Anda di halaman 1dari 42

KELUARAN MODEL SKORING PROGNOSTIK GOMEZ TERHADAP KEMATIAN DINI PADA CEDERA KEPALA BERAT DI RSUP DR. HASAN SADIKIN BANDUNG PERIODE 1 JANUARI 2014 - 31 DESEMBER 2014

Oleh EL IKLI RAISYI, dr

130221100005

Paper Bedah Lanjut

Untuk memenuhi salah satu syarat kelulusan Program Pendidikan Dokter Spesialis 1 Ilmu Bedah Fakultas Kedokteran Universitas Padjadjaran

1 Ilmu Bedah Fakultas Kedokteran Universitas Padjadjaran PROGRAM PENDIDIKAN DOKTER SPESIALIS 1 BAGIAN BEDAH FAKULTAS

PROGRAM PENDIDIKAN DOKTER SPESIALIS 1 BAGIAN BEDAH FAKULTAS KEDOKTERAN UNIVERSITAS PADJADJARAN BANDUNG

2015

1

2

KELUARAN MODEL SKORING PROGNOSTIK GOMEZ TERHADAP KEMATIAN DINI PADA CEDERA KEPALA BERAT DI RSUP DR. HASAN SADIKIN BANDUNG PERIODE 1 JANUARI 2014 - 31 DESEMBER 2014

El Ikli Raisyi 1 , Muhammad Zafrullah Arifin 2 1.Peserta PPDS Ilmu Bedah Fakultas Kedokteran, Universitas Padjadjaran 2. Pengajar Departemen Bedah Saraf, Fakultas Kedokteran, Universitas Padjadjaran

Abstrak Pendahuluan: Cedera kepala traumatik terutama cedera kepala berat merupakan penyebab utama kematian dan kecacatan di banyak negara. Cedera kepala berat merupakan penyebab kematian dini, sehingga sangat penting untuk menilai prognosa pasien. Cedera kepala berat dan kematian dini (< 48 jam) membutuhkan pertimbangan strategi pengelolaan penanganan pasien dengan pertimbangan alokasi sumber daya yang dibutuhkan. Metode: Terdapat 94 kasus cedera kepala berat yang memenuhi kriteria inklusi, data diambil dari rekam medik secara retrospektif (1 Januari 2014 31 Desember 2014) dengan variabel usia, motorik, reaksi pupil, syok, perdarahan sub dural, penekanan sisternal, perdarahan epidural, kemudian data tersebut di berikan nilai sesuai dengan skor prognostik Pedro. Rentang skor 0 20 dengan probabiliti kematian dini. Data diolah secara statistik dengan menggunakan SPSS versi 18. analisis kesesuaian model prediksi kematian dini Gomez dengan analisis regresi logistik. Hasil: Dari 94 pasien, 30 meninggal (31,9%) dan 64 hidup (68,1%). Rata-rata skor seluruh pasien adalah: 4,71 2,81 dengan median 5 dan rentang skor antara 0-11. Pasien yang mati memiliki rata-rata skor 5,50 2,64 dengan median 6 dan rentang skor antara 0-11. Pasien yang hidup memiliki rata-rata skor 4,34 283 dan median skor 4,5 rentang skor antara 0-11. Mayoritas pasien berusia antara 15-35 tahun (46,8%) dengan karakteristik dominan untuk motorik: lainnya (96,8%), reaksi pupil: lainnya (59,6%), syok: tidak (97,9%), perdarahan subdural: tidak (60,6%), penekanan sisternal: ya (55,3%), dan perdarahan epidural: tidak (74,5%) . Secara fungsional, akurasi prediksi dari fungsi regresi logistik yang diperoleh adalah sebesar 72,3% dengan sensitivitas 33,3% dan spesifisitas 90,6%. Kesimpulan : Nilai prediksi skor prognosis Gomez mempunyai nilai sensifitas rendah, spesifisitas sedang dan akurasi sedang Kata Kunci: Akurasi, Cedera kepala berat, Kematian dini, Model skor prognostik Gomez

3

OUTPUT OF GOMEZ PROGNOSTIC SCORE MODEL FOR EARLY MORTALITY IN SEVERE HEAD INJURY IN DR. HASAN SADIKIN HOSPITAL PERIOD JANUARY 2014- DECEMBER 2014

El Ikli Raisyi 1 , Muhammad Arifin Zafrullah 2 Resident Department of Surgery Faculty of Medicine, University of Padjadjaran Lecturer Department of Neurosurgery, Faculty of Medicine, University of Padjadjaran

Abstract

Introduction: Head injury, especially severe head injury is the cause of death and disability in many countries. Severe head injury is the cause of early mortality, so it is important to assess the prognosis of patients. Severe head injury and early mortality (<48 hours) require the patient care of management strategies with consideration of the allocation of resources.

Methods: There were 94 cases of severe head injury who met the inclusion criteria, data is extracted from medical records retrospectively (January 1, 2014 - December 31, 2014) with the variables of age, motor, pupillary reactions, shock, sub-dural haemorrhage, emphasis cysternal, epidural hemorrhage, then the data is given in accordance with the score prognostic value of Gomez. Score range 0-20 with probability early mortality. The data were processed statistically by using SPSS version 18. The analysis of the suitable of the Gomez model prediction for early mortality by logistic regression analysis.

Results: From the 94 patients, 30 died (31.9%) and 64 survive (68.1%). The average score of all patients are: 4.71 2.81 with a median of 5 and a score range between 0-11. Patients who died had an average score of 5.50 2.64 with a median of 6 and a score range between 0-11. Patients who survive has an average score of 4.34 283 and a median score of 4.5 the range of scores between 0-11. The majority of patients between 15-35 years old (46.8%) with the dominant characteristics of the motor: other (96.8%), the reaction of the pupil: Other (59.6%), shock: no (97.9%), hemorrhage subdural: not (60.6%), the emphasis cysternal: yes (55.3%), and epidural hemorrhage: not (74.5%). Functionally, the prediction accuracy of logistic regression function obtained is equal to 72.3% with 33.3% sensitivity and 90.6% specificity.

