Pendahuluan

Ketika orang membayangkan kuliah kedokteran, yang sering muncul adalah anatomi, fisiologi, histologi, farmakologi, mikrobiologi, patologi, keterampilan klinis, dan komunikasi dengan pasien. Matematika kadang dianggap berada jauh di luar ruang periksa. Padahal, sejak hari-hari pertama belajar kedokteran, mahasiswa akan bertemu angka: tekanan darah, denyut nadi, laju napas, suhu tubuh, kadar natrium, hemoglobin, pH darah, dosis obat, laju infus, risiko penyakit, sensitivitas tes, ukuran sampel penelitian, hingga nilai-p dalam artikel ilmiah.

Buku ini ditulis untuk membantu Anda melihat bahwa matematika bukan “mata kuliah tambahan” yang terpisah dari kedokteran. Matematika adalah bahasa untuk menyatakan hubungan kuantitatif: berapa banyak, seberapa cepat, seberapa sering, seberapa besar perbedaan, dan seberapa pasti kesimpulan kita. Dalam kedokteran, pertanyaan seperti itu muncul terus-menerus. Seorang dokter tidak hanya bertanya, “Apakah pasien demam?” tetapi juga, “Berapa suhu tubuhnya, bagaimana trennya, dan apakah perubahan itu bermakna secara klinis?” Ia tidak hanya bertanya, “Apakah obat ini bermanfaat?” tetapi juga, “Seberapa besar manfaatnya, pada siapa, dengan risiko apa, dan berdasarkan bukti sekuat apa?”

Matematika kedokteran, dalam buku ini, berarti kumpulan cara berpikir kuantitatif yang diperlukan untuk memahami ilmu biomedis, pelayanan klinis, epidemiologi, farmakologi, dan penelitian kedokteran. Tujuannya bukan menjadikan semua mahasiswa kedokteran sebagai matematikawan murni. Tujuannya lebih praktis dan lebih dekat dengan tanggung jawab klinis: agar Anda mampu membaca angka dengan benar, menghitung dengan aman, menafsirkan ketidakpastian dengan jujur, dan mengenali kapan suatu klaim kuantitatif masuk akal atau perlu dipertanyakan.

Mengapa calon dokter perlu berpikir kuantitatif?

Kedokteran bekerja dengan manusia, bukan hanya dengan angka. Namun justru karena keputusan klinis berdampak pada manusia, angka harus digunakan dengan hati-hati. Angka dapat menolong, tetapi juga dapat menyesatkan bila satuannya keliru, konteksnya hilang, atau ketidakpastiannya diabaikan.

Bayangkan seorang pasien anak dengan berat badan 12 kg membutuhkan obat dengan dosis 10 mg/kg. Perhitungan dasarnya sederhana:

\[ 10\ \text{mg/kg} \times 12\ \text{kg} = 120\ \text{mg} \]

Di sini, matematika bukan sekadar aritmetika. Satuan “kg” pada pembilang dan penyebut saling meniadakan, sehingga hasil akhirnya adalah “mg”. Cara memeriksa satuan seperti ini disebut analisis dimensi, yaitu pemeriksaan apakah satuan dalam perhitungan konsisten dengan makna yang diinginkan. Standar satuan internasional, termasuk cara menyatakan besaran dan satuan secara konsisten, dirumuskan dalam Sistem Internasional Satuan atau SI (BIPM, 2019). Dalam praktik kedokteran, kebiasaan memeriksa satuan dapat mencegah kesalahan yang tampak kecil di atas kertas tetapi besar akibatnya bagi pasien.

Contoh lain muncul pada diagnosis. Misalkan suatu tes memiliki sensitivitas 90% dan spesifisitas 90%. Sensitivitas adalah proporsi orang yang benar-benar sakit dan mendapatkan hasil tes positif. Spesifisitas adalah proporsi orang yang benar-benar tidak sakit dan mendapatkan hasil tes negatif. Kedua angka ini penting, tetapi belum cukup untuk menjawab pertanyaan pasien: “Kalau hasil saya positif, seberapa besar kemungkinan saya benar-benar sakit?”

