Diterbitkan oleh Oxford University Press atas nama Asosiasi Epidemiologi Internasional Jurnal Internasional Epidemiologi 2012; 41:

Jurnal Internasional Epidemiologi 2012; 41: 514–520

© Penulis 2012; seluruh hak cipta. Publikasi Advance Access 9 Januari 2012 doi: 10.1093 / ije / dyr218

Rekomendasi untuk menyajikan analisis modifikasi

efek dan interaksi
Mirjam J Knol1 * dan Tyler J VanderWeele2,3
1Julius Center for Health Sciences and Primary Care, University Medical Center Utrecht, Belanda, 2Department of Epidemiology, Harvard School of Public Health, Boston, MA, USA dan 3Department of Biostatistics, Harvard School of
Public Health, Boston, MA, USA

*Penulis yang sesuai. Pusat Julius untuk Ilmu Kesehatan dan Perawatan Primer, Pusat Medis Universitas
Utrecht, PO Box 85500, 3508 GA Utrecht, Belanda. Surel:mjknol@umcutrecht.nl

Diterima 30 November 2011

Penulis sering tidak memberikan informasi yang cukup untuk menarik
kesimpulan tentang ukuran dan signifikansi statistik interaksi pada
skala aditif dan perkalian. Untuk meningkatkan ini, kami menyediakan
empat langkah, tabel template dan contoh. Kami membedakan dua
kasus: ketika efek kausal dari intervensi pada satu eksposur, di
seluruh strata faktor lain, menarik ('modifikasi efek'); dan ketika efek
kausal dari intervensi pada dua eksposur adalah kepentingan
('interaksi').
Asumsikan kita mempelajari apakah X memodifikasi efek A pada D,
di mana A, X, dan D bersifat dikotomis. Kami mengusulkan
penyajian: (i) risiko relatif (RR), rasio peluang (OR) atau perbedaan
risiko (RD) untuk setiap strata (A, X) dengan kategori referensi
tunggal yang diambil sebagai strata dengan risiko D terendah; (ii)
RR, OR atau RD untuk A dalam strata X; (iii) ukuran interaksi pada
skala aditif dan multiplikatif; (iv) pembaur A – D yang disesuaikan.
Asumsikan kita mempelajari interaksi antara A dan B di D, di mana
A, B, dan D dikotomis. Langkah (i) dan (iii) mirip dengan modifikasi
efek presentasi. (ii) Menunjukkan RR, OR atau RD untuk A dalam
strata B dan untuk B dalam strata A. (iv) Sebutkan pembaur A – D
dan B – D yang disesuaikan.
Keempat informasi ini akan memberi pembaca informasi yang
diperlukan untuk menilai efek modifikasi atau interaksi. Penyajian
dapat lebih diperkaya ketika eksposur memiliki beberapa kategori.
Proposal kami diharapkan dapat mendorong para peneliti untuk
menyajikan modifikasi efek dan analisis interaksi dengan cara yang
informatif mungkin.
Modifikasi Efek Kata Kunci, interaksi, rekomendasi

Latar Belakang publikasi.1 Namun, sebagian besar dari studi ini tidak
Modifikasi efek atau interaksi sering dipelajari dalam memberikan informasi yang cukup kepada pembaca
penelitian epidemiologi. Sebuah survei terhadap 225 untuk menarik kesimpulan tentang ukuran dan
studi kohort dan studi kasus-kontrol menunjukkan signifikansi statistik dari interaksi pada skala aditif dan
bahwa 61% studi membahas modifikasi efek atau multiplikatif. Hanya 11% dari studi
interaksi di dalamnya

514
 MENAMPILKAN MODIFIKASI EFEK DAN INTERAKSI
menyajikan efek individual dari kedua eksposur dan
efek gabungan dari kedua eksposur; kebanyakan studi
menggunakan berbagai kategori referensi yang
membuatnya tidak mungkin untuk menilai ukuran
interaksi secara keseluruhan.
Selama lebih dari 30 tahun, telah ada konsensus
umum dalam komunitas epidemiologi bahwa mengukur
interaksi pada skala aditif paling tepat untuk menilai
pentingnya interaksi pada kesehatan masyarakat. 2–4
Risiko relatif berlebih karena interaksi (RERI) sering
dianggap sebagai ukuran standar untuk interaksi pada
skala aditif dengan studi kasus-kontrol, 5 meskipun
beberapa menganjurkan indeks sinergi aditif. 6 Namun
demikian, di antara sampel acak dari 50 kasus-kontrol
dan 25 studi kohort di lima jurnal epidemiologi
berperingkat paling tinggi, hanya satu yang melaporkan
ukuran indeks sinergi dan tidak satu pun di antara
sampel yang melaporkan RERI. 1 Bahkan ketika desain
studi memungkinkan untuk estimasi perbedaan risiko,
estimasi sering dilaporkan menggunakan rasio odds
(OR) karena regresi logistik digunakan untuk
penyesuaian kovariat dan kemudian interaksi sering
tidak dilaporkan pada skala aditif. Jelas ada kebutuhan
akan pedoman yang lebih komprehensif untuk
melaporkan analisis interaksi.
