METODE STATISTIK DALAM ILMU ANESTESI

STANLEY H. ROSENBAUM

POIN KUNCI

Data harus diplotkan. Tren/kecenderungan yang dianggap bernilai signifikan

harus benar-benar dapat terlihat.

Program statistik yang digunakan harus sudah dikenal dengan baik untuk

memastikan kalkulasi dilakukan pada data yang benar.

Data interval tidak boleh diperlakukan seperti data kategorikal, karena hitungan

matematisnya berbeda.

Banyak metode statistik mengasumsikan bahwa data yang terdistribusi dengan

ditandai dengan adanya kurva berbentuk lonceng (bell-shaped) yang simetris;

metode tersebut dapat menyesatkan apabila data tidak terdistribusi dengan

normal.

Standar deviasi (SD) dipakai untuk menjelaskan simpangan data, sementara

standar kesalahan rerata/ standard error of mean (SEM) dipakai untuk

membandingkan sekelompok data.

Regresi multivariat, yang menghubungkan variabel terikat dengan lebih dari 1

faktor, memerlukan lebih banyak data, namun biasanya akan mengambil

korelasi yang mungkin dilewatkan oleh regresi univariat.

Ketika menggunakan regresi multivariat, apabila 2 buah variabel berhubungan

erat satu sama lain, maka analisia statistik dapat melakukan kesalahan pelaporan

dengan menganggap satu variabel memiliki hubungan korelasi dengan hasil

yang ada.

Dalam sebuah uji hipotesis, hasil yang negatif menunjukkan bahwa tidak ada

perbedaan nyata atau sebuah penelitian memiliki kekuatan yang kurang untuk

membuktikan perbedaan yang nyata/signifikan.

Nilai AP merupakan probabilitas munculnya hasil yang diamati, dengan

anggapan bahwa tidak ada perbedaan yang signifikan antar hipotesis yang diuji,

dan bukan merupakan nilai probabilitas dari perbedaan antara hipotesis yang

diuji.

Pendekatan Bayesian terhadap uji diagnostik berprinsip pada kenyataan bahwa

nilai dari sebuah uji bergantung pada populasi pasien; jika suatu uji hampir

selalu bernilai positif dalam populasi, maka hasil negatif palsu akan melebihi

hasil negatif yang sebenarnya, sehingga uji tersebut menjadi kurang bermanfaat.

Hal tersebu juga berlaku apabila semua uji hampir bernilai negatif, sehingga

kasus dengan hasil positif palsu akan menimbulkan suatu kebingungan.

Seleksi terhadap adanya bias membuat studi klinis dalam kehidupan nyata sulit

untuk diinterpretasikan. Oleh karena itu, uji coba klinis acak merupakan jalan

terbaik untuk meminimalisir maslah tersebut.

Waspada terhadap eror dari pengolahan data dalam penentuan adanya

signifikansi. Mengaplikasikan terlalu banyak uji pada data yang tidak

mencukupi akan memberikan data yang seolah-olah bernilai signifikan (padahal

tidak).

Kemajuan ilmu pengetahuan ilmiah selama tengah milenium terakhir

berkaitan erat dengan hubungan antara hasil uji eksperimental dengan penilaian

matematis dari pengamatan empiris. Penilaian tersebut tak lepas dari peran cabang

matematika, yang dikenal dengan sebutan statistik, yaitu suatu bidang ilmu yang

berfungsi untuk menjelaskan hasil sebuah eksperimen dan menganalisa

kemungkinan hubungan sebab-akibat dari sebuah eksperimen. Namun masalah

yang cukup serius dialami oleh para klinisi dan ilmuwan klinis yang akan

memakai metodologi statistik. Hal ini karena metode statistik merupakan cabang

modern dari matematika, yang sebagian besar telah berkembang selama beberapa

abad terakhir. Seringkali perhitungan matematika yang ada di dlamanya melebihi

tingkat pelajaran kalkulus di universitas yang tidak diajarkan pada pendidikan

kedokteran medis. Selain itu, banyak metode statistik yang memerlukan

perhitungan panjang dan sulit dan memerlukan teknik komputerisasi. Kekurangan

tersebut menimbulkan sebuah dilema diantara para klinisi. Klinisi menganggap

meskipun statistik bermanfaat dan penting dalam memahami pengetahuan medis,

namun sulit untuk dipahami dan digunakan.

Program aplikais untuk kalkulasi statistik sudah banyak tersedia di

komputer personal (pc). Banyak dari program tersebut didesain dengan model

pendokumentasian yang mudah dan sederhana untuk dipakai, tanpa perlu banyak

persiapan. Namun program statistik yang tersedia di pc memiliki kekurangan

yaitu asumsi dibalik statistik yang belum jelas. Oleh sebab itu, seseorang dapat

dengan mudah menggunakan metode atau pendekatan yang salah dan program

tetap menghasilkan data hasil yang tampak benar (padahal salah). Maka dari itu,

tujuan dari bab ini adalah untuk memberikan penjelaan yang benar mengenai

statistik dan menunjukkan metodologi statistik sesuai yang bisa dipakai dalam

beberapa penelitian standar. Beberapa kesalahan umum dalam statistik medis juga

diutarakan.

PENDEKATAN STATISTIK

Statistik deskriptif merupakan penggunaan metode matematika untuk

mendeskripsikan atau mengkategorikan sekelompok data yang berasal dari

sekelompok pengamtan empiris. Uji statistik merupakan pendekatan luas untuk

menentukan suatu kesimpulan dari sekelompok pengamatan. Di dalam tiap

kategori, terdapat banyak tekhnik yang terpisah.

JENIS DATA

Harus diingat bahwa dibalik tiap metodologi statistik merupakan

sekelompok definisi dan bukti matematis formal. Meskipun tampaknya hanya

berupa pendekatan intuitif yang sederhana, namun statistik matematis berpotensi

menyesatkan. Bukti dan kalkulasi matematis yang berada di belakang program

komputasi dan tabel statistik membuat pembedaan yang ketat pada beberapa jenis

data (lihat tabel 111-1). Skelompok data, disebut dengan data interval jika

memiliki ukuran numerik yang kontinyu (contoh: 1,2;33,4). Seringkali merupakan

ukuran numerik diskret seperti kuantitas integral dalam kategorisasi yang sama.

