Modul 8: Meta-Analysis — Teknik Pooling Data & Heterogenitas Studi

Daftar Isi

A. Deskripsi Modul
B. Capaian Pembelajaran Modul
C. Materi Inti
D. Pertanyaan Diskusi
E. Rangkuman
F. Referensi
Tugas Kelompok 1 – Periode 2

A. Deskripsi Modul

Tidak ada satu studi tunggal yang sempurna. Setiap penelitian memiliki keterbatasan ukuran sampel, populasi spesifik, konteks lokal, dan potensi bias yang unik. Ketika sebuah pertanyaan klinis penting telah diteliti oleh puluhan atau ratusan peneliti di berbagai negara, bagaimana kita mensintesis semua bukti tersebut menjadi satu kesimpulan yang paling andal?

Jawabannya adalah meta-analysis — metode statistik untuk menggabungkan (pooling) hasil dari beberapa studi independen yang meneliti pertanyaan yang sama, menghasilkan estimasi efek yang lebih presisi dari studi mana pun secara individual. Dalam hierarki bukti ilmiah, systematic review dengan meta-analysis berada di puncak piramida — bukan karena meta-analysis sempurna, tetapi karena ia secara sistematis mengintegrasikan seluruh bukti yang tersedia sambil secara eksplisit mengevaluasi konsistensinya.

Dalam konteks subspesialis Obginsos, meta-analysis adalah fondasi dari panduan klinis dan rekomendasi kebijakan kesehatan reproduksi global. Apakah misoprostol lebih efektif dari oksitosin untuk pencegahan perdarahan postpartum? Apakah suplementasi kalsium menurunkan risiko preeklampsia? Apakah skrining serviks berbasis HPV lebih sensitif dari Pap smear? Jawaban atas semua pertanyaan ini berasal dari meta-analysis — dan kemampuan membaca serta mengevaluasinya secara kritis adalah kompetensi inti konsultan Obginsos.

B. Capaian Pembelajaran Modul

Setelah menyelesaikan modul ini, peserta didik mampu:

Menjelaskan perbedaan antara systematic review dan meta-analysis serta tahapan pelaksanaannya
Memahami dan menerapkan dua model statistik utama meta-analysis: fixed-effect dan random-effects
Membaca dan menginterpretasikan forest plot secara komprehensif termasuk ukuran efek, confidence interval, dan heterogenitas
Menghitung dan menginterpretasikan ukuran heterogenitas (Q test, I², τ²) serta implikasinya terhadap interpretasi hasil pooled estimate
Mengidentifikasi dan mengevaluasi publication bias menggunakan funnel plot dan uji statistik terkait
Mengevaluasi kualitas meta-analysis menggunakan kriteria PRISMA dan GRADE secara kritis

C. Materi Inti

C.1. Systematic Review vs. Meta-Analysis

Kedua istilah ini sering digunakan secara bergantian tetapi memiliki makna yang berbeda:

📚 Systematic Review

Tinjauan literatur yang menggunakan metode eksplisit, sistematis, dan dapat direproduksi untuk:

Mengidentifikasi semua studi yang relevan (melalui pencarian komprehensif)
Menilai kualitas metodologis studi
Mensintesis temuan secara kualitatif (naratif)

📊 Meta-Analysis

Komponen kuantitatif dari systematic review — prosedur statistik untuk menggabungkan hasil numerik dari studi-studi yang disintesis.

Tidak semua systematic review berakhir dengan meta-analysis (misalnya ketika studi terlalu heterogen untuk di-pool secara bermakna).

Hierarki dalam Sintesis Bukti:

Systematic Review dengan Meta-Analysis

▼

Systematic Review (naratif)

▼

Individual RCT berkualitas tinggi

▼

Studi Observasional berkualitas tinggi

Tahapan Systematic Review dengan Meta-Analysis (PRISMA Framework):

Formulasi pertanyaan (PICO)
Population | Intervention | Comparison | Outcome

Pencarian literatur komprehensif
(PubMed, EMBASE, Cochrane, WHO ICTRP, grey literature)

Skrining judul & abstrak
(dua reviewer independen)

Skrining full-text
(dua reviewer independen)

Ekstraksi data
(standardized form)

Penilaian risiko bias
(RoB2, ROBINS-I)

Meta-analysis
(jika memungkinkan)

Evaluasi GRADE

Pelaporan
(PRISMA checklist)

C.2. Konsep Dasar Pooling: Mengapa Tidak Sekadar Rata-rata?

Intuisi pertama ketika ingin menggabungkan hasil beberapa studi mungkin adalah: rata-ratakan saja semua estimasi efek. Mengapa ini salah?

❌ Alasan 1: Presisi studi berbeda

Studi dengan 5.000 subjek harus mendapat bobot lebih besar dari studi dengan 50 subjek. Rata-rata sederhana memperlakukan semua studi setara.

❌ Alasan 2: Transformasi skala

Untuk OR dan RR, pooling dilakukan pada skala log sebelum di-back-transform, karena distribusi OR dan RR sangat skewed pada skala aslinya.

