Studi Kasus-Kontrol yang Dicocokkan
- Diperkenalkan oleh
- Brian MacMahon and others; systematised by Schlesselman (1982)
- Tahun
- 1950s–1970s
- Jenis
- Observational analytic design
- Keluarga
- Clinical / epidemiology
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Studi kasus-kontrol yang dicocokkan adalah desain epidemiologi observasional di mana setiap kasus (seseorang dengan penyakit atau luaran yang diminati) dipasangkan dengan satu atau lebih kontrol (orang tanpa luaran) yang memiliki satu atau lebih karakteristik yang sama — seperti usia, jenis kelamin, atau latar klinis — untuk mengendalikan perancu.
Riwayat paparan kemudian dibandingkan antara kasus dan kontrol yang dicocokkan untuk memperkirakan rasio kemungkinan paparan-penyakit.
Intuisi di balik metode
Anggap saja seperti detektif yang memasangkan tersangka dengan orang yang mirip. Jika Anda ingin tahu apakah paparan tertentu menyebabkan penyakit, Anda menemukan pasien dengan penyakit itu dan kemudian mencari satu atau lebih orang yang serupa — usia sama, jenis kelamin sama, rumah sakit sama — yang tidak terkena penyakit. Dengan menjaga fitur latar belakang tersebut tetap identik, setiap perbedaan dalam riwayat paparan antara pasangan tersebut lebih mungkin mencerminkan hubungan yang nyata daripada faktor perancu. Pencocokan memperketat perbandingan sehingga sinyalnya lebih jelas, dengan mengorbankan beberapa fleksibilitas dalam analisis.
Sejarah
Desain kasus-kontrol diformalkan dalam epidemiologi pada tahun 1950-an, dengan studi penting oleh Doll dan Hill (1950) tentang merokok dan kanker paru-paru menggunakan kontrol berbasis rumah sakit. Prinsip pencocokan untuk meningkatkan perbandingan diterapkan sejak dini dan dikodifikasikan oleh Brian MacMahon dan rekan-rekannya. Buku teks James Schlesselman tahun 1982 Case-Control Studies menetapkan kerangka kerja analitis untuk desain yang dicocokkan, termasuk rasio kemungkinan yang dicocokkan dan regresi logistik kondisional. Makalah Nathan Mantel dan William Haenszel tahun 1959 memberikan metode stratifikasi mendasar yang mendasari analisis yang dicocokkan, dan pendekatan regresi logistik kondisional dikembangkan sepanjang tahun 1970-an–1980-an, menjadi alat analitis standar untuk data kasus-kontrol yang dicocokkan secara individual.
Kapan digunakan
Gunakan studi kasus-kontrol yang dicocokkan ketika mempelajari penyakit atau luaran langka di mana studi kohort penuh akan memerlukan sampel yang sangat besar atau tindak lanjut yang sangat lama; ketika perancu tertentu (seperti usia, jenis kelamin, atau pusat klinis) memerlukan kontrol yang ketat; dan ketika sumber daya memungkinkan pencocokan individual dan analisis kondisional yang cermat. Ini sangat berharga dalam pengaturan berbasis rumah sakit dan investigasi wabah. Jangan gunakan pencocokan ketika variabel pencocokan adalah perantara potensial pada jalur kausal (pencocokan berlebih), ketika jumlah kasus sangat kecil dan mitra pencocokan tidak dapat ditemukan, atau ketika paparan yang berubah seiring waktu membuat pencocokan statis tidak sesuai — dalam situasi tersebut desain kasus-crossover atau kohort mungkin lebih disukai. Pencocokan tidak menghilangkan perancu yang tidak terukur.
Batasan dan pertimbangan
- Tidak dapat memperkirakan prevalensi atau insiden luaran — hanya rasio kemungkinan untuk hubungan paparan-luaran.
- Variabel pencocokan itu sendiri tidak dapat dipelajari sebagai paparan kecuali metode analitik yang kompleks digunakan.
- Pencocokan berlebih (pencocokan pada variabel yang terkait dengan paparan tetapi tidak dengan penyakit) meningkatkan ukuran sampel yang diperlukan dan membiaskan rasio kemungkinan menuju nol.
- Menemukan kontrol yang dicocokkan yang memadai bisa sulit, terutama untuk kombinasi kriteria pencocokan yang langka, yang menyebabkan kasus yang tidak dicocokkan yang harus dikecualikan.
