WIELOKRYTERIALNE WSPOMAGANIE DECYZJI METODA UTA

Podobne dokumenty
WIELOKRYTERIALNE WSPOMAGANIE DECYZJI METODA UTA

WIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW

Wspomaganie Decyzji Biznesowych

Tychy, plan miasta: Skala 1: (Polish Edition)

Wojewodztwo Koszalinskie: Obiekty i walory krajoznawcze (Inwentaryzacja krajoznawcza Polski) (Polish Edition)

Patients price acceptance SELECTED FINDINGS

Evaluation of the main goal and specific objectives of the Human Capital Operational Programme

Karpacz, plan miasta 1:10 000: Panorama Karkonoszy, mapa szlakow turystycznych (Polish Edition)

HemoRec in Poland. Summary of bleeding episodes of haemophilia patients with inhibitor recorded in the years 2008 and /2010

Cracow University of Economics Poland. Overview. Sources of Real GDP per Capita Growth: Polish Regional-Macroeconomic Dimensions

Wojewodztwo Koszalinskie: Obiekty i walory krajoznawcze (Inwentaryzacja krajoznawcza Polski) (Polish Edition)

Zakopane, plan miasta: Skala ok. 1: = City map (Polish Edition)

KOMPUTEROWE WSPOMAGANIE PROCEDURY PREKWALIFIKACJI WYKONAWCÓW ROBÓT BUDOWLANYCH SOFTWARE SYSTEM FOR CONSTRUCTION CONTRACTOR PREQUALIFICATION PROCEDURE

Charakterystyka kliniczna chorych na raka jelita grubego

ERASMUS + : Trail of extinct and active volcanoes, earthquakes through Europe. SURVEY TO STUDENTS.

Ocena potrzeb pacjentów z zaburzeniami psychicznymi

Hard-Margin Support Vector Machines

Revenue Maximization. Sept. 25, 2018

Network Services for Spatial Data in European Geo-Portals and their Compliance with ISO and OGC Standards

Metodyki projektowania i modelowania systemów Cyganek & Kasperek & Rajda 2013 Katedra Elektroniki AGH

Akademia Morska w Szczecinie. Wydział Mechaniczny

Katowice, plan miasta: Skala 1: = City map = Stadtplan (Polish Edition)

Evidence based medicine

Erasmus+ praktyki 2014/2015 spotkanie organizacyjne , Wrocław

Przestrzeganie zaleceń lekarskich czy istnieją różnice między pacjentami praktyk lekarzy rodzinnych w mieście i na wsi?

Wspomaganie decyzji. UTA - Funkcja uż yteczności

Stargard Szczecinski i okolice (Polish Edition)

Instrukcja konfiguracji usługi Wirtualnej Sieci Prywatnej w systemie Mac OSX

Machine Learning for Data Science (CS4786) Lecture 11. Spectral Embedding + Clustering

MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH

SSW1.1, HFW Fry #20, Zeno #25 Benchmark: Qtr.1. Fry #65, Zeno #67. like

MaPlan Sp. z O.O. Click here if your download doesn"t start automatically

Cracow University of Economics Poland

Helena Boguta, klasa 8W, rok szkolny 2018/2019

Zarządzanie sieciami telekomunikacyjnymi


II wariant dwie skale ocen II alternative two grading scales

Clinical Trials. Anna Dziąg, MD, ąg,, Associate Director Site Start Up Quintiles

Analysis of Movie Profitability STAT 469 IN CLASS ANALYSIS #2

Raport bieżący: 44/2018 Data: g. 21:03 Skrócona nazwa emitenta: SERINUS ENERGY plc

Please fill in the questionnaire below. Each person who was involved in (parts of) the project can respond.

