Analýza cen léčivých přípravků a jejich lépe cenově dostupných alternativ se stejnou účinnou látkou
1. Úvod
Téma závěrečného projektu jsem vzhledem ke svému lékařskému vzdělání a zkušenostem z klinické praxe chtěla zaměřit na oblast zdravotnictví. Bohužel v této oblasti není jednoduché získat otevřená data, která bych mohla veřejně prezentovat na blogu. Po dlouhém rozmýšlení a hledání se jako optimální zdroj jevila otevřená data poskytovaná SÚKL (Státním ústavem pro kontrolu léčiv). Tento ústav jako jeden z prvních orgánů státní správy v ČR zpřístupňuje široké veřejnosti otevřená data, která mohou být využívána a dále zpracovávána např. v různých aplikacích. Na www.sukl.cz se k těmto datům dá velmi jednoduše přes jedno kliknutí dostat:
Na stránkách jsou zpřístupněny tyto informace:
· databáze registrovaných léčivých přípravků, vč. datového rozhraní,
· SPC — souhrn údajů o léčivém přípravku,
· PIL — příbalová informace,
· Obaly — texty na obalu léčivého přípravku
· Seznam schválených lékáren, vč. datového rozhraní.
SÚKL plánuje postupné přidávání dalších zdrojů dat a na těchto stránkách zároveň i vyzývá čtenáře k poskytnutí podnětů na další typy informaci, které by rádi využívali.
Mým primárním záměrem bylo, aby měl projekt praktické využití pro běžného pacienta. A jelikož jsem v úvodu Digitální akademie neměla žádné zkušenosti s programováním či datovou analytikou jako takovou (a popravdě v podstatě ani s Excelem), chtěla jsem si během analýzy prakticky vyzkoušet co nejvíce nástrojů, které byly na kurzu vyučovány. Přemýšlela jsem tedy, jak s daty naložit, aby byl tento záměr naplněn. Chtěla jsem se zaměřit na analýzu doplatků na léky, které jsou uvedeny v databázi registrovaných léčivých přípravků, a vytvořit jednoduchý vyhledávač srozumitelný pro pacienta, který mu pomůže najít variantu léku s nejnižším doplatkem. Jak asi každý ze své zkušenosti ví, často existuje několik variant toho samého léku se stejnou účinnou látkou. Tento lék má často jiný název, výrobce a právě i cenu, ale jinak se v podstatě jedná o ten samý přípravek. Zvláště starším pacientům, kteří léků většinou užívají dlouhodobě několik a zároveň jsou často ve svízelné finanční situaci, by takový vyhledávač mohl ušetřit nemalou část pravidelných výdajů.
Lékárny si však v konečném důsledku ceny nastavují samy a ani pořadí léků v databázi (ve smyslu od nejlevnějšího po nejdražší dle doplatku) není zachováno. Pokud se tedy pacient/lékař chce dozvědět aktuální doplatek, musí obvolávat lékárny. Samotné lékárny by mi data neposkytly, rozhodla jsem se tedy oslovit eshopy s léky, kde jsou veřejně dostupné alespoň ceny volně prodejných přípravků. Po dlouhém čekání se mi ozval jediný z nich (Dr. Max) a ceník poskytl, za což mu velice děkuji. Analýzu dat ze SÚKL jsem tedy omezila na léky volně prodejné (tzv. OTC léky), abych mohla poskytnout srovnání s aktuální cenou na trhu. Výsledkem analýzy bude tedy vyhledání nejlevnější alternativy daného léku a také srovnání, které léky se na trhu prodávají s vyšší marží, které s marží nižší, a zda na tuto skutečnost má nějaký vliv například držitel rozhodnutí o registraci (společnost, která v rámci schvalovacího procesu obdržela rozhodnutí o registraci určitého léku). V následující části se budu snažit popsat, jak se k těmto výsledkům můžeme dopracovat.
