Skoring Prognostik Gomez IKLI
-
Upload
tina-herrera -
Category
Documents
-
view
249 -
download
0
description
Transcript of Skoring Prognostik Gomez IKLI
-
1
KELUARAN MODEL SKORING PROGNOSTIK GOMEZ
TERHADAP KEMATIAN DINI PADA CEDERA KEPALA BERAT
DI RSUP DR. HASAN SADIKIN BANDUNG
PERIODE 1 JANUARI 2014 - 31 DESEMBER 2014
Oleh
EL IKLI RAISYI, dr
130221100005
Paper Bedah Lanjut
Untuk memenuhi salah satu syarat kelulusan
Program Pendidikan Dokter Spesialis 1 Ilmu Bedah
Fakultas Kedokteran Universitas Padjadjaran
PROGRAM PENDIDIKAN DOKTER SPESIALIS 1
BAGIAN BEDAH FAKULTAS KEDOKTERAN
UNIVERSITAS PADJADJARAN
BANDUNG
2015
-
2
KELUARAN MODEL SKORING PROGNOSTIK GOMEZ
TERHADAP KEMATIAN DINI PADA CEDERA KEPALA BERAT
DI RSUP DR. HASAN SADIKIN BANDUNG
PERIODE 1 JANUARI 2014 - 31 DESEMBER 2014
El Ikli Raisyi1, Muhammad Zafrullah Arifin2
1.Peserta PPDS Ilmu Bedah Fakultas Kedokteran, Universitas Padjadjaran
2. Pengajar Departemen Bedah Saraf, Fakultas Kedokteran, Universitas Padjadjaran
Abstrak
Pendahuluan: Cedera kepala traumatik terutama cedera kepala berat merupakan
penyebab utama kematian dan kecacatan di banyak negara. Cedera kepala berat
merupakan penyebab kematian dini, sehingga sangat penting untuk menilai
prognosa pasien. Cedera kepala berat dan kematian dini (< 48 jam) membutuhkan
pertimbangan strategi pengelolaan penanganan pasien dengan pertimbangan
alokasi sumber daya yang dibutuhkan.
Metode: Terdapat 94 kasus cedera kepala berat yang memenuhi kriteria inklusi,
data diambil dari rekam medik secara retrospektif (1 Januari 2014 31 Desember
2014) dengan variabel usia, motorik, reaksi pupil, syok, perdarahan sub dural,
penekanan sisternal, perdarahan epidural, kemudian data tersebut di berikan nilai
sesuai dengan skor prognostik Pedro. Rentang skor 0 20 dengan probabiliti
kematian dini. Data diolah secara statistik dengan menggunakan SPSS versi 18.
analisis kesesuaian model prediksi kematian dini Gomez dengan analisis regresi
logistik.
Hasil: Dari 94 pasien, 30 meninggal (31,9%) dan 64 hidup (68,1%). Rata-rata skor
seluruh pasien adalah: 4,71 2,81 dengan median 5 dan rentang skor antara 0-11.
Pasien yang mati memiliki rata-rata skor 5,50 2,64 dengan median 6 dan rentang
skor antara 0-11. Pasien yang hidup memiliki rata-rata skor 4,34 283 dan median
skor 4,5 rentang skor antara 0-11. Mayoritas pasien berusia antara 15-35 tahun
(46,8%) dengan karakteristik dominan untuk motorik: lainnya (96,8%), reaksi
pupil: lainnya (59,6%), syok: tidak (97,9%), perdarahan subdural: tidak (60,6%),
penekanan sisternal: ya (55,3%), dan perdarahan epidural: tidak (74,5%) . Secara
fungsional, akurasi prediksi dari fungsi regresi logistik yang diperoleh adalah
sebesar 72,3% dengan sensitivitas 33,3% dan spesifisitas 90,6%.
Kesimpulan : Nilai prediksi skor prognosis Gomez mempunyai nilai sensifitas
rendah, spesifisitas sedang dan akurasi sedang
Kata Kunci: Akurasi, Cedera kepala berat, Kematian dini, Model skor prognostik
Gomez
-
3
OUTPUT OF GOMEZ PROGNOSTIC SCORE MODEL FOR EARLY
MORTALITY IN SEVERE HEAD INJURY IN DR. HASAN SADIKIN
HOSPITAL PERIOD JANUARY 2014- DECEMBER 2014
El Ikli Raisyi1, Muhammad Arifin Zafrullah2 Resident Department of Surgery Faculty of Medicine, University of Padjadjaran
Lecturer Department of Neurosurgery, Faculty of Medicine, University of Padjadjaran
Abstract
Introduction: Head injury, especially severe head injury is the cause of death and disability
in many countries. Severe head injury is the cause of early mortality, so it is important to
assess the prognosis of patients. Severe head injury and early mortality (
-
4
DAFTAR ISI
LEMBAR PENGESAHAN ............................................................................ i
DAFTAR ISI ................................................................................................... ii
Abstrak .......................................................................................................... .. iv
BAB I. PENDAHULUAN
1.1 Latar Belakang Penelitian ......................................................................... 1
1.2 Rumusan Masalah .................................................................................... 3
1.3 Tujuan Penelitian ...................................................................................... 3
1.4 Kegunaan Penelitian ................................................................................. 3
BAB II. KAJIAN PUSTAKA
2.1 Definisi ..................................................................................................... 4
2.2 Klasifikasi Cedera Kepala ......................................................................... 4
2.3 Glasgow Coma Scale (GCS).................................................................... . 6
2.4 Model Prognostik ......................................... ............................................ 8
BAB III. SUBJEK DAN METODE PENELITIAN
3.1 Subjek Penelitian ...................................................................................... 13
3.1.1 Populasi ........................................................................................... 13
3.2.1 Kriteria Inklusi ................................................................................. 13
