Science Corner September 2016: Meta-analisis, Artikel Ilmiah Anti Hoax

By: Jeffrey Christian Mahardhika

Hoax, hoax dan hoax. Tren berita palsu pada tahun 2016 sangat meresahkan dan perlu diakhiri di tahun 2017 yang baru ini. Ketidaktepatan fakta yang dimuat dalam suatu tulisan atau berita ini bukan hanya terjadi pada berita-berita politik dan media sosial saja, tetapi juga pada berbagai artikel ilmiah. Hal ini dapat terjadi karena bias dalam metode penelitian yang dilakukan. Oleh karena itu, sebagai orang yang cerdas, kita perlu dapat memilah dan memilih artikel ilmiah mana yang paling berkualitas dan berguna untuk kita baca.

Namun, apakah kita memiliki waktu untuk dapat menelusuri dan memilih artikel ilmiah mana yang memiliki kualitas baik dan berguna untuk kita? Jangankan menelusuri dan memilih, terkadang untuk membaca saja sangat menguras waktu dan tenaga. Hal ini tentu menjadi masalah bagi kita, para sahabat ilmiah yang memiliki waktu terbatas karena pekerjaan atau kesibukan di perkuliahan. Jika demikian, adakah cara mudah untuk mengisi pundi-pundi pengetahuan kita dengan fakta yang benar, berguna, dan tidak menguras waktu dan tenaga terlalu banyak? Meta-Analisis jawabannya!

Meta-analisis secara singkat merupakan sebuah artikel ilmiah yang merangkum berbagai hasil penelitian tentang sebuah topik. Tidak hanya merangkum, meta-analisis juga hanya membandingkan penelitian-penelitian dengan metode yang benar, sehingga meminimalisir bias. Mengapa? Karena pada meta-analisis, setiap artikel diidentifikasi, dikaji secara kritis, dan disintesis secara benar. Tahapan-tahapan tersebut dilakukan secara sistematis dan melibatkan sebanyak mungkin artikel ilmiah yang sesuai dan relevan dengan topiknya. Oleh karena itu, sahabat ilmiah tidak perlu melakukan sendiri pengkajian kritis dan memilih semua artikel ilmiah yang berjumlah ribuan itu. Tinggal baca saja meta-analisisnya.

Selain keandalannya untuk menyajikan fakta yang benar dan minim bias, meta-analisis juga dapat berguna untuk kita menarik sebuah kesimpulan dari berbagai hasil penelitian yang terkadang berbeda secara kuantitatif. Berbeda dengan systematic review, meta-analisis memerlukan penghitungan secara statistik terhadap hasil-hasil penelitian yang dirangkum. Dengan adanya penghitungan ini, berbagai hasil penelitian yang berbeda-beda pun dapat dirangkum secara kuantitatif. Hasil yang berupa angka inilah yang dapat kita tarik sebagai kesimpulan dan menjadi fakta yang bermanfaat bagi para sahabat ilmiah.

Mengapa hasil-hasil penelitian tersebut perlu dihitung dan dirangkum secara statistik? Coba bayangkan sebagai berikut: Sahabat ilmiah ingin mengetahui efek vitamin C terhadap pencegahan penyakit common cold. Ternyata, terdapat 5 penelitian kohort di dunia ini tentang hal tersebut. Tiga diantaranya dilakukan di China dengan jumlah populasi kurang lebih 10.000, sementara 2 lainnya dilakukan di India dengan jumlah populasi kurang lebih 5.000. Selain perbedaan pada populasi dan jumlahnya, kelima penelitian tersebut memiliki rentang kepercayaan (confidence interval) yang berbeda-beda. Perbedaan-perbedaan tersebut membuat nilai Relative Risk (RR) yang didapat dari masing-masing hasil dari tidak dapat dihitung dengan cara menjumlahkan seluruh nilai RR yang didapat dan kemudian dibagi lima. Diperlukan perhitungan secara statistik untuk dapat menghitung secara tepat setiap pengaruh penelitian tersebut terhadap kesimpulan akhir. Perhitungan tersebut dilakukan menggunakan Forest Plot.