Conclusions: The Gomez score prognosis model has lower sensitivity, moderate specificity and moderate accuracy

Keywords: Accuracy, severe head injury, early death, Gomez prognostic score model

4

DAFTAR ISI

LEMBAR PENGESAHAN

i

DAFTAR ISI

ii

Abstrak

iv

BAB I. PENDAHULUAN

1.1 Latar Belakang Penelitian

1

1.2 Rumusan Masalah

3

1.3 Tujuan Penelitian

3

1.4 Kegunaan Penelitian

3

BAB II. KAJIAN PUSTAKA

2.1 Definisi

4

2.2 Klasifikasi Cedera Kepala

4

2.3 Glasgow Coma Scale (GCS)

6

2.4 Model Prognostik

8

BAB III. SUBJEK DAN METODE PENELITIAN

3.1 Subjek Penelitian

13

3.1.1

Populasi

13

3.2.1

Kriteria Inklusi

13

3.2.1

Kriteria Eksklusi

13

3.2 Metode Penelitian

13

3.2.1

Rancangan Penelitian

13

5

3.2.3 Cara Kerja dan Teknik Pengumpulan

14

3.2.4 Tempat dan Waktu Penelitian

15

3.2.5 Rencana Pengolahan dan Rancangan Analisis Data

16

BAB IV. HASIL DAN PEMBAHASAN

4.1 Hasil

17

4.1.1

Karakteristik pasien

17

4.1.2

Kesesuaian Model Skor Prognostik Gomez

19

4.1.3

Diskriminasi Model Skor Prognosis Gomez

20

4.2 Pembahasan

22

BAB V. SIMPULAN DAN SARAN

5.1 Simpulan

25

 

5.2 Saran

25

DAFTAR PUSTAKA

26

6

BAB I

PENDAHULUAN

1.1. Latar belakang penelitian

Cedera kepala traumatik merupakan masalah kesehatan masyarakat dan sosial

ekonomi,

dan

merupakan

penyebab

utama

kematian

dan

kecacatan

pada

masyarakat di banyak negara. Insidensi cedera kepala meningkat tajam, terutama

karena meningkatnya pengendara motor di negara-negara berpenghasilan rendah

dan menengah. Secara global, lebih dari 10 juta orang mengalami cedera kepala

cukup serius yang mengakibatkan kematian atau masuk rumah sakit setiap

tahunnya. 1

Prevalensi cedera kepala di Amerika Serikat diperkirakan sekitar 5,3

juta kasus per tahun. Di Uni Eropa dengan 330 juta penduduk, sekitar 7.775.000

kasus cedera kepala baru terjadi setiap tahunnya. Di Indonesia, kejadian cedera

kepala berat adalah antara 6 hingga 12% dari semua kasus cedera kepala, dengan

angka kematian berkisar antara 25 dan 37%. 2 Di seluruh dunia, cedera kepala akan

melampaui banyak penyakit sebagai penyebab utama kematian dan kecacatan pada

tahun 2020 3

Insidensi cedera kepala sedang dan berat berkisar 10% 20% dari seluruh

cedera kepala, selanjutnya membutuhkan ruang intensive untuk perawatan. Pada

pasien cedera kepala berat satu dari dua pasien meninggal dan hidup dengan

dissabilitas berat.

Klinisi secara rutin membuat diagnostik dan keputusan terapeutik berdasarkan

prognosis pasien. Pentingnya menggunakan model yang akurat untuk memprediksi

7

cedera kepala terhadap kematian dini telah dirintis oleh Jennett et al. 4

Prediksi

cedera kepala berat mendukung pengambilan keputusan klinisi dalam manajemen

pasien, komunikasi dengan keluarga, dan alokasi sumber daya. Publikasi model

prognostik pada pasien cedera kepala berat telah menjadi tantangan dalam satu

dekade ini. Selain itu, model prognostik dapat digunakan untuk meningkatkan

klasifikasi

dari

cedera

kepala

berdasarkan

risiko

prognostik,

yang

akan

meningkatkan pemahaman tentang mekanisme penyakit yang lebih baik dan

menentukan pilihan penanganannya. 5

systematic

reviews

model

prognostik

untuk

cedera

kepala

yang

telah

dipublikasi dalam 20 tahun terakhir telah menghasilkan kritik tentang validitas

klinis atau metodologinya; hanya beberapa studi yang melakukan validasi internal

dan eksternal. 6

Beberapa penelitian telah menganalisis karakteristik pasien yang berhubungan

dengan kematian dini pada pasien cedera kepala berat. Tahun 2014 Gomez dkk

mempublikasikasi model skor prognosis kematian dini (dalam waktu 48 jam). pada

pasien cedera kepala berat, dengan tujuh variabel prediktor dan telah dilakukan

validasi interna dan eksterna. 7

Tujuan free paper ini, yaitu untuk mengetahui ketepatan prediksi kematian dini

berdasarkan model skoring prognostik Gomez pada pasien cedera kepala berat di

RSHS.

8

1.2.Rumusan Masalah

Bagaimana nilai prediksi kematian dini model skoring prognostik Gomez pada

pasien cedera kepala berat di RSHS

1.3.Tujuan Penelitian

Mengetahui sensitifitas, spesifisitas dan akurasi model skoring prognostik

Gomez terhadap kematian dini pada pasien cedera kepala berat di RSHS

1.4. Kegunaan Penelitian

Model skoring prognostik Gomez pada pasien cedera kepala berat terhadap

kematian dini dapat digunakan dalam pelayanan dan referensi

2.1. Definisi

BAB II

KAJIAN PUSTAKA

Cedera Kepala Traumatik memiliki arti yang sangat luas. Walaupun secara

anatomis memiliki arti suatu trauma terhadap bagian tubuh diatas batas bawah mandibula

namun secara umum trauma maksilofacial dibedakan dari cedera kepala. Tidak ada

kesepakatan khusus mengenai arti dari cederaa kepala untuk keperluan epidemiologi

namun Cedera Kepala diartikan suatu jejas pada kepala atau jaringan yang berada dalam

struktur kepala yang diakibatkan oleh sebuah energi eksternal seperti energi mekanik.

