Bayangkan kamu seorang peneliti kesehatan yang ingin tahu: apakah tekanan darah seseorang berpengaruh terhadap risiko serangan jantung? Pertanyaan sederhana, bukan? Biasanya, kita akan berpikir: semakin tinggi tekanan darah, semakin besar risikonya. Tetapi, bagaimana jika hubungan itu tidak sesederhana garis lurus?
Inilah yang dibahas dalam artikel ilmiah terbaru di BMJ tahun 2025, karya Pedro Lopez-Ayala dan rekan-rekannya. Mereka menulis panduan praktis tentang bagaimana para peneliti sebaiknya menangani variabel kontinu dan hubungan non-linear dalam data kesehatan. Kedengarannya teknis, tapi sebenarnya ini adalah masalah yang sering membuat hasil riset kesehatan bisa menyesatkan bila tidak ditangani dengan tepat.
Baca juga artikel tentang: Kombinasi Superfood dan Obat: Potensi dan Tantangannya dalam Dunia Kesehatan
Masalahnya: Dunia Nyata Tidak Selalu Linear
Dalam banyak penelitian medis, para ilmuwan sering berurusan dengan variabel kontinu, yaitu angka yang bisa memiliki banyak nilai, bukan sekadar ya atau tidak. Misalnya:
- Tekanan darah (dalam mmHg)
- Kadar kolesterol
- Berat badan
- Usia pasien
Sering kali, peneliti ingin tahu bagaimana angka-angka ini berhubungan dengan risiko penyakit, misalnya diabetes atau penyakit jantung. Masalahnya, banyak orang masih menggunakan model linear sederhana, yang mengasumsikan hubungan antara dua hal itu selalu berbentuk garis lurus.
Padahal, dalam kenyataan, hubungan antara variabel kesehatan jarang sesederhana itu. Contohnya:
- Risiko penyakit jantung meningkat drastis saat tekanan darah tinggi, tapi bisa stabil atau bahkan menurun pada tingkat tertentu.
- Berat badan yang terlalu rendah maupun terlalu tinggi bisa sama-sama berisiko bagi kesehatan.
Hubungan semacam ini disebut non-linear, artinya tidak bisa digambarkan hanya dengan garis lurus. Dan jika kita memaksa untuk memodelkannya secara linear, hasilnya bisa keliru.
Kesalahan Umum: Memotong Data Jadi Kategori
Salah satu kesalahan yang sering dilakukan peneliti adalah mengubah variabel kontinu menjadi kategori. Misalnya, alih-alih menggunakan nilai tekanan darah sebenarnya, mereka membagi peserta penelitian ke dalam kelompok “rendah”, “normal”, dan “tinggi”. Kedengarannya rapi, tapi cara ini justru bisa merusak data.
Menurut Lopez-Ayala dan timnya, mengkategorikan data kontinu dapat:
- Menghilangkan informasi penting. Misalnya, dua orang dengan tekanan darah 139 dan 141 mmHg bisa masuk kategori berbeda, padahal nilainya hampir sama.
- Menyebabkan kesimpulan menyesatkan. Hasil penelitian bisa berbeda tergantung pada batas kategori yang dipilih.
- Menurunkan kekuatan statistik. Artinya, penelitian jadi kurang mampu menemukan hubungan yang sebenarnya ada.
Dengan kata lain, memotong variabel kontinu menjadi potongan kasar seperti itu ibarat mencoba melukis wajah seseorang hanya dengan tiga warna, terlalu sederhana untuk menangkap detail penting.
Solusinya: Gunakan Alat Statistik yang Lebih Canggih
Penelitian ini tidak hanya mengkritik, tapi juga memberi solusi, serta menjelaskan beberapa pendekatan modern yang lebih tepat untuk menangani data semacam ini, terutama:
- Splines
- Fractional polynomials
Kedua metode ini memungkinkan peneliti memodelkan hubungan non-linear secara halus, tanpa harus membagi data menjadi kategori.
1. Splines
Bayangkan kamu menggambar garis yang mengikuti pola data, tapi garis itu bisa “melengkung” dengan lembut di titik-titik tertentu. Itulah ide dasar spline. Dengan spline, hubungan antara dua variabel bisa mengikuti bentuk kurva alami (naik di satu bagian, datar di bagian lain, lalu turun di akhir) sesuai dengan realitas data.
2. Fractional polynomials
Metode ini juga mencoba menggambarkan hubungan yang melengkung, tapi dengan menggunakan rumus matematika yang lebih fleksibel daripada garis lurus. Misalnya, bukan hanya atau , tapi juga bentuk seperti atau. Tujuannya tetap sama: menemukan bentuk hubungan yang paling mencerminkan data sebenarnya.
Kedua metode ini kini semakin mudah digunakan, karena tersedia di hampir semua perangkat lunak statistik populer, seperti R, Stata, dan SPSS. Dengan demikian, alasan “tidak punya alatnya” sudah tidak relevan lagi.
Mengapa Ini Penting dalam Dunia Nyata
Mungkin kamu berpikir, “Apa gunanya semua kerumitan ini bagi pasien?” Jawabannya: bisa menyelamatkan nyawa.
Jika model statistik salah menggambarkan hubungan antara faktor risiko dan penyakit, maka:
- Dokter bisa salah menilai siapa yang berisiko tinggi.
- Kebijakan kesehatan bisa salah sasaran.
- Obat atau intervensi bisa diberikan kepada orang yang tidak terlalu membutuhkannya, sementara yang benar-benar berisiko malah terlewat.
Sebaliknya, dengan memodelkan hubungan secara benar, kita bisa:
- Menentukan ambang batas risiko yang lebih akurat.
- Memberi saran kesehatan yang lebih personal.
- Memahami mekanisme biologis penyakit dengan lebih baik.
Sebagai contoh, penelitian yang memperhitungkan hubungan non-linear antara kadar kolesterol dan risiko serangan jantung menunjukkan bahwa manfaat menurunkan kolesterol sangat besar di awal, tapi cenderung menurun setelah titik tertentu. Ini berarti terapi agresif mungkin tidak selalu perlu bagi semua orang, wawasan yang sangat penting dalam era pengobatan presisi.
Pesan Akhir: Data Bukan Hanya Angka, Tapi Cerita
Penelitiian ini mengingatkan kita bahwa statistik bukan sekadar rumus di komputer, tapi alat untuk memahami kehidupan nyata manusia. Setiap angka dalam data kesehatan mewakili seseorang, pasien dengan cerita, kondisi, dan risiko yang unik. Kalau hubungan di antara variabel itu tidak lurus, jangan dipaksa menjadi lurus.
Dengan menghormati bentuk alami data, para peneliti bisa menemukan pola yang lebih akurat dan bermanfaat. Dan bagi kita semua, itu berarti keputusan medis yang lebih cerdas, kebijakan kesehatan yang lebih adil, dan masa depan penelitian yang lebih manusiawi.
Baca juga artikel tentang: Infiltrasi Mikroplastik dalam Makanan: Disrupsi Sistem Farmakologi dan Kesehatan Manusia
REFERENSI:
Lopez-Ayala, Pedro dkk. 2025. Dealing with continuous variables and modelling non-linear associations in healthcare data: practical guide. BMJ, 390.