Working Tax Credit Child Tax Credit Jobseeker s Allowance

Effective Governance of Education at the Local Level

EGARA Adam Małyszko FORS. POLAND - KRAKÓW r

Miedzy legenda a historia: Szlakiem piastowskim z Poznania do Gniezna (Biblioteka Kroniki Wielkopolski) (Polish Edition)

What our clients think about us? A summary od survey results

POLISH ELEVATOR MARKET ONE YEAR AFTER JOINING EU

Klaps za karę. Wyniki badania dotyczącego postaw i stosowania kar fizycznych. Joanna Włodarczyk

Krytyczne czynniki sukcesu w zarządzaniu projektami

POLITYKA PRYWATNOŚCI / PRIVACY POLICY

Opis Przedmiotu Zamówienia oraz kryteria oceny ofert. Części nr 10

y = The Chain Rule Show all work. No calculator unless otherwise stated. If asked to Explain your answer, write in complete sentences.

The impact of the global gravity field models on the orbit determination of LAGEOS satellites

Rozprawa na stopień naukowy doktora nauk medycznych w zakresie medycyny

GDAŃSKI UNIWERSYTET MEDYCZNY

Wojewodztwo Koszalinskie: Obiekty i walory krajoznawcze (Inwentaryzacja krajoznawcza Polski) (Polish Edition)

Wielokryterialne wspomaganie

Nazwa projektu: Kreatywni i innowacyjni uczniowie konkurencyjni na rynku pracy

Blow-Up: Photographs in the Time of Tumult; Black and White Photography Festival Zakopane Warszawa 2002 / Powiekszenie: Fotografie w czasach zgielku

Długi czas diagnostyki zmniejsza szanse na przeżycie chorych (TK - złe opisy, EUS - trudno dostępny, H-P długi okres oczekiwania)

KORELACJA 1. Wykres rozrzutu ocena związku między zmiennymi X i Y. 2. Współczynnik korelacji Pearsona

Erasmus+ praktyki 2016/2017 spotkanie organizacyjne , Wrocław


Miedzy legenda a historia: Szlakiem piastowskim z Poznania do Gniezna (Biblioteka Kroniki Wielkopolski) (Polish Edition)

Wykaz linii kolejowych, które są wyposażone w urządzenia systemu ETCS

Domy inaczej pomyślane A different type of housing CEZARY SANKOWSKI

Wsparcie dyplomacji ekonomicznej dla strategii surowcowej

Analiza wielokryterialna

Rozpoznawanie twarzy metodą PCA Michał Bereta 1. Testowanie statystycznej istotności różnic między jakością klasyfikatorów

SWPS Uniwersytet Humanistycznospołeczny. Wydział Zamiejscowy we Wrocławiu. Karolina Horodyska

EGZAMIN MATURALNY Z JĘZYKA ANGIELSKIEGO

Few-fermion thermometry

INSPECTION METHODS FOR QUALITY CONTROL OF FIBRE METAL LAMINATES IN AEROSPACE COMPONENTS

Wykaz linii kolejowych, które są wyposażone w urzadzenia systemu ETCS


Sustainable mobility: strategic challenge for Polish cities on the example of city of Gdynia

LEARNING AGREEMENT FOR STUDIES

Sposoby i formy oceny kompetencji klinicznych

1. Ile czasu dziennie spędzasz z rodzicami?

ARNOLD. EDUKACJA KULTURYSTY (POLSKA WERSJA JEZYKOWA) BY DOUGLAS KENT HALL

DOI: / /32/37

IBM Skills Academy SZKOLENIA I CERTYFIKATY

Leki biologiczne i czujność farmakologiczna - punkt widzenia klinicysty. Katarzyna Pogoda

Has the heat wave frequency or intensity changed in Poland since 1950?

Unit of Social Gerontology, Institute of Labour and Social Studies ageing and its consequences for society

Umowa Licencyjna Użytkownika Końcowego End-user licence agreement

WIELOKRYTERIALNE WSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LAB I WPROWADZENIE DO WIELOKRYTERIALNEGO WSPOMAGANIA DECYZJI

Zasady rejestracji i instrukcja zarządzania kontem użytkownika portalu

Inteligentne systemy wspomagania decyzji oparte na wiedzy odkrytej z danych. Roman Słowiński

FORMULARZ NIEPOŻĄDANEGO DZIAŁANIA LEKU DLA PACJENTÓW

Egzamin maturalny z języka angielskiego na poziomie dwujęzycznym Rozmowa wstępna (wyłącznie dla egzaminującego)

