Skip to content
Kembali ke hasil pencarian

Desain Studi Kasus-Kontrol

Diperkenalkan oleh
Jerome L. Schlesselman, Brian MacMahon, Thomas Pugh
Tahun
1950s-1970s
Jenis
Research Design
Keluarga
observational design

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Studi kasus-kontrol mengidentifikasi individu dengan penyakit atau luaran (kasus) dan kelompok pembanding tanpa luaran (kontrol), kemudian mengukur paparan sebelumnya secara retrospektif.

Dikembangkan pada tahun 1950-an–1970-an oleh ahli epidemiologi seperti Schlesselman dan MacMahon, studi kasus-kontrol sangat efisien untuk penyakit langka, karena mereka mengambil sampel kasus yang diperkaya dengan luaran, sehingga tidak memerlukan kohort yang sangat besar. Studi ini merupakan andalan epidemiologi klinis, penelitian observasional, dan investigasi wabah.

Intuisi di balik metode

Studi kasus-kontrol bekerja mundur: dimulai dengan orang yang memiliki penyakit, kemudian bertanya 'Apa yang Anda papari sebelum Anda sakit?' Bandingkan dengan kontrol yang tidak memiliki penyakit. Jika kasus jauh lebih mungkin melaporkan paparan di masa lalu daripada kontrol, paparan tersebut kemungkinan merupakan faktor risiko. Statistik kuncinya adalah Odds Ratio (OR), yang dapat dihitung hanya dari sampel kasus-kontrol. Tantangan utamanya adalah bias ingatan (kasus mungkin mengingat paparan berbeda dari kontrol) dan bias seleksi (cara Anda memilih kontrol memengaruhi hasil Anda). Untuk penyakit langka, kasus-kontrol jauh lebih efisien daripada kohort: Anda mendaftarkan 100 kasus dan 100 kontrol daripada 100.000 orang bebas penyakit yang diikuti selama bertahun-tahun.

Sejarah

Metodologi kasus-kontrol muncul pada tahun 1950-an ketika ahli epidemiologi berusaha mempelajari penyakit langka secara efisien. Monograf Jerome Schlesselman (1982) memformalkan dasar statistik. Desain kasus-kontrol terbukti menentukan dalam menetapkan hubungan kausal: studi kasus-kontrol klasik tentang talidomid dan cacat lahir (1960-an) serta merokok dan kanker paru-paru (Doll & Hill) mencontohkan kekuatan desain untuk mendeteksi paparan dengan cepat. Studi kasus-kontrol bersarang (memilih kontrol dari dalam kohort) dan desain kasus-kontrol yang dicocokkan berkembang untuk meningkatkan presisi. Saat ini, studi kasus-kontrol tetap fundamental dalam epidemiologi, terutama untuk menyelidiki wabah, bahaya pekerjaan, dan kejadian buruk yang jarang terjadi.

Kapan digunakan

Gunakan studi kasus-kontrol ketika: (1) penyakit atau luaran langka (misalnya, kanker langka, cacat lahir), membuat studi kohort terlalu mahal, (2) ada periode laten yang panjang antara paparan dan luaran (bertahun-tahun hingga puluhan tahun), (3) mempelajari berbagai paparan untuk satu luaran, (4) melakukan investigasi wabah atau epidemi (membandingkan yang terpapar vs tidak terpapar), (5) menghasilkan hipotesis dari data yang ada (rekam medis, registri penyakit), (6) sumber daya terbatas (kasus-kontrol lebih murah dan lebih cepat daripada kohort), (7) mempelajari paparan masa lalu di mana tindak lanjut tidak mungkin dilakukan.