- Struktur yang dicocokkan harus dipertahankan dalam analisis; mengabaikannya (menggunakan regresi logistik tidak kondisional) menghasilkan perkiraan yang bias.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Secara efisien mengendalikan perancu kuat (usia, jenis kelamin, pusat klinis) melalui desain daripada hanya melalui penyesuaian statistik.
- Sangat cocok untuk luaran langka di mana kohort penuh tidak layak; sebagian kecil dari sampel yang tidak dicocokkan dapat mencapai presisi yang sebanding.
- Mengurangi variabilitas dalam set yang dicocokkan, seringkali meningkatkan efisiensi statistik untuk ukuran sampel tertentu.
- Diterima secara luas dan dipahami dengan baik dalam jurnal klinis dan epidemiologi; regresi logistik kondisional adalah standar dan diimplementasikan di semua paket statistik utama.
Penerapan
- Menyelidiki faktor risiko kanker langka dengan mencocokkan pasien rumah sakit dengan kanker ke kontrol dari rumah sakit yang sama berdasarkan usia, jenis kelamin, dan bangsal rawat inap.
- Investigasi wabah di mana kasus penyakit bawaan makanan dicocokkan dengan kontrol lingkungan berdasarkan lokasi geografis dan kesempatan makan.
- Studi farmakoepidemiologi yang memeriksa reaksi obat yang merugikan, dengan kasus dicocokkan dengan kontrol yang terpapar obat berdasarkan indikasi, usia, dan komorbiditas.
- Studi epidemiologi pekerjaan terhadap paparan langka (misalnya, agen kimia tertentu) dengan kontrol yang dicocokkan industri untuk menghilangkan perancu pekerjaan.
- Epidemiologi genetik di mana kasus dan kontrol dicocokkan berdasarkan etnis untuk meminimalkan stratifikasi populasi sebelum pengetikan gen.
- Studi darurat dan bedah di mana rawat inap memberikan kerangka pencocokan alami untuk pertanyaan paparan-luaran akut.
Cara kerjanya
Cara kerjanya
Rumuskan definisi kasus yang tepat yang menentukan penyakit atau luaran, kriteria diagnostiknya, populasi yang memenuhi syarat (populasi sumber), dan jendela waktu. Identifikasi paparan yang diminati dan perancu yang ingin Anda kendalikan dengan pencocokan. Tentukan sebelumnya rasio pencocokan (1:1, 1:2, dll.) dan variabel pencocokan.
Rekrut kasus insiden atau prevalen dari sumber yang ditentukan seperti catatan rumah sakit, registri penyakit, atau sistem surveilans. Konfirmasikan setiap kasus memenuhi definisi kasus. Pilih kontrol dari populasi sumber yang sama — orang yang memenuhi syarat untuk menjadi kasus — menggunakan strategi pengambilan sampel berbasis rumah sakit, berbasis populasi, atau kepadatan.
Untuk setiap kasus, pilih satu atau lebih kontrol yang memiliki nilai variabel pencocokan yang sama (misalnya, rentang usia lima tahun yang sama dan jenis kelamin). Pencocokan individual (satu-satu atau satu-ke-banyak) mengikat setiap kontrol ke kasus tertentu; pencocokan frekuensi menyeimbangkan distribusi di seluruh studi secara keseluruhan. Dokumentasikan rasio pencocokan dan lebar kaliper apa pun yang digunakan.
Tentukan status paparan untuk kasus dan kontrol yang dicocokkan, menggunakan metode pengukuran yang sama untuk kedua kelompok untuk menghindari salah klasifikasi yang berbeda. Sumber umum meliputi wawancara, catatan medis, data biobank, atau basis data administratif. Penilaian buta terhadap status kasus/kontrol mengurangi bias informasi.
Analisis data yang dicocokkan dengan regresi logistik kondisional (atau uji McNemar untuk pasangan yang dicocokkan 1:1) untuk mempertahankan struktur yang dicocokkan. Untuk desain 1:1 yang dicocokkan sederhana, rasio kemungkinan yang dicocokkan diperkirakan sebagai OR = b/c, di mana b = pasangan diskordan dengan kasus terpapar dan kontrol tidak terpapar, dan c = pasangan diskordan dengan kasus tidak terpapar dan kontrol terpapar. Sesuaikan untuk kovariat tambahan dalam model kondisional.
Rumus
OR = (b / c)
Ekspresikan hasil sebagai rasio kemungkinan yang dicocokkan dengan interval kepercayaan 95%. Evaluasi apakah variabel pencocokan sesuai, periksa pencocokan berlebih (pencocokan pada perantara paparan), dan nilai perancu residual. Diskusikan validitas eksternal sehubungan dengan populasi sumber.
