1-Biostatistik dalam Farmasi

Pilar Evidence-Based Medicine

Lebih Dari Sekadar Matematika.

Tanpa biostatistik, klaim bahwa "Obat A lebih baik dari Obat B" hanyalah sebuah opini atau tebakan belaka. Biostatistik menyediakan kerangka kerja logis untuk membuktikan khasiat obat, menjamin keamanan pasien, dan mengendalikan mutu produk di industri kefarmasian di tengah variasi biologis manusia yang tidak pasti.

Apa itu Biostatistik?

Biostatistik adalah aplikasi prinsip dan metode statistik ke dalam ilmu biologi, kedokteran, dan kesehatan. Tujuannya adalah merancang penelitian, mengumpulkan data pasien/laboratorium, meringkasnya, dan menarik kesimpulan yang valid di atas ketidakpastian.

Deskriptif

Meringkas dan mendeskripsikan karakteristik sampel yang ada (contoh: Rata-rata usia, grafik pie efek samping, standar deviasi mutu tablet).

Inferensial

Menganalisis sampel kecil untuk menebak (generalisasi) populasi besar yang tidak terjangkau (contoh: Uji T, ANOVA, P-Value, Interval Kepercayaan).

Populasi vs Sampel: Akar Masalah Statistik

Alasan utama mengapa kita membutuhkan statistik inferensial adalah karena kita tidak mampu meneliti seluruh target pasien di dunia (Populasi). Kita hanya sanggup meneliti sebagian kecil dari mereka (Sampel).

Populasi (Parameter)

Keseluruhan kelompok yang ingin diteliti.
Misal: Seluruh penderita Hipertensi di Indonesia. Karakteristiknya disebut Parameter (contoh: μ untuk rata-rata populasi).

Sampel (Statistik)

Sebagian kecil dari populasi yang ditarik untuk diteliti secara langsung.
Misal: 100 penderita Hipertensi di RS X. Karakteristiknya disebut Statistik (contoh: x̄ untuk rata-rata sampel).

Ancaman Sampling Error

Karena sampel dipilih secara acak, setiap sampel yang ditarik akan menghasilkan angka yang berbeda-beda dan tidak pernah 100% sama dengan nilai Populasi aslinya. Jarak ketidaktepatan ini disebut Sampling Error.

Tugas Biostatistik: Mengukur seberapa besar error tersebut, dan seberapa yakin kita bahwa sampel kita dapat merepresentasikan populasi aslinya secara valid.

Skala Pengukuran Data (NOIR)

Sebelum menghitung rata-rata atau melakukan uji, Anda wajib tahu jenis datanya. Rumus statistik untuk data berat badan (angka) akan sangat berbeda dengan data golongan darah (kategori).

Peran Vital di Sektor Farmasi

Biostatistik bukan sekadar materi kuliah, melainkan instrumen kerja harian bagi apoteker di berbagai bidang keahlian.

Farmasi Klinis & RS

Mengevaluasi literatur medis jurnal untuk menerapkan Evidence-Based Medicine (EBM) guna menentukan rasio manfaat-risiko suatu regimen bagi pasien.

Contoh: Menganalisis p-value efikasi Aspirin untuk infark miokard.

Industri & Manufaktur

Menjamin mutu sediaan (QC/QA) melalui Statistical Process Control untuk memastikan konsistensi batch produksi dari waktu ke waktu.

Contoh: Mengontrol standar deviasi (SD) bobot tablet dari mesin cetak.

Riset & Pengembangan

Desain eksperimen untuk formulasi obat baru, serta pemodelan farmakokinetik untuk uji ketersediaan hayati (Bioavailabilitas/Bioekivalensi).

Contoh: Uji ANOVA kestabilan sirup pada 3 suhu penyimpanan berbeda.

Farmakoepidemiologi

Menganalisis penggunaan obat di masyarakat luas dan pengawasan efek samping (Farmakovigilans) pasca-pemasaran via Big Data.

Contoh: Menghitung Relative Risk (RR) sindrom langka pasca vaksinasi.

Statistik dalam Siklus Penemuan Obat (Drug Discovery)

Klik fase di bawah untuk melihat bagaimana uji statistik digunakan untuk menyaring ribuan molekul uji hingga menjadi satu obat jadi yang lolos izin BPOM/FDA.

Simulator: Bukti Bahayanya "Tebakan Intuisi" (Sampling Error)

Pernah dengar testimoni: "Teman saya minum obat X dan tensinya turun, berarti obat X pasti manjur!"? Mari buktikan secara matematis mengapa kesimpulan dari sampel kecil (segelintir orang) bisa sangat menyesatkan akibat kebetulan variasi biologis, dan mengapa kita membutuhkan biostatistik.

Skenario (Kebenaran Mutlak): Kita mensimulasikan uji obat antihipertensi fiktif. Di populasi asli (jika seluruh manusia diuji), obat ini diketahui pasti menurunkan tekanan darah rata-rata sebesar tepat 15.0 mmHg (Garis Hijau) dengan rentang variasi biologi (SD) ± 8.0 mmHg.

Anda menarik sampel sejumlah: 5 Pasien

2 (Sangat Kecil) 200 (Besar)

Rerata Sampel Anda 0.0 mmHg

Error Tebakan Anda 0.0 Meleset (mmHg)

Penjabaran Matematis: Sampling Error

x̄ =

Σx n

Error = |x̄ - μ|

x̄ : Rerata Sampel Pengujian
μ : Rerata Populasi Asli (Target = 15.0)
Σx : Total penurunan tensi semua pasien uji

Jalankan uji klinis untuk melihat kalkulasi.

Fluktuasi Nilai Rerata Sampel (x̄) terhadap Populasi (μ)

Setiap titik mewakili rata-rata dari 1 kali pelaksanaan uji coba (eksperimen) sejumlah 5 pasien.

Nilai Asli (μ=15)

Batas Toleransi Error (±95%)

Akurat

Cukup

Meleset Jauh

Analisis Hukum Bilangan Besar (Law of Large Numbers):

Coba tarik sampel pada angka 5 Pasien berulang kali. Titik tebakan rata-rata Anda akan melesat jauh naik-turun dari garis hijau asli, bahkan sering melampaui area arsiran biru muda (batas kewajaran). Anda bisa salah menyimpulkan bahwa obat ini buruk atau kelewat ampuh!

Sekarang naikkan ke 200 Pasien dan tarik uji coba berulang kali. Pita biru (batas error) akan menyusut tajam, dan titik tebakan akan sangat stabil merapat di sekitar garis 15.0 mmHg. Inilah bukti mengapa penelitian butuh jumlah subjek yang memadai agar kita bisa mempercayai (confident) keabsahan datanya.

Evaluasi Pemahaman (Sub-CPMK1)

Uji pemahaman fundamental Anda tentang klasifikasi data dan kerangka dasar biostatistik kefarmasian.