Batasan dan pertimbangan

  • Bias ingatan: kasus, setelah mengalami luaran, mungkin mengingat paparan sebelumnya secara berbeda dari kontrol. Jika kasus melebih-lebihkan atau meremehkan pelaporan paparan, OR menjadi bias.
  • Bias seleksi: cara kontrol dipilih secara kritis memengaruhi OR. Kontrol harus berasal dari populasi sumber yang sama yang menghasilkan kasus; menggunakan kontrol yang dirawat di rumah sakit ketika kasus berasal dari komunitas menimbulkan bias.
  • Ambiguitas temporal: pengukuran paparan retrospektif dapat mengaburkan kausalitas. Apakah paparan mendahului luaran, atau apakah luaran memengaruhi ingatan paparan?
  • Tidak dapat menghitung insidensi: sampel kasus-kontrol diperkaya luaran, sehingga Anda tidak dapat secara langsung memperkirakan insidensi penyakit atau risiko absolut. OR adalah satu-satunya ukuran asosiasi yang dapat diestimasi.
  • Salah klasifikasi paparan: penilaian paparan retrospektif (terutama untuk paparan jarak jauh) rentan terhadap kesalahan, membiaskan OR menuju nol (null).

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Efisiensi untuk luaran langka: pengambilan sampel yang diperkaya luaran membuat kasus-kontrol jauh lebih efisien daripada studi kohort untuk penyakit langka. Studi kanker langka mungkin mendaftarkan 300 kasus dan 300 kontrol alih-alih 100.000 orang yang diikuti selama bertahun-tahun.
  • Kecepatan dan biaya: pengumpulan data retrospektif lebih cepat dan lebih murah daripada tindak lanjut prospektif.
  • Berbagai paparan: satu studi kasus-kontrol dapat menguji banyak paparan secara bersamaan, mengidentifikasi faktor risiko baru.
  • Registri penyakit yang sudah ada: banyak penyakit memiliki registri (kanker, cacat lahir), menyediakan akses siap pakai ke kasus yang terkarakterisasi dengan baik.
  • Latensi: kasus-kontrol secara alami menangani periode induksi-latensi yang panjang antara paparan dan diagnosis luaran.

Penerapan

  • Investigasi wabah: selama wabah penyakit bawaan makanan, identifikasi kasus (orang sakit) dan kontrol (mereka yang terpapar tetapi tidak sakit), bandingkan makanan yang dikonsumsi, dan identifikasi sumbernya.
  • Epidemiologi cacat lahir: daftarkan bayi dengan kelainan bawaan sebagai kasus, pilih kontrol berbasis populasi, tanyakan ibu tentang penggunaan obat, infeksi, atau paparan selama kehamilan.
  • Kesehatan kerja: pekerja dengan mesothelioma (luaran langka) adalah kasus; kontrol adalah pekerja tanpa penyakit terkait asbes; secara retrospektif menilai paparan asbes dari catatan pekerjaan.
  • Efek samping obat: pasien yang dirawat di rumah sakit dengan gagal hati (kasus) dibandingkan dengan kontrol yang dirawat di rumah sakit (tanpa gagal hati); riwayat pengobatan ditinjau untuk mengidentifikasi obat hepatotoksik.
  • Etiologi kanker: pasien kanker yang baru didiagnosis (kasus) dicocokkan frekuensinya dengan kontrol bebas kanker berdasarkan usia/jenis kelamin; riwayat diet, merokok, dan reproduksi dikumpulkan untuk mengidentifikasi faktor risiko.

Cara kerjanya

Cara kerjanya

1

Definisikan kasus: individu dengan luaran yang diminati (misalnya, diabetes, infark miokard, kelainan bawaan). Kasus bisa baru didiagnosis (insiden) atau semua orang dengan penyakit dalam periode tertentu (prevalen). Definisikan kasus dengan jelas: kriteria diagnostik, tanggal diagnosis, status penyakit dikonfirmasi oleh rekam medis. Pilih kontrol dari populasi sumber yang menghasilkan kasus—kontrol mewakili distribusi paparan dalam populasi yang menghasilkan kasus. Kontrol harus bebas penyakit (setidaknya untuk luaran spesifik). Pencocokan (Matching): kontrol dapat dicocokkan 1:1 atau 1:k dengan kasus berdasarkan usia, jenis kelamin, ras, atau perancu (confounder) lainnya; pencocokan meningkatkan kekuatan statistik tetapi memerlukan penyesuaian statistik (McNemar untuk pasangan yang dicocokkan). Alternatifnya, gunakan kontrol yang tidak dicocokkan dan sesuaikan perancu dalam regresi. Ukur paparan sebelumnya dari rekam medis, wawancara, kuesioner, atau spesimen yang disimpan dalam biobank. Untuk paparan historis (masa lalu yang jauh), gunakan rekam medis atau riwayat pekerjaan; untuk paparan baru-baru ini, wawancara layak dilakukan.