Pendekatan tersebut seringkali menyesatkan; adanya pernyataan bahwa “keluarga

tertentu memiliki jumlah anak 2,3” bermakna secara kasar, meskipun kuantifikasi

seorang anak tidak mungkin dinyatakan dalam bentuk pecahan. Dalam

penggunaan praktis, baik data kontinyu maupun diskret dapat diolah dengan

tekhnik yang dipakai untuk data interval. Kelompok data utama lain merupakan

data kategorikal. Salah satu jenisnya adalah data ordinal, yang menunjukkan

susunan atau peringkat dari subjek (ke-1, ke-3, dst). Data binari (naik vs turun,

lebih banyak vs lebih sedikit) merupakan kategori lain yang mirip. Saat

menggunakan kategori binari atau sederhana, memasukkan angka dalam

kelompok untuk memperoleh hasil numerik, bukanlah langkah yang benar.

Diperlukan tekhnik statistik khusus untuk data kategorikal.

STATISTIK DESKRIPTIF

Tujuan statistik paling umum adalah untuk menjelaskan sekelompok data.

Metode paling sederhana yang bisa dipakai yaitu dengan menampilkan seluruh

data kasar. Untuk kelompok data yang kecil, ukuran sebenarnya dapat

ditampilkan. Untuk yang lebih besar, dapat dipakai grafik atau plot statistik dari

data. Seringkali, tren dan pengelompokan dalam bentuk gambar sulit untuk

dijelaskan secara numerik. Sehingga disarankan sebelum menggunakan metode

matematis apapun untuk menganalisa data, plot grafik harus dibuat dulu. Jika data

tampak tidak benar,maka analisa statistik harus dilakukan dengan lebih hati-hati.

Pemilihan format yang benar untuk plot statistik merupakan sebuah seni, dan

manipulasi data khusus dari program komputer dapat berguna untuk mencari

petunjuk visual dari sekelompok data.

DISTRIBUSI NORMAL

Konsep paling kuat dari statistik matematika adalah distribusi normal,

sering disebut kurva bentuk lonceng (bell-shaped). Konsep tesrebut menjelaskan

tentang nilai tengah yang paling mendekati dengan nilai lain yang terdistribusi

secara simetris di kedua sisi. Konsep tersebut merupakan konsep statistik klasik

dengan akar matematis yang dalam. Konsep tersebut sesuai dengan pendekatan

nilai kebenaran dengan pengukuran yang terdistribusi secara normal di sekitar

nilai kebenaran sedemikian rupa sehingga akan lebih banyak nilai yang dekat ke

pusat dibanding yang jauh. Banyak jenis data yang mengikuti distribusi normal di

sekitar titik pusat. Distribusi tersebut terkadang disebut dengan distribusi

Gaussian, yang disimpulkan dari asumsi bahwa sebuah pusat, sebuah nilai

kebenaran, benar-benar ada dan bahwa deviasi dari pusat bersifat acak dan

semakin menghilang seiring menjauhnya nilai dari pusat (Gambar 111-1).

Penggunaan yang ketat dari distribusi normal mencerminkan adanya sejumlah

besar data interval kontinyu. Saat sekelompok data tidak memenuhi kriteria

tersebut, maka diperlukan perkiraan,

Pada umumnya, deskripsi matematis dari penempatan nilai disebut dengan

istilah distribusi. Terdapat banyak distribusi selain distribusi normal. Masing-

masing distribusi memiliki bentuk kurva berbeda dan properti matematika

spesifik. Tidak semua data yang terlihat seperti bentuk kurva lonceng terdistribusi

normal. Jika kurvanya terlalu lebar (banyak nilai yang jauh dari pusat) atau terlalu

sempit, maka hitungan matematis yang diambil dari distribusi normal tidak bisa

diterapkan. Apabila data mengikuti distribusi normal, maka statistik parametrik

bisa digunakan. Istilah parametrik merujuk pada kemampuan untuk

mendeskripsikan distribusi dengan sekelompok nilai spesifik. Namun, apabila

tidak terdistribusi normal, maka statistik non parametrik yang digunakan. Metode

non parametrik memunculkan asumsi matematis yang lebih sedikit mengenai

distribusi data, namun lebih sulit pemakaiannya dan kurang bagus dalam

menemukan perbedaan statistik. Sebaliknya, apabila digunakan metode

parametrik pad adata yang tidak terdistribusi secara normal, maka hasilnya akan

salah atau menyesatkan, Jenis kesalahan tersebut umum terjadi dan dapat dicegah

dengan memakai uji yang sesuai atau memeriksa normalitas data sebelum

dilakukan uji asumsi. Dalam penggunaan praktis, data seringkali dianggap

memiliki distribusi normal. Namun, peneliti yang bijak akan memakai uji dalam

paket komputer statistiknya untuk menilai normalitas data terlebih dulu dan jika

data tidak mengikuti distribusi normal, maka diperlukan metode statistik lain.

UKURAN KECENDERUNGAN SENTRAL

Dalam mendeskripsikan data,langkah pertama adalah memberikan

beberapa indikasi terhadap nilai perkiraan, rentang, atau ukuran dari data yang

akan ditampilkan. Cara pengerjaannya bergantung pada jenis data yang terlibat

(Kotak 111-1). Untuk data kategorikal atau binari, dilakukan penghitungan dalam

tiap kelompok. Untuk data kategorikal dengan banyak kelompok, kelompok yang

paling padat dapat diberi nama dan diurutkan terlebih dulu. Untuk dta aordinal,

deskripsi ringkasan sulit untuk dikerjakan.

Median merupakan titik tengah data apabila data dapat diurutkan dari yang

terkecil hingga terbesar. Median dapat diterapkan baik pada data interval maupun

data kategorikal jenis ordinal. Untuk data interval, banyak tekhnik matematika

yang dapat dipakai. Teknik paling sederhana adalah dengan menghitung

rerata/mean, atau nilai rerata sederhana dari data numerik, dengan tiap titik data

dihitung secara sama. Dalam kasus weighted mean, poin individu dapat

ditambahkan secara tidak merata, dengan beberapa kriteria tambahan dibanding

lainnya (contoh: berat badan). Untuk data interval yang dapat dianalisis secara

matematis, data harus dicocokkkan dengan sebuah kurva, yang berarti bahwa

formula matematis dihitung dengan melihat kedekatan dengan poin data yang

dihitung.Hubungan dapat bersifat sederhana seperti garis lurus atau berupa

formula matematis kompleks dengan eksponensial, polimonial atau fungsi lain.

