Penerapan Analisis Propensity Score Matching Regresi Logistik Biner pada Kasus Kanker Payudara

Abstract

Kanker payudara wanita merupakan penyebab utama kematian akibat kanker di Indonesia pada tahun 2022. Kanker payudara tergolong penyakit tidak menular yang belum diketahui penyebab pastinya. Penelitian ini merupakan studi observasi yang dilakukan terhadap wanita Indonesia yang menderita dan tidak menderita kanker payudara. Tujuan penelitian ini adalah mengidentifikasi faktor-faktor yang berpengaruh terhadap kanker payudara setelah mengatasi efek pembaur yang dapat membiaskan hubungan sebenarnya antara faktor risiko dan status kanker payudara. Penelitian ini menggunakan metode Propensity Score Matching yang mampu mereduksi efek pembaur khususnya dalam penelitian observasi kesehatan. Peubah pembaur dalam penelitian ini adalah diet tinggi lemak (HFD). Model regresi logistik biner diaplikasikan untuk menduga propensity score yang akan digunakan untuk memadankan kelompok yang melakukan HFD >100% AKG (kasus) dengan kelompok yang melakukan HFD 100% AKG (kontrol). Regresi logistik biner tidak menciptakan asumsi sebaran peubah penjelas pada hasil yang biner. Pemadanan dengan algoritma Nearest Neighbor Matching caliper berhasil mencapai keseimbangan pembaur antara kedua kelompok dan mereduksi bias sebesar 69,69%. Pemodelan akhir menghasilkan bahwa usia menopause 50 tahun ke atas (p=0,007) dengan odds ratio (OR) = 2,336 (p=0,007) dan riwayat menyusui kurang dari 12 bulan (OR=0,054;p=0,004) berpengaruh signifikan terhadap peningkatan risiko kanker payudara.

Female breast cancer is the leading cause of cancer-related deaths in Indonesia by 2022. Breast cancer is classified as a non-communicable disease with unknown exact cause. This observational study conducted on Indonesian women who do and do not suffer from breast cancer. This study aims to identify factors that influence breast cancer after overcoming the confounder that can deflect true relationship between risk factors and breast cancer status. This study utilized Propensity Score Matching method that capable of reducing confounder effect especially in health observational research. The confounder in this study is High- Fat Diet (HFD). Binary logistic regression model was applied to estimate propensity score that will be used to match a group on HFD >100% RDA (case) with a group on HFD 100% RDA (control). Binary logistic regression was chosen because it did not create distribution assumptions of explanatory variables on binary outcomes. Matching with Nearest Neighbor Matching algorithm with caliper achieved confounder balance between the two groups and reduced bias by 69,69%. Final modeling results that menopausal age 50 years and over (p=0,007) with odds ratio (OR) = 2,336 (p=0,007) and history of breastfeeding less than 12 months (OR=0,054;p=0,004) significantly influences the increased risk of breast cancer.