Solusi: Weighted Average

Pooled estimate dalam meta-analysis adalah weighted average dari estimasi individual, di mana bobot ditentukan oleh presisi masing-masing studi:

$$\bar{\theta} = \frac{\sum (w_i \times \theta_i)}{\sum w_i}$$

di mana:

θᵢ = estimasi efek studi ke-i (dalam skala log untuk OR/RR)
wᵢ = bobot studi ke-i
θ̄ = pooled estimate

Penentuan bobot: Bobot adalah invers dari varians estimasi:

$$w_i = \frac{1}{Var(\theta_i)}$$

Studi dengan varians kecil (presisi tinggi, sampel besar) mendapat bobot lebih besar.

C.3. Dua Model Meta-Analysis

C.3.1. Fixed-Effect Model

Asumsi: Semua studi mengestimasi satu efek sejati yang sama (θ). Perbedaan antar studi semata-mata karena sampling error acak.

$$\theta_i = \theta + \varepsilon_i \quad \text{di mana} \quad \varepsilon_i \sim N(0, \sigma_i^2)$$

Bobot fixed-effect:

$$w_i = \frac{1}{\sigma_i^2}$$

di mana σᵢ² adalah varians within-study studi ke-i.

✓ Kapan tepat digunakan

Studi-studi sangat homogen (populasi, intervensi, outcome identik)
Tujuan inferensi terbatas pada studi yang ada, bukan generalisasi
Heterogenitas antar studi dapat diabaikan

⚠ Kritik utama

Asumsi "satu efek sejati" hampir tidak pernah realistis dalam penelitian biomedis. Populasi berbeda, dosis berbeda, kualitas implementasi berbeda — efek sejati hampir pasti bervariasi antar studi.

C.3.2. Random-Effects Model (DerSimonian-Laird)

Asumsi: Efek sejati bervariasi antar studi — setiap studi mengestimasi efek sejati yang berbeda-beda, yang terdistribusi di sekitar efek populasi rata-rata (μ):

$$\theta_i = \mu + u_i + \varepsilon_i$$

di mana:

μ = efek rata-rata populasi (yang diestimasi)
uᵢ ~ N(0, τ²) = variasi between-study (heterogenitas sejati)
εᵢ ~ N(0, σᵢ²) = sampling error within-study
τ² (tau-squared) = varians between-study

Bobot random-effects:

$$w_i^* = \frac{1}{\sigma_i^2 + \tau^2}$$

Dengan menambahkan τ² pada denominator, studi besar tidak lagi mendominasi secara berlebihan — studi kecil mendapat bobot relatif lebih besar dibanding dalam fixed-effect model.

Implikasi penting:

Random-effects menghasilkan CI yang lebih lebar dari fixed-effect
Random-effects lebih konservatif dan lebih realistis
Ketika τ² = 0 (tidak ada heterogenitas), random-effects = fixed-effect

Rekomendasi praktis: Dalam penelitian biomedis, random-effects model hampir selalu lebih tepat karena heterogenitas antar studi adalah realitas yang tidak dapat dihindari. Fixed-effect model sebaiknya hanya digunakan jika ada justifikasi ilmiah yang kuat bahwa efek sejati identik di semua populasi yang diteliti.

C.4. Mengukur Heterogenitas

Heterogenitas adalah variasi antar studi yang melebihi yang diharapkan dari sampling error semata. Ini adalah konsep sentral dalam meta-analysis yang menentukan validitas pooled estimate.

C.4.1. Cochran's Q Test

$$Q = \sum w_i(\theta_i - \bar{\theta})^2$$

Q berdistribusi chi-square dengan k−1 derajat bebas (k = jumlah studi).

H₀: Semua studi mengestimasi efek sejati yang sama (tidak ada heterogenitas)

p < 0,05 mengindikasikan heterogenitas bermakna.

Keterbatasan Q:

Underpowered ketika jumlah studi sedikit (sering gagal mendeteksi heterogenitas yang ada)
Overpowered ketika jumlah studi sangat banyak (mendeteksi heterogenitas trivial yang tidak bermakna)

C.4.2. I² Statistic (Higgins)

I² mengukur proporsi total variasi yang disebabkan oleh heterogenitas (bukan sampling error):

$$I^2 = \frac{Q - (k-1)}{Q} \times 100\%$$

I² berkisar dari 0% hingga 100%:

I²	Interpretasi	Implikasi
0–25%	Heterogenitas rendah	Fixed atau random-effects; pooling bermakna
25–50%	Heterogenitas moderat	Random-effects; eksplorasi sumber heterogenitas
50–75%	Heterogenitas substansial	Random-effects dengan hati-hati; meta-regression
>75%	Heterogenitas tinggi	Pertimbangkan tidak melakukan pooling; subgroup analysis

Catatan kritis tentang I²: I² adalah ukuran relatif (proporsi), bukan ukuran absolut besarnya heterogenitas. I² yang sama dapat mewakili heterogenitas yang sangat berbeda tergantung ukuran studi. Untuk gambaran lebih lengkap, gunakan τ² bersama I².

