KoNFouNDiNG DAN INtERAksi - PDFCOFFEE.COM

Konfounding dan Interaksi

Departemen Biostatistika

FKM UI, 2010

CONFOUNDING

Dari bahasa latin cunfundere (to mix together) Pengertian:

ƒ Suatu distorsi (gangguan) dalam menaksir pengaruh paparan

terhadap kejadian penyakit/outcome sebagai akibat tercampurnya pengaruh sebuah atau beberapa variabel luar.

ƒ Suatu kondisi bias dalam mengestimasi efek paparan terhadap kejadian penyakit/masalah kesehatan, akibat perbandingan yang  tidak seimbang antara kelompok exposed dan non exposed.

ƒ 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

¾ Berhubungan dengan paparan/faktor resiko yang diteliti (causally or  non‐causally associated)

¾ Berhubungan dengan penyakit/outcome (causally associated)

¾ Bukan merupakan konsekuensi dari paparan (tidak terletak diantara E & D / variabel antara)

Exposure Disease

Confounder

Arah Confounding

1.  Positif Æ Overestimate (risk value menjauhi ‘Null value’)

2. 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)

OR/RR

2 1.7

1.3 1

0.5 0.3

0

Null value

CF controlled

CF not controlled CF not controlled

CF controlled

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. Stratifikasi

2. Analisa Multivariate

INTERAKSI

Interaksi = Efek modifikasi Pengertian:

ƒ Keberagaman/heterogenitas/variasi efek dari suatu faktor resiko terhadap kemunculan penyakit/outcome, pada level yang berbeda dari faktor resiko lain, pada base population

ƒ 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

ƒ

Interaksi Aditif

• Keberadaannya dinilai dengan memakai ukuran asosiasi berupa risk/rate  difference (AR).

• Bermanfaat untuk kepentingan program kesmas atau intervensi pencegahan penyakit

ƒ

Interaksi multiplikatif

• Keberadaannya diukur dengan memakai ukuran asosiasi berupa risk/rate  ratio (RR/OR).

• Penting untuk menjelaskan hubungan kausalitas.

Efek Modifikasi Efek Konfounding

ƒ Tidak berhubungan dg design study

ƒ Menambah/memodifikasi efek E

ƒ OR₁ = OR₂ = OR₃ = OR₄ = OR_n

ƒBukan bias

ƒ Quantitative measure of association (not a validity issue)

ƒ Berhubungan dengan design study

ƒ Mengganggu efek E yang diteliti

ƒ OR₁ = OR₂

ƒ OR crude OR adjusted

ƒ Bias sistematik

ƒ Qualitative measure of association (affect validity)

Variabel Ke3 OR_C OR_A 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

„

Regresi Linier Ganda

9

Adanya

Konfounder

akan menyebabkan

a)

Perubahan R Square

b)

Perubahan (unstandardized) coefisien B (OR) sebesar >

10%

9

Adanya

Interaksi

antar 2 variabel independent ditunjukan dengan nilai Sig. < 0.05

Analisa Regresi Linier/Logistik Ganda

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%

Model Summary

.926^a .858 .845 1.5061

Model 1

R R Square

Adjusted R Square

Std. Error of the Estimate

Predictors: (Constant), sex, umur, lemakkulit, lemakpersen

a.

Model Summary^b

.943^a .889 .876 1.3491 1.840

Model 1

R R Square

Adjusted R Square

Std. Error of the Estimate

Durbin- Watson

Predictors: (Constant), lemakKt_prpr, umur, sex, lemakpersen, lemakkulit

a.

Dependent Variable: imt b.

R square regresi linier ganda dengan konfounder masuk pada model

R square regresi linier ganda dengan konfounder tidak

masuk pada model

Umur merupakan konfounder karena menyebabkan OR ‘lemak persen’ berubah >10%

Imt = 17.074 – 0.126 umur + 0.08 lemakkulit + 0.204 lemakpersen + 3.074 sex

¾ Dilakukan pada variabel‐variabel yang diduga secara substansi berinteraksi.

