Praktik Berbasis Bukti & Statistik Medis
Karena "Saya membaca sesuatu secara online" tidak cukup meyakinkan di AKT.
Terakhir diperbarui: April 2026 · Juga dikenal sebagai Kedokteran Berbasis Bukti (Evidence-Based Medicine/EBM)
📥 Unduhan
Materi tambahan, ringkasan, dan perlengkapan pengajaran—siap kapan pun Anda membutuhkannya.
jalan: Praktik Berbasis Bukti juga dikenal sebagai Kedokteran Berbasis Bukti atau EBM singkatnya.
Sumber Daya Web
Perpaduan pilihan antara panduan resmi dan sumber daya pelatihan dokter umum di dunia nyata. Karena terkadang informasi terbaik tidak tersembunyi dalam dokumen resmi.
Pengingat Satu Menit
Apakah Anda memindai ini sebelum klinik — atau malam sebelum ujian AKT? Inilah hal-hal yang akan memberi Anda nilai.
🧮 Rumus Risiko
- ARR = CER − EER
- NNT = 1 ÷ ARR
- Rrr = ARR ÷ CER
- RR = EER ÷ CER
- NNH = 1 ÷ ARI
🔬 Tes Diagnostik
- Makna = TP ÷ (TP+FN) → SnNout
- Spec = TN ÷ (TN+FP) → SpPin
- PPV = TP ÷ (TP+FP) ← jatuh dengan prevalensi rendah
- NPV = TN ÷ (TN+FN) ← jatuh dengan prevalensi tinggi
📊 Desain Studi
- SR/Meta-analisis → bukti tertinggi
- RCT → standar emas untuk pengobatan
- Kohort → RR & insiden
- Studi kasus-kontrol → OR, penyakit langka
- Studi potong lintang → prevalensi
📈 Grafik
- Pola plot hutan yang menunjukkan berlian melintasi garis = tidak signifikan
- Asimetri corong = bias publikasi
- Plot Cates: NNT = 100 ÷ wajah kuning
- Garis tengah diagram kotak = rata-rata
- I² >50% = heterogenitas substansial
📉 Signifikansi
- p < 0.05 = signifikan secara statistik
- CI melewati 1.0 (rasio) = tidak signifikan
- CI melewati 0 (perbedaan) = tidak signifikan
- Rata-rata = nilai tengah; Median = nilai tengah
- Aturan 68-95-99.7 untuk distribusi normal
⚖️ Jenis-jenis Bias
- Seleksi → sampel tidak representatif
- Ingat kembali → kasus lebih mudah diingat
- Publikasi → hanya studi positif
- Waktu tunggu → ilusi penyaringan
- Pengurangan jumlah peserta → putus sekolah mendistorsi hasil
Mengapa Hal Ini Penting dalam GP & AKT
EBM dan statistik bukan hanya teori. Di ruang konsultasi Anda, setiap percakapan tentang pilihan pengobatan melibatkan NNT (Number Needed to Treat) baik Anda menyebutkannya atau tidak. Setiap tes darah memiliki sensitivitas dan spesifisitas. Setiap pedoman baru didasarkan pada desain studi yang memengaruhi seberapa besar kepercayaan yang harus Anda berikan padanya.
Dalam AKT, topik ini menyumbang proporsi nilai yang signifikan — sekitar 10–15% dari keseluruhan soal menurut panduan RCGP. Ini adalah salah satu dari sedikit bidang di mana sedikit revisi yang terarah akan membuahkan hasil. segeraBanyak kandidat kehilangan nilai mudah di sini bukan karena konsepnya sulit, tetapi karena mereka tidak pernah duduk dan mempelajarinya secara sistematis.
Soal-soal statistik dalam AKT sering menyajikan tabel data uji coba dan meminta Anda untuk menghitung suatu nilai, menafsirkan grafik, atau mengidentifikasi desain studi terbaik. Soal-soal ini menghargai pemikiran metodis, bukan pengetahuan medis. Hal ini menjadikan nilai-nilai tersebut sebagai nilai yang paling "mudah dipelajari" dalam ujian.
Kedokteran Berbasis Bukti (EBM)
"Saat saya menjalani pelatihan di pertengahan tahun 1980-an, saya memberikan infus intravena lidokain kepada setiap pasien yang datang setelah serangan jantung. Itu adalah standar yang berlaku. Semua orang melakukannya. Tampaknya sangat masuk akal."
— Profesor Gordon Guyatt, dokter yang menciptakan istilah "Kedokteran Berbasis Bukti", menjelaskan pelatihan yang ia jalani sebelum EBM ada.
Ia kemudian menemukan bahwa praktik yang telah ia pelajari—dan yang dilakukan oleh ratusan ribu dokter di seluruh dunia—bukan hanya tidak berguna, tetapi berpotensi membunuh orang. Bukan karena kelalaian. Bukan karena ketidakkompetenan. Tetapi karena tidak ada yang pernah menguji dengan benar apakah praktik tersebut benar-benar efektif.
Kisah itulah yang menjadi alasan mengapa Kedokteran Berbasis Bukti ada — dan mengapa hal itu sangat penting bagi setiap pasien yang akan Anda temui.
"Penggunaan bukti terbaik terkini secara cermat, eksplisit, dan bijaksana dalam pengambilan keputusan mengenai perawatan pasien individual."
— David Sackett, BMJ 1996 — definisi yang paling banyak dikutip dalam bidang kedokteran
Sederhananya: alih-alih merawat pasien berdasarkan kebiasaan, opini, tradisi, atau apa yang dikatakan profesor Anda, EBM mengharuskan Anda untuk mendasarkan keputusan klinis pada penelitian terbaik yang tersedia — yang dilakukan secara ketat, dinilai secara kritis, dan diinterpretasikan secara jujur.
Ini tidak menggantikan penilaian klinis — ini menginformasikan EBM bertumpu pada tiga pilar yang tak terpisahkan dan harus bekerja sama:
🕰️ Bagaimana EBM Muncul? — Sejarah Singkat
EBM tidak muncul begitu saja. Itu adalah puncak dari pemikiran revolusioner yang berlangsung secara diam-diam selama beberapa dekade di Kanada dan Inggris.
| Tahun | Acara |
|---|---|
| 1938 | John Paul (Yale) mencetuskan istilah "epidemiologi klinis" — gagasan bahwa ilmu kedokteran harus dipelajari secara ilmiah dalam populasi, bukan hanya diamati pada pasien individual. |
| 1967 | Universitas McMaster (Hamilton, Kanada) membuka sekolah kedokteran barunya dengan Departemen Epidemiologi Klinis dan Biostatistik — yang pada saat itu tergolong radikal, dan didedikasikan untuk menerapkan metode penelitian pada pengambilan keputusan klinis. |
| 1972 | Archie Cochrane, seorang ahli epidemiologi Skotlandia, menerbitkan Efektivitas dan Efisiensi: Refleksi Acak tentang Layanan Kesehatan — sebuah teks penting yang berpendapat bahwa dunia kedokteran harus menguji pengobatannya sendiri secara ketat. Karyanya akhirnya melahirkan Cochrane Collaboration, yang dinamai untuk menghormatinya. |
| 1981 | David Sackett dan rekan-rekannya di McMaster menerbitkan serangkaian sembilan artikel di Canadian Medical Association Journal yang mengajarkan para klinisi cara menilai literatur medis secara kritis. Ini adalah awal formal dari gerakan EBM (Evidence-Based Medicine). |
| 1990 | Gordon Guyatt, seorang direktur residen muda di McMaster, merancang program pengajaran baru dan awalnya menamakannya "Kedokteran Ilmiah." Rekan-rekannya menolak—implikasi bahwa praktik saat ini tidak ilmiah terlalu gamblang. |
| 1991 | Guyatt mengganti nama pendekatan tersebut "Kedokteran Berbasis Bukti" dan mempublikasikan istilah tersebut dalam sebuah editorial di ACP Journal Club. Frasa itu langsung melekat. |
| 1992 | Makalah penting di JAMA — "Kedokteran Berbasis Bukti: Pendekatan Baru untuk Mengajarkan Praktik Kedokteran" — memperkenalkan EBM (Evidence-Based Medicine) kepada dunia. Responsnya, menurut Guyatt, awalnya adalah "kemarahan." Rekan-rekannya merasa mereka diberitahu bahwa mereka bukan dokter yang baik. |
| 1993 | Cochrane Collaboration secara resmi didirikan — sebuah jaringan internasional untuk menghasilkan dan menyebarluaskan tinjauan sistematis tentang bukti-bukti di bidang perawatan kesehatan. |
| 1996 | David Sackett menerbitkan definisi tiga pilar yang definitif di BMJ. EBM menjadi arus utama. |
| 2000-an–sekarang | EBM (Evidence-Based Medicine) tertanam dalam pelatihan di Inggris: pedoman NICE, Praktik Medis yang Baik dari GMC, dan kurikulum RCGP semuanya mewajibkannya. Ini adalah dasar bagaimana setiap dokter di Inggris dilatih dan dinilai saat ini. |
⚠️ Seperti Apa Kondisi Kedokteran Sebelum EBM? Masalah yang Diselesaikannya
Sebelum EBM (Evidence-Based Medicine), dunia kedokteran berjalan berdasarkan apa yang secara terkenal disebut oleh Gordon Guyatt sebagai... "GOBSAT" - Para Pria Tua yang Baik Hati Duduk Mengelilingi MejaPedoman klinis ditulis oleh para ahli senior yang menggabungkan pendapat pribadi mereka, dan apa yang terjadi pada pasien Anda sepenuhnya bergantung pada dokter mana yang kebetulan memeriksanya.
- Pengobatan berbasis keunggulan: Anda memperlakukan pasien seperti yang dilakukan profesor Anda. Otoritas berasal dari senioritas, bukan bukti. Seorang konsultan yang "selalu melakukannya dengan cara ini" selama 30 tahun dihormati — bahkan jika "cara ini" belum pernah diuji.
- Pengobatan berbasis intuisi: Jika suatu pengobatan tampak masuk akal secara fisiologis, maka pengobatan itu digunakan. Jika menekan irama jantung abnormal tampak logis, maka irama tersebut ditekan. Namun, jarang sekali diuji apakah hal itu benar-benar membantu pasien.
- Pengobatan berbasis anekdot: "Berdasarkan pengalaman saya, saya menemukan bahwa..." adalah standar bukti. Kasus-kasus individual mendorong praktik—bahkan ketika kasus-kasus tersebut merupakan anomali statistik.
- Variasi yang sangat besar: Pasien yang sama yang datang ke dua rumah sakit berbeda — atau bahkan dua dokter berbeda di rumah sakit yang sama — mungkin menerima perawatan yang sama persis untuk kondisi yang sama.
🔴 Contoh yang Mengubah Dunia Kedokteran — Uji Coba CAST
Ini bukan hipotesis. Ini adalah salah satu kisah nyata terpenting dalam kedokteran modern — dan salah satu argumen terkuat yang pernah dibutuhkan oleh EBM (Evidence-Based Medicine).
Pengaturan — Logika yang Tampaknya Tak Terbantahkan
Serangan jantung menyebabkan kelainan irama jantung yang berbahaya (aritmia ventrikel). Aritmia ventrikel dapat menyebabkan kematian mendadak. Oleh karena itu: Menekan aritmia → mencegah kematian mendadakHal ini tampak begitu jelas benar sehingga sejak tahun 1970-an, obat antiaritmia — khususnya lidokain, flekainida, dan enkainida — secara rutin diberikan kepada pasien pasca-infark miokard di rumah sakit di seluruh dunia. Bukan sesekali. Tetapi secara rutin. Sebagai perawatan standar.
Percobaan — Seseorang Benar-Benar Mengujinya
Pada tahun 1987, Uji Coba Penekan Aritmia Jantung (Cardiac Arrhythmia Suppression Trial/CAST) melibatkan lebih dari 1,700 pasien pasca-infark miokard dan secara acak membagi mereka ke dalam kelompok yang menerima obat antiaritmia (flecainide atau encainide) atau plasebo. Obat-obatan tersebut melakukan persis seperti yang seharusnya—berhasil menekan aritmia. Namun, sesuatu yang tak terduga terjadi.
Hasilnya — Sesuatu yang Tak Diduga Siapa Pun
Pasien yang mengonsumsi obat-obatan tersebut adalah... 2.5 kali lebih mungkin untuk meninggal dibandingkan dengan mereka yang diberi plasebo. Uji coba tersebut harus dihentikan lebih awal karena bahayanya sangat jelas. Obat-obatan tersebut telah membunuh pasien yang seharusnya dilindungi.
