Anda di halaman 1dari 20

Studi Prognosis

 Darwin Amir
 Staf Pengajar S2 Kebidanan
 Fakultas Kedokteran Universitas Andalas

Tujuan:
 <nomor>

 1. Tinjau definisi.
 2. Memahami konsep sejarah alam dan studi kohort awal.
 3. Tetapkan ukuran prognosis yang biasa digunakan.
 4. Memahami asal-usul bias dalam studi tindak lanjut.
 5. Memahami metodologi statistik dasar untuk data kelangsungan hidup.
 6. Tetapkan karakteristik studi prognostik yang ideal.
 7. Memahami dasar pemikiran dan pengembangan keputusan klinis / aturan
prediksi

 <nomor>

 “Prediksi sangat sulit, terutama


 tentang masa depan"

 -Niels Bohr

I. Definisi
 <nomor>

 Prognosis: prediksi jalannya peristiwa yang akan datang setelah timbulnya


penyakit.
o dapat mencakup kematian, komplikasi, remisi / kekambuhan,
morbiditas, kecacatan dan fungsi sosial atau pekerjaan.
o
 Faktor prognostik: faktor yang terkait dengan hasil tertentu di antara
subyek penyakit.
o contohnya termasuk usia, komorbiditas, ukuran tumor, keparahan
penyakit dll.
o seringkali berbeda dari faktor-faktor risiko penyakit misalnya, BMI
dan CA payudara pra-menopause.
I. Definisi
 <nomor>

 Sejarah alam: evolusi penyakit tanpa intervensi medis.


 Kursus klinis: evolusi penyakit sebagai respons terhadap intervensi medis.

Studi Sejarah Alam


 <nomor>

 Sejauh mana sejarah alam dapat dipelajari tergantung pada sistem medis dan
jenis penyakit.

 Sejarah alami beberapa penyakit dapat dipelajari karena:
 tetap tidak dikenali (yaitu, tanpa gejala) misalnya, anemia,
hipertensi.
 dianggap ketidaknyamanan "normal" misalnya, artritis, depresi
ringan.

Studi Sejarah Alam


 <nomor>

 Studi sejarah alam memungkinkan pengembangan strategi rasional untuk:


o deteksi dini penyakit
 misalnya, CIN dan CA serviks invasif
o pengobatan penyakit
 misalnya infeksi telinga tengah.
 DCIS
 Hipertensi

Sejarah Penyakit Alami


 <nomor>

 Awitan penyakit

 Praklinis

 Klinis

 Diagnosa
 Prognosa

 Awitan penyakit

 Praklinis

 Diagnosa

 Klinis

 Prognosa

Identifikasi Permulaan Penyakit


 Penyakit menular
 Paparan (gigitan, infeksi, dll.)
 Budaya biologis
 Adanya respons antibodi, DNA virus, dan RNA

 <nomor>

Identifikasi Permulaan Penyakit


 Kanker
 Kerusakan awal akibat radiasi atau bahan kimia
 Pembelahan sel kanker pertama
 Hilang dari replikasi sel
 Skrining untuk perubahan patologis selama fase praklinis
 Bukti pertama tanda dan gejala
 Diagnosis medis penyakit
 Fase praklinis Fase klinis

 Onset biologis penyakit

 Bukti patologis penyakit

 Tanda dan gejala penyakit

 Perawatan medis dicari

 Diagnosa

 Pengobatan
Identifikasi Titik Akhir Penyakit
 Kematian
 Menyembuhkan
 Pengampunan
 - Penurunan, atau hilangnya, tanda dan gejala penyakit
 Perulangan
 - Kembalinya penyakit

 <nomor>

Mengungkapkan Prognosis
 Case-fatality (rate) atau CFR
 Kelangsungan hidup lima tahun
 Tingkat kelangsungan hidup yang diamati
 Waktu kelangsungan hidup rata-rata
 Tingkat kelangsungan hidup relatif

 <nomor>

Mengungkapkan Prognosis: Case-Fatality


Rate (CFR)
 Fatalitas kasus (tingkat) =
 Jumlah orang yang meninggal karena suatu penyakit
 Jumlah orang yang memiliki penyakit
 Contoh
 200 orang dengan penyakit ini
 20 kematian akibat penyakit ini
 CFR = 20x100 = 10%
 200

