Evaluasi Uji Diagnostik: Sensitivitas, Spesifisitas, dan Nilai Prediksi

Semester 1 | Periode 1 | MK Epidemiologi Klinik & Biostatistik Lanjut (6 SKS) | Sesi 1 | Modul 5

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

Uji Diagnostik Sensitivitas & Spesifisitas Nilai Prediksi

Daftar Isi

A. Deskripsi Modul

Setiap hari, dokter obstetri membuat keputusan berdasarkan hasil pemeriksaan: apakah hasil CTG ini benar-benar menunjukkan gawat janin? Apakah tes protein urin positif ini benar-benar preeklampsia? Apakah USG yang menunjukkan oligohidramnion ini cukup akurat untuk memutuskan terminasi kehamilan? Semua pertanyaan ini adalah pertanyaan tentang akurasi diagnostik — dan jawabannya memerlukan pemahaman mendalam tentang sensitivitas, spesifisitas, nilai prediksi, dan kurva ROC.

Modul ini membangun kompetensi evaluasi uji diagnostik secara komprehensif. Ini bukan sekadar menghafal rumus, tetapi memahami mengapa sebuah tes yang sensitif 95% masih bisa menghasilkan lebih banyak hasil positif palsu daripada positif benar dalam kondisi tertentu — dan mengapa pemahaman ini fundamental untuk pengambilan keputusan klinis yang rasional serta kebijakan skrining nasional.

Dalam konteks subspesialis Obginsos, evaluasi uji diagnostik memiliki dimensi yang lebih luas: apakah program skrining preeklampsia berbasis mean arterial pressure layak diimplementasikan di seluruh puskesmas Indonesia? Apakah tes IVA (Inspeksi Visual Asam Asetat) untuk deteksi dini kanker serviks cukup akurat untuk program skrining nasional? Jawabannya hanya dapat diberikan dengan pemahaman yang solid tentang materi modul ini.

B. Capaian Pembelajaran Modul

Setelah menyelesaikan modul ini, peserta didik mampu:

  1. Menghitung dan menginterpretasikan sensitivitas, spesifisitas, nilai prediksi positif (PPV), dan nilai prediksi negatif (NPV) dari data uji diagnostik
  2. Menjelaskan pengaruh prevalensi penyakit terhadap PPV dan NPV serta implikasinya untuk program skrining
  3. Menghitung dan menginterpretasikan Likelihood Ratio (LR+ dan LR−) sebagai ukuran akurasi diagnostik yang independen dari prevalensi
  4. Menganalisis kurva ROC dan menentukan titik potong (cut-off point) optimal berdasarkan tujuan klinis
  5. Mengevaluasi kelayakan implementasi uji diagnostik untuk program skrining populasi di konteks Indonesia

C. Materi Inti

C.1. Kerangka Dasar: Tabel 2×2 Diagnostik

Berbeda dari tabel 2×2 analitik (Modul 4) di mana baris adalah paparan dan kolom adalah outcome, dalam evaluasi diagnostik baris adalah hasil tes dan kolom adalah status penyakit sebenarnya (gold standard):

STATUS PENYAKIT SEBENARNYA
(Gold Standard)		 Total
Sakit (+) Sehat (-)
HASIL TES (+) True Positive
(TP)		 False Positive
(FP)		 TP+FP
HASIL TES (-) False Negative
(FN)		 True Negative
(TN)		 FN+TN
Total TP+FN FP+TN N

Keterangan:

C.2. Sensitivitas dan Spesifisitas

C.2.1. Sensitivitas

Sensitivitas adalah probabilitas hasil tes positif pada individu yang benar-benar sakit:

$$Se = \frac{TP}{TP + FN} = TP / (TP + FN)$$

Sensitivitas menjawab pertanyaan: "Dari semua orang yang sakit, berapa proporsi yang terdeteksi oleh tes ini?"

Sensitivitas tinggi berarti tes jarang melewatkan orang yang sakit (few false negatives). Tes dengan sensitivitas tinggi berguna untuk menyingkirkan diagnosis (rule out) — jika hasilnya negatif pada tes yang sangat sensitif, kemungkinan besar orang tersebut memang tidak sakit.

Mnemonik: SnNout — Sensitivity high, Negative result rules OUT disease

C.2.2. Spesifisitas

Spesifisitas adalah probabilitas hasil tes negatif pada individu yang benar-benar sehat:

$$Sp = \frac{TN}{TN + FP} = TN / (TN + FP)$$

Spesifisitas menjawab pertanyaan: "Dari semua orang yang sehat, berapa proporsi yang dengan benar dinyatakan negatif oleh tes ini?"

