 Penelitian yang bertujuan untuk membuat model terbaik

yang dapat memperkirakan nilai keluaran atau

kemungkinan terjadinya keluaran subjek dengan
karakteristik tertentu pada waktu mendatang dengan
menggunakan faktor prognostik yang dimiliki oleh
subjek tersebut saat ini.

APGAR Score

0 menit 1 menit 5 menit

Keluaran: Kategorik vs Numerik

Waktu: Detik-Hari-Bulan-Tahun

Subjek: Relevan untuk dibuat prediksi

Jumlah faktor prognostik: Satu atau lebih

Sumber faktor prognostik: Klinis atau laboratoris

Prinsip Penelitian Prognostik

Model: Variasi akumulatif faktor prognostik

Kualitas model: Statistik (Kalibrasi dan Diskriminasi) dan Klinis (Feasible)

Model terbaik: Tarik ulur antara kalibrasi, diskriminasi, dan feasible.

Sistem Skoring
 Risk Factor Prognostic Factor

APGAR Score

Appearance Pulse

Grimace Activity

Respiration 0 menit 1 menit 5 menit

 Demografi

Model 3

Klinis Model 2
Variabel
prognostik Model 1
Penunjang
Sederhana

Penunjang
lanjut
Nilai AUC Nilai R2 Kualitas
diskriminasi
50%-60% 0%-4% Sangat lemah
Uji Hosmer &
60%-70% 4%-16% Lemah Lameshow
Baik bila p>0,05
70%-80% 16%-36% Sedang Kalibrasi

80%-90% 36%-64% Kuat Uji Anova

90%-100% 64%-100% Sangat kuat Baik bila p<0,05
Statistik

AUC

Diskriminasi
Kualitas
Koefisien
diskriminasi (R2)

Biaya, ketersediaan,
Klinis Kemampulaksanaan kecepatan, sumber
daya manusia
 Model
1

Model Model
2 3
 Syarat prognostik adalah adanya temporalitas antara faktor

prognostik dan hasil keluaran.

 Cohort

 Nested case control

 Case control
 Keluaran Kategorik Keluaran Numerik

Kategorik N dan % N dan %

Deskriptif
Rerata dan Rerata dan
Numerik
simpang baku simpang baku

T tidak berpasangan
FP Kategorik Chi square dan RR
Mann-Whitney
Bivariat FP Kategorik --- One way Anova
Polikotom Kruskal Wallis

FP Numerik T tidak berpasangan Pearson, Spearman

Mann-Whitney

Multivariat Regresi Logistik Regresi Linier

Sistem skoring Kalibrasi, diskriminasi, dan klinis

 10 x VB
L

VB = Jumlah faktor prognostik

L = Insiden prognosis yang diteliti
 Validitas seleksi

 Validitas informasi

 Uji kesesuaian intra-observer (Kappa dan Bland-Altman)

 Uji kesesuaian antar-observer (Kappa dan Bland-Altman)

 Validitas pengontrolan perancu

 Validitas eksterna
 Probability
sampling atau
tidak

Metode
Harus pengambilan
rendah Missing value sampel

Participation
Drop out rate

Kriteria subjek Harus

tinggi

Harus jelas kriteria

inklusi dan eksklusi
 Blinding, kompeten, uji kesesuaian intra dan antar pengamat

Pengukur
(Who) Cara
Subjek ukur
(Whom) (How)

Alat Blinding
ukur Yang
(by diukur
What) (What)
Tempat
(Where)
Alat ukur Waktu
valid, (When)
dikalibrasi,
dan sama
 Validitas
Eksterna II
Populasi Target
Validitas
Populasi Terjangkau Eksterna Ib

Subjek yang diinginkan

Validitas
Eksterna Ia
Subjek yang diteliti

Validitas Interna
NEXT
 Analisis bivariat BPAK On Pump
Meninggal Hidup IK95%
p OR
n % n % min mak
Usia > 70 tahun 1 100.0 0 0.0 0.146* 0.125 ref 0.055 0.284
≤ 70 tahun 5 12.5 35 87.5
Jenis Kelamin Perempuan 0 0.0 5 100.0 1.000 0.833 ref 0.720 0.964
Laki-laki 6 16.7 30 83.3
Fraksi Ejeksi ≤ 30% 1 50.0 1 50.0 0.274 6.800 ref 0.364 126.898

> 30% 5 12.8 34 87.2

Kreatinin > 1.2mg/dL 5 27.8 13 72.2 0.070* 8.462 ref 0.888 80.591
≤ 1.2mg/dL 1 4.3 22 95.7
Diabetes Melitus Ya 2 10.5 17 89.5 0.668 0.529 ref 0.086 3.275
Tidak 4 18.2 18 81.8
Lama AoX > 90 menit 2 22.2 7 77.8 0.597 2.000 ref 0.303 13.221
≤ 90 menit 4 12.5 28 87.5
Lama CPBT > 120 menit 1 11.1 8 88.9 1.000 0.675 ref 0.069 6.648
≤ 120 menit 5 15.6 27 84.4
Lama rawat inap > 14 hari 5 23.8 16 76.3 0.184* 5.938 ref 0.627 56.202
≤ 14 hari 1 5.0 19 95.0
Jumlah koroner 3 6 16.2 31 83.8 1.000 1.194 ref 1.036 1.375
<3 0 0.0 4 100.0
Hipertensi Ya 6 18.2 27 81.8 0.323 1.222 ref 1.041 1.435
Tidak 0 0.0 8 100.0
Total 6 14.6 35 85.4
 1
p=
1 + e-y
p = Probabilitas
e = Bilangan natural Euler (2,718281828459….)
y = Persamaan logistik (a+b1x1+b2x2+…….+bixi)
a = Konstanta
b = Koefisien
x = Variabel prognostik
 Analisis multivariat BPAK On Pump

