贝叶斯成本效果分析中Log-Normal模型对均匀先验的敏感性：基于个体数据的零成本问题研究

本研究针对贝叶斯成本效果分析(CEA)中Log-Normal模型对均匀先验分布的敏感性展开探索。研究人员通过ORBIT试验数据和模拟研究，发现当成本数据存在零值时，对数成本标准差的均匀先验边界选择会显著影响CEA结论。结果表明，Gamma模型相比Log-Normal模型对先验边界更具鲁棒性，为医疗技术评估中的分布假设和先验选择提供了重要方法论参考。

　　

在医疗决策领域，成本效果分析(CEA)如同经济学的"指南针"，而贝叶斯方法则为这把指南针提供了概率校准功能。然而，这个校准过程的核心——先验分布的选择，特别是对成本数据标准差的设定，长期存在一个隐蔽的"雷区"：当使用Log-Normal分布建模含有零值的成本数据时，看似无害的均匀先验(Uniform prior)可能会引发出人意料的"爆炸性"结果。牛津大学纳菲尔德初级保健健康科学系的研究团队在《PharmacoEconomics》发表的这项研究，正是要拆除这个隐藏的方法论地雷。

研究人员采用"三步走"策略：首先基于ORBIT试验（一项比较图雷特综合征儿童两种在线治疗方式的随机对照试验）的个体水平成本-效用数据，构建包含Log-Normal、Gamma和Normal分布的联合模型；其次系统评估不同均匀先验边界(上限0.8至3)对成本估计的影响；最后通过包含8种场景的模拟研究（考虑零值比例、样本量和数据偏态）验证实证发现。关键技术包括贝叶斯层次建模、马尔可夫链蒙特卡洛(MCMC)算法、偏差信息准则(DIC)模型比较，以及针对零成本数据的连续性校正（加常数ε=1）。

模型比较与拟合优度

通过DIC和事后预测检查发现，Gamma模型(718.7)显著优于Log-Normal模型(740.1-1126.9)和Normal模型(948.8)。当Log-Normal模型采用较宽先验Uniform(0,2)时，干预组成本估计从￡468跃升至￡1954，而Gamma模型在不同先验下保持稳定(￡709-￡710)。

成本估计敏感性

Log-Normal模型展现出"先验边界依赖症"：Uniform(0,3)导致增量成本高达￡1301(95%CI:-4169,8699)，是Uniform(0,1)结果的23倍。这种敏感性在含10%零值的模拟场景中尤为显著，Log-Normal模型的偏差达Gamma模型的5-10倍。

成本效果平面分析

在￡30,000支付意愿阈值下，Gamma模型支持干预措施成本效果的概率为65%，而Log-Normal模型因成本高估使该概率降至40%。模拟显示当真实数据服从Gamma分布时，Log-Normal模型会产生高达977,821%的增量成本偏差。

这项研究揭示了医疗经济学中一个关键的方法论陷阱：Log-Normal模型对均匀先验的敏感性主要源于两个机制——对数尺度先验通过exp(δ_c²/2)转换后在原始尺度产生的指数级放大效应，以及零成本数据需要的连续性校正造成的模型失真。研究建议在存在零成本时优先采用Gamma模型或两部分模型(two-part model)，并为贝叶斯CEA的先验选择提供了三个实用准则：避免宽边界均匀先验(上限>2)、进行先验敏感性分析、当DIC差异>10时拒绝拟合不良模型。这些发现对提高医疗技术评估的可靠性具有深远意义，特别是在心理健康等零成本高发领域。