Konfounding dan Interaksi Departemen Biostatistika FKM UI, 2010
CONFOUNDING Dari bahasa latin cunfundere (to mix together) Pengertian: Suatu distorsi (gangguan) dalam menaksir pengaruh paparan terhadap kejadian penyakit/outcome sebagai akibat tercampurnya pengaruh sebuah atau beberapa variabel luar. Suatu kondisi bias dalam mengestimasi efek paparan terhadap kejadian penyakit/masalah kesehatan, akibat perbandingan yang tidak seimbang antara kelompok exposed dan non exposed. Suatu situasi ditemukannya hubungan non causal antara exposure/paparan dan outcome yang diteliti akibat adanya pengaruh variabel ketiga (Moyses S. & F. Javier N., 2000) Variabel luar (ketiga) = confounder
Confounder Exposure Disease Confounder Berhubungan dengan paparan/faktor resiko yang diteliti (causally or non causally associated) Berhubungan dengan penyakit/outcome (causally associated) Bukan merupakan konsekuensi dari paparan (tidak terletak diantara E & D / variabel antara)
Arah Confounding 1. Positif Overestimate (risk value menjauhi Null value ) OR/RR 0 0.3 0.5 1 Null value CF controlled 1.3 CF controlled 1.7 2 CF not controlled CF not controlled 2. Negatif Underestimate (risk value mendekati Null value ) kurang beresiko or kurang protektif 3. Cross over asosiasi berubah arah: negatif positif (confounder yang kuat pada asosiasi lemah)
Mengontrol Confounding Pada tahap Design 1. Restriksi (pada experimental & observational study) membatasi obyek penelitian pada level confounder yang sama (confounder tidak bervariasi) antara group E nedand nd Kelemahan: efek modifikasi tidak dapat dievaluasi, generalizability? 2. Matching (pada experimental & observational study) Type: a). Full matching, b). partial matching Method: a). Frequency/marginal matching, b). Individual matching Problem: Over matching 3. Randomisasi (hanya pada experimental study) subyek penelitian ditempatkan secara random pada group2 yang diperbandingkan (E & ne) Pada tahap Analisa 1. Stratifikasi 2. Analisa Multivariate
INTERAKSI Interaksi = Efek modifikasi Pengertian: Keberagaman/heterogenitas/variasi efek dari suatu faktor resiko terhadap kemunculan penyakit/outcome, pada level yang berbeda dari faktor resiko lain, pada base population Suatu situasi dimana 2 atau lebih faktor resiko saling memodifikasi (besar dan/atau arah) efek nya terhadap kejadian/outcome yang diteliti (Moyses S. & F. Javier N., 2000) Efek modifikasi menunjukkan seberapa jauh efek faktor resiko utama terhadap munculnya penyakit/outcome, dimodifikasi oleh faktor resiko lain (modifier)
Macam Interaksi Interaksi Aditif Keberadaannya dinilai dengan memakai ukuran asosiasi berupa risk/rate difference (AR). Bermanfaat untuk kepentingan program kesmas atau intervensi pencegahan penyakit Interaksi multiplikatif Keberadaannya diukur dengan memakai ukuran asosiasi berupa risk/rate ratio (RR/OR). Penting untuk menjelaskan hubungan kausalitas.
Efek Modifikasi Efek Konfounding Tidak berhubungan dg design study Menambah/memodifikasi efek E Berhubungan dengan design study Mengganggu efek E yang diteliti OR 1 = OR 2 = OR 3 = OR 4 = OR n Bukan bias Quantitative measure of association (not a validity issue) OR 1 = OR 2 OR crude OR adjusted Bias sistematik Qualitative measure of association (affect validity) Variabel Ke3 OR C OR A OR 1 OR 2 OR 3 Menjadi CF dan EM 1.2 3.5 2.5 3.0 4.2 Bukan CF maupun EM 1.2 1.2 1.2 1.2 1.2 Merupakan CF tetapi bukan EM 1.2 3.0 3.0 3.0 3.0 EM kuat, CF menjadi kurang penting 1.2 3.5 0.4 2.8 9.2
Deteksi Konfounding & Interaksi Analisa Regresi Linier/Logistik Ganda Regresi Linier Ganda Adanya Konfounder akan menyebabkan a) Perubahan R Square b) Perubahan (unstandardized) coefisien B (OR) sebesar > 10% Adanya Interaksi antar 2 variabel independent ditunjukan dengan nilai Sig. < 0.05
Model 1 Model Summary Adjusted Std. Error of R R Square R Square the Estimate.926 a.858.845 1.5061 a. Predictors: (Constant), sex, umur, lemakkulit, lemakpersen R square regresi linier ganda dengan konfounder tidak masuk pada model Model 1 Model Summary b Adjusted Std. Error of Durbin- R R Square R Square the Estimate Watson.943 a.889.876 1.3491 1.840 a. Predictors: (Constant), lemakkt_prpr, umur, sex, lemakpersen, lemakkulit b. Dependent Variable: imt R square regresi linier ganda dengan konfounder masuk pada model Variabel Masih Lengkap umur keluar dari model Sex 4.7 5.0 6.3 % Lemak persen 7.1 6.2 11.3% Lemak kulit -232-236 1.8% tchol 2.8 2.5 4% Perubahan Coefficien B Umur merupakan konfounder karena menyebabkan OR lemak persen berubah >10%
