SCREENING
Jika upaya preventif primer tidak efektif dilaksanakan maka upaya preventif sekunder menjadi sangat penting.
Upaya preventif sekunder terdiri dari:
β’ Deteksi awal suatu penyakit
β’ Pengobatan yang akurat
Ada 2 pendekatan untuk mendeteksi awal suatu penyakit:
β’ Melihat adanya tanda-tanda awal adanya penyakit dan gejala atau simptom
β’ Melakukan skrining pada pasien asimptomatik
Tes diagnostik = tes skrining
β’ Menentukan besarnya seseorang sakit
β’ Menentukan bahwa seseorang bebas dari suatu penyakit
Idealnya suatu tes diagnostik:
β’ Selalu memberikan hasil positif pada orang yang sakit dan negatif pada orang yang sehat.
β’ Cepat
β’ Aman
β’ Tidak menyakitkan
β’ Dapat dipercaya
β’ Tidak mahal
Kriteria untuk suksesnya suatu program skrining dipopulasi:
β’ Kondisi penyakit merupakan masalah kesehatan yang penting
β’ Penyakit harus ada obatnya
β’ Fasilitas untuk diagnostik dan pengobatan harus tersedia
β’ Intervensi yang efektif harus diketahui untuk mengurangi morbiditas dan mortalitas
β’ Tes diagnostik harus mempunyai sensitifitas dan spesifisitas yang tinggi
β’ Tes skrining harus diterima di populasi
β’ Riwayat alamiah dari kondisi penyakit harus sudah dimengerti
Struktur penelitian tes diagnostik
Mirip dengan studi observasional lainnya yakni meneliti hubungan antara "prediktor variabel" dan
"outcome variabel"
β’ Predictor variabelnya adalah hasil dari tes, dimana hasil tes tersebut dapat berupa variabel yang mempunyai skala:
o Kontinue (misal mg/dl)
o Dikotomus (positif atau negatif) o Kategorikal (++++, +++, ++, +, -)
β’ Outcome variabelnya adalah ada atau tidak adanya penyakit (sakit positif atau sakit negatif)
Menentukan status sakit dengan GOLD STANDARD, idealnya:
β’ Selalu positif pada orang yang sakit
β’ Selalu negatif pada orang yang tidak sakit
Validitas dari suatu tes skrining
Validitas: kemampuan dari suatu tes diagnostik untuk membedakan antara orang yang sakit dan orang yang tidak sakit
β’ Validitas mempunyai 2 komponen yaitu:
o Sensitifitas : Kemampuan mengidentifikasi secara benar siapa yang sakit o Spesifisitas : kemampuan mengidentifikasi secara benar siapa yang tidak sakit
Hasil tes diagnostik dikotomus
β’ Konsep sensitifitas dan spesifitias dari tes diagnostik dengan hasil yang bersifat dikotomus:
o Contoh:
Sensitifitas Spesifitias
β’ Dari 100 orang sakit, 80 diidentifikasi secara benar (hasi tes positif) oleh tes diagnostik
β’ Sensitifitas dari tes adalah 80%
β’ Disini 20 orang tidak dapat
diidentifikasikan dengan benar oleh tes diagnostik tersebut
β’ Dari 900 orang yang tidak sakit, 800 diidentifikasikan secara benar (hasil tes negatif) oleh tes diagnostik
β’ Spesitifitas dari tes adalah 800/900 atau 89%
β’ Disini ada 100 orang yang tidak dapat diidentifikasikan dengan benar oleh tes diagnostik tersebut
ππ ππ + πΉπ
ππ FP + Tπ Proporsi dari orang yang sakit yang hasil
tesnya positif
Proporsi dari orang yang sehat yang hasil tesnya negatif
Sakit Sehat
+ 80 100 180
- 20 800 820
100 900 1000
PV+ = 80 / 180 = 44%
PV - = 800 / 820 = 98%
TP : True Positif FP : False Positif FN : False Negatif TN : True Negatif
SP : Sum Positif SN : Sum negative TA : Total Affected TH : Total Health
GT : Grand Total PV+ : Predictive value Positif PV- Predictive Value Negatif PCC : Akurasi
Sensitifitas
= TP / TA
Besaranya probilitas bahwa seseorang yang sakit akan memberikan hasil tes positif
Spesifisitas
= TN / TH
Besarnya probalititas bahwa individu yang sehat akan memberikan hasil tes yang negatif
Predictive value Positif (PVP)
= TP / SP
Probabilitas dari individu dengan hasil tes positif yang benar- benar sakit
Predictive Value Negatif (PVN)
= TN / SN
Probabilitas dari individu dengan hasil tes negatif yang benar- benar sehat
False Negatif Rate (FNR)
= FN / TA
= 1 - Sensitifitas
Probabilitas dari individu yang sakit memberikan hasil tes negatif
False Positif Rate (FPR)
= FP / TH
= 1 - Spesifisitas
Probabilitas dari individu yang sehat memberikan hasil tes positif
CONTOH 1
Diketahui Jumlah populasi 200, prevalensi kasus 50, Sensitivitas 80% dan spesifisitas 90%. Hitunglah FPR dan FNR:
Note:
FPR = False Positif Rate = FP / TH = 1 β Spesifisitas FNR = False negative rate = FN / TA = 1 - Sensitifitas
CONTOH 2
Diketahui jumlah populasi 200, prevalensi 20%, sensitivitas 80%, spesifisitas 90%. Hitunglah PVP dan PVN.