Menurut Field (1976) cedera kepala adalah trauma yang menyebabkan beberapa resiko

kerusakan pada otak. Sedangkan menurut Brookes et all (1990) cedera kepala adalah

suatu cedera pada scalp termasuk pembengkakan, aberasi atau kontusi dan laserasi, atau

riwayat pasti adanya benturan terhadap kepala, atau pasien yang telah dilakukan foto x-

ray kepala segera setelah trauma dan pasien yang mempunyai bukti klinis mengalami

fraktur dasar kepala. 8

2.2. Klasifikasi Cedera Kepala

Meskipun cedera kepala diklasifikasikan kedalam beberapa pembagian namun

penggolongan praktis yg sering digunakan adalah berdasarkan mekanisme, keparahan

(severity), dan Morfologi. 9

9

10

Berdasarkan mekanisme diklasifikasikan menjadi:

1. Cedera Kepala Tertutup

a. Kecepatan tinggi (kecelakaan)

b. Kecepatan rendah (jatuh, kekerasan)

2. Cedera Kepala Penetrasi

a. Luka tembak senjata

b. Cedera terbuka lainnya

Berdasarkan keparahan diklasifikasikan menurut Glasgow Coma Scale (GCS)

menjadi :

1. Cedera Kepala Ringan (GCS 14-15)

2. Cedera Kepala Sedang (GCS 9-13)

3. Cedera Kepala Berat (GCS 3-8)

Berdasarkan morfologi diklasifikasikan menjadi :

1. Fraktur Tulang

a. Tengkorak: linier atau stelate, depres atau tidak depres

b. Dasar Tengkorak : Dengan atau tanda kebocoran LCS, dengan

atau tanpa kelumpuhan nervus VII

2. Lesi Intraakranial

a. Fokal : epidural, subdural, intracranial

b. Difus : konkusi ringan, konkusi klasik, dan cedera otak difus

11

2.3. Glasgow Coma Scale (GCS)

Pada tahun 1974, Teasdale dan Jennet mengidentifikasikan tanda klinis yang

dapat memprediksikan hasil yang baik dan menghasilkan sedikit variasi apabila diperiksa

oleh pemeriksa yang lain yang dikenal dengan Skala Coma Glasgow atau Glasgow Coma

Scale (GCS). GCS ini memberikan keseragaman dalam memeriksa tingkat kesadaran

pasien. Tingkat kesadaran dibagi kedalam kemampuan pasien untuk membuka mata,

mengikuti perintah dan berbicara. Masing-masing komponen pemeriksaan diberikan

nilai sesuai fungsi dari pasien tersbut. Pasien yang mampu membuka mata secara

spontan, mengikuti perintah dan berbicara dengan orientasi baik diberi nilai tertinggi

yaitu 15 dan pasien yang tidak bisa membuka mata, tidak ada gerakan atau flasid dan

tidak bisa berbicara diberikan nilai terendah yaitu 3, dimana keadaan ini disebut koma. 9

Tabel 2.1. Glasgow Coma Scale 9

12

Komponen Penilaian

Nilai

Eye Opening (E)

Spontan

4

Respon suara (perintah)

3

Respon nyeri

2

Tidak ada respon

1

Motor Response (M)

Mengikuti perintah

6

Lokalisasi nyeri

5

Menghindari nyeri

4

Fleksi abnormal (Dekortikasi)

3

Ekstensi (Deserebrasi)

2

Tidak ada respon

1

Verbal Response (V)

Orientasi baik

5

Disorientasi

4

Kata-kata yang tidak sesuai

3

Suara

2

Tidak ada respon

1

13

Sebuah

model

prognostik

adalah

model

statistik,

atau

persamaan

matematika, yang mencakup dua atau lebih faktor prognostik atau variabel, untuk

menghitung probabilitas. Dalam penelitian medis, hasilnya adalah sering dikotomi;

contoh termasuk memprediksi probabilitas menjadi hidup atau mati pada titik

waktu tertentu, tumor menjadi jinak atau ganas. 10

Idealnya, faktor yang digunakan untuk membuat Model prognosis yang

secara statistik dan klinis terkait dengan hasilnya harus semua individu tercakup,

meskipun hal ini tidak selalu terjadi. variabel harus dipilih dengan hati-hati;

dianjurkan dengan memulai variabel kandidat, diketahui dari studi sebelumnya

Populasi Umumnya, lebih tinggi jumlah variabel meningkatkan model explanatory

effect, tetapi menggunakan

variabel lebih banyak

juga meningkatkan risiko

overfitting dan menurun penerapan klinis. Oleh karena itu, banyak peneliti

menyarankan bahwa model yang baik harus mencakup tidak lebih dari lima sampai

tujuh prediktor. 10

Namun, hal yang lebih penting daripada metode statistik adalah pemilihan

prediktor,

Sebuah tinjauan sistematis menyarankan perbaikan metodologi untuk

model prognostik pada cedera kepala ketika dibuat untuk memperhatikan cara

development nya dan cara validasi. 10

2.4.1. Validasi Internal

Validasi internal mengacu pada pengujian model untuk reproduktifitas

dalam dataset serupa dengan yang digunakan untuk mengembangkan model. semua

prognostik model harus setidaknyadilakukan internal validasi sebelum dilakukan

14

publikasi. Split-sampel, cross-validasi, jackknifing, dan bootstrap adalah teknik

statistik umum yang paling sering untuk internal validasi. 10

Teknik split-sampel mungkin metode yang paling sederhana dan mudah

untuk validasi internal. dataset dibagi acak menjadi dua kelompok, membuat

kelompok

yang

sama

tetapi

independen;

satu

Kelompok

digunakan

untuk

pengembangan Model (pengembangan set) dan kelompok lainnya digunakan untuk

validasi model (validasi set). Dengan cara ini model diuji pada sejenis tapi masih

data independen. teknik split-sampel, bagaimanapun, sangat tergantung pada

ukuran sampel dan membutuhkan cukup besar kelompok pasien. Selanjutnya, data

pemisahan

selalu

menghasilkan

mengurangi kekuatan statistik.