Proposal pelaporan sebelumnya dibuat oleh Botto
dan Khoury untuk interaksi gen-lingkungan, 7 dan dalam
rekomendasi STROBE (Penguatan Pelaporan Studi
Observasional dalam Epidemiologi). 8 Rekomendasi
STROBE menyatakan bahwa analisis interaksi sebaiknya
disajikan sebagai efek terpisah dari dua faktor risiko
dan efek gabungannya menggunakan satu kategori
referensi, karena ini memberikan informasi yang cukup
kepada pembaca untuk menghitung interaksi pada
skala aditif dan perkalian.
Namun, proposal sebelumnya tidak membedakan
antara efek modifikasi dan interaksi. 9 Proposal
sebelumnya juga tidak menyarankan pemberian
interval kepercayaan (CI) untuk interaksi pada skala
aditif dan multiplikatif. Di sini, kami mengusulkan
format untuk menyajikan analisis interaksi yang mudah
untuk ditafsirkan dan akan memungkinkan pembaca
untuk menilai ukuran interaksi minat potensial. Kami
mendorong tindakan pelaporan dan CI dari interaksi
aditif dan multiplikatif.
Kami membedakan kasus-kasus di mana (i) efek
kausal dari satu eksposur dalam strata eksposur lain
menjadi perhatian, yang disebut sebagai 'modifikasi
efek' dan
(ii) efek kausal dari dua eksposur bersama-sama
menarik, disebut sebagai 'interaksi'. Untuk pembahasan
yang lebih rinci tentang perbedaan antara efek
modifikasi dan interaksi dan konsekuensi untuk analisis,
kami merujuk ke VanderWeele. 9 dan VanderWeele dan
Knol.10 Pada dasarnya, untuk modifikasi efek hanya ada
satu intervensi hipotetis yang dipertimbangkan,
sedangkan untuk interaksi ada dua; untuk modifikasi
efek hanya ada satu set faktor perancu untuk
dipertimbangkan, faktor untuk pemaparan utama yang
menarik; untuk interaksi, ada dua set yang perlu
dipertimbangkan, keduanya untuk kedua eksposur.
515
Untuk mengilustrasikan hal ini, pertimbangkan uji coba
tentang pengaruh perumahan yang mendukung bagi
orang dewasa tunawisma dengan penyakit kronis. 11
Misalkan efek dari rumah suportif pada jumlah hari
rumah sakit lebih besar pada orang dewasa dengan
pekerjaan, tetapi ini karena status pekerjaan
berkorelasi dengan kesehatan mental, dan itu adalah
kesehatan mental (daripada status pekerjaan) yang
memiliki efek kausal pada hari-hari rumah sakit. Masih
akan menjadi kasus bahwa efek intervensi perumahan
bervariasi menurut status pekerjaan (yaitu 'modifikasi
efek' akan ada) dan efektivitas pengobatan dapat
ditingkatkan dengan menargetkan orang yang
dipekerjakan. Namun, mungkin tidak demikian jika kita
melakukan intervensi pada status pekerjaan, ini akan
meningkatkan efektivitas program perumahan (yaitu
'interaksi kausal' mungkin tidak ada). Ini karena
pekerjaan mungkin dibingungkan oleh kesehatan
mental. Jika minat dalam mengidentifikasi kelompok
sasaran (mis apakah perumahan yang mendukung
harus ditargetkan pada orang dewasa yang memiliki
pekerjaan), seseorang sedang mempelajari modifikasi
efek, dan kontrol untuk perancu dari pengubah efek
atau eksposur kedua tidak diperlukan. Jika minat dalam
intervensi pada kedua eksposur, (misalnya apakah efek
dari program perumahan akan meningkat jika orang
diberi pekerjaan bersama dengan program
perumahan), seseorang mempelajari interaksi, dan
kontrol untuk perancu dari eksposur kedua diperlukan.
Modifikasi efek
Misalkan kita mempelajari apakah efek A (eksposur
minat) pada D (hasil) dimodifikasi oleh X (pengubah
efek potensial), di mana A, X dan D dikotomis. Kami
mengusulkan empat langkah berikut dalam menyajikan
hasil analisis ini yang akan memungkinkan pembaca
memperoleh informasi yang diperlukan untuk menilai
modifikasi efek (Tabel 1):
(1) Menunjukkan risiko relatif (RR), OR atau
perbedaan risiko (RD) dengan CI untuk setiap
strata A dan X dengan kategori referensi tunggal
(mungkin diambil sebagai strata dengan risiko D
terendah).
