Konfounding dan Interaksi

Departemen Biostatistika FKM UI, 2010

CONFOUNDING
Daribahasa latin cunfundere (tomixtogether) Pengertian: Suatu distorsi (gangguan) dalam menaksir pengaruh paparan terhadap kejadian penyakit/outcomesebagai akibat tercampurnya pengaruh sebuah atau beberapa variabel luar.

Suatu kondisi biasdalam mengestimasi efek paparan terhadap kejadian penyakit/masalah kesehatan,akibat perbandingan yang tidak seimbang antara kelompok exposeddan nonexposed. Suatu situasi ditemukannya hubungan noncausalantara exposure/paparan dan outcomeyangditeliti akibat adanya pengaruh variabel ketiga (Moyses S.&F.JavierN.,2000)

Variabel luar (ketiga)=confounder

Confounder
Exposure Disease

Confounder

Berhubungan dengan paparan/faktor resiko yangditeliti (causallyor noncausallyassociated) Berhubungan dengan penyakit/outcome(causallyassociated) Bukan merupakan konsekuensi dari paparan (tidak terletak diantara E&D/variabel antara)

Arah Confounding
1. Positif Overestimate(riskvaluemenjauhi Nullvalue)
OR/RR 0 0.3 0.5 1 Null value 1.3 1.7 2

CF controlled CF not controlled

CF controlled CF not controlled

2.

Negatif Underestimate(riskvaluemendekati Nullvalue) kurang beresiko orkurang protektif 3.Crossover asosiasi berubah arah:negatif positif (confounder yangkuat pada asosiasi lemah)

Mengontrol Confounding

Pada tahap Design

1.

Restriksi (pada experimental&observationalstudy) membatasi obyek penelitian pada levelconfounderyangsama (confoundertidak bervariasi)antara groupE nE dan D nD Kelemahan:efek modifikasi tidak dapat dievaluasi,generalizability?

2.Matching (pada experimental&observationalstudy) Type:a).Fullmatching,b).partialmatching Method:a).Frequency/marginalmatching,b).Individualmatching Problem:Overmatching

3.Randomisasi (hanya pada experimentalstudy)

subyek penelitian ditempatkan secara randompada group2yang diperbandingkan (E&nE)

Pada tahap Analisa

1. 2.

Stratifikasi Analisa Multivariate

INTERAKSI
Interaksi =Efek modifikasi Pengertian: Keberagaman/heterogenitas/variasi efek dari suatu faktor resiko terhadap kemunculan penyakit/outcome,pada levelyangberbeda dari faktor resiko lain,pada basepopulation

Suatu situasi dimana 2atau lebih faktor resiko saling memodifikasi (besar dan/atau arah)efek nya terhadap kejadian/outcomeyang diteliti (Moyses S.&F.JavierN.,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 programkesmas 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 OR1 = OR2 = OR3 = OR4 = ORn bias

Berhubungan dengan design study Mengganggu efek E yang diteliti OR1 = OR2 OR crude OR adjusted Bias sistematik Qualitative measure of association (affect validity)

Bukan

Quantitative measure of association (not a validity issue)

Variabel Ke3 Menjadi CF dan EM Bukan CF maupun EM Merupakan CF tetapi bukan EM EM kuat, CF menjadi kurang penting

ORC 1.2 1.2 1.2 1.2

ORA 3.5 1.2 3.0 3.5

OR1 2.5 1.2 3.0 0.4

OR2 3.0 1.2 3.0 2.8

OR3 4.2 1.2 3.0 9.2

Deteksi Konfounding &Interaksi

Analisa Regresi Linier/Logistik Ganda

Regresi Linier Ganda

a) b)

Adanya Konfounder akan menyebabkan Perubahan R Square Perubahan (unstandardized) coefisien B (OR) sebesar > 10% Adanya Interaksi antar 2 variabel independent ditunjukan dengan nilai Sig. < 0.05

Model Summary Model 1 R R Square a .926 .858 Adjusted Std. Error of R Square the Estimate .845 1.5061
Model 1

b Model Summary

Adjusted Std. Error of R R Square R Square the Estimate .943a .889 .876 1.3491

DurbinWatson 1.840

a. Predictors: (Constant), sex, umur, lemakkulit, lemakpersen

a. Predictors: (Constant), lemakKt_prpr, umur, sex, lemakpersen, lemakkulit b. Dependent Variable: imt