Realizacja systemów wbudowanych (embeded systems) w strukturach PSoC (Programmable System on Chip)

Ankiety Nowe funkcje! Pomoc Twoje konto Wyloguj. BIODIVERSITY OF RIVERS: Survey to students

Change Notice/ Zmienić zawiadomienie BLS Instructor Manual / Podstawowe czynności resuscytacyjne Podrecznik Instruktora

MODELOWANIE PREFERENCJI UŻYTKOWNIKA W SYSTEMIE WSPOMAGANIA DECYZJI

Organisation and organisational structures. dr hab. prof. AWF Jolanta Żyśko Akademia Wychowania Fizycznego w Warszawie

European Crime Prevention Award (ECPA) Annex I - new version 2014

XIII International PhD Workshop OWD 2011, October 2011 METODA REEINGINEERINGU ORGANIZACJI Z WYKORZYSTANIEM SYMULATORA PROCESÓW BIZNESOWYCH

Planning and Cabling Networks

Updated Action Plan received from the competent authority on 4 May 2017

Transkrypt:

WIELOKRYTERIALNE WSPOMAGANIE DECYZJI METODA UTA Informatyka w Medycynie, 2017-2018 Wykorzystane materiały: prof. R. Słowiński, dr hab. M. Kadziński, dr. hab. R. Susmaga

WPROWADZENIE

Definicja problemu decyzyjnego Mamy cel, który chcemy osiągnąć Istnieje wiele możliwych sposobów osiągnięcia tego celu tworzą one zbiór akcji A (zbiór rozwiązań, wariantów, ) Decydent chciałby uzyskać odpowiedź na jedno z pytań dotyczących zbioru A P α : Jak wybrać najlepszą akcję? albo: klasyfikować P β : Jak przyporządkować akcje do zdefiniowanych wcześniej klas? P γ : Jak uporządkować akcje od najlepszej do najgorszej? 3 podstawowe problematyki rozważane w podejmowaniu i wspomaganiu decyzji

Problematyka wyboru (P α ) Podzbiór wybranych najlepszych akcji A A Podzbiór odrzuconych akcji A \ A

Problematyka klasyfikacji (P β ) A... Klasa 1 Klasa 2 Klasa p Klasa 1 Klasa 2... Klasa p Bardziej preferowana

Problematyka porządkowania (Pγ) A * * * * * * * * * * * * Częściowy lub zupełny (pre)porządek (ranking) akcji z A Porządek częściowy dopuszcza akcje nieporównywalne Porządek zupełny wszystkie akcje są porównywalne Preporządek porządek, w którym kilka akcji jest na tym samym miejscu

MODELOWANIE PREFERENCJI

Kryterium Kryterium to funkcja rzeczywista g i zdefiniowana na zbiorze A, która odzwierciedla wartość każdej akcji z pewnego punktu widzenia. Do porównania dwóch dowolnych akcji a, b A z tego punktu widzenia powinno wystarczyć porównanie dwóch wartości liczbowych g i (a) i g i (b). Możliwe skale kryterium porządkowa liczy się porządek wartości, nie można porównywać różnic ocen (np. oceny szkolne) interwałowa brak zera absolutnego, można porównywać różnice (np. skala Celsiusza) ilorazowa istnieje zero absolutne, można porównywać różnice oraz stosunek ocen (np. waga)

Rodzina kryteriów W praktyce akcje charakteryzowane są za pomocą wielu kryteriów wielokryterialne wspomaganie decyzji Rodzina (zbiór) kryteriów G = {g 1,, g n } jest spójna jeśli jest kompletna jeśli dwie akcje a i b mają takie same oceny na wszystkich kryteriach, to a i b są nierozróżnialne monotoniczna jeśli akcja a jest preferowana nad b oraz akcja c jest co najmniej tak samo dobra jak a, to c jest również preferowane nad b nienadmiarowa jeśli usunięcie dowolnego kryterium z G spowodowałoby naruszenie dwóch wcześniejszych właściwości

Modelowanie preferencji Akcja Time Cost a 3 1 akcja niezdominowana akcja zdominowana b 1 2 c 2 3 Akcja c jest najgorsza. Ale która z akcji a i b jest lepsza?

