TERJEMAHAN

E-BOOK CLINICAL EPIDEMIOLOGY BY ROBERT H. FLETCHER CHAPTER 6

“PROGNOSIS” PAGE 111-135

EPIDEMIOLOGI KLINIK

DOSEN : IRWANDI RACHMAN, S.KM, M.KES

OLEH :

KIKI RESKY YULIANY

173145261027

PRODI S1 ADMINISTRASI RUMAH SAKIT

FAKULTAS FARMASI TEKNOLOGI RUMAH SAKIT DAN INFORMATIKA

UNIVERSITAS MEGA REZKY MAKASSAR TAHUN 2020

 Prognosis
Ketika orang menjadi sakit, mereka memiliki banyak pertanyaan tentang bagaimana penyakit
mereka akan mempengaruhi mereka. Apakah itu berbahaya? Bisakah aku mati itu? Apakah
akan ada rasa sakit? Berapa lama saya dapat melanjutkan kegiatan saya sekarang? Apakah itu
akan pernah pergi sama sekali? Kebanyakan pasien dan keluarga mereka ingin tahu apa yang
diharapkan, bahkan jika sedikit dapat dilakukan tentang penyakit mereka. ProfillOsis adalah
prediksi masa depan tentu saja penyakit setelah onset. Dalam bab ini, kita meninjau cara-cara
di mana perjalanan penyakit dapat dijelaskan. Kami kemudian mempertimbangkan bias yang
dapat mempengaruhi Deskripsi ini dan bagaimana bias ini dapat ia dikendalikan. Tujuan
kami adalah untuk memberikan pembaca yang lebih baik lll1derstanding dari yang sulit tapi
sangat diperlukan memprediksi tugas pasien ' berjangka sedekat mungkin. Tujuannya adalah
untuk tidak mengekspresikan prognosis dengan keanehan ketika itu tidak perlu, dan dengan
kepastian ketika itu menyesatkan. Dokter dan pasien berpikir tentang prognosis dalam
Severa] cara yang berbeda. Pertama, mereka ingin tahu tentu saja penyakit umum pasien.
Seorang pasien muda yang menderita neuralgia postherpetic terkait dengan herpes zoster
dapat yakin bahwa rasa sakit biasanya menyelesaikan dalam waktu kurang dari sebulan.
Kedua, mereka biasanya ingin tahu, sebanyak mungkin, prognosis dalam kasus tertentu.
Meskipun infeksi HIV adalah hampir Universal f < ltal, individu dengan infeksi dapat hidup
dari beberapa bulan untuk lebih dari satu dekade; seorang pasien ingin tahu di mana pada
kontinum ini nya kasus tertentu jatuh. Ketiga, pasien terutama tertarik untuk mengetahui
bagaimana < dalam penyakit ini mungkin mempengaruhi kehidupan mereka, tidak hanya
Apakah itu akan atau tidak akan membunuh mereka, tapi bagaimana hal itu akan mengubah
kemampuan mereka untuk bekerja, untuk berjalan, untuk berbicara, bagaimana hal itu akan
mengubah hubungan mereka dengan keluarga dan teman, berapa banyak rasa sakit dan
ketidaknyamanan mereka akan harus bertahan.
Kajian prognosis studi prognosis menangani pertanyaan klinis ini dengan cara yang mirip
dengan Studi kohort risiko. Sebuah gnup pasien memiliki sesuatu yang sama (penyakit medis
tertentu atau kondisi, dalam kasus studi prognostik)
dirakit dan diikuti fonvard dalam waktu, dan hasil klinis diukur. Seringkali, kondisi yang
associatrcd dengan hasil tertentu dari penyakit, yaitu, faktor prugnostic, dicari.
KURSUS KLINIS/RIWAYAT PENYAKIT ALAM
Prognosis penyakit dapat dijelaskan baik untuk kursus klinis atau sejarah alam Hlness. Istilah
Kursus klinis telah digunakan untuk menggambarkan evolusi (prognosis) penyakit yang telah
datang di bawah perawatan medis dan kemudian dirawat dalam berbagai cara yang mungkin
mempengaruhi jalannya acara berikutnya. Pasien biasanya berada di bawah perawatan medis
pada suatu waktu selama penyakit mereka ketika mereka memiliki penyakit yang
menyebabkan gejala seperti nyeri, kegagalan untuk berkembang, disfiguusi, atau perilaku
yang tidak biasa. Contohnya termasuk diabetes melitus tipe 1, karsinoma paru, dan rabies.
Setelah penyakit diakui, juga mungkin akan diobati. Prognosis penyakit tanpa intervensi
medis disebut sejarah alam penyakit. Sejarah Alam menggambarkan bagaimana pasien akan
ongkos jika tidak ada yang dilakukan untuk penyakit mereka. A Great banyak kondisi medis,
bahkan di negara dengan sistem perawatan medis canggih, sering tidak datang di bawah
perawatan medis. Mereka tetap tidak dikenali, mungkin karena mereka asimtomatik atau
dianggap di antara ketidaknyamanan biasa hidup sehari-hari, contoh termasuk depresi ringan,
anemia, dan kanker yang okultisme dan lambat tumbuh (misalnya, beberapa kanker tiroid dan
prostat).
WAKTU NOL
Kohort dalam studi prognostik diamati mulai dari titik waktu, disebut nol waktu. Titik ini
harus ditentukan dengan jelas dan menjadi lokasi yang sama didefinisikan dengan baik
sepanjang perjalanan penyakit (misalnya, timbulnya gejala, waktu diagnosis, atau awal
pengobatan) untuk setiap pasien. Koterluka awal Lerm digunakan untuk menggambarkan
sekelompok orang yang berkumpul di dekat awal (awal) penyakit. Pengamatan TF dimulai
pada titik yang berbeda dalam perjalanan penyakit untuk berbagai pasien dalam kohort,
Deskripsi tentu saja mereka berikutnya akan kurang presisi. Waktu relatif peristiwa seperti
pemulihan, kekambuhan, dan kematian akan sulit untuk menafsirkan atau menyesatkan.
Sebagai contoh, Misalkan kita ingin menggambarkan Kursus klinis pasien dengan kanker
paru. Kami akan merakit sebuah kohort orang dengan penyakit dan mengikuti mereka maju
dari waktu ke masa untuk hasil seperti komplikasi dan kematian. Hut apa yang kita maksud
dengan "dengan penyakit"? Jika Zero time adalah deteksi dengan skrining untuk beberapa
pasien, onsetofgejala-gejalanya untuk orang lain, dan rawat inap iz < lLion atau awal
pengobatan untuk masih orang lain, maka prognosis diamati akan tergantung pada campuran
tertentu dari nol kali dalam studi. Lebih buruk lagi, jika kita tidak secara eksplisit
menggambarkan ketika dalam perjalanan

