Prognostic study

Najmah muhammad Kuddah

Design penelitian yang digunakan pada study cohort memeiliki beberapa poin
penting yang harus diperhatikan

Pemilihan predictor

Jadi faktor prediktor yang akan digunakan harus knowledge-based, bukan

sembarangan ditentukan karakteristiknya. Penentuannya dengan
membaca literatur tentang penyakit tersebut dan kesesuaian dari
anamnesis, pemeriksaan fisik, hasil lab, keparahan, dan terapi yang
diterima (ini dapat menjadi faktor prediktor namun harus disesuaikan
dengan penyakitnya)

Reduce lost to follow up dan reduce missing

Karena cohort itu penelitian yang lama maka pasien drop out atau lost-
foloow up bisa dikatakan pasti terjadinya, dampaknya pada kita nanti bias
penelitiannya. Sehingga hal yang harus diperhatikan yaitu sample yang
digunakan didalamnya sudah diperkirakan jumlah yang akan drop out dan
lost follow up.

Sufficiently large study

Besarnya studi penelitian tersebut dipengaruhi berapa predictor yang kita
gunakan daam penelitian tersebut. Jadi selalu ratusan sample yang
digunakan pada design cohort yaa.. perhitungannya nanti akan dibahas
dengan rule of thumb. Namun poin yang penting kalau kita memprediksi
kemungkinan outcome yang terjadi itu kecil maka kita semakin
membutuhkan banyak sample, sebaliknya kalau kita memprediksi
outcome yang terjadi kemungkinannya besar maka sampelnya akan lebih
sedikit. Conto jika untuk kemungkinan 100% outcome pasti terjadi
misalnya kita butuh 100 pasien. Nah jika kemungkinan outcome 10%
terjadi kita butuhnya sampai dengan 1000 sample

Jumlah kebutuhan sample

Rumusnya adalah

Rule of thumb (10-15) x determinan

Insidens

Jadi rule of thumb adalah event perpotential determinan. Nilainya

dari 10-15. Yang penentir pahamai ini ditentukan berdasarkan preferensi
dari penelitinya. Contoh di slide
Digunakan 10 determinan dengan insidens yang diketahui dari literatur
adalah 15%
Maka jumlah samplenya
{10 (rule of thumb) x 10 (jumlah determinan)}/ 15% = 666

Analisis data
Jadi setiap pasien harus memiliki data determinan dan outcomenya. Kemudian
langkah untuk menganalisis datanya yaitu

1. Cari predictor yang paling memungkinkan untuk digunakan

Jadi kita mencari hubungan terkuat determinan dan outcome. Bisa kita
lihat berdasarkan nilai p yang ada, pilih nilai p yang tengah-tengah paling
sering p<0,2. Perhitungan ini masih menggunakan analisis univariat
2. Kemudian coba analisis dengan multivariat model

Tujuannya kita ingin mencari faktor independen dari faktor-faktor mana

yang kita gunakan. Caranya dengan menggunakan regresi logistik

3. Melihat grafik ROC (lihat AUC)

Jadi kita menambahkan satu persatu dterminannya untuk melihat nilai
independen dari setiap determinan untuk mempengaruhi outcome. Kita
melihat AUCnya (area under curve)
4. Nilai prediktif dari determinan
Jadi memntukan skornyanya, setiap determinan di convert ke nilai
skornya. Kemudian nanti setiap range independen faktor memiliki skor
masing-masing. Jika dikombinasi menghasilkan total skor. sehingga nanti
ada total skor yang menentukan kemungkinan dari keluarannya. Contoh
jika total skor 10 kemungkinan buruk prognosisnya 60%

Table
Laporanya analisis pertama dalam bentuk tabel yaa

Tabel 1 memperlihatkan nilai predictor dari setiap perkandidat variabelnya. Ini

hasil dari analisis univariat

Tabel 2 memperlihatkan hasil analisis multivariat

Pelaporan
Jadi dalam pelaporan dilihat grafik ROCnya. Grafik ini dapat melihat perubahan
AUC jika kita menambahkan beberapa set prediktor. Jangan lupa kemudian
tampilkan dalam bentuk tabel yang menunjukan predictive valu dari beberapa
set predictor.

Grafik 1. Contoh ROC dan perubahan AUC setiap penambahan determinan

Tabel. 3 predictive value dari set predictor

Set predictor ini maksudnya beberapa predictor yang telah ditambahkan dengan
hasilnya berupa total skor, seperti yang sudah dijelaskan di bagian analisis

Untuk memudahkan menilai prognostic pasien maka dihasilkan suatu prediction

rule

Kesimpulannya dalam pelaporan prognostik ada beberapa nilai yang dipakai,

yaitu :
 Absolute risk
Added value of predictor
AUC dengan analisis ROC
Predictive value of predictors

Validation
Pertanyaan timbul ni apakah determinan yang kita gunakan telah divalidasi
dan bisa digunakan dalam kondisi yang berbeda?

Sehingga ada beberapa cara untuk memvalidasi

Internal validation
Contohnya dengan split sample dan bootstrapping
Temporal validation

Setting, pengukuran dan investigator sama namun waktu yang berbeda

External validation

Sama penggunannya namun dilaukan pada populasi berbeda, speerti

sebelumnya di inggris kita mau gunakan di Indonesia. Jadi semuanya beda

Validasi penting dilakukan pada waktu dan populasi yang berbeda

Persamaan dan perbedaan dari diagnostic dan

prognostic
Peersamaan :
Kemungkinan putcomenya individual

Pasien yang bertanya duluan mengenai hasil pemeriksaan dan prognosis

dirinya
Observasional deskriptive

Determinan yang digunakan pada research dan di langan itu berbanding lurus

Lebih dari satu determinan

Hasil merupakan kombinasi dari determinannya

Tidak invasiv
Perbedaan :
Design study: diagnosis menggunakan cross sectional, prognosis
menggunakan cohort
Hubungan kausalitas : diagnosis dterminan dan putcome diukur bersama,
prognosis determinan lebih dahulu diukur baru kemudian outcome