Apa itu Forest Plot? Lihat gambar di bawah ini

 

gambar-1-scico-jeffrey

Gambar 1. Contoh Forest Plot

Sumber: Department of Social Policy and Intervention, Centre for Evidence-Based Intervention. How to read a forest plot [Internet]. [cited 2017 Jan 5]. Available from: https://www.cebi.ox.ac.uk/for-practitioners/what-is-good-evidence/how-to-read-a-forest-plot.html

 

Forest plot merupakan grafik di sebelah kanan, dengan setiap garis horizontal merepresentasikan setiap hasil penelitian berdasarkan Standardized Mean Difference (SMD), baik secara rerata (fixed) maupun rentang indeks kepercayaan 95%. Angka fixed digambarkan sebagai kotak hijau, sementara rentangnya digambarkan sebagai garis. Segi empat hitam yang berada di bawahnya merupakan rata-rata besaran efek dari 3 penelitian tersebut. Cara menginterpretasikannya adalah sebagai berikut:

  1. Lihat besaran efek dari setiap studi dan rata-ratanya.

Kita lihat semua garis yang merepresentasikan setiap studi dan rata-rata dari setiap studi berada di bagian “Favours experimental”. Itu berarti seluruh hasil studi dan rata-ratanya menyimpulkan bahwa subjek penelitian yang menerima intervensi mengalami perubahan lebih besar dibandingkan yang berada pada kelompok kontrol. Nilai besaran efek menurut Cohen dapat diinterpretasikan sebagai berikut: ≤ 0,2 menunjukkan efek yang kecil, 0,5 = efek menengah, dan ≥ 0,8 = efek besar.

  1. Menilai heterogenitas dari setiap studi

Heterogenitas adalah sebuah nilai untuk menentukan seberapa berbeda hasil-hasil yang didapat pada setiap penelitian yang dimasukkan ke dalam meta-analisis. Semakin besar perbedaannya, semakin sulit kita mempercayai hasil rata-rata besaran efek yang didapat pada meta-analisis tersebut. Kita dapat melihat dengan mudah hasilnya menggunakan nilai I2. Nilai I2 di atas 50% menunjukkan heterogenitas yang cukup besar sehingga kita perlu menganggap bahwa intervensi yang diberikan tidak selalu menghasilkan hasil seperti didapat pada meta-analisis tersebut.

Nah, sekarang kita sudah mengerti cara membaca hasil dari meta-analisis. Akan tetapi, kita perlu yakin sekali lagi, apakah meta-analisis yang kita baca memiliki kualitas yang baik atau tidak. Oleh karena itu, kita perlu menelusuri 7 hal berikut:

  1. Pertanyaan penelitian:

Apakah tujuan penelitian disebutkan dengan jelas, relevan secara klinis dan memiliki pertanyaan yang terfokus. Lalu kita juga perlu melihat apakah efektivitas dari sebuah intervensi memang masih meragukan. Kalau sudah pasti, buat apa dilakukan meta-analisis? Hal ini biasanya ada pada bagian introduksi atau pendahuluan.

  1. Cara penelusuran literatur:

Hal ini kita cermati pada bagian metode. Meliputi penggunaan database, kata kunci yang diugunakan, penggunaan limitasi yang sesuai (misalnya mencari sumber berbahasa Inggris saja), apakah penarian manual dilakukan atau tidak, dan apakah pencarian termasuk data-data yang belum dipublikasikan. Disini, kita melihat apakah peneliti yang melakukan meta-analisis telah mengambil seluruh data yang relevan dengan pertanyaan penelitian atau tidak. Semakin banyak dan relevan data yang diambil, akan semakin baik.

  1. Abstraksi data

Disini, kita melihat bagaimana data-data yang didapat diabstraksi oleh sang peneliti. Terdapat 3 hal yang dilihat yaitu siapa yang mengabstraksi, bagaimana kualitas data yang akan diabstraksi, dan data-data apa saja yang masuk dalam abstraksi.

Abstraksi data perlu dilakukan dengan format terstruktur, dilakukan oleh lebih dari 2 reviewer dan tercatat siapa saja yang melakukannya. Setiap reviewer perlu dilakukan blinded dan setiap ketidaksesuaian antar reviewer perlu diselesaikan, biasanya dengan ditinjau ulang oleh reviewer ketiga.

Selain siapa yang melakukan abstraksi, data-data mentah yang akan diabstraksi pun perlu dilihat kesesuaiannya. Komponen yang dilihat meliputi apakah ada grup subjek penelitian yang saling tumpang tindih, adanya Risk Ratio dan penggunaan analisis intention-to-treat pada setiap data.