Spesifisitas tinggi berarti tes jarang memberikan hasil positif pada orang sehat (few false positives). Tes dengan spesifisitas tinggi berguna untuk menegakkan diagnosis (rule in) — jika hasilnya positif pada tes yang sangat spesifik, kemungkinan besar orang tersebut memang sakit.

Mnemonik: SpPin — Specificity high, Positive result rules IN disease

C.2.3. Trade-off Sensitivitas dan Spesifisitas

Sensitivitas dan spesifisitas berada dalam hubungan trade-off: meningkatkan sensitivitas umumnya menurunkan spesifisitas, dan sebaliknya. Trade-off ini dikendalikan oleh pemilihan cut-off point.

Contoh dalam obstetri: Tes protein urin dengan dipstik untuk skrining preeklampsia:
  • Jika cut-off diturunkan (≥1+ dianggap positif): sensitivitas meningkat, lebih banyak preeklampsia terdeteksi, tetapi lebih banyak ibu normal yang salah diklasifikasikan positif
  • Jika cut-off dinaikkan (≥3+ dianggap positif): spesifisitas meningkat, diagnosis lebih pasti, tetapi lebih banyak kasus preeklampsia ringan terlewat

🎯 Kapan Prioritaskan Sensitivitas Tinggi?

  • Penyakit serius dengan konsekuensi besar jika terlewat (skrining kanker serviks, deteksi HIV pada ibu hamil)
  • Biaya pengobatan false positive relatif rendah
  • Tersedia tes konfirmasi yang lebih spesifik

🎯 Kapan Prioritaskan Spesifisitas Tinggi?

  • Intervensi bersifat invasif, mahal, atau berisiko
  • Diagnosis positif membawa stigma signifikan
  • Prevalensi penyakit sangat rendah (lihat C.3)

C.3. Nilai Prediksi Positif dan Negatif

Sensitivitas dan spesifisitas adalah properti intrinsik tes — mereka relatif stabil terlepas dari prevalensi penyakit di populasi. Tetapi yang lebih relevan secara klinis adalah: "Jika hasil tes pasien saya positif, berapa kemungkinan ia benar-benar sakit?" — inilah yang dijawab oleh nilai prediksi.

C.3.1. Positive Predictive Value (PPV)

PPV adalah probabilitas seseorang benar-benar sakit jika hasil tesnya positif:

$$PPV = \frac{TP}{TP + FP} = TP / (TP + FP)$$

C.3.2. Negative Predictive Value (NPV)

NPV adalah probabilitas seseorang benar-benar sehat jika hasil tesnya negatif:

$$NPV = \frac{TN}{TN + FN} = TN / (TN + FN)$$

C.3.3. Pengaruh Prevalensi terhadap PPV dan NPV

Inilah konsep yang paling sering disalahpahami dalam evaluasi diagnostik dan paling penting untuk kebijakan skrining. PPV dan NPV sangat bergantung pada prevalensi penyakit di populasi yang dites.

Ilustrasi numerik — Tes skrining preeklampsia dengan Se=90%, Sp=85%:
Skenario 1: Populasi risiko tinggi (prevalensi 20%)

Simulasikan pada 1.000 ibu hamil:

  • Sakit: 200 orang; Sehat: 800 orang
  • TP = 200 × 0,90 = 180
  • FN = 200 × 0,10 = 20
  • TN = 800 × 0,85 = 680
  • FP = 800 × 0,15 = 120
PPV = 180 / (180+120) = 180/300 = 60,0%
NPV = 680 / (680+20) = 680/700 = 97,1%
Skenario 2: Populasi risiko rendah (prevalensi 2%)

Simulasikan pada 1.000 ibu hamil:

