UJIAN TENGAH SEMESTER
EPIDEMIOLOGI
LANJUT
Dosen:Dr.
Agus Handito, SKM.,M.Epid
ANALISIS
JURNAL
Bias in research
Di Susun
Oleh :
Hamdan
Nim:1609047049
FAKULTAS ILMU KESEHATAN MASYARAKAT
SEKOLAH
PASCA SARJANA UHAMKA
JAKARTA
2018
Bias in research
(Bias dalam penelitian )
Oleh: Ana-Maria Šimundić
Jurusan Kimia Universitas, Pusat Rumah Sakit
Universitas “Sestre Milosrdnice”, Zagreb, Kroasia
* Penulis yang sesuai: am.simundic@gmail.com
Abstrak
Dengan menulis artikel ilmiah kami
mengomunikasikan sains di antara rekan dan rekan. Dengan melakukan ini, adalah
tanggung jawab kita untuk mematuhi beberapa prinsip dasar seperti transparansi
dan akurasi. Penulis, editor jurnal dan peninjau harus peduli tentang kualitas
pekerjaan yang diajukan untuk publikasi dan memastikan bahwa hanya studi yang
telah dirancang, dilakukan dan dilaporkan secara transparan, jujur dan tanpa
penyimpangan dari kebenaran bisa menjadi diterbitkan. Kecenderungan atau
penyimpangan apa pun dari kebenaran dalam pengumpulan data, analisis,
interpretasi, dan publikasi disebut bias. Bias dalam penelitian dapat terjadi
baik secara sengaja atau tidak sengaja. Bias menyebabkan kesimpulan yang salah
dan berpotensi menyesatkan. Oleh karena itu, tidak bermoral dan tidak etis
untuk melakukan penelitian yang bias. Setiap ilmuwan harus sadar akan semua
potensi sumber bias dan melakukan semua tindakan yang mungkin untuk mengurangi
atau meminimalkan penyimpangan dari kebenaran. Artikel ini menjelaskan beberapa
masalah dasar yang terkait dengan bias dalam penelitian.
Kata kunci: bias; kesalahan sampling; desain
penelitian
pengantar
Makalah
ilmiah adalah alat untuk mengkomunikasikan pengetahuan antara kolega dan teman
sebaya. Setiap pencarian ulang harus dirancang, dilakukan dan direport secara
transparan, jujur dan tanpa penyimpangan dari kebenaran. Penelitian yang
tidak sesuai dengan prinsip-prinsip dasar itu menyesatkan. Studi semacam itu
menciptakan tayangan yang terdistorsi dan kesimpulan salah dan dengan demikian
dapat menyebabkan keputusan medi-cal yang salah, merugikan pasien serta
kerugian keuangan sub-stantial. Artikel ini memberikan pandangan ke dalam cara
mengenali sumber bias dan menghindari bias dalam penelitian.
Definisi bias
Bias adalah tren atau penyimpangan dari kebenaran dalam pengumpulan data, analisis data, interpretasi dan publi-kasi yang dapat menyebabkan kesimpulan yang salah. Bias dapat terjadi baik secara sengaja atau tidak sengaja (1). In-tention untuk memperkenalkan bias ke dalam riset seseorang adalah tidak bermoral. Namun demikian, mengingat konsekuensi yang mungkin dari penelitian yang bias, itu hamper sama-sama tidak bertanggung jawab untuk melakukan dan mempublikasikan penelitian yang tidak direncanakan secara tidak sengaja.
Perlu diketahui bahwa setiap penelitian memiliki variabel dan batasan yang membingungkan. Efek membingungkan tidak dapat sepenuhnya dihindari. Oleh karena itu, setiap ilmuwan harus menyadari semua sumber bias potensial dan melakukan semua tindakan yang mungkin untuk mengurangi dan meminimalkan penyimpangan dari kebenaran. Jika penyimpangan masih ada, penulis harus mengakuinya dalam artikel mereka dengan menyatakan batasan yang diketahui dari pekerjaan mereka.
Ini juga merupakan tanggung jawab editor dan pengulas untuk mendeteksi potensi bias. Jika ada bias seperti itu, terserah kepada editor untuk memutuskan apakah bias memiliki pengaruh penting pada kesimpulan penelitian. Jika itu kasusnya, artikel tersebut harus ditolak untuk publikasi, karena kesimpulannya tidak valid
Bias dalam pengumpulan data
Populasi terdiri dari semua individu dengan karakteristik minat. Karena, mempelajari suatu populasi adalah cukup sering tidak mungkin karena waktu dan uang yang terbatas; kami biasanya mempelajari fenomena inter-est dalam sampel yang representatif. Dengan melakukan ini, kami berharap bahwa apa yang telah kami pelajari dari sampel dapat digeneralisasikan ke seluruh populasi (2). Untuk dapat melakukannya, sampel harus representatif dari populasi. Jika ini tidak terjadi, con-clusions tidak akan digeneralisasikan, yaitu studi tidak akan memiliki validitas eksternal.