pasien penyakit memasuki kohort, kita tidak akan tahu bagaimana menafsirkan atau
menggunakan prognosis dilaporkan.
MENGGAMBARKAN HASIL PENYAKIT
Deskripsi prognosisshould mencakup berbagai manifestasi yang akan dianggap penting bagi
pasien. Ini berarti tidak hanya kematian dan penyakit tetapi juga konsekuensi dari penyakit
seperti rasa sakit, penderitaan, dan ketidakmampuan untuk merawat diri sendiri atau
mengejar kegiatan yang biasa. (Lima OS yang tercantum dalam tabel 1,2 adalah cara
sederhana untuk meringkas hasil klinis yang penting.) Dalam upaya mereka untuk menjadi
"ilmiah," dokter terkadang menghargai jenis tertentu ofoutcomes atas orang lain, dengan
mengorbankan relevansi klinis. Efek klinis yang tidak dapat secara langsung dirasakan oleh
pasien (misalnya, pengurangan ukuran tumor, normalisasi chemistries darah, atau perubahan
serologi) tidak berakhir pada diri mereka sendiri. Hal ini sesuai untuk menggantikan
fenomena biologik ini untuk hasil klinis hanya jika keduanya diketahui berhubungan satu
sama lain. Dengan demikian hiperkalsemia merupakan hasil klinis yang penting dari
hiperparatiroidisme hanya jika menyebabkan gejala seperti mengantuk atau Haus atau ifthere
adalah alasan untuk percaya bahwa pada akhirnya akan menyebabkan komplikasi seperti
penyakit tulang atau ginjal. Jika suatu hasil tidak dapat berhubungan dengan sesuatu yang
pasien akan mengenali, informasi tidak boleh digunakan untuk membimbing patientcare,
meskipun mungkin cukup nilai dalam memahami asal-usul dan mekanisme penyakit.
KESEHATAN yang berhubungan dengan QUALlTY · DARI ~ L1FE TINDAKAN
Ada pengakuan yang berkembang bahwa "kesehatan" melibatkan lebih dari penghindaran
aspek negatif seperti kematian dan penyakit. Kegiatan klinis harus memiliki impiJct positif
tentang bagaimana seseorang fungsi dan kehidupan. Konsep ini telah dirujuk sebagai oflife
kualitas terkait Kesehatan, status kesehatan, atau status fungsional. Kuesioner telah
dikembangkan untuk mengukur kualitas hidup pasien. Terkadang penggunaan mereka
memperkuat argumen untuk intervensi klinis tertentu. Sebagai contoh, sebuah studi
menunjukkan bahwa pengobatan eritropoietin pasien dengan gagal ginjal kronis tidak hanya
peningkatan pasien ' hematokrits tetapi meningkatkan kesehatan yang berhubungan dengan
kualitas hidup (1). Di sisi lain, terkadang pengukuran kualitas hidup menunjukkan trade-off
yang rumit. Sebuah studi pengobatan AZT (AZT) pada pasien dengan infeksi HIV agak
simptomatik menunjukkan bahwa meskipun obat tertunda kemajuan untuk AIDS dengan
rata-rata 0,9 bulan, hasil positif diimbangi oleh efek samping obat. Dengan demikian pasien
yang menerima obat memiliki rata-rata 14.5 bulan tanpa penyakit progressionor berat efek
samping yang parah dari AZT dibandingkan dengan rata 14,7 bulan untuk pasien yang tidak
menerima obat (2). Apa yang tampak seperti manfaat kecil dalam perkembangan tertunda
untuk AIDS tidak begitu jelas ketika kualitas hidup-langkah yang ditambahkan ke studi.
Faktor prognostik
Meskipun kebanyakan pasien tertarik dalam perjalanan penyakit mereka pada umumnya,
mereka saya bahkan lebih tertarik pada prediksi untuk kasus yang diberikan mereka. Faktor
prognostik membantu mengidentifikasi kelompok pasien dengan penyakit yang sama yang
memiliki prognosis yang berbeda.
PERBEDAAN FAKTOR PROGNOSTIK DAN FAKTOR RISIKO
Studi faktor risiko biasanya berurusan dengan orang yang sehat, sedangkan faktor
prognostik-kondisi yang terkait withan outcomeofdiseaseare, menurut definisi, dipelajari
pada orang sakit. Ada busur perbedaan penting lainnya juga, diuraikan di bawah ini.
Faktor yang berbeda
Faktor yang terkait dengan peningkatan risiko tidak selalu sama seperti yang menandai
prognosis yang lebih buruk dan sering jauh berbeda untuk penyakit tertentu. Misalnya,
tekanan darah rendah menurunkan kemungkinan seseorang memiliki infark miokard akut,
tetapi tanda prognostik yang buruk saat hadir selama kejadian akut (Gbr. 6,1). Demikian pula,
asupan eksogen estrogen selama menopause meningkatkan risiko kanker endometrium, tetapi
kanker yang terkait ditemukan mengalami Stadium awal dan tampaknya memiliki prognosis
yang lebih baik dari rata-rata.
Beberapa faktor memiliki efek yang sama pada kedua risiko dan prognosis. Misalnya, baik
risiko mengalami infark miokard akut dan risiko sekarat meningkat dengan usia.
Hasil yang berbeda
Risiko dan prognosis menggambarkan fenomena yang berbeda. Untuk risiko, peristiwa yang
dihitung adalah timbulnya penyakit. Untuk prognosis, berbagai macam tdk berat atas
penyakit yang dihitung, termasuk kematian, komplikasi, kecacatan, dan penderitaan.
Tarif yang berbeda faktor risiko umumnya memprediksi peristiwa probabilitas rendah.
TARIF tahunan untuk onset berbagai penyakit berada di urutan 1/100 sampai 1/10000.
Akibatnya, hubungan antara eksposur dan risiko biasanya menghindari klinisi bahkan cerdik
kecuali jika mereka bergantung pada studi yang dilakukan dengan cermat, sering melibatkan
sejumlah besar orang dalam jangka waktu yang lama. Prognosis, di sisi lain, menggambarkan
peristiwa yang relatif frcquent. Dokter sering dapat membentuk perkiraan yang baik dari
prognosis mereka sendiri, dari pengalaman pribadi mereka. Misalnya, mereka tahu bahwa
beberapa pasien dengan kanker paru atau pankreas bertahan selama 5 tahun, sedangkan
sebagian besar dengan leukemia limfositik kronis bertahan lebih lama. BEBERAPA
FAKTOR PROGNOSTIK DAN ATURAN PREDIKSI
Kombinasi faktor dapat memberikan prognosis yang lebih tepat daripada masing-masing
faktor yang sama yang diambil satu pada suatu waktu. Aturan prediksi klinis memperkirakan
probabilitas hasil sesuai dengan satu set karakteristik pasien. [XAML, Le setelah pasien
dengan infeksi HIV mengembangkan A [DS, pHlI-, ' l1osis adalah waktu yang buruk dan
bertahan hidup adalah singkat. Meskipun demikian, dan bdore terapi antivirus dan profilaksis
untuk infeksi oportunistik menjadi pengobatan standar, jelas bahwa beberapa pasien dengan
AIDS bertahan lebih lama daripada yang lain. Sebuah studi yang dilakukan untuk
menentukan karakteristik pasien yang diprediksi kelangsungan hidup (3). Masing-masing
dari beberapa karakteristik fisiologis ditemukan untuk berhubungan dengan kelangsungan
hidup. Dengan menggunakan faktor ini dalam kombinasi, para penyelidik mengembangkan
sistem pementasan prognostik, dengan [titik untuk kehadiran masing-masing dari 7 faktor:
diare parah atau albumin serum < 2.0 GM/dL, setiap neurologis DL. ' ficit, Pl. ': 2 kurang dari
atau sama dengan 50 mm Hg, helllatocrit < 30 (}: "jumlah limfosit < 150/mL, putih COlmt <
25001mL, dan jumlah trombosit < 140000/mL. Total; inti menentukan tahap prognostik (I, 0
poin; II, 1 poin; ] [[, lebih besar th; m atau sama dengan 2 poin). Gambar 6,2 menunjukkan
kelangsungan hidup pasien AIDS pada setiap tahap prognostik. Menggunakan beberapa
faktor prognostik bersama-sama, penulis mencatat bahwa prediksi untuk panjang median
kelangsungan hidup bervariasi dari [[. 5 bulan untuk pasien di tahap I untuk 2,1 bulan untuk
pasien di tahap III. menggambarkan PROGNOSIS prognosis sebagai RATE
Akan lebih mudah untuk meringkas kursus penyakit sebagai angka tunggal, atau tingkat:
proporsi orang yang mengalami suatu peristiwa. TARIF Umum
digunakan untuk tujuan ini ditunjukkan dalam tabel 6,1. Tingkat ini memiliki kesamaan
komponen dasar yang sama insiden, peristiwa yang timbul dalam kohort pasien dari waktu ke
waktu. Semua komponen tingkat harus ditentukan: nol waktu, karakteristik klinis tertentu
dari pasien, definisi peristiwa hasil, dan panjang tindak lanjut. Tindak lanjut harus cukup
lama untuk semua peristiwa terjadi; Jika tidak, tingkat yang diamati akan mendasari satu
yang benar.
TRADE-OFF: KESEDERHANAAN VERSUS INFORMASI LEBIH LANJUT
Mengekspresikan prognosis sebagai tingkat memiliki virhte kesederhanaan. Harga dapat
berkomitmen untuk memori dan berkomunikasi ringkas. Kekurangannya adalah bahwa relatif
sedikit informasi yang disampaikan, dan perbedaan besar dalam prognosis dapat
disembunyikan dalam ringkasan yang sama tingkat. Gambar 6,3 menunjukkan kelangsungan
hidup 5 tahun untuk pasien dengan empat kondisi. Untuk setiap kondisi, sekitar 10 °;;, dari
pasien hidup di 5 tahun. Tapi serupa

