tutorial 1

Bias dan Konfunding

citraindriani@gmail.com

Menilai Hubungan Statistik yang Valid� Kita harus menilai:

� Bias: apakah terjadi sistematik eror dalam studi

Epidemiology (Schneider)

� Confounding: apakah ada faktor luar yang mengganggu hubungan prediktor dan outcomr

� Role of chance: kecenderungan apa yang kita dapat adalah yang “true” di populasi

Bias

� Kesalahan sistematik

� Akibat: distorsi penaksiran parameter populasi sasaran berdasarkan parameter sampel

Epidemiology (Schneider)

sasaran berdasarkan parameter sampel

Chance vs Bias

� Chance disebabkan “random error” (kesalahan random)

� Chance mengarah pada ketidaktepatan hasil

Epidemiology (Schneider)

� Chance mengarah pada ketidaktepatan hasil

� Bias disebabkan oleh “systematic error” (kesalahan sistematis)

� Bias mengarah pada ketidakakuratan hasil

10

12

14

Per Cent

Random ErrorRandom Error

Epidemiology (Schneider)

0

2

4

6

8

0 5 10 15 20 25 30 35

Size of induration (mm)

WHO (www)

10

12

14

Systematic ErrorSystematic Error

Per Cent

Epidemiology (Schneider)

0

2

4

6

8

0 5 10 15 20 25 30

Size of induration (mm)

WHO (www)

Epidemiology (Schneider)

Epidemiology (Schneider)

Jenis Bias

� Seleksi� Kesalahan sistematik dalam memilih subyek

Epidemiology (Schneider)

� Informasi

Bias Seleksi

� Penelitian case control: pengaruh penggunaan estrogen pasca menopause terhadap resiko Ca endometrium

� Kasus (Ca endometrium) cenderung dipilih diantara wanita yang mengalami perdarahan per vaginam

Epidemiology (Schneider)

mengalami perdarahan per vaginam

� Kontrol cenderung dipilih diantara wanita yang tidak mengalami perdarahan per vaginam.

� Padahal perdarahan merupakan tanda yang sering dijumpai pada wanita pemakai estrogen. Sehingga mengakibatkan jumlah kasus terpapar lebih banyak dari yang sebenarnya

Bias Seleksi� Bias Berksonian

� Ada hubungan palsu antara penyakit dan karakteristij pasien oleh karena sudah terdapat perbedaan probabilitas masuk ke

Epidemiology (Schneider)

terdapat perbedaan probabilitas masuk ke rumah sakit pada mereka yang punya penyakit dan tidak punya penyakit, dan dengan karakteristik yang diteliti

� Berkson J. Limitations of the application of fourfo ld table analysis to hospital data. Biometrics 1946;2:47-53

Bias Seleksi� Bias Respon

� Mereka yang setuju untuk berpartisipasi dalam penelitian mungkin berbeda dengan

Epidemiology (Schneider)

dalam penelitian mungkin berbeda dengan mereka yang menolak untuk berpartisipasi

� Bias Non-responden

� Sukarela mungkin berbeda dengan mereka yang tidak

Bias Seleksi� Bias Berksonian

� Ada hubungan palsu antara penyakit dan karakteristij pasien oleh karena sudah terdapat perbedaan probabilitas masuk ke

Epidemiology (Schneider)

terdapat perbedaan probabilitas masuk ke rumah sakit pada mereka yang punya penyakit dan tidak punya penyakit, dan dengan karakteristik yang diteliti

� Berkson J. Limitations of the application of fourfo ld table analysis to hospital data. Biometrics 1946;2:47-53

Bias Informasi� Interviewer

� Recall

� Observer

Epidemiology (Schneider)

� Observer

� Loss to follow up

� Hawthorne Efek

� Surveillance Bias

� Missclassification Bias

� Bias interviewer – pengetahuan

pewawancara bisa mempengaruhi struktur pertanyaan dan presentasi pertanyaan, sehingga mempengaruhi respon

Epidemiology (Schneider)

� Bias Recall – mengingat kejadian 3 bulan

yang lalu ????

� Bias Observer – observer sudah punya

ekspektasi tersendiri dengan hasil pemeriksaannya

Epidemiology (Schneider)

� Loss to follow -up – mereka yang LFU

mungkin punya gambaran yang yang berbeda dengan yang mengikuti studi sampai selesai

� Efek Hawthorne – orang akan berperilaku

berbeda jika dia tahu bahwa sedang diamati

Bias Surveillance – grup yang diketahui

Epidemiology (Schneider)

� Bias Surveillance – grup yang diketahui mempunyai paparan atau penyakit lebih diperhatikan dibandingkan dengan group pembanding

� Bias Misclassification – error terjadi ketika salah mengklasifikasikan penyakit ataupun paparan

Epidemiology (Schneider)

ataupun paparan

Misclassification Bias (cont.)