data

yang

hilang,

dan

dengan

demikian,

Teknik cross-validasi adalah perpanjangan teknik split-sampel, di mana

pasien secara acak dibagi menjadi dua bagian, satu untuk pengembangan model dan

lainnya untuk validation. Dalam cross-validasi, prosedur ini diulang dengan Model

sekarang dikembangkan di dataset lain dan divalidasi dalam dataset pengembangan

asli. Sehingga menjalani dua tahap sebagai perkiraan kinerja. Teknik cross-validasi

selanjutnya

dapat

diperpanjang

untuk

mengambil

90%

dari

data

untuk

pengembangan model dan 10% untuk validasi. Prosedur diulang untuk total sepuluh

kali untuk penilaian estimasi kinerja. 10

Bootstrap adalah teknik resampling komputer-intensif yang menarik sampel

acak dengan penggantian dari dataset aslinya Teknik bootstrap dapat diterapkan

pada berbagai ukuran kinerja, termasuk AUC, calibration slopes, and Nagelkerke

15

R2. Untuk menilai validitas internal Sebuah model dengan menggunakan teknik

bootstrap, yang dinilai adalah optimism-corrected performance. 10

2.4.2. Validasi Eksternal

Sebuah model prognostik umumnya penampilannya lebih baik pada dataset

dari mana ia berasal dari pada data baru. Tujuan validasi eksternal adalah untuk

menilai kinerja dari Model prognostik dalam ruang, tempat dan waktu yang berbeda

, tapi masih masuk kriteria yang masih terkait. Validasi eksternal sangat penting

dalam mendukung generalisasi model prognostik dan memberikan bukti bahwa

Model sebenarnya akurat dalam memprediksi outcomes. beberapa jenis variasi

validasi

eksternal,

apakah

metodologis

(temporal,

geografis,

sepenuhnya

independen) atau karakteristik (calon pengujian dengan pasien yang lebih baru,

multi-tempat pengujian, peneliti lain di tempat lain). 10

2.4.3.

Performance Assessment

2.4.3.1

Diskriminasi

Diskriminasi mengacu pada kemampuan model untuk membedakan pasien

dengan hasil tertentu dari pasien tanpa itu (misalnya korban dan non-korban),

sebuah model prediksi yang baik akan mampu memprediksi hasil sesuai dengan

probabilitasnya, yaitu pada pasien probabilitas rendah akan menghasilkan outcome

yang rendah. 10

Diskriminasi meliputi akurasi, sensitivitas, dan spesifitas dan sering diukur

(untuk model prognostik dengan binary outcome) oleh area under the receiver

operator characteristic curve (AUC, juga disebut C-statistik untuk model dengan

16

Diskriminasi adalah kemampuan suatu model untuk membedakan individu

dengan dan tanpa kondisi yang diteliti. Kemampuan ini dievaluasi menggunakan

kurva receiver operating characterisctics (ROC). Kurva ROC meghubungkan true

positive (sensitivitas) dan false positive ( 1 Spesifisitas) berbagai titik potong

probabilitas yang dihasilkan oleh suatu model. Daerah di bawah kurva (AUC)

berkisar mulai 0,5, yang berarti model tidak memiliki kemampuan diskriminasi,

hingga 1,0 (diskriminasi yang sempurna). 10

AUC 0,5 menunjukkan nilai prediksi dari Model menjadi tidak lebih baik

dari kenyataan, sementara AUC 1.0 adalah sempurna (100% sensitivitas dan 100%

spesifik). Diskriminasi sempurna dicapai ketika probabilitas untuk semua kasus

dengan hasil yang lebih tinggi dari probabilitas tanpa tumpang tindih. Umumnya

cut off yang dipakai, untuk AUC> 0,75 > 0.80 interpretasinya > 0,90 sangat baik

, > 0,80 baik,

'> 0.70 memuaskan' dan <0.70 untuk 'buruk. 10

2.4.3.2.

Kalibrasi

Kalibrasi Model mengacu konkordansi antara hasil prediksi dan diamati

seluruh risiko spectra. Kalibrasi pengujian sering diabaikan dalam prognosis

penelitian, di mana banyak penelitian berfokus terutama pada diskriminasi.

Diskriminasi adalah dianggap lebih penting ketika memprediksi Hasil untuk

individu pasien, tetapi untuk risk stratification and trial enrollment, kalibrasi lebih

penting dari diskriminasi. 10

Kalibrasi adalah kesesuaian antara probabilitas yang diprediksi dengan

frekuensi luaran (outcome) yang diamati. Kalibrasi dievaluasi secara grafis dengan

17

menghubungkan probabilitas diprediksi (aksis X) dengan proporsi luaran yang

diamati (aksis Y) Dengan menggunakan perangkat lunak S-Plus atau R, peneliti

bisa mendapatkan garis kalibrasi. Kalibrasi yang sempurna dilambangkan dengan

garis yang memiliki slope=1, intercept=0, dan melintang 45 memotong sumbu Y=0.

Kalibrasi

juga

dapat

dievaluasi

menggunakan

uji

goodness

of

fit

Hosmer-

Lemeshow. Nilai P > 0,05 menunjukkan tidak ada perbedaan bermakna antara

probabilitas yang diprediksi dengan frekuensi outcome yang diamati. 10

Sebuah p-value <0,05 (statistik deviasi yang signifikan antara hasil yang

diamati dan diprediksi) dianggap kalibrasi buruk dan p> 0,05 (tidak ada statistik

deviasi yang signifikan antara yang diamati dan hasil prediksi) kesimpulannya

kalibrasi yang baik. 10

BAB III

SUBJEK DAN METODE PENELITIAN

3.1. Subjek Penelitian

3.1.1 Populasi

Populasi yang diambil merupakan populasi terjangkau yaitu: Pasien dengan

cedera kepala berat yang datang ke RSHS pada Januari 2014Desember 2014.