Variabel B S.E. Sig. Exp(B)

Langkah 2 Usia > 70 tahun 1,490 0,256 0.000 4,437
Kreatinin > 1.2mg/dL 1,386 0,303 0.001 3,999
Lama rawat inap > 14 hari 0,935 0,252 0.009 2,546
Konstanta -1,719 0,389 0.000 0,009

Y = a+b1x1+b2x2+…….+bixi
Y = -1,719 + (1,49 x usia) + (1,386 x kreatinin) + (0,935 x lama rawat)
Y = -1,719 + (1,49 x 1) + (1,386 x 1) + (0,935 x 0)
Y = 1,157

1
p= 76%
1 + e-y
 Analisis multivariat BPAK On Pump

Variabel B S.E. Langkah 1 Langkah 2 Langkah 3

B / S.E. Langkah 1 / Pembulatan
smallest
Langkah 2 Usia > 70 tahun 1,490 0,256 5,816 1,5676 2

Kreatinin > 1.2mg/dL 1,386 0,303 4,578 1,2339 1

Lama rawat inap > 14 hari 0,935 0,252 3,710 1 1

Konstanta -1,719 0,389

 Skor usia >70 tahun 2 poin; <70 tahun 0 poin

 Skor kreatinin >1,2mg/dL 1 poin; <1,2mg/dL 0 poin

 Skor lama rawat >14 hari 1 poin; <14 hari 0 poin

 Poin maks 4
 Transform  Recode into different variables

Kategori Kode awal Kode sesuai skoring Transformasi

Usia > 70 tahun 1 2 12

≤ 70 tahun 2 0 20
Kreatinin > 1.2mg/dL 1 1 11
≤ 1.2mg/dL 2 0 20
Lama rawat inap > 14 hari 1 1 11
≤ 14 hari 2 0 20

 Membuat total skor

 Transform  Compute (usia + kreatinin + lama rawat)
 Total skor untuk semua subjek
 Analyze  Regression  Binary

 Masukkan variabel “klasifikasi prognosis” ke dalam Dependent

 Masukan variabel “totalskor” ke Covariates

 Option  Hosmer Lemeshow dan CI for Exp(B)

 Continue

 Pilih Probabilities pada Predicted values

 OK
 Variabel B S.E. Sig. Exp(B)
Langkah 1 Total skor 0,646 0,061 0,000 1,908

Konstanta -1,825 0,377 0.000 0,008

Y = -1,825 + (0,646 x totalskor)

 Lakukan analisis ROC untuk menilai diskriminasi

 Graph/Analyze  ROC curve

Skor Pasien Konstanta Koefisien Y = -1,825 + P = 1 / 1 + e-y
(0,646 x
totalskor)
0 -1,825 0,646 -1,825 0,1389
1 -1,825 0,646 -1,179 0,2352
2 -1,825 0,646 -0,533 0,3698
3 -1,825 0,646 0,113 0,5282
4 -1,825 0,646 0,759 0,6811
0.8
0.6
0.4
0.2
0
Skor 0 Skor 1 Skor 2 Skor 3 Skor 4
 Microsoft Excel
 Validitas Interna dan Eksterna valid
 Kemampuan Generalisasi (Generalizabiliti)
Historical

Subject Geographical
Reproducability

Generalizabiliti
Spectrum
Transportability

Methodology

Method

Follow up
 Level Validasi Komponen generalizability
yang telah dievaluasi
0 Internal validation Reproducibility

1 Prospective validation Reproducibility

Historic transportability
Geographic transportability
Methodologic transportability
Spectrum transportability
 Level validasi model
2 Independent validation Reproducibility
Historic transportability
prognostik bergantung pada Geographic transportability
Methodologic transportability
aspek generalizabiliti yang Spectrum transportability
3 Multisite validation Reproducibility
sudah terpenuhi. Historic transportability
Geographic transportability
Methodologic transportability
Spectrum transportability
4 Multiple independent Reproducibility
validations Historic transportability
Geographic transportability
Methodologic transportability
Spectrum transportability
5 Multiple independent Reproducibility
validations with life-table Historic transportability
analysis Geographic transportability
Methodologic transportability
Spectrum transportability
Follow up period transportability
 Studi prognostik bertujuan untuk mencari model terbaik

dalam memprediksi probabilitas keluaran yang akan

terjadi pada subjek dengan faktor prognostik tertentu.

 Hati-hati dengan “statistical abuse”, tidak semua penelitian

perlu dibuat sistem skoring.

 Patients at
Risk Prognostic
risk of target
factors factors
event

Suffer target
outcome

Time

Do not suffer
target outcome
Obat Subjek Durasi Outcome Insiden Incidence Hazard Ratio
Rate
(Hazard)
X A 10 hari Sembuh 2/4 2/37 0,054/0,03125
B 12 hari Sembuh
50% 0,054 1,728
C 6 hari Meninggal
D 9 hari Meninggal
Person Time (PT) 37 hari
Y E 11 hari Meninggal 2/4 2/64 0,3125/0,054
F 15 hari Meninggal
50% 0,03125 0,5787
G 21 hari Sembuh
H 17 hari Sembuh
Person Time (PT) 64 hari
 Median survival

 Survival rate at a particular time

 Survival curve