  • Sakit: 20 orang; Sehat: 980 orang
  • TP = 20 × 0,90 = 18
  • FN = 20 × 0,10 = 2
  • TN = 980 × 0,85 = 833
  • FP = 980 × 0,15 = 147
PPV = 18 / (18+147) = 18/165 = 10,9%
NPV = 833 / (833+2) = 833/835 = 99,8%
Parameter Prevalensi 20% Prevalensi 2%
Sensitivitas 90% 90%
Spesifisitas 85% 85%
PPV 60,0% 10,9%
NPV 97,1% 99,8%
Perbandingan dan implikasi: Tes yang sama menghasilkan PPV yang sangat berbeda: 60% pada populasi risiko tinggi vs. hanya 11% pada populasi risiko rendah. Artinya, pada populasi risiko rendah, dari setiap 10 hasil positif, hanya 1 yang benar-benar preeklampsia — 9 sisanya adalah false positive yang akan menjalani pemeriksaan lanjutan yang tidak perlu.
Implikasi untuk kebijakan skrining nasional: Ini menjelaskan mengapa program skrining universal yang efektif di negara maju (prevalensi tinggi) tidak dapat begitu saja diadopsi untuk seluruh populasi ibu hamil Indonesia tanpa stratifikasi risiko. Tes dengan karakteristik yang sama dapat memiliki nilai prediksi yang sangat berbeda tergantung konteks populasinya.

C.4. Likelihood Ratio

Likelihood Ratio (LR) adalah ukuran akurasi diagnostik yang paling kuat karena tidak bergantung pada prevalensi dan dapat digunakan untuk memperbarui probabilitas pre-test menjadi probabilitas post-test menggunakan Bayes' theorem.

C.4.1. Positive Likelihood Ratio (LR+)

LR+ menyatakan berapa kali lebih mungkin hasil tes positif ditemukan pada orang sakit dibandingkan pada orang sehat:

$$LR+ = \frac{Sensitivitas}{1 - Spesifisitas} = \frac{TP/(TP+FN)}{FP/(FP+TN)}$$

C.4.2. Negative Likelihood Ratio (LR−)

LR− menyatakan berapa kali lebih mungkin hasil tes negatif ditemukan pada orang sakit dibandingkan pada orang sehat:

$$LR- = \frac{1 - Sensitivitas}{Spesifisitas} = \frac{FN/(TP+FN)}{TN/(FP+TN)}$$

C.4.3. Interpretasi LR

Positive LR (LR+)
Nilai LR+Kekuatan Bukti
> 10Sangat kuat — hampir pasti diagnosis
5–10Kuat
2–5Moderat
1–2Lemah — hampir tidak berguna
= 1Tidak informatif
Negative LR (LR−)
Nilai LR−Kekuatan Bukti
< 0,1Sangat kuat — hampir pasti menyingkirkan
0,1–0,2Kuat
0,2–0,5Moderat
0,5–1Lemah
= 1Tidak informatif

C.4.4. Menggunakan LR untuk Memperbarui Probabilitas

  1. Tentukan pre-test probability (= prevalensi atau estimasi klinis)
  2. Konversi ke pre-test odds:
    Pre-test odds = Pre-test probability / (1 − Pre-test probability)
  3. Hitung post-test odds:
    Post-test odds = Pre-test odds × LR
  4. Konversi kembali ke post-test probability:
    Post-test probability = Post-test odds / (Post-test odds + 1)
Contoh klinis: Seorang ibu hamil 32 minggu datang dengan tekanan darah 148/96 mmHg. Probabilitas pre-test preeklampsia pada pasien ini (berdasarkan riwayat dan klinis) diestimasi 30%. Tes protein urin (dipstik ≥2+) memiliki LR+ = 6,5.
Pre-test odds = 0,30 / (1−0,30) = 0,43
Post-test odds = 0,43 × 6,5 = 2,78
Post-test probability = 2,78 / (2,78+1) = 2,78/3,78 = 73,5%
Setelah tes positif, probabilitas preeklampsia meningkat dari 30% menjadi 73,5% — informasi yang jauh lebih berguna daripada sekadar menyatakan "tes positif."

C.5. Kurva ROC (Receiver Operating Characteristic)

C.5.1. Konsep Dasar

Kurva ROC menggambarkan trade-off antara sensitivitas dan (1−spesifisitas) pada berbagai nilai cut-off. Setiap titik pada kurva mewakili pasangan sensitivitas/spesifisitas untuk satu nilai cut-off tertentu.

xychart-beta title "Kurva ROC: Sensitivitas vs (1 - Spesifisitas)" x-axis "1 - Spesifisitas (False Positive Rate)" 0 --> 1 y-axis "Sensitivitas (True Positive Rate)" 0 --> 1 line [0, 0.3, 0.6, 0.85, 0.95, 1] line [0, 0.1, 0.3, 0.5, 0.7, 1]

█ Kurva tes baik  |  ─ Garis diagonal (tes tidak informatif, AUC = 0,5)

Garis diagonal (dari sudut kiri bawah ke kanan atas) mewakili tes yang tidak informatif sama sekali (AUC = 0,5 = setara lemparan koin). Semakin kurva "melengkung" ke sudut kiri atas, semakin baik akurasi tes (AUC mendekati 1,0).