3.1.2 Kriteria Inklusi

Semua pasien cedera kepala berat ( GCS ≤ 8 ) yang datang ke RSHS pada

Januari 2014Desember 2014 yang dilakukan pemeriksaan CT Scan kepala.

3.1.3 Kriteria Eksklusi

Subyek dikeluarkan bila berumur dibawah 15 tahun, GCS ≥ 9, pasien

dengan multiple trauma dan data pasien pada rekam medik tidak lengkap.

3.2. Metode Penelitian

3.2.1. Rancangan Penelitian

Desain penelitian yang dipakai adalah retrospective study pada pasien

dengan cedera kepala berat yang datang ke RSHS pada Januari 2014Desember

2014.

3.2.2.

Variabel

Variabel bebas:

o

Umur

18

19

o

Motorik

o

Reaksi Pupil

o

Syok

o

Perdarahan Sub dural

o

Penekanan Sisternal

o

Perdarahan Epidural

o

Jumlah total skoring

Variabel tergantung:

o Kematian dini

3.2.3 Cara Kerja dan teknik pengambilan data

Data penelitian diambil dari rekam medik pasien dengan cedera kepala berat

yang datang ke RSHS mulai 1 Januari 2014 sampai dengan 31 Desember 2014.

Data yang dikumpulkan dari rekam medik adalah usia ketika masuk rumah

sakit, motorik, reaksi pupil, syok, perdarahan sub dural, penekanan sisternal,

perdarahan epidural, kemudian data tersebut di berikan masing masing bobot nilai

sesuai dengan skoring prognostik Gomez terhadap kematian dini pada pasien

cedera kepala berat, nilai tersebut dijumlahkan dan dilihat status kematian pasien

dalam 48 jam.

20

20 Tabel. Prediktor kematian dan nilai bobot Dari data yang dikumpulkan didapatkan nilai total skoring masing

Tabel. Prediktor kematian dan nilai bobot

Dari data yang dikumpulkan didapatkan nilai total skoring masing masing

pasien dengan rentang nilai terkecil 0 dan terbesar 20, kemudian dari rekam medik

dilihat status kematian pasien dalam 48 jam. Data tersebut dibandingkan dengan

probabilitas kematian dari model skoring prognostik Gomez.

Pasien dengan data tidak lengkap pada rekam medik tidak dimasukkan

kedalam subjek penelitian. Hasil data tersebut diolah dengan SPSS edisi 18,

dianalisis, dan dibuat laporan penelitiannya.

3.2.4 Tempat dan Waktu Penelitian

Penelitian dilakukan dengan mengumpulkan data dari rekam medis pasien

di Bagian Rekam Medik Rumah Sakit Hasan Sadikin. Bandung. Waktu penelitian

dilakukan pada bulan April - Mei 2015.

21

3.2.5 Rencana Pengolahan dan Rancangan Analisis Data

Data diolah secara statistik dengan menggunakan SPSS versi 18. Ketepatan

prediksi kematian dini model skoring prognosis Gomez pada pasien cedera kepala

berat dianalisis dengan dua pendekatan, yaitu: analisis kesesuaian model prediksi

kematian dini Gomez dengan analisis regresi logistik dan analisis diskriminasi skor

prognosis Gomez dalam memprediksi kematian dini dengan analisis kurva ROC

(Receiver Operating Characteristic) yang dilanjutkan dengan analisis tabulasi

silang Chi-Square.

Kesesuaian model prediksi kematian dini Gomez, sebagai fungsi regresi

logistik,

diuji

berdasarkan

kemampuan

prediksinya

melalui

pengukuran

Nagelkerke R Square, kalibrasi atau kecocokan prediksinya melalui uji goodness-

of-fit (uji Hosmer and Lemewshow), dan akurasi prediksinya melalui pengukuran

akurasi, sensitivitas, dan spesifisitasnya. Kalibrasi dari skor total prognosis Gomez

dalam memprediksi kematian dini diukur melalui Area Under Curve (AUC) dalam

analisis kurva ROC. Sedangkan akurasi dan kemampuan diskriminasinya dianalisis

dan diuji melalui analisis tabulasi silang Chi-Square.

BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil Penelitian

Hasil

penelitian

yang

disajikan

meliputi

karakteristik

pasien,

hasil

analisis

kesesuaian model prediksi kematian dini Gomez, dan hasil analisis diskriminasi skor

prognosis Gomez dalam memprediksi kematian dini pada cedera kepala berat di RSUP dr.

Hasan Sadikin Bandung.

4.1.1 Karakteristik Pasien

Karakteristik pasien terdiri dari status kematian dini, skor prognosis Gomez, dan

karakteristik prediktor kematian dini model skoring prognosis Gomez. Dari sampel

sebanyak 94 pasien, 30 pasien diantaranya mati (31,9%) dan 64 pasien lainnya hidup

(68,1%). Rata-rata skor prognosis Gomez untuk seluruh pasien adalah: 4,71 2,81 dengan

median 5 dan rentang skor antara 0-11. Pasien yang mati memiliki rata-rata skor 5,50

2,64 dengan median 6 dan rentang skor antara 0-11. Adapun pasien yang hidup memiliki

rata-rata dan median skor yang lebih rendah daripada pasien yang mati, yaitu 4,34 283

dan median 4,5; namun memilik rentang skor yang sama dengan pasien yang mati, yaitu

antara 0-11.

Mayoritas pasien berusia antara 15-35 tahun (46,8%) dengan karakteristik dominan

untuk motorik: lainnya (96,8%), reaksi pupil: lainnya (59,6%), syok: tidak (97,9%),

perdarahan subdural: tidak (60,6%), penekanan sisternal: ya (55,3%), dan perdarahan

epidural: tidak (74,5%).

22

23

Tabel 4.1. Karakteristik Pasien

Karakteristik

Statistik

Jumlah Pasien Kematian Dini

Usia

94

Mati

30

(31,9%)

Hidup

64

(68,1%)

Skor Gomez Seluruh Pasien Mean ± SD

4,71 ± 2,81

Median

5

Rentang

0-11

Pasien Mati Mean ± SD

5,50 ± 2,64

Median

6

Rentang

0-11

Pasien Hidup Mean ± SD

4,34 ± 2,83

Median

4,5

Rentang

0-11

15-35 th.