Berbagai nilai perhitungan dalam formula formula tersebut akan menjadi

parameter kurva. Sehingga data tersebut akan dideskripsikan dengan parameter

dari formula yang didekatkan ke data pengamatan. Untuk kasus sederhana

pendekatan garis lurus pada data, parameter berupa slope dan intersep dari garis

tersebut. Untuk persamaan yang kompleks yang dicocokkan dengan data,

parameter berupa berbagai hitungan angka yang menyusun persamaan tersebut.

‘Modus’ merupakan nilai yang paling banyak muncul dalam sekelompok

poin data. Konsep tersebut dapat disalahartikan jika data benar-benar kontinyu

karena tiap poin data akan bernilai berbeda dari poin lainnya. Dalam kasus

tersebut, untuk mendeskripsikan ‘modus’ data kontinyu dilakukan dengan cara

mengelompokkkan nilai ke dalam interval singkat. Data numerik dapat

dideskripsikan dengan cara mengkategorisasikan nilai ke dalam bentuk persentil

atau kelompok yang mirip. Hal itu berarti, bahwa untuk persentil ke-10, 10% dari

poin data harus ≤ data tersebut. Persentel ke-50 berhubungan dengan median dari

sekelompok data, dan persentil ke-99 adalah nilai ≥ 99% diatas poin data. Hal

serupa juga diterapkan pada data kuartil, uintil atau kelompok data lain. Dengan

metode apapun yang dipakai untuk mendeskripsikan data, maka pilihan deskripsi

dapat membiaskan peneliti dalam memahami data hasil. Dalam sekelompok data

sederhana set (2, 2, 3, 7, 14), maka dapat disimpulkan bahwa modus = 2, median

=3, mean/rerata = 5,6. Tingkat keakuratan dari ketiga data tersebut bergantung

pada bagaimana penggunaannya, karena tidak ada satupun perwakilan data yang

bernilai sempurna.

UKURAN SEBARAN DATA

Seringkali, analis ingin menjaleaskan tidak hanya nilai dari sebuah data

namun juga bagaimana sebaran sebuah data. Untuk data yang mengikuti distribusi

normal, pendekatan klasik bertujuan menghitung standar deviasi (SD) dari data.

Dengan nilai tersebut, sekitar 68% data akan masuk ke dalam 1 SD dari rerata,

dan sekitar 95% masuk ke dalam 2 SD dari nilai rerata. Semakin besar SD nya,

semakin luas kurva bentuk loncengnya; semakin kecil SD nya, maka sempit

kurvanya.

BAGIAN IX: ISU TAMBAHAN DAN KONSEKUENSINYA

Cara lain untuk memeriksa sebuah konsep adalah dengan menganggap jika

analis membuat sebuah pengukuran dari nilai yang tak diketahui dan nilainya

tersebar dalam distribusi normal acak sekitar nilai tersebut, maka sekitar 68% dari

poin data akan berada dalam 1 SD dari nilai kebenaran. Tentu saja hasil tersebut

merupakan kemungkinan hasil yang paling mungkin, dalam sebuah data yang

terdistribusi acak, maka poin yang dihasilkan berupa jenis atipikal. Untuk data

yang tidak mengikuti distribusi normal, menjelaskan persebaran data dalam cara

yang standar akan sulit untuk dilakukan. Seringkali, disajikan rentang data dari

yang terendah hingga paling tinggi. Terkadang data dapat sangat tersebar, dengan

jarak yang sangat jauh, sehingga rentang tidak dapat dimasukkan dalam persentil

25 hingga persentil 75 dari data.

CATATAN

Seringkali data tidak selalu mengikuti distribusi normal dengan sempurna.

Sebagai contoh, terdapat sekleompok data dengan sebaran usia yang luas meliputi

bnayak anak. Untuk memperoleh nilai mean usia sebesar 10 dengan SD 15 mudah

untuk dilakukan. Namun, tidak ada nilai yang berada di bawah akhir dari

distribus-jika usia 5 tahun. Dalam situais tersebut, maka SD bermanfaat untuk

mendeskripsikan persebaran data namun seringkali salah diterapkan.

STANDAR KESALAHAN DARI MEAN/RERATA

Mean data yang dihitung dari sekelompok data multipel dapat

dideskripsikan dengan membuat komputasi yang sama dengan SD, namun tidka

diterapkan pada data yang diukur namun pada mean perhitungan. Jumlah

perhitungan kuantitas tersebut dikenal dengan istilah standar kesalahan mean

(SEM). Semakin banyak perhitungan nilai yang dibuat, maka nilai mean akan

smeakin mendekati nilai kebenaran. PErbedaan antara SD dan SEM snagatlah

penting.SD dipakai untuk mendeskripsikan data, dan SEM diapkai untuk

komputasi terhadap kepastian dari mean sebuah data. Sebuah data yang besar

akan memiliki SEM yang kecil, namun data dengan persebaran luas akan memiiki

SD yang lebar, berapapun banyak data yang diukur.

MEMBUAT GRAFIK UNTUK DATA

Statistikawan yang berpengalaman akan menekankan bahwa sebelum

kalkulais statistik diterapkan ke dalam sekelompok data baru, data harus diplotkan

dulu dalam beberapa format grafik. Jika data sebarany luas, dan tampak simetris,

atau punya pola khusus, maka informasi tersebut akan berguna untuk menentukan

uji statistik yang akan dipakai. Adanya poin outlier yang ekstrim dapat menjadi

petunjuk kesalahan matematis atau eksperimental

ANALISA REGRESI

Data seringkali sesuai dengan formula matematis yang berupa hubungan

linear. Dalam regresi analisis, kekuatan program komputer dipakai

untukmenentukan formula matematis yang paling sesuai dengan data.Untuk

melakukan hal tersebut, program dengan tipe kurva yang dipakai harus tersedia.

Program akan memberikan parameter didalam persamaan yang dipilih yang paling

sesuai degan poin data. Seni dari regresi sangatlah kompleks. Masalah pertama

adalah kebingungan dalam memilih hubungan matematis yang sesuai dengan data.

Dengan membuat grafik dari data, akan membantu proses analisa data. Terdapat

beberapa keraguan dalam mencocokkan data dengan kurva, namun sejauh ini,

metode yang paling umum aalah memakai pendekatan least-squares, yang akan

meminimalisir kuadrat jarak dari tiap poin data dari kurva yang diusulkan.

