Semester 1 | Periode 1 | Sesi 1

Evaluasi Uji Diagnostik: Sensitivitas, Spesifisitas, dan Nilai Prediksi

MK Epidemiologi Klinik & Biostatistik Lanjut (6 SKS)

Dr.dr. Budi Siswanto, Sp.OG., Subsp.Obginsos., SH., S.Kom.

Konsultan Obstetri Ginekologi Sosial

A

Deskripsi Modul

Setiap hari, dokter obstetri membuat keputusan berdasarkan hasil pemeriksaan: apakah hasil CTG ini benar-benar menunjukkan gawat janin? Apakah tes protein urin positif ini benar-benar preeklampsia? Semua pertanyaan ini adalah pertanyaan tentang akurasi diagnostik.

Ini bukan sekadar menghafal rumus, tetapi memahami mengapa sebuah tes yang sensitif 95% masih bisa menghasilkan lebih banyak hasil positif palsu daripada positif benar dalam kondisi tertentu — dan mengapa pemahaman ini fundamental untuk pengambilan keputusan klinis yang rasional.
B

Capaian Pembelajaran

1

Menghitung dan menginterpretasikan sensitivitas, spesifisitas, PPV, dan NPV

2

Menjelaskan pengaruh prevalensi terhadap PPV dan NPV

3

Menghitung dan menginterpretasikan Likelihood Ratio (LR+ dan LR−)

4

Menganalisis kurva ROC dan menentukan titik potong optimal

5

Mengevaluasi kelayakan implementasi uji diagnostik untuk program skrining

C

Materi Inti

C.1. Kerangka Dasar: Tabel 2x2 Diagnostik

Hover pada sel untuk melihat definisi detail.

Sakit (+)
Sehat (-)
Total
Tes (+)
TP
FP
TP+FP
Tes (-)
FN
TN
FN+TN
Total
TP+FN
FP+TN
N
Arahkan kursor ke sel TP, FP, FN, atau TN untuk melihat penjelasan.

C.2. Sensitivitas dan Spesifisitas

Se = TP / (TP + FN)
SnNout

Sensitivity high, Negative result rules OUT disease.

Tes sensitif tinggi jarang melewatkan orang sakit. Cocok untuk skrining/menyingkirkan diagnosis.

Sp = TN / (TN + FP)
SpPin

Specificity high, Positive result rules IN disease.

Tes spesifik tinggi jarang salah pada orang sehat. Cocok untuk konfirmasi diagnosis.

C.3. Nilai Prediksi dan Pengaruh Prevalensi

Ini adalah konsep yang paling krusial: PPV dan NPV sangat bergantung pada prevalensi.

PPV (Positive Predictive Value)

PPV = TP / (TP + FP)

Proporsi hasil positif yang benar-benar sakit.

NPV (Negative Predictive Value)

NPV = TN / (TN + FN)

Proporsi hasil negatif yang benar-benar sehat.

Ilustrasi Numerik (Se=90%, Sp=85%)

Parameter Prevalensi 20% Prevalensi 2%
Sensitivitas 90% 90%
Spesifisitas 85% 85%
PPV 60,0% 10,9%
NPV 97,1% 99,8%
Implikasi Kebijakan:

Tes yang sama menghasilkan PPV 60% pada populasi risiko tinggi vs. hanya 11% pada populasi risiko rendah. Skrining universal tanpa stratifikasi risiko dapat menghasilkan banyak false positive.

C.4. Likelihood Ratio (LR)

LR adalah ukuran terkuat karena independen dari prevalensi dan memungkinkan pembaruan probabilitas (Bayes' Theorem).