 <nomor>

Mengungkapkan Prognosis: Kelangsungan


Hidup Lima Tahun
 Kelangsungan hidup lima tahun adalah proporsi pasien yang hidup
lima tahun setelah diagosis

 Jumlah orang dengan penyakit khusus yang bertahan hidup 5 tahun
 total jumlah orang dengan penyakit yang ditentukan

 <nomor>

 Awitan penyakit

 Praklinis

 Diagnosa

 Klinis

 Prognosis = hidup 5 tahun

A. Desain Studi
 <nomor>

 Mengukur riwayat alami atau perjalanan klinis penyakit membutuhkan studi


kohort :
o Paling sering menggunakan kohort retrospektif.
 Kelompok terpapar = pasien yang terdampak (berpenyakit) mengikuti untuk
mengukur hasil yang diinginkan.

Desain Studi Kohort


 <nomor>

 Untuk menentukan apakah hasil tidak khas, perlu dibandingkan dengan


kelompok yang tidak terpajan yang seharusnya:
o diperoleh dari populasi sumber yang sama yang memunculkan pasien.
o dipantau dengan intensitas yang sama.
o Jika kohort yang tidak terpengaruh tidak tersedia, gunakan data "luar"
misalnya, kejadian standar atau rasio mortalitas untuk studi kanker.

B. Kelompok Inception
 <nomor>

 Studi prognosis biasanya melibatkan pengambilan sampel pasien yang sakit.


 Studi kohort semacam itu sangat rentan terhadap bias karena perjalanan
klinis penyakit dapat berlangsung lama dan bervariasi
 Faktor kunci dalam menentukan hasil penyakit adalah kapan jam mulai ?
Titik pangkal
 <nomor>

 Titik awal harus didefinisikan dengan baik dan ditentukan dengan jelas:
o Titik yang sama dalam perjalanan penyakit untuk semua individu.
o Titik awal yang ideal adalah dekat awal ("awal") penyakit
= kelompok awal .
o Biasanya itu adalah:
 timbulnya gejala, waktu pada diagnosis pertama, atau awal
pengobatan.

Pengaruh Menggunakan Cohort Inception


yang Ditentukan pada Waktu Survival
Rata-rata
 <nomor>

II Bias dalam Studi Lanjutan


 <nomor>

 A. Seleksi atau Bias yang Membingungkan


o i) Perakitan atau bias kerentanan terjadi ketika kelompok yang
terpapar dan tidak terpapar berbeda selain oleh faktor prognostik
yang diteliti, dan
o faktor asing mempengaruhi hasil penelitian.
 Contoh :
o perbedaan titik awal penyakit (survival cohort)
o perbedaan stadium atau luasnya penyakit, komorbiditas, pengobatan
sebelumnya, usia, jenis kelamin, atau ras.

Kohort Kelangsungan Hidup


 <nomor>

 Studi kohort urvival (atau kohort pasien yang tersedia ) bisa sangat bias
karena:
o sampel kenyamanan pasien saat ini kemungkinan berada pada
berbagai tahap dalam perjalanan penyakit mereka.
o individu yang tidak diperhitungkan memiliki pengalaman berbeda
dari yang termasuk misalnya, meninggal segera setelah trt.
 Bukan kohort awal yang benar misalnya, seri kasus retrospektif.
 Sangat umum!

Kohort Kelangsungan Hidup (Fletcher)


 <nomor>

 Ukur Hasil
 Ditingkatkan = 40
 Tidak ditingkatkan = 10

 Kohort sejati

 Kohort Kelangsungan Hidup

 Diamati
 Perbaikan

 Benar
 Perbaikan

 Berkumpul
 Kelompok
 N = 150

 Ukur Hasil
 Ditingkatkan = 75
 Tidak ditingkatkan = 75

 Berkumpul
 pasien

 Mulai
 Mengikuti
 N = 50

 Tidak
 Diamati
 N = 100

 Putus sekolah :
 Ditingkatkan = 35
 Tidak ditingkatkan = 65
 50%

 50%

 80%

 50%

A. Seleksi Bias
 <nomor>

 ii) Bias migrasi


o terjadi ketika pasien keluar dari penelitian
 ( mangkir) .
o biasanya subjek putus karena alasan yang valid
 misalnya, meninggal, pemulihan, efek samping atau
ketidaktertarikan.
o faktor-faktor ini sering terkait dengan prognosis.
o menilai tingkat bias dengan menggunakan analisis kasus terbaik /
terburuk .
o pasien juga dapat berpindah dari satu kelompok ke kelompok yang
lain
 jika cross-over terjadi secara acak = kesalahan klasifikasi non-
diferensial paparan