3.2.1 Kriteria Eksklusi .............................................................................. 13
3.2 Metode Penelitian ..................................................................................... 13
3.2.1 Rancangan Penelitian ...................................................................... 13
3.2.2 Variabel ........................................................................................... 13
-
5
3.2.3 Cara Kerja dan Teknik Pengumpulan Data. .... 14
3.2.4 Tempat dan Waktu Penelitian .......................................................... 15
3.2.5 Rencana Pengolahan dan Rancangan Analisis Data ........................ 16
BAB IV. HASIL DAN PEMBAHASAN
4.1 Hasil .......................................................................................................... 17
4.1.1 Karakteristik pasien ......................................................................... 17
4.1.2 Kesesuaian Model Skor Prognostik Gomez .......................................... 19
4.1.3 Diskriminasi Model Skor Prognosis Gomez ......................................... 20
4.2 Pembahasan ............................................................................................... 22
BAB V. SIMPULAN DAN SARAN
5.1 Simpulan ......................................................................................... 25
5.2 Saran ............................................................................................... 25
DAFTAR PUSTAKA ..................................................................................... 26
-
6
BAB I
PENDAHULUAN
1.1. Latar belakang penelitian
Cedera kepala traumatik merupakan masalah kesehatan masyarakat dan sosial
ekonomi, dan merupakan penyebab utama kematian dan kecacatan pada
masyarakat di banyak negara. Insidensi cedera kepala meningkat tajam, terutama
karena meningkatnya pengendara motor di negara-negara berpenghasilan rendah
dan menengah. Secara global, lebih dari 10 juta orang mengalami cedera kepala
cukup serius yang mengakibatkan kematian atau masuk rumah sakit setiap
tahunnya.1 Prevalensi cedera kepala di Amerika Serikat diperkirakan sekitar 5,3
juta kasus per tahun. Di Uni Eropa dengan 330 juta penduduk, sekitar 7.775.000
kasus cedera kepala baru terjadi setiap tahunnya. Di Indonesia, kejadian cedera
kepala berat adalah antara 6 hingga 12% dari semua kasus cedera kepala, dengan
angka kematian berkisar antara 25 dan 37%.2 Di seluruh dunia, cedera kepala akan
melampaui banyak penyakit sebagai penyebab utama kematian dan kecacatan pada
tahun 20203
Insidensi cedera kepala sedang dan berat berkisar 10% 20% dari seluruh
cedera kepala, selanjutnya membutuhkan ruang intensive untuk perawatan. Pada
pasien cedera kepala berat satu dari dua pasien meninggal dan hidup dengan
dissabilitas berat.
Klinisi secara rutin membuat diagnostik dan keputusan terapeutik berdasarkan
prognosis pasien. Pentingnya menggunakan model yang akurat untuk memprediksi
-
7
cedera kepala terhadap kematian dini telah dirintis oleh Jennett et al.4 Prediksi
cedera kepala berat mendukung pengambilan keputusan klinisi dalam manajemen
pasien, komunikasi dengan keluarga, dan alokasi sumber daya. Publikasi model
prognostik pada pasien cedera kepala berat telah menjadi tantangan dalam satu
dekade ini. Selain itu, model prognostik dapat digunakan untuk meningkatkan
klasifikasi dari cedera kepala berdasarkan risiko prognostik, yang akan
meningkatkan pemahaman tentang mekanisme penyakit yang lebih baik dan
menentukan pilihan penanganannya.5
systematic reviews model prognostik untuk cedera kepala yang telah
dipublikasi dalam 20 tahun terakhir telah menghasilkan kritik tentang validitas
klinis atau metodologinya; hanya beberapa studi yang melakukan validasi internal
dan eksternal.6
Beberapa penelitian telah menganalisis karakteristik pasien yang berhubungan
dengan kematian dini pada pasien cedera kepala berat. Tahun 2014 Gomez dkk
mempublikasikasi model skor prognosis kematian dini (dalam waktu 48 jam). pada
pasien cedera kepala berat, dengan tujuh variabel prediktor dan telah dilakukan
validasi interna dan eksterna.7
Tujuan free paper ini, yaitu untuk mengetahui ketepatan prediksi kematian dini
berdasarkan model skoring prognostik Gomez pada pasien cedera kepala berat di
RSHS.
-
8
1.2.Rumusan Masalah
Bagaimana nilai prediksi kematian dini model skoring prognostik Gomez pada
pasien cedera kepala berat di RSHS
1.3.Tujuan Penelitian
Mengetahui sensitifitas, spesifisitas dan akurasi model skoring prognostik
Gomez terhadap kematian dini pada pasien cedera kepala berat di RSHS
1.4. Kegunaan Penelitian
Model skoring prognostik Gomez pada pasien cedera kepala berat terhadap
kematian dini dapat digunakan dalam pelayanan dan referensi
-
9
BAB II
KAJIAN PUSTAKA
2.1. Definisi
Cedera Kepala Traumatik memiliki arti yang sangat luas. Walaupun secara
anatomis memiliki arti suatu trauma terhadap bagian tubuh diatas batas bawah mandibula
namun secara umum trauma maksilofacial dibedakan dari cedera kepala. Tidak ada
kesepakatan khusus mengenai arti dari cederaa kepala untuk keperluan epidemiologi
namun Cedera Kepala diartikan suatu jejas pada kepala atau jaringan yang berada dalam
struktur kepala yang diakibatkan oleh sebuah energi eksternal seperti energi mekanik.