(2) Menunjukkan RR, OR, atau RD dengan CI untuk
A dalam strata X.
(3) Menunjukkan ukuran modifikasi efek pada kedua
aditif (mis. RERI12,13) dan skala perkalian dengan
nilai CI dan P.
(4) Buat daftar pembaur yang relasi antara A dan D
disesuaikan. Jika A memiliki lebih dari dua tingkat,
kolom tambahan dapat ditambahkan (lihat
Lampiran tersedia sebagaiTambahan Data di IJE
online untuk diskusi lebih lanjut).
Meskipun tidak penting untuk interpretasi hasil
modifikasi efek, penulis didorong untuk melaporkan
jumlah subjek dengan dan tanpa hasil di setiap sel juga
dan menggunakan tata letak tabel 4 x 2 seperti yang
direkomendasikan di STROBE. 8 Ini akan menambah
transparansi tambahan bagi pembaca, karena
memungkinkan langsung
Tabel 1 Tabel template untuk menyajikan hasil analisis tentang modifikasi efek di mana A adalah eksposur yang menarik dan X
adalah pengubah efek potensial
A¼0 A¼1
N dengan / RR / OR / N dengan /
tanpa hasil RD (95% tanpa hasil
CI); P.
X¼0 Referensi
X¼1
Pengukuran efek modifikasi pada skala aditif (95% CI); P.
Mengukur modifikasi efek pada skala perkalian (95% CI); P. RR / OR
/ RD disesuaikan untuk ...
interpretasi data mentah, perbandingan dengan data
lain dan penghitungan ulang. Jika desain studi
memungkinkan kalkulasi risiko absolut, ini lebih disukai
disajikan di setiap sel tabel bersama dengan atau
sebagai pengganti RR atau OR.
Jika memungkinkan, sebaiknya RR dilaporkan
daripada OR. OR adalah ukuran 'non-collapsible'
sehingga ukuran marginal dan kondisional mungkin
tidak sama — ukuran efek modifikasi dapat bervariasi
tergantung pada kovariat yang kontrolnya telah dibuat.
Jika hasilnya jarang, OR dan RR hampir sama. Namun,
jika hasilnya umum, keduanya mungkin berbeda dan
menggunakan OR dapat membesar-besarkan ukuran
interaksi. Dalam studi kasus-kontrol dengan
pengambilan sampel kerapatan insiden, OR dapat
diartikan sebagai rasio laju, menghindari masalah ini. 14
Contoh
Sebuah studi kohort oleh Knol et al. 15 menyelidiki
apakah risiko penggunaan antidepresan (paparan
minat A) pada diabetes (hasil D) telah dimodifikasi
oleh skor penyakit kronis (efek potensial pengubah
X). Skor penyakit kronis adalah ukuran status
penyakit kronis di antara pengguna napza dan dapat
dianggap sebagai indikator morbiditas individu dan
status kesehatan secara keseluruhan. Skor tersebut
dibagi menjadi 0 dan 51, di mana 0 berarti tidak ada
penyakit kronis. Mengikuti empat langkah yang
dijelaskan di atas, hasilnya akan disajikan seperti
padaMeja 2:
(1) RR dengan CI dan nilai P disajikan hanya untuk
penggunaan antidepresan (1,16; 0,95-1,42), untuk
skor penyakit kronis 51 saja (1,55; 1,30-1,84), dan
untuk penggunaan antidepresan dan skor penyakit
kronis 51 (2,07) ; 1.73-2.47), di mana tidak ada
penggunaan antidepresan dan skor penyakit
kronis 0 adalah kategori referensi, karena strata ini
memberikan risiko diabetes terendah.
(2) RR dengan CI dan nilai P disajikan untuk
penggunaan antidepresan (pemaparan minat)
dalam strata skor penyakit kronis (pengubah efek
potensial). RR ini menunjukkan bahwa risiko
penggunaan antidepresan pada diabetes adalah
1,16 pada subjek dengan skor penyakit kronis 0
dan
RR / OR / RD
RR / OR / (95% CI); P untuk¼A 1 vs A 0
RD (95% dalam strata X
CI); P.
1.34 pada subjek dengan skor penyakit kronis
51.
(3) RERI dihitung sebagai 2,07 1,55 - -
1,16 þ1¼0,36 dengan CI 95% diperoleh dengan
metode delta12 0,003 - sampai 0,73. Artinya
terdapat indikasi kuat bahwa estimasi efek
penggunaan antidepresan skala aditif dengan skor
penyakit kronik 51 lebih besar dari estimasi efek
penggunaan antidepresan dengan skor penyakit
kronik 0, sehingga terdapat efek positif modifica. -
penggunaan antidepresan di seluruh strata skor
penyakit kronis pada skala aditif. Ukuran interaksi
pada skala multiplikatif, rasio RR pada strata skor
penyakit kronis, adalah 1,15 (95% CI 0,89-1,49).