C.4.3. τ² (Tau-Squared)

τ² adalah estimasi varians between-study — ukuran absolut besarnya heterogenitas efek sejati antar studi:

$$\tau^2 = \frac{Q - (k-1)}{\sum w_i - \frac{\sum w_i^2}{\sum w_i}}$$

Prediction interval (PI) menggunakan τ² untuk menggambarkan rentang efek yang diprediksi di studi baru yang berasal dari distribusi yang sama:

$$PI = \bar{\theta} \pm 1.96 \times \sqrt{SE^2 + \tau^2}$$

Prediction interval vs. Confidence interval:

CI menyatakan ketidakpastian tentang efek rata-rata μ
PI menyatakan rentang efek yang diprediksi di studi individual masa depan

PI yang sangat lebar (misalnya dari OR=0,3 hingga OR=2,8) menunjukkan bahwa meskipun pooled estimate bermakna, efek di konteks tertentu sangat tidak pasti — informasi kritis untuk kebijakan implementasi.

C.5. Membaca Forest Plot

Forest plot adalah visualisasi standar meta-analysis yang merangkum seluruh informasi dalam satu grafik. Kemampuan membaca forest plot adalah kompetensi dasar yang wajib dikuasai.

Anatomi Forest Plot:

Studi          OR (95% CI)        Forest Plot           Weight
                             0,1    0,5  1,0  2,0   5,0
─────────────────────────────────────────────────────────────
Ahmed 2018    1,45 (0,87-2,42)          ──●──               8,2%
Budi 2019     0,62 (0,41-0,95)     ──●──                   12,4%
Chen 2020     0,78 (0,55-1,11)       ──●──                 15,1%
Davis 2021    0,54 (0,28-1,04)    ──●──                     7,3%
Eka 2022      0,71 (0,52-0,97)      ──●──                  16,8%
Fauzi 2022    0,83 (0,63-1,09)       ──●──                 18,3%
Graha 2023    0,69 (0,47-1,01)      ──●──                  13,7%
Hani 2023     0,59 (0,36-0,97)    ──●──                     8,2%
─────────────────────────────────────────────────────────────
Pooled        0,72 (0,60-0,86)      ─◆─                  100,0%
─────────────────────────────────────────────────────────────
I²=24%; τ²=0,04; Q p=0,18
                             ◄Favors Intervensi  Favors Kontrol►

Cara membaca setiap elemen:

Kotak (square): Point estimate (OR/RR/MD) dari masing-masing studi. Ukuran kotak proporsional dengan bobot studi — kotak besar = studi berbobot lebih besar.
Garis horizontal (whisker): 95% Confidence Interval dari masing-masing studi. Garis panjang = CI lebar = studi kecil/tidak presisi.
Berlian (diamond) di bawah: Pooled estimate. Lebar berlian = 95% CI pooled estimate. Posisi tengah berlian = nilai pooled estimate.
Garis vertikal (line of no effect): OR=1,0 (atau MD=0 untuk mean difference). Studi yang CI-nya melewati garis ini tidak bermakna secara statistik secara individual.
Weight: Persentase kontribusi setiap studi terhadap pooled estimate.

Interpretasi pooled: OR=0,72 (95% CI: 0,60–0,86) — intervensi menurunkan odds outcome sebesar 28% secara rata-rata, dengan rentang CI yang tidak mencakup 1,0 → bermakna secara statistik. I²=24% → heterogenitas rendah → pooling bermakna.

C.6. Sumber Heterogenitas dan Eksplorasi

Ketika I² tinggi, pertanyaan selanjutnya adalah: mengapa studi-studi menghasilkan estimasi yang berbeda? Eksplorasi sumber heterogenitas adalah langkah ilmiah yang esensial.

C.6.1. Subgroup Analysis

Membandingkan pooled estimate antar subkelompok yang didefinisikan a priori:

Contoh:

Berdasarkan setting: LMIC vs. high-income countries
Berdasarkan dosis intervensi: dosis rendah vs. tinggi
Berdasarkan risiko populasi: risiko tinggi vs. rendah
Berdasarkan kualitas studi: risiko bias rendah vs. tinggi

Catatan penting: Subgroup analysis harus direncanakan sebelum melihat data (a priori), bukan setelah melihat bahwa subkelompok tertentu menghasilkan hasil yang "menarik" (post-hoc). Analisis subgroup post-hoc meningkatkan risiko false positive secara dramatis.

C.6.2. Meta-Regression

Analisis regresi di mana unit analisis adalah studi (bukan individu), dan variabel moderator (misalnya dosis, tahun publikasi, prevalensi baseline) digunakan untuk menjelaskan variasi dalam estimasi efek antar studi.

$$\theta_i = \alpha + \beta \times X_i + \varepsilon_i$$

di mana Xᵢ adalah karakteristik studi ke-i (moderator).

Keterbatasan: Meta-regression membutuhkan setidaknya 10 studi per moderator untuk memiliki kekuatan statistik yang memadai (10-studies-per-covariate rule).