Menurut Field (1976) cedera kepala adalah trauma yang menyebabkan beberapa resiko
kerusakan pada otak. Sedangkan menurut Brookes et all (1990) cedera kepala adalah
suatu cedera pada scalp termasuk pembengkakan, aberasi atau kontusi dan laserasi, atau
riwayat pasti adanya benturan terhadap kepala, atau pasien yang telah dilakukan foto x-
ray kepala segera setelah trauma dan pasien yang mempunyai bukti klinis mengalami
fraktur dasar kepala.8
2.2. Klasifikasi Cedera Kepala
Meskipun cedera kepala diklasifikasikan kedalam beberapa pembagian namun
penggolongan praktis yg sering digunakan adalah berdasarkan mekanisme, keparahan
(severity), dan Morfologi.9
-
10
Berdasarkan mekanisme diklasifikasikan menjadi:
1. Cedera Kepala Tertutup
a. Kecepatan tinggi (kecelakaan)
b. Kecepatan rendah (jatuh, kekerasan)
2. Cedera Kepala Penetrasi
a. Luka tembak senjata
b. Cedera terbuka lainnya
Berdasarkan keparahan diklasifikasikan menurut Glasgow Coma Scale (GCS)
menjadi :
1. Cedera Kepala Ringan (GCS 14-15)
2. Cedera Kepala Sedang (GCS 9-13)
3. Cedera Kepala Berat (GCS 3-8)
Berdasarkan morfologi diklasifikasikan menjadi :
1. Fraktur Tulang
a. Tengkorak: linier atau stelate, depres atau tidak depres
b. Dasar Tengkorak : Dengan atau tanda kebocoran LCS, dengan
atau tanpa kelumpuhan nervus VII
2. Lesi Intraakranial
a. Fokal : epidural, subdural, intracranial
b. Difus : konkusi ringan, konkusi klasik, dan cedera otak difus
-
11
2.3. Glasgow Coma Scale (GCS)
Pada tahun 1974, Teasdale dan Jennet mengidentifikasikan tanda klinis yang
dapat memprediksikan hasil yang baik dan menghasilkan sedikit variasi apabila diperiksa
oleh pemeriksa yang lain yang dikenal dengan Skala Coma Glasgow atau Glasgow Coma
Scale (GCS). GCS ini memberikan keseragaman dalam memeriksa tingkat kesadaran
pasien. Tingkat kesadaran dibagi kedalam kemampuan pasien untuk membuka mata,
mengikuti perintah dan berbicara. Masing-masing komponen pemeriksaan diberikan
nilai sesuai fungsi dari pasien tersbut. Pasien yang mampu membuka mata secara
spontan, mengikuti perintah dan berbicara dengan orientasi baik diberi nilai tertinggi
yaitu 15 dan pasien yang tidak bisa membuka mata, tidak ada gerakan atau flasid dan
tidak bisa berbicara diberikan nilai terendah yaitu 3, dimana keadaan ini disebut koma.9
Tabel 2.1. Glasgow Coma Scale 9
-
12
Komponen Penilaian Nilai
Eye Opening (E)
Spontan
Respon suara (perintah)
Respon nyeri
Tidak ada respon
4
3
2
1
Motor Response (M)
Mengikuti perintah
Lokalisasi nyeri
Menghindari nyeri
Fleksi abnormal (Dekortikasi)
Ekstensi (Deserebrasi)
Tidak ada respon
6
5
4
3
2
1
Verbal Response (V)
Orientasi baik
Disorientasi
Kata-kata yang tidak sesuai
Suara
Tidak ada respon
5
4
3
2
1
2.4. Model Prognostik
-
13
Sebuah model prognostik adalah model statistik, atau persamaan
matematika, yang mencakup dua atau lebih faktor prognostik atau variabel, untuk
menghitung probabilitas. Dalam penelitian medis, hasilnya adalah sering dikotomi;
contoh termasuk memprediksi probabilitas menjadi hidup atau mati pada titik
waktu tertentu, tumor menjadi jinak atau ganas.10
Idealnya, faktor yang digunakan untuk membuat Model prognosis yang
secara statistik dan klinis terkait dengan hasilnya harus semua individu tercakup,
meskipun hal ini tidak selalu terjadi. variabel harus dipilih dengan hati-hati;
dianjurkan dengan memulai variabel kandidat, diketahui dari studi sebelumnya
Populasi Umumnya, lebih tinggi jumlah variabel meningkatkan model explanatory
effect, tetapi menggunakan variabel lebih banyak juga meningkatkan risiko
overfitting dan menurun penerapan klinis. Oleh karena itu, banyak peneliti
menyarankan bahwa model yang baik harus mencakup tidak lebih dari lima sampai
tujuh prediktor.10
Namun, hal yang lebih penting daripada metode statistik adalah pemilihan
prediktor, Sebuah tinjauan sistematis menyarankan perbaikan metodologi untuk
model prognostik pada cedera kepala ketika dibuat untuk memperhatikan cara
development nya dan cara validasi.10
2.4.1. Validasi Internal
Validasi internal mengacu pada pengujian model untuk reproduktifitas
dalam dataset serupa dengan yang digunakan untuk mengembangkan model. semua
prognostik model harus setidaknyadilakukan internal validasi sebelum dilakukan
-
14
publikasi. Split-sampel, cross-validasi, jackknifing, dan bootstrap adalah teknik
statistik umum yang paling sering untuk internal validasi.10
Teknik split-sampel mungkin metode yang paling sederhana dan mudah
untuk validasi internal. dataset dibagi acak menjadi dua kelompok, membuat
kelompok yang sama tetapi independen; satu Kelompok digunakan untuk
pengembangan Model (pengembangan set) dan kelompok lainnya digunakan untuk
validasi model (validasi set). Dengan cara ini model diuji pada sejenis tapi masih
data independen. teknik split-sampel, bagaimanapun, sangat tergantung pada
ukuran sampel dan membutuhkan cukup besar kelompok pasien. Selanjutnya, data
pemisahan selalu menghasilkan data yang hilang, dan dengan demikian,
mengurangi kekuatan statistik.
