Transcript Indikator & pengukuran dalam epidemiologi penyakit kronik&

Indikator & pengukuran dalam epidemiologi
penyakit kronik& degeneratif serta
faktor yang mempengaruhi akurasi
Prof.Dr.dr.Rizanda Machmud M.Kes
KONSEP SEHAT - SAKIT
• Batasan sehat itu sendiri sangat beragam, salah
satu konsep sehat menurut WHO, adalah: suatu
keadaan sehat yang komplit meliputi fisik, mental,
sosial dan bukan hanya ketiadaan dari penyakit
ataupun kelemahan
• Penilaian terhadap kesehatan individu didasarkan
pada pemeriksaan fisik, pemeriksaan
laboratorium, dan pemeriksaan-pemeriksaan
lainnya terhadap kesehatan orang yang
bersangkutan
• Penilaian terhadap kesehatan masyarakat
didasarkan pada kejadian-kejadian penting
yang menimpa penduduk atau masyarakat
• Indikator kesehatan masyarakat, seperti
angka kematian, angka kelahiran, angka
kesakitan
Pengertian, tujuan, & manfaat
• Kumpulan keterangan berbentuk angka yang
berhubungan dengan masalah kesehatan
• Semua catatatan berupa angka yang
dikumpulkan secara sistematis ttg kesehatan
dan hal-hal yang berhubungan dengan
kesehatan.
• Tujuannya, untuk memperoleh informasi
yang jelas & terperinci ttg keadaan
kesehatan suatu masyarakat.
4
Pengertian, tujuan, & manfaat (lanj)
• Manfaat :
• Mengukur derajat kesehatan masyarakat
• Memonitor kemajuan status kesehatan
• Mengadakan evaluasi program
• Mengadakan perbandingan keadaan kesehatan
• Memotivasi petugas & pengambil keputusan
• Menentukan prioritas masalah
5
Proporsi, Rate & Ratio
• Proporsi
• Perbandingan antara dua nilai dimana pembilang
merupakan bagian dari penyebut
• Rate
• Perbandingan antara dua nilai dimana pembilang
merupakan bagian dari penyebut, & unsur waktu juga
diperhatikan.
• Ratio
• Perbandingan dimana pembilang dan penyebut
merupakan kelompok yang berbeda
6
Tabel 1. Distribusi Frekuensi Penyakit
Menurut 10 Penyakit Terbanyak
di Puskesmas ABC tahun XXX
Jenis \penyakit
Jumlah
Persentase %
(Nilai absolut)
(Nilai Relatif)
ISPA
13.526
29.53
Dermatitis
10.523
22.98
Artritis
5.637
12.31
Diare
4.120
9
Gastritis
1200
2.62
Anemia
52
0.11
Katarak
45
0.09
Ginggivitis
36
0.07
Tumor
12
0.03
Dan lain-lain
10.560
23.05
Jumlah
45.801
100
CONTOH RATIO
• Perbandingan antara pria dan wanita dalam
data kependudukan dikelurahan jumlah
penduduk laki-laki adalah 11.543 orang dan
jumlah penduduk wanita adalah 11.474
orang
• 11.543/ 11.474 = 1.006
• Ratio jumlah penduduk antara pria dan
wanita adalah ini berarti penduduk laki-laki
lebih banyak 1.006 kali dibandingkan
penduduk wanita
STATISTIKA MORTALITAS
• Angka kematian kasar
• Specific death Rate
• Case Fatality Rate
• Proporsional Mortality Rate
ANGKA KEMATIAN KASAR
• Adalah jumlah seluruh kematian selama satu
tahun berjalan dibagi jumlah penduduk pertengah
• an tahun atau midyear population disuatu negara.
• Angka kematian kasar atau Crude death Rate
(CDR) sangat tergantung pada komposisi seks
dan umur penduduk. Bila komposisi penduduk
terdiri dari banyak orang lanjut usia, maka CDR
akan lebih tinggi, sebaliknya bila komposisi
penduduknya terdiri dari banyak usia muda, maka
CDR akan lebih kecil.
CONTOH CDR
• Total kematian penduduk Indonesia tahun XXX
sebanyak 17.308.680 orang dan jumlah penduduk
Indonesia pertengahan tahun XXX sebanyak
178.440.000 orang. Berapa CDR tahun XXX?
