那條「3 萬英鎊」的線，到底是誰畫的？

那條「3 萬英鎊」的線，到底是誰畫的？

讀過入門篇之後，你已經知道增量成本效益比（Incremental Cost-Effectiveness Ratio, ICER）會拿來跟一條「門檻（threshold）」比較：英國國家健康與照護卓越研究院（NICE）約用每品質調整生命年（Quality-Adjusted Life Year, QALY）2 萬至 3 萬英鎊，世界衛生組織（WHO）早年曾建議用「每人 GDP 的 1 至 3 倍」。當時我們把這條線當成既定事實照單全收。

但一個進階的學生應該追問下去：這條線本身，到底是怎麼來的？ 它代表「社會願意為一個 QALY 付多少錢」，還是代表「為了給付這個新藥，健保體系被迫放棄的健康有多少」？這兩個問題聽起來很像，答案卻天差地遠——而且近十年衛生經濟學最重要的一場辯論，正是繞著這個分野展開。

更尖銳的問題是：當決策團隊算出某個新藥的 ICER 是「每 QALY 2.8 萬英鎊」時，這個數字其實帶著巨大的不確定性，真實值可能落在 1.5 萬到 5 萬之間。那麼「低於 3 萬就給付」這句話，到底有多少把握？本篇就要把入門篇略過的兩個硬核主題講透：門檻的真正意義（機會成本 vs. 支付意願），以及如何在不確定性下做決策（淨效益、成本效益平面與資訊價值）。

需求面 vs. 供給面：門檻的兩種身世

入門篇把門檻當成「社會願意為一個 QALY 付多少錢」的支付意願（Willingness-to-Pay, WTP）。這是需求面（demand-side）的詮釋：透過問卷調查、薪資與風險的權衡（hedonic wage studies），估計人們對健康的內在估值。WHO 早年的「GDP 倍數法」骨子裡就是這種思路——一個社會越富有，理應越願意為健康付錢。

但這套邏輯在「固定預算」的健保體系裡有個致命漏洞。台灣健保、英國國民保健署（NHS）的年度總額大致是給定的。當主管機關決定給付一款 ICER 為 8 萬英鎊的新藥，錢並不會從天上掉下來——它必然來自體系內某處的排擠（displacement）：也許是少做了幾台白內障手術，也許是縮減了某項復健服務。被排擠掉的那些服務，本來能產生健康；它們被犧牲的健康，就是這筆支出真正的機會成本。

這引出供給面（supply-side）門檻，又稱健康機會成本門檻（health opportunity cost threshold）。它問的不是「社會想付多少」，而是：在現有預算下，體系內被排擠掉的服務，每花一筆錢原本能換到多少健康？ 換句話說，新藥要值得納入，它每 QALY 的花費，必須低於它所排擠掉的那些邊際服務的每 QALY 花費。

Claxton 等人 2015 年發表於《Health Technology Assessment》的研究是這場辯論的轉捩點。他們用英格蘭 NHS 的支出與死亡率資料，估計出邊際的健康機會成本約為每 QALY 1.3 萬英鎊——遠低於 NICE 當時沿用的 2 萬至 3 萬。其政策意涵相當震撼：NICE 的門檻可能訂得太高了。 每當體系花 3 萬英鎊給付一個新 QALY，它在別處排擠掉的，可能是價值超過兩個 QALY 的既有服務——結果是給付越多新科技，全民健康總量反而下降。

看一個例子：兩條線給出相反的建議

假設某新藥的 ICER 經嚴謹分析後估為每 QALY 1.8 萬英鎊，目標族群一年約 1 萬人受惠，每人平均增加 0.5 個 QALY，故總計增加 5,000 個 QALY，總成本為 $1.8 \text{萬} \times 5{,}000 = 9{,}000$ 萬英鎊。

• 用需求面門檻（3 萬／QALY）判斷：1.8 萬 < 3 萬，通過，建議給付。看起來皆大歡喜。
• 用供給面門檻（1.3 萬／QALY）判斷：1.8 萬 > 1.3 萬，不通過。

第二種視角告訴我們：這 9,000 萬英鎊若留在體系內的邊際服務，能換到 $9{,}000 \text{萬} \div 1.3 \text{萬} \approx 6{,}923$ 個 QALY；現在拿去買新藥只換到 5,000 個 QALY。淨效果是全民健康減少了約 1,923 個 QALY。 同一個 ICER，同一筆錢，用哪條線當基準，結論完全相反——而且供給面那條線提醒我們，看不見的受害者（被排擠服務的病人）真實存在，只是他們沒有名字、沒有上新聞。

這正是入門篇刻意留白、進階學生必須直視的真相：門檻不是一個道德宣言，而是一個關於「體系邊際生產力」的實證估計。 訂錯了，傷害的是那些最沒有聲音的病人。

把除法改成減法：淨效益框架

ICER 是個比值，用起來其實很麻煩。當增量成本與增量效果都是負的（新藥更便宜也更差）時，ICER 的數字會跟「更貴更好」的象限算出一模一樣的值，造成解讀混亂；而且比值無法直接做統計推論（兩個隨機變數相除的分布很難處理）。

