Konfounding dan Interaksi Departemen Biostatistika FKM UI, 2010
CONFOUNDING Dari bahasa latin cunfundere (to mix together) Pengertian: Suatu distorsi (gangguan) dalam menaksir pengaruh paparan terhadap kejadian penyakit/outcome sebagai akibat tercampurnya pengaruh sebuah atau beberapa variabel luar.
Suatu kondisi bias dalam mengestimasi efek paparan terhadap kejadian penyakit/masalah kesehatan, akibat perbandingan yang tidak seimbang antara kelompok exposed dan non exposed.
Suatu situasi ditemukannya hubungan non‐causal antara exposure/paparan dan outcome yang diteliti akibat adanya pengaruh variabel ketiga (Moyses S. & F. Javier N., 2000)
Variabel luar (ketiga) = confounder
Confounder Exposure
Disease
Confounder ¾
¾ ¾
Berhubungan dengan paparan/faktor resiko yang diteliti (causally or non‐causally associated) Berhubungan dengan penyakit/outcome (causally associated) Bukan merupakan konsekuensi dari paparan (tidak terletak diantara E & D / variabel antara)
Arah Confounding 1. Positif Æ Overestimate (risk value menjauhi ‘Null value’) OR/RR 0
0.3
0.5
CF controlled CF not controlled
1 Null value
1.3
1.7
2
CF controlled CF not controlled
Negatif Æ Underestimate (risk value mendekati ‘Null value’) kurang beresiko or kurang protektif 3. Cross over Æ asosiasi berubah arah: negatif positif (confounder yang kuat pada asosiasi lemah)
2.
Mengontrol Confounding
Pada tahap Design 1.
Restriksi (pada experimental & observational study) membatasi obyek penelitian pada level confounder yang sama (confounder tidak bervariasi) antara group E – nE dan D – nD Kelemahan: efek modifikasi tidak dapat dievaluasi, generalizability?
2. Matching (pada experimental & observational study) Type: a). Full matching, b). partial matching Method: a). Frequency/marginal matching, b). Individual matching Problem: Over matching
3. Randomisasi (hanya pada experimental study) subyek penelitian ditempatkan secara random pada group2 yang diperbandingkan (E & nE)
Pada tahap Analisa 1. 2.
Stratifikasi Analisa Multivariate
INTERAKSI Interaksi = Efek modifikasi Pengertian: Keberagaman/heterogenitas/variasi efek dari suatu faktor resiko terhadap kemunculan penyakit/outcome, pada level yang berbeda dari faktor resiko lain, pada base population
Suatu situasi dimana 2 atau lebih faktor resiko saling memodifikasi (besar dan/atau arah) efek nya terhadap kejadian/outcome yang diteliti (Moyses S. & F. Javier N., 2000)
¾
Efek modifikasi menunjukkan seberapa jauh efek faktor resiko utama terhadap munculnya penyakit/outcome, dimodifikasi oleh faktor resiko lain (modifier)
Macam Interaksi
Interaksi Aditif •
•
Keberadaannya dinilai dengan memakai ukuran asosiasi berupa risk/rate difference (AR). Bermanfaat untuk kepentingan program kesmas atau intervensi pencegahan penyakit
Interaksi multiplikatif •
•
Keberadaannya diukur dengan memakai ukuran asosiasi berupa risk/rate ratio (RR/OR). Penting untuk menjelaskan hubungan kausalitas.