Meskipun metode tersebut sudah berusis 2 abad, namun manfaatnya semakin

bermakna dengan keberadaany kalkulasi berbasis komputer. Program komputer

untuk analisis regresi menyediakan parameter dari [ersamaan yang sesuai, seperti

bentuk slope dan intercept y untuk garis lurus, serta beberapa informasi mengenai

seberapa baik parameter tersebut sesuai dengan data. Pengguna program harus

waspada dalam memakai persamaan yang telah dicocokkan apabila kesesuaiannya

kurang bagus akibat karena kecocokan dari campuran data terhadap beberapa

persamaan sekaligus, walaupun kesesuainannya kurang bagus. Perlu ditekankan

bahwa penglihatan visual pengguna statistik lah yang lebih bisa diandalkan dalam

menilai tren/kecenderungan data; oleh sebab itu, apabila sebuah grafik dari data

tampak tidak sesuai dengan kurva, maka pengguna yang bijak akan bersikap

skeptis terhadap hasil tersebut.

REGRESI MULTIVARIAT VS UNIVARIAT

Dalam mencocokkan data dalam analisa regresi, langkah pertama yaitu

memilih variabel yang akan dipakai sebagai variabel bebas. Dalam analisa

univariat, hanya 1 variabel yang dipakai untuk penyesuaian data dan data

diplotkan kemudian dilakukan komputasi dengan memakai variabel tunggal

tersebut untuk mendeskripsikan data. Sebagai contoh, berat badan dalam

sekelompok subjek penelitian dapat dibandingkan dengan tinggi badannya.

Namun, dalam dunis nyata, banyak variabel yang memungkinkan untuk dipakai

dalam menentukan sebuah hasil. Dalam analisis multivariat, lebih dari 1 variabel

digunakan untuk mendeskripsikan hasil yang diamati. Dalam contoh berat badan,

berat badan subjek penelitian dapat dianalisa dengan memakai tinggi badan, usia

dan jenis kelamin. Perlu dicatat bahwa dalam contoh multivariat tersebut, hasil

berupa variabel interval kontinyu, namun ditentukan oleh pengumpulan variabel

interval (usia, tinggi badan) dan variabel kategorikal (jenis kelamin).

Tekhnik matematika yang tepat yang dipakai untuk analisa multivariat akan

bergantung pada sdari variabel yang dipakai. Saat pertama kali mendekati analisa

sekelompok data, analisis univariat sederhana dapat membantu memahami

hubungan yang terlibat. Namun, penganalisa data harus berhati-hati terhadap

hubungan yang lemah yang dapat terlewatkan jika memakai analisis univariat jika

variabel yang terkait tidak dipakai. Sebagai contoh, denyut jantung dapat

berhubungan dengan dosis obat nyeri pada pasien yang terluka, namun hubungan

sebab akibat antara keduanya tampaknya juga berhubungan dengan derajat luka.

Dengan analisa regresi multivariat, banyak kesalahan potensial yang bisa dicegah

dengan pemakaian kalkulasi terkomputerisasi. Maslah yang adalah kemungkinan

hubungan/korelasi yang dimiliki antara variabel satu dengan lainnya. Untuk

variabel bebas, nilai dari 1 variabel tidak menggambarkan nilai dari variabel

lainnya. Dalam contoh berat badan vs tinggi badan dan usia, maka tinggi badan

dan usia diharapkan sebagai variabel bebas pada orang dewasa. Secara matematis,

usia dan tinggi badan tidak berhubungan pada orang dewasa. Namun, pada nak-

anak, usia dan tinggi badan sangat berhubungan. Oleh sebab itu, berat badan dapat

diekspresikan sebagai sebuah fungsi dari berat vs usia atau berat vs tinggi. Pada

kasus terakhir tersebut, analisis multivariat yang berfokus pada variabel bebas

akan memunculkan hasil dimana berat badan merupakan fungsi dari tinggi badan

dan menunjukkan adanya hubungan antara berat badan dengan tinggi badan.

Dlaam hal ini, saat banyak variabel terlibat, harus hati-hati sehingga hubungan

yang secara eksperimen bernilai penting tidak terlewatkan karena secara

matematis tidak menambah makna hasil. Paket statistik komputer yang canggih

akan mengatasi jenis masalah tersebut. Mengidentifikasi korelasi signifikan antar

variabel yang berbeda akan menunjukkan bahwa beberapa informasi dapat

menghilang hanya jika variabel bebas dilaporkan. Jika program statistik yang

lebih sederhana digunakan, maka penggunaan analisa multivariat dengan beberapa

variabel yang ditinggalkan, akan lebih baik dalam penentuan apakah akan muncul

hubungan lain yang relevan. Masalah lain yang dalam penentuan hubungan

multivariabel terjadi pada situasi dimana program komputer menghasilkan sebuah

variabel yang hanya berkorelasi lemah dengan data yang diinput namun dengan

reliabilitas yang tinggi. Situsi tersebut akan diekspresikan dalam bentuk analisa

linear dengan sebuah koefisien korelasi kecil namun dengan nilai P yang sangat

bermakna. Dalam hal ini, kebingungan muncul akibat kenyataan bahwa meskipun

korelasi bersifat lemah, dan tidak cukup memberikan penjelasan, namun hasil

perhitungan menunjukkan tingkat kepercayaan yang sangat tinggi.

MENGUJI HIPOTESIS

Penggunaan teknik statistik umumnya dipakai untuk menguji sebuah

pertanyaan, yang disebut dengan istilah hipotesis. Seringkali disebut dengan

istilah uji signifikansi, pendekatan ini memunculkan konsep bermakna dari nilai

P. Nilai P sering dipakai untuk menyimpulkan kekuatan statistik dari analisa data

dalam mendukung atau menolak sebuah hipotesis. Jika peneliti ingin membuat

perbandingan antar kelompok, maka digunakan uji perbandingan terhadap

hipotesis nol, yang menyatakan bahwa tidak ada perbedaan antara 2 kelompok

data yang dibandingkan, dan terhadap hipotesis alternatif, yang menyatakan

bahwa terdapat perbedaan antara kelompok yang dibandingkan. Apabila analisa

dilakukan pada sekelompok data tunggal dan dilakukan perbandingan dari 2

deskripsi datanya, seperti penentuan apakah mean data dari kelompok tersebut

bernilai 0 atau tidak, maka akan muncul 2 hipotesis, yaitu mean = 0 vs mean =

nilai yang diukur, dan ≠ 0. Nilai P dihitung dari data pengamatan dan dianggap

sebagai probabilitas untuk memperoleh satu set data yang diharapkan (konsistensi

dalam reproduksi data yang sama bila penelitian diulang), jika didapatkan

hipotesis nol yang bernilai benar. Penting untuk dicatat, bahwa kalkulasi tersebut