Modelowanie preferencji Informacja o dominacji jest zbyt uboga nie pozwala na podjęcie ostatecznej decyzji Informację tę można wzbogacić informacją preferencyjną pozyskaną od decydenta Wartości na poszczególnych kryteriach Informacja preferencyjna pozwala na budowę modelu preferencji, który agreguje oceny akcji ze zbioru A Model preferencji zastosowany do akcji ze zbioru A pozwala na otrzymanie ostatecznej decyzji w sensie wyboru, klasyfikacji czy porządkowania

Modele preferencji 1. Funkcje, np. addytywna funkcja użyteczności U a = n i=1 u i (g i a ) 2. Systemy relacyjne, np. relacja przewyższania asb a jest co najmniej tak dobre jak b 3. Zbiory reguł if i (a,b) s i & j (a,b) s j &... h (a,b) s h, then asb Model funkcyjny jest najbardziej intuicyjny Model regułowy jest najbardziej ogólnym modelem preferencji

Addytywna funkcja użyteczności U a = n i=1 u i (g i a ) Ocena/wartość akcji a na i-tym kryterium Globalna (całkowita) wartość akcji a Cząstkowa funkcja użyteczności na i-tym kryterium Akcja a jest preferowana nad akcję b (apb) U a > U(b) Akcje a i b są nierozróżnialne (aib) U a = U(b)

METODA UTA

Charakterystyka metody UTA Model preferencji: addytywna funkcja użyteczności Rozwiązuje problematykę P γ Pośrednio realizuje problematyki P α i P β Działa w trybie interaktywnym (decydent może modyfikować otrzymany model preferencji) Wymagane dane wejściowe Zbiór akcji A (tabela informacyjna) Zbiór referencyjny A R Ranking na zbiorze A R Aparat matematyczny: programowanie matematyczne

Schemat działania metody Spójna rodzina kryteriów: (1) kompletna, (2) monotoniczna i (3) nienadmiarowa Zbiór akcji A Wybór zbioru akcji referencyjnych A R Uporządkowanie akcji referencyjnych ranking (akcje mogą być e-aequo) Zbiór cząstkowych funkcji użyteczności zgodnych z podanym rankingiem (rozwiązanie problemu regresji porządkowej PM) Zmiana zbioru A R, modyfikacja rankingu, zwiększenie rozdzielczości cząstkowych funkcjach użyteczności Tak Zbiór pusty? Nie Konstrukcja globalnej funkcji użyteczności U Uporządkowanie wszystkich akcji w zbiorze A za pomocą funkcji U

Funkcje użyteczności Cząstkowe funkcje użyteczności muszą być monotoniczne (niemalejące lub nierosnące) Cząstkowe funkcje użyteczności mogą być odcinkami liniowe Liczba odcinków to parametr wejściowy dla metody UTA Im więcej odcinków, tym lepsze dopasowanie funkcji do danych u i (g i (a)) 0.5 0.4 0.3 0.2 0.1 0 10 20 30 40 50 g i (a) u i (g i (a)) 0.5 0.4 0.3 0.2 0.1 0 10 20 30 40 50 g i (a) u i (g i (a)) 0.5 0.4 0.3 0.2 0.1 0 10 20 30 40 50 g i (a)

Funkcje użyteczności Wartości cząstkowej użyteczności dla najgorszej wartości na każdym kryterium musi wynosić 0 Suma wartości cząstkowych dla najlepszych wartości na wszystkich kryteriach musi wynosić 1 u cena 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 35 40 45 50 55 cena (tys. zł) u moc 0.5 0.4 0.3 0.2 0.1 0 60 70 80 90 100 moc (KM) U(ideal) = 1.0 U(nadir) = U(antyideal) = 0.0