tingkat ringkasan sekitar 10% kelangsungan hidup jelas perbedaan yang cukup penting bagi
pasien. Kelangsungan hidup awal pada pasien dengan membedah (Ineurysms sangat miskin,
tetapi jika mereka bertahan selama beberapa bulan pertama, risiko kematian mereka tidak <
Iffot dengan memiliki aneurisma (misalnya 6.3 A). Di sisi lain, pasien HIV positif yang
mengembangkan AIDS mati di seluruh. i ymrs (Gbr. 6,38). Granulocytic leukemi kronis < l
adalah suatu kondisi yang relatif sedikit berpengaruh pada kelangsungan hidup selama
beberapa ymrs pertama setelah diagnosis (Gbr. 6.3 C). Kemudian, ada percepatan dalam
angka kematian sampai hampir semua pasien mati 5 tahun setelah diagnosis. Pigure 6,30
disajikan sebagai patokan. Hanya pada usia 100 dilakukan orang di populasi umum memiliki
5 tahun tingkat kelangsungan hidup comp < lrab1c untuk yang pasien dengan tiga penyakit.
ANALISIS KELANGSUNGAN HIDUP
Ketika menafsirkan prognosis, kami ingin mengetahui kemungkinan, pada rata, bahwa pasien
dengan kondisi tertentu akan mengalami hasil pada setiap titik waktu. Ketika prognosis
dinyatakan sebagai tingkat ringkasan tidak berisi informasi ini. Namun. ada metode untuk
menyajikan menginformasikan < ltion tentang waktu rata-rata untuk acara untuk setiap titik
dalam perjalanan penyakit.
KELANGSUNGAN HIDUP KELOMPOK
Yang paling Str < lightforward cara untuk belajar tentang kelangsungan hidup adalah untuk
merakit kohort pasien dengan kondisi ofinterest di beberapa titik dalam perjalanan penyakit
mereka (misalnya, timbulnya gejala, diagnosis, atau awal pengobatan) dan menjaga mereka
di bawah pengamatan sampai semua bisa mengalami hasil yang menarik. Untuk kohort kecil,
satu mungkin kemudian mewakili pengalaman dengan pasien ini ' penyakit seperti yang
ditunjukkan pada gambar Fi. 4A.
Gambar 6,3. Pembatasan tingkat kelangsungan hidup 5 tahun: empat kondisi dengan tingkat
kelangsungan hidup tiyear yang sama dari 10%. (Data dari Anagnostopoulos CD et al.
pembedahan aorta dan membedah aneurisma. Am J Kardiologi 1972:30:263-273; Ikat
pinggang JA, Hoover DR et al. faktor yang mempengaruhi kelangsungan hidup setelah
AIDS: mport dari multicenter AIDS cohort Study (Mac). J Acquir kekebalan tubuh Defic
Syndr 1994; 7:287-? 95; Ksrdinal CG El Al. kronis [Jrsnulocytic leukemia, review dari 536
kasus. Arch magang Med 1976; 136:30tJ-313: dan Americcln College of I ITE asuransi. 1979
buku fakta asuransi jiwa, Washington, DC: ACLI 1979,)
Plot dari kelangsungan hidup terhadap waktu menampilkan langkah, sesuai: kematian
masing-masing dari 10 pasien dalam kohort. Jika jumlah pasien meningkat (Gbr. 6,48),
ukuran langkah akan berkurang. Jika sejumlah besar pasien diwakili, sosok akan perkiraan
kurva halus. Informasi ini kemudian dapat digunakan untuk memprediksi tahun-byyear, atau
bahkan wl'ek-per-minggu, prognosis pasien yang sama. Sayangnya, mendapatkan informasi
dengan cara ini tidak praktis karena beberapa alasan. Beberapa pasien pasti akan jatuh keluar
dari
Studi sebelum akhir tindak lanjut pt'riod, mungkin karena penyakit lain, pindah ke tempat di
mana tindak lanjut adalah imIJractical, atau ketidakpuasan dengan studi. Pasien ini harus
dikecualikan dari kohort, meskipun upaya yang cukup besar mungkin telah diberikan untuk
mengumpulkan data pada mereka sampai ke titik di mana mereka keluar. Juga, akan perlu
untuk menunggu sampai semua anggota kohor telah mencapai setiap titik waktu sebelum
probabilitas bertahan sampai titik itu bisa dihitung. Karena pasien biasanya tersedia untuk
studi selama periode waktu, pada setiap titik dalam waktu kalender akan ada tindak lanjut
relatif lama untuk pasien yang memasuki studi pertama, tetapi hanya pengalaman singkat
dengan mereka yang masuk baru-baru ini. Pasien terakhir yang memasuki studi harus
mencapai setiap tahun tindak lanjut sebelum informasi tentang kelangsungan hidup untuk
tahun itu akan tersedia.
KELANGSUNGAN HIDUP KURVA
Untuk membuat penggunaan yang efisien dari semua data yang tersedia dari setiap pasien
dalam kohort, sebuah cara untuk memperkirakan wrvival dari kelompok waktu, yang disebut
analisis kelangsungan hidup, telah dikembangkan. (Metode biasa disebut analisis
KaplanMeir, setelah originators.) Tujuan dari analisis kelangsungan hidup tidak (seperti
namanya) hanya untuk menggambarkan Apakah pasien hidup atau mati. Setiap hasil yang
dichotomous dan terjadi hanya sekali selama mengikuti-Upe. g., waktu untuk kejadian
koroner atau terulangnya kanker-dapat dijelaskan dengan cara ini. "Ketika suatu peristiwa
selain kelangsungan hidup dijelaskan, istilah timcto-c'vcnt analisis kadang-terkadang
digunakan. Gambar 6,5 menunjukkan kurva kelangsungan hidup khas. Pada sumbu vertikal
adalah
probabilitas bertahan,;; MD pada sumbu horisontal adalah periode waktu setelah awal
pengamatan. Seringkali, jumlah pasien berisiko pada berbagai titik dalam waktu yang
ditunjukkan untuk memberikan beberapa gagasan tentang kontribusi kesempatan untuk
tingkat diamati. Probabilitas bertahan untuk setiap titik dalam waktu diperkirakan dari
probabilitas kumulatif yang mungkin pada interval waktu yang mendahului itu. Interval
waktu dapat dibuat sekecil yang diperlukan; di Kaplan-Meir < llyses, interval adalah antara
setiap peristiwa baru (kematian) dan yang sebelumnya. Sebagian besar waktu, tidak ada yang
meninggal, dan probabilitas bertahan adalah 1. Ketika satu atau lebih pasien meninggal,
probabilitas bertahan dihitung sebagai rasio jumlah pasien yang bertahan terhadap jumlah
risiko sekarat pada waktu itu. Pasien yang telah meninggal, keluar, atau belum diikuti-up ke
titik yang tidak beresiko mati dan begitu tidak digunakan untuk memperkirakan
kelangsungan hidup untuk waktu itu. Ketika pasien hilang dari studi pada setiap titik waktu,
untuk alasan apapun, mereka cCllsorcd, yaitu, mereka busur tidak lagi dihitung dalam
denominator. Probabilitas bertahan tidak berubah selama interval di mana tidak ada yang
meninggal; Jadi di pradicc,
kemungkinan untuk bertahan dihitung ulang hanya untuk saat-saat ketika ada kematian.
Meskipun probabilitas ditugaskan pada setiap interval yang diberikan tidak terlalu akurat,
karena sejumlah kecil peristiwa yang terlibat, keseluruhan prob ~ kemampuan bertahan
sampai setiap titik waktu (yang merupakan produk dari semua probabilitas sebelumnya)
adalah sangat akurat. Bagian dari kurva kelangsungan hidup dalam gambar 65 (dari 3 sampai
5 tahun setelah waktu nol) disajikan secara rinci untuk menggambarkan data yang digunakan
untuk memperkirakan kelangsungan hidup: pasien beresiko, pasien tidak lagi beresiko
(disensor), dan pasien yang mengalami peristiwa hasil pada setiap titik waktu.
MENAFSIRKAN KELANGSUNGAN HIDUP KURVA
Beberapa poin harus selalu diingat ketika menafsirkan kurva kelangsungan hidup. Pertama,
sumbu vertikal mewakili perkiraan probabilitas bertahan untuk anggota kelompok hipotetis,
bukan persen bertahan untuk kohort aktual. Kedua, poin pada kurva kelangsungan hidup
adalah perkiraan terbaik, untuk satu set data, dari probabilitas kelangsungan hidup untuk
anggota kohort. Namun, ketepatan perkiraan ini tergantung, seperti melakukan semua
pengamatan pada sampel, pada jumlah pengamatan di mana perkiraan didasarkan. Satu dapat
mOTe yakin bahwa perkiraan di sisi kiri kurva suara, karena lebih banyak pasien beresiko
selama ini. Tapi di ekor kurva, di sebelah kanan, jumlah pasien pada siapa perkiraan
didasarkan survivalare sering menjadi relatif kecil karena kematian, putus sekolah, dan
pendatang akhir untuk hasil penelitian di lebih sedikit dan lebih sedikit pasien yang diikuti
untuk jangka waktu. Akibatnya, perkiraan kelangsungan hidup menjelang akhir periode
tindak lanjut tidak tepat dan dapat sangat dipengaruhi oleh apa yang terjadi pada pasien yang
relatif sedikit. Misalnya, pada gambar 6,5, probabilitas THC bertahan adalah 8 ' 1 "pada 5
tahun. Jika pada saat itu salah satu pasien yang tersisa terjadi untuk mati, probabilitas
bertahan akan jatuh ke zcro. Jelas, ini akan menjadi terlalu harfiah membaca data. Perkiraan
kelangsungan hidup di ekor kurva kelangsungan hidup harus, oleh karena itu, ditafsirkan
dengan hati. Akhirnya, bentuk beberapa kurva kelangsungan hidup, terutama yang di mana
kebanyakan pasien mengalami peristiwa yang menarik, memberikan kesan bahwa peristiwa
itu terjadi lebih sering pada awal daripada nanti, ketika lereng mencapai dataran tinggi dan
tampaknya bahwa risiko peristiwa hasil jauh lebih sedikit. Tapi kesan ini menipu. Dengan
berjalannya waktu, tingkat ofsurvival sedang diterapkan untuk mengurangi jumlah orang,
menyebabkan kemiringan kurva untuk meratakan bahkan ketika tingkat peristiwa hasil tidak
berubah. Variasi pada kurva kelangsungan hidup dasar ditemukan dalam literatur medis (Gbr.
6. (,). Seringkali proporsi dengan, bukan tanpa, peristiwa hasil ditunjukkan pada sumbu
vertikal; kurva kemudian menyapu UPV, ' ARD dan ke kanan. Variasi lain meningkatkan
jumlah informasi yang disajikan dengan kurva. Jumlah pasien berisiko pada berbagai titik
waktu