Jadi, pengambilan sampel adalah langkah penting untuk setiap penelitian. Saat mengumpulkan data untuk penelitian, ada cara-cara nu-merous dimana peneliti dapat memperkenalkan bias dalam penelitian. Jika, misalnya, selama kekejaman ulang pasien, beberapa pasien kurang atau lebih mungkin untuk memasuki penelitian daripada yang lain, sampel tersebut tidak akan mewakili populasi di mana penelitian ini dilakukan. Dalam hal ini, subjek yang kurang mungkin untuk memasuki studi akan kurang terwakili dan mereka yang lebih mungkin untuk memasukkan studi akan lebih terwakili relatif terhadap orang lain dalam populasi umum, yang menyimpulkan studi harus diterapkan. Inilah yang kami sebut bias seleksi. Untuk memastikan bahwa sampel mewakili populasi, pengambilan sampel harus acak, yaitu setiap subjek harus memiliki probabilitas yang sama untuk dimasukkan dalam penelitian. Perlu dicatat bahwa bias sampling juga dapat terjadi jika sampel terlalu kecil untuk mewakili populasi target (3).
Sebagai contoh, jika tujuan penelitian adalah untuk menilai rata-rata konsentrasi hsCRP (protein C-reaktif tinggi) pada populasi yang sehat di Kroasia, cara untuk melakukannya adalah dengan merekrut individu yang sehat dari populasi umum selama mereka biasa pemeriksaan kesehatan. Di sisi lain, studi bias akan menjadi salah satu yang merekrut donor darah sukarela saja karena donor darah yang sehat biasanya adalah individu yang merasa dirinya sehat dan yang tidak menderita kondisi atau penyakit apa pun yang dapat menyebabkan perubahan dalam penghitungan hsCRP. Dengan merekrut hanya dokter darah yang sehat kita dapat menyimpulkan bahwa hsCRP jauh lebih rendah daripada yang sebenarnya. Ini adalah semacam bias sampling, yang kami sebut bias relawan.
Contoh lain untuk bias sukarelawan terjadi oleh rekan-rekan di-viting dari laboratorium atau bagian klinis untuk berpartisipasi dalam studi tentang beberapa hal baru.
penanda untuk anemia. Sangat mungkin bahwa studi semacam itu secara istimewa akan melibatkan para peserta yang mungkin mencurigai menjadi anemia dan penasaran untuk mempelajarinya dari tes baru ini. Dengan cara ini, individu yang menderita anemia mungkin terlalu terwakili. Sebuah penelitian kemudian akan bias dan tidak akan memungkinkan gen-eralization kesimpulan untuk sisa populasi.
Secara umum, setiap kali studi cross-sectional atau studi kasus dilakukan secara eksklusif dalam pengaturan rumah sakit, ada kemungkinan besar bahwa studi semacam itu akan bias. Ini disebut bias penerimaan. Bias ada karena populasi yang dipelajari tidak mencerminkan populasi umum.
Contoh lain dari bias sampling adalah bias yang disebut survivor yang biasanya terjadi dalam studi cross-section-al. Jika sebuah penelitian ditujukan untuk menilai hubungan dari ekspresi KLK6 (manusia Kallikrein-6) yang berubah dengan kejadian 10 tahun penyakit Alzheimer, subjek yang meninggal sebelum titik akhir studi mungkin terlewatkan dari penelitian.
Bias kesalahan klasifikasi adalah semacam bias sampling yang terjadi ketika suatu penyakit yang diminati tidak didefinisikan dengan baik, ketika tidak ada standar emas untuk diagnosis penyakit atau ketika suatu penyakit mungkin tidak mudah dideteksi. Dengan cara ini beberapa subjek salah diklasifikasikan sebagai kasus atau kontrol sedangkan mereka seharusnya berada dalam kelompok lain. Mari kita katakan bahwa seorang peneliti ingin mempelajari keakuratan tes baru untuk deteksi dini kanker prostat pada pria asimtomatik. Karena tidak adanya tes yang dapat diandalkan untuk deteksi kanker prostat dini, ada kemungkinan bahwa beberapa kasus kanker prostat awal akan salah diklasifikasikan sebagai bebas penyakit yang menyebabkan estimasi kurang atau lebih dari akurasi penanda baru ini.