Nilai dari suatu tes diagnostik tidak hanya tergantung kepada sensitivitas dan spesifitiasnya, tapi juga tergantung pada prevalens penyakit di populasi.
Jika prevalensi penyakit menurun:
β’ Seseorang yang mempunyai hasil tes positif kemungkinan bahwa orang tersebut benar- benar sakit akan menurun
β’ Kemungkinan untuk terjadinya false positif menjadi meningkat
Sehingga semakin jarang frekuensi penyakit, maka tes diagnostik yang digunakan sebaiknya yang mempunyai spesifitas yang tinggi agar dapat berguna secara klinis.
Sebaliknya semakin sering frekuensi suatu penyakit, maka tes diagnostik yang digunakan sebaiknya yang mempunyai sensitifitas yang tinggi, jka tidak, hasil tes false negatif akan meningkat.
Pada single patien kejadian suatu penyakit biasanya diistilahkan sebagai prior probability.
Prior probability adalah probabilitas terjadinya penyakit pada seseorang individu berdasarkan karakteritik demografi dan klinis yang dimilikinya (estimasi sebelum tes dilakukan)
β’ Misalnya prior probability penyakit jantung koroner sangat rendah, hanya 1% pada kelompok usia sangat muda
β’ Tapi prior probability penyakit tadi dapat sangat tingggi pada seseorang yang perokok dan telah mempunyai gejala-gejala angina pectoris.
Hubungan antara prevalensi / prior pribability, sensitifitas, spesifisitas dan kemampuan memprediksi suatu penyakit.
Hubungan tersebut dikalkulasi dengan cara:
Menghitung PVP dan PVN
o Efek dari perubahan prevalensi pada PVP dan PVN suatu tes diagnostik dapat digambarkan melalui tabel 2 x 2
Contoh: Peneliti ingin mengukur kemampuan memprediksi suatu tes diagnostik X pada suatu populasi dimana prevalens karsinoma payudara = 5%. Sensitifitas dan spesifistas dari tes X adalah 95% dan 85%.
Prosedur yang dilakukan:
1. Pilih sampel, misalnya besarnya sampel 1600
2. Berdasarkan prevalens P (D+) = 5%, maka jumlah individu yang sakit karsinoma payudara = 5/100 x 1600 = 80 orang
3. Hitung orang yang tidak terkena karsinoma payudara Γ 1600-80 = 1520 orang
4. Hitung orang (proporsi) dari orang-orang yang sakit karsinoma payudara yang mempunyai hasil tes X positif berdasarkan sensitifitas 0.95 Γ Orang yang sakit dengan hasil tes positif (True Positive) = 0.95 x 80 = 76 orang.