Gambar 6,6. Kelangsungan hidup kurva menunjukkan perbandingan dari dua kohort, jumlah
orang yang berisiko, dan 95% interval kepercayaan untuk tingkat obs8TVed. Kurva ini
menunjukkan probabilitas kumulatif dari peristiwa iskemik serebral dari waktu diagnosis,
menurut tingkat awal dari stenosis karotis. (Data dari Chambers SR, Norris, JW. Hasil pada
pasien dengan leher asimtomatik memar. N engl J Med 1986; 315:860-865.)
dapat dimasukkan di bawah sumbu horisontal; ketepatan perkiraan kelangsungan hidup, yang
menurun dengan waktu karena lebih sedikit dan lebih sedikit pasien masih dalam pengamatan
seiring berjalannya waktu, dapat diidentifikasi dengan interval keyakinan (Lihat Bab 9); dan
kelangsungan hidup kurva untuk pasien dengan karakteristik yang berbeda (misalnya, pasien
dengan faktor prognostik yang berbeda atau perawatan) dapat dibandingkan dengan angka
yang sama. Terkadang tics (tidak ditampilkan dalam Gbr. 6,6) ditambahkan ke kurva
kelangsungan hidup, untuk menunjukkan setiap kali pasien disensor. Kelangsungan hidup
kurva MN akan dibangun untuk kombinasi dari faktor prognostik
Tors. Hal ini dapat dilakukan dengan stratifying pasien sesuai dengan adanya atau tidak
adanya seperangkat faktor prognostik, seperti yang ditunjukkan eadier dalam bab ini. Sebuah
teknik statistik yang disebut Cox bencana yang proporsional model regresi dapat digunakan
untuk mengidentifikasi kombinasi faktor yang terbaik memprediksi prognosis dalam
kelompok pasien di bawah studi atau efft'ct faktor individu secara mandiri (Bab 9).
Bias dalam Studi kohort potensi untuk bias ada dalam pengamatan. Bias dalam kelompok
studiesapakah untuk mempelajari risiko atau prognosis-dapat menciptakan perbedaan yang
jelas ketika mereka tidak sebenarnya ada di alam atau tidak jelas perbedaan ketika mereka
memang ada. Bias dapat dikenali lebih mudah ketika seseorang tahu di mana kemungkinan
besar terjadi dalam studi. Pertama, penting untuk menentukan apakah bias dapat hadir di
bawah kondisi studi. Kedua, menentukan apakah bias sebenarnya hadir dalam studi tertentu
sedang dipertimbangkan. Ketiga, memutuskan apakah konsekuensi dari bias cukup besar
bahwa mereka mendistorsi kesimpulan dalam cara yang penting secara klinis. Jika kerusakan
kesimpulan studi tidak terlalu besar, maka kehadiran bias tidak akan menyebabkan hasil yang
menyesatkan. Beberapa lokasi karakteristik bias dalam penelitian kohort diilustrasikan dalam
gambar 6,7 dan dijelaskan di bawah ini.
BIAS KERENTANAN
Bentuk bias seleksi, yang disebut bias kerentanan, terjadi ketika kelompok pasien yang
berkumpul untuk studi berbeda dengan cara-cara lain daripada faktor di bawah studi. Ini
faktor extrancous, bukan faktor tertentu yang sedang dipelajari, dapat menentukan hasil.
Sebuah istilah yang sebanding adalah bias perakitan. Kelompok

