Konfounding danInteraksi

Departemen BiostatistikaFKM UI, 2010

CONFOUNDINGDari bahasa latin cunfundere (to mix together)

Pengertian:

Suatu distorsi (gangguan) dalam menaksir pengaruh paparanterhadap kejadian penyakit/outcome sebagai akibat tercampurnyapengaruh sebuah atau beberapa variabel luar.

Suatu kondisi bias dalam mengestimasi efek paparan terhadapkejadian penyakit/masalah kesehatan, akibat perbandingan yang tidak seimbang antara kelompok exposed dan non exposed.

Suatu situasi ditemukannya hubungan non‐causal antaraexposure/paparan dan outcome yang diteliti akibat adanyapengaruh variabel ketiga (Moyses S. & F. Javier N., 2000)

Variabel luar (ketiga) = confounder

Confounder

Berhubungan dengan paparan/faktor resiko yang diteliti (causally or non‐causally associated)

Berhubungan dengan penyakit/outcome (causally associated)

Bukan merupakan konsekuensi dari paparan (tidak terletak diantaraE & D / variabel antara)

Exposure Disease

Confounder

Arah Confounding

1.  Positif Overestimate (risk value menjauhi ‘Null value’)

2. Negatif Underestimate (risk value mendekati ‘Null value’)

kurang beresiko or kurang protektif

3.  Cross over  asosiasi berubah arah: negatif positif (confounder yang kuat pada asosiasi lemah)

OR/RR

21.71.310.50.30Null value

CF controlled

CF not controlled CF not controlled

CF controlled

Mengontrol ConfoundingPada tahap Design1. Restriksi (pada experimental & observational study)

membatasi obyek penelitian pada level confounder yang sama(confounder tidak bervariasi) antara group E – nE dan D – nD

Kelemahan: efek modifikasi tidak dapat dievaluasi, generalizability?

2. Matching (pada experimental & observational study)Type: a). Full matching, b). partial matching

Method: a). Frequency/marginal matching, b). Individual matching

Problem: Over matching

3. Randomisasi (hanya pada experimental study)subyek penelitian ditempatkan secara random pada group2 yang diperbandingkan (E & nE)

Pada tahap Analisa1. Stratifikasi

2. Analisa Multivariate

INTERAKSI

Interaksi = Efek modifikasi

Pengertian:

Keberagaman/heterogenitas/variasi efek dari suatu faktor resikoterhadap kemunculan penyakit/outcome, pada level yang berbedadari faktor resiko lain, pada base population

Suatu situasi dimana 2 atau lebih faktor resiko saling memodifikasi(besar dan/atau arah) efek nya terhadap kejadian/outcome yang diteliti (Moyses S. & F. Javier N., 2000)

Efek modifikasi menunjukkan seberapa jauh efek faktor resikoutama terhadap munculnya penyakit/outcome, dimodifikasi olehfaktor resiko lain (modifier)

Macam Interaksi

Interaksi Aditif• Keberadaannya dinilai dengan memakai ukuran asosiasi berupa risk/rate 

difference (AR).

• Bermanfaat untuk kepentingan program kesmas atau intervensi pencegahanpenyakit

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 studyMenambah/memodifikasi efek E

OR1 = OR2 = OR3 = OR4 = ORn

Bukan bias Quantitative measure of association(not a validity issue)

Berhubungan dengan design studyMengganggu efek E yang diteliti

OR1 = OR2

OR crude OR adjustedBias sistematikQualitative measure of association(affect validity)

Variabel Ke3 ORC ORA OR1 OR2 OR3

Menjadi CF dan EM 1.2 3.5 2.5 3.0 4.2

Bukan CF maupun EM 1.2 1.2 1.2 1.2 1.2

Merupakan CF tetapi bukan EM 1.2 3.0 3.0 3.0 3.0

EM kuat, CF menjadi kurang penting 1.2 3.5 0.4 2.8 9.2

Deteksi Konfounding & Interaksi

Regresi Linier Ganda

Adanya Konfounder akan menyebabkana) Perubahan R Squareb) Perubahan (unstandardized) coefisien B (OR) sebesar >

10%

Adanya Interaksi antar 2 variabel independent ditunjukandengan nilai Sig. < 0.05

Analisa Regresi Linier/Logistik Ganda

Variabel Masih Lengkap ‘umur’ keluardari model

PerubahanCoefficien B

Sex 4.7 5.0 6.3 %

Lemak persen 7.1 6.2 11.3%

Lemak kulit -232 -236 1.8%

tchol 2.8 2.5 4%

Model Summary

.926a .858 .845 1.5061Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

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

a.

Model Summaryb

.943a .889 .876 1.3491 1.840Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Durbin-Watson

Predictors: (Constant), lemakKt_prpr, umur, sex, lemakpersen,lemakkulit

a.

Dependent Variable: imtb.

R square regresi linier gandadengan konfounder masukpada model

R square regresi linier gandadengan konfounder tidakmasuk pada model

Umur merupakan konfounder karena menyebabkan OR ‘lemakpersen’ berubah >10%

Imt = 17.074 – 0.126 umur + 0.08 lemakkulit + 0.204 lemakpersen + 3.074 sex

Dilakukan pada variabel‐variabel yang diduga secarasubstansi berinteraksi.