LR+ = Se / (1 - Sp)
LR- = (1 - Se) / Sp

Interpretasi Kekuatan Bukti

Nilai LR+

  • > 10: Sangat kuat
  • 5–10: Kuat
  • 2–5: Moderat
  • 1–2: Lemah

Nilai LR-

  • < 0,1: Sangat kuat
  • 0,1–0,2: Kuat
  • 0,2–0,5: Moderat
  • 0,5–1: Lemah

C.5. Kurva ROC (Receiver Operating Characteristic)

1 - Spesifisitas (False Positive Rate) Sensitivitas (True Positive Rate) AUC
AUC Interpretasi
0,9–1,0Excellent
0,8–0,9Good
0,7–0,8Fair
0,6–0,7Poor

C.6. Aplikasi: Program IVA di Indonesia

Karakteristik IVA: Se=79,6%, Sp=84,7%, LR+=5,2, LR-=0,24

Prevalensi CIN2+: ~6%

24,9%

PPV (Hanya 1 dari 4 positif benar)

98,5%

NPV (Sangat andal menyingkirkan)

Ini bukan kegagalan program — ini adalah konsekuensi matematis skrining dengan prevalensi rendah.

D

Pertanyaan Diskusi

Pertanyaan 1:

Kepala Puskesmas mengusulkan skrining preeklampsia universal dengan MAP (Se 72%, Sp 78%) di wilayah prevalensi 8%. Hitung PPV dan NPV. Apakah Anda merekomendasikan implementasi ini?

Pertanyaan 2:

Dua tes KPD: Tes A (Se=95%, Sp=60%) vs Tes B (Se=70%, Sp=92%). Tes mana untuk skrining awal dan tes mana untuk konfirmasi di IGD? Gunakan konsep SnNout dan SpPin.

E

Rangkuman

1

Sensitivitas (rule out) dan Spesifisitas (rule in) adalah properti intrinsik tes.

2

PPV dan NPV sangat bergantung prevalensi — kritis untuk keputusan skrining.

3

Likelihood Ratio adalah ukuran terkuat, independen prevalensi, memungkinkan kalkulasi Bayes.

4

Kurva ROC merangkum akurasi; AUC >0.8 menunjukkan tes yang baik.

F

Referensi

  1. Sackett DL, et al. Clinical Epidemiology. 2nd ed. 1991.
  2. Deeks JJ, Altman DG. Diagnostic tests 4: likelihood ratios. BMJ. 2004.
  3. Bossuyt PM, et al. STARD 2015. BMJ. 2015.
  4. Leeflang MM, et al. Variation of a test's sensitivity... CMAJ. 2013.
  5. Wilson JMG, Jungner G. Principles and Practice of Screening for Disease. WHO; 1968.

QUIZ 1 – MINGGU 5

Materi: Modul 1 sampai Modul 5 | 10 Soal

Soal 1 (Modul 1): 45 kematian ibu dari 15.000 kelahiran hidup. Ukuran epidemiologi yang tepat adalah...

Soal 2 (Modul 1): Ibu meninggal dalam perjalanan karena jalan rusak. Keterlambatan fase?

Soal 3 (Modul 2): NTD sangat jarang (0,1%). Desain paling efisien?

Soal 4 (Modul 2): RCT dengan kriteria inklusi ketat di Jakarta. Keterbatasan utama untuk puskesmas terpencil?

Soal 5 (Modul 3): Kasus melaporkan lebih banyak paparan pestisida daripada catatan objektif. Fenomena ini?

Soal 6 (Modul 3): RR crude 0.55, tapi RR stratified hampir sama (0.92). Penjelasan?

Soal 7 (Modul 4): Tabel: SC Prev (+) 40, Normal (-) 60 | SC Prev (+) 20, Normal (-) 180. Hitung OR?

Soal 8 (Modul 4): Prevalensi SC 17%. Studi cross-sectional melaporkan OR=3,4. Pernyataan tepat?

Soal 9 (Modul 5): Tes GCT (Se 80%, Sp 90%). Klinik A (prev 15%) vs Klinik B (prev 3%). Hubungan PPV?

Soal 10 (Modul 5): Pre-test prob 25%, LR+ 8,0. Post-test probability?

Malang, Maret 2026

Penyusun