衛生經濟學因此發展出更優雅的淨效益（Net Benefit）框架。給定門檻 $\lambda$（每 QALY 願意/能夠付出的金額），我們定義：

$$\text{NMB} = \lambda \times \Delta E - \Delta C$$

這是淨貨幣效益（Net Monetary Benefit, NMB）：把增量健康 $\Delta E$ 用 $\lambda$ 換算成錢，再減去增量成本 $\Delta C$。NMB > 0 就代表方案划算，且不同方案可直接比大小，誰的 NMB 最高就選誰。等價地也可寫成淨健康效益（Net Health Benefit, NHB） $= \Delta E - \Delta C / \lambda$，單位是 QALY。

淨效益框架的威力在於：它把「除法」變成「線性的減法」，於是可以直接套用統計工具求平均值、信賴區間，也能在不同 $\lambda$ 下重新計算。供給面門檻的辯論在這個框架下變得格外清楚——你只要把 $\lambda$ 從 3 萬換成 1.3 萬，NMB 的正負號可能瞬間翻轉，決策隨之改變。$\lambda$ 不再是背景裡一個模糊的參考線，而是直接寫進公式、牽動每一個結論的關鍵參數。

決策的另一半：不確定性

到目前為止，我們都假裝 ICER 是個確定的數字。但現實裡，$\Delta C$ 與 $\Delta E$ 都是估計值，背後是充滿雜訊的臨床試驗、來源各異的成本資料、外推到長期的數學模型。每一個輸入參數都有它的機率分布。把這些不確定性誠實地傳遞到最終結論，是進階衛生經濟評估與入門「點估計」之間最大的分水嶺。

機率敏感度分析（Probabilistic Sensitivity Analysis, PSA）是標準做法：給每個輸入參數指定一個機率分布（例如治療效果服從常態分布、效用權重服從 Beta 分布、成本服從 Gamma 分布），然後用蒙地卡羅模擬（Monte Carlo simulation）抽樣上千次，每次都重算一遍 $\Delta C$ 與 $\Delta E$。結果不再是一個點，而是上千個點構成的雲。

動手試試：在成本效益平面上讀懂一團雲

把每次模擬的結果畫在成本效益平面（Cost-Effectiveness Plane）上——橫軸是增量效果 $\Delta E$，縱軸是增量成本 $\Delta C$，原點代表現行療法。這個平面分成四個象限：

• 右下象限（更有效、更便宜）：新療法完全主導（dominant），無條件採用。
• 左上象限（更無效、更貴）：新療法被主導（dominated），無條件淘汰。
• 右上象限（更有效、更貴）：最常見的情況，要靠門檻 $\lambda$ 判斷划不划算。
• 左下象限（更無效、更便宜）：用省下的錢去別處換健康，反而可能划算（這正是「去採用 / disinvestment」的決策區）。

現在想像 PSA 跑出來的那團點雲，有 70% 落在右上、20% 落在右下、10% 散在其他象限。在平面上畫一條斜率等於 $\lambda$ 的直線：落在這條線右下方的點，都代表 NMB > 0（划算）。數一數有多少比例的點落在線的划算側，你就得到了「這個方案划算的機率」。

把這件事對所有可能的 $\lambda$ 都做一遍，就得到成本效益可接受曲線（Cost-Effectiveness Acceptability Curve, CEAC）：橫軸是門檻 $\lambda$，縱軸是「在該門檻下新方案划算的機率」。CEAC 讓決策者一眼看出：「如果社會的門檻是 2 萬，這個藥有 60% 機率划算；如果是 3 萬，機率升到 85%。」它把不確定性誠實地攤在陽光下，而不是用一個假裝精確的點估計糊弄過去。

不確定，那要不要先別急著決定？資訊的價值

CEAC 告訴我們「划算的機率」，但還有一個更深的問題：既然不確定，我們該現在就拍板，還是該先花錢做更多研究、把不確定性降下來再說？ 這正是衛生經濟學裡最精緻的一塊——資訊價值分析（Value of Information, VOI）。

核心概念是完全資訊的期望價值（Expected Value of Perfect Information, EVPI）。它問的是：如果有個神諭能消除所有不確定性、告訴我們真相，這份「完美資訊」最多值多少錢？直覺是：當你做錯決策時會損失健康，而不確定性正是做錯決策的風險來源。EVPI 等於「在不確定下做決策的期望損失」——也就是當前最佳方案，相對於「每種情境下都剛好選對」的理想狀態，平均少掉的淨效益。

$$\text{EVPI} = E_{\theta}\big[\max_j \text{NB}(j, \theta)\big] - \max_j E_{\theta}\big[\text{NB}(j, \theta)\big]$$

式子看似嚇人，意思很單純：前項是「先知道參數 $\theta$ 的真值、再針對每種情境選最佳方案」的期望淨效益；後項是「只能根據平均值選一個方案」的淨效益。兩者之差，就是不確定性害我們損失的價值。