Gambar 6,8. Kelangsungan hidup bebas penyakit sesuai dengan tingkat CEA pada pasien
kanker kolorektal dengan pementasan patologis yang sama (Dukes B). (Digambar ulang dari
Wolmark N et al. Signifikansi prognostik dari tingkat antigen Carcinoembryonic pra-operasi
pada kanker kolorektal. Hasil dari uji klinis NSABP. Ann 8urg 1984; 199:375-382.)
dan dibandingkan tidak sama rentan terhadap hasil yang menarik, selain faktor di bawah
studi. Bias kerentanan dalam studi prognosis mungkin karena satu atau lebih perbedaan di
antara kelompok, termasuk tingkat penyakit, adanya penyakit lain, titik waktu dalam
perjalanan penyakit, dan pengobatan sebelumnya. Berikut ini menggambarkan bagaimana
bias kerentanan dinilai dalam studi nilai prognostik dari antigen Carcinoembryonic hasil pada
pasien dengan kanker kolorektal.
Contoh peningkatan tingkat antigen Carcinoembryonic (CEA), suatu antigen janin
tumorassociated, busur ditemukan di sevl; RAL jenis tumor, mengininding usus besar, Dal e
< mcer. /\. studi ini dilakukan untuk menentukan apakah tingkat CEA preoperatif
memprediksi penyakit kambuh setelah bedah reseksi dengan niat untuk menyembuhkan (4).
CEA tingkat WL; ' ditemukan kembali berkorelasi dengan sejauh mana penyakit (sering
categori7. Ed menurut "Adipati klasifikasi": A, tumor terbatas pada dinding bowd; H, tumor
memperpanjang melalui dinding usus tetapi tidak untuk kelenjar getah bening; C, tumor yang
melibatkan kelenjar getah bening regional; dan 0, tumor memiliki metastasis jauh). Mean
CEA tingkat bervariasi dengan sejauh mana penyakit: 4 untuk Dukes A, 9 untuk B, 32 untuk
C, dan 251 untuk D. Klasifikasi baik Dukes dan CEA tingkat sangat meramalkan penyakit
kambuh. Tapi apakah tingkat CEA PRT-Dict independen dari para Adipati klasifikasi atau
kerentanan kambuh dijelaskan oleh Dukes klasifikasi sendirian? Untuk menjawab pertanyaan
ini, Asosiasi dari preoperativl; ' Tingkat CFA untuk penyakit kambuh diperiksa untuk pasien
di l; ' ACH golongan Adipati. Gambar 6,8 menunjukkan bahwa untuk klasifikasi Dukes B,
Tingkat CEA secara independen diprediksi kambuh. Hasil yang sama adalah fOWld untuk
pasien dengan tumor Dukes C. Oleh karena itu, ass () ciation beh'l'ecn CEA tingkat dan
kemungkinan kambuh tidak dapat dijelaskan oleh bias kerentanan bagi pasien dengan kanker
kolorektal tangan Dukes, dan CEA adalah faktor prognostik yang penting independen.
Kelangsungan hidup kelompok Studi kohort benar harus dibedakan dari studi dari kohort
kelangsungan hidup di mana pasien, JFE termasuk dalam sebuah penelitian karena mereka
berdua memiliki penyakit dan saat ini tersedia-mungkin karena mereka sedang dilihat di
sebuah klinik khusus. Istilah lain untuk kelompok pasien yang tersedia adalah kohort pasien.
Laporan dari kohor kelangsungan hidup busur menyesatkan jika mereka disajikan sebagai
kohort benar. Tn hidup kohort, orang yang berkumpul di berbagai kali dalam perjalanan
penyakit mereka, bukan pada awal, seperti dalam Studi kohort sejati. Kursus klinis mereka
kemudian dijelaskan dengan kembali ke masa lalu dan melihat bagaimana mereka telah
bernada sampai saat ini (Gbr. 6,9). Pengalaman dari Angkatan hidup terkadang disajikan
seolah-olah mereka
Gambar 6,9. Perbandingan yang benar dan "kelangsungan hidup" kohort: dalam
kelangsungan hidup col1ort, beberapa pada pasien yang hadir pada awalnya tidak termasuk
dalam ubin tindak lanjut.
weTe deskripsi dari perjalanan penyakit dari awal. Namun, mereka dapat mewakili
pandangan bias, karena mereka termasuk hanya pasien yang tersedia untuk belajar beberapa
waktu setelah penyakit mereka mulai. Untuk kondisi yang mematikan, pasien dalam kohort
kelangsungan hidup adalah orang yang cukup beruntung untuk bertahan dan begitu tersedia
untuk pengamatan tahun kemudian. Untuk penyakit yang mengirimkan, pasien memakan
orang yang cukup Malang untuk memiliki penyakit persisten. Akibatnya, hidup kohort
menggambarkan sejarah masa lalu kasus Umum dan bukan apa yang akan terjadi selama
waktu setelah timbulnya penyakit. Dengan demikian, kohort kelangsungan hidup adalah
kasus khusus dari bias perakitan. Laporan dari kohort kelangsungan hidup relatif umum
dalam literatur medis, terutama dalam bentuk "kasus seri" (dibahas dalam bab 10). Laporan
tersebut dapat membuat kontribusi penting, terutama dengan menggambarkan pengalaman
awal dengan sindrom yang baru didefinisikan, tetapi mereka Tepresent tentatif, tidak
konklusif, pengamatan.
Contoh kekhawatiran telah dikemukakan tentang kemungkinan bahwa siliconl; ' implan
payudara dapat menyebabkan autoimmunl; ' gejala RHL; ' umatic diseasl; '. Sebuah studi itu,
oleh karena itu, dilakukan dari 156 wanita dengan implan payudara silikon, MD keluhan
penyakit rematik (5). Para pasien berturut-turut rujukan kepada tiga rheumatologists yang
dikenal untuk kepentingan mereka dalam implan silikon dan penyakit rematik. Tes serologic
pada wanita dibandingkan dengan wanita tanpa implan tetapi dengan fibromyalgia dan untuk
tes pada wanita dengan implan tetapi tidak ada gejala rematik. Temuan klinis pada wanita
dengan implan dan keluhan yang dijelaskan; sebagian besar tidak memenuhi kriteria untuk
rheumatoid arthritis dan sebagian besar memiliki tes imunologi yang normal. Namun, pasien
L4 telah Scleroderma-seperti iJJness dan serologi abnormal yang tidak ditemukan dalam
kelompok perbandingan. Karena kemungkinan bias yang dapat terjadi dalam perakitan pasien
untuk ini CA ~ e Series, para penulis berhati-hati tentang temuan mereka, menyimpulkan
bahwa "hipotesis dibesarkan dalam studi ini dan lain-lain harus diuji dalam besar, studi
berbasis populasi." Publikasi studi tersebut pertama tidak mendukung hipotesis (6).
BIAS MIGRASI
Bias migrasi, bentuk lain dari bias seleksi, dapat terjadi ketika pasien dalam satu kelompok
meninggalkan kelompok asli mereka, keluar dari studi sama sekali atau pindah ke salah satu
kelompok lain di bawah studi. Jika perubahan ini terjadi pada skala yang cukup besar,
mereka dapat mempengaruhi validitas kesimpulan. Di hampir semua shldies, beberapa
anggota dari kelompok asli putus dari waktu ke masa. Jika putus sekolah ini terjadi secara
acak, sedemikian rupa sehingga karakteristik subjek yang hilang dalam satu kelompok berada
pada rerata yang mirip dengan yang hilang dari yang lain, maka tidak ada bias yang akan
diperkenalkan. Hal ini jadi apakah atau tidak jumlah putus sekolah besar atau jumlah serupa
dalam kelompok. Tapi biasanya karakteristik hilang subjek busur tidak sama dalam berbagai
kelompok. The rC < lsons untuk menjatuhkan-kematian, pemulihan, efek samping dari

