Ukuran Asosiasi: Risk Ratio, Odds Ratio, dan Prevalence Ratio

Semester 1 | Periode 1 | MK Epidemiologi Klinik & Biostatistik Lanjut (6 SKS) | Sesi 1 | Modul 4

Dr.dr. Budi Siswanto, Sp.OG., Subsp.Obginsos., SH., S.Kom.

RR, OR, PR Ukuran Asosiasi Epidemiologi Klinik

Daftar Isi

A. Deskripsi Modul

Setelah memahami bagaimana merancang penelitian yang valid dan bebas dari bias serta confounding, pertanyaan berikutnya adalah: bagaimana kita mengukur dan mengkomunikasikan besarnya hubungan antara paparan dan outcome? Ukuran asosiasi adalah bahasa universal epidemiologi — alat yang mengubah data mentah menjadi angka yang bermakna untuk pengambilan keputusan klinis dan kebijakan.

Modul ini membahas tiga ukuran asosiasi utama yang paling sering dijumpai dalam literatur obstetri ginekologi: Risk Ratio (RR), Odds Ratio (OR), dan Prevalence Ratio (PR). Ketiganya memiliki interpretasi, asumsi, konteks penggunaan, dan keterbatasan yang berbeda. Kesalahan dalam memilih atau menginterpretasikan ukuran asosiasi adalah salah satu sumber kekeliruan terbesar dalam penelitian dan praktik klinis — termasuk dalam perumusan kebijakan KIA.

Lebih dari sekadar formula matematis, modul ini menekankan pemahaman konseptual yang memungkinkan konsultan Obginsos membaca literatur secara kritis, mengomunikasikan risiko kepada pasien dan pembuat kebijakan, serta menghindari over- atau under-statement tentang besarnya masalah kesehatan reproduksi.

B. Capaian Pembelajaran Modul

Setelah menyelesaikan modul ini, peserta didik mampu:

  1. Menghitung dan menginterpretasikan Risk Ratio (RR), Odds Ratio (OR), dan Prevalence Ratio (PR) dari data penelitian obstetri ginekologi
  2. Membedakan ukuran asosiasi relatif dan absolut serta menjelaskan relevansi klinisnya
  3. Mengidentifikasi konteks penggunaan yang tepat untuk masing-masing ukuran asosiasi berdasarkan desain studi
  4. Menjelaskan kondisi di mana OR dapat digunakan sebagai aproksimasi RR (rare disease assumption) dan batasannya
  5. Mengomunikasikan besarnya risiko kepada audiens klinis dan kebijakan secara akurat dan tidak menyesatkan

C. Materi Inti

C.1. Kerangka Dasar: Tabel 2×2

Seluruh ukuran asosiasi dalam epidemiologi dapat diturunkan dari tabel kontingensi 2×2 yang sederhana namun fundamental:

OUTCOME Total
(+) (-)
PAPARAN (+) a b a+b
PAPARAN (-) c d c+d
Total a+c b+d N

Keterangan:

Dari tabel ini, semua ukuran asosiasi utama dapat dihitung. Memahami tabel ini dengan baik adalah fondasi seluruh analisis epidemiologi bivariat.

C.2. Ukuran Frekuensi sebagai Dasar Ukuran Asosiasi

Sebelum menghitung ukuran asosiasi, kita perlu memahami ukuran frekuensi yang menjadi penyusunnya:

Risiko (Cumulative Incidence)

Risiko = Jumlah kasus baru / Jumlah populasi awal berisiko

Risiko adalah proporsi tanpa dimensi waktu eksplisit — diasumsikan selama periode follow-up tertentu.

Rate (Incidence Rate)

Rate = Jumlah kasus baru / Total person-time berisiko

Rate memperhitungkan variasi waktu follow-up antar individu. Satuannya adalah kasus per person-time (misal: per 100 orang-tahun).

Odds

Odds = p / (1-p)

Odds bukan probabilitas. Jika probabilitas komplikasi adalah 0,20 (20%), maka odds = 0,20/0,80 = 0,25. Odds selalu lebih kecil dari probabilitas ketika probabilitas < 0,5, dan lebih besar ketika probabilitas > 0,5.