Rumus
Identify cases (with outcome) and controls (without outcome); measure prior exposure retrospectively from medical records, interviews, or surveys; match controls to cases on age, sex, or other variables if needed.
2

Susun tabel kontingensi 2x2: baris = status paparan (ya/tidak), kolom = status kasus/kontrol. Hitung Odds Ratio: OR = (a × d) / (b × c), di mana a = kasus terpapar, b = kasus tidak terpapar, c = kontrol terpapar, d = kontrol tidak terpapar. Hitung CI 95% menggunakan skala log. Untuk data yang dicocokkan (n pasangan yang dicocokkan), gunakan uji McNemar: χ² = ((b − c)²) / (b + c), yang menguji apakah pasangan yang tidak selaras seimbang. Untuk data yang tidak dicocokkan, gunakan regresi logistik untuk menyesuaikan perancu dan menghitung OR yang disesuaikan. Laporkan OR yang disesuaikan dengan CI dan nilai p. Periksa interaksi antara paparan dan perancu.

Rumus
Tabulate 2×2 table (exposure × outcome); compute Odds Ratio (OR) = (a×d)/(b×c); apply McNemar's test for matched data or logistic regression for unmatched data with confounders.
3

OR = 1: tidak ada hubungan antara paparan dan luaran. OR > 1: paparan terkait dengan peningkatan peluang memiliki luaran (faktor risiko). OR < 1: paparan terkait dengan penurunan peluang (faktor pelindung). Misalnya, OR = 3 berarti peluang paparan di antara kasus adalah 3 kali peluang di antara kontrol. Ketika penyakit langka (prevalensi <10%), OR mendekati Risiko Relatif. Ketika penyakit umum, OR melebih-lebihkan efeknya. Interval kepercayaan yang tidak mencakup 1,0 menunjukkan signifikansi statistik. Kausalitas memerlukan lebih dari sekadar asosiasi statistik: pertimbangkan kekuatan (OR >2–3), konsistensi di berbagai studi, hubungan dosis-respons, plausibilitas temporal, dan mekanisme biologis. Nilai penjelasan alternatif: apakah bias seleksi, bias ingatan, atau perancu yang tidak terukur dapat menjelaskan asosiasi yang diamati?

Rumus
Interpret OR: OR=1 no association, OR>1 increased odds of exposure in cases, OR<1 decreased odds. In rare outcomes, OR approximates Relative Risk. Consider recall bias, selection bias, and unmeasured confounding.

Kesalahan umum

  • Pemilihan kontrol yang buruk: kontrol yang dipilih dari pasien yang dirawat di rumah sakit (ketika kasus adalah kasus komunitas) atau kontrol dengan penyakit terkait menimbulkan bias seleksi. Kontrol harus bebas penyakit dan mewakili populasi sumber.
  • Mengabaikan pencocokan dalam analisis: jika kasus dan kontrol dicocokkan berdasarkan usia/jenis kelamin, regresi logistik standar tidak tepat; gunakan regresi logistik kondisional atau uji McNemar untuk analisis yang dicocokkan.
  • Bias ingatan diferensial: kasus mungkin mengingat paparan lebih menyeluruh atau mendistorsinya lebih dari kontrol. Minimalkan dengan menggunakan catatan objektif (misalnya, catatan medis, catatan pekerjaan) alih-alih survei ingatan.
  • Pemilihan kontrol pasca-hoc: menyesuaikan pemilihan kontrol setelah melihat data (misalnya, memilih kontrol tambahan untuk menyeimbangkan kovariat tertentu) menimbulkan bias. Definisikan kriteria kontrol secara a priori.
  • Bias prevalensi-insidensi: jika kasus prevalen (semua kasus penyakit dalam populasi) alih-alih kasus insiden (baru didiagnosis) yang didaftarkan, penyintas penyakit parah mungkin diperkaya, mendistorsi OR.