Sebagai aturan umum, pertanyaan penelitian perlu dipertimbangkan dengan banyak perhatian dan semua upaya harus dilakukan untuk memastikan bahwa sampel yang dicocokkan secara dekat dengan populasi, mungkin.
Bias dalam analisis data
Seorang peneliti dapat memperkenalkan bias dalam analisis data dengan menganalisis data dengan cara yang memberikan preferensi pada kesimpulan yang mendukung hipotesis penelitian.
Ada berbagai peluang di mana bias dapat diperkenalkan selama analisis data, seperti dengan mengesampingkan, menyalahgunakan atau memanipulasi data. Beberapa contoh adalah:
• melaporkan data yang tidak ada dari eksperimen yang tidak pernah dilakukan (pembuatan data);
• menghilangkan data yang tidak mendukung hipotesa Anda (pencilan, atau bahkan seluruh subkelompok);
• menggunakan tes statistik yang tidak sesuai untuk menguji data Anda;
• melakukan beberapa pengujian (“memancing untuk P”) dengan perbandingan berpasangan (4), menguji beberapa titik akhir dan melakukan analisis sekunder atau subkelompok, yang bukan bagian dari rencana awal untuk “menemukan” perbedaan yang signifikan secara statistik untuk hipotesis.
Misalnya, jika tujuan penelitian adalah untuk menunjukkan bahwa satu biomarker dikaitkan dengan yang lain dalam sekelompok pasien, dan hubungan ini tidak terbukti signifikan dalam kelompok total, peneliti mungkin mulai "menyiksa data" dengan mencoba membagi mereka. data ke dalam berbagai subkelompok hingga asosiasi ini menjadi signifikan secara statistik. Jika sub-klasifikasi populasi penelitian ini bukan bagian dari hipotesis penelitian awal, perilaku seperti itu dianggap manipulasi data dan tidak dapat diterima atau etis. Penelitian semacam itu cukup sering memberikan kesimpulan yang tidak berarti seperti:
• CRP secara statistik bermakna pada subkelompok wanita di bawah 37 tahun dengan konsentrasi kolesterol > 6,2 mmol / L;
• Konsentrasi laktat berhubungan negatif dengan konsentrasi albumin dalam subkelompok pasien laki-laki dengan indeks massa tubuh di kuartil terendah dan jumlah leukosit total adalah 4,00 x 109 / L.
Selain bias, tidak valid dan tidak logis, kesimpulan itu juga tidak berguna, karena tidak dapat digeneralisasikan ke seluruh populasi.
Ada pepatah yang sangat sering dikutip (dikaitkan dengan Ronald Coase, tetapi tidak dipublikasikan untuk yang terbaik dari pengetahuan saya), yang mengatakan: "Jika Anda menyiksa data cukup lama, itu akan mengakui apa pun". Ini benar-benar berarti bahwa ada peluang baik bahwa signifikansi statistik akan dicapai hanya dengan semakin- ing jumlah hipotesis yang diuji dalam pekerjaan. Pertanyaannya kemudian: apakah perbedaan signifikan ini nyata atau apakah itu terjadi dengan kebetulan murni?
Sebenarnya, sudah diketahui bahwa jika 20 tes dilakukan pada set data yang sama, setidaknya satu kesalahan Tipe 1 (α) diharapkan. Oleh karena itu, jumlah hipotesis yang akan diuji dalam penelitian tertentu perlu ditentukan sebelumnya. Jika beberapa hipotesis diuji, koreksi untuk beberapa pengujian harus diterapkan atau studi harus dinyatakan sebagai explora-tory.
Bias dalam interpretasi data
Dengan menginterpretasikan hasil, seseorang perlu memastikan bahwa uji statistik yang tepat digunakan, yang hasilnya disajikan dengan benar dan bahwa data hanya diinterpretasikan jika ada signifikansi statistik dari hubungan yang diamati (5). Jika tidak, mungkin ada bias dalam penelitian. Namun, angan-angan tidak jarang dalam penelitian ilmiah. Beberapa peneliti cenderung percaya begitu banyak dalam hipotesis asli mereka bahwa mereka cenderung mengabaikan temuan asli dan menafsirkannya demi keyakinan mereka.
