Interpretasi_Data_Farmakoepidemiologi.pptx

farmakoepidemiology

1. Interpretasi Data Farmakoepidemiologi Bias, Confounding Factor, Ukuran Kejadian, dan Risk-Benefit Analysis

2. Tujuan Pembelajaran Memahami konsep bias dan confounding factor dalam farmakoepidemiologi. Menjelaskan ukuran kejadian dan status kesehatan. Menilai risk-benefit analysis (RBA) dalam penggunaan obat.

3. Pengantar Farmakoepidemiologi: Studi tentang penggunaan dan efek obat dalam populasi. Mengapa interpretasi data penting? - Menghindari kesalahan dalam pengambilan keputusan klinis. - Memastikan hasil penelitian valid dan bermanfaat.

4. Bias dalam Farmakoepidemiologi Bias adalah kesalahan sistematik yang menyebabkan hasil penelitian berbeda dari kebenaran. Jenis Bias: 1. Selection Bias – perbedaan karakteristik antara kelompok studi. 2. Information Bias – kesalahan dalam pengumpulan data (contoh: recall bias). 3. Publication Bias – hanya hasil positif yang dipublikasikan.

5. Confounding Factor Faktor ketiga yang mempengaruhi hubungan antara obat (exposure) dan outcome. Contoh: Kopi → Kanker paru Ternyata perokok juga banyak minum kopi → perokok adalah confounder.

6. Mengatasi Bias dan Confounding Strategi: - Desain Studi: Randomisasi, matching, stratifikasi. - Analisis Statistik: Multivariat, regresi, propensity score matching. - Standarisasi Pengukuran: Protokol yang jelas dan valid.

7. Ukuran Kejadian Mengukur frekuensi suatu kejadian: 1. Incidence (Insidens): Kasus baru dalam periode tertentu. Formula: Insidens = Kasus Baru / Populasi Berisiko 2. Prevalence (Prevalensi): Total kasus (lama + baru). Formula: Prevalensi = Total Kasus / Total Populasi

8. Ukuran Status Kesehatan Mortalitas – angka kematian. Morbidity – angka kesakitan. DALY (Disability Adjusted Life Years) – tahun hidup yang hilang karena penyakit. QALY (Quality Adjusted Life Years) – kualitas hidup yang disesuaikan.

9. Risk & Benefit Analysis (RBA) Tujuan: Menilai keseimbangan antara manfaat obat dan risiko efek samping. Langkah-langkah: 1. Identifikasi manfaat (efficacy). 2. Identifikasi risiko (adverse events). 3. Bandingkan risiko vs manfaat. 4. Tentukan apakah obat layak digunakan.

10. Contoh RBA: Trastuzumab (HER2+) Aspek Klinis: Memperpanjang kelangsungan hidup vs Cardiotoxicity. Aspek Ekonomi: Meningkatkan produktivitas pasien vs Biaya tinggi.

11. Kesimpulan Bias dan confounding dapat mempengaruhi validitas studi. Ukuran kejadian dan status kesehatan penting untuk memahami dampak obat. RBA membantu menentukan penggunaan obat yang aman dan efektif.

12. Diskusi / Tanya Jawab Pertanyaan: Bagaimana Anda mengidentifikasi bias dalam studi yang pernah Anda baca?