Artinya terdapat beberapa indikasi bahwa estimasi
efek gabungan penggunaan antidepresan pada
skala rasio risiko dengan skor penyakit kronis 51
lebih besar dari estimasi efek penggunaan
antidepresan dengan skor penyakit kronis 0.
(4) Hubungan antara penggunaan antidepresan dan
diabetes disesuaikan dengan usia, jenis kelamin
dan penggunaan benzodiazepine. Ini dianggap
sebagai faktor perancu untuk penggunaan
antidepresan; jika hanya efek modifikasi (efek
penggunaan antidepresan karena bervariasi di
seluruh strata skor penyakit kronis) yang menarik,
maka tidak perlu mempertimbangkan faktor
perancu untuk skor penyakit kronis.
Interaksi
Misalkan sekarang kita mempelajari interaksi antara A
dan B (dua eksposur yang menarik) pada D (hasil), di
mana A, B dan D dikotomis. Kami mengusulkan empat
langkah berikut dalam menyajikan hasil analisis ini yang
akan memungkinkan pembaca memperoleh informasi
yang diperlukan untuk menilai interaksi (Tabel 3):
(1) Tampilkan RR, OR atau RD dengan CI dan nilai P
untuk setiap strata A dan B dengan kategori
referensi tunggal (mungkin diambil sebagai
strata dengan risiko D terendah).
Tabel 2 Contoh — modifikasi efek penggunaan antidepresan pada diabetes dengan skor penyakit kronis
Tidak ada antidepresan useAntidepressant useRRs (95% CI) untuk
penggunaan antidepresan
N dengan / dengan- N dengan / tanpa dalam strata skor
di luar diabetesRR (95% CI) diabetes RR (95% CI) penyakit kronis
Skor penyakit 243/24 195 1.0 153/15 470 1,16 (0,95–1,42); 1,16 (0,95–1,42);
kronis 0 P. ¼ 0.150 P. ¼ 0.150
Skor penyakit kronis 338/11 260 1.55 (1.30–1.84); 246 / 86112.07 (1,73– 1,34 (1,13–1,58);
1 atau lebih 2,47); P. ¼ 0,001
P. < 0,001 P. <0,001
Ukuran modifikasi efek pada skala aditif: RERI (95% CI) 0,36 (0,003-0,73);
¼— P 0,052.
¼ HAL
Ukuran modifikasi efek pada skala perkalian: rasio RR (95% CI) 1,15 (0,89-1,49); ¼ 0.282. RR disesuaikan
dengan usia, jenis kelamin dan penggunaan benzodiazepin.

Tabel 3 Template tabel untuk menyajikan hasil analisis tentang interaksi di mana A dan B adalah dua eksposur yang menarik
A¼0 A¼1 RR / OR / RD (95%
CI); P untuk A ¼ 1
N dengan tanpa RR / OR / RD N dengan tanpa RR / OR / RDvs ¼A 0 dalam
hasil (95% CI); P. hasil (95% CI); P. strata B
B¼0 Referensi
B¼1
RR / OR / RD (95% CI); P untuk B ¼ 1
vs B ¼ 0 dalam strata A
Ukuran interaksi pada skala aditif (95% CI); P. Mengukur
interaksi pada skala perkalian (95% CI); P. RR / OR / RD
disesuaikan untuk ...

(2) Menyajikan RR, OR atau RD dengan CI dan nilai
P dari efek A pada D dalam strata B dan B pada
D pada strata A.
(3) Menunjukkan ukuran modifikasi efek pada kedua
aditif (mis. RERI12,13) dan skala perkalian dengan
nilai CI dan P.
(4) Sebutkan perancu yang relasi antara A dan D dan
relasi antara B dan D yang disesuaikan.
Perhatikan bahwa Langkah 1 dan 3 sama persis untuk
mempelajari interaksi atau modifikasi efek. Langkah 2
untuk mempelajari interaksi, bagaimanapun,
membutuhkan penyajian efek dalam strata B dan strata
A, sedangkan Langkah 2 untuk mempelajari modifikasi
efek hanya mencakup penyajian efek dalam strata X
(pengubah efek). Langkah 4 untuk mempelajari
interaksi mensyaratkan bahwa perancu untuk kedua
hubungan antara A dan D dan antara B dan D
dilaporkan, sedangkan Langkah 4 untuk mempelajari
modifikasi efek hanya mencakup daftar perancu untuk
hubungan antara A dan D.