44

(46,8%)

36-55 th.

35

(37,2%)

56-75 th. Motorik

15

(16,0%)

Lainnya

91

(96,8%)

Tidak ada respon Reaksi Pupil

3

(3,2%)

Lainnya

56

(59,6%)

1 pupil bereaksi

26

27,7%)

Tidak ada reaksi pupil Syok

12

(12,8%)

Tidak

92

(97,9%)

Ya Perdarahan Subdural

2

(2,1%)

Tidak

57

(60,6%)

Ya Penekanan Sisternal

37

39,4%)

Tidak

42

(44,7%)

Ya Perdarahan Epidural

52

55,3%)

Tidak

70

(74,5%)

Ya

24

(25,5%)

24

4.1.2 Kesesuaian Model Skor Prognostik Dini Gomez

Kesesuaian model prediksi kematian dini Gomez pada cedera kepala berat

dianalisis melalui regresi logistik binomial. Fungsi prediksi probabilitas terjadinya

kematian dini yang diperoleh adalah: p(mati)^ = 1 / (1+ e -(-0,019 - 0,074xUsia + 0,672xMotorik

+ 0,255xPupil + 10,906xSyok + 0,493xSDH- 0,153xSisternal + 0,054xEDH) ).

Tabel 4.2. Hasil Analisis Regresi Logistik

 

Nagelkerke

Hosmer and

R Square

Lemeshow

 

Test

Kemampuan

0,175

 

Prediksi

Kalibrasi

0,750

 

Prediksi

Akurasi

 

Kematian

Mati

Hidup

Observasi

Mati

10

20

33,3%

Hidup

6

58

90,6%

 

Overall

72,3%

 

Koefisien

Wald

p

Usia

-0,074

0,044

0,833

Motorik

0,672

2,431

0,119

Pupil

0,255

4,722

0,030

Syok

10,906

0,000

0,999

SDH

0,493

0,671

0,413

Sisternal

-0,153

0,555

0,456

EDH

0,054

0,029

0,856

Konstanta

-0,196

5,699

0,017

Sebagaimana dapat dilihat pada persamaan fungsi dan tabel di atas, fungsi

logistik tersebut menunjukkan besarnya prediksi probabilitas terjadinya kematian

dini yang diprediksikan tujuh prediktor dalam sistem skoring prognosis Gomez,

yaitu: usia, motorik, reaksi pupil, syok, SDH (perdarahan subdural), penekanan

sisternal, dan EDH (perdarahan epidural). Tampak bahwa koefisien regresi untuk

motorik (0,672), reaksi pupil (0,255), syok (10,906), SDH (0,496), dan EDH

25

(0,054) terhadap kematian bernilai positif. Secara deskriptif hal ini menunjukkan

bahwa probabilitas mati pada pasien dengan motorik dan rekasi pupil yang lebih

buruk serta ada syok, SDH dan EDH adalah lebih tinggi daripada probabilitas mati

pada pasien dengan tingkat usia yang lebih rendah dan tidak ada penekanan

sisternal. Sedangkan koefisien regresi untuk usia (-0,074) dan sisternal (-0,153)

terhadap kematian bernilai negatif. Secara deskriptif hal ini menunjukkan bahwa

probabilitas mati pada pasien dengan tingkat usia yang lebih tinggi dan ada

penekanan sisternal adalah lebih rendah daripada probabilitas mati pada pasien

dengan tingkat usia yang lebih rendah dan tidak ada penekanan sisternal. Walaupun

demikian, berdasarkan uji Wald, hanya reaksi pupil yang berhubungan secara

signifikan dengan kematian dini pada cedera kepala berat (p = 0,030), sedangkan

keenam prediktor lainnya tidak signifikan.

Hasil analisis juga menunjukkan bahwa model prediksi kematian dini

Gomez

memiliki

kemampuan

prediksi

yang

moderat,

yaitu

sebesar

17,5%

(Nagelkerke R Square), dan kalibrasi (goodness-offit) yang dapat diterima

(Hosmer and Lemewshow Test, p = 0,750) memiliki kalibrasi yang baik . Secara

fungsional, akurasi prediksi dari fungsi regresi logistik yang diperoleh adalah

sebesar 72,3% dengan sensitivitas dan spesifisitas sebesar 33,3% dan 90,6%.

4.1.3 Diskriminasi Skor Prognosis Gomez dalam Memprediksi Kematian Dini

Diskriminasi skor prognosis Gomez dalam memprediksi kematian dini pada

cedera kepala berat dianalisis melalui analisis kurva ROC (Receiver Operating

Characteristic) yang dilanjutkan dengan analisis tabulasi silang Chi-Square. Hasil

26

analisis kurva ROC menunjukkan bahwa skor prognosis Gomez memiliki tingkat

diskriminasi sebesar 62,6% (Area Under Curve).

Tabel 4.3. Kategori Jumlah Skor dengan Kematian

ROC

Area Under Curve

0,626

Cut-off

6

 

Kematian

 
 

Mati

Hidup

p

 

16

20

Skor Gomez

>= 6

53,3%

31,3%

0,068 #

 

14

44

 

< 6

46,7%

68,8%

# Chi-Quare (Continuity Correction)

Berdasarkan perbandingan kombinasi sensitivitas dan spesifisitas antar cut-

off skor Gomez dalam menghasilkan akurasi yang optimal diperoleh cut-off skor

Gomez sebesar 6, yaitu: >=6 dan <6. Kategorisasi skor Gomez ke dalam dua

kelompok skor ini menghasilkan sensitivitas dan spesifisitas sebesar 53,3% dan

68,8%. Nilai duga positif, nilai duga negatif, dan akurasi kategorisasi skor Gomez

dalam memprediksi kematian adalah sebesar 44,4% (16/36); 75,9% (44/58); dan

63,8%

(60/94).