C.5.2. Area Under Curve (AUC)

AUC (Area Under the ROC Curve) adalah ukuran ringkas akurasi diagnostik keseluruhan:

AUCInterpretasi
0,9–1,0Excellent
0,8–0,9Good
0,7–0,8Fair
0,6–0,7Poor
0,5–0,6Fail — tidak lebih baik dari chance
Contoh dalam obstetri:
  • AUC CTG untuk prediksi asfiksia neonatal: ~0,65–0,75 (fair)
  • AUC kombinasi MAP + sFlt-1/PlGF untuk prediksi preeklampsia trimester pertama: ~0,89–0,93 (good–excellent)
  • AUC IVA untuk deteksi lesi prakanker serviks: ~0,70–0,78 (fair)

C.5.3. Menentukan Cut-off Optimal

Tidak ada cut-off yang universally optimal — pilihan tergantung pada tujuan klinis:

📐 Metode 1: Youden Index

Memaksimalkan jumlah sensitivitas + spesifisitas:

J = Sensitivitas + Spesifisitas − 1

Cocok ketika false positive dan false negative memiliki konsekuensi yang setara.

📐 Metode 2: Titik Terdekat ke Sudut Kiri Atas

Meminimalkan jarak ke titik (0,1) pada grafik ROC. Memberikan bobot setara pada sensitivitas dan spesifisitas.

📐 Metode 3: Berbasis Konsekuensi Klinis

Jika false negative lebih berbahaya (misal: melewatkan gawat janin), pilih cut-off yang memaksimalkan sensitivitas. Jika false positive lebih berbahaya (misal: terminasi kehamilan prematur), prioritaskan spesifisitas.

C.6. Aplikasi dalam Program Skrining Nasional

Kriteria Wilson & Jungner (WHO, 1968) untuk Program Skrining:

Program skrining yang baik harus memenuhi kriteria:

  1. Kondisi merupakan masalah kesehatan penting
  2. Tersedia terapi atau intervensi yang efektif
  3. Fasilitas diagnosis dan terapi tersedia
  4. Ada stadium laten atau gejala awal yang dapat dideteksi
  5. Tersedia tes atau pemeriksaan yang sesuai
  6. Tes dapat diterima oleh populasi
  7. Riwayat alamiah penyakit dipahami dengan baik
  8. Ada kebijakan yang jelas tentang siapa yang akan diobati
  9. Biaya skrining sebanding dengan manfaat
  10. Proses skrining bersifat berkelanjutan

Evaluasi Program IVA untuk Kanker Serviks di Indonesia:

IVA (Inspeksi Visual dengan Asam Asetat) adalah tes skrining kanker serviks yang digunakan secara luas di Indonesia karena murah, tidak memerlukan laboratorium, dan dapat dilakukan oleh bidan terlatih.

Karakteristik diagnostik IVA (meta-analisis):
  • Sensitivitas: 79,6% (95% CI: 74,1–84,5%)
  • Spesifisitas: 84,7% (95% CI: 80,9–88,0%)
  • LR+: 5,2
  • LR−: 0,24

Prevalensi lesi prakanker serviks (CIN2+) pada populasi umum Indonesia: ~5–8%

Dengan prevalensi 6% (simulasi 1.000 perempuan):

  • TP = 60 × 0,796 = 47,8
  • FN = 60 × 0,204 = 12,2
  • TN = 940 × 0,847 = 795,8
  • FP = 940 × 0,153 = 143,8
PPV = 47,8 / (47,8+143,8) = 47,8/191,6 = 24,9%
NPV = 795,8 / (795,8+12,2) = 795,8/808 = 98,5%

Artinya: dari setiap 4 hasil IVA positif, hanya 1 yang benar-benar memiliki lesi prakanker. Tiga sisanya adalah false positive yang akan menjalani kolposkopi tidak perlu. Ini bukan kegagalan program — ini adalah konsekuensi matematis skrining dengan prevalensi rendah, yang harus dipahami dan dikomunikasikan kepada pembuat kebijakan dan pasien.