Teknik cross-validasi adalah perpanjangan teknik split-sampel, di mana
pasien secara acak dibagi menjadi dua bagian, satu untuk pengembangan model dan
lainnya untuk validation. Dalam cross-validasi, prosedur ini diulang dengan Model
sekarang dikembangkan di dataset lain dan divalidasi dalam dataset pengembangan
asli. Sehingga menjalani dua tahap sebagai perkiraan kinerja. Teknik cross-validasi
selanjutnya dapat diperpanjang untuk mengambil 90% dari data untuk
pengembangan model dan 10% untuk validasi. Prosedur diulang untuk total sepuluh
kali untuk penilaian estimasi kinerja.10
Bootstrap adalah teknik resampling komputer-intensif yang menarik sampel
acak dengan penggantian dari dataset aslinya Teknik bootstrap dapat diterapkan
pada berbagai ukuran kinerja, termasuk AUC, calibration slopes, and Nagelkerke
-
15
R2. Untuk menilai validitas internal Sebuah model dengan menggunakan teknik
bootstrap, yang dinilai adalah optimism-corrected performance.10
2.4.2. Validasi Eksternal
Sebuah model prognostik umumnya penampilannya lebih baik pada dataset
dari mana ia berasal dari pada data baru. Tujuan validasi eksternal adalah untuk
menilai kinerja dari Model prognostik dalam ruang, tempat dan waktu yang berbeda
, tapi masih masuk kriteria yang masih terkait. Validasi eksternal sangat penting
dalam mendukung generalisasi model prognostik dan memberikan bukti bahwa
Model sebenarnya akurat dalam memprediksi outcomes. beberapa jenis variasi
validasi eksternal, apakah metodologis (temporal, geografis, sepenuhnya
independen) atau karakteristik (calon pengujian dengan pasien yang lebih baru,
multi-tempat pengujian, peneliti lain di tempat lain).10
2.4.3. Performance Assessment
2.4.3.1 Diskriminasi
Diskriminasi mengacu pada kemampuan model untuk membedakan pasien
dengan hasil tertentu dari pasien tanpa itu (misalnya korban dan non-korban),
sebuah model prediksi yang baik akan mampu memprediksi hasil sesuai dengan
probabilitasnya, yaitu pada pasien probabilitas rendah akan menghasilkan outcome
yang rendah.10
Diskriminasi meliputi akurasi, sensitivitas, dan spesifitas dan sering diukur
(untuk model prognostik dengan binary outcome) oleh area under the receiver
operator characteristic curve (AUC, juga disebut C-statistik untuk model dengan
binary outcome) .10
-
16
Diskriminasi adalah kemampuan suatu model untuk membedakan individu
dengan dan tanpa kondisi yang diteliti. Kemampuan ini dievaluasi menggunakan
kurva receiver operating characterisctics (ROC). Kurva ROC meghubungkan true
positive (sensitivitas) dan false positive ( 1 Spesifisitas) berbagai titik potong
probabilitas yang dihasilkan oleh suatu model. Daerah di bawah kurva (AUC)
berkisar mulai 0,5, yang berarti model tidak memiliki kemampuan diskriminasi,
hingga 1,0 (diskriminasi yang sempurna).10
AUC 0,5 menunjukkan nilai prediksi dari Model menjadi tidak lebih baik
dari kenyataan, sementara AUC 1.0 adalah sempurna (100% sensitivitas dan 100%
spesifik). Diskriminasi sempurna dicapai ketika probabilitas untuk semua kasus
dengan hasil yang lebih tinggi dari probabilitas tanpa tumpang tindih. Umumnya
cut off yang dipakai, untuk AUC> 0,75 > 0.80 interpretasinya > 0,90 sangat baik
, > 0,80 baik, '> 0.70 memuaskan' dan
-
17
menghubungkan probabilitas diprediksi (aksis X) dengan proporsi luaran yang
diamati (aksis Y) Dengan menggunakan perangkat lunak S-Plus atau R, peneliti
bisa mendapatkan garis kalibrasi. Kalibrasi yang sempurna dilambangkan dengan
garis yang memiliki slope=1, intercept=0, dan melintang 45 memotong sumbu Y=0.
Kalibrasi juga dapat dievaluasi menggunakan uji goodness of fit Hosmer-
Lemeshow. Nilai P > 0,05 menunjukkan tidak ada perbedaan bermakna antara
probabilitas yang diprediksi dengan frekuensi outcome yang diamati.10
Sebuah p-value 0,05 (tidak ada statistik
deviasi yang signifikan antara yang diamati dan hasil prediksi) kesimpulannya
kalibrasi yang baik.10
-
18
BAB III
SUBJEK DAN METODE PENELITIAN
3.1. Subjek Penelitian
3.1.1 Populasi
Populasi yang diambil merupakan populasi terjangkau yaitu: Pasien dengan
cedera kepala berat yang datang ke RSHS pada Januari 2014 Desember 2014.