dilakukan dengan asumsi yang berdasarkan atas hipotesis nol (tidak ada

perbedaan). Hal tersebut tidaklah sama dengan pernyataan bahwa P merupakan

probabilitas kebenaran dari hipotesis alternatif. Dalam uji hipotesis, tingkat

signifikansi, disebut dengan nilai alfa (α) ditentukan oleh peneliti. Jika nilai P <

nilai alfa (α), maka hasil analisis data dinyatakan sebagai ‘signifikan secara

statistik’ dan kebenaran analisis dapat diterima. Jika nilai P ≥ nilai alfa (α), maka

hipotesis ditolak (dengan kata lain, hipotesis nol diterima). Perlu diingat sekuens

logis dalam uji hipotesis: alfa(α) ditentukan terlebih dahulu, kemudian nilai P

dihitung dari data penelitian. Jika nilai P < alfa(α), maka hipotesis tersebut

diterima dan hipotesis nol ditolak. Nilai P adalah peluang kebenaran dari hipotesis

nol. Biasnaya, alfa(α) ditentukan sebesar 0,05, dan nilai P harus lebih rendah dari

0,05. Memilih tingkat signifikansi merupakan keputusan yang subjektif. Peneliti

bisa saja menginginkan tingkat ketelitian yang lebih baik dengan memilih nilai

alfa(α) sebesar 0,01. Pada penelitian biomedis, nilai alfa(α) yang sering digunakan

sebesar 0,05. Selain itu, nilai P yang terlampau kecil akan cenderung membuat

hipotesis nol tertolak namun di sisi lain tidak mampu memberikan informasi yang

tepat mengenai kebenaran hipotesis alternatif. Sebagai contoh, saat seseorang

melemparkan koin dengan 2 sisi kepala dan ekor, lau mendapatkan sisi koin yang

sama (sisi kepala) selama 6 kali berturut-turut. Maka hal tersebut akan

mendukung penolakan hipotesis nol yang menyatakan bahwa koin tersebut

merupakan koin yang baik (memiliki 2 sisi yang peluang kemunculannya sama),

namun disisi lain hal tersebut tidak cukup untuk menyatakan bahwa pelemparan

koin akan selalu memberikan hasil berupa sisi kepala. Nilai P dihitung dari data

pengamatan, dengan asumsi bahwa hipotesis nol bernilai benar, dan penggunaan

nilai P yang kecil akan menyebabkan penolakan hipotesis nol tersebut, namun di

sisi lain tidak dapat secara otomatis membuktikan kebenaran hipotesis alternatif.

KEKUATAN (POWER)

Kemampuan sebuah uji statistik untuk menghasilkan keputusan yang valid

bergantung pada jumlah data yang tersedia. Dengan data yang hanya sedikit,

peneliti tidak dapat yakin sepenuhnya dengan kesimpulan uji statistiknya. Jika

tujuannya adalah untuk menentukan sifat alami dari koin tersebut, maka

pelemparan koin sebanyak 2 kali tidak dapat dibagai sebagai penentuan, namun

dengan melemparkan sebanyak 1000 kali akan memberikan gambaran

kecenderungan sifat alami sisi koin. Dalam uji hipotesis statistik, kekuatan

penelitian merupakan deskripsi kemampuan dari penelitian dalam mendeteksi

perbedaan sebenarnya. Uji hipotesis statistik dapat gagal dalam mencapai

signifikansi (nilai P < nilai alfa) yang disebabkan karena data benar-benar tidak

mencerminkan adanya perbedaan atau karena data terlalu sedikit sehingga

perhitungan matematis menghasilkan nilai P yang buruk. Kesalahan beta (β)

didefinisikan sebagai probabilitas kebenaran palsu dari hipotesis nol (dihitung

dengan mengasumsikan bahwa hipotesis alternatif bernilai benar), dengan nilai

kekuatan = 1-beta (β). Agar kekuatannya bernilai baik, yaitu nilai beta yang kecil,

penelitian harus memiliki data yang cukup untuk memastikan bahwa bila dalam

penelitian terdapat perbedaan antara hipotesis nol dan alternatif, maka

reliabilitasnya dapat diterima.

Perhitungan ukuran sampel seringkali dilakukan sebelum penelitian

dimulai untuk menentukan berapa banyak data yang diperlukan untuk membuat

hasil penelitian yang diinginkan memiliki peluang kejadian yang besar. Program

standar komputer dapat melakukan penghitungan jumlah data yang diperlukan

apabila nilai alfa dan kekuatan (power) telah ditetapkan serta telah ditentukan

perhitungan mengenai kemungkinan dari efek yang diamati. Peneliti harus hati-

hati terhadap tiap penelitian yang diinterpretasikan bernilai negatif (sebagai

contoh: tidak adanya perbedaan yang signifikan antar kelompok penelitian).

Karena hal tersebut dapat bermakna bahwa memang tidak ada perbedaan yang

sebenarnya, atau justru pertanda bahwa ukuran sampelnya terlalu kecil untuk

menentukan perbedaan dengan nilai statistik yang signifikan.

CONFIDENCE INTERVAL

Menggunakan confidence intervals sebagai sebuah deskripsi dari penentuan

statistik menjadi hal yang umumdalam melaporkan pengukuran statistik. Rentang

nilai dapat diberikan terlebih dahulu. Atas dasar itu, nilai ditentukan dengan

beberapa kemungkinan bahwa nilai yang sebenarnya berada dalam rentang

tersebut (biasnaya pada nilai 95%). Untuk mengekspresikan hasil yang sederhana,

nilai confidence interval ekuivalen dengan nilai mean ± SD. Metode tersebut

berguna untuk mendeskripsikan hasil ketika menjelaskan konsep ‘tidak terdapat

perbedaan’ dengan cara statistik yang benar. Disini, deskripsi yang sesuai

merupakan perbedaan sebenarnya yang berada pada interval < x dengan nilai

confidence interval 95%. Untuk meringkas penjelasan di atas, syarat berikut harus

dipenuhi dalam melakukan uji hipotesis:

Hipotesis nol (contoh: mean = 0)

Hipotesis alternatif (contoh: mean = m)

Nilai alfa (ditetapkan di awal, contoh, alfa = 0,05)

Kekuatan/power ( ditetapkan di awal dengan melihat kalkulasi ukuran sampel

untuk memastikan poin data, contoh, kekuatan = 0,8)

Nilai P-dihitung dari data pengamatan

Perbedaan antara hipotesis nol dan alternatif bernilai signifikan apabila

nilai P < nilai alfa. Apabila nilai sudah dideskripsikan, maka perbedaan yang

muncul dapat dianggap sebagai confidence interval; dan jika tidak ditemukan

adanya perbedaan, maka perbedaan yang ditemukan dalam interval dapat

dianggap tidak bernilai/tidak bermakna.