NNH = 21. Setiap 21 pasien yang diobati dengan flecainide atau encainide, satu orang tambahan meninggal yang seharusnya dapat bertahan hidup.
Pelajaran ini
Gordon Guyatt—yang saat itu masih seorang ahli jantung muda—secara pribadi telah memberikan infus lidokain kepada setiap pasien pasca-infark miokard yang datang ke bangsalnya. Ia mengikuti praktik terbaik. Ia telah diajari dengan benar. Ia memiliki niat baik. Namun, tanpa uji coba ketat dari uji klinis acak (RCT), baik dia maupun rekan-rekannya tidak memiliki cara untuk mengetahui apakah pengobatan tersebut berbahaya. Pengalaman ini menjadi inti mengapa ia mendedikasikan kariernya untuk EBM (Kedokteran Berbasis Bukti). Sejarah kedokteran, katanya kemudian, "penuh dengan pengobatan yang sebagian besar didasarkan pada tebakan dan intuisi daripada bukti yang kuat."
Sebelum EBM (Evidence-Based Medicine), apa yang Anda dapatkan bergantung pada tempat tinggal Anda, rumah sakit yang Anda kunjungi, dan dokter yang menangani Anda. Pasien yang sama dengan kondisi yang sama mungkin menerima perawatan yang sangat berbeda di Leeds dan London. Rumah sakit yang berbeda. Negara yang berbeda. Hasil yang sangat berbeda.
EBM mengubah hal ini. Dengan mendasarkan keputusan klinis pada kumpulan bukti yang sama — uji klinis yang sama, tinjauan sistematis yang sama, pedoman yang sama — EBM memberikan kedokteran bahasa dan standar yang sama. Saat ini, pasien yang mengalami serangan jantung di Bradford dan pasien yang mengalami serangan jantung di Bristol pada dasarnya akan menerima perawatan berbasis bukti yang sama. Bukan karena dokternya identik, tetapi karena pengobatan didorong oleh bukti, bukan oleh preferensi individu.
Di Inggris, hal ini dioperasionalkan melalui pedoman BAGUS, yang Kurikulum RCGP, Indikator QOF, audit klinis, dan Ujian MRCGP — yang semuanya membutuhkan dan menilai praktik berbasis bukti. Saat Anda mengikuti AKT, Anda diuji kemampuan Anda untuk menerapkan kerangka kerja ini.
🌍 Dunia Tanpa EBM — Gambaran Internasional
Komitmen Inggris terhadap EBM — melalui NICE, NHS, dan pelatihan pascasarjana — tidak bersifat universal. Di banyak bagian dunia, apa yang Anda terima sebagai pasien masih sangat bergantung pada siapa yang memeriksa Anda, di mana Anda berobat, dan berapa banyak yang dapat Anda bayar. Memahami hal ini membantu Anda menghargai apa yang dilindungi EBM bagi pasien Anda.
Variasi yang dijelaskan di bawah ini mencerminkan sistem dan struktur perawatan kesehatanMasalahnya bukan pada kompetensi atau dedikasi dokter individual. Banyak dokter brilian dan pekerja keras berpraktik di setiap negara yang tercantum. Masalahnya adalah tidak adanya infrastruktur standar—pedoman, pengawasan, kerangka pelatihan—yang disediakan oleh EBM. Dokter individual tidak dapat mengatasi masalah sistemik sendirian.
| Negara / Wilayah | Bagaimana Praktik Berbeda Tanpa Kerangka Kerja EBM yang Kuat |
|---|---|
| 🇮🇳 India (sektor swasta) | Sebuah 2018 Lanset Sebuah studi menemukan angka operasi caesar sebesar 40–58% di rumah sakit swasta dibandingkan dengan 10–14% di fasilitas publik — yang seringkali didorong oleh insentif finansial daripada kebutuhan klinis. Investigasi berlebihan dan polifarmasi banyak didokumentasikan di sektor swasta. Pasien kanker yang sama mungkin menerima perawatan yang sangat berbeda berdasarkan tempat mereka berobat dan kemampuan finansial mereka. |
| Pakistan | Variasi yang signifikan dalam kepatuhan terhadap pedoman antibiotik — salah satu tingkat resep antibiotik tertinggi di Asia Selatan. Tuberkulosis resisten obat dan resistensi antimikroba adalah konsekuensi langsungnya. Akses ke perawatan spesialis dan jalur manajemen standar sangat bergantung pada geografi dan pendapatan. |
| 🇳🇬 Nigeria / 🇬🇭 Ghana | Magnesium sulfat adalah pengobatan eklampsia yang direkomendasikan WHO, berbasis bukti, dan murah. Studi menunjukkan bahwa magnesium sulfat secara signifikan mengurangi angka kematian ibu. Namun, ketersediaan dan penggunaan aktual di fasilitas kesehatan Nigeria dan Ghana sangat bervariasi tergantung pada sumber daya rumah sakit dan pelatihan klinisi — artinya, apakah seorang wanita dengan eklampsia hidup atau mati mungkin bergantung pada fasilitas mana yang ia kunjungi. |
| 🇶 Sudan / 🇮🇶 Irak | Konflik dan ketidakstabilan yang berkepanjangan telah menghancurkan infrastruktur perawatan kesehatan. Di Irak setelah tahun 2003, layanan kesehatan masyarakat runtuh, implementasi pedoman terhenti, dan akses terhadap obat-obatan dasar menjadi bergantung pada lokasi geografis. Di Sudan, konflik telah mengganggu program vaksinasi, layanan kesehatan ibu, dan manajemen penyakit kronis. Variasi praktik di lingkungan seperti itu bukanlah masalah preferensi — melainkan masalah ketersediaan. |
| 🇪🇬 Mesir / 🇮🇷 Iran | Kedua negara memiliki sekolah kedokteran yang menghasilkan dokter terampil dan telah menerbitkan pedoman EBM (Kedokteran Berbasis Bukti) — tetapi implementasinya tidak konsisten antara sektor publik dan swasta, serta antara daerah perkotaan dan pedesaan. Di Iran, sanksi internasional telah memengaruhi ketersediaan obat, memaksa adaptasi yang menyimpang dari protokol berbasis bukti. |
| 🇷🇴 Rumania | Rumania telah mendokumentasikan praktik tersebut. plicul (disebut "amplop") — pembayaran tunai informal kepada dokter dan perawat untuk memastikan perawatan. Secara resmi ilegal, tetapi dipraktikkan secara luas. Penyelidikan parlemen dan jurnalisme investigatif telah mengkonfirmasi bahwa kualitas perawatan bedah dapat bergantung pada apa yang dapat dibayar pasien secara pribadi, terlepas dari hak resmi mereka yang setara dengan NHS (National Health Service). Fenomena "brain drain" (migrasi tenaga ahli) telah menghilangkan sekitar 14,000+ dokter sejak bergabung dengan Uni Eropa. |
| 🇺🇸 Amerika Serikat | Layanan kesehatan termahal di dunia — lebih dari $12,000 per orang per tahun — namun hasilnya seringkali tidak lebih baik daripada di Inggris. Proyek Dartmouth Atlas telah mendokumentasikan variasi geografis yang sangat besar dalam praktik klinis: pasien yang sama di Miami mungkin menerima dua kali lebih banyak investigasi dan prosedur daripada pasien yang sama di Minneapolis, tanpa perbedaan hasil. Sebuah studi JAMA tahun 2019 memperkirakan $935 miliar — kira-kira seperempat dari seluruh pengeluaran perawatan kesehatan AS — terbuang untuk perawatan yang tidak perlu. Krisis opioid sebagian dipicu oleh perusahaan farmasi yang memengaruhi praktik peresepan di luar kerangka kerja EBM (Evidence-Based Medicine). |
| 🇫🇷 Perancis | Prancis memiliki layanan kesehatan yang sangat baik—tetapi tingkat pemberian resep antibiotik secara historis termasuk yang tertinggi di Eropa, sebagian didorong oleh harapan budaya bahwa konsultasi harus selalu diakhiri dengan resep. Kampanye untuk mengurangi hal ini ("Antibiotik bukanlah hal yang otomatis") telah membantu, tetapi pola tersebut menggambarkan bagaimana tekanan budaya dan komersial dapat mengesampingkan panduan berbasis bukti bahkan dalam sistem yang canggih. |
| 🇮🇹 Italia | Kualitas layanan kesehatan di Italia Utara (Milan, Bologna) termasuk yang terbaik di Eropa. Di beberapa bagian Italia Selatan, situasinya sangat berbeda — waktu tunggu yang lebih lama untuk operasi kanker, penerapan program skrining yang kurang konsisten, dan kepatuhan yang lebih rendah terhadap perawatan berbasis pedoman. Asal geografis di dalam negara yang sama dapat secara signifikan memengaruhi hasil. |
| 🇬🇷 Yunani / 🇪🇸 Spanyol | Krisis penghematan di Yunani (2010–2015) menyebabkan pemotongan pengeluaran perawatan kesehatan lebih dari 25%, yang mengakibatkan kekurangan obat-obatan yang terdokumentasi, pengurangan staf, dan penurunan kualitas. Lebih dari 35,000 pekerja perawatan kesehatan beremigrasi. Di Spanyol, variasi regional yang signifikan dalam tingkat kelangsungan hidup penderita kanker telah didokumentasikan — tumor yang Anda kembangkan mungkin berperilaku berbeda tergantung pada wilayah tempat Anda tinggal, bukan karena biologinya berbeda, tetapi karena penerapan pengobatan berbasis bukti oleh sistem tersebut berbeda. |
Dalam sistem layanan kesehatan tanpa kerangka kerja EBM yang kuat atau hak universal, hubungan antara pembayaran dan kualitas pengobatan seringkali langsung dan terdokumentasi:
- Di beberapa rumah sakit swasta di India, pasien yang datang dengan keluhan nyeri dada dan mampu membayar perawatan swasta mungkin langsung mendapatkan kateterisasi dan pemasangan stent. Pasien yang sama di sistem kesehatan publik mungkin harus menunggu berjam-jam untuk pemeriksaan EKG.
- Di beberapa wilayah Afrika Sub-Sahara, apakah seorang anak dengan malaria berat menerima terapi kombinasi berbasis artemisinin (standar berbasis bukti) atau obat yang lebih tua dan kurang efektif bergantung pada fasilitas mana yang mereka kunjungi dan berapa yang mampu dibayar oleh keluarga mereka.
- Di negara-negara tanpa akses obat universal, agen kemoterapi kanker mungkin hanya tersedia bagi mereka yang mampu membayar sendiri — artinya kanker yang identik memiliki hasil yang sangat berbeda hanya berdasarkan pendapatan.
- Di Rumania dan beberapa negara Eropa Timur lainnya, kualitas prosedur pembedahan — ketelitian ahli bedah, kualitas pemantauan anestesi, bahkan ketersediaan perawatan pasca operasi — telah didokumentasikan bergantung pada pembayaran informal, bukan kebutuhan klinis.
Setiap kali Anda naik penerbangan komersial, Anda mendapatkan manfaat dari salah satu sistem keselamatan paling efektif yang pernah dibangun manusia. Bukan karena pilot-pilotnya sangat berbakat—meskipun memang demikian. Tetapi karena penerbangan dibangun di atas prinsip-prinsip keselamatan. protokol standar yang telah diuji berdasarkan buktiSetiap pilot, setiap maskapai penerbangan, setiap negara mengikuti daftar periksa pra-penerbangan yang sama, prosedur pendaratan yang sama, protokol darurat yang sama. Sistem ini melindungi Anda terlepas dari pilot mana pun yang Anda dapatkan.
Kedokteran tanpa EBM (Evidence-Based Medicine) ibarat penerbangan tanpa daftar periksa. Keselamatan Anda sepenuhnya bergantung pada apakah Anda mendapatkan pilot yang baik, apakah pilot tersebut baru saja menjalani pelatihan, apakah mereka sedang dalam kondisi baik, dan apakah mereka telah mendengar pemikiran terbaru dari seseorang yang mereka percayai.