C.3. Risk Ratio (RR) — Rasio Risiko

C.3.1. Definisi dan Formula

Risk Ratio (juga disebut Relative Risk) adalah rasio risiko pada kelompok terpapar dibandingkan risiko pada kelompok tidak terpapar:

$$RR = \frac{\text{Risiko pada kelompok terpapar}}{\text{Risiko pada kelompok tidak terpapar}} = \frac{a/(a+b)}{c/(c+d)}$$

C.3.2. Interpretasi

Nilai RR Interpretasi
RR = 1,0 Tidak ada asosiasi; risiko sama pada kedua kelompok
RR > 1,0 Paparan meningkatkan risiko outcome (faktor risiko)
RR < 1,0 Paparan menurunkan risiko outcome (faktor protektif)
Contoh numerik dalam obstetri:
Dalam sebuah kohort 1.000 ibu hamil, 500 mengikuti kelas ibu hamil (terpapar) dan 500 tidak (tidak terpapar):
  • Dari 500 yang mengikuti kelas: 30 mengalami komplikasi persalinan → Risiko = 30/500 = 0,060 (6%)
  • Dari 500 yang tidak mengikuti: 70 mengalami komplikasi → Risiko = 70/500 = 0,140 (14%)
RR = 0,060 / 0,140 = 0,43
Interpretasi: Ibu yang mengikuti kelas ibu hamil memiliki risiko komplikasi persalinan 43% dari risiko ibu yang tidak mengikuti — atau dengan kata lain, mengikuti kelas ibu hamil berhubungan dengan penurunan risiko komplikasi sebesar 57% (1 – 0,43 = 0,57).

C.3.3. Konteks Penggunaan

RR adalah ukuran asosiasi alami untuk:

Perhatian: RR tidak dapat dihitung dari studi kasus-kontrol karena studi tersebut tidak memungkinkan estimasi insidens atau risiko absolut (jumlah kasus dan kontrol ditentukan oleh peneliti, bukan oleh frekuensi alami penyakit).

C.4. Odds Ratio (OR) — Rasio Odds

C.4.1. Definisi dan Formula

Odds Ratio adalah rasio odds outcome pada kelompok terpapar dibandingkan odds outcome pada kelompok tidak terpapar:

$$OR = \frac{\text{Odds outcome pada kelompok terpapar}}{\text{Odds outcome pada kelompok tidak terpapar}} = \frac{a/b}{c/d} = \frac{a \times d}{b \times c}$$

Formula silang (cross-product ratio) ini adalah cara paling praktis menghitung OR dari tabel 2×2.

C.4.2. Interpretasi

Interpretasi OR secara konseptual sama dengan RR:

Namun interpretasi spesifik berbeda: OR menyatakan berapa kali lipat odds (bukan risiko) outcome pada kelompok terpapar dibandingkan tidak terpapar.

Contoh numerik — melanjutkan data di atas (disusun sebagai kasus-kontrol):
Komplikasi (+) Komplikasi (-)
Kelas (+) 30 470
Kelas (-) 70 430
OR = (30 × 430) / (470 × 70) = 12.900 / 32.900 = 0,39

C.4.3. Hubungan OR dan RR: Rare Disease Assumption

OR selalu lebih jauh dari 1,0 dibandingkan RR untuk hubungan yang sama — OR melebih-lebihkan besarnya asosiasi relatif dibanding RR, kecuali ketika outcome sangat jarang.

Ketika prevalensi/insidens outcome < 10% (rare disease assumption), OR ≈ RR karena:

Implikasi praktis: Dalam penelitian tentang kondisi obstetri yang jarang (misal: emboli air ketuban, ruptur uteri), OR dari studi kasus-kontrol dapat diinterpretasikan mendekati RR. Tetapi untuk kondisi yang umum (misal: preeklampsia ~5–10%, perdarahan postpartum ~5%), OR akan secara bermakna melebih-lebihkan RR — kesalahan yang sering terjadi dalam publikasi obstetri.

C.4.4. Exposure Odds Ratio vs. Disease Odds Ratio

Dalam studi kasus-kontrol, yang dihitung sebenarnya adalah exposure odds ratio (rasio odds terpapar antara kasus vs. kontrol), bukan disease odds ratio. Secara matematis keduanya menghasilkan angka yang sama (karena formula silang simetris), tetapi pemahaman konseptual ini penting untuk interpretasi yang benar.