5. Hitung proporsi dari orang yang tidak sakit yang mempunyai hasil tes X negatif berdasarkan spesifisitas 0.85 Γ Orang yang sehat dengan hasil tes negatif (True Negative) = 0.85 x1520 = 1292
6. Masukkan angka-angka tersebut dalam tabel 2 x 2 sehingga dapat diperoleh : orang yang sakit tapi hasil tes negatif (FN) dan orang yang tidak sakit tapi hasil tes positif (FP)
7. Hitunglah:
β’ Predictive Value Positif => P (D+ ! T+) = 76/304 = 0.25 = 25%
β’ Predictive Value Negatif => P (D-! T-) = 1292/1296 = 0.997 = 99,7%
8. Interpretasi: Kemampuan tes X untuk memprediksi kanker payudara pada seseorang bila prevalensi kanker payudara 5% adalah:
β’ Bila hasil tes X positif pada seseorang maka kemungkinan orang tersebut menderita kanker payudara 25%
β’ Bila hasil tes X negatif pada seseorang maka kemungkinan orang tersebut tidak menderita kanker payudara 99,7%
Tabel 2 x 2 untuk menggambarkan langkah-langkah dalam back calculation methode
Secara umum sensitifitas dan spesisifitas tidak tergantung pada prevalens penyakit di populasi Prevalens mempengaruhi PVP dan PVN.
β’ Jika prevalensi penyakit di populasi tinggi PVP akan meningkat dan PVN akan menurun
β’ Jika prevalensi penyakit di populasi rendah, PVP menurun dan PVN meningkat
Multiple testing / tes diagnostik ganda
β’ Karena kebanyakan tes diagnostik kurang akurat, maka para klinisi sering menggunakan beberapa tes diagnostik untuk menentukan suatu penyakit
β’ Beberapa tes diagnostik yang dipakai bersama-sama tadi dapat dilakukan secara paralel ataupun secara serial.
Tes diagnostik paralel Tes diagnostik serial
β’ Contoh : dari 1 sampel darah dilakukan 18 macam pemeriksaan rutin
β’ Penggunaan : tes paralel biasanya dilakukan bila dibutuhkan hasil pengukuran dengan cepat misal pada kondisi emergensi ataupun pada pemeriksaan disik yang rutin
β’ Hasil yang positif dari salah satu kelompok tes yang dilakukan diambil sebagai bukti adanya penyakit
β’ Contoh ECG dan Echocardiografi dua produser untuk menentukan adanya kondisi ventrikel septal defect, hasil dari kedua tes dapat digunakan sebagai berikut:
β’ (T1 +, T2+) Γ ECG +, echocardiografi +
β’ (T1 +, T2-) Γ ECG +, echocardiografi -
β’ (T1 -, T2 +) Γ ECG -, echocardiografi +
β’ (T1 -, T2 -) Γ ECG -, echocardiografi β
β’ Jika salah satu tes menghasilkan positif, maka penyakit dianggap positif atau ada.
β’ Tes dilakukan secara berurutan atau sekuensial
β’ Penggunaan:
β’ Jika tidak dibutuhkan pengukuran yang cepat
β’ Dilakukan bila suatu tes awal positif
β’ Jika tes yang ada semuanya mahal dan berisiko pilih tes yang paling spesifik dulu
β’ Hasil: semua tes harus mempunyai hasil positif baru penyakit dianggap positif
β’ Contoh:
β’ Hasil bersamaan suatu tes 1 dan tes 2 untuk penyakit VSD yang dilakukan secara paralel maupun serial
CONTOH
Dari data diatas, buat tabel 2X2
Paralel
D+ D-
+ 15+20 + 60 20+15+5 135
- 5 60 65
100 100
Dari data diatas, tes paralel
Dari data diatas, buat tabel 2X2
Serial
D+ D-
+ 60 5 65
- 15 + 20 + 5 20 + 15 + 60 135
100 100
Kesimpulan
Tes paralel memberikan:
β’ Sensitifitas yang lebih tinggi dari pada tes serial
β’ Memberikan PVN yang lebih baik
β’ Spesifitas yang lebih renda dari pada tes serial
Kesimpulan
Tes serial memberikan
β’ Spesifisitas yang lebih tinggi dari pada tes paralel
β’ PVP yang lebih baik
β’ Sensitifias yang lebih rendah dari tes paralel
Hasil tes diagnostik dengan skala kontinue