EBM menggantikan keberuntungan dengan sistem. Ia menggantikan "berdasarkan pengalaman saya" dengan "dalam 15,000 uji coba yang melibatkan 2 juta pasien." Ia menggantikan pendapat siapa pun yang kebetulan paling senior di ruangan itu dengan bukti yang terkumpul dari pengalaman klinis kolektif umat manusia. Bukankah Anda lebih menyukai hal itu untuk pasien Anda? Bukankah pasien Anda juga lebih menyukai hal itu untuk diri mereka sendiri?
- Setiap pedoman NICE yang Anda ikuti adalah hasil dari tinjauan bukti sistematis — seseorang telah melakukan pekerjaan untuk memastikan bahwa apa yang Anda lakukan didukung oleh ilmu pengetahuan terbaik yang tersedia.
- Setiap pertanyaan AKT tentang statistik dan metode penelitian menguji kemampuan Anda untuk menilai bukti secara kritis — untuk menjadi konsumen aktif EBM, bukan pengikut instruksi yang pasif.
- Ketika Anda menjelaskan NNT kepada pasien, atau membahas keterbatasan tes skrining, atau menolak meresepkan antibiotik yang tidak diindikasikan, Anda sedang mempraktikkan EBM — secara sadar, eksplisit, dan bijaksana.
- Dan ketika seorang perwakilan perusahaan farmasi duduk di hadapan Anda dan memberi tahu Anda bahwa obat baru mereka mengurangi kejadian kardiovaskular sebesar 35%, pertanyaan pertama Anda — "35% relatif atau absolut?" — adalah pertanyaan yang diajarkan EBM (Evidence-Based Medicine) kepada dunia kedokteran.
Desain Studi & Hierarki Bukti
Sebelum Anda menafsirkan hasil apa pun, Anda perlu mengetahui dari mana asalnyaDesain penelitian yang berbeda menjawab pertanyaan yang berbeda, menghasilkan statistik yang berbeda, dan memiliki tingkat keandalan yang berbeda.
Piramida Bukti
Bukti terkuat di bagian atas; bukti terlemah di bagian bawah.
⬆ Bukti terkuat | ⬇ Bukti terlemah
| Desain studi | Kepemimpinan | terbaik Untuk | Menghasilkan | Kelemahan Utama |
|---|---|---|---|---|
| Tinjauan Sistematis / Meta-Analisis | - | Bukti terbaik secara keseluruhan untuk suatu pertanyaan | Ukuran efek gabungan | Kualitasnya hanya sebaik studi yang mendasarinya; heterogenitas |
| RCT (Uji Coba Terkontrol Secara Acak) | Depan | Apakah pengobatan X berhasil? | RR, ARR, NNT | Mahal, lingkungan buatan, masalah etika |
| Studi Kelompok | Maju (prospektif) atau mundur (retrospektif) | Apakah paparan menyebabkan hasil? Insiden? | Risiko Relatif (RR), Insiden | Pengurangan jumlah karyawan; mahal dalam jangka panjang; membingungkan |
| Studi Kasus-Kontrol | Ke belakang | Penyakit langka; faktor risiko | Rasio Peluang (OR) | Bias ingatan; tidak dapat menghitung insiden secara langsung. |
| Studi Cross-Sectional | Cuplikan tunggal | Seberapa umumkah X saat ini? (prevalensi) | kelaziman | Tidak dapat menetapkan hubungan sebab-akibat; ambiguitas temporal. |
| Laporan Kasus / Opini Ahli | - | Pembentukan hipotesis; peristiwa langka | Deskripsi saja | Sangat rentan terhadap bias; tidak dapat digeneralisasikan. |
📖 Penelitian Kualitatif vs Kuantitatif
Menjawab pertanyaan "berapa banyak" atau "seberapa besar". Menggunakan angka, statistik, dan data terstruktur. Contoh: RCT, studi kohort, survei dengan hasil numerik. Menghasilkan nilai p, CI, NNT.
Menjawab pertanyaan "mengapa" atau "bagaimana". Menggunakan kata-kata, tema, dan wawancara. Contoh: kelompok fokus, studi etnografi, teori dasar. Menjelajahi pengalaman dan keyakinan pasien.
🔬 Tinjauan Sistematis vs Meta-Analisis — Bukan Hal yang Sama
Tinjauan Sistematis: Penelusuran literatur yang ketat dan terstruktur yang mengidentifikasi, memilih, dan menilai secara kritis semua studi yang relevan tentang suatu pertanyaan. Hasilnya adalah ringkasan kualitatif dari bukti-bukti tersebut.
Analisis Meta: Sebuah tinjauan sistematis yang melangkah lebih jauh — yaitu secara matematis Hasil kuantitatif dari berbagai studi digabungkan menjadi satu estimasi gabungan. Tidak semua tinjauan sistematis menyertakan meta-analisis (misalnya, jika studi terlalu heterogen untuk digabungkan).
🔄 Kerangka Kerja PICO
PICO adalah kerangka kerja standar untuk menyusun pertanyaan penelitian klinis — yang digunakan untuk menelusuri literatur dan merancang studi.
| Surat | Berdiri untuk | Example |
|---|---|---|
| P | Populasi / Pasien | Orang dewasa dengan diabetes tipe 2 |
| I | Intervensi | penghambat SGLT2 |
| C | Perbandingan | Metformin saja |
| O | Hasil | Kejadian kardiovaskular dalam 5 tahun |
🎲 Fitur Desain RCT (yang umum diuji)
| Fitur | Apa artinya | Mengapa hal itu penting |
|---|---|---|
| Pengacakan | Peserta dialokasikan ke dalam kelompok secara acak. | Menghilangkan bias seleksi; menyeimbangkan faktor pengganggu |
| Tirai tunggal | Para peserta tidak mengetahui alokasi mereka. | Mengurangi efek plasebo dan bias partisipan |
| buta ganda | Baik peserta maupun peneliti tidak mengetahui alokasi tersebut. | Menghilangkan bias pengamat DAN bias partisipan |
| Buta tiga lapis | Peserta, peneliti, DAN analis data tidak mengetahui identitas peserta. | Pengurangan bias maksimum |
| Intention to Treat (ITT) | Dianalisis dalam kelompok asalnya tanpa memperhatikan kepatuhan. | Mempertahankan pengacakan; mencerminkan penggunaan di dunia nyata. |
| Sesuai Protokol | Hanya dianalisis jika mereka telah menyelesaikan protokol. | Menunjukkan kemanjuran biologis tetapi melebih-lebihkan manfaat di dunia nyata. |
| Desain crossover | Peserta menerima kedua perawatan secara berurutan. | Setiap orang bertindak sebagai pengendali diri sendiri; membutuhkan periode jeda. |
| Penyembunyian alokasi | Orang yang merekrut peserta tidak dapat melihat kelompok mana yang akan ditugaskan kepada peserta berikutnya sampai setelah mereka telah terdaftar | Mencegah perekrut secara tidak sadar (atau sengaja) mengalokasikan pasien yang lebih sehat ke kelompok perlakuan — suatu bentuk bias seleksi yang tidak dapat dicegah hanya dengan pengacakan saja. |
| Uji Klinis Acak Berkelompok | Seluruh kelompok (misalnya praktik dokter umum, bangsal, sekolah) diacak, bukan individu. | Digunakan ketika pengacakan individu tidak praktis (misalnya, menguji gaya konsultasi baru). Membutuhkan ukuran sampel yang lebih besar dan penyesuaian statistik untuk efek pengelompokan. |
Niat untuk mengobati memberikan hasil yang lebih baik. konservatif Estimasi efektivitas (lebih rendah) — karena mencakup peserta yang tidak patuh. Ini adalah analisis yang lebih disukai untuk pengambilan keputusan klinis. Per protokol melebih-lebihkan efektivitas tetapi berguna untuk memahami mekanisme biologis.
⚖️ Uji Coba Superioritas, Non-Inferioritas & Kesetaraan
Tidak semua uji klinis mengajukan pertanyaan yang sama. AKT terkadang menguji apakah Anda memahami apa yang sebenarnya dirancang untuk ditunjukkan oleh suatu uji klinis — dan mengapa hal itu penting dalam menafsirkan hasilnya.
| Jenis Percobaan | Pertanyaan yang Diajukan | Konteks Umum |
|---|---|---|
| Uji superioritas | Apakah pengobatan baru ini? lebih baik dari komparatornya?" | Sebagian besar RCT standar — menguji obat atau pendekatan yang benar-benar baru |
| Uji non-inferioritas | Apakah pengobatan baru ini? tidak lebih buruk dari apakah pembandingnya lebih dari margin kecil yang telah ditentukan sebelumnya? | Obat baru dengan efek samping lebih sedikit, biaya lebih rendah, atau lebih mudah diberikan — tujuannya adalah untuk menunjukkan bahwa obat tersebut "cukup baik". |
| Uji kesetaraan | "Apakah kedua perawatan tersebut pada dasarnya sama?" | Obat biosimilar; obat generik; berbagai rute pemberian. |
Antikoagulan baru mungkin terbukti "tidak kalah" dibandingkan warfarin untuk pencegahan stroke — tidak lebih baik, tetapi tidak secara signifikan lebih buruk — sekaligus lebih mudah digunakan (tidak perlu pemantauan INR). Itu adalah temuan yang berharga secara klinis meskipun obat tersebut tidak "mengalahkan" warfarin. AKT mungkin akan meminta Anda untuk menafsirkan hasil uji non-inferioritas dengan benar.
Uji non-inferioritas yang menunjukkan "tidak ada perbedaan signifikan" adalah tidak Sama halnya dengan uji superioritas yang menunjukkan "tidak ada perbedaan signifikan." Dalam uji superioritas, hasil yang tidak signifikan berarti Anda gagal membuktikan bahwa obat baru tersebut bekerja lebih baik. Dalam uji non-inferioritas, perbedaan yang tidak signifikan adalah persis seperti yang Anda harapkan.
Bias, Validitas, dan Reliabilitas Penelitian
| Jenis Bias | Definisi | Desain Studi Mana yang Digunakan? | Cara Menguranginya |
|---|---|---|---|
| Bias Seleksi | Peserta tidak mewakili populasi sasaran. | Semua jenis | Pengacakan; pengambilan sampel yang cermat |
| Ingat Bias | Kasus (orang yang menderita penyakit) mengingat paparan masa lalu dengan lebih jelas daripada kelompok kontrol. | Studi kasus-kontrol | Sumber data objektif; kuesioner terstandarisasi |
| Bias Publikasi | Studi yang menunjukkan hasil positif/signifikan lebih sering dipublikasikan daripada studi yang menunjukkan hasil negatif. | Meta-analisis (terdeteksi melalui plot corong) | Registrasi uji klinis; pencarian literatur abu-abu |
| Bias Atrisi | Hilangnya peserta selama tindak lanjut akan memengaruhi hasil (peserta yang putus studi berbeda dengan peserta yang menyelesaikan studi). | Studi kohort, RCT | Analisis intention-to-treat; meminimalkan angka putus sekolah. |
| Bias Waktu Tunggu | Pemeriksaan skrining memberikan ilusi peningkatan angka harapan hidup dengan mendeteksi penyakit lebih awal. | Studi penyaringan | Gunakan angka kematian spesifik penyakit, bukan angka kelangsungan hidup sejak diagnosis. |
| Bias Panjang | Pemeriksaan skrining mendeteksi penyakit yang pertumbuhannya lebih lambat (kurang agresif). | Studi penyaringan | Uji klinis acak (RCT) dengan hasil spesifik penyakit. |
| Bias Pengamat / Penilaian | Pengetahuan tentang alokasi pengobatan memengaruhi penilaian hasil. | RCT | Menyilaukan (tunggal, ganda, rangkap tiga) |
| Efek Hawthorne | Para peserta mengubah perilaku mereka karena mereka tahu bahwa mereka sedang diamati. | Semua jenis, terutama observasional. | Kelompok kontrol; pengamat buta |
| Bias Verifikasi | Hanya pasien dengan hasil tes positif yang mendapatkan tes konfirmasi standar emas — sehingga sensitivitas tampak tinggi secara keliru dan spesifisitas tampak rendah secara keliru. | Studi uji diagnostik | Pastikan semua pasien (positif dan negatif) menerima tes standar emas. |
| Perancu | Variabel ketiga dikaitkan dengan paparan dan hasil, sehingga mendistorsi hubungan yang tampak. | Studi observasi | Pengacakan (RCT); stratifikasi; analisis multivariat |
🔀 Membingungkan — Ketika Dua Hal Tampak Terkait Tetapi Sebenarnya Tidak
Faktor pengganggu (confounding) adalah salah satu konsep terpenting dalam metodologi penelitian — dan salah satu alasan paling umum mengapa temuan observasional yang tampaknya meyakinkan ternyata salah. Ide kuncinya sederhana: Dua hal dapat tampak saling terkait bukan karena keduanya secara langsung memengaruhi satu sama lain, tetapi karena keduanya terhubung dengan variabel ketiga yang tersembunyi.
