Professional Documents
Culture Documents
Disain
Hipotesis
Intervensi
Endpoints
Data hasil
Analysis
Kursus dan Pelatihan Metodologi Uji Klinik, 3 – 5 Maret 2015 2
Will this research produce valid findings?
Threats to validity:
1) Chance (random error)
2) Bias
3) Confounding
Biased
Unbiased
Randomization
Information bias
Intervention group Control group
Performance bias
Observer bias
Interviewer bias Control treatment
Intervention
Use of non validated
instruments
Skenario 1 (ideal)
Pasien dengan Risiko
disfungsi ginjal disfungsi ginjal
Perokok (n=1000) 100 10%
Bukan perokok (n= 1000) 50 5%
Semua subyek setuju ikut dalam studi RR = 0.10/0.05 = 2 (true RR)
In the figure we report a hypothetical example of publication bias. In the left part of
figure the shape of the plot suggests that smaller studies indicating a worse outcome
with the treatment being tested, might have been not reported (just one study where
treatment produced worse outcome). In the right part of figure there are smaller
studies showing either beneficial or no beneficial effects of the treatment. In this case
the plot is appropriately funnel-shaped, making publication bias less likely.
• Cara pencegahan:
• Desain & implementasi studi harus dibuat untuk meminimalisasi
• Seluruh peserta sebaiknya ikut dan dengan upaya yang sama untuk
Publication bias
• Selection bias
• Validitas publikasi tergantung
- hasil study yang tidak bias
- publikasi hasil study yang tidak bias
• Faktor penentu publikasi
- sample size
- design
- quality
- funding
- prestige
• Biasanya berupa review, meta-analysis
• Publisher cenderung menerima artikel dengan hasil (+)
Peneliti cenderung tidak mempublikasi hasil studi (-)
Kursus dan Pelatihan Metodologi Uji Klinik, 3 – 5 Maret 2015 34
Indication bias
• Alokasi pasien ditentukan oleh keputusan peneliti dan
bukan berdasarkan atas kesempatan seperti pada RCT
• Ke-2 study arms (active vs placebo) tidak seimbang
• Contoh: Studi efek statin baru terhadap insidens MCI
pada pasien hiperkolesterolemia
• Pada studi observasi, hazard ratio MCI = 1.10 → hazard rate MCI
kelompok statin baru 10% → > placebo
Ada 86 161
Tidak ada 414 839
• Upaya mencegah
- blinding observer
- label hasil sebagai “possible” dab “definite”
jika hasil terutama “possible” → mungkin observer bias
- ikut sertakan beberapa penilai
Kursus dan Pelatihan Metodologi Uji Klinik, 3 – 5 Maret 2015 43
Regression dilution bias (regression to the mean)
Contoh: Hubungan antara tekanan darah sistolik dengan
risiko MCI
• 2 variasi: individu dan antar individu
• Studi longitudinal untuk variabel continuous
• Regression to the mean: noise karena variasi pd individu
• Kecenderungan pengukuran tekanan darah awal lebih
tinggi/rendah daripada pengukuran tekanan darah
berikutnya → menuju ke arah mean
Common Causes of Missclassification are:
• Recall
• Interviewer
• Observer
• Regression dilution bias
• Cara pencegahan:
Tentukan risiko (atau rate) mortalitas pada seluruh
individu yang ditapis dan kontrol, bukan probabilitas
kumulatif survival dari diagnosis pada kasus
Pencegahan bias informasi
• Blinding
Mencegah efek pengetahuan peneliti/interviewer
mengenai kasus/kontrol
• Buat survei dalam bentuk formulir
Penyampaian lewat pos kurang menyebabkan “white
coat tension” dibandingkan interview lewat telepon
atau tatap muka
• Questionnaire
Gunakan pertanyaan berganda untuk informasi yang
sama sebagai upaya double-check
• Akurasi
Pemeriksaan berulang medical records
Mengoptimalkan data diagnosis dari sumber lain
Kursus dan Pelatihan Metodologi Uji Klinik, 3 – 5 Maret 2015 48
Confounding
Exposure Outcome
Third variable
Minum kopi
Merokok
Birth order
EPIET (www)
Cases of Down Syndrome by Age Groups
Age groups
EPIET (www)
Cases of Down Syndrome by Birth Order
and Maternal Age
1000
900
800
700
600
500
400 40
35 +
300 -39
200 30
25 -34
100 -29
0 20 s
<2 -24 up
o
1 2 3 4 5 0
e gr
Ag
Birth order
EPIET (www)
Andaikan Anda melakukan penyesuaian hubungan minum
alkohol untuk stratum merokok (dalam model statistik).
Apakah Anda akan melihat adanya hubungan?
Jenis kelamin
Analisis data
1. Stratified analysis (gunakan metode Mantel Haenzel)
2. Terapkan matched-design setelah data didapat
3. Restriksi (tetapi berarti membuang data)
4. Model fitting menggunakan teknik regresi