β’ Hasil tes diagnostik saat berupa variabel kontinyu. Contoh: tekanan darah, kadar gula darah, BB, dan lain-lain. Hasil tes tidak dinyatakan dalam bentuk hasil tes + atau -
β’ Untuk menentukan validitas (sensitifitas dan spesifisitas) dari tes tadi diperlukan keputusan untuk menentukan hasil tes dari skala kontinyu tadi dalam bentuk dikotomus yaitu tes + dan - sehingga diperlukan mencari cut off poin dimana tes dikatakan + atau -
A dan B C d
A = populasi terdiri dari orang-orang sehat dan penderita DM yang masih berbarus menjadi 1
B = Populasi dikelompokkan menjadi orang-orang sehat dan penderita DM
C = Jika cut off poin pada kadar gula yang relatif tinggi, maka:
β’ Sensitifitas tes = 5/20
= 25%
β’ Spesifitas tes = 18/20
= 90%
D = jika cut off poin kadar gula yang relatif rendah makan
β’ Sensitifitas tes = 17/20 = 85%
β’ Spesifitas tes = 6/20
= 30%
Pada prakteknya:
β’ Sering sulit menentukan cut of poin dari suatu hasil tes yang berskala kontinyu
β’ Selalu ada trade off antara sensitifitas dan spesifitas tes artinya jika sensitifitas dinaikkan maka spesifisitas akan turun dan sebaliknya.
Pilihan atas cut of poin suatu hasil tes yang bersifat kontinyu tergantung kepada kepentingan atas makna dari false positif dan makna dari false negatif
Makna dari false positif Makna dari false negatif
β’ Orang tidak sakit tapi hasil tes menunjukkan positif
β’ Merupakan beban mental terutama untuk penyakit yang serius
β’ Jika hasil tes yang positif tadi di follow up ternyata kemudian orang tersebut sebetulnya tidak sakit maka hal tersebut akan memberikan beban finansial
β’ Orang sakit tapi hasil tes menunjukkan negatif
β’ Pasien tidak segera diobati hal tersebut akan berbahaya untuk penyakit yang serius
Dengan demikian, pemilihan atas cut of poin dari suatu hasil tes yang bersifat kontinyu berkaitan dengan kepentingan makna false positif atau false negatif terhadap penyakit yang di tes
β’ Jika suatu tes penyakit menginginkan hasil false positif yang rendah maka spesifisitas tes harus tinggi
β’ Jika suatu tes penyakit menginginkan hasil false negatif yang rendah maka sensitifitas tes harus tinggi.
Cara lain untuk menentukan βcut-off pointβ dari suatu hasil tes yang bersifat kontinyu yaitu dengan menggunakan ROC:
β’ ROC merupakan singkatan dari Receiver Operator Characteristic
β’ Memberikan gambaran βtrade offβ antara spesifisitas dan sensitifitas dari suatu tes yang digambarkan pada suatu kurva
β’ Peneliti memilih berbagai nilai βcut-off pointβ dan menentukan sensitifitas serta spesifisitas dari tiap-tiap nilai βcut-off pointβ yang dipilih
β’ Peneliti menggambarkan sensitifitas sebagai fungsi dari (1-spesifisitas) pada kurva, dimana (1-spesifisitas) sesungguhnya adalah False positive (FP)
β’ Nilai dari tes tadi digambarkan sepenjang kurva
β’ Suatu tes yang ideal maka nilai dari tes akan mencapai puncak sebelah pojok kiri dari kurva.
Pada posisi tersebut suatu tes mempunyai nilai sensitifisitas 100% dan 0% (1-spesifisitas) atau spesifisitas 100%. Pada prakteknya tes ideal seperti itu sulit ditemukan
β’ Berikut ini merupakan contoh penggunaan ROC untuk menentukan βcut -off pointβ
Dari kurva di atas maka pilhan cut of poin 50 mg/ml merupakan nilai yag terbaik dari trade of antara spesifisitas dan spesifisitas dimana sensitifitasnya=90% dan spesifisitasnya =90%
Karakteristik performance dari suatu tes diagnostik 1. Sensitifitas
β’ Besaranya probbilitas bahwa seseorang yang sakit akan memberikan hasil tes positif pada tes diagnostik.
