Disease-Specific Pharmacoeconomic Auto-Evaluation Skill

疾病药物经济学自动评价 Skill

概述 / Overview

本 Skill 帮助你对任意指定疾病完成一次端到端的药物经济学评价： 自动确定模型框架 → 遴选主流药物 → 联网搜索参数 → 运行成本效果分析 → 以我国最新人均 GDP（1倍）为支付阈值计算货币化净收益（NMB）→ 排序输出报告与 Python 代码。

This Skill performs an end-to-end pharmacoeconomic evaluation for any specified disease: auto-design model → select key drugs → web-search parameters → run CEA → compute NMB using China's latest GDP per capita (1×) as WTP threshold → rank and report.

执行流程 / Execution Workflow

阶段一：模型框架设计 / Phase 1 — Model Design

中文指令：

1. 根据用户输入的疾病名称，判断疾病是慢性进展性（chronic/progressive） 还是 急性/治愈性（acute/curative）：
   • 慢性进展性疾病 → 使用 Markov 模型（状态：通常含疾病缓解期、进展期、重度/终末期、死亡）
   • 急性/治愈性疾病 → 使用 决策树模型（分支：治疗成功、治疗失败、不良反应）
   • 如同时存在急性发作和长期管理（如哮喘、心血管病） → 混合模型
2. 明确说明模型的健康状态定义、循环周期（cycle length）、时间范围（time horizon）、 贴现率（discount rate），并解释设定依据。
3. 以中英文表格列出模型参数清单（见阶段二）。

English Instructions:

1. Based on the disease provided, classify as chronic/progressive or acute/curative:
   • Chronic/progressive → Markov model (states: typically remission, mild, moderate, severe, death)
   • Acute/curative → Decision tree (branches: success, failure, AE)
   • Mixed (acute exacerbations + long-term, e.g., asthma, CVD) → Hybrid model
2. State the model's health states, cycle length, time horizon, discount rate, with justification.
3. List all required parameters in a bilingual table (see Phase 2).

阶段二：药物遴选 / Phase 2 — Drug Selection

中文指令：

1. 使用 web_search 联网搜索该疾病当前国内外最常用/一线/二线治疗药物， 参考来源：中国临床指南、国家医保目录、UpToDate、PubMed、药智网等。
2. 遴选标准：优先纳入①中国医保目录内药物；②国内外指南推荐的一线/二线药物； ③近5年上市或获批的代表性新药（如有）。
3. 遴选数量：不超过20种代表性药物/方案，确保覆盖不同作用机制和费用区间。
4. 以表格输出：药物名称（中英文）、适应症、作用机制、是否医保、上市年份。

English Instructions:

1. Use web_search to find current first-line/second-line drugs for the disease, referencing Chinese clinical guidelines, NRDL, UpToDate, PubMed, etc.
2. Selection criteria: ① NRDL-listed drugs; ② guideline-recommended drugs; ③ representative new drugs approved in the last 5 years (if any).
3. Target no more than 20 representative drugs/regimens covering different mechanisms and cost ranges.
4. Output as a bilingual table: drug name (CN/EN), indication, mechanism, NRDL status, approval year.

阶段三：参数搜索 / Phase 3 — Parameter Search

中文指令： 对每种遴选药物，使用 web_search 搜索以下参数（每个参数均需注明文献来源）：

若某参数无直接文献支撑，优先参考同类药物或同类疾病研究，并标注"外推"。

English Instructions: For each selected drug, use web_search to retrieve (cite every source):

If a parameter lacks direct evidence, extrapolate from analogous drugs/diseases and label as "extrapolated."

阶段四：人均 GDP 获取 / Phase 4 — WTP Threshold (GDP per Capita)

中文指令：

1. 使用 web_search 搜索"中国最新人均 GDP"（优先查国家统计局最新年度数据，通常在每年1月公布）。
2. 搜索词示例：中国 2024 人均GDP 国家统计局
3. 以 1倍人均 GDP 作为 QALY 的货币化支付阈值（WTP）。
4. 在报告中明确注明：数据来源、统计年份、具体数值（元/人/年）。

English Instructions:

1. Use web_search to find "China latest GDP per capita" (prefer NBS official annual data).
2. Sample query: China 2024 GDP per capita National Bureau of Statistics
3. Use 1× GDP per capita as the WTP threshold for QALY valuation.
4. Report: data source, year, exact value (CNY/person/year).