Efek Modifikasi
Efek Konfounding
Tidak berhubungan dg design study
Berhubungan dengan design study
Menambah/memodifikasi efek E
Mengganggu efek E yang diteliti
OR1 = OR2 = OR3 = OR4 = ORn
OR1 = OR2
OR crude
Bias sistematik
Qualitative measure of association (affect validity)
Bukan
bias
Quantitative measure of association (not a validity issue)
OR adjusted
Variabel Ke3
ORC
ORA
OR1
OR2
OR3
Menjadi CF dan EM
1.2
3.5
2.5
3.0
4.2
Bukan CF maupun EM
1.2
1.2
1.2
1.2
1.2
Merupakan CF tetapi bukan EM
1.2
3.0
3.0
3.0
3.0
EM kuat, CF menjadi kurang penting
1.2
3.5
0.4
2.8
9.2
Deteksi Konfounding & Interaksi Analisa Regresi Linier/Logistik Ganda
Regresi Linier Ganda 9 a) b)
9
Adanya Konfounder akan menyebabkan Perubahan R Square Perubahan (unstandardized) coefisien B (OR) sebesar > 10% Adanya Interaksi antar 2 variabel independent ditunjukan dengan nilai Sig. < 0.05
b Model Summary
Model Summary Model 1
R R Square a .926 .858
Adjusted Std. Error of R Square the Estimate .845 1.5061
Model 1
Adjusted Std. Error of R R Square R Square the Estimate .943a .889 .876 1.3491
DurbinWatson 1.840
a. Predictors: (Constant), lemakKt_prpr, umur, sex, lemakpersen, lemakkulit b. Dependent Variable: imt
a. Predictors: (Constant), sex, umur, lemakkulit, lemakpersen
R square regresi linier ganda dengan konfounder masuk pada model
R square regresi linier ganda dengan konfounder tidak masuk pada model Variabel
Masih Lengkap
‘umur’ keluar dari model
Perubahan Coefficien B
Sex
4.7
5.0
6.3 %
Lemak persen
7.1
6.2
11.3%
Lemak kulit
-232
-236
1.8%
tchol
2.8
2.5
4%
Umur merupakan konfounder karena menyebabkan OR ‘lemak persen’ berubah >10%
Uji Interaksi ¾ Dilakukan pada variabel‐variabel yang diduga secara substansi berinteraksi. Model Persamaan Regresi linier ganda Imt = 17.074 – 0.126 umur + 0.08 lemakkulit + 0.204 lemakpersen + 3.074 sex
1). variable ‘lemak kulit’ dan ‘lemak persen’ secara substansi diduga berinteraksi Coefficientsa
Model 1
(Constant) umur lemakkulit lemakpersen sex lemakKt_prpr
Unstandardized Coefficients B Std. Error 22.651 3.151 -.133 .041 -.063 .043 .082 .048 2.436 .693 .003 .001
a. Dependent Variable: imt
Standardized Coefficients Beta -.176 -.437 .238 .268 1.251
t 7.188 -3.220 -1.461 1.713 3.513 3.440
Sig. .000 .002 .151 .094 .001 .001
Collinearity Statistics Tolerance VIF .863 .029 .134 .444 .020
1.158 34.599 7.451 2.254 51.140
2). secara substansi umur akan mempengaruhi lemak persen, Coefficientsa
Model 1
(Constant) umur lemakkulit lemakpersen sex umur_lemakpr
Unstandardized Coefficients B Std. Error -2.875 11.880 .189 .187 .078 .014 .729 .305 2.724 .757 -.008 .005
Standardized Coefficients Beta .251 .534 2.111 .300 -1.494
t -.242 1.011 5.683 2.391 3.598 -1.734
Sig. .810 .317 .000 .021 .001 .090
Collinearity Statistics Tolerance VIF .050 .350 .004 .444 .004
19.908 2.861 252.645 2.253 240.709
a. Dependent Variable: imt
Sehingga persamaan regresi linier akhir untuk memprediksi nilai ‘imt’ adalah: Imt = 22.651 – 0.133 umur - 0.063 lemakkulit + 0.082 lemakpersen + 2.436 sex + 0.003 lemakkt_prpr
Regresi Logistik Ganda 9
Adanya Konfounder akan menyebabkan perubahan nilai Exp(B) /OR sebesar > 10% Exp(B) Crude - Exp(B) Adjusted * 100% Î >10% Æ konfounder Exp(B) Adjusted
dari
9
variabel independent utama (faktor resiko) dalam pemodelan faktor resiko, atau variabel independent lain dalam pemodelan prediksi
Adanya Interaksi antar 2 variabel independent ditunjukan dengan nilai Sig. < 0.05
Variables in the Equation
B Step a 1
IMT3 IMT3(1) IMT3(2) SEX Constant
1,872 2,711 ,921 -2,727
S.E. ,858 ,946 ,541 ,882
Wald 8,265 4,764 8,206 2,899 9,563
df 2 1 1 1 1
Sig. ,016 ,029 ,004 ,089 ,002
Exp(B) 6,503 15,045 2,511 ,065
95,0% C.I.for EXP(B) Lower Upper 1,211 2,354 ,870
34,940 96,155 7,245
a. Variable(s) entered on step 1: IMT3, SEX.