Contohnya adalah:
• mendiskusikan perbedaan dan asosiasi yang teramati bahkan jika mereka tidak signifikan secara statistik (ungkapan yang sering digunakan adalah “batas signifikansi”);
• mendiskusikan perbedaan yang signifikan secara statistik tetapi tidak bermakna secara klinis;
• menarik kesimpulan tentang kausalitas, bahkan jika penelitian itu tidak dirancang sebagai eksperimen;
• menarik kesimpulan tentang nilai-nilai di luar rentang data yang diamati (ekstrapolasi);
• generalisasi yang berlebihan dari kesimpulan studi untuk seluruh populasi umum, bahkan jika sebuah penelitian terbatas pada populasi subset;
• Tipe I (efek yang diharapkan ditemukan signifikan, padahal sebenarnya tidak ada) dan tipe II (efek yang diharapkan tidak ditemukan signifikan, ketika benar-benar ada) kesalahan (6). Bahkan jika ini dilakukan sebagai kesalahan yang jujur atau karena kelalaian, itu masih dianggap sebagai salah pengertian yang serius.
Bias publikasi
Sayangnya, jurnal ilmiah jauh lebih mungkin untuk menerima publikasi sebuah studi yang melaporkan beberapa hal positif daripada sebuah penelitian dengan temuan negatif. Perilaku seperti itu menciptakan kesan salah dalam literatur dan dapat menyebabkan konsekuensi jangka panjang bagi seluruh komunitas ilmiah. Juga, jika hasil negatif tidak akan memiliki begitu banyak kesulitan untuk dipublikasikan, ilmuwan lain tidak perlu membuang waktu dan sumber keuangan mereka dengan menjalankan kembali eksperimen yang sama.
Editor jurnal adalah yang paling bertanggung jawab atas fenomena ini. Idealnya, sebuah penelitian harus memiliki kesempatan yang sama untuk dipublikasikan terlepas dari ketidakpastian temuannya, jika dirancang dengan cara yang tepat, dengan asumsi ilmiah yang valid, eksperimen yang dilakukan dengan baik dan analisis data yang memadai, presentasi dan kesimpulan. Namun, kenyataannya, bukan itu masalahnya. Untuk memungkinkan publikasi penelitian yang mempublikasikan temuan-temuan negatif, beberapa jurnal telah siap diluncurkan, seperti Jurnal Hasil Negatif Pharma-ceutical, Jurnal Hasil Negatif dalam Biomedik, Journal of Interesting Nega-tive Results dan beberapa lainnya. Tujuan dari jour-nals adalah untuk mengimbangi pres-sure yang terus meningkat dalam literatur ilmiah untuk mempublikasikan hanya hasil positif.
Ini adalah kebijakan kami di Biochemia Medica untuk memberikan pertimbangan yang sama terhadap artikel yang disampaikan, terlepas dari sifat temuannya.
Salah satu jenis bias publikasi adalah apa yang disebut fund-ing bias yang terjadi karena banyaknya penelitian yang didanai oleh perusahaan yang sama, terkait dengan pertanyaan ilmiah yang sama dan mendukung kepentingan perusahaan yang mensponsori. Sangatlah dapat diterima untuk menerima dana dari perusahaan untuk melakukan penelitian, selama penelitian dijalankan secara independen dan tidak dipengaruhi oleh perusahaan sponsor dan selama sumber pendanaan dinyatakan sebagai potensi konflik kepentingan kepada para editor jurnal, pengulas dan pembaca.
Ini adalah kebijakan Journal kami untuk menuntut pembubaran tersebut dari penulis selama pengajuan dan untuk mempublikasikan deklarasi ini dalam artikel yang diterbitkan
(7). Dengan ini kami percaya bahwa komunitas ilmiah diberikan kesempatan untuk menilai keberadaan setiap potensi bias dalam karya yang diterbitkan.
Kesimpulan
Ada banyak sumber bias potensial dalam pencarian ulang. Bias dalam penelitian dapat menyebabkan hasil yang terdistorsi dan kesimpulan yang salah. Penelitian semacam itu dapat menyebabkan biaya yang tidak perlu, praktik klinis yang salah dan pada akhirnya dapat menyebabkan beberapa jenis bahaya pada pasien. Oleh karena itu adalah tanggung jawab dari semua pemangku kepentingan yang terlibat dalam penerbitan ilmiah untuk memastikan bahwa hanya penelitian yang valid dan tidak bias yang dilakukan dengan cara yang sangat profesional dan kompeten diterbitkan (8).
Potensi konflik kepentingan
Tidak ada yang menyatakan.