A faktor pengganggu (atau variabel pengganggu) adalah variabel ketiga yang secara independen terkait dengan kedua paparan ke Hasilnya. Hal ini menciptakan asosiasi palsu (semu) — atau menutupi asosiasi yang sebenarnya — antara paparan dan hasil yang Anda teliti.
Contoh Klasik
| Kaitan yang Tampak | Pengganggu | Mengapa Ini Menjelaskan Segalanya |
|---|---|---|
| Penjualan es krim → kematian akibat tenggelam | Cuaca panas (musim panas) | Cuaca panas menyebabkan orang lebih banyak makan es krim DAN lebih banyak berenang → lebih banyak kasus tenggelam. Es krim tidak menyebabkan tenggelam. |
| Konsumsi kopi → kanker paru-paru | Merokok | Perokok rata-rata minum lebih banyak kopi. Studi awal mengaitkan kopi dengan kanker — sampai faktor merokok dikendalikan. |
| Membawa korek api → kanker paru-paru | Merokok | Perokok membawa korek api. Korek api tidak memiliki efek biologis — merokoklah yang memiliki efek biologis. |
| Rambut beruban → penyakit jantung | Usia | Baik rambut beruban maupun penyakit jantung meningkat seiring bertambahnya usia. Usia adalah faktor pengganggu—bukan warna rambut. |
| Ukuran sepatu → kemampuan membaca (pada anak-anak) | Usia | Anak yang lebih besar memiliki ukuran kaki yang lebih besar DAN kemampuan membaca yang lebih baik. Usia menjelaskan keduanya. |
Suatu variabel disebut variabel pengganggu jika memenuhi kriteria tertentu. ketiganya dari ini:
- Hal ini terkait dengan pencahayaan (hal yang sedang kamu pelajari)
- Hal ini terkait dengan hasil bisni (hasil yang Anda ukur)
- Hal ini tidak pada jalur kausal antara paparan dan hasil (ini adalah variabel ketiga yang terpisah, bukan langkah di antaranya)
- Pengacakan (dalam RCT) — mendistribusikan faktor perancu yang diketahui dan tidak diketahui secara merata di antara kelompok. Ini adalah perlindungan terkuat.
- Pembatasan — hanya libatkan peserta yang memiliki kesamaan pada faktor pengganggu (misalnya, hanya bukan perokok dalam penelitian kopi)
- Sesuai — memasangkan kasus dan kontrol pada variabel pengganggu
- Stratifikasi — menganalisis hasil secara terpisah untuk setiap tingkat variabel pengganggu
- Penyesuaian statistik multivariat — memperhitungkan beberapa faktor pengganggu secara statistik secara bersamaan
Dalam uji coba acak terkontrol (RCT) yang dilakukan dengan baik, pengacakan mendistribusikan faktor perancu (baik yang diketahui maupun yang tidak diketahui) secara merata di antara kelompok — menghilangkan perancuan sebagai penjelasan atas perbedaan. Dalam studi kohort dan studi kasus-kontrol, Anda hanya dapat menyesuaikan faktor perancu yang Anda ketahui dan telah diukur. Faktor perancu yang tidak terukur selalu tetap menjadi penjelasan potensial untuk setiap asosiasi yang diamati — itulah sebabnya studi observasional tidak pernah dapat membuktikan sebab-akibat secara definitif.
✅ Validitas & Reliabilitas — Apa Perbedaannya?
Apakah penelitian ini mengukur apa yang diklaimnya dalam populasi penelitian? Apakah hasil dari ini Apakah penelitian ini dapat dipercaya? Terancam oleh bias dan faktor pengganggu.
Apakah hasilnya dapat diterapkan pada populasi lain atau lingkungan dunia nyata? Uji coba terkontrol acak (RCT) yang sangat ketat di pusat spesialis mungkin tidak mencerminkan apa yang terjadi di layanan kesehatan primer.
Apakah tes tersebut menghasilkan hasil yang konsisten ketika diulang dalam kondisi yang sama? Diukur dengan reliabilitas antar penilai (statistik kappa) atau reliabilitas tes-ulang.
Mengukur kesepakatan antara dua penilai di luar peluang acak. κ = 1 (kesepakatan sempurna); κ = 0 (kesepakatan tidak lebih baik dari peluang acak); κ < 0 (lebih buruk dari peluang acak).
Mengukur Risiko & Efek Pengobatan
Ini adalah area yang paling banyak diuji Dalam ujian statistik AKT, Anda perlu menguasai rumus-rumus ini dengan baik dan mampu menerapkannya pada tabel data percobaan dalam kondisi ujian.
Metrik Utama
📊 Interpretasi NNT — Apa Arti Sebenarnya dari Angka-angka Tersebut?
NNT memberi tahu Anda berapa banyak pasien yang perlu Anda obati. satu untuk mendapatkan manfaat. Jadi sedikit Semakin banyak pasien yang perlu diobati untuk mendapatkan satu manfaat, semakin efektif pengobatannya. NNT = 2 berarti 1 dari setiap 2 pasien mendapatkan manfaat — itu sangat baik. NNT = 100 berarti hanya 1 dari 100 pasien yang mendapatkan manfaat — jauh lebih lemah.
| Rentang NNT | Interpretasi Kasar | Contoh Konteks |
|---|---|---|
| <10 | Sangat efektif | Antibiotik untuk infeksi tertentu; beberapa pengobatan akut. |
| 10 - 50 | Efek sedang | Banyak obat pencegahan umum |
| > 100 | Efek lemah | Beberapa strategi pencegahan tingkat populasi |
Ambang batas ini adalah tidak dari NICE atau RCGP — itu hanya alat bantu pengajaran kasar. NNT yang "benar" selalu bergantung pada konteks:
- NNT dari 100 mungkin masih layak jika hasil yang dicegah adalah kematian atau kerusakan serius yang tidak dapat dipulihkan
- NNT dari 5 mungkin tidak dapat diterima jika pengobatan tersebut memiliki efek samping yang sering atau serius
Aturan satu baris: NNT (Number Needed to Treat) memberi tahu Anda berapa banyak pasien yang perlu diobati agar satu pasien mendapatkan manfaat — nilai yang lebih rendah berarti efek yang lebih kuat. Namun, selalu pertimbangkan hal ini terhadap tingkat keparahan hasil dan beban pengobatan.
Jika 60 dari 100 pasien mendapat manfaat, itu berarti ARR sebesar 60% (= 0.6), sehingga NNT = 1 ÷ 0.6 ≈ 1.7 — hasil yang sangat baik. NNT bukanlah jumlah orang yang mendapat manfaat; melainkan jumlah orang yang Anda obati untuk mendapatkan manfaat. satu manfaat.
📖 Rasio Peluang & Rasio Bahaya — Kapan Ini Digunakan?
| Mengukur | Digunakan dalam | Interpretasi |
|---|---|---|
| Risiko Relatif (RR) | Studi kohort, RCT | Membandingkan risiko secara langsung pada dua kelompok. Lebih intuitif daripada OR (Odds Ratio). |
| Rasio Peluang (OR) | Studi kasus-kontrol | Membandingkan peluang paparan pada kasus versus kontrol. Memperkirakan RR (risiko relatif) ketika penyakit jarang terjadi. |
| Rasio Bahaya (SDM) | Analisis kelangsungan hidup (waktu hingga kejadian) | Mirip dengan RR tetapi memperhitungkan ketika Peristiwa terjadi seiring waktu. HR <1 = risiko berkurang pada kelompok perlakuan. |
Untuk penyakit umum, OR melebih-lebihkan risiko dibandingkan dengan RR. Untuk penyakit langka (prevalensi <10%), keduanya hampir sama. Studi kasus-kontrol menghasilkan OR — Anda tidak bisa menghitung insiden atau RR secara langsung dari studi kasus-kontrol.
🧮 Contoh Soal — Menghitung NNT dari Data Percobaan
🎯 Skenario: Uji Coba Statin
Uji klinis acak (RCT) selama 5 tahun menunjukkan bahwa di antara pasien dengan risiko kardiovaskular tinggi: 6% pada kelompok plasebo mengalami serangan jantung, dibandingkan dengan 4% pada kelompok statin.
Merawat 50 pasien selama 5 tahun untuk mencegah 1 serangan jantung.
Terdengar mengesankan! Tetapi manfaat absolutnya hanya 2%.
Kelompok yang mengonsumsi statin memiliki 67% risiko dibandingkan kelompok plasebo — pengurangan relatif sebesar 33%.
Ketika pasien bertanya "Apakah statin ini akan membantu saya?", gunakan NNT. "Jika 50 orang seperti Anda mengonsumsi tablet ini selama 5 tahun, 1 serangan jantung akan dicegah. Bagi Anda secara pribadi, ini merupakan manfaat absolut sebesar 2%." Itu jauh lebih jujur daripada "Ini mengurangi risiko Anda sebesar 33%."
💬 Mengkomunikasikan Risiko kepada Pasien (Favorit AKT)
Tes AKT sering menguji bagaimana Anda menjelaskan informasi statistik kepada pasien. Ada empat format utama:
| Orientasi | Example | terbaik Untuk |
|---|---|---|
| Frekuensi alami | "5 dari setiap 100 orang" | Paling mudah dipahami oleh pasien. |
| Persentase | "5% orang" | Banyak digunakan tetapi bisa menyesatkan |
| NNT | "Obati 20 kali untuk mencegah 1 kejadian" | Mengkomunikasikan manfaat absolut dengan jelas. |
| Plot Cates | Kisi visual 100 wajah | Alat bantu visual terbaik untuk pengambilan keputusan bersama. |
Mengatakan "ini mengurangi risiko Anda sebesar 33%" tanpa memberikan risiko dasar adalah menyesatkan. RRR 33% dari risiko dasar 0.3% berarti manfaat absolut Anda adalah 0.1%. Selalu pasangkan RRR dengan risiko dasar atau berikan ARR/NNT sebagai gantinya.
💊 Trik Perwakilan Farmasi — Bagaimana Perusahaan Obat Memanipulasi Statistik
Perwakilan perusahaan farmasi dilatih untuk menyajikan data uji klinis dengan cara yang paling menguntungkan. Mereka menggunakan trik statistik yang sederhana namun efektif:
- Manfaat → dikutip sebagai Pengurangan Risiko Relatif (RRR) — karena kedengarannya lebih besar dan lebih mengesankan
- Kerugian → dikutip sebagai Peningkatan Risiko Absolut (ARI) — karena kedengarannya lebih kecil dan kurang mengkhawatirkan
Contoh Kasus Fiktif — kunjungan perwakilan statin fiktif
Obat statin baru mengurangi serangan jantung dari 2% menjadi 1% selama 5 tahun, tetapi meningkatkan miopati dari 1% menjadi 2%.
Penawarnya: selalu bertanya — "Apa perbedaan absolutnya?" Saat perwakilan menyebutkan angka relatif, konversikan sendiri: ARR = CER − EER, maka NNT = 1 ÷ ARR. Ini berlaku sama untuk manfaat. ke bahaya.
Pengujian dan Penyaringan Diagnostik — Tabel 2×2
Tabel kontingensi 2×2 adalah dasar dari semua statistik diagnostik. Jika Anda dapat membuat dan membaca tabel ini, Anda dapat menjawab sebagian besar pertanyaan diagnostik AKT.
Tabel 2×2
| STATUS PENYAKIT SEBENARNYA | ||
|---|---|---|
| HASIL TES | Penyakit Menghadirkan | Penyakit Absen |
| Hasil Tes Positif | Benar Positif (TP) Hasil tes mengatakan YA → mengidap penyakit ✓ |
Positif Palsu (FP) Hasil tes mengatakan YA → tidak ada penyakit ✗ |
| Hasil Tes Negatif | Negatif Palsu (FN) Hasil tes mengatakan TIDAK → mengidap penyakit ✗ |
Negatif Benar (TN) Hasil tes mengatakan TIDAK → tidak ada penyakit ✓ |
🧠 SnNout & SpPin — Alat Bantu Memori (dan Mengapa Alat Ini Efektif)
Snkeluar: Sangat Sentes positif, jika Nnegatif, menetralkan penyakit Di luar.