C.7. Publication Bias

C.7.1. Konsep

Publication bias terjadi ketika studi dengan hasil positif (bermakna secara statistik) lebih mungkin dipublikasikan dibandingkan studi dengan hasil negatif atau null. Akibatnya, meta-analysis yang hanya menggunakan studi yang dipublikasikan akan menghasilkan over-estimate besarnya efek.

C.7.2. Funnel Plot

Funnel plot menggambarkan estimasi efek setiap studi (sumbu X) terhadap ukuran presisi studi (sumbu Y, biasanya SE atau 1/SE):

✓ Tanpa Publication Bias

Efek

Presisi (1/SE)

Funnel simetris di sekitar efek rata-rata

⚠ Dengan Publication Bias

Efek

Presisi (1/SE)

Area kosong
(studi kecil
negatif tidak
dipublikasikan)

Asimetri — sisi kiri bawah (studi kecil negatif) kosong

C.7.3. Uji Statistik untuk Asimetri Funnel Plot

Egger's test: Regresi linear antara estimasi efek yang distandarisasi dengan presisi. Intercept yang bermakna (p < 0,10) mengindikasikan asimetri.
Begg's test: Uji korelasi rank antara estimasi efek dan SE-nya.

Catatan: Asimetri funnel plot tidak selalu disebabkan publication bias — bisa juga karena heterogenitas sejati, perbedaan kualitas studi, atau chance. Interpretasi memerlukan pertimbangan kontekstual.

C.7.4. Trim-and-Fill Method

Metode Duval & Tweedie untuk mengimputasi studi yang "hilang" berdasarkan asimetri funnel plot, kemudian menghitung kembali pooled estimate yang telah dikoreksi. Berguna untuk mengestimasi dampak publication bias, meskipun imputasi ini bersifat hipotetik.

C.8. Penilaian Kualitas Bukti: GRADE

Setelah meta-analysis selesai, kualitas keseluruhan bukti dievaluasi menggunakan sistem GRADE (Grading of Recommendations Assessment, Development and Evaluation):

Titik awal:

Studi RCT → mulai dari kualitas high
Studi observasional → mulai dari kualitas low

Faktor yang menurunkan kualitas:

Faktor	Kondisi
Risiko bias	Studi-studi memiliki kelemahan metodologis serius
Inkonsistensi	Heterogenitas substansial yang tidak dapat dijelaskan
Tidak langsung (indirectness)	Populasi, intervensi, atau outcome berbeda dari yang ditargetkan
Impresisi	CI lebar; jumlah events sedikit
Publication bias	Bukti asimetri funnel plot yang kuat

Faktor yang meningkatkan kualitas (khusus studi observasional):

Faktor	Kondisi
Efek besar	OR/RR > 2 atau < 0,5 yang konsisten
Dose-response	Ada hubungan dosis-respons yang bermakna
Confounding residual	Jika ada, justru melemahkan — sehingga efek sejati lebih besar

Tingkat kualitas bukti GRADE:

Tingkat	Interpretasi
⊕⊕⊕⊕ High	Efek sejati kemungkinan besar mendekati efek yang diestimasikan
⊕⊕⊕◯ Moderate	Efek sejati kemungkinan mendekati estimasi, tetapi mungkin berbeda bermakna
⊕⊕◯◯ Low	Efek sejati mungkin berbeda bermakna dari estimasi
⊕◯◯◯ Very Low	Efek sejati sangat mungkin berbeda bermakna dari estimasi

C.9. Contoh Aplikasi: Meta-Analysis Suplementasi Kalsium dan Preeklampsia

Pertanyaan PICO:

P: Ibu hamil
I: Suplementasi kalsium ≥1g/hari
C: Plasebo
O: Preeklampsia

Data dari Cochrane Review (Hofmeyr et al., 2018):

Berdasarkan 27 RCT (n=18.064):

Pooled RR: 0,45 (95% CI: 0,31–0,65)
I²: 70%
Heterogenitas substansial → eksplorasi subgroup

Subgroup berdasarkan baseline kalsium:

Diet kalsium rendah (<900 mg/hari): RR=0,36 (95% CI: 0,20–0,65); I²=76%
Diet kalsium adekuat: RR=0,62 (95% CI: 0,32–1,20); I²=67% (tidak bermakna)

Implikasi untuk Indonesia: Mayoritas perempuan Indonesia memiliki asupan kalsium rendah (survei gizi nasional menunjukkan rata-rata <500 mg/hari vs. kebutuhan 1200 mg/hari selama hamil). Subgroup analysis ini mendukung kebijakan suplementasi kalsium dalam program antenatal care nasional, khususnya di populasi dengan asupan kalsium rendah.