C.4.5. Kapan OR Lebih Tepat dari RR

Meskipun OR sering dikritisi karena dapat menyesatkan, OR memiliki keunggulan spesifik:

  1. Studi kasus-kontrol: Satu-satunya ukuran asosiasi yang dapat dihitung
  2. Regresi logistik: Output alami regresi logistik adalah OR — memudahkan adjusted analysis
  3. Meta-analysis: OR memiliki sifat matematis yang lebih stabil untuk pooling
  4. Simetri: OR untuk "outcome terjadi" sama besarnya dengan OR untuk "outcome tidak terjadi" (hanya inverted) — sifat yang tidak dimiliki RR

C.5. Prevalence Ratio (PR) — Rasio Prevalensi

C.5.1. Definisi dan Konteks

Prevalence Ratio adalah rasio prevalensi outcome pada kelompok terpapar dibandingkan kelompok tidak terpapar, dihitung dari studi cross-sectional:

$$PR = \frac{\text{Prevalensi pada kelompok terpapar}}{\text{Prevalensi pada kelompok tidak terpapar}} = \frac{a/(a+b)}{c/(c+d)}$$

Secara formula, PR identik dengan RR, tetapi yang diukur adalah prevalensi (kondisi yang ada pada satu titik waktu), bukan insidens (kondisi baru yang muncul selama periode follow-up).

C.5.2. Mengapa PR Lebih Tepat dari OR untuk Studi Cross-Sectional

Dalam studi cross-sectional dengan outcome yang prevalensinya tinggi (>10%), penggunaan OR dari regresi logistik akan melebih-lebihkan asosiasi. Pilihan yang lebih tepat adalah:

Contoh dalam obstetri: Studi SDKI (cross-sectional) yang menganalisis faktor yang berhubungan dengan persalinan oleh tenaga kesehatan (prevalensi ~80%) harus menggunakan PR, bukan OR — karena OR akan sangat jauh dari RR/PR pada prevalensi setinggi itu.

C.6. Ukuran Asosiasi Absolut

Ukuran asosiasi relatif (RR, OR, PR) penting untuk memahami kekuatan hubungan biologis, tetapi ukuran absolut lebih relevan untuk pengambilan keputusan klinis dan perencanaan program.

C.6.1. Risk Difference (RD) / Attributable Risk

$$RD = \text{Risiko terpapar} - \text{Risiko tidak terpapar} = \frac{a}{a+b} - \frac{c}{c+d}$$

Melanjutkan contoh sebelumnya:

RD = 0,060 − 0,140 = −0,080 (−8%)

Artinya: mengikuti kelas ibu hamil berhubungan dengan penurunan risiko komplikasi sebesar 8 per 100 ibu — secara absolut.

C.6.2. Number Needed to Treat (NNT)

$$NNT = \frac{1}{|RD|}$$
NNT = 1 / 0,080 = 12,5 → dibulatkan 13

Artinya: perlu mengikutkan sekitar 13 ibu hamil ke kelas ibu hamil untuk mencegah 1 kasus komplikasi persalinan.

NNT adalah ukuran yang paling mudah dikomunikasikan kepada pembuat kebijakan dan klinisi karena langsung menjawab pertanyaan: "berapa banyak yang harus diintervensi untuk mendapat manfaat?"

C.6.3. Population Attributable Risk (PAR) dan PAR%

PAR mengukur berapa besar burden penyakit di populasi yang dapat dikaitkan dengan paparan tertentu:

$$PAR = \text{Risiko populasi total} - \text{Risiko pada kelompok tidak terpapar}$$
$$PAR\% = \frac{\text{Risiko total} - \text{Risiko tidak terpapar}}{\text{Risiko total}} \times 100\%$$

Formula Levin untuk PAR%:

$$PAR\% = \frac{P_e(RR - 1)}{P_e(RR - 1) + 1} \times 100\%$$

di mana Pe = prevalensi paparan di populasi.

