Studi Kasus Kontrol Berpasangan Materi Kuliah Perancangan Kajian Epidemiologi (IPH 616)
Pengertian dan tujuan Pengertian: Pemadanan (matching) adalah retriksi parsial dalam seleksi subyek Tujuan:
Membuat perkiraan asosiasi yang disesuaikan (adjusted) Meningkatkan presisi dan efisiensi untuk besaran sampel tertentu
Confounding Exposure
Outcome
Peubah ketiga
Berasosiasi dengan paparan - tanpa konsekuensi menjadi paparan Berasosiasi menjadi outcome - Tidak berasosiasi dengan paparan
3
Matching
Memastikan bahwa faktor perancu (confounding) terdistribusi secara merata di setiap kelompok studi
Memeperoleh suatu data set yang seimbang, sehingga dapat:
4
Kontrol dipilih dengan cara memadankan terhadap karakteristik yang spesifik dengan kasus Kelompok unexposed dipilih dengan cara memadankan terhadap karakteristik yang spesifik dengan kelompok exposed Mencegah confounding (jika dipadankan dengan confounder) Meningkatkan presisi studi
Jenis
Individual matching
Frequency matching
5
Kontrol dipilih secara individu untuk setiap kasus dengan memadankannya dengan peubah pemadan tertentu Pasangan individu (1:1) Pemilihan kontrol lebih dari satu per kasus (1:n) Jumlah kontrol dipilih dalam suatu kategori peubah pemadan sesuai dengan jumlah kasus Pemadanan dilakukan dengan menggunakan kelompok suatu subyek
Individual matching Echovirus meningitis outbreak, Germany, 2001 Kajian kasus kontrol berpadanan1:1
Controls Exposed
Unexposed
Total
Exposed
194
46
240
Unexposed
6
29
35
200
75
275
Cases
Total 6Source: A Hauri, RKI Berlin
Individual matching Echovirus meningitis outbreak, Germany, 2001 Kajian kasus kontrol berpadanan1:1
Concordant pairs
Controls Exposed
Unexposed
Total
Exposed
194
46
240
Unexposed
6
29
35
200
75
275
Cases
Total 7Source: A Hauri, RKI Berlin
Discordant pairs
Individual matching Controls Exposed
Unexposed
Total
Exposed
194
46
240
Unexposed
6
29
35
200
75
275
Matched 2x2 table
Cases
Total
Cases
Controls
Total
Exposed
240
200
240
Unexposed
35
75
35
275
275
550
Unmatched 2x2 table
8
x
Individual matching: Analisis Masing-masing pasangan dianggap satu strata Hitung Mantel-Haenszel odds ratio [a d n ] OR [b c n ]
i
MH
i
Nomenclature tabel 2x2 berpadanan Controls Exposed
Unexposed
Exposed
e
f
Unexposed
g
h
Cases
9
Individual matching: Analisis Situasi e Case
Control
Total
Exposed Unexposed
1 0
1 0
2 0
Total
1
1
2
ad/T
bc/T
0/2
0/2
Controls Exposed
Unexposed
Exposed
e
f
Unexposed
g
h
Cases
10
Individual matching: Analisis Situation f Case
Control
Total
Exposed Unexposed
1 0
0 1
1 1
Total
1
1
2
ad/T
bc/T
1/2
0/2
Controls Exposed
Unexposed
Exposed
e
f
Unexposed
g
h
Cases
11
Individual matching: Analisis Situation g Case
Control
Total
Exposed Unexposed
0 1
1 0
1 1
Total
1
1
2
ad/T
bc/T
0/2
1/2
Controls Exposed
Unexposed
Exposed
e
f
Unexposed
g
h
Cases
12
Individual matching: Analisis Situation h Case
Control
Total
Exposed Unexposed
0 1
0 1
0 2
Total
1
1
2
ad/T
bc/T
0/2
0/2
Controls Exposed
Unexposed
Exposed
e
f
Unexposed
g
h
Cases
13
Individual matching: Analisis ad/N
bc/N
Situation e
0
0
Situation f
1/2
0
Situation g
0
1/2
Situation h
0
0
ORMH
[a d n ] 0e 1/2f 0g 0h f [b c n ] 0e 0f 1/2g 0h g i
i
14
discordantpairs where case exposed discordantpairs where control exposed
Individual matching: Analisis ORMH
[a d n ] 0e 1/2f 0g 0h f [b c n ] 0e 0f 1/2g 0h g discordantpairs where case exposed discordantpairs where control exposed i
i
Mantel-Haenszel 2 test untuk padanan 1:1 = McNemar’s Test 2 ( f g ) 2 f g
Individual matching: Analisis Controls Exposed
Unexposed
Total
Exposed
194
46
240
Unexposed
6
29
35
200
75
275
Cases
Total
OR MH 16
f 46 7.67 g 6
2 = (46 – 6) 2/(46 + 6)= 30.77
Pemadanan kasus terhadap n kontrol Prinsipnya sama dengan pemadanan 1:1 Istilah:
Pasangan (pair) (1 kasus, 1 kontrol) Triplet (1 kasus, 2 kontrol) 2 pasangan Quadruplet (1 kasus, 3 kontrol) 3 pasangan dst.