D. Pertanyaan Diskusi (Thread Dosen – Minggu 5)

Pertanyaan 1 Diskusi

Seorang Kepala Puskesmas mengusulkan penggunaan tes mean arterial pressure (MAP) trimester pertama untuk skrining preeklampsia pada semua ibu hamil di wilayahnya. Data literatur menunjukkan MAP memiliki sensitivitas 72% dan spesifisitas 78% untuk prediksi preeklampsia. Prevalensi preeklampsia di wilayah tersebut adalah 8%. Hitung PPV dan NPV tes ini pada populasi tersebut. Kemudian berikan penilaian: apakah Anda merekomendasikan implementasi skrining universal MAP ini? Pertimbangkan aspek akurasi diagnostik, kapasitas sistem kesehatan, dan dampak pada ibu hamil dengan hasil false positive.

Pertanyaan 2 Diskusi

Dua tes diagnostik untuk deteksi ketuban pecah dini (KPD) dilaporkan memiliki karakteristik berikut: Tes A — Se=95%, Sp=60%; Tes B — Se=70%, Sp=92%. Seorang dokter jaga di IGD pukul 02.00 harus memutuskan apakah akan melakukan induksi persalinan pada pasien 36 minggu yang dicurigai KPD. Tes mana yang sebaiknya digunakan sebagai tes awal, dan tes mana sebagai tes konfirmasi sebelum tindakan? Gunakan konsep SnNout dan SpPin serta Likelihood Ratio dalam argumentasi Anda.

E. Rangkuman

  1. Tabel 2×2 diagnostik (TP, FP, FN, TN) adalah fondasi seluruh perhitungan akurasi diagnostik; memahami perbedaan antara baris (hasil tes) dan kolom (status penyakit sebenarnya) adalah langkah pertama yang kritis
  2. Sensitivitas mengukur kemampuan tes mendeteksi orang sakit (rule out jika negatif pada tes sensitif — SnNout); spesifisitas mengukur kemampuan tes mengidentifikasi orang sehat (rule in jika positif pada tes spesifik — SpPin)
  3. PPV dan NPV sangat bergantung pada prevalensi penyakit di populasi — tes yang sama dapat menghasilkan PPV yang sangat berbeda pada populasi risiko tinggi vs. rendah; ini adalah fondasi untuk keputusan program skrining
  4. Likelihood Ratio adalah ukuran akurasi diagnostik terkuat karena independen dari prevalensi dan memungkinkan pembaruan probabilitas diagnosis menggunakan Bayes' theorem
  5. Kurva ROC dan AUC merangkum akurasi diagnostik keseluruhan di semua cut-off; pemilihan cut-off optimal harus mempertimbangkan konsekuensi klinis dari false positive dan false negative, bukan hanya matematis

F. Referensi

  1. Sackett DL, Haynes RB, Guyatt GH, Tugwell P. Clinical Epidemiology: A Basic Science for Clinical Medicine. 2nd ed. Boston: Little Brown; 1991.
  2. Deeks JJ, Altman DG. Diagnostic tests 4: likelihood ratios. BMJ. 2004;329(7458):168-169. https://doi.org/10.1136/bmj.329.7458.168
  3. Bossuyt PM, Reitsma JB, Bruns DE, et al. STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ. 2015;351:h5527. https://doi.org/10.1136/bmj.h5527 | https://www.equator-network.org/reporting-guidelines/stard/
  4. Leeflang MM, Rutjes AW, Reitsma JB, et al. Variation of a test's sensitivity and specificity with disease prevalence. CMAJ. 2013;185(11):E537-544. https://doi.org/10.1503/cmaj.121286
  5. Catanzarite V, Cousins L, Dowling D, Daneshmand S. Relationship between ultrasound-detected subchorionic hematomas and clinical outcomes. Obstetrics & Gynecology. 2011.
  6. Duhig KE, Myers J, Seed PT, et al. Placental growth factor testing to assess women with suspected pre-eclampsia. Lancet. 2019;393(10183):1807-1818. https://doi.org/10.1016/S0140-6736(18)33212-4
  7. Sankaranarayanan R, Nessa A, Esmy PO, Dangou JM. Visual inspection methods for cervical cancer prevention. Best Practice & Research Clinical Obstetrics & Gynaecology. 2012;26(2):221-232. https://doi.org/10.1016/j.bpobgyn.2011.08.003
  8. Hanley JA, McNeil BJ. The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology. 1982;143(1):29-36. https://doi.org/10.1148/radiology.143.1.7063747
  9. Wilson JMG, Jungner G. Principles and Practice of Screening for Disease. Geneva: WHO; 1968. https://www.who.int/bulletin/volumes/86/4/07-050112BP.pdf
  10. Kementerian Kesehatan RI. Pedoman Program Deteksi Dini Kanker Leher Rahim dan Kanker Payudara. Jakarta: Kemenkes RI; 2015. https://www.kemkes.go.id
Referensi Tambahan yang Direkomendasikan
  1. Altman DG, Bland JM. Diagnostic tests 2: Predictive values. BMJ. 1994;309(6947):102. https://doi.org/10.1136/bmj.309.6947.102
  2. Parikh R, Mathai A, Parikh S, et al. Understanding and using sensitivity, specificity and predictive values. Indian J Ophthalmol. 2008;56(1):45-50. https://doi.org/10.4103/0301-4738.37595
  3. Pepe MS. The Statistical Evaluation of Medical Tests for Classification and Prediction. Oxford: Oxford University Press; 2003.
  4. WHO. WHO Guidelines on Drawing Blood: Best Practices in Phlebotomy. Geneva: WHO; 2010. https://www.who.int/publications/i/item/9789241599221
  5. 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/
  6. OpenEpi — Free Online Epidemiologic Statistics Calculator: https://www.openepi.com/DiagTest/DiagTest.htm
  7. Mermaid Live Editor — Tool untuk membuat diagram kurva ROC: https://mermaid.live/
  8. MathJax Documentation — Untuk rendering formula matematika: https://docs.mathjax.org/