GRADE assessment:

Risiko bias: rendah–moderat (RCT)
Inkonsistensi: I²=70% → menurunkan 1 level
Tidak langsung: setara → tidak turun
Impresisi: CI sempit → tidak turun
Kualitas akhir: Moderate ⊕⊕⊕◯

D. Pertanyaan Diskusi (Thread Dosen – Minggu 8)

Pertanyaan 1 Diskusi

Sebuah meta-analysis tentang efektivitas progesteron vaginal untuk pencegahan persalinan prematur melaporkan: pooled RR = 0,72 (95% CI: 0,61–0,85), I² = 68%, dan prediction interval = 0,31–1,67. Seorang pembuat kebijakan membaca pooled RR = 0,72 dan menyimpulkan: "Progesteron vaginal terbukti efektif menurunkan risiko persalinan prematur sebesar 28%, kita harus implementasikan untuk semua ibu hamil risiko tinggi." Evaluasi kesimpulan ini secara kritis: apa yang disampaikan dengan benar, apa yang terlewatkan, dan bagaimana prediction interval seharusnya mengubah nuansa rekomendasi kebijakan tersebut?

Pertanyaan 2 Diskusi

Anda melakukan systematic review tentang efektivitas program ANC terpadu dalam menurunkan AKI di negara berpenghasilan rendah dan menengah. Setelah mengidentifikasi 15 studi yang memenuhi kriteria inklusi, Anda menemukan: 12 studi melaporkan hasil positif (AKI menurun) dan 3 studi melaporkan hasil tidak bermakna. Funnel plot menunjukkan asimetri yang jelas — sisi kiri bawah kosong. Egger's test p=0,04. Jelaskan: (a) apa interpretasi Anda terhadap temuan ini dan sumber potensialnya selain publication bias; (b) bagaimana Anda akan menangani masalah ini secara metodologis; dan (c) bagaimana temuan ini seharusnya dikomunikasikan dalam laporan akhir?

E. Rangkuman

Meta-analysis adalah komponen kuantitatif systematic review yang menghasilkan pooled estimate melalui weighted average dari estimasi studi individual — bobot proporsional dengan presisi (invers varians) setiap studi, bukan ukuran sampel semata
Fixed-effect model mengasumsikan satu efek sejati tunggal di semua studi; random-effects model (DerSimonian-Laird) mengasumsikan efek sejati bervariasi antar studi dengan distribusi normal — random-effects hampir selalu lebih tepat dalam penelitian biomedis dan menghasilkan CI yang lebih lebar dan konservatif
Heterogenitas diukur dengan tiga ukuran komplementer: Q test (uji signifikansi), I² (proporsi variasi karena heterogenitas), dan τ² (besarnya heterogenitas absolut); prediction interval mengomunikasikan rentang efek yang diprediksi di studi baru dan sangat penting untuk keputusan implementasi kebijakan
Forest plot merangkum seluruh informasi meta-analysis dalam satu visualisasi — ukuran kotak mewakili bobot, whisker mewakili CI, dan berlian di bawah mewakili pooled estimate; kemampuan membaca forest plot secara kritis adalah kompetensi wajib konsultan Obginsos
Publication bias mengancam validitas pooled estimate — dievaluasi dengan funnel plot dan uji Egger's/Begg's; kualitas keseluruhan bukti dievaluasi dengan sistem GRADE yang mempertimbangkan risiko bias, inkonsistensi, tidak langsung, impresisi, dan publication bias

F. Referensi

Higgins JPT, Thomas J, Chandler J, et al. (eds). Cochrane Handbook for Systematic Reviews of Interventions. Version 6.4. Cochrane; 2023. https://training.cochrane.org/handbook
DerSimonian R, Laird N. Meta-analysis in clinical trials. Controlled Clinical Trials. 1986;7(3):177-188. https://doi.org/10.1016/0197-2456(86)90046-2
Higgins JPT, Thompson SG, Deeks JJ, Altman DG. Measuring inconsistency in meta-analyses. BMJ. 2003;327(7414):557-560. https://doi.org/10.1136/bmj.327.7414.557
Egger M, Smith GD, Schneider M, Minder C. Bias in meta-analysis detected by a simple, graphical test. BMJ. 1997;315(7109):629-634. https://doi.org/10.1136/bmj.315.7109.629
Page MJ, McKenzie JE, Bossuyt PM, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. https://doi.org/10.1136/bmj.n71 | https://www.prisma-statement.org
Guyatt GH, Oxman AD, Vist GE, et al. GRADE: an emerging consensus on rating quality of evidence and strength of recommendations. BMJ. 2008;336:924. https://doi.org/10.1136/bmj.39489.470347.AD | https://www.gradeworkinggroup.org
Hofmeyr GJ, Lawrie TA, Atallah AN, Torloni MR. Calcium supplementation during pregnancy for preventing hypertensive disorders and related problems. Cochrane Database of Systematic Reviews. 2018;10:CD001059. https://doi.org/10.1002/14651858.CD001059.pub5
Riley RD, Higgins JPT, Deeks JJ. Interpretation of random effects meta-analyses. BMJ. 2011;342:d549. https://doi.org/10.1136/bmj.d549
Duval S, Tweedie R. Trim and fill: a simple funnel-plot-based method of testing and adjusting for publication bias in meta-analysis. Biometrics. 2000;56(2):455-463. https://doi.org/10.1111/j.0006-341X.2000.00455.x
Borenstein M, Hedges LV, Higgins JPT, Rothstein HR. Introduction to Meta-Analysis. Chichester: Wiley; 2009. https://www.wiley.com/en-us/Introduction+to+Meta+Analysis-p-9780470057247