A. Seleksi Bias
 <nomor>

 iii) Bias kemampuan generalisasi


o terkait dengan rujukan selektif pasien ke pusat medis tersier
(akademik).
o kelompok pasien yang sangat terpilih memiliki spektrum klinis
penyakit yang berbeda.
o Mempengaruhi generalisasi (lihat Moltusky, 1978; Melton, 1985).

II Bias dalam Studi Lanjutan


 <nomor>

 B. Bias pengukuran
o Bias pengukuran (atau penilaian) terjadi ketika satu kelompok
memiliki probabilitas yang lebih tinggi (atau lebih rendah) untuk
mengukur atau mendeteksi hasil mereka.
 kemungkinan untuk hasil yang lebih lembut
 efek samping, cacat ringan, penyakit subklinis atau
 penyebab spesifik kematian.

B. Bias pengukuran
 <nomor>

 Bias pengukuran dapat diminimalkan dengan:


o memastikan pengamat tidak mengetahui status pajanan pasien.
o menggunakan kriteria (definisi) yang cermat untuk semua peristiwa
hasil.
o terapkan upaya yang sama kerasnya untuk memastikan semua
peristiwa di kedua kelompok paparan.

AKU AKU AKU. Ukuran Prognosis yang


Biasa Digunakan
 <nomor>

 A. Tingkat Kelangsungan Hidup 5 tahun


o Jumlah individu. yang bertahan antara t 0 dan t + 5 tahun Jumlah
orang dengan penyakit pada t 0
 biasanya t 0 adalah titik diagnosis atau perawatan awal.
 tingkat kejadian kumulatif (= risiko kematian pada 5 tahun).
 mengukur proporsi populasi pasien asli yang hidup pada 5
tahun.
 mudah diinterpretasikan dan diingat, tetapi gagal
menunjukkan tingkat kematian

Fig. Batasan Tingkat Kelangsungan Hidup


5 tahun (Dari Fletcher)
 <nomor>

B. Angka fatalitas kasus (CFR)


 <nomor>
o CFR = Jumlah indv. yang mati selama t0 hingga t +1
 Jumlah orang dengan penyakit pada t0
 tipe spesifik dari angka kejadian kumulatif (= proporsi, bukan
angka).
 mengukur risiko kematian di antara orang-orang yang
mengembangkan penyakit.
 harus memiliki periode waktu eksplisit (atau implisit) yang
cukup panjang untuk memastikan bahwa semua peristiwa yang
relevan telah diamati misalnya, legionnaires = penyakit, stroke,
CML.
 Prinsip yang sama berlaku untuk tingkat respons,
remisi, dan perulangan.

C. Angka Kematian atau Angka Kematian


(MR)
 <nomor>

o MR = Jumlah indv. yang meninggal selama t 0 hingga t + 1 Total


populasi berisiko pada saat t 0 hingga t + 1
 didefinisikan sebagai tingkat kejadian kematian per "waktu
populasi"
 penyebut adalah populasi yang berisiko.
 mengukur kecepatan kematian karena penyakit tertentu
 membedakan dari tingkat fatalitas kasus! Contoh:
 Stroke 28 hari CFR = 23%
 Stroke MR = 63 / 100.000

IV. Metode Statistik Digunakan dalam


Studi Prognosis
 <nomor>

 A. Analisis Data Waktu Hidup atau Kegagalan


o titik akhir utama dari studi prognosis adalah waktu sampai terjadi
peristiwa yang menarik misalnya, kematian atau kambuh.
o analisis data waktu survival atau kegagalan , membutuhkan teknik
khusus:
 Estimator Kaplan-Meier
 Tes peringkat log
 Model regresi bahaya proporsional Cox .
Menyensor :
 <nomor>