DESAIN PENELITIAN

Pentingnya penelitian ilmiah yaitu untuk penentuan beberapa hasil

numerik. Analisis numerik tersebut didekati dengan menggunakan perhitungan

statistik. Namun demikian, tanpa adanya desain penelitian yang sesuai yang

merancang diproduksinya data numerik, analisa statistik formal dari angka-angka

tersebut akan memberikan hasil yang kurang bermanfaat dan bahkan

menyesatkan. Dalam sebuah studi khusus, analis biasanya berupaya untuk

melakukan karakterisasi terhadap beberapa variabel (sebagai contoh: mean atau

tren) atau membuat suatu pilihan untuk menerima atau menolak berbagai variasi

hipotesis yang ada. Tidak peduli jenis pertanyaannya, analis harus waspada

terhadap kemungkinan hasil yang muncul yang harus benar-benar jawaban dari

pertanyaan sebelumnya. Penelitian ilmiah dapat berupa studi pengamatan, data

dikumpulkan bersamaan dengan proses pengamatan tanpa melakukan intervensi

spesifik untuk mempengaruhi subjek penelitian. Karena penelitian merupakan

studi pengamatan/observasional, maka semua data yang ditemukan harus diambil

Oleh sebab itu peneliti selalu dihadapkan dengan faktor lain yang tidak dikenali di

awal yang dapat mempengaruhi interpretasi data atau membatasi kemampuan

peneliti mengkritisi data yang diperoleh.

Dalam sebuah penelitian intervensional, peneliti memilih anggota

kelompok, menentukan jenis perlakuan yang akan dilakukan, dan berupaya untuk

mencari dan mengeliminasi faktor perancu potensial sebelum pengumpulan data

dilakukan. Uji coba klinis merupakan jenis penelitian intervensional dimana

terjadi pembandinganberbagai jenis terapi. Dalam desain studi ilmiah, ketakutan

utama yaitu terjadinya bias statistik, yang merupakan efek sistemik dalam

penelitian yang menghasilkan kesalahan pada interpretasi hasilnya. Saat

mempertimbangkan berbagai desain studi yang mungkin, analis harus

mewaspadai potensial bias yang mungkin muncul. Seleksi bias/perancu terjadi

saat membandingkan berbagai variabel antar kelompok namun analis tidak

menyadari bahwa kelompok yang dibandingkan memiliki perbedaan dalam hal

lain. Karena kelompok subjek penelitian memiliki perbedaan dalam banyak hal,

penetapan subjek di dalam kelompok dapat memberikan hasil berupa pemilihan

yang salah atau ketidakberuntungan acak, dalam kelompok yang sebenarnya tidak

cukup untuk sebanding. Sebagai akibatnya, meskipun hasil dianggap pasti oleh

variabel penelitian, namun sebenarnya hal tersebuut merupakan kesalahan

kesimpulan akibat adanya beberapa faktor. Sebagai contoh, sebuah penelitian

yang membandingkan pembedahan dengan terapi medis dari beberapa penyakit

dan berakhir dengan sebuah pengelompokan dimana sejumlah besar lelaki dan

wanita lebih banyak yang mmeilih terapi bedah. Tiap kesimpulan dari penelitian

mengenai pembedahan vs terapi medis tersebut bersifat rancu dan dapat benar-

benar mencerminkan perbedaan hasil terapi bedah pada lelaki dibanding pada

wanita.

Faktor perancu terjadi ketika multipel variabel salingberhubungan erat

sehingga meskipun variabel tersebut diangap penting dalam sebuah penelitian,

kebenarannya mengungkapkan bahwa variabel perancu bernilai lebih penting.

Sebagai contoh, anggap sebuah penelitian yang berusaha untuk menentukan

pengaruh obesitas pada kelangsungan hidup. Karena diebetes mellitus

berhubungan dengan sangat erat dengan obesitas, maka hasil penelitian lebih

menggambarkan korelasi antara obesitas dengan diabetes. Apabila variabel tidak

berhubungan satusama lain sehingga perubahan dalam 1 variabel tidak mengikuti

perubahan variabel lain, maka variabel tersebut disebut dengan variabel bebas.

Variabel yang berhubungan satu sama lain disebut dengan variabel terikat.

Bias pengukuran terjadi jika metode yang dipakai untuk membuat

pengukuran saat membandingkan kelompok yang berbeda memiliki skala atau

sensitivitas berbeda. Sebagai contoh, penelitian yang bertujuan membandingkan

nyeri dada pada kelompok dengan dan tanpa penyakit arteri koroner. Pasien yang

mengetahui bahwa mereka memiliki penyakit jantung akan lebih mengingat

rasanya nyeri dada singkat dibanding pasien sehat, atau justru mengingkari nyeri

dada yang dirasakan dengan harapan mereka dapat sehat kembali. Disinilah

peneliti memiliki tugas untuk memprediksi dan menghindari bias jenis tersebut.

Dalam sebuah studi yang dibutakan/blinded, bias pengukuran dapat

dihindari jika orang yang melakukan pengukuran tidak mengetahui manakah

kelompok yang diukur, sehingga menghindari bias pengukuran yang kecil

sekalipun dalam menentukan data yang sebenarnya. Sebagai contoh, penelitian

mengenai obat aktif dibandingkan dengan plasebo. Peneliti yang mengetahui

manakah dari pasien yang minum obat aktif akan lebih teliti dalam mengamati

efek samping /manfaat dari obat. Dalam studi klinis dengan pembutaan

ganda/double blinded, baik pasien mapun peneliti yang memperoleh data tidak

mengetahui kelompok asal dari partisipan tersebut untuk menghindari bias

pengukuran. Studi pengamatan dapat dikelompokkan ke dalam kasus, kasus-

kontrol, kohort. Dalam sebuah studi kasus sederhana, dilakukan pelaporan kasus

individu/kelompok. Pelaporan jenis tersebut dapat menunjukkan adanya beberapa

pengaruh, atau memberikan karakterisasi dari subjek pengamatan, dan

menunjukkan terapi atau riwayat alami perjalanan penyakit. Jenis studi tersebut

tidak dapat dipakai untuk membuktikan suatu hipotesa, karena kemungkinan

terdapat pengaruh tersembunyi terhadap hasil pengamatan atau karakteristik yang

diamati memang bersifat khas dalam beberapa hal. Meskipun demikian, sebagian

besar yang dilaporkan dalam dunia medis dalam bentuk pengamatan kasus.