Referensi Tambahan yang Direkomendasikan

Sterne JAC, Egger M, Smith GD. Systematic reviews in health care: Investigating and dealing with publication and other biases in meta-analysis. BMJ. 2001;323(7304):101-105. https://doi.org/10.1136/bmj.323.7304.101
Thompson SG, Higgins JPT. How should meta-regression analyses be undertaken and interpreted? Stat Med. 2002;21(11):1559-1573. https://doi.org/10.1002/sim.1187
IntHout J, Ioannidis JPA, Rovers MM, Goeman JJ. Plea for routinely presenting prediction intervals in meta-analysis. BMJ Open. 2016;6:e010247. https://doi.org/10.1136/bmjopen-2015-010247
WHO. WHO Handbook for Guideline Development. 2nd ed. Geneva: WHO; 2014. https://www.who.int/publications/i/item/9789241548960
Cochrane Training — Free online training for systematic reviews: https://training.cochrane.org/
RevMan — Cochrane's software for preparing and maintaining Cochrane Reviews: https://revman.cochrane.org/
Metafor Package for R — Comprehensive meta-analysis in R: https://www.metafor-project.org/
MathJax Documentation — Untuk rendering formula matematika: https://docs.mathjax.org/

Prinsip Etis dalam Penerapan Meta-Analysis untuk Penelitian KR

Transparansi metodologis: Laporkan semua keputusan analitis (pilihan model, handling heterogenitas, penanganan publication bias) secara eksplisit — bukan hanya hasil akhir
Kontekstualisasi hasil: Pooled estimate adalah rata-rata statistik, bukan resep universal — interpretasikan dalam konteks populasi, setting, dan kualitas bukti lokal
Hindari over-claiming: Meta-analysis tidak "membuktikan" kebenaran — ia mensintesis bukti yang ada; ketidakpastian harus dikomunikasikan secara jujur
Equity consideration: Pastikan meta-analysis tidak mengabaikan disparitas antar subpopulasi — subgroup analysis dan meta-regression dapat mengungkap perbedaan yang tersembunyi
GRADE dengan integritas: Penilaian kualitas bukti harus objektif dan konsisten — bukan alat untuk "menurunkan" bukti yang tidak sesuai dengan preferensi

TUGAS KELOMPOK 1 – PERIODE 2 (MINGGU 8)

Mata Kuliah: Epidemiologi Klinik & Biostatistik Lanjut | Materi: Modul 6, 7 & 8 (Regresi Logistik, Survival Analysis, Meta-Analysis)

📋 Identitas Tugas

Jenis Tugas	Tugas Kelompok — Periode 2
Minggu	Minggu ke-8
Materi	Modul 6 (Regresi Logistik) + Modul 7 (Survival Analysis) + Modul 8 (Meta-Analysis)
Bobot Nilai	15% dari nilai akhir mata kuliah
Komposisi Kelompok	3–4 orang per kelompok (komposisi sama dengan Periode 1)
Batas Pengumpulan	Akhir Minggu ke-8 (7 hari sejak tugas dibuka)
Format Pengumpulan	Laporan Word/PDF + slide presentasi maksimal 12 slide
Panjang Laporan	2.000–3.000 kata (tidak termasuk tabel, gambar, dan referensi)

PETUNJUK PENGERJAAN

Tugas ini mengintegrasikan tiga metode analisis yang dipelajari di Modul 6–8 melalui satu skenario penelitian yang berkelanjutan
Setiap bagian memerlukan kombinasi analisis kuantitatif dan interpretasi kualitatif
Tunjukkan semua langkah perhitungan secara eksplisit; gunakan tabel untuk menyajikan hasil
Cantumkan nama, NIM, dan pembagian peran seluruh anggota di halaman pertama
Sertakan minimal 5 referensi dalam format Vancouver

SKENARIO PENELITIAN

"Program EMAS dan Kematian Ibu di Kabupaten Kendari Utara"

Program EMAS (Expanding Maternal and Neonatal Survival) adalah program intervensi sistem kesehatan yang telah diimplementasikan di beberapa kabupaten di Indonesia dengan dukungan USAID. Program ini mencakup: peningkatan kapasitas PONEK, pelatihan tenaga kesehatan, dan penguatan sistem rujukan.

Tim peneliti dari Universitas Haluoleo melakukan studi komprehensif untuk mengevaluasi efektivitas Program EMAS di Kabupaten Kendari Utara. Mereka menggunakan tiga pendekatan analitik:

DATA A — Untuk Analisis Regresi Logistik

Studi kasus-kontrol bersarang (nested case-control) dalam kohort ibu hamil yang terdaftar di fasilitas PONEK. Outcome: komplikasi obstetri berat (severe maternal outcome/SMO) yang didefinisikan sebagai kematian ibu atau near-miss.

Total: 48 kasus SMO dan 144 kontrol.