2501001501005050Nonexposed15050100Exposed

TotalControlsCases

OR = ad/bc = 2.0; RR = a/(a+b)/c/(c+d) = 1.3

True Classification

250100150

905040Nonexposed16050110Exposed

TotalControlsCases

OR = ad/bc = 2.8; RR = a/(a+b)/c/(c+d) = 1.6

Differential misclassification - Overestimate exposure for 10 cases, inflate rates

Misclassification Bias (cont.)

Cases Controls Total

Exposed 100 50 150

Nonexposed 50 50 100

150 100 250

OR = ad/bc = 2.0; RR = a/(a+b)/c/(c+d) = 1.3

True Classification

OR = ad/bc = 2.0; RR = a/(a+b)/c/(c+d) = 1.3

Cases Controls Total

Exposed 90 50 140

Nonexposed 60 50 110

150 100 250

OR = ad/bc = 1.5; RR = a/(a+b)/c/(c+d) = 1.2

Differential misclassification - Underestimate exposure for 10 cases, deflate rates

Misclassification Bias (cont.)

Cases Controls Total

Exposed 100 50 150

Nonexposed 50 50 100

150 100 250

OR = ad/bc = 2.0; RR = a/(a+b)/c/(c+d) = 1.3

True Classification

Cases Controls Total

Exposed 100 40 140

Nonexposed 50 60 110

150 100 250

OR = ad/bc = 3.0; RR = a/(a+b)/c/(c+d) = 1.6

Differential misclassification - Underestimate exposure for 10 controls, inflate rates

Misclassification Bias (cont.)

2501001501005050Nonexposed15050100Exposed

TotalControlsCases

OR = ad/bc = 2.0; RR = a/(a+b)/c/(c+d) = 1.3

True Classification

Cases Controls Total

Exposed 100 60 160

Nonexposed 50 40 90

150 100 250

OR = ad/bc = 1.3; RR = a/(a+b)/c/(c+d) = 1.1

Differential misclassification - Overestimate exposure for 10 controls, deflate rates

Misclassification Bias (cont.)

Cases Controls Total

Exposed 100 50 150

Nonexposed 50 50 100

150 100 250

OR = ad/bc = 2.0; RR = a/(a+b)/c/(c+d) = 1.3

True Classification

OR = ad/bc = 2.0; RR = a/(a+b)/c/(c+d) = 1.3

Cases Controls Total

Exposed 110 60 170

Nonexposed 40 40 80

150 100 250OR = ad/bc = 1.8; RR = a/(a+b)/c/(c+d) = 1.3

Nondifferential misclassification - Overestimate exposure in 10 cases, 10 controls – bias towards null

� Bias muncul pada desain dan pelaksanaan study.

Epidemiology (Schneider)

� Bias bisa dievaluasi tetapi tidak bisa diperbaiki pada tahap analisa.

Bias: solusi?

� Sedikit atau bahkan tidak ada yang bisa dilakukan untuk memperbaiki bias begitu hal ini terjadi.

� Bisa dihindari saat desain dan pelaksanaan studi

Epidemiology (Schneider)

� contoh: menggunakan kriteria yang sama untuk memilih kasus dan kontrol, dapatkan semua catatan informasi yang relevan, pencapaian partisipasi yang tinggi, pertimbangkan pola diagnostik dan rujukan.

END

Epidemiology (Schneider)

Controls for Bias� Be purposeful in the study design to minimize the

chance for bias� Example: use more than one control group

� Define, a priori, who is a case or what constitutes exposure so that there is no overlap� Define categories within groups clearly (age groups, � Define categories within groups clearly (age groups,

aggregates of person years)

� Set up strict guidelines for data collection� Train observers or interviewers to obtain data in the same

fashion

� It is preferable to use more than one observer or interviewer, but not so many that they cannot be trained in an identical manner

� Randomly allocate observers/interviewer data collection assignments

� Institute a masking process if appropriate� Single masked study – subjects are unaware of

whether they are in the experimental or control group

Controls for Bias (cont)

whether they are in the experimental or control group

� Double masked study – the subject and the observer are unaware of the subject’s group allocation

� Triple masked study – the subject, observer and data analyst are unaware of the subject’s group allocation

� Build in methods to minimize loss to follow -up