Meskipun tidak penting untuk interpretasi hasil
interaksi, penulis didorong untuk melaporkan jumlah
subjek dengan dan tanpa hasil di setiap sel juga, dan
menggunakan tata letak tabel 4 x 2 seperti yang
direkomendasikan di STROBE. 8 Ini akan menambah
transparansi tambahan bagi pembaca, karena
memungkinkan interpretasi langsung dari data mentah,
perbandingan dengan data lain tentang eksposur, dan
penghitungan ulang. Jika
desain studi memungkinkan perhitungan risiko absolut,
ini sebaiknya disajikan di setiap sel tabel. Seperti
sebelumnya, kami merekomendasikan agar RR daripada
OR disajikan jika memungkinkan.
Contoh
Van Gils dkk.16 menyelidiki interaksi antara asupan
makanan vitamin E (paparan minat A) dan polimorfisme
dalam gen yang mengkode protein dalam sistem
perbaikan DNA (genotipe XRCC1 Codon 399) (paparan
minat B) pada risiko kanker prostat (hasil D ) dalam
studi kasus-kontrol. Mengikuti empat langkah yang
dijelaskan di atas, hasilnya akan disajikan seperti
padaTabel 4:
(1) OR dengan CI disajikan hanya untuk tipe Arg / Arg
(1.04; 0.42-2.60), untuk asupan vitamin E diet
rendah saja (1.22; 0.53-2.82) dan untuk genotipe
Arg / Arg dan diet rendah vitamin E asupan (2.40;
1.02–5.63), di mana genotipe Arg / Gln Glnþ/ Gln
dan asupan vitamin E makanan tinggi adalah
kategori referensi.
(2) OR dengan CI dan nilai P disajikan untuk
hubungan antara genotipe Arg / Arg dan kanker
prostat pada strata asupan vitamin E makanan,
dan OR dengan CI dan nilai P disajikan untuk
hubungan antara asupan vitamin E diet rendah
dan kanker prostat. dalam strata genotipe.
 Tabel 4 Contoh — interaksi antara genotipe XRCC1 kodon 399 dan asupan vitamin E makanan pada risiko kanker
prostat
Genotipe kodon XRCC1 399
Arg / Gln þ Gln / Gln
Arg N kasus / kontrol ATAU (95% CI)
Asupan vitamin E tinggi 17/46
1.0
Asupan vitamin E 22/57
rendah
1,22 (0,53–2,82);
P. ¼ 0,65
OR (95% CI) untuk vita-
min E dalam lapisan 1,22 (0,53–2,82);
dari genotip P. ¼ 0,65
Ukuran interaksi pada skala aditif: RERI (95% CI) 1,14 (0,57
¼—hingga 2,85); P 0.19.
Ukuran interaksi pada skala perkalian: rasio OR (95% CI) 1,89 (0,56¼sampai
OR disesuaikan dengan umur, suku, kerabat derajat I dengan kanker prostat, pendidikan, pernah bertani, IMT, total asupan energi, total
asupan lemak dan asupan antioksidan lainnya.
(3) RERI adalah 1,14 (95% CI: 0,57 hingga
- 2,85),
Artinya terdapat beberapa indikasi bahwa estimasi
efek gabungan pada skala aditif vitamin E dan
genotipe Arg / Arg secara bersama-sama lebih
besar dari penjumlahan estimasi efek vitamin E
saja dan genotipe Arg / Arg saja sehingga terdapat
hasil yang positif. interaksi pada skala aditif.
Ukuran interaksi pada skala perkalian rasio OR
adalah 1,89 (95% CI 0,56-6,34), artinya terdapat
beberapa indikasi bahwa perkiraan pengaruh
sendi pada skala OR vitamin E dan Arg / Arg.
genotipe bersama-sama lebih besar dari produk
perkiraan efek vitamin E saja dan genotipe Arg /
Arg saja sehingga ada interaksi positif pada skala
multiplikasi.
(4) Hubungan genotipe Arg / Arg dengan kanker
prostat dan antara asupan vitamin E diet rendah
dan kanker prostat disesuaikan dengan umur,
suku, kerabat derajat I dengan kanker prostat,
pendidikan, pernah bertani, IMT, total. asupan
energi, asupan lemak total dan asupan antioksidan
lain (vitamin C, vitamin A, b-karoten dan likopen).
Jika interaksi kausal menjadi perhatian, faktor-
faktor ini harus cukup untuk mengontrol perancu
untuk efek vitamin E dan untuk efek genotipe
XRCC1 Codon 399.
Perhatikan bahwa penulis tidak mengontrol stratifikasi
populasi yang dapat mengacaukan efek genotipe. Jika
polimorfisme untuk XRCC1 Codon 399 dianggap sebagai
varian kausal yang sebenarnya dan tidak ada pembaur
umum, maka analisis dapat dianggap sebagai
pengukuran interaksi kausal. Jika tidak, jika ada perancu
genetik, orang mungkin ingin menyajikan hasil ini
sebagai
Arg / ATAU (95% CI)
N kasus / kontrol untukvitamin E.