• Perhitungan;
• Angka Kematian kasar =
• (17.308.680/ 178.440.000) X1000 =9.7 per 1000
• Angka kematian kasar penduduk Indonesia tahun
XXX adalah 10 orang per 1000 penduduk
SPESIFIC DEATH RATE
• Merupakan angka kematian yang ditujukan
kepada penyebab kematian spesifik oleh penyakit
tertentu
• Biasanya dihubungkan dengan faktor-faktor yang
terdapat dimasyarakat seperti umur, seks,
pekerjaan, dan status sosial
Spesific
Death Rate =
Jumlah kematian karena sebab tertentu selama 1 thn
x 100.000
Jumlah penduduk pertengahan tahun yang sama
MANFAAT
• Sebagai base line data pada studi epidemiologik
• Untuk mengetahui faktor-faktor risiko yang dapat
menimbulkan kesakitan dan kematian oleh
penyakit tertentu di masyarakat
• Dipakai untuk estimasi terhadap etiologi penyakit.
• Dipakai sebagai bahan pertimbangan untuk
menyusun rencana pencegahan dan
pemberantasan penyakit tertentu.
• Dipergunakan juga untuk mengetahui tingginya
risiko kematian penduduk karena penyakit
tertentu
CONTOH
• Jumlah kematian karena TBC di suatu wilayah
pada tahun XXX adala sebanyak 3.000 orang.
Jumlah penduduk pertengahan tahun adalah
13.821.000. Berapakah rate kematian karena
TBC tersebut ?
• Perhitungan;
• Spesific death rate =
• (3.000/ 13.821.000) X 100.000 =
• 2 per 100.000 penduduk
CASE FATALITY RATE
• Merupakan persentase angka kematian oleh sebab
penyakit tertentu yang dipakai untuk menentukan derajat
keganasan/ kegawatan suatu penyakit tersebut.
• Perhitungan rasio ini dengan cepat dapat diketahui jenis
penyakit mana yang paling banyak menimbulkan
kematian, sehingga dapat segera disusun strategi
penanggulangan
Case Fatality Rate(CFR) =
Jumlah kematian akibat suatu penyakit
x 100
Jumlah seluruh kasus penyakit yang sama
CONTOH
• Jumlah kematian akibat kanker payudara di
rumah sakit A, dilaporkan sebanyak 56 orang dan
pasien yang dirawat dengan penyakit yang sama
sebanyak 112 orang. Berapa Case Fatality Rate
penyakit tersebut?
• Perhitungan;
• (56/ 112) X 100%
• CFR = 50%
Proportional Mortality Rate
• Merupakan proporsi angka kematian yang terjadi
pada pada golongan umur tertentu,
• Menjadi salah satu indikator penting untuk
melakukan estimasi penyebab kematian utama
disuatu negara
• Dipakai sebagai base line data untuk
perencanaan pelayanan kesehatan
Proportional
Mortality Rate =
Jumlah kematian oleh umur tertentu
yang dicatat selama 1 tahun
x 100
Jumlah seluruh kematian dalam tahun yang sama
STATISTIKA MORBIDITAS
• Di negara-negara maju dengan taraf kesehatan yang
tinggi, tingkat kematian telah dapat ditekan serendahrendahnya, terutama kematian yang disebabkan
penyakit infeksi.
• Pola penyakit dinegara tersebut telah bergeser dari
penyaikt infeksi ke penyakit non infeksi, seperti
penyakit jantung, hipertensi, diabetes melitus dan lain
sebagainya
• Di Indonesia saat ini telah terjadi suatu transisi
epidemi penyakit dimana penyakit yang timbul masih
didominasi oleh penyakit infeksi, akan tetapi terjadi
pula peningkatan penyakit non infeksi
RATE MORBIDITAS
• Rate morbiditas adalah jumlah penderita yang
dicatat selama 1 tahun per 1000 penduduk
pertengahan tahun yang sama
• Rate ini dapat digunakan untuk menggambarkan
keadaan kesehatan secara umum
Jumlah penderita yang dicatat selama 1 tahun
Rate Morbiditas =
Jumlah penduduk pertengahan tahun yang sama.
x 1000
RATE PREVALENSI
• Rate prevalensi suatu penyakit adalah jumlah
penyakit tertentu yang dicatat selama 1 tahun per
1000 penduduk yang berisiko terkena penyakit
yang sama.