3.1.2 Kriteria Inklusi
Semua pasien cedera kepala berat ( GCS 8 ) yang datang ke RSHS pada
Januari 2014 Desember 2014 yang dilakukan pemeriksaan CT Scan kepala.
3.1.3 Kriteria Eksklusi
Subyek dikeluarkan bila berumur dibawah 15 tahun, GCS 9, pasien
dengan multiple trauma dan data pasien pada rekam medik tidak lengkap.
3.2. Metode Penelitian
3.2.1. Rancangan Penelitian
Desain penelitian yang dipakai adalah retrospective study pada pasien
dengan cedera kepala berat yang datang ke RSHS pada Januari 2014 Desember
2014.
3.2.2. Variabel
Variabel bebas:
o Umur
-
19
o Motorik
o Reaksi Pupil
o Syok
o Perdarahan Sub dural
o Penekanan Sisternal
o Perdarahan Epidural
o Jumlah total skoring
Variabel tergantung:
o Kematian dini
3.2.3 Cara Kerja dan teknik pengambilan data
Data penelitian diambil dari rekam medik pasien dengan cedera kepala berat
yang datang ke RSHS mulai 1 Januari 2014 sampai dengan 31 Desember 2014.
Data yang dikumpulkan dari rekam medik adalah usia ketika masuk rumah
sakit, motorik, reaksi pupil, syok, perdarahan sub dural, penekanan sisternal,
perdarahan epidural, kemudian data tersebut di berikan masing masing bobot nilai
sesuai dengan skoring prognostik Gomez terhadap kematian dini pada pasien
cedera kepala berat, nilai tersebut dijumlahkan dan dilihat status kematian pasien
dalam 48 jam.
-
20
Tabel. Prediktor kematian dan nilai bobot
Dari data yang dikumpulkan didapatkan nilai total skoring masing masing
pasien dengan rentang nilai terkecil 0 dan terbesar 20, kemudian dari rekam medik
dilihat status kematian pasien dalam 48 jam. Data tersebut dibandingkan dengan
probabilitas kematian dari model skoring prognostik Gomez.
Pasien dengan data tidak lengkap pada rekam medik tidak dimasukkan
kedalam subjek penelitian. Hasil data tersebut diolah dengan SPSS edisi 18,
dianalisis, dan dibuat laporan penelitiannya.
3.2.4 Tempat dan Waktu Penelitian
Penelitian dilakukan dengan mengumpulkan data dari rekam medis pasien
di Bagian Rekam Medik Rumah Sakit Hasan Sadikin. Bandung. Waktu penelitian
dilakukan pada bulan April - Mei 2015.
-
21
3.2.5 Rencana Pengolahan dan Rancangan Analisis Data
Data diolah secara statistik dengan menggunakan SPSS versi 18. Ketepatan
prediksi kematian dini model skoring prognosis Gomez pada pasien cedera kepala
berat dianalisis dengan dua pendekatan, yaitu: analisis kesesuaian model prediksi
kematian dini Gomez dengan analisis regresi logistik dan analisis diskriminasi skor
prognosis Gomez dalam memprediksi kematian dini dengan analisis kurva ROC
(Receiver Operating Characteristic) yang dilanjutkan dengan analisis tabulasi
silang Chi-Square.
Kesesuaian model prediksi kematian dini Gomez, sebagai fungsi regresi
logistik, diuji berdasarkan kemampuan prediksinya melalui pengukuran
Nagelkerke R Square, kalibrasi atau kecocokan prediksinya melalui uji goodness-
of-fit (uji Hosmer and Lemewshow), dan akurasi prediksinya melalui pengukuran
akurasi, sensitivitas, dan spesifisitasnya. Kalibrasi dari skor total prognosis Gomez
dalam memprediksi kematian dini diukur melalui Area Under Curve (AUC) dalam
analisis kurva ROC. Sedangkan akurasi dan kemampuan diskriminasinya dianalisis
dan diuji melalui analisis tabulasi silang Chi-Square.
-
22
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian
Hasil penelitian yang disajikan meliputi karakteristik pasien, hasil analisis
kesesuaian model prediksi kematian dini Gomez, dan hasil analisis diskriminasi skor
prognosis Gomez dalam memprediksi kematian dini pada cedera kepala berat di RSUP dr.
Hasan Sadikin Bandung.
4.1.1 Karakteristik Pasien
Karakteristik pasien terdiri dari status kematian dini, skor prognosis Gomez, dan
karakteristik prediktor kematian dini model skoring prognosis Gomez. Dari sampel
sebanyak 94 pasien, 30 pasien diantaranya mati (31,9%) dan 64 pasien lainnya hidup
(68,1%). Rata-rata skor prognosis Gomez untuk seluruh pasien adalah: 4,71 2,81 dengan
median 5 dan rentang skor antara 0-11. Pasien yang mati memiliki rata-rata skor 5,50
2,64 dengan median 6 dan rentang skor antara 0-11. Adapun pasien yang hidup memiliki
rata-rata dan median skor yang lebih rendah daripada pasien yang mati, yaitu 4,34 283
dan median 4,5; namun memilik rentang skor yang sama dengan pasien yang mati, yaitu
antara 0-11.