Jika sensitivitas sangat tinggi, hasil tes negatif berarti penyakit tersebut sangat tidak mungkin terjadi (tingkat false-negative rendah). Gunakan tes yang sensitif untuk skrining dan menyingkirkan kemungkinan penyakit.
Spdalam: Sangat Sptes spesifik, jika Ppositif, mengatur penyakit In.
Jika spesifisitas sangat tinggi, hasil tes positif berarti penyakit sangat mungkin terjadi (tingkat positif palsu rendah). Gunakan tes spesifik untuk mengkonfirmasi diagnosis.
📊 Pengaruh Prevalensi terhadap PPV & NPV — Topik AKT yang Penting
Ini adalah salah satu konsep terpenting dan paling banyak diuji dalam statistik diagnostik. Sensitivitas dan spesifisitas adalah sifat tetap dari tes tersebut. Tetapi PPV dan NPV berubah secara dramatis tergantung pada seberapa umum penyakit tersebut dalam populasi yang Anda uji.
| Contoh | kelaziman | PPV | NPV |
|---|---|---|---|
| Melakukan skrining pada populasi umum untuk penyakit langka (misalnya HIV pada kelompok berisiko rendah) | 1% | RENDAH (~16%) | TINGGI (~99.9%) |
| Pemeriksaan di klinik spesialis risiko tinggi | 50% | TINGGI (~95%) | TINGGI (~95%) |
- Seiring meningkatnya prevalensi, PPV (Positive Predictive Value) meningkat, dan NPV (Negative Predictive Value) menurun.
- Seiring dengan penurunan prevalensi, PPV menurun, dan NPV meningkat.
- Pada populasi dengan prevalensi rendah, sebagian besar hasil positif adalah positif palsu (PPV rendah) — bahkan dengan tes yang sangat spesifik.
- Hasil tes negatif pada populasi dengan prevalensi tinggi mungkin masih melewatkan penyakit (NPV lebih rendah).
📐 Rasio Kemungkinan — Saat Anda Ingin Melangkah Lebih Jauh
Rasio kemungkinan (likelihood ratio/LR) menggabungkan sensitivitas dan spesifisitas menjadi satu angka yang menunjukkan seberapa besar hasil tes menggeser probabilitas penyakit. Lebih canggih daripada PPV/NPV, tetapi berguna — dan terkadang diuji dalam AKT.
| LR+ | Pengaruh pada Probabilitas Pasca-Uji |
|---|---|
| > 10 | Peningkatan probabilitas yang besar dan seringkali meyakinkan. |
| 5-10 | Peningkatan sedang |
| 2-5 | Peningkatan kecil |
| 1 | Tidak ada perubahan (tes ini tidak berguna) |
| 0.1-0.5 | Penurunan kecil hingga sedang |
| Penurunan besar — penolakan negatif yang kuat |
Statistik Populasi & Epidemiologi
📊 Rasio Mortalitas Standar (SMR)
| Nilai SMR | Interpretasi |
|---|---|
| = 100 | Angka kematian sama dengan populasi referensi. |
| > 100 | Angka kematian berlebih (lebih tinggi dari yang diperkirakan) |
| <100 | Angka kematian lebih rendah dari yang diperkirakan. |
🎯 Penyaringan — Bias Waktu Tunggu & Panjang (Jebakan AKT Utama)
Pemeriksaan skrining mendeteksi penyakit lebih awal, sehingga seolah-olah angka harapan hidup meningkat — meskipun pasien meninggal pada saat yang sama. "Waktu bertahan hidup sejak diagnosis" hanya diperpanjang oleh deteksi dini, bukan oleh manfaat pengobatan yang sebenarnya. Pasien tidak hidup lebih lama; mereka hanya mengetahuinya lebih lama.
Program skrining lebih mungkin mendeteksi penyakit yang tumbuh lambat dan jinak (yang memiliki "fase praklinis yang dapat dideteksi lebih lama") daripada penyakit agresif yang berkembang dengan cepat. Hal ini membuat skrining tampak lebih efektif daripada kenyataannya untuk penyakit yang parah.
✅ Kriteria Penyaringan Wilson & Jungner
Sebelum program penyaringan diperkenalkan, program tersebut harus memenuhi kriteria Wilson & Jungner (awalnya diterbitkan tahun 1968, masih menjadi kerangka kerja standar). AKT menguji pengetahuan tentang kriteria ini dan penerapannya pada berbagai skenario.
| # | Kriterium | Apa Artinya dalam Praktik |
|---|---|---|
| 1 | Masalah kesehatan penting | Kondisi ini memiliki angka kesakitan atau kematian yang signifikan — sehingga perlu dilakukan pemeriksaan skrining. |
| 2 | Perawatan yang diterima tersedia | Tidak ada gunanya mendeteksi penyakit yang tidak dapat diobati. |
| 3 | Fasilitas untuk diagnosis & pengobatan tersedia. | Infrastruktur harus tersedia sebelum peluncuran. |
| 4 | Dapat dikenali sebagai stadium laten atau awal. | Penyakit tersebut harus memiliki fase pragejala yang dapat dideteksi. |
| 5 | Tes yang sesuai tersedia. | Tes harus dapat diterima oleh masyarakat, aman, dan cukup akurat. |
| 6 | Tes yang dapat diterima oleh populasi | Orang-orang harus bersedia menjalani tes tersebut — tes yang invasif atau tidak nyaman dapat menghambat partisipasi. |
| 7 | Sejarah alam dipahami dengan baik. | Harus mengetahui bagaimana penyakit ini berkembang jika tidak diobati. |
| 8 | Kebijakan yang disepakati tentang siapa yang akan diobati | Diperlukan protokol yang jelas — bukan hanya deteksi tetapi juga apa yang terjadi selanjutnya. |
| 9 | Hemat biaya | Biaya untuk menemukan setiap kasus harus diimbangi dengan manfaatnya. |
| 10 | Proses berkelanjutan, bukan sekali jadi | Pemeriksaan harus terus dilakukan — angka kejadian penyakit terus meningkat. |
Pemeriksaan PSA untuk kanker prostat adalah tidak Ini merupakan bagian dari program skrining nasional NHS justru karena program ini kesulitan memenuhi kriteria 5 dan 7: PSA bukanlah tes yang cukup akurat (spesifisitas rendah → banyak hasil positif palsu), dan riwayat alami banyak kanker prostat tingkat rendah berarti kanker tersebut tidak akan pernah menimbulkan gejala selama masa hidup pasien. Hal ini terkait langsung dengan diagnosis berlebihan (lihat di bawah).
🔍 Diagnosis Berlebihan — Menemukan Masalah yang Sebenarnya Tidak Akan Menimbulkan Masalah
Overdiagnosis terjadi ketika penyakit sungguhan terdeteksi — penyakit yang benar-benar ada — tetapi penyakit tersebut seharusnya tidak terdeteksi. tidak pernah menyebabkan gejala, bahaya, atau kematian selama masa hidup pasien jika tidak terdeteksi. Ini bukan positif palsu (penyakitnya nyata); ini adalah positif sejati yang sebenarnya tidak perlu ditemukan.
Diagnosis berlebihan mengubah orang sehat menjadi pasien. Hal ini membuat mereka terpapar kecemasan, efek samping, dan risiko pengobatan untuk kondisi yang sebenarnya tidak akan pernah membahayakan mereka. Ini adalah salah satu dampak negatif terpenting dari program skrining — dan salah satu yang diuji langsung oleh AKT.
| Kondisi | Contoh Diagnosis Berlebihan |
|---|---|
| Kanker prostat | Banyak kanker tingkat rendah yang terdeteksi oleh PSA tidak akan pernah berkembang atau menimbulkan gejala — pria meninggal dunia. dengan mereka tidak dari mereka |
| Kanker tiroid | Ultrasonografi dapat mendeteksi kanker tiroid papiler kecil yang hampir selalu jinak — deteksi telah meningkat pesat tetapi angka kematian tidak berubah. |
| DCIS (payudara) | Karsinoma duktal in situ yang terdeteksi melalui mammografi — beberapa di antaranya tidak akan pernah berkembang menjadi kanker invasif. |
Diagnosis berlebihan = menemukan penyakit yang sebenarnya tidak perlu ditemukan. Perawatan berlebihan = mengobati penyakit yang sebenarnya tidak perlu diobati (yang mungkin terjadi akibat diagnosis berlebihan, atau mungkin terjadi secara independen). Keduanya merupakan konsep yang terkait namun berbeda.
🔢 Standardisasi Usia
Saat membandingkan angka penyakit atau mortalitas antara populasi yang berbeda (misalnya, negara yang berbeda, periode waktu yang berbeda), Anda perlu menyesuaikan dengan fakta bahwa populasi tersebut mungkin memiliki distribusi usia yang berbeda. Populasi yang lebih tua secara alami akan memiliki mortalitas yang lebih tinggi meskipun kesehatan mereka sama baiknya.
Standardisasi usia adalah teknik statistik yang menghilangkan efek distorsi dari perbedaan distribusi usia ketika membandingkan hasil kesehatan antar populasi. Teknik ini menghasilkan angka yang akan diamati jika kedua populasi memiliki struktur usia yang sama ("populasi standar").
🎗️ Statistik Kanker — Hal-hal Penting yang Harus Anda Ketahui dari AKT
AKT terkadang menguji statistik kanker tertentu. Anda tidak perlu memiliki pengetahuan onkologi yang mendalam — tetapi angka-angka utama ini muncul dan layak untuk diketahui.
| Kanker | Statistik Utama | Mengapa hal itu penting |
|---|---|---|
| Kanker testis | Tingkat kelangsungan hidup 10 tahun >98% | Salah satu jenis kanker yang paling mudah diobati — penting untuk diketahui dalam memberikan konseling kepada pria muda. |
| Kanker paru-paru | Penyebab utama kematian akibat kanker (Inggris Raya) | Meskipun bukan kanker yang paling umum, kanker ini membunuh lebih banyak orang daripada jenis kanker lainnya. |
Kanker bisa memiliki risiko tinggi. insidensi (umum) tetapi rendah kematian (dapat diobati), seperti kanker payudara. Atau bisa juga memiliki insidensi yang lebih rendah tetapi angka kematian yang sangat tinggi, seperti kanker pankreas. AKT mungkin akan menguji kemampuan Anda untuk menafsirkan statistik kanker dengan benar — jangan berasumsi bahwa kanker yang paling umum adalah yang paling mematikan.
⚖️ Ketidaksetaraan Kesehatan
Ketidaksetaraan kesehatan menggambarkan perbedaan kesehatan yang tidak adil dan dapat dihindari antara kelompok orang yang berbeda. Hal ini merupakan fokus penting kebijakan kesehatan masyarakat Inggris dan muncul dalam AKT dalam konteks epidemiologi dan determinan sosial kesehatan.