2. Postup
Nejdříve je nutné z otevřených dat vybrat ty zdroje, které budeme k analýze potřebovat. Pro účel mé analýzy se jako nejvhodnější výchozí zdroj jevily souhrnné informace o dodávkách léčivých přípravků distributorům a provozovatelům, kde je sledován pohyb všech léčivých přípravků v rámci ČR, a dozvíme se zde cenu, za jakou lék odebírá distributor/lékárna apod.
Tato data bylo potřeba zpracovat a očistit, k tomuto účelu jsem použila Python.
Nejprve bylo nutné vyfiltrovat pouze léky, které jsou volně prodejné (léky vydávané na recept analyzovat nebudeme), jako odběratele jsem vyfiltrovala pouze lékárny.
Dále bylo nutné vyřešit, že cena léku, který byl dodán do lékárny vs. cena toho samého léku, který byl ev. vrácen, se často lišila i o desítky korun. Bylo tedy potřeba vypočítat vážený průměr této ceny (váhami je počet balení, léky bylo potřeba seskupovat dle SÚKL kódu, který je pro každý kód jedinečný, pomocí funkce GROUP BY). Je nutné počítat s absolutními hodnotami, protože počet a cena vrácených balení jsou uváděny jako záporné hodnoty.
Dalším problémem bylo, že cena uvedená v této tabulce je cenou výrobce (bez obchodní přirážky a DPH), která u léků nehrazených ze zdravotního pojištění není regulována, regulací je zde konkurenční boj, který právě chceme analyzovat. Zde budeme pro ilustraci této problematiky používat postup pro výpočet prodejní ceny (resp. ceny pro konečného spotřebitele), který je používán pro léky hrazené ze zdravotního pojištění. Obchodní přirážku dopočítáme dle tabulky, kterou nalezneme Cenovém předpise (1/2013/FAR) a DPH u námi uvažovaných léků činí 10 %.
Níže je ukázka výsledného csv souboru:
Nyní je potřeba léky roztřídit podle účinné látky, protože chceme porovnávat léky, které jsou navzájem zaměnitelné. Rozhodla jsem se omezit na skupinu léků proti bolesti, na které se bude analýza v krátkém čase, který mám k dispozici, nejlépe ilustrovat.
Tyto léky lze velmi dobře vyfiltrovat díky ATC skupině (anatomicko-terapeuticko-chemické klasifikaci léčiv), což je mezinárodní systém třídění léčiv. Léčiva jsou tříděna do skupin podle účinků na jednotlivé orgány a jejich soustavy, farmakologického působení a chemické struktury. Na základě toho je jim přidělen sedmimístný kód. Třídění má pět úrovní, nás bude zajímat úroveň třetí, která vyjadřuje terapeuticko-farmakologickou podskupinu, a úroveň pátá (tj. sedmimístný ATC kód), která odpovídá konkrétní účinné látce. Díky tomu budeme moci rozlišit léky, které obsahují stejnou účinnou látku. Přesněji se v našem případě bude jednat o ATC kód N02 (Analgetika) a M01 (Antirevmatika a protizánětlivá léčiva), do kterých se léky proti bolesti řadí. Toto třídění v databázi chybělo, proto jej bylo potřeba přes SÚKL kód léku (který je pro každý lék jedinečný) spárovat s jinou databází, kde tyto údaje byly uvedeny.
Na závěr je pak možné databáze porovnat na základě SÚKL kódu i s údaji o cenách z e-shopu.
Pro tyto kroky jsem již používala Tableau, kde jsem chtěla následně vizualizovat i výsledky analýzy. Zde jsou výchozí data spojené pomocí LEFT JOIN na základě SÚKL kódu:
3. Výsledky
Vzhledem k tomu, že medium neposkytuje možnost vkládat vizualizace z Tableau Public do příspěvku, pro zobrazení výsledků musím odkázat přímo na Tableau Public.
K popisu zde na blogu budu z tohoto důvodu používat pouze screenshoty.