R square regresi linier ganda dengan konfounder tidak masuk pada model
Variabel Sex Lemak persen Lemak kulit tchol Masih Lengkap 4.7 7.1 -232 2.8

R square regresi linier ganda dengan konfounder masuk pada model

umur keluar dari model 5.0 6.2 -236 2.5 Perubahan Coefficien B 6.3 % 11.3% 1.8% 4%

Umur merupakan konfounder karena menyebabkan ORlemak persen berubah >10%

Uji Interaksi
Dilakukan pada variabelvariabel yangdiduga secara substansi berinteraksi.
ModelPersamaan Regresi linierganda
Imt =17.074 0.126umur +0.08lemakkulit +0.204lemakpersen +3.074sex

1). variable lemak kulit dan lemak persen secara substansi diduga berinteraksi
Coefficientsa Unstandardized Coefficients B Std. Error 22.651 3.151 -.133 .041 -.063 .043 .082 .048 2.436 .693 .003 .001 Standardized Coefficients Beta -.176 -.437 .238 .268 1.251 Collinearity Statistics Tolerance VIF .863 .029 .134 .444 .020 1.158 34.599 7.451 2.254 51.140

Model 1

(Constant) umur lemakkulit lemakpersen sex lemakKt_prpr

t 7.188 -3.220 -1.461 1.713 3.513 3.440

Sig. .000 .002 .151 .094 .001 .001

a. Dependent Variable: imt

2). secara substansi umur akan mempengaruhi lemak persen,

Coefficientsa Unstandardized Coefficients B Std. Error -2.875 11.880 .189 .187 .078 .014 .729 .305 2.724 .757 -.008 .005 Standardized Coefficients Beta .251 .534 2.111 .300 -1.494 Collinearity Statistics Tolerance VIF .050 .350 .004 .444 .004 19.908 2.861 252.645 2.253 240.709

Model 1

(Constant) umur lemakkulit lemakpersen sex umur_lemakpr

t -.242 1.011 5.683 2.391 3.598 -1.734

Sig. .810 .317 .000 .021 .001 .090

a. Dependent Variable: imt

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%
Exp(B) Crude - Exp(B) Adjusted * 100% >10% konfounder Exp(B) Adjusted

dari

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) Lower Upper 1,211 2,354 ,870 34,940 96,155 7,245

B Step a 1 IMT3 IMT3(1) IMT3(2) SEX Constant 1,872 2,711 ,921 -2,727

S.E. ,858 ,946 ,541 ,882

Wald 8,265 4,764 8,206 2,899 9,563

df 2 1 1 1 1

Sig. ,016 ,029 ,004 ,089 ,002

Exp(B) 6,503 15,045 2,511 ,065

a. Variable(s) entered on step 1: IMT3, SEX.

Apakah SEX adalah Konfounder terhadap IMT31dan IMT32? Lihat perubahan nilai Exp(B): SEX masuk dalam pemodelan,nilai Exp(B) 6,503dan 15,045 SEX tidak masuk dalam pemodelan,nilai Exp(B) 4,388dan 9,149 Besar perubahan: Darihasil perhitungan ratio=32,52%(>10%) maka sex merupakan variablekonfounder.

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

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+ BBLRJumlah 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)
Kelompok gizi baik BBLR+ Anemia + 18 Anemia 2 Jumlah 20 OR = (18*6)/(34*2) = 1,58 BBLR34 6 40 Jumlah 52 8 60

Simpulan: Anemia adalah faktor risiko terjadinya BBLR (baik pd gizi baik maupun pd gizi kurang)

Kelompok gizi kurang BBLR+ Anemia + 6 Anemia 34 Jumlah 40 OR = (6*18)/(2*34) = 1,58

BBLR2 18 20

Jumlah 8 52 60

Contoh confounding
St.Gizi ibu

BBLR

Hubungan status gizi dengan BBLR BBLR+ BBLRJumlah Gizi kurang 40 20 60 Gizi baik 20 40 60 Jumlah 60 60 120 OR = (40*40)/(20*20) = 4,00
Status gizi kurang merupakan faktor risiko BBLR

Contoh confounding
Ibu Anemia

St.Gizi Ibu

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

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 Confounding harus diukur Analisis multivariat

Pada Pengumpulan Data

Pada Analisis