 Defn: ketika acara yang menarik tidak terjadi pada semua individu karena :
o belajar dihentikan sebelum semua orang dalam penelitian memiliki
acara tersebut
o mangkir
o kematian karena penyebab lain (bersaing) misalnya, kecelakaan lalu
lintas jalan

Menyensor
 <nomor>

 Semua metode statistik menganggap sensor tidak informatif :


o alasan untuk pengamatan yang tidak lengkap tidak terkait dengan
risiko kegagalan yang mendasarinya.
o
o oleh karena itu, pengalaman bertahan hidup dari mereka yang
“mangkir” dianggap sama dengan yang masih hidup.

Fungsi bertahan hidup (S (t))


 <nomor>

 Defn: probabilitas bertahan hidup ke titik waktu tertentu (t)


o S (3) = 60 menunjukkan bahwa 60% dari populasi bertahan 3 tahun.
o Ditampilkan secara grafis menggunakan "tabel kehidupan" atau
"kurva survival."
 Waktu kelangsungan hidup rata-rata = waktu di mana separuh pasien
"gagal"
o ukuran kasar tetapi umum untuk bertahan hidup

Kurva Kelangsungan Hidup Khas yang


Menunjukkan Fungsi Kelangsungan
Hidup (S (t)) diplot Terhadap Waktu
dengan Waktu Kelangsungan Hidup Rata -
rata 1,25 Tahun
 <nomor>

Fungsi bahaya (h (t))


 <nomor>

 Defn: probabilitas suatu kejadian pada saat tertentu dalam waktu (t),
mengingat pasien telah bertahan sampai titik waktu tersebut .
o terkait erat dengan fungsi bertahan hidup.
o menunjukkan kemungkinan pasien "gagal" selama periode waktu
berikutnya.
o ukuran langsung prognosis.

Estimator Kaplan-Meier
 <nomor>

 metode estimasi S (t) yang diterima secara luas.


 S (t) dinyatakan sebagai produk dari probabilitas bersyarat misalnya,
o S (3) = S (1) x S (2 | 1) x S (3 | 2)
 dimana :
 S (1) = probabilitas selamat tahun 1
 S (2 | 1) = probabilitas bersyarat untuk selamat tahun 2,
diberikan angka bertahan hidup ke tahun 1.
 S (3 | 2) = probabilitas bersyarat untuk selamat tahun 3,
diberikan angka bertahan hidup ke tahun 2.

Estimator Kaplan-Meier
 <nomor>

 estimator atau "kurva" dimulai pada waktu nol dengan S (t) = 1 dan
kemudian menurun dalam serangkaian langkah yang sesuai dengan waktu
kegagalan yang diamati.
 pengamatan yang disensor berkontribusi pada perkiraan probabilitas
kelangsungan hidup hingga saat penyensoran.
 tidak ada asumsi yang dibuat tentang bentuk fungsi survival atau hazard (=
teknik non-parametrik).
 variabilitas estimasi paling besar ada di ujung kurva - sedikit subjek dan
sedikit kegagalan.
Estimator Kaplan-Meier dari Fungsi
Bertahan Hidup (S (t)) untuk Dua Grup
(Perawatan dan Kontrol) .
 <nomor>

Tes peringkat log


 <nomor>

 sebuah uji statistik dari perbedaan dalam distribusi survival (lihat Peto et al,
1977).
 pada setiap waktu kegagalan yang diamati, bandingkan jumlah kejadian
yang diamati dalam satu kelompok dengan jumlah yang diharapkan
(berdasarkan fungsi bahaya yang sama untuk kedua kelompok).
 memberikan bobot yang sama untuk perbedaan pada setiap titik waktu.
 jika masuk akal untuk lebih menekankan perbedaan pada periode waktu
sebelumnya maka gunakan uji Wilcoxon umum (Cox dan Oakes, 1984).

