Analisis Dosis-Respons — Mengukur Bagaimana Tingkat Paparan Berkaitan dengan Risiko Hasil
- Diperkenalkan oleh
- Paracelsus (conceptual foundation); formalized by John Snow and later Bradford Hill
- Tahun
- Conceptual roots 16th century; modern epidemiological application mid-20th century
- Jenis
- Quantitative analytical method
- Keluarga
- Clinical / epidemiology
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Analisis dosis-respons mengukur hubungan antara besarnya paparan (dosis) dan probabilitas atau laju suatu hasil (respons).
Ini adalah strategi analitis inti dalam epidemiologi dan toksikologi, yang memberikan bukti bahwa peningkatan paparan secara sistematis meningkatkan — atau menurunkan — risiko penyakit. Gradien dosis-respons yang terbukti adalah salah satu kriteria klasik Bradford Hill yang mendukung inferensi kausal.
Intuisi di balik metode
Anggap analisis dosis-respons sebagai pertanyaan: apakah paparan lebih banyak berarti bahaya lebih banyak? Jika pekerja yang terpapar bahan kimia tingkat tinggi memiliki tingkat penyakit paru-paru yang semakin tinggi dibandingkan dengan yang terpapar tingkat rendah, gradien tersebut adalah ukuran risiko dan argumen untuk kausalitas. Metode ini melampaui perbandingan sederhana terpapar-vs-tidak terpapar untuk memetakan seluruh kurva paparan-risiko — yang mungkin linier, berbasis ambang batas, berbentuk U, atau jenuh — memberikan gambaran kuantitatif kepada regulator, klinisi, dan peneliti tentang bagaimana risiko berubah di seluruh spektrum paparan.
Sejarah
Prinsip bahwa dosis membuat racun diartikulasikan oleh Paracelsus pada abad keenam belas. Aplikasi epidemiologi formal dimulai dengan investigasi kolera John Snow pada tahun 1854, yang mengukur risiko berdasarkan jarak dari pompa Broad Street. Metode ini dikodifikasikan pada pertengahan abad kedua puluh melalui karya Bradford Hill, yang memasukkan gradien dosis-respons sebagai salah satu dari sembilan kriteria tahun 1965 untuk inferensi kausal dalam epidemiologi. Pemodelan dosis-respons berbasis regresi kuantitatif menjadi standar dengan munculnya regresi logistik dan Cox pada tahun 1970-an dan 1980-an, dan pemodelan fleksibel berbasis spline dari kurva paparan-respons menjadi luas mulai tahun 1990-an dan seterusnya.
Kapan digunakan
Gunakan analisis dosis-respons kapan pun paparan dapat dikuantifikasi pada skala ordinal atau kontinu dan pertanyaannya adalah apakah paparan yang lebih tinggi menghasilkan risiko yang lebih besar (atau lebih kecil). Ini adalah praktik standar dalam epidemiologi kerja, kesehatan lingkungan, farmakoepidemiologi, dan epidemiologi gizi. Ini juga merupakan komponen kunci dari penggabungan meta-analitik data ringkasan antar studi. Jangan menerapkannya ketika paparan secara inheren biner tanpa gradien yang bermakna (misalnya, operasi vs. tanpa operasi), ketika kategori paparan terlalu sedikit (kurang dari tiga tingkat berurutan) untuk memodelkan tren, atau ketika pengukuran paparan sangat tidak tepat sehingga kategorisasi tidak dapat diandalkan — dalam kasus tersebut perbandingan dua kelompok sederhana lebih tepat.
Batasan dan pertimbangan
- Membutuhkan pengukuran paparan yang akurat dan rinci; kesalahan klasifikasi melemahkan estimasi dosis-respons menuju nol.
- Mengategorikan paparan kontinu memperkenalkan titik potong sewenang-wenang dan dapat menciptakan atau mengaburkan non-linearitas.
- Perancu harus dikendalikan pada setiap tingkat paparan secara terpisah, meningkatkan kompleksitas strategi penyesuaian.
- Jumlah subjek yang kecil dalam kategori paparan ekstrem mengurangi presisi dan mungkin memerlukan penggabungan kategori.
- Bias publikasi dan pelaporan kategori dosis yang selektif dapat mendistorsi kurva dosis-respons gabungan dalam meta-analisis.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Memberikan bukti gradien kausal, memperkuat inferensi kausal di luar perbandingan terpapar-vs-tidak terpapar tunggal.