把 EVPI 乘上未來會受這個決策影響的病人總數，就得到整個族群的 EVPI。如果它遠高於一場大型臨床試驗的成本，那麼「先研究、再決定」在經濟上就是合理的；反之，若 EVPI 很小，代表就算我們對某些參數還不太確定，這份不確定也不太可能讓我們選錯，那就該果斷拍板、別把資源浪費在無謂的研究上。更細緻的版本如 EVPPI（部分完美資訊期望價值）還能指出「到底哪個參數最值得進一步研究」——是治療效果？是長期成本？還是效用權重？這讓研究經費的分配本身，也接受了成本效益的檢驗。

這套思路徹底翻轉了入門篇隱含的「先有資料、才能決策」的線性想像：在 VOI 的框架裡，決策與研究是同一個最適化問題的兩面。要不要採用一項新科技、要不要再做一個研究，都是在「用有限資源換取最多族群健康」這個共同目標下，被一併計算出來的。

重點回顧

• 門檻有兩種身世：需求面（支付意願，WTP）問「社會想付多少」；供給面（健康機會成本）問「為了這筆支出，體系內被排擠的服務損失多少健康」。固定預算下，供給面才是對的視角。
• 門檻可能訂得太高：Claxton 等人估計英格蘭 NHS 的邊際機會成本約每 QALY 1.3 萬英鎊，遠低於 NICE 的 2–3 萬。門檻訂太高，等於用看得見的新藥受益者，換掉看不見的被排擠病人，全民健康反而下降。
• 淨效益優於 ICER：NMB $= \lambda \Delta E - \Delta C$ 把比值變成線性減法，便於統計推論、便於比較多方案，也讓門檻 $\lambda$ 的角色一目了然。
• 誠實面對不確定性：PSA + 成本效益平面 + CEAC，把點估計變成「划算的機率」，避免用假精確誤導決策。
• 研究也是一種決策：資訊價值分析（EVPI/EVPPI）回答「該現在決定，還是先花錢降低不確定」，把決策與研究納入同一個最適化框架。

深入探討（研究所視角）

進到研究前沿，上面的每一塊都還有更深的張力與未竟之處。

一、供給面門檻的識別難題與政治經濟學。 Claxton 估計值的核心是一個計量挑戰：要估「邊際支出對死亡率/QALY 的因果效果」，必須處理健保支出的內生性（endogeneity）——病得越重的地區拿到越多錢，會讓樸素迴歸低估支出的健康報酬。Claxton 團隊用了工具變數策略，但其外推到全 QALY（含非死亡的生活品質改善）仰賴大量假設，後續 Lomas、Martin 等人持續修正。更棘手的是政治經濟學層面：把門檻調降到 1.3 萬，意味著大量現行給付的新藥會被判定為不划算，產業與病友團體的反彈使任何主管機關都難以照單全收。「正確的門檻」與「政治可行的門檻」之間的落差，本身就是一個值得研究的規範性問題。

二、超越 QALY：能力進路與廣義成本效益。 QALY 把「健康」窄化為「存活 × 效用權重」，但 Sen 的能力進路（Capability Approach）主張，真正該最大化的是人們「有理由珍視的生活樣態」之可行能力。據此發展出的 ICECAP 系列測量工具，把尊嚴、自主、依附、安全感等納入評估，特別適用於長期照護與末期照護——這些領域裡 QALY 的增量幾近於零，卻不代表介入沒有價值。這條路線同時挑戰了 NMB 框架的單一 $\lambda$ 假設：若健康以外的維度也有價值，門檻就不再是一個純量。

三、分配與不確定的交會。 入門篇提過的分配性成本效益分析（DCEA），與本篇的 PSA，在前沿研究裡正在合流：我們不只想知道「一個方案平均划不划算」，更想知道「它對最弱勢族群划算的機率有多高、會不會在縮小總損失的同時擴大健康不平等」。這需要把社會福利函數（含不平等趨避參數 $\epsilon$）疊加到機率模擬之上，產生「分配性 CEAC」。當效率、公平與不確定性三者同時上桌，衛生經濟評估就從一道算術題，變成一個必須明白攤開價值判斷的審議過程。

四、與流行病學模型的縫合。 別忘了 $\Delta E$ 的長期外推，幾乎都來自流行病學的疾病自然史模型（Markov model、微觀模擬、傳染病動力學的 SIR/SEIR）。在傳染病介入（如疫苗、篩檢）的評估裡，外部性與群體免疫讓成本效益高度非線性——接種率每多一個百分點，邊際的健康報酬會隨群體免疫閾值劇烈變化，這使得「動態傳播模型 × 機率敏感度分析」成為當前傳染病衛生經濟學最吃計算量、也最前沿的戰場。這也再次印證入門篇的結論：最有成本效益的介入，往往藏在預防的上游——而要把這件事算清楚，需要經濟學、流行病學與計算科學三方真正的對話。