Perbedan antara studi kohort dengan kasus-kontrol sangatlah penting,

namun seling dimisinterpretasikan. Pada kedua kategori, kelompok subjek

penelitian dibandingkan, untuk mencari efek dari sejumlah intervensi. Dalam

studi kasus-kontrol, faktor yang memisahkan kelompok penelitian ditentukan

setelah intervensi. Selanjutnya dilakukan perbandingan antara kelompok

penelitian dengan intervensi (kelompok kasus) dengan kelompok tanpa intervensi

9keelompok kontrol). Karena kelompok tersebut dipisah setelah dilakukan

intervensi, amka bias seleksi dapat menyebabkan keslahan investigasi. Sebagai

contoh, penelitianyang meneliti pengaruh hipertensi terhadap mortalitas bedah.

Jika kelompok penelitian dibagi ke dalam kelompok pasien dengan dan tanpa

kejadian kardiak perioperatif, maka satu kelompok akan berbeda dari kelompok

lain. Namun, hasil tersebut dapat bernilai bias; karena mungkin adanya penyakit

ginjal lebih signifikan dalam mengakibatkan hipertensi (bias faktor perancu).

Kemungkinan lainnya, kemungkinan pasien dengan hipertensi diputuskan

menjalani pembedahan oleh dokter hanya jika pasien tersebut memiliki

permasalahan bedah yang lebih buruk; oleh sebab itu, kedua kelompok tersebut

tidak bisa dibandingkan dengan objektif karena ada bias seleksi.

Dalam studi kohort, kelompok penelitian diawasi sebelum dilakukan

intervensi. Kelompok dirancang semirip mungkin kemudian dilakukan

pengamatan. Penelitian tersebut bermanfaat dalam mendeskripsikan riwayat alami

perjalanan penyakit dan membantu untuk mengetahui penyebab suatu

penyakit.Namun, seperti halnya studi observasional/penmgamatan lainnya, bias

seleksi dan faktor perancu dapat terjadi dan membuat hasil penelitian tidak benar.

Studi kasus kontrol biasanya disebut dengan istilah studi retrospektif karena

analisa hanya bisa dilakukan setelah subjek penelitian menyelesaikan studi, untuk

menentukan pada kelompok manakah subjek seharusnya berada. Sementara itu,

studi kohort merupakan studi prospektif karena data harus dikumpulkan sebelum

dilakukan intervensi. Sayangnya, istilah tersebut dapat disalahgunakan karena

sebenarnya kasus kontrol dapat dirancang secara prospektif. Selain itu, meskipun

sebuah studi bersifat prospektif, setelah data terkumpul, analisa dilakukan secara

retrospektif.

Setelah mempertimbangkan karakteristik dari uji coba

observasional/pengamatan,kekuatan intervensi uji klinis diukur, dimana peneliti

menentukan keanggotaan kelompok penelitian yang akan dibandingkan dan

berupaya untuk membuat kelompok tersebut semiripmungkin. Dalam sebuah uji

coba klinis acak,partisipan ditetapkan secara acak ke dalam kelompok penelitian;

oelh sebab itujika terjadi perubahan pada subjek penelitian/bias seleksi yang kecil,

maka seluruh kelompok juga akan mengalami hal yang sama. Studi model

tersebut paling bagus dalam bentuk prospektif. Uji klinis acak merupakan standar

ideal dalam penelitian medis karena bias yang dihaislkan minimal. Namun

memerlukan biaya yang cukup mahal. Uji coba tersebut memerlukan partisipasi

pasien sebelum dilakukan intervensi medis. Pasien menyerahkan jenis terapi pada

klinisi dan membiarkan terapi yang akan dijalani dipilih secara acak. Sehingga

memerlukan etika medis dan persetujuan pasien.

Meski dengan metodologi uji klinis terbaik pun,kesulitan potensial tetap

muncul dalam hal bias seleksi ringan mengenai pemilihan subjek yang mengikuti

sebuah uji coba klinis. Penelitian yang mendapatkan pengawasan ketat dari

peneliti dan sejawatnya dapat menghasilkan praktik atipikal sehingga tidak bisa

digeneralisasi ke dalam praktik klinis standar.

PILIHAN UJI STATISTIK

STATISTIK NON-PARAMETRIK

Saat menghitung distribusi acak dari beberapa variabel, dapat dengan

mudah dilakukan dengan memvisualisasikan nilai sebagai kluster di sekitar

beberapa nila pusat pada kurva distribusi normal. Namun, tidak semua data

memiliki distribusi normal. Data yang tidak berformat interval, seperti data

nominal (merah, hitam; laki-laki, perempuan) atau data ordinal (pertama, kedua),

tidak dapat dideskripsikan dengan distribusi matematis dengan memakai

parameter seperti mean atau SD. Dalam sistuasi seperti itu dapat digunakan

metode statistik non-parametrik. Langkah pertama dalam mempertimbangkan

pilihan uji statistik adalah memutuskan apakah metode statistik yang

mengasumsikan distribusi normal cocok atau justru data tersebut memerlukan

metodenon-parametrik (Tabel 111-2). Uji normalitas dapat dilakukan dengan

memanfaatkan program komputer. Hasilnya dapat dikonfirmasi dengan

pengamatan sederhana terhadap frekuensi tabulasi dan gambaran grafik.

TABEL KONTINGENSI

Masalah umum pada statistik non-parametrik adalah analisa dari tabel data

dimana tiap sel dalam tabel merupakan komponen perhitungan dalam kategori

tertentu. Fungsi tabel tersebut dipakai untuk menentukan apakah kelompok

penelitian berbeda secara statistik satu sama lain. Sebagai contoh penelitian

mengenai afiliasi politik lelaki dan wanita untuk parta Demokrat vs Republik,

maka tabel kontingensi 2 x 2 diperlukan untuk menganalisa hal tersebut. Apabila

terdapat penambahan kelompok politik misalnya kelompok Hijau dan Golput,

maka tabel kontingensinya menjadi 2 x 4.