Mayoritas pasien berusia antara 15-35 tahun (46,8%) dengan karakteristik dominan
untuk motorik: lainnya (96,8%), reaksi pupil: lainnya (59,6%), syok: tidak (97,9%),
perdarahan subdural: tidak (60,6%), penekanan sisternal: ya (55,3%), dan perdarahan
epidural: tidak (74,5%).
-
23
Tabel 4.1. Karakteristik Pasien
Karakteristik Statistik
Jumlah Pasien
Kematian Dini
Mati
Hidup
Skor Gomez
Seluruh Pasien
Mean SD
Median
Rentang
Pasien Mati
Mean SD
Median
Rentang
Pasien Hidup
Mean SD
Median
Rentang
Usia
15-35 th.
36-55 th.
56-75 th.
94
30 (31,9%)
64 (68,1%)
4,71 2,81
5
0-11
5,50 2,64
6
0-11
4,34 2,83
4,5
0-11
44 (46,8%)
35 (37,2%)
15 (16,0%)
Motorik
Lainnya
Tidak ada respon
Reaksi Pupil
Lainnya
1 pupil bereaksi
Tidak ada reaksi pupil
Syok
Tidak
Ya
Perdarahan Subdural
Tidak
Ya
Penekanan Sisternal
Tidak
Ya
Perdarahan Epidural
Tidak
Ya
91 (96,8%)
3 (3,2%)
56 (59,6%)
26 27,7%)
12 (12,8%)
92 (97,9%)
2 (2,1%)
57 (60,6%)
37 39,4%)
42 (44,7%)
52 55,3%)
70 (74,5%)
24 (25,5%)
-
24
4.1.2 Kesesuaian Model Skor Prognostik Dini Gomez
Kesesuaian model prediksi kematian dini Gomez pada cedera kepala berat
dianalisis melalui regresi logistik binomial. Fungsi prediksi probabilitas terjadinya
kematian dini yang diperoleh adalah: p(mati)^ = 1 / (1+ e-(-0,019 - 0,074xUsia + 0,672xMotorik
+ 0,255xPupil + 10,906xSyok + 0,493xSDH- 0,153xSisternal + 0,054xEDH)).
Tabel 4.2. Hasil Analisis Regresi Logistik
Sebagaimana dapat dilihat pada persamaan fungsi dan tabel di atas, fungsi
logistik tersebut menunjukkan besarnya prediksi probabilitas terjadinya kematian
dini yang diprediksikan tujuh prediktor dalam sistem skoring prognosis Gomez,
yaitu: usia, motorik, reaksi pupil, syok, SDH (perdarahan subdural), penekanan
sisternal, dan EDH (perdarahan epidural). Tampak bahwa koefisien regresi untuk
motorik (0,672), reaksi pupil (0,255), syok (10,906), SDH (0,496), dan EDH
Nagelkerke
R Square
Hosmer and
Lemeshow
Test
Kemampuan
Prediksi 0,175
Kalibrasi 0,750
Prediksi Akurasi
Kematian Mati Hidup
Observasi Mati 10 20 33,3%
Hidup 6 58 90,6%
Overall 72,3%
Koefisien Wald p
Usia -0,074 0,044 0,833
Motorik 0,672 2,431 0,119
Pupil 0,255 4,722 0,030
Syok 10,906 0,000 0,999
SDH 0,493 0,671 0,413
Sisternal -0,153 0,555 0,456
EDH 0,054 0,029 0,856
Konstanta -0,196 5,699 0,017
-
25
(0,054) terhadap kematian bernilai positif. Secara deskriptif hal ini menunjukkan
bahwa probabilitas mati pada pasien dengan motorik dan rekasi pupil yang lebih
buruk serta ada syok, SDH dan EDH adalah lebih tinggi daripada probabilitas mati
pada pasien dengan tingkat usia yang lebih rendah dan tidak ada penekanan
sisternal. Sedangkan koefisien regresi untuk usia (-0,074) dan sisternal (-0,153)
terhadap kematian bernilai negatif. Secara deskriptif hal ini menunjukkan bahwa
probabilitas mati pada pasien dengan tingkat usia yang lebih tinggi dan ada
penekanan sisternal adalah lebih rendah daripada probabilitas mati pada pasien
dengan tingkat usia yang lebih rendah dan tidak ada penekanan sisternal. Walaupun
demikian, berdasarkan uji Wald, hanya reaksi pupil yang berhubungan secara
signifikan dengan kematian dini pada cedera kepala berat (p = 0,030), sedangkan
keenam prediktor lainnya tidak signifikan.
Hasil analisis juga menunjukkan bahwa model prediksi kematian dini
Gomez memiliki kemampuan prediksi yang moderat, yaitu sebesar 17,5%
(Nagelkerke R Square), dan kalibrasi (goodness-offit) yang dapat diterima
(Hosmer and Lemewshow Test, p = 0,750) memiliki kalibrasi yang baik . Secara
fungsional, akurasi prediksi dari fungsi regresi logistik yang diperoleh adalah
sebesar 72,3% dengan sensitivitas dan spesifisitas sebesar 33,3% dan 90,6%.
4.1.3 Diskriminasi Skor Prognosis Gomez dalam Memprediksi Kematian Dini
Diskriminasi skor prognosis Gomez dalam memprediksi kematian dini pada
cedera kepala berat dianalisis melalui analisis kurva ROC (Receiver Operating
Characteristic) yang dilanjutkan dengan analisis tabulasi silang Chi-Square. Hasil
-
26
analisis kurva ROC menunjukkan bahwa skor prognosis Gomez memiliki tingkat
diskriminasi sebesar 62,6% (Area Under Curve).
