Studi Kasus Kontrol Berpasangan
Studi Kasus Kontrol Berpasangan
=
] [
] [
i
i
MH
n c b
n d a
OR
10
Situasi e
Case Control Total ad/T bc/T
Exposed 1 1 2
0/2 0/2
Unexposed 0 0
0
Total 1 1 2
Individual matching: Analisis
Controls
Exposed Unexposed
Exposed e f
Cases
Unexposed g h
11
Situation f
Case Control Total ad/T bc/T
Exposed 1 0 1
Unexposed 0 1
1
1/2 0/2
Total 1 1 2
Individual matching: Analisis
Controls
Exposed Unexposed
Exposed e f
Cases
Unexposed g h
12
Situation g
Case Control Total ad/T bc/T
Exposed 0 1 1
Unexposed 1 0
1
0/2 1/2
Total 1 1 2
Individual matching: Analisis
Controls
Exposed Unexposed
Exposed e f
Cases
Unexposed g h
13
Situation h
Case Control Total ad/T bc/T
Exposed 0 0 0
Unexposed 1 1
2
0/2 0/2
Total 1 1 2
Individual matching: Analisis
Controls
Exposed Unexposed
Exposed e f
Cases
Unexposed g h
14
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
exposed control where pairs discordant
exposed case where pairs discordant
=
g
f
0h 1/2g 0f 0e
0h 0g 1/2f 0e
=
+ + +
+ + +
=
] [
] [
i
i
MH
n c b
n d a
OR
Individual matching: Analisis
g
f
0h 1/2g 0f 0e
0h 0g 1/2f 0e
=
+ + +
+ + +
=
] [
] [
i
i
MH
n c b
n d a
OR
exposed control where pairs discordant
exposed case where pairs discordant
=
g f
g f
+
=
2
2
) (
_
Mantel-Haenszel _
2
test untuk padanan 1:1 = McNemars Test
16
Individual matching: Analisis
Controls
Exposed Unexposed Total
Exposed 194 46 240
Cases
Unexposed 6 29 35
Total 200 75 275
7.67
6
46
g
f
OR
MH
= = = _
2
= (46 6)
2
/(46 + 6)= 30.77
17
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
18
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
Total
6 1
1
6
exposed control where pairs discordant
exposed case where pairs discordant
= =
MH
OR
19
Frequency matching: Analisis
Age (yrs) Cases
Controls,
matched
0-14 10 10
15-29 15 15
30-44 35 35
>44 25 25
Total 85 85
20
Frequency matching: Analisis
Age (yrs) Cases
Controls,
matched
0-14 10 10
15-29 15 15
30-44 35 35
>44 25 25
Total 85 85
Stratum 2
15-29 yrs Cases Controls Total
Exp 7 5 12
N_exp 8 10 18
Total 15 15 30
Stratum 1
0-14 yrs Cases Controls Total
Exp 6 1 7
N_exp 4 9 13
Total 10 10 20
Stratum 3
Stratum 4
21
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
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
23
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
24
Overmatching
Controls
Exposed Unexposed
Exposed 1 15
Cases
Unexposed 1 3
GP, age-matched
OR = f/g = 15/1 = 15
Controls
Exposed Unexposed
Exposed 13 3
Cases
Unexposed 1 3
Friend-matched
OR = f/g = 3/1 = 3
Ukuran contoh studi berpadanan 1:1
) (
0 1 1 0
q p q p
m
n
+
=
Keterangan:
2
2
1
1 (
2
|
.
|
\
|
(
+
=
P
P P z
z
m
|
o
P = R/(1 + R), R = prakiraan odds ratio
p
1
= p
0
R/[1 + p
0
(R-1)]
p
0
= proporsi kontrol yang terpapar variabel yang diteliti pada populasi sasaran
q
0
= 1 - p
0
q
1
= 1 p
1
26
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
Mengatasi masalah data yang langka dengan cara
menyeimbangkan strata
Memaksimumkan informasi jika ukuran sampel kecil
Kadang-kadang lebih mudah untuk
mengidentifikasi kontrol
Sampel acak tidak mungkin dilakukan
27
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
28
Take-home messages
Merupakan teknik yang bermanfaat jika digunakan dengan
bijaksana
Data set yang seimbang, meningkatkan presisi, mencegah
confounding
Dapat mengendalikan faktor yang komplek, yang kemungkinan
sulit diukur
Jangan melakukan pemadanan karena pertimbangan
kemudahan
Rutin
Malas untuk memperoleh contoh acak dari populasi sumber
Ingin menghindarkan ukuran contoh yang besar
Jika melakukan pemadanan, maka pemadanan dilakukan
dengan menggunakan confounder