Kesalahan umum
- Pencocokan berlebih: memilih variabel pencocokan yang terletak pada jalur kausal antara paparan dan penyakit (perantara) menghilangkan variasi yang diperlukan untuk mendeteksi hubungan dan membiaskan OR menuju 1,0.
- Memutus kecocokan dalam analisis: menganalisis data yang dicocokkan dengan regresi logistik standar (tidak kondisional) membuang keuntungan efisiensi dari pencocokan dan dapat menimbulkan bias — selalu gunakan regresi logistik kondisional atau uji McNemar.
- Bias ingatan: jika kasus mengingat paparan lebih jelas daripada kontrol (ingatan yang berbeda), rasio kemungkinan akan dibesar-besarkan; gunakan catatan objektif atau biomarker jika memungkinkan.
- Mengabaikan kasus yang tidak dicocokkan: mengecualikan kasus yang tidak ditemukan kontrol yang dicocokkan dapat menimbulkan bias seleksi jika pengecualian terkait dengan paparan.
- Kontrol yang tidak mencukupi untuk perancu residual: pencocokan pada kategori luas (misalnya, pita usia sepuluh tahun) meninggalkan perancu dalam kategori yang tidak tertangani; perbaiki kategori atau sesuaikan usia secara kontinu dalam model.
Pertanyaan yang sering diajukan
Mengapa saya harus menggunakan regresi logistik kondisional daripada regresi logistik biasa?
Dalam studi yang dicocokkan secara individual, kasus dan kontrol yang dicocokkan membentuk strata. Regresi logistik tidak kondisional memperlakukan semua strata sebagai satu sampel gabungan, yang menghasilkan perkiraan bias karena intersep set yang dicocokkan diperlakukan sebagai parameter tetap — yang mengarah pada masalah parameter insidental. Regresi logistik kondisional mengkondisikan pada statistik yang cukup untuk setiap set yang dicocokkan, menghilangkan intersep spesifik strata dan menghasilkan rasio kemungkinan yang dicocokkan tanpa bias.
Apa itu pencocokan berlebih dan mengapa itu berbahaya?
Pencocokan berlebih terjadi ketika Anda mencocokkan pada variabel yang terkait dengan paparan tetapi tidak secara independen dengan penyakit (atau merupakan perantara pada jalur kausal). Karena kasus dan kontrol kemudian memiliki riwayat paparan yang serupa berdasarkan desain, kontras antara kelompok berkurang, rasio kemungkinan dibiaskan menuju 1, dan sampel yang lebih besar diperlukan untuk mencapai kekuatan yang sama. Hindari pencocokan pada variabel yang bisa menjadi konsekuensi hilir dari paparan.
Bagaimana cara memilih rasio pencocokan?
Rasio 1:1 adalah yang paling umum dan termudah dikelola. Meningkatkan menjadi 1:2 atau 1:3 kontrol per kasus meningkatkan presisi ketika kasus langka tetapi kontrol berlimpah; peningkatan efisiensi berkurang setelah 1:4 dan jarang membenarkan kompleksitas tambahan. Jika kasus sangat langka dan kontrol berlimpah, rasio 1:4 sering dianggap sebagai maksimum praktis.
Bisakah saya mempelajari beberapa paparan dalam studi kasus-kontrol yang dicocokkan yang sama?
Ya. Model regresi logistik kondisional dapat mencakup beberapa variabel paparan secara bersamaan, memungkinkan penilaian beberapa faktor risiko sambil mempertahankan struktur yang dicocokkan. Namun, setiap paparan tambahan menambah parameter dan memerlukan sampel yang cukup besar; hindari penggalian data dengan menentukan sebelumnya paparan primer dan sekunder dalam protokol studi.
Apa perbedaan antara pencocokan individual dan pencocokan frekuensi?
Pencocokan individual (pasangan) mengikat setiap kasus spesifik ke satu atau lebih kontrol spesifik pada variabel pencocokan, memerlukan analisis kondisional. Pencocokan frekuensi memastikan bahwa distribusi keseluruhan variabel pencocokan seimbang antara kasus dan kontrol tetapi tidak membuat pasangan spesifik kasus; dapat dianalisis dengan regresi logistik tidak kondisional yang menyesuaikan untuk variabel pencocokan. Pencocokan individual memberikan kontrol yang lebih ketat tetapi secara logistik lebih menuntut dan membatasi analisis.
Metode terkait
Sumber
Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755474Disalin.Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.
ISBN: 978-0195029338Disalin.