Tabel 4.3. Kategori Jumlah Skor dengan Kematian
ROC
Area Under Curve 0,626
Cut-off 6
Kematian p
Mati Hidup
Skor Gomez >= 6
16
53,3%
20
31,3% 0,068#
< 6
14
46,7%
44
68,8%
# Chi-Quare (Continuity Correction)
Berdasarkan perbandingan kombinasi sensitivitas dan spesifisitas antar cut-
off skor Gomez dalam menghasilkan akurasi yang optimal diperoleh cut-off skor
Gomez sebesar 6, yaitu: >=6 dan
-
27
4.2 Pembahasan
Jumlah terbesar dari informasi prognostik yang terkandung dari tiga prediktor:
usia, skor motorik, dan reaksi pupil saat pasien masuk. Karakteristik ini sudah
dipertimbangkan dalam model pertama untuk cedera kepala4 dan dalam banyak model
prognostik berikutnya.11 Informasi dari CT scan memberikan informasi prognostik
tambahan, meskipun tidak semua informasi prognostiknya dari CT scan. Kehadiran EDH
dikaitkan dengan hasil yang lebih baik setelah trauma, dapat dijelaskan dengan
kemungkinan akan dilakukan evakuasi hematoma. Adanya EDH sering mengganggu
fungsi otak karena kompresi otak meskipun umumnya ada sedikit kerusakan setelah
dilakukan evakuasi.12
Sejak pada tahun 1974, GCS menjadi yang paling sering digunakan untuk
klasifikasi keparahan cedera kepala. Pada pasien dengan cedera yang lebih berat,
komponen motor pada GCS memiliki nilai prediktif terbesar karena respon mata dan verbal
umumnya tidak ada pada pasien ini. Marmarou melaporkan hubungan yang kuat dengan
hasil untuk respon motorik.
Episode hipotensi umumnya dikaitkan dengan tingkat kematian dua kali lipat dan
peningkatan morbiditas dari cedera kepala. Hipotensi adalah salah satu dari beberapa
variabel yang berhubungan dengan tampilan klinis, terutama dengan hipoksia dan dikaitkan
dengan hasil akhir yang tidak menguntungkan. Penurunan tekanan darah, MAP dan suhu
akan menyebabkan sel-sel otak iskemia mengakibatkan efek sekunder. Cushing respon
(hipertensi arteri, bradikardia, ketidakteraturan bernafas) memiliki implikasi klinis yang
penting, dimana ICP mungkin menunjukkan beberapa disproporsi dan kerusakan biasanya
tak terkendali.
-
28
Temuan Kelainan CT , cysternal basal pada otak tengah, kehadiran SAH dan
pergeseran garis tengah. Kehadiran SAH atau lesi intradural dan kompresi dari cysternal
basal adalah salah satu kriteria yang paling penting dalam memprediksi kematian pasien
cedera kepala. Namun pada studi tidak didapatkan hubungan bermakna, hanya reaksi pupil
yang mempunyai hubungan yang bermakna terhadap kematian dini, hasil ini bisa
dimungkinkan karena ukuran sampel yang kecil. Sebuah studi prospektif yang lebih besar
dengan jangkauan yang lebih luas diperlukan untuk memberikan informasi lebih lanjut
mengenai nilai prediksi terhadap model skoring prognosis Gomez terhadap kematian dini
pada pasien cedera kepala berat.
Pada studi ini model skoring prognosis Gomez diterapkan pada data pasien cedera
kepala berat di RSHS kemudian dinilai probabilitas kematian dan fakta yang terjadi. Hasil
studi pada model skor prognosis Gomez di dapatkan sensitifitas 33,3 %, spesifisitas 90,6%
akurasi 72,3% . Hal tersebut dapat juga dihubungkan dengan cara pembuatan model yang
seragam, salah satunya penilaiaan seluruh variabel saat enam jam dari kejadian, sedangkan
kondisi pasien yang datang ke RSHS tidak seragam, bahkan banyak yang datang terlambat,
hal ini berhubungan dengan hasil penilaian.
Studi lainnya juga menyatakan diskriminasi dari sebuah model akan muncul
dengan nilai diskriminasi yang berbeda, untuk prediksi kematian pada skoring IMPACT
dan CRASH, AUC bervariasi antara 0,65 dan 0,83 untuk IMPACT dan antara 0,66 dan
0,85 untuk model CRASH. Menilai kinerja sebuah model skoring prognosis membutuhkan
prosedur yang kompleks, yang melibatkan beberapa tingkat. Banyak faktor selain yang
langsung berkaitan dengan model itu sendiri yang dapat mempengaruhi kinerja model. Ini
termasuk perubahan epidemiologi, organisasi trauma, kebijakan perlakuan yang berbeda,
tetapi juga perubahan dalam pendekatan untuk penilaian hasil. Faktor eksternal bisa
mempengaruhi keabsahan efek prediktor (koefisien regresi) dan distribusi prediktor pada
-
29
populasi baru (kasus-mix). Steyerberg mengamati efek diskriminasi yang jelas dari kasus-
campuran: AUCs lebih tinggi ditemukan di seri observasional (TARN dan APOE)
dibandingkan dengan RCT. AUC lebih tinggi mencerminkan kriteria inklusi yang lebih
longgar: semakin besar heterogenitas, semakin baik model.13
Berkenaan dengan kalibrasi, Steyerberg mengamati beberapa perbedaan efek
prediktor antara pembangunan dataset dan validasi. Mungkin pendekatan untuk penilaian
hasil, dan khususnya kategori hasil, hal ini dapat merubah nilai kalibrasi.13
Secara umum, model diagnostik atau prognostik menunjukkan akurasi yang lebih
rendah pada populasi baru.14 Oleh karena itu, sebelum suatu model dapat digunakan dalam
kenyataan, tidak setiap saat kita bisa mendapatkan data untuk melakukan validasi eksternal.