Pertanyaan yang sering diajukan

Kapan Odds Ratio merupakan perkiraan yang baik untuk Risiko Relatif?

Odds Ratio (OR) mendekati Risiko Relatif (RR) ketika penyakit tersebut langka dalam populasi (biasanya prevalensi <10%). Pada prevalensi rendah, peluang penyakit ≈ risiko penyakit, sehingga OR ≈ RR. Ketika prevalensi >10%, OR melebih-lebihkan efeknya dibandingkan dengan RR. Misalnya, jika RR = 2, OR bisa jadi 2,5 atau lebih tinggi pada prevalensi yang lebih tinggi. Selalu klarifikasi bahwa studi kasus-kontrol menghasilkan OR, bukan RR. Jika interpretasi klinis memerlukan RR, Anda harus mengonversi OR menggunakan risiko dasar (prevalensi penyakit dalam populasi sumber).

Apa itu studi kasus-kontrol bersarang, dan mengapa menggunakannya?

Studi kasus-kontrol bersarang memilih kasus dan kontrol dari dalam kohort prospektif. Semua anggota kasus diidentifikasi dari kohort saat luaran terjadi; kontrol diambil sampelnya secara acak dari non-kasus dalam kohort, sering kali dicocokkan dengan kasus berdasarkan usia dan jenis kelamin. Kasus-kontrol bersarang menggabungkan kekuatan kohort dan kasus-kontrol: urutan temporal dan data insidensi tersedia (seperti dalam kohort), namun biayanya lebih rendah karena hanya subset kasus dan kontrol yang diukur untuk paparan mahal (misalnya, biomarker, pengujian genetik). Odds Ratio dari kasus-kontrol bersarang mendekati Risiko Relatif kohort, bahkan jika penyakitnya tidak langka.

Bagaimana cara memilih antara kontrol yang dicocokkan dan tidak dicocokkan?

Kontrol yang dicocokkan (dicocokkan 1:1 dengan kasus berdasarkan usia, jenis kelamin, dll.) meningkatkan presisi dan mengurangi perancuan oleh variabel yang dicocokkan. Namun, pencocokan secara statistik 'mahal': Anda harus menggunakan regresi logistik kondisional, dan Anda tidak dapat mengestimasi efek independen dari variabel yang dicocokkan. Kontrol yang tidak dicocokkan memungkinkan penyesuaian untuk banyak perancu dalam regresi logistik dan mungkin lebih hemat biaya. Pencocokan paling berguna untuk perancu yang kuat (usia, jenis kelamin, tahun kalender) dan ketika kontrol sulit ditemukan. Jika perancu potensial banyak, pertimbangkan desain yang tidak dicocokkan dengan penyesuaian regresi.

Bagaimana cara membedakan antara bias seleksi dan bias informasi dalam studi kasus-kontrol?

Bias seleksi timbul dari cara Anda memilih kasus dan kontrol. Jika kasus dan kontrol berasal dari populasi sumber yang berbeda (misalnya, kasus yang dirawat di rumah sakit vs. kontrol komunitas), OR menjadi bias. Bias informasi (salah klasifikasi) timbul dari kesalahan dalam mengukur paparan atau luaran. Bias ingatan adalah jenis bias informasi: kasus dengan penyakit serius mungkin mengingat paparan sebelumnya secara berbeda dari kontrol. Keduanya membiaskan OR, tetapi dengan cara yang berbeda. Untuk meminimalkan bias seleksi, pastikan kasus dan kontrol berasal dari populasi sumber yang sama. Untuk meminimalkan bias informasi, gunakan catatan objektif (catatan medis, biomarker) alih-alih ingatan.

Metode terkait

Sumber

  1. Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.

    ISBN: 978-0195027815
    Disalin.
  2. Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ISBN: 978-0781755657
    Disalin.
  3. Greenland, S., & Thomas, D. C. (1990). On the need for the rare disease assumption in case-control studies. American Journal of Epidemiology, 132(2), 374–375.

    Buka referensi publikasi
    Disalin.