健康效用值锚定方法的比较研究：基于SF-6Dv2的完整健康-死亡量表分析

本研究针对健康效用值在完整健康-死亡量表上的锚定难题，系统比较了排序法、DCEMapping、DCEWHS、DCEHybrid和DCETTO五种方法的性能。通过加拿大魁北克省2084人的队列数据，发现混合模型（DCEHybrid）预测cTTO值的平均绝对偏差最低（0.056），而含时长属性的DCETTO偏差最大（0.423），为健康经济学评估提供了方法学优化依据。

　　

在健康经济学领域，如何将健康效用值准确锚定到以"完全健康=1，死亡=0"为标准的量表上，一直是困扰研究人员的核心难题。传统的时间权衡法（Time Trade-Off, TTO）和标准博弈法（Standard Gamble, SG）虽然能直接获得基数效用值，但存在认知负荷高、老年人和儿童适用性差等局限。随着离散选择实验（Discrete Choice Experiment, DCE）和排序法等序数方法的兴起，如何将这些方法得到的潜在变量转换为符合QALY（质量调整生命年）计算要求的效用值，成为制约健康经济评价有效性的关键瓶颈。

加拿大蒙特利尔大学公共卫生学院（School of Public Health, University of Montreal）的Thomas G. Poder和Hosein Ameri团队针对这一难题，首次在SF-6Dv2（Short-Form 6-Dimension version 2）量表框架下系统比较了五种锚定方法的性能。这项发表在《Social Science》的研究，通过魁北克省一般人群的两项调查（n=2084），采集了17,200个DCE_TTO、59,960个排序、8,500个cTTO和16,464个DCE观察值，采用条件logit模型、混合模型和广义最小二乘法等统计技术，揭示了不同锚定方法在预测cTTO参考值时的表现差异。

研究结果显示，结合cTTO和DCE数据的混合模型（DCE_Hybrid）展现出最优预测性能，其与观察cTTO值的平均绝对偏差（MAD）仅为0.056，显著优于单纯使用时长锚定的DCE_TTO方法（MAD=0.423）。值得注意的是，包含疼痛维度（PA）的六水平结构在所有方法中均表现出最强的判别力，而社会功能维度（SF）的影响最小。可视化分析进一步证实，对于较好健康状态，各方法预测值高度一致；但在严重健康状态时，DCE_TTO呈现系统性低估倾向，而排序法和DCE_Mapping则存在高估现象。

在讨论部分，作者指出混合模型的优势源于其整合了基数与序数数据的互补信息，而DCE_TTO的偏差可能反映受访者对隐含死亡状态的选择行为差异。该研究不仅为SF-6Dv2这一包含18,750种健康状态的复杂量表提供了方法学优化方案，更通过揭示PA维度的主导作用，为临床重点干预方向的确定提供了量化依据。研究建议未来在DCE_TTO设计中显性纳入死亡状态选项，以改善严重健康状态的估值准确性。

这项研究的重要意义在于，它首次在多维度健康量表中系统验证了不同锚定方法的性能边界，为各国开展符合本国文化特征的健康效用值测量提供了方法学范式。特别是对加拿大等实行全民医保的国家，精确的健康状态效用值将直接优化医疗资源配置决策，最终提升全民健康福利水平。