Markov models are similar to decisi

Markov models are similar to decision trees in that patients are modelled as being in defined health
states over time, but are different in that the clinical pathways for patients are only partially displayed
in the model diagram, and key information about how patients progress in the model are dictated
though the use of equations, formulas and tables which are largely hidden in the background. This
makes Markov models more manageable for complex and chronic diseases, but also makes them less
transparent to less experienced modellers. Markov models tend to be used more for chronic diseases
where the goal is to model disease progression or risk of events over longer periods of time [28]. The
model is constructed based on a finite number of mutually exclusive health or Markov states, over a
series of equal time periods referred to as Markov cycles. At the end of each cycle, patients may
transition from one state to another or remain in the same health state based on transition probabilities
which are estimated from trial data or from longer term observation study data. For each cycle, each
health state is associated with a cost and effect/outcome measure. To obtain overall expected costs and
outcomes for each treatment alternative, these costs and effects are multiplied by the estimated time
patients will spend in each state [25]. Even though it is generally accepted that Markov models arewell
suited for modelling diseases with on-going risks [28], they have limited ability to structure very
complex conditions [25]. This is due to the so called Markov assumption [25,28], which means that

ผลลัพธ์ (ไทย) 1:

รูปแบบ Markov จะคล้ายกับต้นไม้ตัดสินใจที่ผู้ป่วยจะคือ แบบจำลองเป็นกำหนดสุขภาพอเมริกาเหนือเวลา แต่จะแตกต่างกันเพียงบางส่วนแสดงมนต์ทางคลินิกในผู้ป่วยที่ในรูปแบบ ไดอะแกรม และข้อมูลสำคัญเกี่ยวกับวิธีการความคืบหน้าผู้ป่วยในรูปแบบที่บอกแม้ว่าการใช้สมการ สูตร และตารางซึ่งส่วนใหญ่จะซ่อนอยู่ในพื้นหลัง นี้ทำให้รูปแบบ Markov ง่ายกว่าสำหรับ โรคเรื้อรังซับซ้อน แต่ยัง ทำให้พวกเขาน้อยโปร่งใสจะมีประสบการณ์น้อย modellers รุ่น Markov มีแนวโน้มที่จะใช้มากสำหรับโรคเรื้อรังซึ่งเป้าหมายคือการจำลองโรคก้าวหน้าหรือความเสี่ยงของเหตุการณ์ผ่านนาน [28] ที่สร้างแบบจำลองตามจำนวนจำกัดสุขภาพนั่นหรือ Markov อเมริกา กว่าชุดของรอบระยะเวลาที่เท่ากันเรียกว่าการรอบ Markov ในตอนท้ายของแต่ละวงจร ผู้ป่วยอาจเปลี่ยนจากสถานะหนึ่งไปยังอีก หรืออยู่ในสถานะสุขภาพเดียวตามช่วงกิจกรรมซึ่งประเมินจากข้อมูลที่ทดลอง หรือศึกษาข้อมูลจากการสังเกตระยะยาว สำหรับแต่ละรอบ แต่ละสุขภาพจะเกี่ยวข้องกับการวัดต้นทุนและผลกระทบ/ผลลัพธ์ รับต้นทุนที่คาดไว้โดยรวม และผลลัพธ์สำหรับแต่ละทางเลือกการรักษา ต้นทุน และผลกระทบเหล่านี้ด้วยเวลาที่ประเมินผู้ป่วยจะใช้จ่ายในแต่ละรัฐ [25] ถึงแม้ว่ามันจะยอมรับโดยทั่วไปว่า Markov รุ่น arewellsuited for modelling diseases with on-going risks [28], they have limited ability to structure verycomplex conditions [25]. This is due to the so called Markov assumption [25,28], which means that

ผลลัพธ์ (ไทย) 2:

รุ่นมาร์คอฟมีความคล้ายคลึงกับการตัดสินใจของต้นไม้ในผู้ป่วยที่มีรูปแบบเป็นในสุขภาพที่กำหนดรัฐเมื่อเวลาผ่านไปแต่จะแตกต่างกันในการที่วิถีทางคลินิกสำหรับผู้ป่วยที่เป็นเพียงการแสดงบางส่วนในแผนภาพรูปแบบและข้อมูลที่สำคัญเกี่ยวกับวิธีการที่ผู้ป่วยมีความคืบหน้าในรูปแบบจะบอกว่าการใช้สมการสูตรและตารางที่ถูกซ่อนอยู่ส่วนใหญ่ในพื้นหลัง นี้จะทำให้รูปแบบมาร์คอฟจัดการได้มากขึ้นสำหรับโรคที่ซับซ้อนและเรื้อรังแต่ยังทำให้พวกเขาน้อยโปร่งใสมีประสบการณ์น้อยmodellers รุ่นมาร์คอฟมีแนวโน้มที่จะถูกนำมาใช้มากขึ้นสำหรับโรคเรื้อรังที่เป้าหมายคือการจำลองความก้าวหน้าของโรคหรือความเสี่ยงของเหตุการณ์ที่เกิดขึ้นในช่วงระยะเวลานาน [28] รูปแบบที่สร้างขึ้นอยู่กับจำนวน จำกัด ของสุขภาพพิเศษร่วมกันหรือรัฐมาร์คอฟกว่าชุดของช่วงเวลาที่เท่ากันเรียกว่ารอบมาร์คอฟ ในตอนท้ายของแต่ละรอบผู้ป่วยอาจเปลี่ยนจากรัฐหนึ่งไปยังอีกหรือยังคงอยู่ในสถานะสุขภาพเหมือนกันขึ้นอยู่กับการเปลี่ยนแปลงความน่าจะเป็นที่ได้รับการประเมินจากข้อมูลการทดลองหรือจากการศึกษาข้อมูลการสังเกตในระยะยาว สำหรับแต่ละรอบแต่ละรัฐสุขภาพมีความสัมพันธ์กับค่าใช้จ่ายและผล / ผลการวัด ที่จะได้รับค่าใช้จ่ายที่คาดว่าโดยรวมและผลการรักษาทางเลือกสำหรับแต่ละค่าใช้จ่ายเหล่าและผลกระทบที่จะคูณด้วยเวลาโดยประมาณผู้ป่วยที่จะใช้จ่ายในแต่ละรัฐ[25] แม้ว่าจะได้รับการยอมรับโดยทั่วไปว่ารูปแบบมาร์คอฟ arewell เหมาะสำหรับการสร้างแบบจำลองการเกิดโรคกับความเสี่ยงที่กำลัง [28] พวกเขาได้รับการ จำกัด ความสามารถในการจัดโครงสร้างมากเงื่อนไขที่ซับซ้อน[25] นี่คือสาเหตุที่สันนิษฐานมาร์คอฟที่เรียกว่า [25,28] ซึ่งหมายความว่า

ผลลัพธ์ (ไทย) 3:

มาร์คอฟโมเดลคล้ายกับต้นไม้ตัดสินใจในผู้ป่วยซึ่งเป็นนิยามสุขภาพ
รัฐตลอดเวลา แต่จะแตกต่างกันที่แนวทางทางคลินิกสำหรับผู้ป่วยจะแสดงในรูปแบบของแผนภาพ
เพียงบางส่วน และคีย์ข้อมูลเกี่ยวกับวิธีการที่ผู้ป่วย ความก้าวหน้าในรูปแบบ dictated
ถึงแม้ว่าการใช้สมการ สูตร และ ตาราง ซึ่งส่วนใหญ่จะอยู่ในพื้นหลังแบบจำลองมาร์คอฟนี้
ทำให้เพิ่มเติมจัดการโรคที่เรื้อรัง แต่ยังทำให้พวกเขาน้อย
โปร่งใส modellers ที่มีประสบการณ์น้อย มาร์คอฟโมเดล มีแนวโน้มจะใช้มากขึ้นสำหรับโรคเรื้อรัง
ซึ่งเป้าหมายคือ รูปแบบโรคก้าวหน้าหรือความเสี่ยงของเหตุการณ์มากกว่าระยะเวลานานของเวลา [ 28 ]
รูปแบบถูกสร้างตามจำนวนที่จำกัดของกันและกันสุขภาพพิเศษหรือแบบอเมริกากว่า
ชุดช่วงเวลาเท่ากันเรียกว่ารอบ มาร์คอฟ ในตอนท้ายของแต่ละรอบ ผู้ป่วยอาจ
เปลี่ยนจากสถานะหนึ่งไปยังอีกหรืออยู่ในสถานะสุขภาพเดียวกัน โดยการเปลี่ยนสถานะ ซึ่งจะประเมินจากข้อมูล
ทดลองหรือสังเกตจากการศึกษาในระยะยาวข้อมูล ในแต่ละรอบ แต่ละ
สุขภาพรัฐ เกี่ยวข้องกับต้นทุนและผล / ผลการวัดที่จะได้รับโดยรวมคาดว่าต้นทุนและ
ผลสำหรับแต่ละทางเลือกการรักษาต้นทุนเหล่านี้ และผลจะถูกคูณด้วยเวลาโดยประมาณ
ผู้ป่วยจะใช้เวลาในแต่ละรัฐ [ 25 ] แม้ว่าจะเป็นที่ยอมรับกันโดยทั่วไปว่าแบบจำลองมาร์คอฟ arewell
เหมาะสำหรับการสร้างแบบจำลองที่มีความเสี่ยงโรคต่อเนื่อง [ 28 ] , พวกเขามี จำกัด มากในโครงสร้างที่ซับซ้อนเงื่อนไข
[ 25 ]ซึ่งเรียกว่าแบบสมมติฐาน [ 25,28 ] ซึ่งหมายความว่า