Aparat matematyczny Programowanie matematyczne (programowanie liniowe) przy ograniczeniach min F = a A R (σ + a + σ a ) U a σ + a + σ a U b σ + b + σ b 0 U a σ + a + σ a U b σ + b + σ b = 0 u i g i j u i g i j+1 n i=1 u i g i j u i (β i ) = 1 0 apb aib i = 1... n, j = 1 γ i 1 u i α i = 0 i = 1 n 0, σ + a 0, σ + a 0 a A R, i, j Jeśli optymalne F (F * ) jest równe 0, to istnieje co najmniej jedna funkcja użyteczności zgodna z rankingiem zadanym na zbiorze A R (tzn. odtwarzająca ranking referencyjny)

Współczynnik Kendalla Określa zgodność uzyskanej funkcji użyteczności z preferencjami decydenta Wyznaczany przez porównanie dwóch rankingów na zbiorze A R decydenta i wynikającego z funkcji użyteczności Wartości z przedziału [-1, 1] = 1 pełna zgodność rankingów (F * = 0) = -1 pełna niezgodność rankingów (tzn. rankingi są przeciwstawne) W praktyce funkcje użyteczności akceptuje się, gdy 0.75

Wyznaczanie współczynnika Kendalla Dane wejściowe kwadratowe macierze R i R * o rozmiarze m ( m = liczba wariantów referencyjnych) macierz R opisuje porządek referencyjny podany przez decydenta macierz R * opisuje porządek zdefiniowany przez funkcję użyteczności wyznaczoną automatycznie ( programowanie matematyczne) poszczególne elementy macierzy R i R * przyjmują następujące wartości r i,j (= r i,j ) = 0.0 i = j lub a j Pa i 0.5 a i Ia j 1.0 a i Pa j

Wyznaczanie współczynnika Kendalla Odległość Kendalla między macierzami R i R * wyznaczona jako d K (R, R ) = 0.5 m m i=1 j=1 r i,j r i,j Współczynnik Kendalla wyznaczony jako τ = 1 4 d K(R, R ) m(m 1)

Wyznaczanie przykład 1 Ranking referencyjny Ranking automatyczny a 1 a 1 a 2 a 2 d K R, R = 0.0 a 3 a 4 a 3 a 4 τ = 1 4 0 4 3 = 1.0 Macierz R r i,j 1 2 3 4 1 0 1 1 1 2 0 0 1 1 3 0 0 0 1 4 0 0 0 0 Macierz R* r * i,j 1 2 3 4 1 0 1 1 1 2 0 0 1 1 3 0 0 0 1 4 0 0 0 0

Wyznaczanie przykład 2 Ranking referencyjny Ranking automatyczny a 1 a 4 a 2 a 3 d K R, R = 0.5 12 = 6.0 a 3 a 4 a 1 a 2 τ = 1 4 6 4 3 = 1 2 = 1.0 Macierz R r i,j 1 2 3 4 1 0 1 1 1 2 0 0 1 1 3 0 0 0 1 4 0 0 0 0 Macierz R* r * i,j 1 2 3 4 1 0 0 0 0 2 1 0 0 0 3 1 1 0 0 4 1 1 1 0

Wyznaczanie przykład 3 Ranking referencyjny Ranking automatyczny a 1 a 1 a 2 a 3 d K R, R = 0.5 2 = 1.0 a 3 a 4 a 2 a 4 τ = 1 4 1 4 3 = 1 1 3 = 2 3 = 0.67 Macierz R r i,j 1 2 3 4 1 0 1 1 1 2 0 0 1 1 3 0 0 0 1 4 0 0 0 0 Macierz R* r * i,j 1 2 3 4 1 0 1 1 1 2 0 0 0 1 3 0 1 0 1 4 0 0 0 0

PRZYKŁAD TRANSPORTOWY

Opis problemu Ranking dostępnych środków transport publicznego 6 wariantów opisanych za pomocą 3 kryteriów Price Time Comfort RER 3 10 1 METRO1 4 20 2 METRO2 2 20 0 BUS 6 40 0 koszt im mniej, tym lepiej zysk im więcej, tym lepiej TAXI 30 30 3 SNCF 3 20 2

Decydent A Decydent zorientowany kosztowo Zbiór referencyjny A R i ranking zbudowany na tym zbiorze