Contoh kebijakan: Jika 40% ibu hamil di Indonesia masih melahirkan tanpa tenaga kesehatan terlatih (Pe = 0,40), dan RR kematian ibu pada kelompok tersebut adalah 3,5 dibanding yang melahirkan dengan tenaga terlatih:
PAR% = 0,40 × (3,5−1) / [0,40 × (3,5−1) + 1] × 100% = 1,0 / 2,0 × 100% = 50%
Artinya: sekitar 50% kematian ibu di Indonesia secara teoritis dapat dicegah jika semua persalinan ditolong oleh tenaga kesehatan terlatih — dengan asumsi hubungan kausal. Ini adalah angka yang sangat kuat untuk advokasi kebijakan.

C.7. Ringkasan Perbandingan Ukuran Asosiasi

Ukuran Formula Desain Studi Kondisi Optimal
Risk Ratio (RR) [a/(a+b)] / [c/(c+d)] Kohort, RCT Outcome tidak terlalu umum
Odds Ratio (OR) (a×d) / (b×c) Kasus-kontrol, semua desain Outcome jarang (<10%); regresi logistik
Prevalence Ratio (PR) [a/(a+b)] / [c/(c+d)] Cross-sectional Outcome prevalens (bukan insidens)
Risk Difference (RD) a/(a+b) − c/(c+d) Kohort, RCT Keputusan klinis & program
NNT 1 / |RD| Kohort, RCT Komunikasi manfaat intervensi
PAR% Formula Levin Semua Prioritas kebijakan kesehatan publik

C.8. Kesalahan Umum dalam Interpretasi Ukuran Asosiasi

D. Pertanyaan Diskusi (Thread Dosen – Minggu 4)

Pertanyaan 1 Diskusi

Sebuah studi kasus-kontrol tentang faktor risiko eklamsia melaporkan OR = 4,2 (95% CI: 2,8–6,3) untuk riwayat hipertensi kronis. Seorang dokter membaca laporan ini dan menyatakan kepada pasiennya: "Ibu dengan hipertensi kronis memiliki risiko eklamsia 4,2 kali lebih tinggi." Apakah pernyataan dokter tersebut secara teknis tepat? Jelaskan perbedaan antara OR dan RR dalam konteks ini, termasuk apakah OR dapat digunakan sebagai aproksimasi RR pada kasus ini, mengingat prevalensi eklamsia sekitar 2–3% pada populasi umum.

Pertanyaan 2 Diskusi

Anda mengevaluasi dua program intervensi untuk menurunkan perdarahan postpartum di dua kabupaten berbeda. Program A (misoprostol komunitas) menghasilkan RR = 0,60, dan Program B (pelatihan intensif bidan) menghasilkan RR = 0,65. Seorang pejabat Dinkes menyimpulkan bahwa Program A lebih efektif karena RR-nya lebih rendah. Apakah kesimpulan ini sudah lengkap? Ukuran asosiasi tambahan apa yang perlu Anda hitung untuk memberikan rekomendasi kebijakan yang lebih komprehensif? Jelaskan dengan contoh angka hipotetis.

E. Rangkuman

  1. Tabel 2×2 adalah fondasi seluruh perhitungan ukuran asosiasi epidemiologi; pemahaman mendalam tentang sel a, b, c, d dan derivasinya adalah kompetensi dasar yang wajib dikuasai
  2. Risk Ratio mengukur berapa kali lipat risiko outcome pada kelompok terpapar dibanding tidak terpapar — ukuran alami untuk studi kohort dan RCT
  3. Odds Ratio adalah satu-satunya ukuran asosiasi yang dapat dihitung dari studi kasus-kontrol; OR mendekati RR hanya ketika prevalensi outcome < 10% (rare disease assumption)
  4. Prevalence Ratio adalah pilihan tepat untuk studi cross-sectional dengan outcome yang umum, dan harus dihitung dengan Poisson regression atau log-binomial regression — bukan regresi logistik
  5. Ukuran asosiasi absolut (Risk Difference, NNT, PAR%) sama pentingnya dengan ukuran relatif untuk pengambilan keputusan klinis dan kebijakan kesehatan reproduksi