Hasil analisis univariat (seleksi variabel):

Variabel	Crude OR	95% CI	p-value
Usia < 20 atau > 35 tahun	2,87	1,43–5,76	0,003
Primipara	1,94	0,98–3,85	0,059
Jarak ke PONEK > 2 jam	3,45	1,72–6,91	<0,001
Antenatal care < 4×	2,23	1,12–4,44	0,022
Preeklampsia/eklamsia	4,12	1,89–8,98	<0,001
Anemia berat (Hb<8)	2,56	1,14–5,76	0,023
Paritas > 4	1,78	0,82–3,87	0,146
Pendidikan < SMP	1,34	0,67–2,67	0,408

Hasil analisis multivariat (model akhir — telah dihitung oleh tim peneliti):

Variabel	Adjusted OR	95% CI	p-value
Usia ekstrem (<20/>35)	2,34	1,12–4,89	0,024
Jarak ke PONEK >2 jam	2,98	1,41–6,29	0,004
ANC < 4×	1,87	0,89–3,93	0,098
Preeklampsia/eklamsia	3,67	1,61–8,36	0,002
Anemia berat	2,11	0,88–5,04	0,093
Hosmer-Lemeshow p=0,52 \| AUC=0,78

DATA B — Untuk Analisis Survival

Dari 48 kasus SMO, tim peneliti melacak waktu (dalam jam) dari onset komplikasi hingga kematian atau stabilisasi klinis (recovery). Event yang diamati: kematian ibu. Subjek yang berhasil distabilkan sebelum meninggal diklasifikasikan sebagai censor.

Data dikelompokkan berdasarkan implementasi Program EMAS:

Kelompok Pre-EMAS (n=24): Kasus yang terjadi sebelum implementasi program
Kelompok Post-EMAS (n=24): Kasus yang terjadi setelah implementasi program

Ringkasan data survival:

	Kematian	Berhasil Distabilkan (Censor)	Median Waktu hingga Event/Censor
Pre-EMAS (n=24)	14	10	8,5 jam (95% CI: 5,2–11,8)
Post-EMAS (n=24)	7	17	14,2 jam (95% CI: 10,6–17,8)

Hasil analisis:

Log-rank test: χ²=5,84; p=0,016
Cox regression (adjusted untuk usia dan preeklampsia): HR=0,41 (95% CI: 0,17–0,99; p=0,047)
Asumsi PH: Schoenfeld residuals p=0,38

DATA C — Untuk Evaluasi Meta-Analysis

Tim peneliti menemukan sebuah meta-analysis yang diterbitkan di BJOG tentang efektivitas program penguatan PONEK terhadap kematian ibu di LMIC, yang akan mereka gunakan sebagai konteks global untuk hasil penelitian lokal mereka.

Ringkasan forest plot meta-analysis tersebut:

Studi	RR	95% CI	Weight
Alisjahbana 2017	0,58	0,34–0,99	11,2%
Bhutta 2018	0,71	0,52–0,97	18,4%
Chimwaza 2019	0,43	0,22–0,84	9,3%
Darmstadt 2020	0,82	0,61–1,10	19,8%
Fatusi 2021	0,55	0,33–0,91	12,7%
Graham 2021	0,67	0,48–0,93	17,3%
Hussein 2022	0,49	0,28–0,86	11,3%
Pooled	0,63	0,52–0,76	100%

I²=38%; τ²=0,06; Q p=0,14; Egger's test p=0,23 | Model: Random-effects (DerSimonian-Laird)

PERTANYAAN

BAGIAN I — Analisis Regresi Logistik Bobot 30%

I.1

Evaluasi kesesuaian EPV (Events Per Variable) untuk model yang dibangun tim peneliti. Berapa EPV aktual model ini? Apakah memenuhi rekomendasi minimal? Apa implikasinya terhadap kepercayaan terhadap adjusted OR yang dilaporkan?

I.2

Perhatikan bahwa ANC < 4× (adjusted OR=1,87; p=0,098) dan anemia berat (adjusted OR=2,11; p=0,093) tidak mencapai p < 0,05 dalam model multivariat, meskipun keduanya bermakna di univariat. Jelaskan dua penjelasan metodologis yang mungkin untuk fenomena ini. Apakah variabel-variabel ini sebaiknya dikeluarkan dari model? Berikan argumentasi metodologis.

I.3

Bandingkan crude OR dengan adjusted OR untuk variabel "jarak ke PONEK > 2 jam" (crude: 3,45 vs. adjusted: 2,98) dan "preeklampsia" (crude: 4,12 vs. adjusted: 3,67). Apa yang dapat disimpulkan tentang peran confounding pada hubungan masing-masing variabel ini dengan SMO? Variabel mana yang menjadi confounder bagi yang lain?

I.4

Dengan AUC=0,78 dan Hosmer-Lemeshow p=0,52, evaluasi performa model secara komprehensif. Apakah model ini sudah siap digunakan sebagai alat skrining ibu hamil risiko tinggi di Puskesmas? Apa satu langkah validasi yang paling kritis yang harus dilakukan sebelum implementasi?