- Mengestimasi risiko pada berbagai tingkat paparan, memungkinkan penetapan standar peraturan dan identifikasi ambang batas klinis.
- Kompatibel dengan sebagian besar desain studi observasional (kohort, kasus-kontrol, potong lintang) dan dengan meta-analisis data ringkasan.
- Pemodelan fleksibel (spline, polinomial) mengakomodasi hubungan non-linier dan berbasis ambang batas.
- Mendukung penilaian risiko kuantitatif dan pemodelan dampak kesehatan.
Penerapan
- Kesehatan kerja: mengukur risiko kanker paru-paru di berbagai kategori paparan kumulatif asbes atau silika.
- Farmakoepidemiologi: menghubungkan dosis kumulatif statin dengan penurunan angka kejadian kardiovaskular.
- Epidemiologi lingkungan: memodelkan asosiasi antara konsentrasi materi partikulat halus (PM2.5) di udara ambien dan mortalitas semua penyebab.
- Epidemiologi gizi: mengkarakterisasi hubungan berbentuk U antara konsumsi alkohol dan risiko kardiovaskular.
- Toksikologi: menetapkan dosis penanda (benchmark doses) dan konsentrasi referensi aman untuk penilaian risiko peraturan.
- Meta-analisis: menggabungkan risiko relatif spesifik dosis dari beberapa studi kohort untuk mendapatkan kurva dosis-respons ringkasan.
Cara kerjanya
Cara kerjanya
Variabel paparan didefinisikan dan diukur pada skala ordinal atau kontinu: dosis kumulatif, intensitas rata-rata, durasi, atau konsentrasi puncak. Penilaian paparan yang jelas dan dapat direproduksi sangat penting karena kesalahan klasifikasi tingkat paparan — terutama kesalahan klasifikasi non-diferensial — membiaskan estimasi dosis-respons menuju nol.
Paparan dikelompokkan ke dalam kategori berurutan (misalnya, kuartil atau titik potong yang bermakna secara klinis) untuk analisis tren kategorikal, atau dimodelkan sebagai variabel kontinu menggunakan spline regresi, polinomial, atau polinomial fraksional. Pendekatan kategorikal lebih transparan dan membutuhkan lebih sedikit asumsi; pemodelan kontinu menangkap bentuk kurva penuh dan menghindari kategorisasi sewenang-wenang.
Untuk setiap tingkat atau peningkatan paparan, ukuran efek diestimasi relatif terhadap kategori referensi (biasanya kelompok terendah atau tidak terpapar). Dalam studi kohort, ini biasanya adalah risiko relatif atau rasio bahaya; dalam studi kasus-kontrol, rasio odds. Regresi Poisson, regresi Cox, atau regresi logistik dapat digunakan tergantung pada jenis hasil. Model polinomial atau spline dari log-risiko terhadap dosis menghasilkan kurva dosis-respons: ln(RR) = β₀ + β₁d + β₂d².
Rumus
ln(RR) = \beta_0 + \beta_1 d + \beta_2 d^2
Tes formal untuk tren linier dilakukan dengan menetapkan median atau titik tengah setiap kategori paparan sebagai skor kontinu dan memasukkannya ke dalam model regresi. Nilai p yang signifikan (atau, dalam meta-analisis, koefisien tren gabungan) mengonfirmasi bahwa asosiasi berubah dalam arah yang konsisten di seluruh tingkat paparan.
Di luar tes tren linier, bentuk fungsional dari hubungan dinilai. Spline kubik terbatas atau model polinomial fraksional memungkinkan deteksi pola non-linier seperti ambang batas (tidak ada efek di bawah dosis tertentu), dataran (efek mendatar pada dosis tinggi), atau bentuk U (baik paparan rendah maupun tinggi dikaitkan dengan peningkatan risiko). Bentuk yang dipilih memiliki implikasi langsung untuk penilaian risiko dan ambang batas peraturan.
Kesalahan umum
- Memilih kategori paparan setelah memeriksa data — kategorisasi berbasis data meningkatkan gradien dosis-respons yang tampak dan menghasilkan nilai p yang optimis; kategori harus ditentukan sebelumnya (a priori).