Analisis stratifikasi dengan menggunakan pasangan-pasangan tersebut Conditional logistic regression analysis
17
Pemadanan kasus terhadap n kontrol Quadruplets Control1
Control2
Control3
C+/Ctrl -
C-/Ctrl+
Case 1
+
+
−
−
2
0
Case 2
−
−
+
−
0
1
Case 3
+
−
−
−
3
0
Case 4
+
+
+
−
1
0
6
1
Total
ORMH
18
discordantpairs where case exposed discordantpairs where control exposed
6 1
Frequency matching: Analisis
19
Age (yrs)
Cases
Controls, matched
0-14
10
10
15-29
15
15
30-44
35
35
>44
25
25
Total
85
85
Frequency matching: Analisis Stratum 1
20
Age (yrs)
Cases
Controls, matched
0-14
10
10
15-29
15
15
30-44
35
35
>44
25
25
Total
85
85
0-14 yrs
Cases
Controls
Total
Exp
6
1
7
N_exp
4
9
13
Total
10
10
20
Stratum 2 15-29 yrs
Cases
Controls
Total
Exp
7
5
12
N_exp
8
10
18
Total
15
15
30
Stratum 3 Stratum 4
Mengapa dilakukan analisis stratifikasi? Matching menghilangkan confounding, tetapi memunculkan faktor confounding yang baru Kontrol tidak lagi representatif (selection bias) Kasus dan kontrol hampir mirip. Dengan menghilangkan faktor pemadan, OR biasanya underestimate Matched design = matched analysis
21
Overmatching Matching dilakukan jika peubah yang digunakan untuk pemadanan (extraneous variable) adalah confounder. Jika terdapat hubungan yang kuat antara extraneous variable dengan peubah exposure overmatching karena distribusi exposure pada kelompok kasus dan kontrol akan memiliki kesamaan yang lebih besar dibandingkan dengan populasi sumbernya.
Overmatching 20 kasus cryptosporidiosis ? Berasosiasi dengan kedatangan di kolam renang setempat 2 Studi kasus kontrol berpadanan
Kontrol dari tempat latihan umum yang sama dengan kasus (general practice (GP) dan tgl lahir yang hampir sama Kontrol adalah teman kasus
23
Overmatching Controls
GP, age-matched
Exposed
Unexposed
Exposed
1
15
Unexposed
1
3
OR = f/g = 15/1 = 15
Cases
Controls
Friend-matched
Exposed
Unexposed
Exposed
13
3
Unexposed
1
3
Cases
24
OR = f/g = 3/1 = 3
Ukuran contoh studi berpadanan 1:1 n
m ( p0 q1 p1q0 )
Keterangan: z z P ( 1 P 2 m 2 1 P 2
P = R/(1 + R), R = prakiraan odds ratio p1 = p0 R/[1 + p0 (R-1)] p0 = proporsi kontrol yang terpapar variabel yang diteliti pada populasi sasaran q0 = 1 - p0 q1 = 1 – p1
Keuntungan Metode yang bermanfaat dalam kajian kasus kontrol untuk mengoptimumkan sumber daya. Dapat mengendalikan faktor yang komplek, seperti lingkungan, genetik, dll. Dapat meningkatkan efisiensi studi
Kadang-kadang lebih mudah untuk mengidentifikasi kontrol
26
Mengatasi masalah data yang langka dengan cara menyeimbangkan strata Memaksimumkan informasi jika ukuran sampel kecil
Sampel acak tidak mungkin dilakukan
Kekurangan Tidak dapat menguji asosiasi dengan peubah pemadan Jika tidak ada kontrol yang teridentifikasi, maka data kasus akan hilang Overmatching terhadap exposure akan menyebankan OR berbias mendekati 1 Analisis statistika yang lebih rumit Kadang-kadang sulit untuk mendapatkan kontrol yang sesuai
27
Take-home messages
Merupakan teknik yang bermanfaat jika digunakan dengan bijaksana
Jangan melakukan pemadanan karena pertimbangan kemudahan
28
Data set yang seimbang, meningkatkan presisi, mencegah confounding Dapat mengendalikan faktor yang komplek, yang kemungkinan sulit diukur “Rutin” Malas untuk memperoleh contoh acak dari populasi sumber Ingin menghindarkan ukuran contoh yang besar
Jika melakukan pemadanan, maka pemadanan dilakukan dengan menggunakan confounder