Pada kondisi seperti itu, setidaknya peneliti melakukan validasi internal dengan
menggunakan teknik bootstrapping. Dari teknik itu akan dihasilkan faktor koreksi yang
nilainya berkisar antara 0 dan 1, koefisien koreksi dan intercept ini digunakan untuk
mencegah terjadinya over optimism (prediksi yang terlalu tinggi atau terlalu rendah).14
Model yang memiliki faktor koreksi mendekati angka satu dikatakan memiliki validitas
internal yang baik.
-
30
BAB V
SIMPULAN DAN SARAN
5.1. Simpulan
Nilai prediksi skor prognosis Gomez mempunyai nilai sensifitas rendah, spesifisitas
sedang dan akurasi sedang
5.2. Saran
Saran dari penulis untuk dilakukan penelitian yang lebih lengkap dan
mendalam mengenai nilai prediksi skor prognosis Gomez di departemen Bedah
Saraf RSUP Dr. Hasan Sadikin, Bandung dikarenakan penelitian ini masih banyak
kekurangan, mengingat data rekam medik pasien yang tidak lengkap, serta
penelitian relative singkat maka untuk mempermudah penelitian selanjutnya, perlu
dilakukan perbaikan dan kelengkapannya.
-
31
DAFTAR PUSTAKA
1. Bruns J, Hauser WA. The epidemiology of traumatic brain injury a review.
Epilepsia 2003;44:2-10.
2. Cole TB. Global road safety crisis remedy sought: 1 .2 million killed, 50
million Injured annually. JAMA. 2004;291:2531 - 2.
3. Arifin MZ, Faried A, Shahib MN, et al. Inhibition of activated NR2B gene-
and caspase-3 protein-expression by glutathione following traumatic brain
injury in a rat model. Asian Journal Neurosurgery 2011;6(2):72 - 7.
4. Jennett B, Teasdale G, Braakman R, et al. Predicting outcome in individual
patients after severe head injury. Lancet. 1976;1:1031 - 4.
5. Hukkelhoven CW, Steyerberg EW, Habbema JD, et al. Predicting outcome
after traumatic brain injury: development and validation of a prognostic
score based on admission characteristics. Journal Neurotrauma.
2005;22:1025 - 39.
6. Cremer OL, Moons KG, Dijk GWv, et al. Prognosis following severe head
injury: development and validation of a model for prediction of death,
disability, and functional recovery. Journal Trauma. 2006;61:1484 - 91.
7. Gmez PA, de-la-Cruz J, Lora D, et al. Validation of a prognostic score for
early mortality in severe head injury cases. Journal Neurosurgery
2014;121:1314 - 22.
8. Fearnside MR, Simpson DA. patofisiology and management of severe
closed injury: Chapman & Hall; 1997.
-
32
9. Houseman CM, Belverud SA, Narayan RK. Closed Head Injury in
Principles of Neurosurgery. Philadelpia: Elsevier Saunders; 2012.
10. Cook NR. Use and misuse of the receiver operating characteristic curve in
risk prediction. Circulation. 2007;115:928 - 35.
11. Perel P, Edwards P, Wentz R, et al. Systematic review of prognostic models
in traumatic brain injury. BMC Med. 2006;6(6):38.
12. Maas AI, Hukkelhoven CW, Marshall LF, et al. Prediction of outcome in
traumatic brain injury with computed tomographic characteristics: a
comparison between the computed tomographic classification and
combinations of computed tomographic predictors. Neurosurgery.
2005;57:1173 - 82.
13. Steyerberg EW, Mushkudiani N, Perel P, et al. Predicting Outcome after
Traumatic Brain Injury: Development and International Validation of
Prognostic Scores Based on Admission Characteristics. PLoS Medicine.
2008;5(8):1251 - 61.
14. Harrell FE, Lee KL, Mark DB. Multivariable prognostic models: issues in
developing models, evaluating assumptions and adequacy, and measuring
and reducing errors. Stat Med. 1996;15(4):361 - 87.
-
33
Deskripsi Kematian Dini, Skor Pedro, dan Prediktor Kematian Dini
Model Skoring Prognosis Pedro
-
-
34
-
35
-
36
Ketepatan Prediksi Kematian Dini Model Skoring Prognostik Pedro
pada Cedera Kepala Berat
Analisis Regresi Logistik (Binomial)
Prediksi Kematian Dini Model Skoring Prognostik Pedro pada Cedera
Kepala Berat
Model:
Y* = b0 + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 + b6X6 + b7X7 + e
Kematian* = b0 + b1Usia + b2Motorik + b3Pupil + b4Syok + b5SDH + b6Siternal +
b7EDH + e
Logistic Regression
Block 1: Method = Enter
-
37
-
38
-
39
Analisis Receiver Operating Characteristic (ROC) Curve
Penentuan Nilai Cut-Off Skor Prognostik Pedro sebagai Prediktor Kematian
Dini pada Cedera Kepala Berat
ROC Curve
-
40
-
41
Analisis Crosstabs
Skor Prognostik Gomez sebagai Prediktor Kematian Dini pada Cedera
Kepala Berat
Crosstabs
-
42