Walaupun

demikian,

hasil

uji

Chi-Square

dengan

koreksi

kontinuitas

menunjukkan

bahwa

tidak

ada

perbedaan

kelompok

skor

yang

signifikan antara pasien yang mati dan pasien yang hidup dengan p = 0,068. Hal ini

menunjukkan

bahwa

skor

prognosis

Gomez

tidak

memiliki

kemampuan

diskriminasi yang signifikan dalam memprediksi kematian dini pada cedera kepala

berat.

27

4.2 Pembahasan

Jumlah terbesar dari informasi prognostik yang terkandung dari tiga prediktor:

usia, skor motorik, dan reaksi pupil

saat

pasien masuk. Karakteristik ini sudah

dipertimbangkan dalam model pertama untuk cedera kepala 4 dan dalam banyak model

prognostik berikutnya. 11 Informasi dari CT scan memberikan informasi prognostik

tambahan, meskipun tidak semua informasi prognostiknya dari CT scan. Kehadiran EDH

dikaitkan

dengan

hasil

yang

lebih

baik

setelah

trauma,

dapat

dijelaskan

dengan

kemungkinan akan dilakukan evakuasi hematoma. Adanya EDH sering mengganggu

fungsi otak karena kompresi otak meskipun umumnya ada sedikit kerusakan setelah

dilakukan evakuasi. 12

Sejak pada tahun 1974, GCS menjadi yang paling sering digunakan untuk

klasifikasi keparahan cedera kepala. Pada pasien dengan cedera yang lebih berat,

komponen motor pada GCS memiliki nilai prediktif terbesar karena respon mata dan verbal

umumnya tidak ada pada pasien ini. Marmarou melaporkan hubungan yang kuat dengan

hasil untuk respon motorik.

Episode hipotensi umumnya dikaitkan dengan tingkat kematian dua kali lipat dan

peningkatan morbiditas dari cedera kepala. Hipotensi adalah salah satu dari beberapa

variabel yang berhubungan dengan tampilan klinis, terutama dengan hipoksia dan dikaitkan

dengan hasil akhir yang tidak menguntungkan. Penurunan tekanan darah, MAP dan suhu

akan menyebabkan sel-sel otak iskemia mengakibatkan efek sekunder. Cushing respon

(hipertensi arteri, bradikardia, ketidakteraturan bernafas) memiliki implikasi klinis yang

penting, dimana ICP mungkin menunjukkan beberapa disproporsi dan kerusakan biasanya

tak terkendali.

28

Temuan

Kelainan CT , cysternal basal pada otak tengah, kehadiran SAH dan

pergeseran garis tengah. Kehadiran SAH atau lesi intradural dan kompresi dari cysternal

basal adalah salah satu kriteria yang paling penting dalam memprediksi kematian pasien

cedera kepala. Namun pada studi tidak didapatkan hubungan bermakna, hanya reaksi pupil

yang mempunyai hubungan yang bermakna terhadap kematian dini,

hasil ini bisa

dimungkinkan karena ukuran sampel yang kecil. Sebuah studi prospektif yang lebih besar

dengan jangkauan yang lebih luas diperlukan untuk memberikan informasi lebih lanjut

mengenai nilai prediksi terhadap model skoring prognosis Gomez terhadap kematian dini

pada pasien cedera kepala berat.

Pada studi ini model skoring prognosis Gomez diterapkan pada data pasien cedera

kepala berat di RSHS kemudian dinilai probabilitas kematian dan fakta yang terjadi. Hasil

studi pada model skor prognosis Gomez di dapatkan sensitifitas 33,3 %, spesifisitas 90,6%

akurasi 72,3% . Hal tersebut dapat juga dihubungkan dengan cara pembuatan model yang

seragam, salah satunya penilaiaan seluruh variabel saat enam jam dari kejadian, sedangkan

kondisi pasien yang datang ke RSHS tidak seragam, bahkan banyak yang datang terlambat,

hal ini berhubungan dengan hasil penilaian.

Studi lainnya juga menyatakan diskriminasi dari sebuah model akan muncul

dengan nilai diskriminasi yang berbeda, untuk prediksi kematian pada skoring IMPACT

dan CRASH, AUC bervariasi antara 0,65 dan 0,83 untuk IMPACT dan antara 0,66 dan

0,85 untuk model CRASH. Menilai kinerja sebuah model skoring prognosis membutuhkan

prosedur yang kompleks, yang melibatkan beberapa tingkat. Banyak faktor selain yang

langsung berkaitan dengan model itu sendiri yang dapat mempengaruhi kinerja model. Ini

termasuk perubahan epidemiologi, organisasi trauma, kebijakan perlakuan yang berbeda,

tetapi juga perubahan dalam pendekatan untuk penilaian hasil. Faktor eksternal bisa

mempengaruhi keabsahan efek prediktor (koefisien regresi) dan distribusi prediktor pada

29

populasi baru (kasus-mix). Steyerberg mengamati efek diskriminasi yang jelas dari kasus-

campuran: AUCs lebih tinggi ditemukan di seri observasional (TARN dan APOE)

dibandingkan dengan RCT. AUC lebih tinggi mencerminkan kriteria inklusi yang lebih

longgar: semakin besar heterogenitas, semakin baik model. 13

Berkenaan dengan kalibrasi, Steyerberg mengamati beberapa perbedaan efek

prediktor antara pembangunan dataset dan validasi. Mungkin pendekatan untuk penilaian

hasil, dan khususnya kategori hasil, hal ini dapat merubah nilai kalibrasi. 13

Secara umum, model diagnostik atau prognostik menunjukkan akurasi yang lebih

rendah pada populasi baru. 14 Oleh karena itu, sebelum suatu model dapat digunakan dalam

kenyataan, tidak setiap saat kita bisa mendapatkan data untuk melakukan validasi eksternal.

Pada

kondisi

seperti

itu,

setidaknya

peneliti

melakukan

validasi

internal

dengan

menggunakan teknik bootstrapping. Dari teknik itu akan dihasilkan faktor koreksi yang

nilainya berkisar antara 0 dan 1, koefisien koreksi dan intercept ini digunakan untuk

mencegah terjadinya over optimism (prediksi yang terlalu tinggi atau terlalu rendah). 14

Model yang memiliki faktor koreksi mendekati angka satu dikatakan memiliki validitas

internal yang baik.