ATAU (95% CI) strata
14/44 Arg / Arg dalam
1,04 (0,42–2,60); 1,04 (0,42–2,60);
P. ¼ 0,93 P. ¼ 0,93
24/33
2,40 (1,02–5,63); 1,97 (0,89–4,41);
P. ¼ 0,04 P. ¼ 0,10
2,30 (0,93–5,74);
P. ¼ 0,07
¼ 6,34); P 0.30.
modifikasi efek dengan efek vitamin E bervariasi di
seluruh strata yang ditentukan oleh genotipe. Secara
lebih umum, dalam analisis interaksi gen-lingkungan,
harus dijelaskan apakah varian genetik dapat
diinterpretasikan sebagai kausal atau tidak, yaitu
apakah ada yang meyakinkan atau tidak. Tanpa
mengontrol faktor perancu untuk varian genetik,
analisis gabungan dari kedua faktor selalu dapat
diartikan sebagai efek modifikasi dari faktor lingkungan
di seluruh strata faktor genetik selama kontrol dibuat
untuk penemu paparan lingkungan. Jika kontrol juga
dibuat untuk perancu genetik sehingga asosiasi antara
varian genetik dan penyakit mencerminkan efek
sebenarnya dari faktor genetik maka analisis dapat
diartikan sebagai salah satu interaksi kausal.
Kesimpulan
Cara penyajian hasil yang kami usulkan memberikan
semua data yang relevan untuk menafsirkan modifikasi
efek dan analisis interaksi. Editor jurnal epidemiologi
dapat mendorong penulis untuk mempresentasikan
hasil mereka dalam format ini. Rekomendasi STROBE
mengusulkan untuk menyajikan analisis interaksi
sebagai efek terpisah dari dua faktor risiko dan efek
gabungannya dengan satu kategori referensi, karena ini
memberikan informasi yang cukup kepada pembaca
untuk menghitung ulang interaksi pada skala apa pun
yang disukai.8 Proposal kami melangkah lebih jauh,
karena juga merekomendasikan presentasi perkiraan
efek satu faktor di seluruh strata lain dan presentasi
ukuran dan CI untuk interaksi pada skala aditif dan
multiplikatif.
Sebuah survei terbaru dari studi kohort dan kasus-
kontrol menunjukkan bahwa ukuran dan nilai-P atau CI
untuk interaksi pada skala aditif atau multiplikasi sering
tidak dilaporkan.1 Pengukuran dan CI pada skala aditif
kemungkinan besar akan dihilangkan, bahkan di
publikasi di jurnal epidemiologi paling terkemuka.
Hal ini sangat mengkhawatirkan mengingat
pentingnya skala aditif untuk kesehatan masyarakat
dan biologis. Untuk tujuan kesehatan masyarakat,
skala aditif menunjukkan apakah pengaruh faktor
risiko akan lebih besar di satu subpopulasi daripada
di subpopulasi lain dan dengan demikian berguna
dalam menargetkan populasi tertentu dan dalam
alokasi sumber daya. Ukuran interaksi pada skala
aditif, seperti RERI, dapat digunakan untuk menilai
apakah ada sinergisme antara dua eksposur seperti
yang didefinisikan dalam model penyebab yang
memadai (yaitu individu yang hasilnya akan terjadi
jika kedua eksposur tersebut hadir tetapi tidak jika
hanya satu atau yang lain yang hadir). 17–19 Jika kedua
eksposur memiliki efek netral atau kausatif untuk
semua individu (yaitu efek monotonik), RERI40
menyiratkan sinergisme tersebut; 18,20 tanpa
monotonisitas, seseorang masih dapat menguji
sinergisme dengan menguji RERI41. 19,20 Ukuran
interaksi pada skala aditif tidak dilaporkan dalam
sebagian besar analisis modifikasi efek dan interaksi
menghilangkan informasi penting dari pembaca.
