons qu’une faible variation de l’estimation des données de survie a un impact important sur les données d’efficience. Par ailleurs, afin de réduire l’incertitude autour des résultats d’efficience, des travaux préliminaires relatifs à l’harmonisation des méthodes pour estimer les données de coûts à partir du DCIR doivent être réalisés. Pour finir, quel que soit le scénario étudié, nous avons constaté une grande incertitude autour des paramètres utilisés et en conséquence autour des résultats d’efficience. Il serait donc important de modéliser la valeur de l’information afin de déterminer les études à mettre en place pour réduire l’incertitude autour des résultats d’efficience. === Targeted therapies have improved the survival of patients suffering from cancer. However, due to the introduction of new targeted therapies, treatment costs have rapidly increased. In this context, Economic Evaluation (EE) proposes a set of tools in healthcare decision making. EE is usually based on decision modeling that requires a set of clinical, economical and quality of life data. These data are often collected in randomized controlled clinical trials also called Direct Comparisons (DC), in the literature and on the basis of experts’ opinions. Yet, it is not always possible to conduct a clinical trial that directly compares treatment A to treatment B. Therefore, the use in EE of statistical techniques that uses results from separate clinical trials to compare the efficacy between treatment A and B is increasing. One of these techniques is called Indirect Comparisons (IC). Differences in patients’ characteristics between the population in the trial and the one treated in practice, makes it difficult to extrapolate the results of clinical trials to the population treated in real life. Moreover, analytic decision models are often sensitive to clinical, quality of life and costing parameters. Hence, real life cost-effectiveness may differ from the cost-effectiveness based on clinical trials data. In addition, the use of indirect comparisons in decision analytic modeling may yield different results from the use of data collected in head to head trials. The objective of this thesis was to evaluate the impact of using different data sources (DC, IC and real life data) on the results of a decision analytic model. To attain our objectives, the effectiveness of pazopanib versus sunitinib in first line treatment of patients with metastatic Renal Cell Carcinoma (mRCC) was used as a case study. To evaluate the impact of different data sources on the cost-effectiveness results, we used a partioned survival model and compared the results of three different scenarios: direct comparison, indirect comparison and real life. In order to derive the parameters used in the model, we conducted three retrospective database analyses. For DC and IC scenarios, cost data were collected using multiple data sources (PMSI, Oncology Analyzer and the literature) and clinical data were collected respectively in a clinical trial and from an indirect comparison comparing pazopanib to sunitinib. Costs and survival data used in the real life scenario were collected in the DCIR. Similar utility values were used for the three scenarios. In the DC scenario, pazopanib was found to be more effective and less costly than sunitinib. However, for both IC and real life scenarios, pazopanib was found to be more effective and costlier than sunitinib. Even though both scenarios found pazopanib more effective and costlier than sunitinib, there is an important variability on the Incremental Cost-Effectiveness Ratio (ICER) that may lead to different decisions according to the willingness to pay. Sensitivity analyses showed that the results were sensitive to utility and cost data. This thesis highlighted the disparity of the cost-effectiveness results based on clinical trial data (CD and IC) and those estimated using real life data. We observed that a small variation in survival data estimates has a significant impact on the cost-effectiveness results. In order to reduce uncertainty around real life cost-effectiveness, a preliminary work on harmonizing the methods used to estimate cost data from the DCIR must be performed. Furthermore, no matter the scenario studied, we observed a great uncertainty regarding the cost-effectiveness of pazopanib versus sunitinib in first line treatment of mRCC patients. Hence the importance of modeling the value of information to identify the studies that should be implemented in order to reduce the uncertainty around the cost-effectiveness results.
|
|---|