Ketidaksetaraan kesehatan adalah perbedaan yang tidak adil dan dapat dihindari dalam status kesehatan atau dalam distribusi penentu kesehatan antara kelompok populasi yang berbedaHal-hal tersebut "dapat dihindari" karena berasal dari kondisi sosial, ekonomi, atau lingkungan yang pada prinsipnya dapat diubah — bukan dari kebetulan atau variasi biologis.
| Tipe | Contoh di Inggris |
|---|---|
| Sosial ekonomi | Harapan hidup lebih rendah di daerah-daerah miskin; tingkat penyakit kardiovaskular, diabetes, dan penyakit mental lebih tinggi di masyarakat miskin. |
| Geografis | "Perbedaan Utara-Selatan" — hasil kesehatan yang lebih buruk di beberapa bagian Inggris Utara dibandingkan dengan Selatan. |
| Kesukuan | Tingkat diabetes tipe 2 yang lebih tinggi pada populasi Asia Selatan; risiko kardiovaskular yang lebih tinggi pada populasi kulit hitam. |
| Gender | Laki-laki memiliki harapan hidup yang lebih rendah, tetapi perempuan memiliki lebih banyak tahun dalam kondisi sakit (morbiditas). |
Distribusi Data & Signifikansi Statistik
Ukuran Tendensi Sentral
| Mengukur | Definisi | Paling Baik Digunakan Saat | Awas |
|---|---|---|---|
| Berarti | Jumlah semua nilai ÷ jumlah nilai | Data terdistribusi normal | Mudah dipengaruhi oleh data pencilan |
| rata-rata | Nilai tengah ketika diurutkan. Jika ada bilangan genap Dari berbagai nilai, median adalah rata-rata dari dua angka tengah. | Data yang bias (misalnya pendapatan, lama rawat inap di rumah sakit) | Mengabaikan nilai sebenarnya pada titik ekstrem. |
| mode | Nilai yang paling sering muncul | Data kategorikal; distribusi bimodal | Bisa jadi tidak bermakna dengan data kontinu. |
| Jarak | Maksimum − Minimum | Penyebaran yang cepat | Sepenuhnya ditentukan oleh data pencilan. |
| IQR (Rentang Antar Kuartil) | Persentil ke-75 − persentil ke-25 | Dipasangkan dengan median untuk data miring | Mengabaikan 25% atas dan bawah. |
| Standar Deviasi (SD) | Sebaran rata-rata dari nilai rata-rata | Data berdistribusi normal | Menyesatkan jika data tidak terdistribusi secara normal. |
🗂️ Jenis Data — Nominal, Ordinal, Interval, Rasio
Memahami apa mengetik Jenis data yang Anda miliki menentukan statistik ringkasan dan uji statistik mana yang tepat. AKT menguji hal ini — biasanya dengan menyajikan kumpulan data dan menanyakan uji atau ukuran mana yang harus digunakan.
| Tipe | Definisi | contoh | Analogi |
|---|---|---|---|
| Nominal | Kategori tanpa urutan alami | Golongan darah (A, B, AB, O); jenis kelamin; warna mata; penyebab kematian | Semangkuk buah — apel dan pisang hanya berbeda, tidak ada yang "lebih" |
| Urut | Kategori-kategori yang terurut, tetapi terdapat celah di antara kategori-kategori tersebut. tidak sama dengan | Klasifikasi gagal jantung NYHA (I–IV); skala nyeri (ringan/sedang/berat); skala Likert | Posisi balapan — ke-1, ke-2, ke-3. Kita tahu urutannya, tetapi selisih antara posisi ke-1 dan ke-2 mungkin sangat berbeda dengan selisih antara posisi ke-2 dan ke-3. |
| Selang | Diurutkan dengan jarak yang sama antar nilai, tetapi tidak ada nol sejati | Suhu dalam °C; tanggal kalender; skor IQ | Termometer — 0°C bukan berarti "tidak ada suhu." Anda tidak bisa mengatakan 20°C "dua kali lebih hangat" daripada 10°C dalam arti absolut apa pun. |
| Perbandingan | Teratur, jarak yang sama, DAN sebuah nol absolut sejati | Tinggi badan, berat badan, tekanan darah, usia, pendapatan, dosis obat | Uang — £0 berarti Anda benar-benar tidak punya apa-apa. £40 dua kali lipat dari £20. |
- Data nominal/ordinal → Gunakan uji non-parametrik, modus atau median untuk menghitung rata-rata.
- Data Interval/Rasio (terdistribusi normal) → dapat menggunakan rata-rata, simpangan baku, uji parametrik
- Kamu tidak dapat menghitung rata-rata secara bermakna untuk data nominal (misalnya "golongan darah rata-rata" adalah omong kosong) atau membuat pernyataan proporsional dengan data interval (Anda tidak dapat mengatakan seseorang dengan IQ 120 "dua kali lebih pintar" daripada seseorang dengan IQ 60)
🔬 Tes Parametrik vs Tes Non-Parametrik
Uji statistik terbagi menjadi dua kelompok tergantung pada asumsi yang dibuat tentang data Anda. Tes AKT menentukan jenis uji mana yang tepat untuk skenario tertentu — Anda tidak perlu melakukan perhitungannya, cukup ketahui kapan harus menggunakan yang mana.
Tes parametrik Asumsikan data berdistribusi normal (atau sampel cukup besar sehingga hal ini tidak terlalu berpengaruh) dan data setidaknya berada pada tingkat interval. Tes non-parametrik Jangan membuat asumsi seperti itu — metode ini bekerja dengan peringkat atau kategori dan cocok untuk data miring, sampel kecil, atau data ordinal/nominal.
| Tujuan | Tes Parametrik | Ekuivalen Non-Parametrik |
|---|---|---|
| Bandingkan rata-rata dari 2 kelompok independen. | Uji-t independen | Tes Mann-Whitney U |
| Membandingkan berarti: kelompok yang sama, 2 titik waktu. | Uji-t berpasangan | Tes peringkat tanda tangan Wilcoxon |
| Bandingkan rata-rata dari 3 kelompok atau lebih. | ANOVA (Analisis Varians) | Tes Kruskal-Wallis |
| Korelasi antara dua variabel kontinu | Korelasi Pearson | Korelasi peringkat Spearman |
| Membandingkan proporsi / data kategorikal | - | Uji chi-kuadrat (χ²) |
- Data adalah miring or tidak terdistribusi normal → gunakan non-parametrik
- Ukuran sampel kecil (dan normalitas tidak pasti) → gunakan non-parametrik
- Data adalah urut (misalnya skor nyeri, Likert) → gunakan metode non-parametrik
- Pembandingan proporsi atau kategori → uji chi-kuadrat
- Sampel besar, kontinu, mendekati normal → uji parametrik cocok
🔔 Distribusi Normal — Aturan 68-95-99.7
Distribusi normal adalah kurva berbentuk lonceng simetris. Rata-rata, median, dan modus semuanya sama dan berada di tengah.
| Jarak | Persentase Nilai yang Termasuk |
|---|---|
| Rata-rata ± 1 SD | 68% |
| Rata-rata ± 2 SD | 95% |
| Rata-rata ± 3 SD | 99.7% |
Dengan data yang miring ke kanan (misalnya pendapatan, waktu tunggu dokter umum, kadar bilirubin serum di suatu bangsal), nilai rata-rata akan tertarik ke kanan karena beberapa nilai outlier yang tinggi. Dalam kasus ini, gunakan rata-rata — ini lebih mewakili nilai tipikal. AKT sangat suka menguji perbedaan ini.
📉 Nilai P & Interval Kepercayaan — Apa Arti Sebenarnya
Nilai P
Nilai p adalah probabilitas mengamati hasil yang setidaknya sama ekstremnya dengan hasil yang terlihat. jika hipotesis nol benar (yaitu jika tidak ada efek nyata). Itu adalah tidak probabilitas bahwa hipotesis nol itu benar.
| p-value | Interpretasi |
|---|---|
| p <0.05 | Signifikan secara statistik — probabilitas hasil ini terjadi secara kebetulan kurang dari 5%. |
| p> 0.05 | Tidak signifikan secara statistik — hasil mungkin disebabkan oleh kebetulan. |
| p = 0.01 | Peluang mendapatkan hasil ini adalah 1% jika tidak ada efek nyata. |
Interval Kepercayaan (CI)
Interval kepercayaan 95% berarti: jika Anda mengulangi penelitian sebanyak 100 kali, maka dalam 95 kali pengulangan tersebut nilai populasi sebenarnya akan berada dalam rentang ini.
- Untuk perbandingan (RR, OR, HR): jika 95% CI mencakup 1.0 → tidak signifikan secara statistik
- Untuk perbedaan (perbedaan rata-rata, ARR): jika 95% CI mencakup 0 → tidak signifikan secara statistik
- Jika interval kepercayaan seluruhnya di atas 1 (untuk rasio) → risiko meningkat secara signifikan
- Jika interval kepercayaan seluruhnya di bawah 1 (untuk rasio) → risiko berkurang secara signifikan
❌ Kesalahan Tipe I & Tipe II — Berteriak 'Serigala Berantakan' vs. Mengabaikan Serigala
Menolak hipotesis nol padahal sebenarnya hipotesis tersebut benar. Dengan kata lain: menyimpulkan bahwa suatu pengobatan berhasil padahal sebenarnya tidak. Tingkat positif palsu. Secara konvensional dapat diterima pada 5% (α = 0.05, p < 0.05).
"Berteriak-teriak seperti serigala" — membunyikan alarm padahal tidak ada serigala.
Gagal menolak hipotesis nol ketika sebenarnya hipotesis tersebut salah. Dengan kata lain: melewatkan efek perlakuan yang sebenarnya. Tingkat negatif palsu. Secara konvensional dapat diterima pada 20% (β = 0.2, daya = 80%).
"Mengabaikan serigala" — mengatakan tidak ada serigala padahal ada.
Daya uji = 1 − β. Ini adalah probabilitas mendeteksi efek sebenarnya dengan benar. Daya uji yang lebih tinggi = kemungkinan lebih kecil untuk melewatkan efek nyata. Daya uji meningkat seiring dengan ukuran sampel yang lebih besar. Uji coba yang dirancang dengan baik membutuhkan daya uji ≥80%.
⚡ Signifikansi Statistik ≠ Pentingnya Klinis
Ini adalah salah satu nuansa terpenting dan paling banyak diuji dalam statistik AKT — dan salah satu yang sering dilewatkan oleh banyak peserta pelatihan.
Hasilnya bisa berupa... signifikan secara statistik (p < 0.05) sementara tidak bermakna secara klinisSignifikansi statistik hanya memberi tahu Anda bahwa hasilnya kemungkinan besar bukan karena kebetulan — itu artinya tidak ada mengenai apakah efeknya cukup besar untuk diperhitungkan dalam praktiknya.
| Contoh | Signifikan secara statistik? | Penting Secara Klinis? |
|---|---|---|
| Tekanan darah turun 1 mmHg, n=50,000, p=0.001 | Ya | Tidak |
| Tekanan darah turun 15 mmHg, n=30, p=0.08 | Tidak | Mungkin iya |
| Tekanan darah turun 12 mmHg, n=500, p=0.02 | Ya | Ya |
Selalu melihat ke ukuran efek (ARR, NNT, perbedaan rata-rata) beserta nilai p dan CI. Interval kepercayaan yang sempit yang tidak mencakup nol atau satu lebih bermakna daripada nilai p saja — interval ini memberi tahu Anda arah dan ketepatan efeknya.
- CI sempit → perkiraan tepat → keyakinan tinggi bahwa nilai sebenarnya mendekati perkiraan titik (biasanya dari sampel besar)
- CI lebar → perkiraan tidak pasti → nilai sebenarnya bisa berada di mana saja dalam rentang yang luas (biasanya dari sampel kecil atau heterogen)
Contoh: RR = 1.5 (95% CI 1.4–1.6) → tepat, meyakinkan. RR = 1.5 (95% CI 0.6–3.8) → lebar, tidak pasti — dan melewati 1.0 sehingga bahkan tidak signifikan.
📈 Regresi ke Rata-Rata — Faktor Pengganggu Tersembunyi dalam Praktik Klinis
Regresi ke nilai rata-rata adalah kecenderungan statistik bahwa pengukuran ekstrem cenderung lebih dekat ke nilai rata-rata pada pengukuran kedua — terlepas dari intervensi apa punIni adalah salah satu sumber kesimpulan yang menyesatkan yang paling kurang dikenali dalam bidang kedokteran.
Pasien sering kali diperiksa atau diobati tepat ketika gejala atau pengukuran mereka berada pada titik terburuknya. Variasi alami berarti pengukuran tersebut kemungkinan akan membaik dengan sendirinya pada pengujian ulang — bukan karena intervensi Anda. Tanpa kelompok kontrol, mustahil untuk membedakan regresi ke nilai rata-rata dari efek pengobatan yang sebenarnya.
| Contoh | Apa yang Tampak Seperti Efek Pengobatan? | Apa yang Sebenarnya Mungkin Terjadi |
|---|---|---|
| Pasien memiliki tekanan darah sangat tinggi pada satu kali pengukuran → mulai minum obat → tekanan darah lebih rendah pada kunjungan berikutnya | Obatnya manjur | Pembacaan pertama mungkin merupakan data yang menyimpang; tekanan darah akan tetap lebih rendah pada pengukuran ulang. |
| Murid mendapat nilai sangat buruk pada ujian → mendapat bimbingan tambahan → mendapat nilai lebih baik di ujian berikutnya | Uang kuliah membantu | Skor rendah tersebut mungkin tidak mewakili kinerja sebenarnya; performa alami cenderung mendekati rata-rata. |
| Pasien dengan eksim kambuh parah mulai menggunakan krim baru → kekambuhan membaik | Krim ini efektif. | Kondisi kambuh yang parah akan membaik seiring waktu tanpa memandang pengobatan. |
- Mengambil beberapa pengukuran dasar dan gunakan nilai rata-rata sebelum memulai perawatan.