Decydent B Decydent zorientowany czasowo Zbiór referencyjny A R i ranking zbudowany na tym zbiorze

Decydent B Interakcja z decydentem modyfikacja cząstkowych użyteczności

PRZYKŁAD MEDYCZNY

Therapy Adherence Adherence: success in following therapeutic advices and recommendations from a healthcare provider Adherence is a major determinant of therapeutic success ( better to improve adherence than the therapy itself) Non-adherence leads to worsening condition and increased healthcare costs (US 100-300 billion USD annually) In developed countries adherence to long-term therapies in the general population is around 50% [WHO, 2003]

P4 Medicine A new emerging paradigm of medicine [Hood and Flores, 2012] 1. Predictive prediction of possible (future) diseases ( genome sequencing) 2. Preventive focus on wellness and avoiding possible diseases 3. Personalized customization of therapy to specific patient characteristics 4. Participatory inclusion of patients as active participants/decision makers in healthcare process Patient-centered care/medicine: to improve health outcomes of individual patients in everyday clinical practice, taking into account the patient s objectives, preferences, values as well as the available economic resources [Sacristán, 2013]

Patient Preferences A new and important component of EBM EBM = Evidence + Eperience + Preferences evidence is never enough to make treatment recommendations [Murad et al., 2008] Especially relevant when evidence is associated with a high level of uncertainty ( grey zone or preference-sensitive decisions) [van der Weijden et al., 2013] May improve the effectiveness of therapies in particular patients are more likely to adhere to preferred therapies

Research Question Clinical practice guidelines (CPGs) usually recommend multiple therapies to choose from (for simplicity: 1 therapy = 1 treatment) Question: How to evaluate recommended therapies to select a therapy most aligned with a patient s adherence and preferences? Answer: an evaluation framework that employs adherence levels with associated personas and models, and patient preference models

Therapy Evaluation Framework Good, Moderate, Poor 3 Adherence persona (persona-related criteria) Adherence level 1:1 1:1 2 Adherence model (therapy-related criteria) 4 1 Therapies recommended by CPG 5 1:n 4 Preference model (patient-related criteria) Ranking of therapies Patient

Persona- and Therapy-related Criteria Selection based on a systematic review [Jin et al. 2008] Problem-independent applicable to various diseases Persona-related criteria Age Smoking or alcohol intake Cognitive function History of adherence Therapy-related criteria Route of administration Treatment compleity Medication side effects Degree of behavioral change required

Adherence and Preference Models Both models derived using GRIP (ordinal regression) UTA Input pairwise comparisons of selected therapies Output additive value function, similar to scores and scales usually used in clinical decision making Other preference models, including rule-based ones ( dominance-based rough sets)

Atrial Fibrillation (AFib) AFib is one of the most prevalent types of cardiac arrhythmias, it accounts for about 30% of hospitalizations for arrhythmias We focus on non-valvular AFib a number of new therapies proposed by recent CPGs Common oral anti-coagulants (OACs) drug-drug and drug-food interactions, need for routine coagulation control New OACs (NOACs) or direct acting OACS (DOACs) faster, fewer interactions, with a fied dosage, no need for laboratory control lack of antidote, shorter half-lives, more epensive OACs are poorly adhered to (in 50% of patients), OACs and NOACs are under-prescribed opportunity for support!

Patient Case Jack Burns is a 71 year retired merchant seaman a diagnosis of non-valvular AF. He is an erratic visitor to the clinic, often failing to show up to his appointments. He is a diagnosed type 2 diabetic, being treated with metformin and siptagliptin. When questioned regarding his medication, he is vague in his answers regarding when and how often he manages his medications. During his visits, his wife has epressed concern regarding his memory. Recent MMSE scores for Jack were at 17 indicating moderate cognitive impairment. He freely admits to spending most of this time in the pub with his friends. Persona-related criterion Value Age 71 Cognitive function Mod-sev impaired History of compliance Poor Tobacco or alcohol intake Heavy