• Rate ini merupakan frekuensi penyakit lama dan
baru yang berjangkit di masyarakat di suatu
wilayah pada waktu tertentu
Rumus;
Rate
Prevalensi
Jumlah penyakit tertentu yang dicatat selama 1 tahun
=
x 1000
Jumlah penduduk pertengahan tahun yang sama.
MANFAAT
• Rate prevalensi sangat bermanfaat untuk
mempelajari penyakit kronik yang terjadi dalam
masyarakat dan digunakan untuk mengetahui
tingkat keberhasilan program pemberantasan
penyakit.
• Rate ini dapat juga digunakan untuk menyusun
rencana tentang pelayanan kesehatan yang
dibutuhkan, obat-obatan dan lain-lain
JENIS RATE PREVALENSI
• Bila rate prevalensi ditentukan pada suatu
saat misalnya pada bulan juli tahun X, maka
disebut point prevalence rate;
• Apabila ditentukan selama suatu periode
tertentu misalnya dari 1 Januari sampai
dengan 31 Desember tahun X, maka
disebut sebagai periode prevalence rate.
RATE INSIDENSI
• Rate insidensi adalah jumlah kasus baru atau penderita
baru penyakit tertentu yang dicatat selama 1 tahun per
1000 penduduk yang mempunyai resiko untuk terkena
penyakit tersebut
Rate
=
Insidensi
Jumlah kasus baru atau penderita baru penyakit tertentu
yang dicatat selama 1 tahun
x 1000
Jumlah penduduk yang mempunyai resiko untuk terkena
penyakit tersebut.
MANFAAT
• Mengetahui tingkat keberhasilan program
imunisasi yang dijalankan terhadap penyakitpenyakit yang dapat dicegah dengan imunisasi.
• Mengetahui adanya letusan penyakit.
• Membandingkan tingkat perkembangan penyakit
pada berbagai kelompok masyarakat.
• Mengetahui secara langsung risiko untuk terkena
penyakit tertentu.
Gambar kejadian Incidens dan
Prevalence Rate penyakit TBC
di daerah XYZ
Kasus TBC
1.
B
2.
B
3.
B
4.
S
S
S
B
5.
6.
R
S
B
R
M
S
1 Januari th XY
keterangan : B = Kasus baru
R = Relaps
31 Desember thXY
S = Sembuh
M= mati
jumlah penduduk = 300
• Berapakah point prevalence rate pada tanggal 1 Januari
tahun XY?
Jumlah orang yang menderita penyakit TBC 4 orang
tgl 1 Jan th XY
X 1000 = 13
Jumlah penduduk 300 orang
Berapa incident rate penyakit
tersebut?
Jumlah kasus baru 5 kasus
Jumlah penduduk yang berisiko 294
X 1000 = 17
Berapakah periode prevalence
rate dari tanggal 1 January – 31
Desember th XY ?
Jumlah kasus penderita TBC 1 Jan-31Des th XY 6 kasus
X 1000 = 20
Jumlah penduduk 300 orang
FAKTOR- FAKTOR YANG
MEMPENGARUHI AKURASI
BIAS
TOPIK BAHASAN
•
•
•
•
•
ERROR
BIAS
PENGUKURAN
BERBAGAI KESALAHAN DALAM PENELITIAN
PENGENDALIAN KESALAHAN
ERROR
MEASUREMENT ERROR
RANDOM ERROR
SYSTEMATIC ERROR
BIAS
JENIS-JENIS BIAS
• SELECTION BIAS
• BIAS INFORMASI
• CONFOUNDING
SELECTION BIAS
•
•
a)
b)
c)
d)
Penyimpangan perkiraan pengaruh yang
diakibatkan oleh cara pemilihanpengaruh
Terdiri dari
Prevalence incidens bias
Berkson bias
Non-respon bias
Wrong sample size bias
Prevalence incidens bias
• Terjadi dalam kasus case control
• Selective survival pada prevalent cases
• Kasus-kasus ringan sudah membaik kasus berat
mengakibatkan kematian
• Dalam memilih kasus, kita terlambat melihat
penyakitnya
• Kasus-kasus berat yang sudah menimbulkan
kematian tidak akan muncul daiantara outcome
Lanj.