- Menggunakan kelompok kontrol — Regresi ke nilai rata-rata memengaruhi kedua kelompok secara sama, sehingga perbedaan apa pun antara kelompok lebih mungkin merupakan efek perlakuan yang sebenarnya.
- Ini adalah salah satu argumen terkuat untuk RCT dibandingkan dengan studi sebelum dan sesudah yang tidak terkontrol.
Grafik Statistik — Apa yang Harus Diperhatikan
AKT secara berkala menyajikan grafik dan meminta Anda untuk menafsirkannya. Belajarlah untuk mengenali fitur utama dalam setiap jenis grafik — jangan mencoba membaca semuanya. Satu pengamatan yang terfokus sudah cukup.
| Tipe Grafik | Penggunaan Utama | Satu Hal yang Harus Dicari |
|---|---|---|
| Petak Hutan | Hasil meta-analisis | Apakah berlian melewati garis vertikal tanpa efek? |
| Plot Corong | Deteksi bias publikasi / pemantauan outlier GP | Apakah alur ceritanya? asimetris? (Kesenjangan = studi yang belum dipublikasikan) |
| Plot Cates | Mengkomunikasikan NNT secara visual kepada pasien. | Hitung wajah berwarna "manfaat"; NNT = 100 ÷ jumlah wajah tersebut |
| Plot L'Abbé | Menjelajahi heterogenitas dalam meta-analisis | Titik pada garis diagonal = efek pengobatan nol |
| Diagram Kotak dan Kumis | Distribusi dan penyebaran data | Garis tengah = rata-rata (tidak berarti); titik di luar garis kumis = outlier |
| Nomogram Fagan | Probabilitas pra-uji → probabilitas pasca-uji | Tarik garis dari probabilitas pra-uji melalui LR untuk membaca probabilitas pasca-uji. |
| Diagram Batang dan Daun | Distribusi — mempertahankan nilai-nilai asli | Mirip dengan histogram tetapi menampilkan titik data individual. |
| Kurva Kaplan-Meier | Analisis kelangsungan hidup — waktu hingga kejadian | Langkah-langkah menurun ketika peristiwa terjadi; kurva yang menyimpang sejak awal dan tetap terpisah menunjukkan manfaat pengobatan yang berkelanjutan. |
| Histogram | Distribusi data kontinu | Bentuk kurva: simetris = distribusi normal; miring = gunakan median, bukan rata-rata. |
🌲 Lahan Hutan — Secara Detail
- Setiap persegi = satu studi. Ukuran persegi = bobot studi (biasanya ditentukan oleh ukuran sampel)
- Garis horisontal = Interval kepercayaan 95% untuk penelitian tersebut
- Berlian Di bagian bawah = estimasi keseluruhan gabungan. Lebarnya = interval kepercayaan 95% gabungan.
- Garis vertikal pada 1.0 = "garis tanpa efek" (untuk rasio). Jika garis CI atau bentuk berlian melintasi garis ini, hasil tersebut adalah tidak signifikan secara statistik
I² mengukur seberapa besar variasi antar studi disebabkan oleh heterogenitas sebenarnya (perbedaan nyata) dan bukan karena kebetulan.
I² < 25% = heterogenitas rendah ✓
I² = 25–50% = heterogenitas sedang
Saya² > 50% = heterogenitas substansial — hasil gabungan kurang dapat diandalkan ⚠️
📯 Plot Corong — Pemantauan Bias Publikasi & Pencilan GP
Grafik funnel muncul dalam dua konteks yang sangat berbeda di AKT — pastikan Anda mengenali keduanya.
Grafik ini menunjukkan ukuran efek (sumbu x) terhadap presisi atau ukuran studi (sumbu y). Corong terbalik simetris = tidak ada bias. Corong asimetris dengan celah di bagian kiri bawah = studi negatif kecil yang hilang → bias publikasi.
Membandingkan praktik dokter umum berdasarkan metrik (misalnya tingkat rujukan, angka kematian). Titik data di luar garis corong adalah... outlier statistik Memerlukan penyelidikan — belum tentu bukti kinerja yang buruk.
😊 Grafik Cates — Cara Mengekstraksi NNT Secara Visual
Diagram Cates (kadang-kadang disebut "diagram wajah tersenyum") menggunakan kisi-kisi berisi 100 wajah untuk membantu pasien memvisualisasikan manfaat dan kerugian absolut.
- Setiap dari 100 wajah tersebut mewakili satu orang per 100 orang yang dirawat.
- Wajah kuning/hijau = orang-orang yang mendapat manfaat (kejadian yang dicegah)
- Wajah-wajah merah = orang yang mengalami kerugian
- Wajah abu-abu/polos = tidak ada efek apa pun
📉 Kurva Kelangsungan Hidup Kaplan-Meier — Cara Membacanya
Kurva Kaplan-Meier (KM) menunjukkan probabilitas bertahan hidup (atau tetap bebas dari kejadian) seiring waktu. Kurva ini muncul dalam pertanyaan AKT tentang uji klinis kanker, studi kardiovaskular, dan penelitian apa pun yang melacak waktu hingga terjadinya suatu kejadian.
| Fitur | Apa artinya |
|---|---|
| Sumbu Y | Probabilitas bertahan hidup (atau bertahan hidup tanpa kejadian) — dimulai dari 1.0 (100%) dan menurun seiring waktu. |
| sumbu X | Waktu (hari, bulan, tahun) |
| Setiap langkah ke bawah | Suatu peristiwa telah terjadi (misalnya kematian, kambuh). Langkah yang lebih besar = lebih banyak peristiwa pada titik tersebut. |
| Tanda centang pada garis | Pasien yang disensor — pasien yang hilang dari tindak lanjut atau penelitian dihentikan. Bukan kejadian. |
| Dua kurva yang berbeda sejak awal dan tetap terpisah | Menunjukkan manfaat pengobatan yang berkelanjutan selama masa tindak lanjut. |
| Kurva yang saling bersilangan | Menunjukkan bahwa bahaya tidak proporsional seiring waktu — mempersulit interpretasi. |
| Kelangsungan hidup rata-rata | Titik waktu di mana kurva kelangsungan hidup melewati 50% — titik di mana setengah dari pasien telah mengalami kejadian tersebut. |
The tes log-rank membandingkan dua kurva KM secara statistik. rasio bahaya (HR) merangkum perbedaan keseluruhan antara kurva. HR < 1 = kelompok perlakuan memiliki lebih sedikit kejadian dari waktu ke waktu. Jika kurva tumpang tindih secara substansial, HR akan mendekati 1 (tidak ada manfaat).
📊 Histogram — Gambaran Distribusi Secara Sekilas
Histogram menampilkan distribusi variabel kontinu (misalnya usia, tekanan darah, BMI) dengan mengelompokkan nilai ke dalam interval (bin) dan menunjukkan berapa banyak pengamatan yang termasuk dalam setiap interval. Tidak seperti grafik batang, batang-batang histogram saling bersentuhan — karena datanya kontinu.
| Bentuknya | Arti | Gunakan Rata-rata atau Median? |
|---|---|---|
| Bentuk lonceng simetris | Distribusi normal — rata-rata, median, modus semuanya sama | Baik — tetapi secara konvensional berarti ± SD |
| Kemiringan ke kanan (positif) | Ekor panjang ke kanan — beberapa nilai yang sangat tinggi menarik nilai rata-rata ke atas. | Median (lebih representatif) |
| Kemiringan ke kiri (negatif) | Ekor panjang di sebelah kiri — beberapa nilai yang sangat rendah menurunkan nilai rata-rata. | Median (lebih representatif) |
| Bimodal (dua puncak) | Dua subkelompok berbeda dalam data tersebut | Laporkan kedua puncak secara terpisah. |
Peningkatan Kualitas & Audit Klinis
| Alat Bantu | Tujuan | Fitur utama |
|---|---|---|
| Audit Klinis | Mengukur praktik berdasarkan standar yang eksplisit; mengidentifikasi dan menutup kesenjangan. | Membutuhkan standar yang telah ditentukan. Menggunakan siklus PDSA. Melibatkan penutupan siklus (audit ulang). Tidak Penelitian — tanpa hipotesis, tidak menghasilkan pengetahuan baru. |
| Analisis Peristiwa Penting (SEA) | Tinjauan multidisiplin sistematis terhadap satu peristiwa penting. | Bebas dari saling menyalahkan. Berfokus pada pembelajaran sistem, bukan kesalahan individu. Dibagikan dalam tim. Mendokumentasikan pembelajaran dan tindakan. |
| Analisis Akar Penyebab (RCA) | Investigasi mendalam terhadap insiden serius | Lebih terstruktur daripada SEA. Menggunakan teknik "5 Mengapa". Mengidentifikasi faktor-faktor penyebab dan akar permasalahan. Sering digunakan untuk kejadian yang seharusnya tidak pernah terjadi atau kerugian serius. |
| Pelaporan Pengecualian QOF | Pengecualian yang tepat terhadap pasien dari indikator QOF. | Sesuai secara klinis untuk: terapi maksimal yang dapat ditoleransi, penolakan pasien yang telah diberi informasi, kondisi sangat lemah, atau kontraindikasi klinis. |
🔄 Audit Klinis vs Penelitian — Perbedaan Utama
| Fitur | Audit Klinis | Penelitian |
|---|---|---|
| Tujuan | Tingkatkan kualitas perawatan dengan membandingkannya dengan standar. | Hasilkan pengetahuan baru |
| Hipotesa | Tidak ada — dibandingkan dengan standar yang ada | Selalu memiliki hipotesis |
| Persetujuan etika | Biasanya tidak diperlukan | Biasanya dibutuhkan |
| Persetujuan | Biasanya tidak diperlukan | Biasanya dibutuhkan |
| Pengacakan | Tak pernah | Mungkin termasuk RCT (uji coba terkontrol secara acak) |
| Hasil akhir | Peningkatan layanan; rencana aksi | Bukti baru; publikasi |
🔁 Siklus PDSA
Siklus Plan-Do-Study-Act (PDSA) adalah kerangka kerja peningkatan berkelanjutan yang digunakan dalam audit klinis dan peningkatan kualitas.
| Tahap | Apa yang terjadi |
|---|---|
| Rencanakan | Definisikan pertanyaan, tetapkan standar, rencanakan pengumpulan data. |
| Do | Terapkan perubahan atau ukur praktik saat ini. |
| Belajar | Analisis hasil; bandingkan dengan standar; identifikasi kesenjangan. |
| Bertindak | Terapkan perbaikan; rencanakan audit ulang untuk melengkapi siklus. |
Perhitungan Klinis (Bank Rumus AKT)
Rumus-rumus ini muncul dalam pertanyaan perhitungan AKT. Pelajari masing-masing rumus dan ketahui ambang batas klinis yang memicu tindakan.
🧮 Contoh Soal ABPI
🎯 Skenario: Ibu T, 72 tahun, mengalami nyeri kaki saat berjalan
🍷 Contoh Soal Unit Alkohol
| Minum | Volumenya (ml) | ABV% | Perhitungan | unit |
|---|---|---|---|---|
| Anggur dalam gelas besar | 250ml | 13% | 250 × 13 ÷ 1000 | 3.25 |
| Sebotol anggur | 750ml | 12% | 750 × 12 ÷ 1000 | 9.0 |
| Bir lager (kuat) dalam gelas besar | 568ml | 5% | 568 × 5 ÷ 1000 | 2.84 |
| Takaran minuman beralkohol tunggal | 25ml | 40% | 25 × 40 ÷ 1000 | 1.0 |
Contoh yang berhasil
🎯 Contoh 1: Menghitung Semua Metrik Risiko dari Tabel Percobaan
Suatu uji coba acak terkontrol (RCT) secara acak membagi pasien untuk menerima Obat X atau plasebo. Setelah 3 tahun: 80 dari 500 pasien plasebo mengalami stroke; 40 dari 500 pasien Obat X mengalami stroke.
🎯 Contoh 2: Membuat Tabel 2×2 dan Menghitung Sensitivitas & Spesifisitas
Sebuah tes baru diterapkan pada 200 pasien, 100 di antaranya mengidap penyakit tersebut. Tes tersebut berhasil mengidentifikasi 85 dari 100 pasien yang mengidap penyakit, dan berhasil mengidentifikasi 80 dari 100 pasien yang tidak mengidap penyakit.