pengobatan, dll-sering berhubungan dengan prognosis dan juga dapat mempengaruhi satu
kelompok lebih dari yang lain. Akibatnya, kelompok dalam kohort yang sebanding pada awal
mungkin menjadi kurang sehingga waktu berlalu. Sebagai proporsi orang dalam kelompok
yang diikuti NNT meningkat, potensi bias meningkat. Hal ini tidak sulit untuk
memperkirakan seberapa besar bias ini bisa. Semua satu kebutuhan adalah jumlah orang di
kelompok THC, nomor tidak penghargaan untuk, dan tingkat hasil yang diamati.
Contoh Thompson et al. menggambarkan hasil jangka panjang gastrogastrostomy {7)./\
kohort 123 pasien gemuk tdk sehat dipelajari 19-47 bulan setelah operasi. Keberhasilan
didefinisikan sebagai hilving kehilangan lebih dari 30% dari kelebihan berat badan. Hanya
103 pasien (84%) dapat ditemukan. Dalam hal ini, tingkat keberhasilan operasi adalah 60/lO3
(58 ° 1 <». Untuk dett'rmine kisaran di mana tingkat keberhasilan yang benar harus
berbohong, para penulis melakukan kasus terbaik/analisis kasus terburuk. Tingkat
keberhasilan dihitung, dengan asumsi bahwa semua pasien losl ke fol1; WV-up yang, di satu
sisi, keberhasilan (kasus terbaik) dan, di sisi lain, kegagalan (kasus terburuk). Dari total
kohort 123 pasien, 103 ditindaklanjuti dan 20 hilang untuk tindak lanjut. Tingkat
keberhasilan yang diamati adalah 60/103, atau 58%. Dalam kasus terbaik, Semua 20 patit'nts
hilang untuk tindak lanjut akan dihitung sebagai keberhasilan, dan tingkat keberhasilan akan
(60 + 20)/123, atau 65 ': 0. Dalam kasus terburuk, Semua 20 pasien akan dihitung sebagai
kegagalan, dan tingkat keberhasilan akan menjadi 60/123, atau 49 "/0. Dengan demikian
tingkat sebenarnya pasti telah bdween 49 dan 65%; mungkin, itu Doser to58%, tingkat
diamati, karena pasien tidak ditindaklanjuti tidak mungkin semua keberhasilan atau semua
kegagalan.
Pasien juga dapat menyeberang dari kelompok Timurlaut ke yang lain dalam kohort selama
tindak lanjut mereka. Setiap kali ini terjadi, reasOIls asli untuk pasien berada dalam satu
kelompok atau yang lain tidak lagi berlaku. Pertukaran TF pasien antar kelompok
berlangsung dalam skala besar, dapat mengurangi perbedaan yang diamati dalam risiko
dibandingkan dengan apa yang mungkin telah diamati jika kelompok asli telah rcmained
utuh. Bias migrasi karena crossover lebih sering masalah dalam risiko daripada dalam studi
prognosis, karena risiko shldies sering berlangsung selama bertahun-tahun. Di sisi lain,
migrasi dari satu kelompok ke grup lainnya dapat digunakan dalam analisis studi.
Contoh reliltionship antara gaya hidup dan kematian dipelajari dengan mengklasifikasikan
10.269 Harvard College aluIrcIl. i dengan aktivitas fisik, status Merokok, berat badan, dan
tekanan darah di 1966 dan lagi di 1977 (8). Angka kematian adalah THT akan diamati selama
periode 9 tahun dari 1977 ke 1985. Diakui bahwa classificatiol asli {s mungkin berubah,
mengaburkan hubungan apapun yang mungkin ada antara gaya hidup dan kematian. Untuk
menangani hal ini, para penyelidik mendefinisikan empat kategori: pria yang
mempertahankan gaya hidup berisiko tinggi ~, mereka yang berubah dari gaya hidup rendah
ke tinggi-RI ~ k, mereka yang berubah dari kehidupan berisiko tinggi-rendah ~ tyles, dan
mereka yang mempertahankan 101 '. gaya hidup yang berisiko. Setelah menyesuaikan untuk
faktor risiko lain, mt'n yang increast aktivitas fisik mereka dari jumlah rendah sampai sedang
~, '-luit Merokok, kehilangan berat badan ke tingkat normal, dan/atau menjadi normoten ~ ive
semua memiliki kematian yang lebih rendah daripada laki-laki yang dipelihara atau
mengadopsi karakteristik berisiko tinggi ~, tapi tidak serendah harga untuk alumni yang tidak
pernah memiliki risiko factors_
BIAS PENGUKURAN
Pengukuran hias adalah pasien possibleif inone, jroup berdiri kesempatan bettermemiliki
hasil mereka terdeteksi dibandingkan dengan kelompok lain. Jelas, beberapa hasil, seperti
kematian, bencana kardiovaskular, dan kanker besar, busur sehingga menonjol bahwa mereka
tmkemungkinan akan terjawab. Tetapi untuk hasil yang lebih sedikit sayang-potong-
penyebab spesifik kematian, penyakit subklinis, efek samping, atau bias pengukuran cacat
dapat terjadi karena perbedaan dalam metode yang hasil dicari atau diklasifikasikan. Bias
pengukuran dapat diminimalkan dalam tiga cara umum. Seseorang dapat memastikan bahwa
mereka yang melakukan pengamatan tidak menyadari kelompok yang masing-masing pasien,
dapat mengatur aturan-peraturan yang cermat untuk memutuskan apakah atau tidak suatu
peristiwa hasil telah terjadi (dan mengikuti aturan), dan dapat menerapkan upaya untuk
menemukan peristiwa sama di semua kelompok dalam studi.
Contoh Chambers dan Norris mempelajari hasil dari pasien dengan leher asimtomatik memar
(9). Total 500 asimtomatik piltients dengan bnJils serviks diamati hingga 4 tahun. I'atients
diklasifikasikan menurut degradasi stenosis arteri karotis awal oleh ultrasonografi Doppler.
OlJtcomes adalah perubahan dalam derajat karotis s! t. ' nosis dan kejadian ISK serebral
peristiwa. Untuk menghindari bias pengukuran, penulis diperkirakan karotis SH. ' llosis
menggunakan mapan, eksplisit criterid bulu interprding Doppler scan, MD membuat
pembacaan tanpa sepengetahuan ausclJltatory atau sebelumnya Doppler temuan. Penilaian
klinis dan Doppler diulang setiap 6 bulan, dan semua pasien nonkepatuhan menelepon untuk
menentukan apakah hasil telah terjadi. Studi ini menunjukkan, antara lain, bahwa pasien
dengan > 75 ' 1 "dari stenosis karotis memiliki > 2IY:;, kejadian peristiwa iskemik serebral
dalam 3 tahun, lebih dari 4 kali laju pasien dengan < 30% stenosis (Lihat gambar. FL. FL).
berurusan dengan seleksi bias Tn menentukan bagaimana faktor terkait dengan prognosis,
ideiJlly kami ingin membandingkan kohort dengan dan tanpa faktor, segala sesuatu yang lain
yang sama. Tetapi dalam kehidupan Teal "segala sesuatu yang lain" biasanya tidak sama
dalam penelitian kohort. Apa yang bisa dilakukan tentang masalah ini? Ada beberapa cara
yang mungkin untuk mengendalikan perbedaan baik dalam merancang atau menganalisis
penelitian (Tabel 6.2). 1 untuk setiap studi pengamatan, jika satu atau lebih dari strategi ini
belum diterapkan, pembaca harus skeptis. Pertanyaan dasar adalah, "Apakah perbedaan
dalam prognosis dalam kelompok yang terkait dengan faktor tertentu di bawah studi atau
beberapa fador lain (s)?"
Pengacakan
Satu-satunya cara untuk menyamakan faktor aU Asing, atau "segala sesuatu yang lain,"
adalah untuk menetapkan pasien untuk kelompok secara acak sehingga setiap pasien
memiliki kesempatan yang sama jatuh ke dalam kelompok terbuka atau tidak terekspos.
Sebuah fitur khusus pengacakan adalah bahwa hal itu tidak hanya menyamakan faktor yang
kita anggap mungkin mempengaruhi prognosis, itu juga menyamakan faktor kita tidak tahu
tentang. Jadi randomisasi pergi jauh dalam melindungi: kita dari kesimpulan yang salah
tentang faktor prognostik. Namun, biasanya tidak mungkin untuk srudy prognosis dengan
cara ini. Simations khusus di mana saya [; mungkin untuk mengalokasikan eksposur secara
acak, biasanya untuk mempelajari EFF {c'Cts pengobatan pada prognosis, akan dibahas
dalam Bab 7.
Pembatasan
Pasien yang terdaftar dalam sebuah studi dapat dibatasi untuk hanya mereka yang memiliki
karakteristik rilnge sempit, untuk menyamakan faktor importantexeous. Sebagai contoh, efek
ofage pada progno [; JS setelah infark miokard akut dapat dipelajari pada pria kulit putih
dengan tidak rumit anterior
infark miokard. Namun, orang harus diingat bahwa meskipun pembatasan masuk ke sebuah
studi pasti dapat menghasilkan kelompok homogen pasien, ia melakukannya dengan
mengorbankan generalizability. Dalam perjalanan mengecualikan potensi mata pelajaran,
kelompok dapat dipilih yang tidak biasa dan tidak mewakili sebagian besar pasien dengan
kondisi.
Pencocokan
Pasien dapat dicocokkan saat mereka memasuki sebuah studi sehingga untuk setiap pasien
dalam satu kelompok ada satu atau lebih pasien dalam kelompok perbandingan dengan
karakteristik yang sama, kecuali faktor yang menarik. Seringkali patiellts cocok untuk usia
dan jenis kelamin, karena faktor ini sangat terkait dengan prognosis banyak penyakit. Tapi
pencocokan untuk faktor lain dapat disebut untuk juga, seperti tahap atau tingkat keparahan
penyakit, tingkat kemajuan, dan perawatan sebelumnya. Contoh pencocokan dalam Studi
kohort sifat sicklccell disajikan dalam diskusi studi pengamatan di Bab 5. Meskipun
pencocokan sering digunakan dan dapat sangat berguna, itcontrols untuk bias hanya untuk
faktor-unsur yang terlibat dalam pertandingan. Juga, biasanya tidak mungkin untuk
mencocokkan lebih dari beberapa faktor, karena kesulitan praktis dalam menemukan pasien
yang memenuhi]] kriteria yang cocok. Selain itu, jika kategori untuk pencocokan relatif
kasar, mungkin ada ruang untuk perbedaan besar behveen kelompok yang cocok. Sebagai
contoh, jika sebuah studi risiko untuk sindrom Down dilakukan di mana ada pencocokan
untuk usia ibu dalam 10 tahun, mungkin ada yang hampir lO-fold perbedaan frekuensi yang
berkaitan dengan usia jika sebagian besar womell dalam satu kelompok adalah 30 dan
sebagian besar di lain 39. Juga, sekali satu membatasi atau cocok pada variabel, efek pada
hasil tidak dapat lagi dievaluasi dalam studi.
Stratifikasi
Setelah data dikumpulkan, mereka dapat dianalisis dan hasil disajikan sesuai dengan
subkelompok pasien, atau stmta, karakteristik yang sama.
Contoh mari kita Misalkan kita ingin membandingkan angka kematian operatif untuk operasi
bypass koroner di rumah sakit A dan B. secara keseluruhan, rumah sakit 48 kematian tercatat
di 1200 bypass opemtiom (4 ' \,), dan rumah sakit B mengalami kematian 64 di 2400 operasi
(2,6%,). Rales mentah menunjukkan bahwa rumah sakit 13 adalah unggul. Atau apakah
mereka? Mungkin pasien di dua rumah sakit itu tidak sebaliknya prognosis sebanding. Atas
dasar usia, fungsi miokard, tingkat diseast oklusif ',, MD karakteristik lain, pasien dapat
dibagi menjadi subkelompok berdasarkan risiko pra operasi (Tabel 6,3); tht'n tingkat
kematian operasi dalam setiap kategori Stratum risiko dapat dibandingkan. Tabel 6,3
menunjukkan bahwa ketika pasien busur dibagi dengan risiko pra operasi, tingkat kematian
operasi di setiap risiko Stratum AFE identik di dua rumah sakit: 6 ';; ', pada pasien berisiko
tinggi, 4U j "dalam risiko menengah pasien, dan 0,67 ~ j, di patienls lowrisk. Sumber jelas
dari kesan yang menyesatkan yang dibuat oleh