5.1. Simpulan

BAB V

SIMPULAN DAN SARAN

Nilai prediksi skor prognosis Gomez mempunyai nilai sensifitas rendah, spesifisitas

sedang dan akurasi sedang

5.2. Saran

Saran dari penulis untuk dilakukan penelitian yang lebih lengkap dan

mendalam mengenai nilai prediksi skor prognosis Gomez

di departemen

Bedah

Saraf RSUP Dr. Hasan Sadikin, Bandung dikarenakan penelitian ini masih banyak

kekurangan, mengingat data rekam medik pasien yang tidak lengkap, serta

penelitian relative singkat maka untuk mempermudah penelitian selanjutnya, perlu

dilakukan perbaikan dan kelengkapannya.

30

31

DAFTAR PUSTAKA

1. Bruns J, Hauser WA. The epidemiology of traumatic brain injury a review. Epilepsia 2003;44:2-10.

2. Cole TB. Global road safety crisis remedy sought: 1 .2 million killed, 50 million Injured annually. JAMA. 2004;291:2531 - 2.

3. Arifin MZ, Faried A, Shahib MN, et al. Inhibition of activated NR2B gene- and caspase-3 protein-expression by glutathione following traumatic brain injury in a rat model. Asian Journal Neurosurgery 2011;6(2):72 - 7.

4. Jennett B, Teasdale G, Braakman R, et al. Predicting outcome in individual patients after severe head injury. Lancet. 1976;1:1031 - 4.

5. Hukkelhoven CW, Steyerberg EW, Habbema JD, et al. Predicting outcome after traumatic brain injury: development and validation of a prognostic score based on admission characteristics. Journal Neurotrauma. 2005;22:1025 - 39.

6. Cremer OL, Moons KG, Dijk GWv, et al. Prognosis following severe head injury: development and validation of a model for prediction of death, disability, and functional recovery. Journal Trauma. 2006;61:1484 - 91.

7. Gómez PA, de-la-Cruz J, Lora D, et al. Validation of a prognostic score for early mortality in severe head injury cases. Journal Neurosurgery 2014;121:1314 - 22.

8. Fearnside MR, Simpson DA. patofisiology and management of severe closed injury: Chapman & Hall; 1997.

32

9. Houseman CM, Belverud SA, Narayan RK. Closed Head Injury in Principles of Neurosurgery. Philadelpia: Elsevier Saunders; 2012.

10. Cook NR. Use and misuse of the receiver operating characteristic curve in risk prediction. Circulation. 2007;115:928 - 35.

11. Perel P, Edwards P, Wentz R, et al. Systematic review of prognostic models in traumatic brain injury. BMC Med. 2006;6(6):38.

12. Maas AI, Hukkelhoven CW, Marshall LF, et al. Prediction of outcome in traumatic brain injury with computed tomographic characteristics: a comparison between the computed tomographic classification and combinations of computed tomographic predictors. Neurosurgery. 2005;57:1173 - 82.

13. Steyerberg EW, Mushkudiani N, Perel P, et al. Predicting Outcome after Traumatic Brain Injury: Development and International Validation of Prognostic Scores Based on Admission Characteristics. PLoS Medicine. 2008;5(8):1251 - 61.

14. Harrell FE, Lee KL, Mark DB. Multivariable prognostic models: issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors. Stat Med. 1996;15(4):361 - 87.

33

Deskripsi Kematian Dini, Skor Pedro, dan Prediktor Kematian Dini Model Skoring Prognosis Pedro

33 Deskripsi Kematian Dini, Skor Pedro, dan Prediktor Kematian Dini Model Skoring Prognosis Pedro -
-
-

34

34
34
34
34
34
34
34
34
34

35

36

Ketepatan Prediksi Kematian Dini Model Skoring Prognostik Pedro

pada Cedera Kepala Berat

Analisis Regresi Logistik (Binomial)

Prediksi Kematian Dini Model Skoring Prognostik Pedro pada Cedera Kepala Berat

Model:

Y* = b 0 + b 1 X 1 + b 2 X 2 + b 3 X 3 + b 4 X 4 + b 5 X 5 + b 6 X 6 + b 7 X 7 + e

Kematian* = b 0 + b 1 Usia + b 2 Motorik + b 3 Pupil + b 4 Syok + b 5 SDH + b 6 Siternal + b 7 EDH + e

Logistic Regression

3 Pupil + b 4 Syok + b 5 SDH + b 6 Siternal + b
3 Pupil + b 4 Syok + b 5 SDH + b 6 Siternal + b
3 Pupil + b 4 Syok + b 5 SDH + b 6 Siternal + b
3 Pupil + b 4 Syok + b 5 SDH + b 6 Siternal + b

Block 1: Method = Enter

37

37
37
37
37
37
37
37
37
37
37

38

38
38
38
38
38
38
38

39

Analisis Receiver Operating Characteristic (ROC) Curve

Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat

ROC Curve

Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC
Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC
Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC
Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC
Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC
Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC
Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC
Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC
Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC
Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC
Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC
Curve Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian Dini pada Cedera Kepala Berat ROC

40

40
40
40
40
40

41

Analisis Crosstabs

Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera Kepala Berat

Crosstabs

41 Analisis Crosstabs Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera Kepala Berat Crosstabs
41 Analisis Crosstabs Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera Kepala Berat Crosstabs
41 Analisis Crosstabs Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera Kepala Berat Crosstabs
41 Analisis Crosstabs Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera Kepala Berat Crosstabs
41 Analisis Crosstabs Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera Kepala Berat Crosstabs
41 Analisis Crosstabs Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera Kepala Berat Crosstabs
41 Analisis Crosstabs Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera Kepala Berat Crosstabs
41 Analisis Crosstabs Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera Kepala Berat Crosstabs
41 Analisis Crosstabs Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera Kepala Berat Crosstabs
41 Analisis Crosstabs Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera Kepala Berat Crosstabs

42