První vizualizace nám poskytuje pohled na ceny léků za dávku dle jednotlivých účinných látek. V úvodních vizualizacích je zobrazena cena za dávku, ne cena za balení, protože jednotlivá balení se svou velikostí liší. Najetím myši na jednotlivé body přímo v Tableau se nám zobrazí název léků, jeho cena za jednu dávku a držitel rozhodnutí o registraci. Např. vidíme, že nejnižší cenu za jednu dávku ibuprofenu je v případě Ibuprofenu Dr. Maxe (2,2 Kč/dávku), u paracetamolu je to pak Paramax Rapid firmy Vitabalans Oy (7,1 Kč/dávku).
Podobné informace nám poskytne i další vizualizace. Zde si ale navíc můžeme pomocí sloupečku vpravo prohlédnout, jak se pohybují ceny léků dle jednotlivých držitelů rozhodnutí o registraci nebo i na jaké účinné látky se daná firma zaměřuje. Např. lze zjistit, že Vitabalans Oy dodává na trh spíše levnější léky, Reckitt Benckiser Healthcare International Limited se zaměřuje na léky obsahující ibuprofen.
Dále si můžeme zobrazit průměrnou cenu za dávku dané účinné látky dle firmy, který je držitelem registrace daného léku.
Rozpětí cen jednotlivých léčivých přípravků se nejlépe znázorní pomocí box plotu, vidíme zde i několik outlierů — jak v případě ibuprofenu, tak paracetamolu se vždy jedná o léky určené pro děti, u léků s kombinacemi paracetamolu se mezi ty dražší řadí některé druhy Coldrexu.
Další box plot vyobrazuje rozpětí velikosti balení. Nejvíce variant velikosti se existuje pro ibuprofen, největší balení poskytuje firma Aliud Pharma GmbH.
Nyní se konečně zaměříme na srovnání cen deklarovaných SÚKL a reálných cen na eshopu.
Na následujícím grafu je pomocí barevné škály zobrazen rozdíl těchto cen, čím blíže je daný lék modrému spektru, tím je na eshopu levnější, čím blíže je spektru červenému, tím je na eshopu dražší.
Rozdíl cen je znázorněn i na další vizualizaci. Pokud je rozdíl cen záporný, lék se na eshopu prodává za vyšší cenu, než je cena v databázi ze SÚKL. Léky jsou navíc rozděleny do pěti “clusters” podle rozdílu cen.
Další vizualizace popisuje rozdíl těchto cen dle jednotlivých držitelů rozhodnutí o registraci, na eshopu jsou tedy dražší léky například od Herbacos Recordati, naopak levnější jsou léky od BGP Products Czech Republic.
Na dalším listu vidíme všechny držitele rozhodnutí o registraci, jejichž léčivé přípravky byly analyzovány, jejich velikost odpovídá počtu záznamů. Největší zastoupení měla Zentiva, k.s., Praha.
Tuto poslední vizualizaci jsem pak využila i k vytvoření dashboardu, kde si s její pomocí můžeme filtrovat léky dle držitele rozhodnutí o registraci a procházet si tak výsledky cen alternativ léků se stejnou účinnou látkou a zároveň se nám zobrazuje u těch léků, kde máme k dispozici data z e-shopu, rozdíl jejich ceny s cenou v e-shopu.
4. Závěr
Do budoucna lze analýzu samozřejmě rozšířit i na další ATC skupiny léků či sledovat vývoj cen v čase — např. vliv vstupu dalších generik (tj. ekvivalentů originálních léčivých přípravků se stejnou účinnou látkou) na trh na cenu léků. Prostor pro rozsáhlejší analýzu je pak určitě na poli léků vydávaných na předpis, pokud by podobná data z lékáren byla k dispozici. Nutno podotknout, že výsledky by byly přesnější, pokud by nám byla poskytnuta data z většího množství eshopů, případně by snad bylo možné tato data získat i pomocí web scrapingu.
Na základě navrženého postupu by bylo možné vytvořit webovou stránku či aplikaci, která by sloužila k vyhledávání nejlevnějšího léku přímo pacientovi.