Mungkin sebagian alasan mengapa ukuran dan CI
interaksi pada skala aditif sering tidak dilaporkan adalah
karena hal ini tidak segera diberikan dalam output
prosedur regresi logistik dengan perangkat lunak
statistik standar. Namun demikian, ada program SAS
yang tersedia untuk umum yang akan menghitung
ukuran dan CI untuk interaksi pada skala aditif 21 serta
spreadsheet Excel yang dapat digunakan untuk
melakukan perhitungan ini secara otomatis dari
keluaran standar yang diberikan oleh SAS, Stata atau
SPSS.22 Kami menyediakan alat spreadsheet lain yang
mudah digunakan di Lampiran yang tersedia sebagai
Data pelengkap di IJE online (tersedia juga di situs
penulis pertama) yang dapat digunakan bersama
dengan keluaran perangkat lunak statistik standar
untuk menghitung ukuran interaksi aditif, dan nilai CI
dan P yang sesuai menggunakan metode delta. 12 Alat
yang sama ini juga dapat digunakan bersama dengan
model bahaya proporsional Cox untuk menghasilkan
ukuran interaksi aditif, 23,24 dan untuk menghitung
interaksi aditif antara eksposur berkelanjutan. 25 Alat-
alat ini dapat dengan mudah digunakan oleh ahli
epidemiologi dan harus secara rutin dimasukkan dalam
kursus metode epidemiologi
yang membahas interaksi. Metode lain selain metode
delta untuk menghitung CI untuk mengukur interaksi
aditif juga tersedia.26–29 Kami sangat mendorong
pelaporan estimasi interaksi aditif dan multiplikatif dan
CI setiap kali interaksi atau modifikasi efek diinginkan.
Kami telah memfokuskan pada RERI dalam makalah
ini sebagai ukuran interaksi aditif. Indeks sinergi juga
terkadang dipertimbangkan6 (yaitu rasio sejauh mana
risiko kelompok terpapar ganda melebihi 1 sejauh
mana jumlah kelompok terpapar tunggal melebihi 1).
Namun, ukuran ini hanya boleh digunakan jika
kelompok yang tidak terpapar ganda adalah
kelompok dengan risiko absolut terendah. 30
Meskipun beberapa lebih memilih indeks sinergi,
argumen untuk menggunakan RERI diberikan di atas
dan di tempat lain.31,32 Keduanya berpotensi
dilaporkan.
Proposal kami diharapkan akan mendorong para
peneliti untuk menyajikan analisis interaksi seinformatif
mungkin.
Data pelengkap
Data pelengkap tersedia di IJE online.
Pendanaan
Studi ini dilakukan dalam konteks proyek Escher (T6-
202), sebuah proyek dari Institut Farmasi Belanda Top.
National Institutes of Health (berikan R01 ES017876 ke
TV).
Ucapan Terima Kasih
Kami ingin berterima kasih kepada Prof. JP
Vandenbroucke, PhD, Leiden UMC, Belanda, atas
komentar-komentarnya yang sangat membantu pada
versi awal artikel ini. Kami ingin mengucapkan terima
kasih kepada CH van Gils, PhD, UMC Utrecht, Belanda,
yang telah menyediakan data yang kami gunakan untuk
contoh dalam artikel ini.
Konflik kepentingan: Tidak ada yang diumumkan.

PESAN KUNCI
● Kami memberikan rekomendasi untuk menyajikan modifikasi dan interaksi efek sedemikian rupa
sehingga pembaca memiliki informasi yang cukup untuk menarik kesimpulan tentang ukuran dan
signifikansi modifikasi efek dan interaksi pada skala aditif dan perkalian.
● Kami membedakan dua kasus: ketika efek kausal dari intervensi pada satu eksposur, di seluruh strata
faktor lain, menarik ('modifikasi efek'); dan ketika efek kausal dari intervensi pada dua eksposur menarik
('interaksi').
● Proposal kami terdiri dari menyajikan empat bagian informasi untuk memberi pembaca informasi yang
diperlukan untuk menilai efek modifikasi atau interaksi.
Referensi risiko: contoh polimorfisme pada gen XRCC1.
1 Knol MJ, Egger M, Scott P, Geerlings MI, Vandenbroucke JP. Ketika satu bergantung pada yang lain: Cancer Epidemiol Biomarkers Sblm 2002; 11: 1279–84.
17 Rothman KJ. Penyebab. Am J Epidemiol 1976; 104: 587–92.
pelaporan interaksi dalam studi kasus-kontrol dan kohort. Epidemiologi 200; 20: 161–66.
18 Rothman KJ, Greenland S, Lash TL. Epidemiologi Modern.
2 Blot WJ, Hari NE. Sinergisme dan interaksi: apakah mereka setara? Am J Epidemiol 1979; 110: 99–
100. Philadelphia: Lippincott, Williams & Wilkins, 2008.
19 Vanderweele TJ, Robins JM. Identifikasi sinergi dalam kerangka kerja komponen yang memadai.
3 Rothman KJ, Greenland S, Walker AM. Konsep interaksi. Am J Epidemiol 1980; 112: 467–70.
Epidemiologi 200; 18: 329–39.