hanya memeriksa tingkat minyak mentah adalah perbedaan penting dalam karakteristik risiko
dari pasien yang dirawat di dua rumah sakit: 42% dari pasien saya \ rumah sakit tidak hanya
17% dari pasien rumah sakit B adalah risiko tinggi.
Stratifikasi adalah salah satu cara yang paling umum dan paling mengungkapkan untuk
memeriksa bias,
Standardisasi
Dua tingkat dapat dibandingkan tanpa bias jika mereka disesuaikan sehingga untuk
menyamakan berat yang diberikan kepada faktor lain yang dapat berhubungan dengan hasil,
proses ini, yang disebut Standardisasi (atau penyesuaian), menunjukkan apa tingkat
keseluruhan akan jika Strata-tarif tertentu yang diterapkan pada populasi yang terdiri dari
proporsi yang sama dari orang di setiap Stratum. Tn contoh sebelumnya, angka kematian 6%
untuk pasien berisiko tinggi menerima berat 500/1200 di rumah sakit A dan berat jauh lebih
rendah 400/2400 di rumah sakit B, dan sebagainya, sehingga tingkat minyak mentah untuk
rumah sakit A = (500/1200 x 0,06) + (400/1200 x 0,04) + (300/1200-0,0067) = 0,04 dan
tingkat kasar untuk rumah sakit 13 sama dengan (400/2400 x 0,06) + (800/2400 x 0,04) +
(1200/2400 x O. 0067) = 0,026. Jika bobot yang sama digunakan, mari kita katakan 1/3
(tetapi mereka dapat didasarkan pada satu atau rumah sakit lain atau populasi referensi),
maka tingkat standar untuk rumah sakit A = (1/3 x 0, (6) + (1/3 x 0. ( 4) + (1/3 x 0,0067) =
0,036, yang persis sama dengan standar r < LTE untuk rumah sakit B. Yang
konsekuenceofgivingequal berat untuk strata di masing-masing groupis untuk menghapus
sama sekali jelas kelebihan risiko rumah sakit A. Perbedaan antara angka kematian operasi
kasar di kedua rumah sakit ini fesults dari bias yang diperkenalkan oleh perbedaan dalam
risiko pra-operasi pasien. Kami hanya tertarik pada perbedaan yang dapat diatribusikan ke
rumah sakit dan dokter bedah mereka, bukan untuk pasien per se. Perbedaan tingkat
mortalitas minyak mentah adalah bingung dengan perbedaan pada pasien, sedangkan tingkat
kematian standar menyamakan berat risiko preoperatif pasien di kedua rumah sakit.
Standardisasi lebih banyak ditemukan