β’ Sensitifitas adalah True Positive Rate (TPR)
β’ Notasi : P (T+ ! D+)
β’ Kalkulasi : Sensitifitas P (T+ ! D+) = TPR
β’ Sensitifitas = πΌππππ£πππ’ π¦πππ π ππππ‘ ππππππ hππ ππ π‘ππ +
ππππ’π πππππ£πππ’ π ππππ‘
2. Spesitifitas
β’ Besarnya probalititas bahwa individu yang tidak sakit / sheat akan memberikan hasil tes yang negatif
β’ Notasi : P (T- ! D-)
β’ Kalkulasi : Spesifisitas = P (T- ! D-) = TNR
β’ Spesitifitas adalah True Negatif Rate (TNR)
β’ Spesitifitas = πΌππππ£πππ’ π¦πππ π πhππ‘ ππππππ hππ ππ π‘ππ πππππ‘ππ ππππ’π πππππ£πππ’ π πhππ‘
3. False Positif Rate (FPR)
β’ Probablitias dari individu yang sehat memberikan hasil tes positif
β’ Notasi : P (T+! D-)
β’ Kalkulasi : FPR = P(T+!D-)
β’ FPR = πΌππππ£πππ’ π¦πππ π πhππ‘ ππππππ hππ ππ π‘ππ +
ππππ’π πππππ£πππ’ π πhππ‘
4. False Negatif Rate (FNR)
β’ Probablitias dari individu yang sakit memberikan hasil tes negatif
β’ Notasi : P (T-! D+)
β’ Kalkulasi : FNR = P(T-!D+)
β’ FNR = πΌππππ£πππ’ π¦πππ π ππππ‘ ππππππ hππ ππ π‘ππ β ππππ’π πππππ£πππ’ π ππππ‘
5. Prevalence
β’ Proporsi individu di populasi yang telah sakit
β’ Notasi : P (D+)
β’ Kalkulasi : Prevalensi = P(D+)
β’ Prevalensi = jumlah individu sakit / jumlah populasi
6. Predictif Value Positif (PVP)
β’ Probablitias dari individu dengan hasil tes positif yang benar-benar sakit
β’ Notasi : P (D+! T+)
β’ Kalkulasi : PVP = P (D+!T+)
β’ PVP = πΌππππ£πππ’ ππππππ π‘ππ πππ ππ‘ππ π¦πππ πππππβπππππ π ππππ‘ ππππ’π πππππ£πππ’ ππππππ hππ ππ π‘ππ πππ ππ‘ππ
7. Predictif Value Negatif
β’ Probablitas dari individu dengan hasil tes negatif yang benar-benar sehat
β’ Notasi : P (D-! T-)
β’ Kalkulasi : PVP = P (D-!T-)
β’ PVN = πΌππππ£πππ’ ππππππ π‘ππ πππππ‘ππ π¦πππ πππππβπππππ π πhππ‘ ππππ’π πππππ£πππ’ ππππππ hππ ππ π‘ππ πππππ‘ππ
Sensitifitas dan false negatif rate Spesifisitas dan FPR Kalkulasi sensitifitas berdasarkan FNR:
β’ Sensitifitas = P (T+! D+) = 1 - P (T-!D+)
β’ Sensifisitas = 1 - FNR
Jika suatu tes benar-benar sensitif misal sensitifitasnya 100% atau 1,
Maka semua orang yang sakit akan memberikan hasil tes yang positif tidak akan ada yang
memberikan hasil tes negatif -> FNR akan 0
Kalkukasi FNR berdasarkan sensitifitas
β’ FNR = P (T- ! D+)
β’ FNR = 1 - P (T+ ! D+)
β’ FNR = 1 - Sensitifitas
Kalkulasi spesifisitas berdasarkan FP Rate:
β’ Spesifisitas = P ( T- ! D-)
β’ Spesifisitas = 1 - P (T+ ! D-)
β’ Spesifisitas = 1 - FPR
Jika suatu tes benar-benar spesifik dimana spesifisitasnya 100% = 100% 1
Maka semua individu yang sehat akan memberikan hasil tes yang negatif, tidak ada hasil tes yang positif -> FPR akan 0
Kalkulasi FPR berdasarkan spesifitas
β’ FPR = P (T-!D-)
β’ FPR = 1 - P (T- ! D-)
β’ FPR = 1 - Spesifisitas