Uji Interaksi Dilakukan pada variabel variabel yang diduga secara substansi berinteraksi. Model Persamaan Regresi linier ganda Imt = 17.074 0.126 umur + 0.08 lemakkulit + 0.204 lemakpersen + 3.074 sex 1). variable lemak kulit dan lemak persen secara substansi diduga berinteraksi Model 1 (Constant) umur lemakkulit lemakpersen sex lemakkt_prpr a. Dependent Variable: imt Unstandardized Coefficients Coefficients a Standardized Coefficients Collinearity Statistics B Std. Error Beta t Sig. Tolerance VIF 22.651 3.151 7.188.000 -.133.041 -.176-3.220.002.863 1.158 -.063.043 -.437-1.461.151.029 34.599.082.048.238 1.713.094.134 7.451 2.436.693.268 3.513.001.444 2.254.003.001 1.251 3.440.001.020 51.140
2). secara substansi umur akan mempengaruhi lemak persen, Coefficients a Model 1 (Constant) umur lemakkulit lemakpersen sex umur_lemakpr a. Dependent Variable: imt Unstandardized Coefficients Standardized Coefficients Collinearity Statistics B Std. Error Beta t Sig. Tolerance VIF -2.875 11.880 -.242.810.189.187.251 1.011.317.050 19.908.078.014.534 5.683.000.350 2.861.729.305 2.111 2.391.021.004 252.645 2.724.757.300 3.598.001.444 2.253 -.008.005-1.494-1.734.090.004 240.709 Sehingga persamaan regresi linier akhir untuk memprediksi nilai imt adalah: Imt = 22.651 0.133 umur - 0.063 lemakkulit + 0.082 lemakpersen + 2.436 sex + 0.003 lemakkt_prpr
Regresi Logistik Ganda Adanya Konfounder akan menyebabkan perubahan nilai Exp(B) /OR sebesar > 10% dari Exp(B) Crude - Exp(B) Adjusted * 100% >10% konfounder Exp(B) Adjusted variabel independent utama (faktor resiko) dalam pemodelan faktor resiko, atau variabel independent lain dalam pemodelan prediksi Adanya Interaksi antar 2 variabel independent ditunjukan dengan nilai Sig. < 0.05
Variables in the Equation 95,0% C.I.for EXP(B) B S.E. Wald df Sig. Exp(B) Lower Upper Step IMT3 8,265 2,016 1 a IMT3(1) 1,872,858 4,764 1,029 6,503 1,211 34,940 IMT3(2) 2,711,946 8,206 1,004 15,045 2,354 96,155 SEX,921,541 2,899 1,089 2,511,870 7,245 Constant -2,727,882 9,563 1,002,065 a. Variable(s) entered on step 1: IMT3, SEX. Apakah SEX adalah Konfounder terhadap IMT31 dan IMT32? Lihat perubahan nilai Exp(B) : SEX masuk dalam pemodelan, nilai Exp(B) 6,503 dan 15,045 SEX tidak masuk dalam pemodelan, nilai Exp(B) 4,388 dan 9,149 Besar perubahan: Dari hasil perhitungan ratio = 32,52% (> 10%) maka sex merupakan variable konfounder.
Confounding Confounding = bias estimasi efek pajanan terhadap penyakit akibat perbandingan tidak seimbang antara kelompok terpajan dengan kelompok tidak terpajan Terjadi akibat adanya perbedaan risiko terjadinya penyakit pada kelompok terpajan dengan kelompok tidak terpajan Risiko terjadinya penyakit berbeda meskipun pajanan dihilangkan pada kelompok terpajan
Syarat Confounding E D C C merupakan faktor risiko D C memiliki asosiasi dengan E
Contoh Confounding Ibu Anemia BBLR St.Gizi Ibu
Contoh confounding Hubungan anemia dg BBLR Ibu Anemia BBLR Kelompok gizi kurang dan gizi baik BBLR+ BBLR- Jumlah Anemia + 24 36 60 Anemia - 36 24 60 Jumlah 60 60 120 OR = (24*24)/(36*36)=0,44 Simpulan: Anemia faktor pencegah terjadinya BBLR??
Contoh confounding Hubungan anemia dg BBLR (Dipisah menurut status Gizi) Simpulan: Anemia adalah faktor risiko terjadinya BBLR (baik pd gizi baik maupun pd gizi kurang) Kelompok gizi baik BBLR+ BBLR- Jumlah Anemia + 18 34 52 Anemia - 2 6 8 Jumlah 20 40 60 OR = (18*6)/(34*2) = 1,58 Kelompok gizi kurang BBLR+ BBLR- Jumlah Anemia + 6 2 8 Anemia - 34 18 52 Jumlah 40 20 60 OR = (6*18)/(2*34) = 1,58
Contoh confounding BBLR Hubungan status gizi dengan BBLR BBLR+ BBLR- Jumlah Gizi kurang 40 20 60 Gizi baik 20 40 60 Jumlah 60 60 120 OR = (40*40)/(20*20) = 4,00 St.Gizi ibu Status gizi kurang merupakan faktor risiko BBLR
Contoh confounding Ibu Anemia Distibusi status gizi menurut anemia Gizi kurang Gizi baik Jumlah Anemia + 8 52 60 Anemia - 52 8 60 Jumlah 60 60 120 Distribusi status gizi tidak seimbang pada ibu anemia dan ibu non anemia St.Gizi Ibu
Contoh confounding Pada contoh, status gizi merupakan confounder karena Status gizi kurang merupakan faktor risiko BBLR? Distribusi status gizi tidak seimbang pada ibu anemia dan ibu non anemia Hasil analisis menunjukkan status gizi merupakan faktor risiko BBLR?
Pengontrolan Confounding Pada Desain Restriksi Matching Pada Pengumpulan Data Confounding harus diukur Pada Analisis Analisis multivariat