umumnya dalam studi risiko (di mana tingkat < IRE sering berdiri < lrdized untuk < LGE,
seks, < LND/atau ras) daripada dalam studi prugnosis. Berbeda dengan stratifikasi (yang
sering digunakan dalam prognosisstudies), Standardisasi menghilangkan efek dari faktor
asing. Dengan stratifikasi, efeknya masih dapat diperiksa, bahkan jika dikendalikan untuk.
Dengan demikian, dengan standardisasi, kami menemukan pasien < lt memiliki prognosis
serupa di rumah sakit A dan 13. Dengan stratifikasi, kami juga mempelajari angka kematian
di antara pasien dalam strata risiko yang berbeda. PENYESUAIAN MULTIVARIABLE
Dalam situasi yang paling klinis, banyak faktor bertindak bersama-sama untuk menghasilkan
efek. Asosiasi di antara variabel ini adalah kompleks. Mereka mungkin rdated satu sama lain
serta hasil yang menarik, efek dari satu mungkin dimodifikasi oleh kehadiran orang lain, dan
efek bersama dari dua atau lebih mungkin lebih besar th < LN jumlah efek masing-masing.
Analisis multivariable adalah metode untuk secara bersamaan mempertimbangkan efek dari
banyak variabel (Bab (1). Hal ini digunakan untuk menyesuaikan (kontrol) secara bersamaan
untuk efek dari banyak variabel untuk menentukan efek independen dari satu. Selain itu,
metode ini dapat memilih dari satu set besar variabel subset yang lebih kecil yang secara
independen dan secara signifikan memberikan kontribusi pada lebih dari < 111 variasi hasil
dan dapat mengatur variabel dalam urutan kekuatan kontribusi mereka. Analisis risiko
proporsional Cox adalah sejenis < lnallisis yang digunakan ketika hasilnya adalah waktu
untuk suatu peristiwa (seperti dalam analisis kelangsungan hidup). Analisis multivariable
adalah satu-satunya cara yang layak untuk menangani banyak variabel pada satu waktu
selama fase analisis suatu studi. (Randomisasi juga kontrol untuk variabel mulhple, tapi
selama desain dan melakukan fase studi.) Metode yang lebih sederhana, seperti Str <
ltification atau pencocokan, hanya dapat mempertimbangkan < aku beberapa Vari < lbles
pada satu waktu dan kemudian hanya dengan mengorbankan kekuatan Statistik.
ANALISIS SENSITIVITAS
Ketika data pada faktor prognostik penting tidak tersedia, adalah mungkin untuk e ~
buruknya efek potensial pada studi dengan mengasumsikan berbagai derajat maldistribusi
dari faktor-faktor antara kelompok yang dibandingkan dan melihat bagaimana yang akan
mempengaruhi hasil. Istilah umum untuk proses ini adalah analisis sensitivitas. Be ~ t
kasus/kasus terburuk < lnallisis, dijelaskan sebelumnya dalam bab ini, i ~ a ~ jenis analisis
sensitivitas pecial di mana satu membandingkan hasil dengan asumsi yang terbaik dan w () r
~ t mungkin maldistribusi dari variabel prognostik. 2 dengan asumsi yang terburuk adalah tes
stringcnt particubrly bagaimana suatu faktor mungkin afk'Ct kesimpulan < saya belajar.
Sebuah pendekatan yang kurang conserv ltive < adalah untuk ~ Sume th < lt faktor
didistribusikan antara kelompok dengan cara yang tidak mungkin.
iven The ~ ulfonylun = atolbutamide berpengalaman ' 1 lebih besar risiko mati dari penyakit
kardiovaskular daripada th (l ~ < ' diberikan insulin atau diet;; saya Lone. Hasilnya dikritik
karena data tentang Merokok-diketahui;; saya s ~ ociJled dengan kematian kardiovaskular-
tidak dikumpulkan dan tidak diperhitungkan dalam analisis. Disarankan bahwa jika Rokok ~
mokeTS tidak merata didistribusikan di antara kelompok, sehingga ada lebih banyak perokok
di antara mereka yang menerima tolbutamide daripada di kelompok lain, maka perbedaan
angka kematian mungkin terkait dengan Merokok, tidak tolbutamide. Howev < ' r, Cornfield
(IO) menunjukkan bahwa bahkan jika perokok dalam kelompok tolbutamide melebihi
mereka di kelompok thecontrol oleh 20%, situasi yang w {MLD telah sangat tidak mungkin
secara kebetulan (1/50000), peningkatan risiko dalam kelompok tolbutamide akan bertahan.
Dengan demikian bias dalam distribusi Smoker ~ tidak mungkin untuk memiliki, KcolUlted
untuk perbedaan diamati.
STRATEGI KESELURUHAN
Kecuali untuk pengacakan, semua cara untuk berurusan dengan perbedaan asing antara
kelompok memiliki keterbatasan: mereka efektif terhadap hanya faktor yang dipilih untuk
dipertimbangkan. Mereka tidak berurusan dengan faktor prognostik yang tidak diketahui
pada saat studi atau dikenal tetapi tidak diperhitungkan. Biasanya, seseorang tidak hanya
mengandalkan satu atau metode lain untuk mengendalikan bias; satu menggunakan beberapa
metode bersama-sama, berlapis satu sama lain. Dengan demikian dalam studi Apakah
kehadiran kontraksi prematur ventrikel mengurangi kelangsungan hidup dalam tahun setelah
infark miokard akut, salah satu mungkin (a) membatasi studi untuk Pi; ltients yang busur
tidak terlalu tua atau muda dan tidak memiliki penyebab yang tidak biasa (misalnya, micotik
aneurisma) untuk infark mereka; (b) cocok untuk usia, faktor yang sangat terkait dengan
prognosis tetapi asing dengan pertanyaan utama; (c) memeriksa resull "sepilriltely untuk
Strata keparahan klinis yang berbeda (misalnya, kehadiran atau tidak adanya jantung
kongestif atau penyakit lainnya, seperti penyakit paru obstruktif kronik); dan (d)
menggunakan analisis multivariabel, menyesuaikan hasil kasar untuk efek dari semua
variabel selain aritmia, diambil bersama-sama, yang mungkin rdated untuk prognosis.
Generalizability dan sampling bias diterbitkan account prognosis penyakit yang didasarkan
pada pengalaman di pusat khusus dapat melukis gambar yang menyesatkan prognosis pada
pasien yang kurang dipilih. Hal ini begitu bahkan jika studi dilakukan dengan baik, bias
busur hati dikontrol untuk, dan prognosis dilaporkan untuk kondisi medis benar untuk sampel
tertentu pasien. Karena sampel pasien yang digunakan, mungkin bahwa temuan studi tidak
digeneralisasikan untuk kebanyakan pasien lain dengan kondisi, atau pasien Anda.
Terkadang, pasien dalam uji acak terkontrol yang ditugaskan ke kelompok kontrol adalah
srumati untuk lebih menentukan Kursus klinis yang biasa dari suatu penyakit. Tapi pasien
tersebut mungkin tidak mewakili sebagian besar
pasien karena relawan untuk studi cenderung melakukan lebih baik daripada pasien yang
tidak relawan. Sebagai contoh, dalam besar cam. Dian studi skrining kanker payudara di
antara perempuan di 40-an, 90 ' 1 perempuan yang berada di kelompok kontrol dan telah
invasif kanker payudara masih hidup 7 tahun kemudian, dan jumlah kematian akibat kanker
payudara lebih rendah daripada wanita Kanada umumnya (11).
Ringkasan
Prognosis adalah deskripsi dari perjalanan penyakit dari awal. Dibandingkan dengan risiko,
kejadian prognostik busur relatif sering dan sering dapat diperkirakan oleh pengalaman klinis
pribadi. Namun, kasus penyakit biasanya terlihat di pusat medis dan dilaporkan dalam
literatur medis sering bias sampel dari semua kasus dan cenderung melebih-lebihkan
keparahan. Prognosis adalah yang terbaik dijelaskan oleh probabilitas mengalami peristiwa
hasil setiap saat dalam perjalanan penyakit. Tn prinsip, ini dapat dilakukan dengan
mengamati kohort pasien sampai semua yang akan mengalami hasil yang menarik telah
melakukannya. Namun, karena pendekatan ini tidak efisien, metode lain yang disebut
Survival, atau waktu-ke-event analsisis sering digunakan. Ubin onset peristiwa sepanjang
waktu diperkirakan dengan mengumpulkan tarif untuk]] pasien berisiko selama interval
waktu sebelumnya. Adapun setiap pengamatan pada kohort, studi yang membandingkan
prognosis pada kelompok pasien yang berbeda dapat menjadi bias jika perbedaan timbul
karena bagaimana kohor busur dirakit, jika pasien tidak tetap dalam kelompok awal mereka,
dan jika kejadian hasil busur tidak dinilai sama. Berbagai ofstrategies busur tersedia untuk
menangani perbedaan tersebut mungkin timbul, sehingga untuk memungkinkan adil (bias)
perbandingan. Ini termasuk pembatasan, pencocokan, stratifikasi, Standardisasi,
multivariableanalysis, andsensitifitas analisis. Satu atau moreofthis strategi harus ditemukan
wheneverperbandingan dibuat.