Model Persamaan Regresi linier ganda

1). variable ‘lemak kulit’ dan ‘lemak persen’ secara substansi diduga berinteraksi

Coefficients^a

22.651 3.151 7.188 .000

-.133 .041 -.176 -3.220 .002 .863 1.158

-.063 .043 -.437 -1.461 .151 .029 34.599

.082 .048 .238 1.713 .094 .134 7.451

2.436 .693 .268 3.513 .001 .444 2.254

.003 .001 1.251 3.440 .001 .020 51.140

(Constant) umur lemakkulit lemakpersen sex

lemakKt_prpr Model

1

B Std. Error Unstandardized

Coefficients

Beta Standardized

Coefficients

t Sig. Tolerance VIF

Collinearity Statistics

Dependent Variable: imt a.

Uji Interaksi

Imt = 22.651 – 0.133 umur - 0.063 lemakkulit + 0.082 lemakpersen + 2.436 sex + 0.003 lemakkt_prpr

Coefficients^a

-2.875 11.880 -.242 .810

.189 .187 .251 1.011 .317 .050 19.908

.078 .014 .534 5.683 .000 .350 2.861

.729 .305 2.111 2.391 .021 .004 252.645

2.724 .757 .300 3.598 .001 .444 2.253

-.008 .005 -1.494 -1.734 .090 .004 240.709

(Constant) umur lemakkulit lemakpersen sex

umur_lemakpr Model

1

B Std. Error Unstandardized

Coefficients

Beta Standardized

Coefficients

t Sig. Tolerance VIF

Collinearity Statistics

Dependent Variable: imt a.

2). secara substansi umur akan mempengaruhi lemak persen,

Sehingga persamaan regresi linier akhir untuk memprediksi nilai ‘imt’

adalah:

„

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

„ variabel independent utama (faktor resiko) dalam pemodelan faktor resiko, atau

„ variabel independent lain dalam pemodelan prediksi

9 Adanya Interaksi antar 2 variabel independent ditunjukan dengan nilai Sig. < 0.05

Variables in the Equation

8,265 2 ,016

1,872 ,858 4,764 1 ,029 6,503 1,211 34,940

2,711 ,946 8,206 1 ,004 15,045 2,354 96,155

,921 ,541 2,899 1 ,089 2,511 ,870 7,245

-2,727 ,882 9,563 1 ,002 ,065

IMT3 IMT3(1) IMT3(2) SEX Constant Step

1^a

B S.E. Wald df Sig. Exp(B) Lower Upper

95,0% C.I.for EXP(B)

Variable(s) entered on step 1: IMT3, SEX.

a.

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

„

C merupakan faktor risiko D

„

C memiliki asosiasi dengan E

E D

C

Contoh Confounding

Ibu Anemia BBLR

St.Gizi Ibu

Contoh confounding

Kelompok gizi kurang dan gizi baik

BBLR+ BBLR- Jumlah

Anemia + 24 36 60

Anemia - 36 24 60

Jumlah 60 60 120

OR = (24*24)/(36*36)=0,44

Hubungan anemia dg BBLR

Simpulan: Anemia faktor pencegah terjadinya BBLR ??

Ibu Anemia BBLR

Contoh confounding

Kelompok gizi baik

BBLR+ BBLR- Jumlah

Anemia + 18 34 52

Anemia - 2 6 8

Jumlah 20 40 60

OR = (18*6)/(34*2) = 1,58 Kelompok gizi kurang

BBLR+ BBLR- Jumlah

Anemia + 6 2 8

Anemia - 34 18 52

Jumlah 40 20 60

OR = (6*18)/(2*34) = 1,58

Hubungan anemia dg BBLR (Dipisah menurut status Gizi)

Simpulan:

Anemia adalah faktor risiko

terjadinya BBLR (baik pd gizi baik maupun pd gizi kurang)

Contoh confounding

Hubungan status gizi dengan BBLR

BBLR+ BBLR- Jumlah

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

St.Gizi ibu

BBLR

Contoh confounding

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

Ibu Anemia

St.Gizi Ibu

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

‰

Restriksi

‰

Matching

„

Pada Pengumpulan Data

‰

Confounding harus diukur

„

Pada Analisis

‰

Analisis multivariat