QUIZ 1 – MINGGU 5

Mata Kuliah: Epidemiologi Klinik & Biostatistik Lanjut | Materi: Modul 1 sampai Modul 5

📋 Petunjuk Teknis

JenisQuiz MCQ (Multiple Choice Questions)
Jumlah Soal10 soal
Waktu Pengerjaan15 menit
Sistem PenilaianBenar: +1
Nilai Maksimal10
PlatformLMS — dikerjakan online, jawaban tidak dapat diubah setelah dikonfirmasi
SifatClosed book — tidak boleh membuka catatan atau modul selama pengerjaan

Catatan: Timer akan berjalan otomatis sejak quiz dibuka. Pastikan koneksi internet stabil sebelum memulai.

SOAL QUIZ

Soal 1 (Materi: Modul 1 — Konsep Dasar Epidemiologi)

Seorang peneliti melaporkan bahwa di Kabupaten X, terdapat 45 kematian ibu dari 15.000 kelahiran hidup dalam satu tahun. Ukuran epidemiologi yang paling tepat untuk menyatakan angka ini adalah:

  • A. Prevalensi kematian ibu per 100.000 penduduk
  • B. Angka Kematian Ibu (AKI) per 100.000 kelahiran hidup
  • C. Insidens rate kematian ibu per 1.000 ibu hamil
  • D. Case fatality rate komplikasi obstetri
  • E. Mortalitas kasar per 100.000 penduduk
Soal 2 (Materi: Modul 1 — Triad Epidemiologi & Epidemiologi Sosial)

Berdasarkan Three Delays Model (Thaddeus & Maine, 1994), seorang ibu hamil di daerah terpencil yang sudah memutuskan untuk ke fasilitas kesehatan namun meninggal dalam perjalanan karena jalan rusak dan tidak ada ambulans, mengalami keterlambatan pada fase:

  • A. Fase 1 — Keterlambatan mengenali tanda bahaya
  • B. Fase 1 dan Fase 2 secara bersamaan
  • C. Fase 2 — Keterlambatan mengambil keputusan untuk mencari pertolongan
  • D. Fase 3 — Keterlambatan mencapai fasilitas kesehatan yang memadai
  • E. Fase 3 — Keterlambatan mendapatkan penanganan yang adekuat di fasilitas
Soal 3 (Materi: Modul 2 — Desain Penelitian)

Seorang peneliti ingin mengetahui apakah konsumsi asam folat sebelum kehamilan mengurangi risiko cacat tabung saraf (neural tube defect/NTD) pada bayi. NTD adalah kondisi yang sangat jarang (prevalensi ~0,1%). Desain penelitian yang paling efisien untuk menjawab pertanyaan ini adalah:

  • A. RCT dengan randomisasi individu
  • B. Studi kohort prospektif besar
  • C. Studi kasus-kontrol
  • D. Studi cross-sectional berbasis populasi
  • E. Studi ekologis lintas negara
Soal 4 (Materi: Modul 2 — Validitas Eksternal)

Sebuah RCT tentang efektivitas misoprostol sublingual untuk pencegahan perdarahan postpartum dilakukan di RS universitas besar di Jakarta dengan kriteria inklusi sangat ketat: hanya ibu primipara, usia 20–30 tahun, tanpa komorbiditas, persalinan spontan. Hasilnya menunjukkan penurunan risiko PPH sebesar 40%. Keterbatasan utama penelitian ini dalam konteks penerapan di puskesmas daerah terpencil adalah:

  • A. Validitas internal rendah karena randomisasi tidak adekuat
  • B. Validitas eksternal terbatas karena populasi studi tidak representatif
  • C. Recall bias tinggi karena desain retrospektif
  • D. Confounding oleh paritas tidak dikendalikan
  • E. Loss to follow-up tinggi karena follow-up terlalu singkat
Soal 5 (Materi: Modul 3 — Bias)

Dalam studi kasus-kontrol tentang hubungan paparan pestisida dengan abortus spontan, ibu yang mengalami abortus (kasus) secara konsisten melaporkan lebih banyak paparan pestisida selama kehamilan dibanding ibu yang kehamilannya normal (kontrol), meskipun catatan pekerjaan menunjukkan paparan yang serupa. Fenomena ini paling tepat disebut sebagai:

  • A. Berkson's bias
  • B. Healthy worker effect
  • C. Recall bias (rumination bias)
  • D. Interviewer bias
  • E. Loss to follow-up bias
Soal 6 (Materi: Modul 3 — Confounding)

Sebuah studi kohort menemukan bahwa ibu yang melakukan persalinan di bidan praktik mandiri (BPM) memiliki risiko komplikasi lebih rendah dibanding yang melahirkan di IGD Puskesmas (RR = 0,55). Namun setelah distratifikasi berdasarkan risiko obstetri, RR menjadi hampir sama di kedua stratum (primipara berisiko rendah: RR=0,92; multipara berisiko rendah: RR=0,88). Penjelasan metodologis yang paling tepat adalah:

  • A. Effect modification oleh paritas
  • B. Confounding oleh status risiko obstetri — ibu berisiko rendah lebih memilih BPM
  • C. Berkson's bias akibat perbedaan rekrutmen
  • D. Non-differential misclassification outcome
  • E. Loss to follow-up yang berbeda antar kelompok
Soal 7 (Materi: Modul 4 — Odds Ratio)

Sebuah studi kasus-kontrol tentang faktor risiko plasenta previa menghasilkan tabel berikut:

Plasenta Previa (+) Normal (-)
SC Sebelumnya (+) 40 60
SC Sebelumnya (-) 20 180

Odds Ratio untuk hubungan riwayat SC dengan plasenta previa adalah:

  • A. OR = 2,0
  • B. OR = 4,0
  • C. OR = 6,0
  • D. OR = 8,0
  • E. OR = 3,0
Soal 8 (Materi: Modul 4 — Interpretasi dan Pemilihan Ukuran Asosiasi)

Prevalensi persalinan sectio caesarea (SC) di Indonesia adalah sekitar 17%. Sebuah studi cross-sectional menganalisis hubungan antara kelas sosial ekonomi dengan persalinan SC dan melaporkan OR = 3,4 dari regresi logistik. Pernyataan yang paling tepat mengenai pemilihan dan interpretasi ukuran asosiasi ini adalah:

  • A. OR = 3,4 tepat digunakan karena studi cross-sectional selalu menggunakan regresi logistik
  • B. OR = 3,4 merupakan aproksimasi RR yang valid karena prevalensi SC < 50%
  • C. OR = 3,4 kemungkinan melebih-lebihkan Prevalence Ratio karena prevalensi SC >10%; sebaiknya digunakan Poisson regression
  • D. OR = 3,4 tepat karena cross-sectional tidak dapat menghitung RR
  • E. OR tidak dapat diinterpretasikan pada studi cross-sectional
Soal 9 (Materi: Modul 5 — Nilai Prediksi dan Prevalensi)

Tes skrining diabetes gestasional (Glucose Challenge Test/GCT) memiliki sensitivitas 80% dan spesifisitas 90%. Di Klinik A (populasi risiko tinggi, prevalensi DM gestasional 15%), PPV tes ini adalah X%. Di Klinik B (populasi umum, prevalensi 3%), PPV tes ini adalah Y%. Pernyataan yang benar adalah:

  • A. X = Y karena PPV hanya bergantung pada sensitivitas dan spesifisitas tes
  • B. X > Y karena prevalensi lebih tinggi meningkatkan PPV
  • C. X < Y karena prevalensi lebih tinggi meningkatkan jumlah false positive
  • D. X = Y karena sensitivitas dan spesifisitas sudah mengontrol pengaruh prevalensi
  • E. Tidak dapat ditentukan tanpa mengetahui jumlah sampel di masing-masing klinik
Soal 10 (Materi: Modul 5 — Likelihood Ratio dan Aplikasi Klinis)

Seorang ibu hamil 38 minggu dengan kemungkinan pre-test preeklampsia berat sebesar 25% (berdasarkan tekanan darah dan gejala klinis) menjalani pemeriksaan sFlt-1/PlGF ratio. Tes ini memiliki LR+ = 8,0. Berapakah post-test probability preeklampsia berat setelah hasil tes kembali positif?