Terakhir, melihat data-data manakah yang dimasukkan dalam kriteria inklusi dan mana yang dieksklusi. Tujuan dari inklusi dan eksklusi adalah untuk membuat populasi studi homogen. Tentu saja, alasan-alasan mengeksklusi harus jelas, biasanya disajikan dalam bagan alur.

  1. Evaluasi hasil

Kita perlu melihat hasil dari meta-analisis dengan melihat Forest plot yang sudah dijelaskan sebelumnya. Pada intinya, disini kita menilai apakah studi-studi yang dimasukkan memang dapat dibandingkan hasilnya dengan parameter yang sesuai dan sama (contoh: sama-sama menggunakan Risk Ratio, Odds Ratio, Densitas insidensi, dan sebagainya), cara analisisnya (menggunakan model fixed effect atau random effect), bagaimana hasilnya, dan heterogenitasnya.

  1. Menilai bias publikasi

Penilaian bias dapat dilakukan dengan Funnel plot. Funnel plot adalah grafik yang merepresentasikan seberapa besar efek dari besar sampel sebuah studi (aksis y) terhadap hasil dari penelitian tersebut (aksis x). Semakin banyak bias, maka data akan semakin tersebar secara tidak merata pada Funnel plot (gambar 2B). Sementara gambar 2A menunjukkan tidak ada bias publikasi

gambar-2-scico-jeffrey

Gambar 2. Contoh Funnel Plot. Gambar 2A menunjukkan tidak ada bias publikasi, gambar 2B menunjukkan ada bias publikasi

Sumber: Russo MW. How to Review a Meta-analysis. Gastroenterol Hepatol. 2007 Aug;3(8):637–42.

 

  1. Aplikabilitas dari Meta-analisis

Setelah kita menilai bahwa meta-analisis ini baik kualitasnya, kita juga perlu menilai apakah hasilnya dapat kita aplikasikan di dunia klinis yang kita hadapi. Kita perlu melihat apakah subjek penelitian sesuai dengan pasien kita atau populasi. Selain itu, kita juga perlu melihat apakah intervensi yang disarankan pada meta-analisis tersebut dapat dilakukan pada situasi kita.

  1. Pembiayaan Meta-analisis

Terakhir, kita perlu cermati bagian Acknowledgment untuk melihat apakah penelitian tersebut dibiayai oleh perusahaan tertentu yang memiliki kepentingan terhadap hasilnya. Bukan berarti tidak boleh dibiayai oleh pihak tertentu ya, tetapi ini untuk menilai apakah penulis memiliki conflict of interest atau tidak.

Sahabat ilmiah, sekarang kita sudah mengerti apa itu meta-analisis, bagaimana kegunaannya, cara menginterpretasikannya dan bagaimana mengetahui kualitas dari sebuah meta-analisis. Semoga sekarang kita sudah dapat menggunakan meta-analisis untuk menambah pengetahuan kita dalam keilmiahan ya dan terhindar dari hoax-hoax tentang ilmu pengetahuan. LPP, Sahabat Ilmiahmu!

Referensi

  1. Russo MW. How to Review a Meta-analysis. Gastroenterol Hepatol. 2007 Aug;3(8):637–42.
  2. Department of Social Policy and Intervention, Centre for Evidence-Based Intervention. How to read a forest plot [Internet]. [cited 2017 Jan 5]. Available from: https://www.cebi.ox.ac.uk/for-practitioners/what-is-good-evidence/how-to-read-a-forest-plot.html
  3. Department of Social Policy and Intervention, Centre for Evidence-Based Intervention. What is an effect size? [Internet]. [cited 2017 Jan 5]. Available from: https://www.cebi.ox.ac.uk/for-practitioners/what-is-good-evidence/what-is-an-effect-size.html
  4. Department of Social Policy and Intervention, Centre for Evidence-Based Intervention. How to interpret the sample forest plot [Internet]. [cited 2017 Jan 5]. Available from: https://www.cebi.ox.ac.uk/for-practitioners/what-is-good-evidence/how-to-interpret-the-sample-forest-plot.html

 

Leave a Reply

Your email address will not be published. Required fields are marked *