阶段五：成本效果分析与 NMB 计算 / Phase 5 — CEA & NMB Calculation

中文指令：

1. 以标准治疗或安慰剂作为参照方案（比较组）。
2. 对每种药物计算：
   • 增量成本（ΔC） = 干预组总成本 - 对照组总成本
   • 增量效益（ΔE） = 干预组总 QALY - 对照组总 QALY
   • ICER = ΔC / ΔE（元/QALY）
   • 货币化净收益（NMB） = ΔE × WTP - ΔC（元）
3. 按 NMB 从大到小排列所有药物（NMB>0 表示具有成本效果，<0 则不具有）。
4. 同时进行单因素敏感性分析（至少对效用值、药物费用、转换概率各做±20%变动）。

English Instructions:

1. Use standard of care or placebo as the comparator.
2. For each drug, compute:
   • Incremental cost (ΔC) = Total cost (intervention) − Total cost (comparator)
   • Incremental effectiveness (ΔE) = Total QALY (intervention) − Total QALY (comparator)
   • ICER = ΔC / ΔE (CNY/QALY)
   • Net Monetary Benefit (NMB) = ΔE × WTP − ΔC (CNY)
3. Rank all drugs by NMB descending (NMB > 0 = cost-effective; < 0 = not cost-effective).
4. Perform one-way sensitivity analysis (±20% on utility values, drug costs, transition probabilities).

阶段六：Python 代码输出 / Phase 6 — Python Code Output

中文指令： 根据前述参数，生成完整可运行的 Python 代码，要求：

• 使用 pandas、numpy、matplotlib 标准库
• 代码结构：① 参数定义模块；② Markov/决策树计算模块；③ ICER/NMB 计算模块；④ 排序与可视化模块
• 生成两张图：① 成本效果平面散点图（CE plane）；② NMB 条形图（按大到小排序）
• 代码中所有变量名和注释使用中英文双语（变量名英文，注释中英文并行）
• 代码末尾调用 print 输出汇总结果表格

English Instructions: Generate complete, runnable Python code based on the parameters collected, with:

• Libraries: pandas, numpy, matplotlib
• Structure: ① Parameter definition; ② Markov/decision-tree computation; ③ ICER/NMB calculation; ④ Ranking & visualization
• Two figures: ① CE plane scatter plot; ② NMB bar chart (descending order)
• All variable names in English; comments bilingual (CN+EN parallel)
• Final print output of summary table

阶段七：报告输出 / Phase 7 — Scientific Report Output

中文指令： 按以下科学论文格式输出简明结果报告（每段内容均中英文并行）：

# [疾病名称] 多药成本效果分析报告
# Cost-Effectiveness Analysis Report for [Disease Name] — Multiple Drugs

## 1. 研究背景 / Background
## 2. 研究方法 / Methods
   2.1 模型结构 / Model Structure
   2.2 研究视角与时间范围 / Perspective & Time Horizon
   2.3 数据来源 / Data Sources
   2.4 支付阈值 / WTP Threshold
## 3. 参数汇总表 / Parameter Summary Table（中英文表头）
## 4. 结果 / Results
   4.1 基础分析 / Base-Case Results（NMB排序表 + ICER表）
   4.2 敏感性分析 / Sensitivity Analysis
## 5. 结论与政策建议 / Conclusions & Policy Implications
## 6. 参考文献 / References

English Instructions: Output a concise scientific report in the above structure, with every section bilingual (CN+EN parallel paragraphs).

参数默认值 / Default Settings

质量控制要求 / Quality Control

中文：

• 每个参数来源必须注明（作者、年份、期刊/数据库）
• 若参数为外推或假设，必须标注并在敏感性分析中重点测试
• NMB 排序表必须包含置信区间或不确定性说明
• Python 代码必须可直接运行，不依赖外部私有数据文件

English:

• Every parameter must be cited (author, year, journal/database)
• Extrapolated/assumed parameters must be labeled and prioritized in SA
• NMB ranking table must include confidence intervals or uncertainty notes
• Python code must run standalone without private external data files

示例触发 / Example Triggers

• "帮我做2型糖尿病的药物经济学评价"
• "对比IPF常用药物的成本效果"
• "肺癌靶向药的ICER和NMB计算"
• "哪种NSCLC一线治疗方案净收益最高"
• "Do a multi-drug CEA for COPD"
• "Rank asthma biologics by NMB"
• "Compare cost-effectiveness of HER2+ breast cancer therapies"

Skill version: 1.0 | 创建日期 / Created: 2026-04-27 | 作者 / Author: TLB