  • A. 25,0%
  • B. 57,2%
  • C. 72,7%
  • D. 80,0%
  • E. 88,9%

KUNCI JAWABAN DAN PEMBAHASAN

(Untuk Dosen — Tidak Dibagikan ke Mahasiswa Sebelum Quiz Berakhir)

Soal 1 — Jawaban: B
AKI dinyatakan sebagai jumlah kematian ibu per 100.000 kelahiran hidup — ini adalah definisi standar WHO yang digunakan secara universal. Bukan prevalensi (yang mengukur kondisi yang ada, bukan kematian), bukan insidens rate per ibu hamil, dan bukan mortalitas kasar per penduduk.

Soal 2 — Jawaban: D
Ibu sudah melewati Fase 1 (mengenali bahaya) dan Fase 2 (memutuskan mencari pertolongan — terbukti sudah berangkat). Kematian terjadi karena hambatan fisik mencapai fasilitas (jalan rusak, tidak ada ambulans) = Fase 3: keterlambatan mencapai fasilitas. Pilihan E salah karena ibu tidak sempat sampai di fasilitas.

Soal 3 — Jawaban: C
NTD sangat jarang (0,1%). Untuk kondisi langka, studi kasus-kontrol paling efisien karena memulai dari kasus yang sudah ada, tidak perlu follow-up ribuan orang bertahun-tahun untuk mendapatkan cukup kasus. RCT sulit secara etis dan logistik untuk kondisi sejarang ini.

Soal 4 — Jawaban: B
RCT dengan kriteria inklusi sangat ketat menghasilkan validitas internal tinggi (desain sudah benar), tetapi generalisabilitas atau validitas eksternal terbatas. Populasi puskesmas terpencil (multipara, komorbiditas, persalinan dengan komplikasi) sangat berbeda dari populasi studi.

Soal 5 — Jawaban: C
Kasus (ibu yang abortus) secara selektif lebih mengingat (ruminate) paparan yang mungkin menjadi "penyebab" abortus, sementara kontrol tidak memiliki motivasi yang sama untuk mengingat. Ini adalah recall bias klasik dalam studi kasus-kontrol retrospektif.

Soal 6 — Jawaban: B
RR crude sangat berbeda dari RR stratum-spesifik yang hampir sama di kedua stratum → tanda confounding. Penjelasannya: ibu berisiko rendah secara sistematis lebih memilih BPM (bukan puskesmas), sehingga status risiko obstetri mengacaukan hubungan tempat bersalin dengan komplikasi. Ini confounding by indication yang klasik.

Soal 7 — Jawaban: C
OR = (a × d) / (b × c) = (40 × 180) / (60 × 20) = 7.200 / 1.200 = 6,0

Soal 8 — Jawaban: C
Prevalensi SC 17% > 10%, sehingga rare disease assumption tidak berlaku. OR dari regresi logistik akan melebih-lebihkan Prevalence Ratio secara bermakna. Untuk studi cross-sectional dengan outcome umum, modified Poisson regression atau log-binomial regression yang menghasilkan PR adalah pilihan yang lebih tepat.

Soal 9 — Jawaban: B
PPV sangat bergantung pada prevalensi. Dengan prevalensi lebih tinggi, proporsi orang sakit yang dites lebih besar, sehingga lebih banyak true positive relatif terhadap false positive → PPV lebih tinggi. Perhitungan:
• Klinik A (prev 15%): TP=120, FP=85 → PPV=120/205=58,5%
• Klinik B (prev 3%): TP=24, FP=97 → PPV=24/121=19,8%
Jadi X (58,5%) > Y (19,8%) → Jawaban B benar

Soal 10 — Jawaban: C
Pre-test probability = 0,25
Pre-test odds = 0,25 / (1−0,25) = 0,25/0,75 = 0,333
Post-test odds = 0,333 × 8,0 = 2,667
Post-test probability = 2,667 / (2,667+1) = 2,667/3,667 = 72,7%