RESUME JURNAL

MODEL REGRESI LOGISTIK BAYES

SEBAGAI ALTERNATIF FLEKSIBEL
UNTUK MENGESTIMASI RASIO
RESIKO YANG DISESUAIKAN
DALAM STUDI DENGAN HASIL
UMUM

I.

PENDAHULUAN

Untuk kohort dan cross sectional studi,

rasio resiko merupakan ukuran yang
disukai dari efek daripada rasio odds,
khususnya ketika hasilnya adalah
umum (>10%). Log binomial dan
model poisson biasa digunakan untuk
mengestimasi rasio resiko. Rasio odds
diestimasi
menggunakan
regresi
logistik yang sering digunakan untuk
mendekati rasio resiko ketika hasil
yang
diperoleh
jarang
terjadi.

Namun,
tanpa
memperhatikan prevalensi
dari hasil, regresi logistik
diprediksikan
resiko
diekpos dan tidak diekpos
dapat digunakan untuk
mengestimasi rasio resiko.
Karena estimasi maximum
likelihood
dapat
digunakan
untuk
memenuhi model logistik,
estimasi standard error
dari rasio resiko sulit.
Introduction

Dalam epidemiologi, ketika desain

penelitian sesuai untuk mengestimasi
resiko,
rasio
resiko
(RR)
membandingkan ekpos dan tidak
diekpos merupakan ukuran yang
disukai dari efek daripada rasio odds.
Hal
ini
biasanya
sesuai
untuk
mengestimasi rasio resiko untuk
kohort, crosssectional (dimana RR
sering disebut sebagai rasio prevalensi
PR), dan uji acak desain studi. Secara
umum, jika hasilnya jarang (prevalensi
<10%), maka RR dan OR serta interval
kepercayaan (CI) akan sama. Namun,
jika hasil yang diperoleh adalah
umum, maka OR dapat berbeda
secara substansial dari RR. OR dapat
dikatakan
dibawah
atau
lebih
memperkirakan besarnya RR sebagai
RR menurun atau meningkat dari 1.0
dan sejauh mana perbedaan antara
OR dan RR meningkat dengan
meningkatnya prevalensi. Kesamaan
dari hasil telah menjadi pertimbangan
penting dalam memilih model untuk
mengestimasi RR.
Dua strategi pemodelan telah muncul
untuk mengestimasi RR dari hasil
umum, langsung dan tidak langsung.
Sebuah laporan terbaru 12 metode
berbeda untuk mengestimasi RR yang
terdapat dalam dua strategi ini.
Metode langsung resiko atau log resiko
(contoh, log-binomial) dan penelitian
terbaru telah difokuskan pada metode
langsung
karena
mudah
dalam
memperoleh RR dan CI. Sebaliknya,
pengestimasian RR dengan metode
tidak langsung sering model log odds
menggunakan regresi logistik. RR
selanjutnya
diestimasi
dengan
menggunakan regresi logistic dengan
kembali mengubah prediksi log odds

untuk peluang dengan skala dan

memperoleh prediksi satndar resiko
untuk ekpos dan tidak diekpos kohort.
Regresi Logistik Bayes (BLR) model
telah
digunakan
dalam
studi
epidemiologi untuk mengestimasi OR
antara ekpos dan tidak diekpos kohort.
Paradigma Bayesian adalah kerangka
kerja
yang
fleksibel
yang
memungkinkan kita dengan mudah
menghasilkan resiko, RR, perbedaan
resiko, dan distribusi posterior terkait.
Model log binomial bayes baru-baru ini
telah diusulkan

Studi epidemiologi yang mempelajari prevalensi,

distribusi, maupun hubungan penyakit dan
paparan dengan mengamati status paparan,
penyakit atau outcome lain secara serentak pada
individu- individu dari suatupopulasi pada suatu
saat.
Dengan
demikian studi
cross
sectional tidak mengenal adanya dimensi waktu,
sehingga mempunyai kelemahan dalam menjamin
bahwa paparan mendahului efek (disease) atau
sebaliknya. Namun studi ini mudah dilakukan dan
murah, serta tidak memerlukan waktu follow up.
Umumnya studi cross sectional dimanfaatkan
untuk merumuskan hipotesis hubungan kausal
yang akan diuji dalam studi analitiknya (kohort
atau kasus control)

Studi kohor adalah studi observasional yang

mempelajari hubungan antara paparan dan
penyakit dengan memilih dua atau lebih
kelompok studi berdasarkan status paparan
kemudian diikuti (di- follow up) hingga periode
tertentu sehingga dapat diidentifikasi dan dihitung
besarnya kejadian penyakit. Apabila periode

induksi yaitu kejadian penyakit dapat diamati

dalam waktu yang panjang maka studi kohor
rawan terhadap bias penarikan responden
( banyak drop out dari observasi), perlu dana
yang besar dan waktu yang panjang. Studi kohor
mempunyai
kekuatan
dalam
membuktikan
inferensi kausa dibanding studi observasional
lainnya, didapatkan angka kejadian penyakit
(incidence rate) secara langsung, serta cocok
untuk meneliti paparan yang langka.

Epidemiologi adalah ilmu yang

mempelajari pola kesehatan dan
penyakit serta fakor yang terkait di
tingkat populasi.
Odds Ratio (OR) adalah
ukuran asosiasi paparan
(faktor risiko) dengan kejadian
penyakit;dihitung dari angka
kejadian penyakit pada
kelompok berisiko (terpapar
faktor risiko)dibanding angka
kejadian penyakit pada
kelompok yang tidak berisiko
(tidak terpapar faktor risiko)
Untuk melihat kemungkinan
timbul atau berkembangnya
suatu perilaku
dihubungkan dengan faktor
risiko
maka
dilakukan
perhitungan
angka
risiko
relatif.
Perhitungan risiko relatif untuk
rancangan penelitian cross
sectional dicerminkan

dengan angka rasio prevalensi

(Prevalence Ratio = PR). PR
diperoleh dengan
membandingkan
prevalens
perilaku tidak minum obat
filariasis pada kelompok
berisiko dengan prevalens
perilaku tidak minum obat
filariasis pada kelompok tidak
berisiko.
Rasio Risiko (RR)
perbedaan relatif risiko yang

berhubungan dengan suatu

paparan
Regresi logistik menghasilkan rasio
peluang (odds ratios) antara
keberhasilan atau kegagalan suatu
dari analisis.