Apakah ‘SEX’ adalah Konfounder terhadap IMT31 dan IMT32 ? Lihat perubahan nilai Exp(B) : • ‘SEX’ masuk dalam pemodelan, nilai Exp(B) Æ 6,503 dan 15,045 • ‘SEX’ tidak masuk dalam pemodelan, nilai Exp(B)Æ 4,388 dan 9,149 • Besar perubahan: Dari hasil perhitungan ratio = 32,52% (> 10%) maka ‘sex’ merupakan variable konfounder.
Confounding
Confounding = bias estimasi efek pajanan terhadap penyakit akibat perbandingan tidak seimbang antara kelompok terpajan dengan kelompok tidak terpajan Terjadi akibat adanya perbedaan risiko terjadinya penyakit pada kelompok terpajan dengan kelompok tidak terpajan Risiko terjadinya penyakit berbeda meskipun pajanan dihilangkan pada kelompok terpajan
Syarat Confounding
E
D
C
C merupakan faktor risiko D C memiliki asosiasi dengan E
Contoh Confounding
Ibu Anemia
St.Gizi Ibu
BBLR
Contoh confounding Hubungan anemia dg BBLR Ibu Anemia
BBLR
Kelompok gizi kurang dan gizi baik BBLR+ BBLRJumlah Anemia + 24 36 60 Anemia 36 24 60 Jumlah 60 60 120 OR = (24*24)/(36*36)=0,44 Simpulan: Anemia faktor pencegah terjadinya BBLR ??
Contoh confounding Hubungan anemia dg BBLR (Dipisah menurut status Gizi)
Simpulan: Anemia adalah faktor risiko terjadinya BBLR (baik pd gizi baik maupun pd gizi kurang)
Kelompok gizi baik BBLR+ Anemia + 18 Anemia 2 Jumlah 20
BBLR34 6 40
Jumlah 52 8 60
BBLR-
Jumlah
OR = (18*6)/(34*2) = 1,58
Kelompok gizi kurang BBLR+ Anemia + 6 Anemia 34 Jumlah 40 OR = (6*18)/(2*34) = 1,58
2 18 20
8 52 60
Contoh confounding
BBLR
St.Gizi ibu
Hubungan status gizi dengan BBLR BBLR+ BBLRJumlah Gizi kurang 40 20 60 Gizi baik 20 40 60 Jumlah 60 60 120 OR = (40*40)/(20*20) = 4,00 Status gizi kurang merupakan faktor risiko BBLR
Contoh confounding Ibu Anemia
St.Gizi Ibu
Distibusi status gizi menurut anemia Gizi kurang Gizi baik Jumlah Anemia + 8 52 60 Anemia 52 8 60 Jumlah 60 60 120
Distribusi status gizi tidak seimbang pada ibu anemia dan ibu non anemia
Contoh confounding
Pada contoh, status gizi merupakan confounder karena
Status gizi kurang merupakan faktor risiko BBLR ? Distribusi status gizi tidak seimbang pada ibu anemia dan ibu non anemia Hasil analisis menunjukkan status gizi merupakan faktor risiko BBLR ?
Pengontrolan Confounding
Pada Desain
Pada Pengumpulan Data
Restriksi Matching Confounding harus diukur
Pada Analisis
Analisis multivariat