🎯 Contoh 3: Perhitungan Dosis Pediatrik
Seorang anak membutuhkan 300 mg amoksisilin. Suspensi yang tersedia adalah 250 mg/5 ml. Berapa volume yang harus diberikan?
Lembar Panduan Rumus & Alat Bantu Ingatan
Rumus Risiko & Pengobatan
Pengujian Diagnostik
Rumus Populasi & Klinis
- SnNout: Tes sensitif — Hasil negatif menyingkirkan kemungkinan penyakit (skrining)
- SpPin: Tes spesifik — Hasil positif menunjukkan adanya penyakit (konfirmasi)
- CI melewati 1.0 (rasio) atau 0 (perbedaan) → tidak signifikan
- Bentuk berlian pada petak hutan melintasi garis. → tidak signifikan
- Asimetri corong → bias publikasi (atau outlier GP jika konteks kinerja)
- Garis tengah diagram kotak → MEDIAN (bukan rata-rata)
- 68-95-99.7 → ±1SD, ±2SD, ±3SD dalam distribusi normal
- I² >50% → heterogenitas substansial
- ATAU dari studi kasus-kontrol | RR dari kohort | Prevalensi dari studi potong lintang
- Audit ≠ Penelitian (ukuran audit vs standar; penelitian menghasilkan pengetahuan baru)
- Kontrol kasus → ATAU (Rasio Peluang) — melihat KEMBALI pada eksposur
- Kelompok → RR (Risiko Relatif) — bergerak MAJU dari paparan
- Penampang melintang → Prevalensi — GAMBARAN SINGKAT pada saat itu
- RCT / SR → Standar emas untuk pertanyaan pengobatan
Kiat-kiat Pelatihan & Pengajaran
- Peserta pelatihan sering mempelajari NNT sebagai rumus tanpa memahami apa artinya secara klinis — pastikan mereka dapat menjelaskannya dalam kalimat yang dapat dipahami pasien.
- Perbedaan antara sensitivitas/spesifisitas (sifat tes) dan PPV/NPV (dipengaruhi oleh prevalensi) masih kurang dipahami — analogi tes kehamilan sangat tepat.
- Banyak peserta pelatihan mengetahui seperti apa petak hutan itu, tetapi tidak dapat menjelaskannya. apa untuk diperhatikan — fokus pada berlian dan apakah berlian tersebut melewati garis tanpa efek.
- Bias waktu tunggu seringkali disalahartikan dengan bias panjang — gunakan diagram atau garis waktu untuk menggambarkan perbedaannya.
- Peserta pelatihan seringkali salah mengartikan audit klinis dengan penelitian — gunakan contoh-contoh dari penilaian yang diberikan oleh RCGP sendiri.
- "Berikut tabel ringkasan dari uji coba obat — dapatkah Anda memberi tahu saya NNT (Number Needed to Treat) dan apakah Anda akan meresepkannya untuk pasien ini?"
- "Lihatlah plot hutan ini. Apakah intervensi tersebut efektif? Seberapa yakin Anda dengan jawaban itu?"
- "Pasien Anda memiliki hasil tes FIT positif. Nilai prediksi positif (PPV) pada populasi berisiko rendah sekitar 3%. Bagaimana Anda menjelaskan hal ini kepadanya?"
- "Kita melihat banyak hasil PSA yang tinggi. Apa masalahnya jika menggunakan PSA sebagai tes skrining?"
- "Seorang kolega ingin membandingkan hasil penanganan sepsis di tempat kami dengan di Rumah Sakit. Apakah itu audit atau penelitian? Apakah memerlukan persetujuan etik?"
- "Bagaimana Anda akan menjelaskan kemungkinan efek samping sebesar 1 banding 50 kepada pasien yang bertanya 'Apakah ini aman?'"
- Bagaimana Anda menjelaskan risiko kepada pasien saat ini? Apakah Anda menggunakan angka absolut atau relatif?
- Dapatkah Anda mengingat pedoman klinis terbaru yang menyebutkan NNT (Number Needed to Treat) yang signifikan — apa itu, dan bagaimana hal itu memengaruhi praktik Anda?
- Pernahkah Anda memesan tes dan tidak mengetahui sensitivitas/spesifisitasnya? Bagaimana Anda menafsirkan hasilnya?
- Mengapa perusahaan obat mungkin memilih untuk menyajikan hasil uji klinis mereka sebagai RRR (Responsiveness to Results/Tingkat Respons yang Direkomendasikan) daripada ARR (Average Risk Assessment/Tingkat Respons yang Disesuaikan)?
🔥 Tips Hasil Tinggi AKT
Ini adalah pola-pola yang berulang kali muncul dalam soal-soal AKT. Hafalkan pola-pola ini dan Anda akan mendapatkan nilai bagus.
Selalu ubah persentase ke desimal terlebih dahulu. ARR = 5% → NNT = 1 ÷ 0.05 = 20. Selalu bulatkan. up Dibulatkan ke bilangan bulat terdekat. NNT yang lebih rendah = pengobatan yang lebih efektif.
Untuk rasio (RR, OR, HR): CI bersilangan 1.0 = tidak signifikan. Untuk perbedaan: CI bersilangan 0 = tidak signifikan. Ini muncul di hampir setiap pertanyaan plot hutan.
Penyakit langka → kasus-kontrol → ATAU. Paparan baru ke depannya → kelompok → RR. Gambaran prevalensi → penampang melintangBukti terbaik untuk pengobatan → RCT or SR/meta-analisis.
Tes seleksi → menginginkan sensitivitas tinggi (tidak ingin melewatkan kasus → SnNout). Tes konfirmasi → menginginkan spesifisitas tinggi (tidak menginginkan hasil positif palsu → SpPin).
Bahkan tes yang sangat spesifik (99%) memberikan nilai prediksi positif (PPV) yang rendah dalam lingkungan dengan prevalensi rendah. Sebagian besar hasil positif dalam skrining populasi adalah positif palsu. Inilah mengapa kita tidak melakukan skrining terhadap semua orang untuk semua hal.
Jika berlian (Estimasi gabungan) melintasi garis vertikal tanpa efek → hasil keseluruhan TIDAK signifikan secara statistik. Jika I² > 50% → heterogenitas substansial → hasil gabungan kurang dapat diandalkan.
Celah di bagian kiri bawah plot corong = bias publikasi — studi negatif kecil tidak dipublikasikan. Hal ini memperbesar efek nyata suatu pengobatan dalam meta-analisis.
Garis dalam kotak itu adalah rata-rataKotak tersebut = IQR (50% tengah). Titik atau lingkaran di luar garis batas = outlier.
Perusahaan farmasi senang mengutip RRR karena terdengar lebih besar. RRR 50% terdengar luar biasa — sampai Anda tahu risiko dasarnya hanya 2% (→ ARR = 1%, NNT = 100). Selalu tanyakan: berapa risiko dasarnya?
Distribusi miring (pendapatan, lama rawat inap, bilirubin serum) → gunakan rata-rata Bukan berarti rata-rata. Rata-rata dipengaruhi oleh nilai-nilai ekstrem; median tidak.
Audit: pengukuran terhadap suatu ada Standar; tidak memerlukan etika; tidak ada hipotesis. Penelitian: menghasilkan yang baru Pengetahuan; membutuhkan persetujuan etik; memiliki hipotesis. Perbedaan kunci yang diuji berulang kali oleh AKT.
Analisis ITT mencakup semua peserta yang diacak tanpa memperhatikan kepatuhan. Ini memberikan konservatif Estimasi efektivitas — lebih realistis untuk praktik klinis. Analisis per-protokol melebih-lebihkan efeknya.
ABPI < 0.9 = penyakit arteri perifer. ABPI > 1.3 = pembuluh darah tidak dapat dikompresi (mengalami kalsifikasi) — hasil tidak dapat diandalkan. Pembalutan kompresi dikontraindikasikan jika ABPI < 0.8 (periksa panduan kompresi Anda).
Hitung wajah yang menunjukkan manfaat (biasanya berwarna kuning atau hijau). NNT = 100 ÷ (jumlah wajah yang menunjukkan manfaat). 5 wajah kuning → NNT = 20.
Kesalahan Umum & Jebakan bagi Peserta Pelatihan
Ini adalah kesalahan-kesalahan yang berulang kali muncul dalam skema penilaian AKT. Setiap kesalahan ini merupakan nilai yang hilang bagi kandidat sungguhan.
- Lupa mengubah persentase menjadi desimal sebelum menghitung NNT (misalnya, ARR = 5% → harus menggunakan 0.05, bukan 5, untuk mendapatkan NNT = 20, bukan 0.2)
- Pembulatan NNT turun daripada up (NNT = 12.5 → jawabannya adalah 13, bukan 12)
- Mencampuradukkan RRR dengan ARR dan mengutip angka relatif yang terdengar lebih mengesankan sebagai manfaat klinis.
- Mengatakan suatu hasil "signifikan" ketika interval kepercayaan (CI) hanya menyentuh 1.0 — itu harus tidak termasuk 1.0 dianggap signifikan
- Menyatakan bahwa garis tengah diagram kotak dan kumis adalah rata-rata — itu selalu rata-rata
- Kesalahpahaman antara sensitivitas dan PPV — sensitivitas adalah sifat tetap dari tes; PPV bergantung pada prevalensi.
- Mengira bahwa tes yang sangat spesifik pada populasi dengan prevalensi rendah akan memberikan hasil positif yang dapat diandalkan — itu tidak akan terjadi (PPV rendah).
- Kesalahpahaman antara OR dan RR — OR tidak dapat langsung digunakan sebagai RR kecuali jika penyakit tersebut langka.
- Mengatakan bahwa studi kasus-kontrol menghasilkan RR — sebenarnya menghasilkan OR, karena Anda memulai dengan kasus dan kontrol, bukan kohort yang terpapar.
- Mencampuradukkan audit klinis dengan penelitian — mengklaim bahwa audit memerlukan persetujuan etika.
- Salah menafsirkan bias waktu tunggu sebagai berarti program penyaringan benar-benar meningkatkan angka kelangsungan hidup.
- Mengabaikan fakta bahwa I² >50% dalam plot hutan menimbulkan kekhawatiran tentang validitas hasil gabungan.
- Menggunakan nilai rata-rata untuk menggambarkan data yang miring (misalnya pendapatan, lama rawat inap di rumah sakit) — gunakan nilai median.
🏁 Poin-Poin Penting yang Perlu Diingat
- NNT = 1 ÷ ARR. Selalu ubah persentase menjadi desimal. Selalu bulatkan ke atas. NNT yang lebih rendah = pengobatan yang lebih baik.
- ARR secara klinis jujur. RRR terdengar mengesankan tetapi bisa menyesatkan. Selalu pasangkan RRR dengan risiko dasar.
- Sensitivitas dan spesifisitas adalah sifat tetap dari suatu tes. PPV dan NPV berubah seiring dengan prevalensi penyakit.
- SnNout: tes sensitif menyingkirkan kemungkinan (tidak ada tes yang valid) jika hasilnya negatif. SpPin: tes spesifik memastikan kemungkinan (konfirmasi) jika hasilnya positif.
- Diagram forest plot yang melintasi garis tanpa efek → hasil tidak signifikan secara statistik. I² >50% → terdapat kekhawatiran mengenai heterogenitas.
- Asimetri plot corong → bias publikasi. Titik-titik di luar batas corong dalam pemantauan kinerja → praktik menyimpang.
- Interval kepercayaan (CI) untuk rasio yang mencakup 1.0 → tidak signifikan. Interval kepercayaan (CI) untuk perbedaan yang mencakup 0 → tidak signifikan.
- Studi kasus-kontrol → OR. Studi kohort → RR. Studi potong lintang → prevalensi. RCT/SR → standar emas untuk pengobatan.
- Data miring → gunakan median, bukan rata-rata. Garis tengah box plot = median. Titik-titik di luar garis kumis = outlier.
- Audit klinis mengukur kinerja berdasarkan standar — tidak memerlukan etika, tidak ada hipotesis. Penelitian menghasilkan pengetahuan baru — etika diperlukan.
Soal-soal statistik dalam AKT termasuk di antara soal yang paling mudah dipelajari dan dinilai dalam ujian tersebut. Beberapa jam yang dihabiskan dengan halaman ini dan beberapa soal latihan akan memberikan hasil yang jauh melebihi investasi waktu yang dikeluarkan.