BAGIAN II — Analisis Survival Bobot 30%

II.1

Interpretasikan hasil log-rank test (p=0,016) dan adjusted HR=0,41 (95% CI: 0,17–0,99) secara lengkap dan kontekstual. Apa perbedaan informasi yang diberikan oleh log-rank test dibandingkan dengan Cox regression dalam konteks studi ini?

II.2

Perhatikan bahwa 95% CI untuk HR sangat lebar (0,17–0,99) dan bahkan hampir menyentuh 1,0. Apa implikasi lebar CI ini terhadap:

a. Kepresisian estimasi efek Program EMAS
b. Kecukupan ukuran sampel (n=48 kasus)
c. Keyakinan untuk merekomendasikan perluasan Program EMAS ke seluruh kabupaten

II.3

Schoenfeld residuals p=0,38 menunjukkan asumsi proportional hazards terpenuhi. Jelaskan apa artinya secara biologis dalam konteks studi ini: bagaimana interpretasinya tentang pola efek Program EMAS terhadap hazard kematian ibu sepanjang waktu pengamatan?

II.4

Tim peneliti mengklaim: "Program EMAS memperpanjang waktu bertahan hidup ibu dengan komplikasi obstetri berat secara bermakna." Evaluasi klaim ini berdasarkan seluruh data survival yang tersedia. Apakah klaim ini sepenuhnya didukung oleh data? Apa nuansa penting yang perlu ditambahkan?

BAGIAN III — Evaluasi Meta-Analysis Bobot 25%

III.1

Berdasarkan data forest plot yang diberikan, hitung secara manual (atau verifikasi) pooled RR menggunakan pendekatan weighted average yang disederhanakan. Gunakan bobot (weight%) yang tersedia sebagai proksi untuk wᵢ. Bandingkan hasil perhitungan Anda dengan pooled RR yang dilaporkan (0,63). Apakah konsisten?

III.2

I²=38% dan τ²=0,06 dilaporkan bersamaan. Jelaskan perbedaan informasi yang diberikan oleh kedua ukuran ini. Berdasarkan nilai I², apakah keputusan menggunakan random-effects model sudah tepat? Hitung juga prediction interval menggunakan formula:

$$PI = \bar{\theta} \pm 1.96 \times \sqrt{SE^2_{pooled} + \tau^2}$$

di mana SE_pooled dapat diestimasikan dari: CI atas − CI bawah / (2×1,96)

Interpretasikan prediction interval yang Anda hitung.

III.3

Egger's test p=0,23 dan Q p=0,14. Berdasarkan kedua hasil ini bersama I²=38%, berikan penilaian komprehensif tentang:

a. Ada tidaknya publication bias yang bermakna
b. Konsistensi bukti antar studi
c. Apakah pooled RR=0,63 dapat diterima sebagai estimasi efek yang andal

BAGIAN IV — Integrasi dan Rekomendasi Kebijakan Bobot 15%

IV.1

Integrasikan temuan dari ketiga analisis (regresi logistik, survival, meta-analysis) untuk menyusun satu argumen kohesif tentang efektivitas dan urgensi Program EMAS di Kabupaten Kendari Utara. Identifikasi: (a) apa yang dikonfirmasi oleh ketiga analisis secara konsisten; (b) apa yang masih tidak pasti; (c) kesenjangan bukti apa yang paling kritis untuk diisi oleh penelitian berikutnya.

IV.2

Susun rekomendasi kebijakan berjenjang (tiga level: Puskesmas, RSUD Kabupaten, Dinas Kesehatan Provinsi) berdasarkan temuan penelitian ini. Untuk setiap level, sebutkan: satu rekomendasi spesifik, bukti yang mendukungnya dari salah satu analisis di atas, dan satu keterbatasan bukti yang membatasi keyakinan rekomendasi tersebut.

RUBRIK PENILAIAN

Bagian	Komponen Utama	Bobot
Bagian I	EPV evaluation; interpretasi perubahan OR; evaluasi model	30%
Bagian II	Interpretasi HR dan CI; evaluasi klaim survival; asumsi PH	30%
Bagian III	Perhitungan dan interpretasi pooled estimate; heterogenitas; publication bias	25%
Bagian IV	Integrasi analitis; rekomendasi berbasis bukti yang berjenjang dan realistis	15%

PANDUAN REFERENSI MINIMAL

Hosmer DW, Lemeshow S, Sturdivant RX. Applied Logistic Regression. 3rd ed. 2013.
Collett D. Modelling Survival Data in Medical Research. 3rd ed. 2015.
Higgins JPT, Thomas J, et al. Cochrane Handbook for Systematic Reviews. Version 6.4. 2023. https://training.cochrane.org/handbook
Borenstein M, et al. Introduction to Meta-Analysis. Wiley; 2009.
Steyerberg EW. Clinical Prediction Models. 2nd ed. Springer; 2019.
WHO. WHO Recommendations for Prevention and Treatment of Pre-eclampsia and Eclampsia. Geneva: WHO; 2011. https://www.who.int/publications/i/item/9789241548335