F. Referensi

  1. Rothman KJ, Greenland S, Lash TL. Modern Epidemiology. 3rd ed. Philadelphia: Lippincott Williams & Wilkins; 2008. https://www.lww.com/Product/9781451190052
  2. Szklo M, Nieto FJ. Epidemiology: Beyond the Basics. 4th ed. Burlington: Jones & Bartlett Learning; 2019.
  3. Zou G. A modified Poisson regression approach to prospective studies with binary data. American Journal of Epidemiology. 2004;159(7):702-706. https://doi.org/10.1093/aje/kwh090
  4. Schmidt CO, Kohlmann T. When to use the odds ratio or the relative risk? International Journal of Public Health. 2008;53(3):165-167. https://doi.org/10.1007/s00038-008-7068-3
  5. Altman DG, Deeks JJ, Sackett DL. Odds ratios should be avoided when events are common. BMJ. 1998;317(7168):1318. https://doi.org/10.1136/bmj.317.7168.1318
  6. Levin ML. The occurrence of lung cancer in man. Acta Unio Internationalis Contra Cancrum. 1953;9:531-541.
  7. Laupacis A, Sackett DL, Roberts RS. An assessment of clinically useful measures of the consequences of treatment. New England Journal of Medicine. 1988;318(26):1728-1733. https://doi.org/10.1056/NEJM198806303182605
  8. Hernán MA, Robins JM. Causal Inference: What If. Boca Raton: Chapman & Hall/CRC; 2020. https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
  9. WHO. Making Pregnancy Safer: The Critical Role of the Skilled Attendant. Geneva: WHO; 2004. https://www.who.int/publications/i/item/making-pregnancy-safer
  10. Barros AJ, Hirakata VN. Alternatives for logistic regression in cross-sectional studies. BMC Medical Research Methodology. 2003;3:21. https://doi.org/10.1186/1471-2288-3-21
Referensi Tambahan yang Direkomendasikan
  1. Centers for Disease Control and Prevention (CDC). Principles of Epidemiology in Public Health Practice. 3rd ed. Atlanta: CDC; 2012. https://www.cdc.gov/csels/dsepd/ss1978/
  2. Greenland S, Rothman KJ. Introduction to Stratified Analysis. In: Modern Epidemiology. 3rd ed. Philadelphia: Lippincott Williams & Wilkins; 2008.
  3. Knol MJ, Le Cessie S, Algra A, Vandenbroucke JP, Groenwold RHH. Overestimation of risk ratios by odds ratios in trials and cohort studies. CMAJ. 2012;184(8):895-899. https://doi.org/10.1503/cmaj.101715
  4. McNutt LA, Wu C, Xue X, Hafner JP. Estimating the relative risk in cohort studies and clinical trials of common outcomes. Am J Epidemiol. 2003;157(10):940-943. https://doi.org/10.1093/aje/kwg074
  5. Spiegelman D, Hertzmark E. Easy SAS calculations for risk or prevalence ratios and differences. Am J Epidemiol. 2005;162(3):199-200. https://doi.org/10.1093/aje/kwi188
  6. Viera AJ. Odds ratios and risk ratios: what's the difference and why does it matter? South Med J. 2008;101(7):730-734. https://doi.org/10.1097/SMJ.0b013e31817a7ee4
  7. WHO. Statistical Methods for Health Data Analysis. Geneva: WHO; 2020. https://www.who.int/data/data-collection-tools/who-steps
  8. OpenEpi — Free Online Epidemiologic Statistics Calculator: https://www.openepi.com/
  9. EpiInfo — CDC's Public Health Software: https://www.cdc.gov/epiinfo/

TUGAS KELOMPOK 2 – MINGGU 4

Mata Kuliah: Epidemiologi Klinik & Biostatistik Lanjut | Materi: Modul 3 & 4 (Bias, Confounding, dan Ukuran Asosiasi)

📋 Identitas Tugas

Jenis TugasTugas Kelompok Kedua
MingguMinggu ke-4
MateriModul 3 (Bias & Confounding) + Modul 4 (Ukuran Asosiasi)
Bobot Nilai15% dari nilai akhir mata kuliah
Komposisi KelompokKelompok sama dengan Tugas Kelompok 1
Batas PengumpulanAkhir Minggu ke-4 (7 hari sejak tugas dibuka)
Format PengumpulanDokumen Word / PDF, diunggah di LMS
Panjang Laporan1.500–2.000 kata (tidak termasuk tabel, perhitungan, dan referensi)
PETUNJUK PENGERJAAN
  1. Tugas ini bersifat analitik-kuantitatif — kelompok harus melakukan perhitungan sendiri, bukan hanya mendeskripsikan konsep
  2. Tunjukkan semua langkah perhitungan secara eksplisit; jawaban akhir tanpa proses tidak mendapat nilai penuh
  3. Setiap interpretasi harus kontekstual — hubungkan angka dengan makna klinis dan kebijakan
  4. Sertakan minimal 4 referensi relevan dalam format Vancouver
  5. Cantumkan nama, NIM, dan pembagian peran seluruh anggota kelompok