Selection of Adherence Persona and Level Adherence levels Good Moderate Poor Adherence personas Patient-related criterion Persona 1 Persona 2 Persona 3 Age > 55 40-55 < 40 Cognitive function Normal Mildly impaired Mod-sev impaired History of compliance Good None or moderate Poor Tobacco or alcohol intake None Moderate Heavy distance = 3.0 distance = 2.2 distance = 1.7 Persona-related criterion Value Age 71 Cognitive function Mod-sev impaired History of compliance Poor Tobacco or alcohol intake Heavy

Adherence Model for Selected Level Adherence model Poor Adherence level Route of administration Treatment compleity Medication side effects Degree of behavioral change required Value Marginal score Value Marginal score Value Marginal score Value Marginal score Convenient 0.22 Low 0.26 Low 0.26 Low 0.26 Somewhat inconvenient 0.10 Medium 0.13 Medium 0.10 Medium 0.06 Inconvenient 0.00 High 0.00 High 0.00 High 0.00

Patient Preference Model Value Reversal agent for bleeding Marginal score Available 1.00 None 0.00 Value Cost Marginal score Inepensive 0.00 Epensive 0.00 All costs covered by the National Health Service

Possible AFib Therapies VKA = vitamin K antagonists (warfarin) DAB = dabigatran RIV = rivaroaban APIX = apiaban Therapy-related criteria VKA DAB RIV APIX Route of administration Treatment compleity Medication side effects Degree of behavioral change required Pill Injection Once daily INR monitoring 1-2 per week Medication interactions Food an drink interactions Bleeding (more) Pill Pill Pill Twice daily No INR monitoring Bleeding (less) Nausea Vomiting Dyspepsia (more) Once daily No INR monitoring Bleeding (less) Nausea Vomiting Dyspepsia (less) Twice daily No INR monitoring Bleeding (less) Nausea Vomiting Dyspepsia (less) High Low Low Low VKA DAB RIV APIX Patient-related criteria Route VKA of administration Convenient DAB Convenient RIV Convenient APIX Convenient Reversal agent for bleeding Treatment Available compleity Available High Medium None LowNone Medium Cost [GBP] Medication side effects 10-50 Medium 600 Low 600 Low 640 Low (ecl. monitoring costs) Degree of behavioral High Low Low Low change required Reversal agent for bleeding Available Available None None Cost Inepensive Epensive Epensive Epensive

Evaluation of AFib Therapies Selected adherence model (associated with poor level) Patient preference model Route of administration Treatment compleity Medication side effects Degree of behavioral change required VKA DAB RIV APIX Convenient 0.22 High 0.00 Medium 0.10 High 0.00 Convenient 0.22 Medium 0.13 Low 0.26 Low 0.26 Convenient 0.22 Low 0.26 Low 0.26 Low 0.26 Convenient 0.22 Medium 0.13 Low 0.26 Low 0.26 Score for therapy-related criteria 0.32 0.87 1.00 0.87 Reversal agent for bleeding Cost Available 1.00 Inepensive 0.00 Available 1.00 Epensive 0.00 None 0.00 Epensive 0.00 None 0.00 Epensive 0.00 Score for patient-related criteria 1.00 1.00 0.00 0.00

Selection of the Best AFib Therapy VKA DAB RIV APIX Score for therapy-related criteria 0.32 0.87 1.00 0.87 Score for preferencerelated criteria 1.00 1.00 0.00 0.00 Score for therapy-related criteria Score for preference-related criteria APIX RIV DAB VKA 0.0 0.2 0.4 0.6 0.8 1.0 Leicographical ordering of therapies according to obtained both scores RIV DAB, APIX VKA RIV DAB APIX VKA Obtained ranking used as basis for discussion between physician and patient

PODSUMOWANIE

Podsumowanie 1. Podstawowe problematyki wspomagania decyzji wybór, klasyfikacja i porządkowanie 2. Informacja o dominacji zbyt uboga 3. Modele preferencji funkcje, relacje, zbiory reguł 4. Metoda UTA (+ pochodne) interakcyjne budowanie addytywnej funkcji użyteczności 5. Możliwość uwzględnienia preferencji (lekarza, pacjenta!) w procesie podejmowania decyzji