Untuk menjawab pertanyaan itu, kita perlu mempertimbangkan prevalensi, yaitu proporsi orang dalam populasi tertentu yang memiliki penyakit pada suatu waktu. Misalkan penyakit tersebut jarang, dengan prevalensi 1%. Dalam 1.000 orang, kira-kira 10 orang memiliki penyakit dan 990 tidak memiliki penyakit. Dengan sensitivitas 90%, sekitar 9 dari 10 orang sakit akan positif. Dengan spesifisitas 90%, sekitar 10% dari 990 orang yang tidak sakit juga akan positif palsu, yaitu 99 orang. Jadi total hasil positif adalah 9 positif sejati ditambah 99 positif palsu, yaitu 108. Dari 108 orang dengan hasil positif, hanya 9 yang benar-benar sakit:

\[ \frac{9}{108} \approx 0{,}083 = 8{,}3\% \]

Angka ini sering mengejutkan. Tes yang tampak “90% akurat” tidak otomatis berarti orang dengan hasil positif memiliki peluang 90% untuk sakit. Nilai hasil tes bergantung pada konteks klinis dan prevalensi. Hubungan antara sensitivitas, spesifisitas, prevalensi, dan nilai duga merupakan salah satu alasan mengapa penalaran probabilistik sangat penting dalam kedokteran; pembahasan klasik mengenai nilai prediktif tes diagnostik menekankan hal ini secara langsung (Altman & Bland, 1994). Gigerenzer dan kolega juga menunjukkan bahwa banyak kesalahpahaman statistik kesehatan dapat dikurangi bila informasi disajikan dalam bentuk frekuensi alami, seperti “9 dari 108”, bukan hanya persentase abstrak (Gigerenzer et al., 2007).

Dari dua contoh singkat ini terlihat bahwa matematika kedokteran tidak selalu dimulai dari rumus rumit. Sering kali ia dimulai dari kebiasaan sederhana: menanyakan satuan, basis pembanding, populasi rujukan, dan makna klinis dari sebuah angka.

Angka bukan pengganti penilaian klinis

Buku ini tidak mengajarkan bahwa kedokteran dapat direduksi menjadi perhitungan mekanis. Pasien bukan persamaan. Dua pasien dengan diagnosis yang sama dapat memiliki usia, fungsi ginjal, kondisi sosial, preferensi, risiko efek samping, dan tujuan terapi yang berbeda. Karena itu, matematika harus ditempatkan sebagai alat bantu penalaran, bukan pengganti kebijaksanaan klinis.

Gagasan ini sejalan dengan prinsip kedokteran berbasis bukti. Evidence-based medicine didefinisikan sebagai penggunaan bukti terbaik secara sadar, eksplisit, dan bijaksana dalam mengambil keputusan tentang perawatan pasien individual; pendekatan ini memadukan bukti penelitian, keahlian klinis, dan nilai serta keadaan pasien (Sackett et al., 1996). Matematika terutama membantu pada bagian “bukti” dan “penalaran”: menghitung risiko, menafsirkan interval kepercayaan, memahami manfaat absolut, menimbang efek samping, dan membaca literatur ilmiah. Namun keputusan akhir tetap memerlukan konteks manusia.

Misalnya, suatu obat menurunkan risiko kejadian buruk dari 4% menjadi 2% dalam satu tahun. Secara relatif, penurunan itu adalah 50%. Secara absolut, penurunannya adalah 2 poin persentase. Kedua pernyataan benar, tetapi memberi kesan berbeda. Bagi pasien berisiko tinggi, manfaat itu mungkin sangat berarti. Bagi pasien lain dengan risiko efek samping tertentu, pilihan dapat berbeda. Matematika membantu memperjelas pilihan; ia tidak menghapus kebutuhan untuk berdialog.

Dari pengukuran menuju pemahaman

Untuk memulai, kita perlu membedakan beberapa istilah dasar.

Besaran adalah sesuatu yang dapat dinyatakan secara kuantitatif. Berat badan, kadar glukosa darah, denyut jantung, volume urin, tekanan darah, dan konsentrasi obat adalah contoh besaran dalam kedokteran. Besaran biasanya memerlukan satuan, yaitu acuan pengukuran. Berat badan dapat dinyatakan dalam kilogram, kadar glukosa dalam mg/dL atau mmol/L, volume dalam mL atau L, dan waktu dalam detik, menit, jam, atau hari.