Model bahaya proporsional Cox


 <nomor>

 Teknik pemodelan regresi yang sangat kuat berdasarkan fungsi bahaya (lihat
Tibshirani 1982).
o memungkinkan aplikasi penuh dan fleksibilitas analisis regresi untuk
diterapkan pada data survival.
o dalam bentuk yang paling sederhana merupakan perpanjangan dari
tes peringkat log.
 Keuntungan:
o kemampuan untuk menangani sejumlah besar variabel prognostik
(baik diskrit maupun kontinu)
o dapat menyesuaikan variabel pengganggu, dan
o mengevaluasi efek interaksi

B. Kontrol Statistik Bias (Seleksi) Umum


 <nomor>

 Studi prognostik pada dasarnya adalah studi observasi yang fokus pada
kelangsungan hidup (atau hasil lainnya).
 Teknik untuk mengontrol bias karenanya sama dengan yang digunakan
dalam epidemiologi pengamatan.

Meja. Metode untuk Mengontrol Bias


Pilihan (dari Fletcher)
 <nomor>




 Fase Studi


 Metode


 Deskripsi


 Desain


 Analisis


 Pengacakan


 Penugasan acak memastikan bahwa pembaur yang diketahui dan tidak
dikenal terdistribusi secara merata di antara kelompok-kelompok paparan
(namun ini jarang layak, kecuali RCT spesifik yang dirancang untuk
mengevaluasi beberapa aspek prognosis sedang dilakukan).


 +



 Larangan


 Jika faktor perancu yang kuat diketahui - seperti usia atau jenis kelamin -
batasi kisaran karakteristik pasien dalam penelitian ini.


 +



 Sesuai


 Cocokkan kelompok pemaparan berdasarkan variabel prognostik penting -
seperti stadium penyakit, usia atau jenis kelamin.


 +



 Stratifikasi


 Bandingkan tingkat kejadian dalam subkelompok (strata) dengan
probabilitas hasil yang serupa, misalnya tingkat jenis kelamin atau
kelompok umur tertentu.



 +
Meja. Prosedur Penyesuaian untuk
Mengontrol Bias Seleksi
 <nomor>


 Prosedur Penyesuaian


 Desain


 Analisis


 Sederhana


 Secara matematis menyesuaikan tingkat minyak mentah untuk karakteristik
yang dikenal sebagai faktor prognostik yang penting misalnya, penyesuaian
usia.



 +


 Berganda


 Gunakan model matematika untuk menyesuaikan perkiraan risiko untuk
beberapa variabel prognostik (Cox Regression).



 +


 Analisis Sensitivitas


 Jelaskan bagaimana hasilnya dapat berbeda dengan mengubah nilai faktor
prognostik yang diketahui pada rentang yang masuk akal. Contoh kasus
terbaik / terburuk adalah contohnya.



 +

V. Karakteristik Ideal Studi Prognostik


 <nomor>

 1. Apakah sampel terdefinisi dengan baik dan mewakili populasi dasar yang
dapat didefinisikan? Apakah pola rujukan dijelaskan dengan baik?
 2. Apakah kohort awal terbentuk? Apakah semua pasien studi pada titik
yang sama didefinisikan dengan baik dalam perjalanan penyakit mereka?
 3. Apakah tindak lanjutnya lengkap dan cukup panjang?

V. Karakteristik Ideal Studi Prognostik


 <nomor>

 4. Apakah kriteria hasil objektif dan tidak bias digunakan?


 5. Apakah penilaian hasil itu buta?
 6. Apakah penyesuaian untuk faktor prognostik asing dilakukan?

Bacaan Editorial
 <nomor>

 Melton
o Apa itu bias seleksi? dan bagaimana hal itu dapat memengaruhi
kesimpulan studi?
 Motulsky
o Mengapa penulis menekankan pada memahami metode seleksi?
VI. Aturan Keputusan Klinis (CDR)
 <nomor>

 alat klinis yang menggabungkan riwayat, pemeriksaan fisik, dan tes


diagnostik sederhana untuk membantu dalam keputusan diagnostik,
prognostik, atau perawatan
 Hasil :
o Probabilitas penyakit / kejadian (risiko)
 misalnya, APGAR, APCHE, Prediksi Risiko CVD
(Framingham), prognosis kolik
o Keputusan diagnostik / perawatan
 misalnya, keputusan biopsi payudara, risiko CA payudara
(model Gail), operasi kolik

