Betalning baserad på surrogatmått kan innebära större riskreduktion

9.3.1 Surrogatmått kan vara användbara om de ger tidig information om ett framtida utfall

Den situation som beskrivs i Figur 14 fungerar som utgångspunkt för följande resonemang. Vi gör antagandet att det endast är för vissa patienter som effekten försvinner efter tio år. Vi antar även att det finns ett surrogatmått – en indikator – som kan avläsas under uppföljningstiden och som ger en prediktion på hur lång-varig effekt som kan förväntas för just den patienten. Ett exempel på ett surrogat-mått vid en cancersjukdom skulle kunna vara om sjukdomen har fortskridit (pro-gredierat) eller om behandlingen gett djup respons. En betalningsmodell där den största delen av betalningen sker mot slutet av uppföljningstiden och bara för de patienter där surrogatmåttet visar på långvarig effekt, kan då ge en väsentlig riskminskning.

Surrogatmått förekommer i såväl klinisk praxis som i kliniska prövningar. Ett surrogatmått kan vara ett labbsvar, till exempel kolesterol, som är en prediktor för sannolikheten för en framtida hjärt-kärlhändelse. Det kan också, som nämndes ovan, vara progression av cancersjukdom som indikator för överlevnad. Ofta används surrogatmått i en tidigare fas av det kliniska utvecklingsprogrammet (fas 2), men för att få regulatoriskt godkännande krävs verifiering med ett ”hårt” utfalls-mått, eftersom det finns osäkerhet i hur surrogatmåttet är relaterat till den förvän-tade hälsovinsten. Ett exempel på ett hårt utfallsmått är överlevnad. Verifiering av utfallsmått görs vanligen i fas 3 av prövningen. Eftersom det tar längre tid för ett hårt utfallsmått som överlevnad att realiseras behöver dessa studier längre uppföljningstid än en studie med ett surrogatmått.

Att det tar kortare tid att läsa ut surrogatmåttet är dock just den egenskap som är användbar för en utfallsbaserad betalningsmodell med begränsad uppföljningstid.

9.3.2 En förutsättning är att det finns kunskap om hur surrogatmåttet förhåller sig till utfallsmåttet

Om surrogatmåttet ska användas i en betalningsmodell är det viktigt att vara rimligt säker på hur måttet är relaterat till det som är väsentligt för patientens hälsovinst, det vill säga det hårda utfallsmåttet. Figur 17 illustrerar sambandet mellan olika typer av utfallsmått i två olika situationer. I scenario A är surrogatmåttet direkt kausalt associerat till det hårda utfallsmåttet på individnivå medan det i scenario B bara finns en korrelation mellan surrogatmåttet och det hårda utfallet på

gruppnivå.

Vi bedömer att det är surrogatmått som är kausalt kopplade på individnivå till det hårda utfallet som ofta kommer att vara det bästa alternativet för att villkora betalning, det vill säga som i scenario A. Varför? Det är visserligen sant att om man har scenario B, och känner till hur korrelationen mellan surrogatmått och hårt utfall ser ut, blir betalningen rätt i genomsnitt – vilket är det viktiga. En betydande

utmaning är dock att det ofta just kommer att saknas stark evidens för hur

sambandet mellan surrogatmåttet och långsiktig hälsovinst (det hårda utfallet) ser ut. Förutsättningen att det finns kunskap om surrogatmått som är kausalt kopplade till det hårda utfallet på individnivå, scenario A, bedömer TLV är större.

Figur 17. Schematisk bild över korrelation mellan olika utfallsmått

Exempel: användning av surrogatmått som prediktor för ett framtida utfall I avsnittet 8.6.2 redogjorde vi för förutsättningarna för uppföljning – både vad gäller tillgång till data och analys av dessa. Där redogjorde vi bland annat för fördelarna med sekundärdata tillgängliga i befintliga hälsodataregister vid val av utfallsmått i en betalningsmodell.

Vid behandling med ett kolesterolsänkande läkemedel är labbvärdet LDL-kolesterol ett surrogatmått som kan avläsas snabbt, som nämndes tidigare. Om

LDL-kolesterol ska användas som utfall i en betalningsmodell är en förutsättning, förutom att företag och betalare måste vara överens om hur LDL är korrelerat till det hårda utfallsmåttet, att data om labbvärden för LDL finns tillgängliga för uppföljning. Idag finns inget nationellt hälsodataregister som samlar in labbvärden för detta mått. I TLV:s kommande redovisning av regeringsuppdrag¹⁸ diskuteras detta fördjupat. Denna typ av provsvar kan dessutom vara behäftade både med osäkerhet och bortfall. Vad händer om en av parterna ifrågasätter ett provsvar – ska

18Utvecklad uppföljning med hjälp av data från exempelvis nationella tjänsteplattformen dnr 1694/2020

en ny mätning då göras? I så fall, är det ett medelvärde av dessa två mätningar som ska användas? Vad händer om olika regioner använder olika mätmetoder för labbsvaret? Om ett avtal är konstruerat på ett sätt som gör att betalaren betalar fram till det att en förspecificerad förändring av labbvärdet sker – hur ska en situation där patienten inte kommer på en provtagning hanteras? Denna typ av utmaningar går att lösa men måste specificeras noga i ett avtal.

I stället för att använda ett labbvärde som surrogatmått kan en annan diagnos, som förmodas vara kopplad till det hårda utfallsmåttet, användas. En sådan diagnos kan definieras enligt ICD-10-koder, och information om denna kan vara tillgänglig i Socialstyrelsens patientregister. I exemplet med kolesterolsänkare kan det till ex-empel röra sig om att en hjärt-kärlhändelse har inträffat. För att illustrera detta med ett exempel används data från patientregistret för patienter som påbörjat be-handling med ett läkemedel av typen PCSK9-hämmare (Figur 18). Bilden visar att cirka 50 procent av populationen har fått en hjärt-kärlhändelse inom fyra år, medan nästan alla är vid liv. En betalningsmodell baserad på om patienten lever skulle innebära full betalning för nästan alla patienter men bara för hälften av patienterna om utfallet var hjärt-kärlhändelse.

Figur 18. Sannolikhet för överlevnad eller för att inte få hjärt-kärlhändelse mot tid efter behandling med PCSK9-hämmare. Data från Socialstyrelsen.

9.4 Utfallsbaserade betalningsmodeller – vad är