Model Persamaan Regresi linier ganda

1). variable ‘lemak kulit’ dan ‘lemak persen’ secara substansi diduga berinteraksi

Coefficientsa

22.651 3.151 7.188 .000-.133 .041 -.176 -3.220 .002 .863 1.158-.063 .043 -.437 -1.461 .151 .029 34.599.082 .048 .238 1.713 .094 .134 7.451

2.436 .693 .268 3.513 .001 .444 2.254.003 .001 1.251 3.440 .001 .020 51.140

(Constant)umurlemakkulitlemakpersensexlemakKt_prpr

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig. Tolerance VIFCollinearity Statistics

Dependent Variable: imta.

Uji Interaksi

Imt = 22.651 – 0.133 umur - 0.063 lemakkulit + 0.082 lemakpersen + 2.436 sex + 0.003 lemakkt_prpr

Coefficientsa

-2.875 11.880 -.242 .810.189 .187 .251 1.011 .317 .050 19.908.078 .014 .534 5.683 .000 .350 2.861.729 .305 2.111 2.391 .021 .004 252.645

2.724 .757 .300 3.598 .001 .444 2.253-.008 .005 -1.494 -1.734 .090 .004 240.709

(Constant)umurlemakkulitlemakpersensexumur_lemakpr

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig. Tolerance VIFCollinearity Statistics

Dependent Variable: imta.

2). secara substansi umur akan mempengaruhi lemak persen,

Sehingga persamaan regresi linier akhir untuk memprediksi nilai ‘imt’adalah:

Regresi Logistik Ganda

Adanya Konfounder akan menyebabkan perubahan nilai Exp(B) /OR sebesar > 10%

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

darivariabel independent utama (faktor resiko) dalam pemodelanfaktor resiko, atauvariabel independent lain dalam pemodelan prediksi

Adanya Interaksi antar 2 variabel independent ditunjukandengan nilai Sig. < 0.05

Variables in the Equation

8,265 2 ,0161,872 ,858 4,764 1 ,029 6,503 1,211 34,9402,711 ,946 8,206 1 ,004 15,045 2,354 96,155

,921 ,541 2,899 1 ,089 2,511 ,870 7,245-2,727 ,882 9,563 1 ,002 ,065

IMT3IMT3(1)IMT3(2)SEXConstant

Step1

a

B S.E. Wald df Sig. Exp(B) Lower Upper95,0% C.I.for EXP(B)

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

Apakah ‘SEX’ adalah Konfounder terhadap IMT31 dan IMT32 ? 

Lihat perubahan nilai Exp(B) :

• ‘SEX’ masuk dalam pemodelan, nilai Exp(B)   6,503 dan 15,045

• ‘SEX’ tidak masuk dalam pemodelan, nilai Exp(B) 4,388 dan 9,149

• Besar perubahan:

Dari hasil perhitungan ratio = 32,52% (> 10%) 

maka ‘sex’ merupakan variable konfounder.

Confounding

Confounding = bias estimasi efek pajananterhadap penyakit akibat perbandingan tidakseimbang antara kelompok terpajan dengankelompok tidak terpajanTerjadi akibat adanya perbedaan risikoterjadinya penyakit pada kelompok terpajandengan kelompok tidak terpajanRisiko terjadinya penyakit berbeda meskipunpajanan dihilangkan pada kelompok terpajan

Syarat Confounding

C merupakan faktor risiko DC memiliki asosiasi dengan E

E D

C

Contoh Confounding

Ibu Anemia BBLR

St.Gizi Ibu

Contoh confounding

Kelompok gizi kurang dan gizi baikBBLR+ BBLR- Jumlah

Anemia + 24 36 60Anemia - 36 24 60Jumlah 60 60 120

OR = (24*24)/(36*36)=0,44

Hubungan anemia dg BBLR

Simpulan: Anemia faktor pencegah terjadinya BBLR ??

Ibu Anemia BBLR

Contoh confounding

Kelompok gizi baikBBLR+ BBLR- Jumlah

Anemia + 18 34 52Anemia - 2 6 8Jumlah 20 40 60

OR = (18*6)/(34*2) = 1,58

Kelompok gizi kurangBBLR+ BBLR- Jumlah

Anemia + 6 2 8Anemia - 34 18 52Jumlah 40 20 60

OR = (6*18)/(2*34) = 1,58

Hubungan anemia dg BBLR (Dipisah menurut status Gizi)

Simpulan: Anemia adalahfaktor risikoterjadinya BBLR

(baik pd gizi baikmaupun pd gizikurang)

Contoh confounding

Hubungan status gizi dengan BBLRBBLR+ BBLR- Jumlah

Gizi kurang 40 20 60Gizi baik 20 40 60Jumlah 60 60 120

OR = (40*40)/(20*20) = 4,00

Status gizi kurang merupakan faktorrisiko BBLR

St.Gizi ibu

BBLR

Contoh confounding

Distibusi status gizi menurut anemiaGizi kurang Gizi baik Jumlah

Anemia + 8 52 60Anemia - 52 8 60Jumlah 60 60 120

Distribusi status gizi tidak seimbangpada ibu anemia dan ibu non anemia

Ibu Anemia

St.Gizi Ibu

Contoh confounding

Pada contoh, status gizi merupakan confounder karena

Status gizi kurang merupakan faktor risiko BBLR ?Distribusi status gizi tidak seimbang pada ibu anemia danibu non anemiaHasil analisis menunjukkan status gizi merupakan faktorrisiko BBLR ?

Pengontrolan Confounding

Pada DesainRestriksiMatching

Pada Pengumpulan DataConfounding harus diukur

Pada AnalisisAnalisis multivariat