DATA BERPASANGAN VS DATA TIDAK BERPASANGAN/TUNGGAL

Penggunaaan metode statistik untuk menganalisa data dari kelompok

multipel dengan setiap anggota berlatar belakang berbeda akan menimbulkan

kesulitan dalam menyimpulkan hasil penelitiannya karena sulit untuk mendeteksi

efek dari intervensi yang diberikan. Sebagai contoh, penelitian terhadap tekanan

darah dalam 2 kelompok pasien, satu kelompok diberi obat dan lainnya dibiarkan.

Maka sulit untuk mengukur efek terapi yang diberikan karena tekanan darah juga

dipengaruhi oleh kondisi medis sebelumny. Namun apabila penelitian dilakukan

pada individu yang sama, dengan pengukuran tekanan darah sebelum dan sesudah

terapi, maka pengaruh dari terapi yang diberikan akan dapat diamati dengan lebih

baik. Pada penelitian bentuk kedua inilah data yang dihasilkan berupa data

berpasangan (sebelum dan sesudah intervensi), yang lebih baik dalam

memunculkan hasil statistik yang signifikan.

ANALISA 2 KELOMPOK VS MULTIPEL

Analisa 2 kelompok hanya dapat menentukan perbedaan antar 2 kelompok

tersebut. Namun dengan melakukan analisa multipel (3 kelompok atau lebih),

peneliti dapat mengajukan 2 pertanyaa, pertama, untuk mengetahaui apakah antar

kelompok tidak sama secara statistik; kedua, jika antar kelompok tersebut secara

statistik tidak sama, manakah dari kelompok tersebut yang berbeda satu sama

lainnya. Prinsipnya terdapat 3 pertanyaan yang harus dipertimbangkan saat

memilih uji hipotesis (Lihat tabel 111-2):

1. Satu kelompok, 2 atau 3?

2. Kelompok berpasangan atau tungga?

3. Metode parametrik atau non-parametrik

Tabel 111-2.

Tujuan perbandingan

parametrik data interval

non-parametrik

data interval

data kategorikal

Deskripsi kelompok

mean ± SD median, modus, persentil

(proporsi dan hitungan)

uji beda dengan nilai t-test Wilcoxon Chi-square

uji beda 2 kelompok tak berpasangan

unpaired t-test Mann-Whitney Chi-square,Fisher

uji beda 2 kelompok berpasangan

paired t-test Wilcoxon McNemar

uji beda 3 kelompok atau lebih

ANOVA Kruskal-Wallis Chi-square

uji beda kelompok multipel berpasangan

repeated-measures ANOVA

Friedman -

regresi Regresi linear Regresi non parametrik

Regresi logistik

PENDEKATAN BAYESIAN TERHADAP PROBABILITAS

Istilah Bayesian seringkali merupakan indikasi bahwa peluang

populasi/pasien terkena suatu penyakit sebaiknya dipertimbangkan dalam

menerapkan tes prediktif. Saat menggunakan tes prediktif, konsep sensitivitas dan

spesifisitas sangat berguna karena tidak bergantung pada populasi. Sensitivitas

adalah kemampuan suatu uji untuk mendeteksi penyakit saat penyakit tersebut

benar-benar ada. Spesifisitas menunjukkan kemampuan suatu uji untuk mencegah

terjadinya positif palsu dari diagnosa suatu penyakit saat penyakit benar-benar

ada. Untuk menggunakan istilah tersebut, dipakai 4 kemungkinan situasi yaitu:

True positive (TP): pasien berpenyakit dan hasil tes positif

False positive (FP): pasien tak berpenyakit, dan hasil tes positif

True negative (TN): pasien tak berpenyakit, dan hasil tesnegatif

False negative (FN): pasien berpenyakit, dan hasil tes negatif

Sehingga formulanya:

Sensitivitas = TP/(TP + FN)

Spesifisitas = TN/ (TN + FP)

METAANALISIS

Kekuatan statistik dalam sebuah penelitian klinis berhubungan dengan

ukuran populasi, namun karena masalah biaya, kesulitan, dan kesulitan pencarian

sampel, maka dapat digunakan alternatif metaanalisa. Teknik tersebut dipakai

untuk menggabungkan penelitian yang mirip untuk mencapai total populasi agar

menghasilkan nilai statistik yang valid.

EVIDENCE-BASED MEDICINE/KEDOKTERAN BERBASIS BUKTI

Evidence-based medicine merupakan istilah untuk pendekatan terhadap

keputusan medis dimana dilakukan penerapan data eksperimen ilmiah secar hati-

hati. Diperlukan uji coba klinis terkontrol dan studi observasional berskala besar

untuk pendekatan tersebut.

RINGKASAN

Klinisi menggunakan metode statistik untuk menganalisa data yang dimiliki

dan menentukan nilai dari laporan ilmiah lainnya. Karena sejatinya analisa data

merupakan bentuk penerapan program komputer, dengan tiap menu, fromat

masing-masing, maka hal utama yang perlu diperhatikan adalah pemahaman

terhadap program tersebut, pembacaan manual program, dan pemlotan data.

Sistem penglihatan manusia memiliki tingkat adaptasi yang baik dalam mengenali

kelompok dan kecenderungan-apabila kesimpulan tampak tidak sesuai dengan

data, maka akan muncul sikap waspada dan skeptis.

Ketika menentukan nilai dari sebuah laporan ilmiah, klinisi yang teliti akan

membaca bagian metode dan mengajukan pertanyaan di awal: “apakah subjek

penelitian dipilih untuk meminimalisisr bias?”; “Apakah metode statistiknya

sesuai?”; “Apakah studi tersebut cukup besar untuk bermakna secara statistik?”

“Apakah kesimpulannya dijamin oleh adanya berbagai bukti?”; “Bisakah

kesimpulan dalam penelitian tersebut digeneralisir pada kasus yang lebih

umum?”. Pada akhirnya, diluar pendekatan klinis terbaik dan prosedur penelitian

paling teliti sekalipun, klinisi yang bijak menyadari bahwa penelitian terbaik

sekalipun dapat memunculkan kesimpulan yang tidak sepenuhnya benar. Studi

yang menghasilkan kesimpulan klinis penting, terutama yang bersifat

membahayakan pemahaman teoritis sebelumnya, mmerlukan konfirmasi dengan

kelompok penelitian lain menggunakan pasien yang berbeda dalam situasi yang

berbeda. Sikap skeptis yang sehat merupakan dasar dari sttistik dan ilmu

pengetahuan yang baik.