SKENARIO: "Studi Faktor Risiko Persalinan Prematur di Tiga Kabupaten"

Tim peneliti dari Fakultas Kedokteran melakukan studi untuk menginvestigasi faktor risiko persalinan prematur (usia kehamilan < 37 minggu) di tiga kabupaten di Jawa Tengah. Mereka menggunakan dua desain studi secara bersamaan:

Studi A — Kohort Prospektif

Sebanyak 800 ibu hamil trimester pertama direkrut dan diikuti hingga persalinan. Paparan utama yang diteliti adalah infeksi saluran kemih (ISK) selama kehamilan sebagai faktor risiko persalinan prematur.

Prematur (+) Aterm (-) Total
ISK (+) 48 152 200
ISK (-) 36 564 600
Total 84 716 800
Studi B — Kasus-Kontrol

Secara bersamaan, tim yang sama melakukan studi kasus-kontrol menggunakan 84 kasus persalinan prematur (dari Studi A) dan 168 kontrol yang dipilih secara acak dari ibu dengan persalinan aterm. Paparan yang diteliti sama: ISK selama kehamilan.

ISK (+) ISK (-) Total
Kasus — Prematur (+) 48 36 84
Kontrol — Aterm (-) 38 130 168
Total 86 166 252
Informasi tambahan:
  • Prevalensi ISK pada ibu hamil di populasi umum kabupaten tersebut: 25%
  • Prevalensi persalinan prematur di populasi umum: 10,5%
  • Dalam analisis lanjutan, peneliti mencurigai bahwa paritas (primipara vs. multipara) mungkin berperan sebagai confounder atau effect modifier terhadap hubungan ISK–prematur
Data stratifikasi berdasarkan paritas (dari Studi A):

Stratum 1 — Primipara (n=400):

Prematur (+) Aterm (-) Total
ISK (+) 30 70 100
ISK (-) 15 285 300
Total 45 355 400

Stratum 2 — Multipara (n=400):

Prematur (+) Aterm (-) Total
ISK (+) 18 82 100
ISK (-) 21 279 300
Total 39 361 400

PERTANYAAN

Pertanyaan 1 — Perhitungan Ukuran Asosiasi Studi A Bobot 25%

Menggunakan data Studi A (kohort prospektif):

  1. Hitung Risk Ratio (RR) untuk hubungan ISK dengan persalinan prematur. Tunjukkan langkah perhitungan lengkap dan interpretasikan hasilnya dalam bahasa yang dapat dipahami oleh dokter puskesmas.
  2. Hitung Risk Difference (RD) dan Number Needed to Harm (NNH) — yakni berapa ibu dengan ISK yang perlu ada agar satu kasus persalinan prematur tambahan terjadi akibat ISK. Interpretasikan makna klinis angka NNH yang Anda peroleh.
  3. Hitung Population Attributable Risk Percent (PAR%) menggunakan formula Levin, dengan asumsi prevalensi ISK di populasi adalah 25%. Apa implikasi angka PAR% ini untuk program KIA di kabupaten tersebut?
Pertanyaan 2 — Perhitungan dan Komparasi Studi B Bobot 20%

Menggunakan data Studi B (kasus-kontrol):

  1. Hitung Odds Ratio (OR) untuk hubungan ISK dengan persalinan prematur. Tunjukkan perhitungan lengkap.
  2. Bandingkan nilai OR dari Studi B dengan RR dari Studi A. Apakah keduanya mendekati sama? Gunakan rare disease assumption untuk menjelaskan apakah OR dapat digunakan sebagai aproksimasi RR dalam kasus ini, mengingat prevalensi persalinan prematur 10,5%.
  3. Jika seorang peneliti hanya memiliki data Studi B (kasus-kontrol) dan tidak memiliki data kohort, apakah ia dapat menyimpulkan besarnya risiko absolut persalinan prematur akibat ISK? Jelaskan secara konseptual mengapa ya atau tidak.
Pertanyaan 3 — Analisis Confounding dan Effect Modification Bobot 35%