4 Saracci R. Interaksi dan sinergisme. Am J Epidemiol
20 Vanderweele TJ. Menyebabkan interaksi yang cukup dan interaksi statistik. Epidemiologi 200; 20: 6-13.
1980; 112: 465–66. 21 Lundberg M, Fredlund P, Hallqvist J, Diderichsen F. Program SAS menghitung tiga ukuran interaksi
5 Rothman KJ. Epidemiologi Modern. Boston, MA: Little, Brown and Company, 1986.
dengan interval kepercayaan. Epidemiologi 199; 7: 655–56.
6 Skrondal A. Interaksi sebagai penyimpangan dari aditif dalam studi kasus-kontrol: catatan
22 Andersson T, Alfredsson L, Kallberg H, Zdravkovic S, Ahlbom A. Menghitung ukuran interaksi
peringatan. Am J Epidemiol 2003; 158: 251–58.
biologis. Eur J Epidemiol 200; 20: 575–79.
7 Botto LD, Khoury MJ. Komentar: menghadapi tantangan interaksi gen-lingkungan: tabel dua-empat dan
23 Li R, Chambless L. Uji untuk interaksi aditif dalam model bahaya proporsional. Ann Epidemiol 2007; 17:
seterusnya. Am J Epidemiol 2001; 153: 1016–20.
227–36.
8 Vandenbroucke JP, von Elm E, Altman DG dkk. Penguatan Pelaporan Studi Observasional dalam
24 Vanderweele TJ. Interaksi kausal dalam model bahaya proporsional. Epidemiologi 2011; 22: 713–17.
Epidemiologi (STROBE): penjelasan dan elaborasi. Epidemiologi 200; 18: 805–35.
25 Knol MJ, van der Tweel I, Grobbee DE, Numans ME, Geerlings MI. Memperkirakan interaksi pada
9 Vanderweele TJ. Tentang perbedaan antara interaksi dan modifikasi efek. Epidemiologi 200; 20: 863–71.
skala aditif antara determinan kontinu dalam model regresi logistik. Int J Epidemiol 200; 36: 1111–
10 Vanderweele TJ, Knol MJ. Interpretasi analisis subkelompok dalam uji coba acak: heterogenitas versus
18.
intervensi sekunder. Ann Intern Med 2011; 154: 680–83.
26 Assmann SF, Hosmer DW, Lemeshow S, Mundt KA. Interval kepercayaan untuk mengukur interaksi.
11 Sadowski LS, Kee RA, Vanderweele TJ, Buchanan D. Pengaruh program perumahan dan manajemen
Epidemiologi 199; 7: 286–90.
kasus pada kunjungan gawat darurat dan rawat inap di antara orang dewasa tunawisma yang sakit
27 Kuss O, Schmidt-Pokrzywniak A, Stang A. Interval kepercayaan untuk rasio kontras interaksi.
kronis: uji coba secara acak. JAMA 2009; 301: 1771–78.
Epidemiologi 2010; 21: 273–74.
12 Hosmer DW, Lemeshow S. Confidence interval estimasi interaksi. Epidemiologi 1992; 3: 452–56.
28 Richardson DB, Kaufman JS. Estimasi risiko berlebih relatif karena interaksi dan batas keyakinan
13 Rothman KJ. Mengukur interaksi. Epidemiologi: Pengantar. Oxford: University Press, 2002, hlm. 168–80.
terkait. Am J Epidemiol 2009; 169: 756–60.
14 Knol MJ, Vandenbroucke JP, Scott P, Egger M. Apa yang diperkirakan oleh studi kasus kontrol? Survei
29 Zou GY. Tentang estimasi interaksi aditif dengan menggunakan tabel empat-dua dan seterusnya. Am J
metode dan asumsi dalam penelitian kasus-kontrol yang diterbitkan. Am J Epidemiol 2008; 168: 1073–
Epidemiol 2008; 168: 212–24.
81.
30 Knol MJ, Vanderweele TJ, Groenwold RH, Klungel OH, Rovers MM, Grobbee DE. Memperkirakan
15 Knol MJ, Geerlings MI, Egberts AC, Gorter KJ, Grobbee DE, Heerdink ER. Tidak ada peningkatan insiden
ukuran interaksi pada skala aditif untuk eksposur preventif. Eur J Epidemiol 2011; 26: 433–38.
diabetes pada pengguna antidepresan. Int Clin Psychopharmacol 200; 22: 382–86.
31 Vanderweele TJ. Sebuah kata dan yang pernah dirujuknya: menilai interaksi "biologis". Epidemiologi
16 van Gils CH, Bostick RM, Stern MC, Taylor JA. Perbedaan dalam kapasitas perbaikan eksisi dasar
2011; 22: 612–13.
dapat memodulasi efek asupan antioksidan makanan pada kanker prostat
32 Vanderweele TJ, Vansteelandt S. Pendekatan pembobotan untuk efek kausal dan interaksi aditif dalam
studi kasus-kontrol: model peluang linier struktural marginal. Am J Epidemiol 2011; 174: 1197–203.