CDR - 3 Langkah Proses Pengembangan


 <nomor>

 Langkah 1 - Penurunan :
o Identifikasi variabel penting (prediktif)
o Gunakan metode statistik (Regresi logistik, partisi rekursif, jaringan
saraf), atau pilih variabel berdasarkan pendapat ahli
o Pengujian statistik awal (validasi)
 Membagi sampel (set pengembangan dan pelatihan)
 Teknik bootstrap

CDR - 3 Langkah Proses Pengembangan


 <nomor>

 Langkah 2 - Validasi
o Biasanya prospektif, validasi diperlukan karena
 Akurasi CDR mungkin spesifik untuk populasi pembangunan
(karena keparahan & prevalensi penyakit)
 CDR mungkin tidak diterapkan dengan cara yang sama pada
populasi lain
o Sempit: Aplikasi untuk popl pasien serupa.
o Luas: Aplikasi untuk populasi yang berbeda dengan prevalensi dan
spektrum penyakit yang bervariasi.

CDR - 3 Langkah Proses Pengembangan


 <nomor>

 Langkah 3 - Analisis Dampak


o Diperlukan karena keengganan untuk menggunakan CDR adalah hal
biasa. Mengapa?
 Kekhawatiran tentang populasi / pengaturan pasien yang
berbeda
 Risiko negatif palsu (khususnya masalah hukum)
 Aturannya rumit atau terlalu lama untuk digunakan
 Tidak menyediakan tindakan (hanya probabilitas !!)
o Uji efek CDR pada perilaku dokter dan praktik klinis dan hasil pasien
o Jarang dilakukan!
o Ideal = Mengacak setiap pasien (sulit) atau praktik.
o Atau, evaluasi menggunakan desain pra-pos

CDR - Hierarchy of Evidence


 <nomor>

 Penggunaan yang
 Tingkat  Diperlukan Bukti Minimum
Disarankan

 Akurasi dan penerapan


ditunjukkan dalam studi  Penggunaan
validasi prospektif BROAD luas. Keyakinan tinggi
 1
dalam populasi yang yang dapat mengubah
berbeda.Analisis dampak praktik atau hasil.
PLUS.

 Akurasi ditunjukkan dalam


 Penggunaan
studi validasi prospektif
 2 luas. Keyakinan
BROAD dalam populasi
tinggi.
yang berbeda

 Akurasi ditunjukkan dalam  Gunakan dengan hati-


 3 studi validasi prospektif hati dalam pengaturan
tunggal NARROW yang sama

 Diperlukan evaluasi
 Validasi statistik atau
 4 lebih lanjut sebelum
validasi retrospektif saja
digunakan
CDR - Standar Metodologi (McGinn,
JAMA 2000)
 <nomor>

 Apakah semua prediktor penting termasuk dalam proses derivasi


 validitas konten
 Apakah mereka dikumpulkan secara prospektif secara buta
untuk tujuan pengembangan CDR?
 setiap pasien termasuk ?, data minimal yang hilang?
 adalah prediktor hadir dalam proporsi besar pop studi
 Apakah populasi dan pengaturan pasien didefinisikan dengan baik?
 umur, jenis kelamin, filter rujukan
 Apakah semua peristiwa hasil didefinisikan dengan jelas?
 Apakah mereka penting secara klinis?
 Apakah mereka ditentukan secara membabi buta (tidak
tergantung pada prediktor)

CDR - Standar Metodologi (McGinn,


JAMA 2000)
 <nomor>

 Apakah metode statistik yang sesuai digunakan?


 Ukuran sampel yang memadai untuk menghindari pemasangan
berlebihan (perlu 10 hasil per variabel)
 Apakah hasil CDR sesuai dan jelas?
 Kurva Se / Sp atau ROC - biasanya menginginkan Se tinggi
(untuk menghindari FN)
 PV lebih banyak digunakan untuk dokter (tergantung
Prevalensi)
 LR?
 Prob (hasil) = kurva kelangsungan hidup
 Apakah reproduksibilitas prediktor dan aturan itu sendiri dinilai?
 Banyak S / S tidak terlalu dapat diandalkan
 Peduli dengan variabilitas antar pengamat (K)

Terima kasih