Menggunakan data stratifikasi berdasarkan paritas:

  1. Hitung RR untuk hubungan ISK–prematur secara terpisah pada stratum primipara dan stratum multipara. Tunjukkan perhitungan lengkap untuk kedua stratum.
  2. Bandingkan RR stratum-spesifik (Pertanyaan 3a) dengan RR crude (Pertanyaan 1a). Berdasarkan perbandingan ini:
    • Apakah paritas berperan sebagai confounder, effect modifier, atau keduanya?
    • Gunakan kriteria metodologis yang tepat untuk mendukung kesimpulan Anda
    • Jika paritas adalah confounder, hitung Mantel-Haenszel adjusted RR menggunakan formula berikut:
      $$RR_{MH} = \frac{\sum (a_i \times d_i / n_i)}{\sum (b_i \times c_i / n_i)}$$

      di mana i = stratum ke-i, dan ni = total dalam stratum ke-i

  3. Berdasarkan temuan analisis stratifikasi Anda, apa rekomendasi analitik yang tepat: apakah laporan akhir sebaiknya melaporkan RR crude, RR yang disesuaikan (adjusted), atau RR stratum-spesifik? Jelaskan alasan metodologis dan implikasi klinisnya.
Pertanyaan 4 — Identifikasi Bias dalam Kedua Studi Bobot 15%
  1. Identifikasi satu potensi bias seleksi yang mungkin memengaruhi Studi A (kohort). Jelaskan mekanismenya dan bagaimana hal ini dapat memengaruhi RR yang dihitung.
  2. Identifikasi satu potensi bias informasi yang mungkin memengaruhi Studi B (kasus-kontrol). Jelaskan mekanismenya dan arah kemungkinan distorsi terhadap OR.
  3. Jelaskan satu strategi metodologis spesifik yang dapat diterapkan pada desain studi serupa di masa depan untuk meminimalkan masing-masing bias yang Anda identifikasi.
Pertanyaan 5 — Komunikasi Hasil untuk Kebijakan Bobot 5%

Anda diminta mempresentasikan temuan studi ini kepada Kepala Dinas Kesehatan kabupaten yang berlatar belakang administrasi (bukan dokter). Dalam maksimal 150 kata, tuliskan ringkasan eksekutif yang mengomunikasikan:

  • Temuan utama dalam bahasa non-teknis
  • Satu angka kunci yang paling relevan untuk pengambilan kebijakan (pilih dari RR, RD, NNH, atau PAR% — dan jelaskan mengapa Anda memilih angka tersebut)
  • Satu rekomendasi program yang konkret dan terukur

RUBRIK PENILAIAN

Pertanyaan Komponen Penilaian Bobot
P1 Ketepatan perhitungan RR, RD, NNH, PAR%; kualitas interpretasi kontekstual 25%
P2 Ketepatan OR; analisis rare disease assumption; pemahaman keterbatasan kasus-kontrol 20%
P3 Ketepatan RR stratum-spesifik; kemampuan membedakan confounding vs. effect modification; perhitungan MH-adjusted RR 35%
P4 Ketajaman identifikasi bias; kejelasan mekanisme; relevansi strategi mitigasi 15%
P5 Kejelasan komunikasi non-teknis; ketepatan pemilihan angka kunci; konkretnya rekomendasi 5%
PANDUAN REFERENSI MINIMAL
  1. Rothman KJ, Greenland S, Lash TL. Modern Epidemiology. 3rd ed. 2008.
  2. Szklo M, Nieto FJ. Epidemiology: Beyond the Basics. 4th ed. 2019.
  3. Zou G. A modified Poisson regression approach to prospective studies with binary data. Am J Epidemiol. 2004;159(7):702-706.
  4. Schmidt CO, Kohlmann T. When to use the odds ratio or the relative risk? Int J Public Health. 2008;53(3):165-167.
  5. WHO. WHO Recommendations on Interventions to Improve Preterm Birth Outcomes. Geneva: WHO; 2015. https://www.who.int/publications/i/item/9789241508988