Data adalah catatan hasil pengamatan atau pengukuran. Jika seorang pasien memiliki tekanan darah 150/95 mmHg, angka itu adalah data. Jika tekanan darah dicatat setiap hari selama dua minggu, kumpulan catatan itu menjadi data longitudinal sederhana, yaitu data yang mengikuti perubahan dari waktu ke waktu.

Model adalah representasi sederhana dari kenyataan. Model dapat berupa persamaan, grafik, tabel, diagram, atau simulasi komputer. Model tidak pernah memuat seluruh kompleksitas tubuh manusia, tetapi model yang baik membantu kita memahami pola penting. Sebagai contoh, penurunan konsentrasi obat tertentu dalam darah sering dapat didekati dengan model peluruhan eksponensial pada rentang kondisi tertentu. Artinya, dalam setiap selang waktu yang sama, fraksi obat yang tersisa dapat berkurang dengan proporsi yang relatif tetap. Model ini tidak mengatakan bahwa tubuh “sesederhana” persamaan eksponensial; model hanya memberi kerangka awal untuk memahami eliminasi obat, waktu paruh, dan jadwal pemberian.

Ketidakpastian adalah keadaan ketika kita tidak mengetahui nilai sebenarnya dengan kepastian penuh. Dalam kedokteran, ketidakpastian hadir di mana-mana: alat ukur memiliki variasi, sampel penelitian terbatas, gejala tidak selalu khas, dan respons pasien terhadap terapi tidak selalu sama. Matematika tidak menghilangkan ketidakpastian, tetapi membantu menyatakannya secara lebih jujur. Daripada berkata, “Obat ini pasti berhasil,” kita belajar berkata, “Dalam populasi yang diteliti, obat ini menurunkan risiko rata-rata sekian, dengan rentang ketidakpastian sekian, dan penerapannya pada pasien ini perlu mempertimbangkan kondisi klinisnya.”

Empat kebiasaan yang akan dibangun buku ini

Pertama, buku ini akan membangun kebiasaan memeriksa makna angka. Angka 7,4 dapat berarti pH darah yang normal, kadar kalium yang berbahaya bila satuannya mmol/L, atau kadar HbA1c yang menunjukkan kendali glikemik tertentu bila dinyatakan sebagai persen. Angka tidak dapat dipahami tanpa label, satuan, populasi, dan konteks.

Kedua, buku ini akan membangun kebiasaan menelusuri hubungan. Dalam fisiologi, banyak konsep tidak berdiri sendiri. Tekanan, aliran, resistansi, volume, konsentrasi, dan waktu sering terhubung. Misalnya, bila suatu zat masuk ke tubuh lebih cepat daripada dikeluarkan, jumlah totalnya cenderung meningkat. Pernyataan ini sederhana, tetapi menjadi dasar bagi model akumulasi obat, keseimbangan cairan, dan paparan toksin.

Ketiga, buku ini akan membangun kebiasaan membaca perubahan. Banyak keadaan klinis lebih bermakna bila dilihat sebagai perubahan, bukan hanya nilai tunggal. Kreatinin serum 1,3 mg/dL dapat bermakna berbeda pada pasien muda berotot, pasien lanjut usia, atau pasien yang sebelumnya memiliki kreatinin 0,6 mg/dL. Konsep laju perubahan, turunan, grafik terhadap waktu, dan tren akan membantu Anda membaca dinamika semacam ini.

Keempat, buku ini akan membangun kebiasaan menilai ketidakpastian. Dalam riset klinis, satu penelitian jarang memberi jawaban mutlak. Kita perlu memahami variasi sampel, interval kepercayaan, uji hipotesis, bias, confounding, dan ukuran efek. Tanpa literasi statistik, pembaca dapat mudah terkesan oleh nilai-p kecil tetapi mengabaikan ukuran manfaat klinis, kualitas desain studi, atau relevansi populasi penelitian.

Peta perjalanan buku

Bagian awal buku dimulai dari keterampilan yang sangat dasar tetapi penting: cara berpikir kuantitatif, aritmetika medis, satuan, analisis dimensi, aljabar, fungsi, grafik, eksponen, logaritma, geometri, dan trigonometri. Materi ini menjadi fondasi untuk memahami perhitungan dosis, konsentrasi, pH, indeks massa tubuh, laju infus, luas, volume, serta bentuk kurva biologis.