- Mengabaikan non-linearitas — mengabaikan tes tren linier tanpa memeriksa bentuk fungsional dapat melewatkan hubungan ambang batas atau berbentuk U yang penting secara ilmiah dan praktis.
- Menggunakan kelompok terpapar tertinggi sebagai kategori referensi — ini hanya benar jika itu juga kelompok terbesar; kelompok yang tidak terpapar atau terpapar terendah adalah referensi konvensional karena memaksimalkan kekuatan statistik dan interpretasi.
- Perancu gradien dosis-respons dengan efek pekerja sehat atau pengguna sehat — individu yang memilih sendiri ke tingkat paparan yang lebih tinggi mungkin berbeda secara sistematis dari kelompok paparan yang lebih rendah dalam hal-hal yang membiaskan gradien yang diestimasi.
Pertanyaan yang sering diajukan
Apa perbedaan antara tes tren linier dan model dosis-respons penuh?
Tes tren linier merangkum hubungan dosis-respons menjadi satu koefisien kemiringan dan menguji apakah kemiringan tersebut berbeda dari nol. Ini ringkas tetapi mengasumsikan linearitas dan tidak dapat mendeteksi pola ambang batas atau berbentuk U. Model dosis-respons penuh — menggunakan spline atau polinomial — mengestimasi seluruh kurva paparan-risiko, mengungkapkan apakah hubungannya linier, non-linier, atau bergantung pada ambang batas. Kedua pendekatan saling melengkapi dan biasanya harus dilaporkan bersama.
Bisakah analisis dosis-respons diterapkan pada data kasus-kontrol?
Ya. Dalam studi kasus-kontrol, kategori paparan didefinisikan untuk kasus dan kontrol, dan rasio odds untuk setiap tingkat paparan relatif terhadap kategori referensi diestimasi menggunakan regresi logistik kondisional atau tidak kondisional. Skor paparan ordinal kemudian dimasukkan sebagai variabel kontinu dalam model untuk menguji tren. Interpretasinya serupa dengan analisis studi kohort, tetapi rasio odds mendekati risiko relatif hanya ketika hasilnya jarang terjadi.
Bagaimana cara menggabungkan data dosis-respons antar studi dalam meta-analisis?
Metode Greenland dan Longnecker (1992) adalah pendekatan standar. Metode ini merekonstruksi matriks kovarians dari log risiko relatif di berbagai kategori paparan dari setiap studi dan kemudian menggunakan kuadrat terkecil umum (generalized least squares) untuk menyesuaikan tren dosis-respons umum. Ini membutuhkan studi individual untuk melaporkan jumlah kasus dan waktu-orang (atau kontrol) per kategori paparan bersama dengan estimasi efek yang disesuaikan — informasi yang terkadang hilang dari laporan yang diterbitkan.
Kapan saya harus menggunakan spline kubik terbatas daripada regresi polinomial?
Spline kubik terbatas (juga disebut spline alami) umumnya lebih disukai daripada polinomial karena mereka menyesuaikan secara fleksibel di bagian dalam rentang paparan sambil dibatasi agar linier di ekor, yang menghindari ekstrapolasi yang tidak menentu di luar data. Polinomial dapat menghasilkan kurva yang tidak masuk akal di ekstrem. Untuk sebagian besar analisis dosis-respons epidemiologi, tiga hingga lima simpul (knots) yang ditempatkan pada kuantil distribusi paparan memberikan keseimbangan yang baik antara fleksibilitas dan parsimoni.
Apakah gradien dosis-respons membuktikan kausalitas?
Tidak. Gradien dosis-respons adalah salah satu kriteria Bradford Hill yang memperkuat argumen kausal, tetapi tidak perlu dan tidak cukup dengan sendirinya. Perancu, kausalitas terbalik, dan kesalahan klasifikasi paparan semuanya dapat menghasilkan atau menutupi gradien. Bukti dosis-respons harus diinterpretasikan bersama dengan temporalitas, konsistensi antar studi, kemungkinan biologis, dan kriteria kausal lainnya.
Metode terkait
Sumber
Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755641Disalin.Greenland, S., & Longnecker, M. P. (1992). Methods for trend estimation from summarized dose-response data, with applications to meta-analysis. American Journal of Epidemiology, 135(11), 1301–1309.
Buka referensi DOIDisalin.