Setelah itu, buku bergerak ke kalkulus dan persamaan diferensial sederhana. Kalkulus diferensial membahas laju perubahan, sedangkan kalkulus integral membahas akumulasi. Dalam bahasa kedokteran, keduanya muncul ketika kita memikirkan perubahan konsentrasi obat, luas di bawah kurva farmakokinetika, total aliran darah selama periode tertentu, pertumbuhan tumor, atau dinamika cairan tubuh.

Bagian berikutnya membahas vektor, matriks, probabilitas, tes diagnostik, dan statistika. Di sini Anda akan belajar bahwa ketidakpastian klinis dapat dianalisis secara terstruktur. Probabilitas membantu kita berpikir tentang kemungkinan; statistika membantu kita merangkum data dan menarik kesimpulan dari sampel; penalaran Bayesian membantu mengubah probabilitas pra-tes menjadi probabilitas pasca-tes ketika informasi baru muncul.

Bagian akhir buku menghubungkan matematika dengan epidemiologi, desain studi, farmakokinetika, farmakodinamika, model infeksi, pengambilan keputusan klinis, dan literasi artikel ilmiah. Di titik ini, matematika tidak lagi tampak sebagai kumpulan rumus terpisah. Ia menjadi alat untuk membaca dunia kedokteran secara lebih tajam.

Cara menggunakan pendahuluan ini sebagai titik awal

Jika Anda merasa “kurang kuat matematika”, jangan jadikan itu alasan untuk menjauh. Banyak konsep dalam buku ini akan dimulai dari contoh konkret. Yang penting bukan menghafal semua rumus sekaligus, melainkan memahami mengapa rumus itu berbentuk demikian dan kapan boleh digunakan.

Saat bertemu persamaan, tanyakan empat hal sederhana. Apa arti setiap simbol? Apa satuannya? Hubungan apa yang dinyatakan? Apa contoh klinisnya? Misalnya, jika nanti Anda melihat rumus:

\[ \text{laju} = \frac{\text{perubahan jumlah}}{\text{perubahan waktu}} \]

jangan buru-buru menganggapnya sebagai rumus abstrak. Pikirkan urin 120 mL selama 2 jam, sehingga lajunya 60 mL/jam. Pikirkan infus 500 mL selama 4 jam, sehingga lajunya 125 mL/jam. Pikirkan kadar obat yang turun dari 20 mg/L menjadi 10 mg/L dalam beberapa jam. Satu struktur matematika yang sama dapat menjelaskan banyak keadaan medis.

Sebaliknya, jika Anda merasa matematika mudah, tetaplah hati-hati. Tantangan dalam kedokteran bukan hanya menghitung cepat, tetapi menghitung dengan benar dalam konteks yang benar. Kesalahan paling berbahaya sering bukan pada operasi hitungnya, melainkan pada asumsi yang tidak diperiksa: populasi yang berbeda, satuan yang tertukar, pembagi yang salah, grafik yang menipu, atau kesimpulan statistik yang melebihi data.

Pada akhirnya, buku ini mengajak Anda membangun kebiasaan intelektual yang tenang: membaca angka tanpa takut, tetapi juga tanpa terlalu percaya diri; menggunakan model, tetapi tidak lupa bahwa model adalah penyederhanaan; menghargai bukti, tetapi tetap mendengarkan pasien; dan menjadikan matematika sebagai alat untuk berpikir lebih jernih dalam kedokteran.

References

Altman, D. G., & Bland, J. M. (1994). Diagnostic tests 2: Predictive values. BMJ, 309(6947), 102. https://doi.org/10.1136/bmj.309.6947.102

BIPM. (2019). The International System of Units (SI) (9th ed.). Bureau International des Poids et Mesures. https://www.bipm.org/en/publications/si-brochure

Gigerenzer, G., Gaissmaier, W., Kurz-Milcke, E., Schwartz, L. M., & Woloshin, S. (2007). Helping doctors and patients make sense of health statistics. Psychological Science in the Public Interest, 8(2), 53–96. https://doi.org/10.1111/j.1539-6053.2008.00033.x

Sackett, D. L., Rosenberg, W. M. C., Gray, J. A. M., Haynes, R. B., & Richardson, W. S. (1996). Evidence based medicine: What it is and what it isn’t. BMJ, 312(7023), 71–72. https://doi.org/10.1136/bmj.312.7023.71