• Tingginya CFR pada tahap dini dari penyakit
jantung koroner akan mengurangi – invalidate
studi terhadap faktor-faktor etiologik yang
mungkin ada karena orang-orang yang tersedia
adalah orang yang masih hidup (kasus-kasus
parah tidak terdapat)
• Pada studi kohort serum kolesterol memiliki OR
2.4 sedangkan pada studi case kontrol memiliki
OR 1.16
BERKSON BIAS
• Selektif dalam penerimaan pasien dirumah sakit
• Penyebabnya tergantung gejala, akses, rumah sakit
rujukan utk penyakit tertentu, populer atau tdak RS tsb
Contoh;
• Individu yang memiliki 2 gejala cenderung dirawat inap di
RS dibanding yang memiliki 1 gejala
Contoh
• Pada penyakit muskuloskletal dengan penyakit
pernafasan
• Pada populasi umum OR 1.06; tidak ada hubungan antara
penyakit muskuloskletal dengan pernafasan
• Pada orang yang di rawat di RS OR 4.06 ada hubungan
antara penyakit muskuloskletal dengan pernafasan
NON-RESPONSE BIAS
• Adanya penolakan untuk berperan serta dalam suatu
penelitian
• Orang yang tidak memberikan tanggapan pada sampel
cenderung berbeda dari orang yang tersedia
• Kebiasaan merokok, ternyata yang memberikan
tanggapan lebih baik hanya dari rokok kretek dibanding
rokok cerutu
WRONG SAMPLE SIZE
• Sampel yang terlampau kecil  ketidak mampuan untuk
mendeteksi perbedaan-perbedaan klinik secara penting
• Sampel yang terlampau besar  ukuran-ukuran statistik
bermakna atas perbedaan-perbedaan secara klinik tidak
penting
INFORMATION BIAS
•
Kekeliruan ketidak pastian atau informasi didalam
pengukuran paparan atau outcome
•
Distorsi didalam memperkirakan pengaruh yang
diakibatkan measurement error atau misclasification
atas subjek-subjek pada satu atau lebih variabel
TERDIRI ATAS
a) Diagnostic bias
b) Recall bias
DIAGNOSTIC BIAS
• Terjadi karena penampilan tatacara diagnostik
kasus tidak proporsional dengan tatacara
diagnostik pada kontrol
• Pengetahuan mengenai subjek sebelum
keterpaparannya dengan suatu hal yang diduga
sebagai penyebab penyakit dapat berpengaruh
dalam proses diagnostik outcome
Contoh
• Penyakit yang manifestasi klinik yang langka dan
memerlukan uji labor utk prosedur diagnostik, akan missed
dalam kelompok kontrol
• Ca cervix pada individu yang terpapar dan tidak terpapar
terapi estrogen, prosedur yang sama harus dilakukan untuk
kedua kelompok
• Pencegahannya, blinding terhadap kasus dan kontrol
Recall bias
• Kesalahan pengelompokan bila informasi mengenai
variabel paparan tidak diketahui atau tidak akurat.
Contoh;
• Ibu-ibu yang kehamilan terakhirnya berakhir dengan
kecacatan atau kematian janin (kasus) dan ibu-ibu yang
sepadan yang kehamilannya berahir normal (kontrol)
ibu2 kasus melaporkan lebih banyak keterpaparan
dengan obat2an.
CONFOUNDING
• Bias yang terjadi bila data pengaruh faktor yang diteliti
tercampur dengan data pengaruh variabel luar
(extraneous)
• Hubungan rsebab akibat yang menghubungkan faktor
yang diteliti dengan variabel lain yang merancukan
dengan penyakit didalam populasi.
• Variabel umum sebagai perancu; umur, jenis kelamin,
status sosial ekonomi, tingkat keparahan penyakit
confounding
• Bias confounding dapat dikontrol dalam analisis, bias
seleksi tidak dapat dikontrol
Contoh;
• Hubungan konsumsi alkohol dengan infark miokard.
• Merokok sebagai sebagai salah satu penyebab penyakit
infark miokard
• Alkohol dan merokok saling berhubungan
Upaya penanggulangan bias
•
•
•
•
Restriksi - Kriteria inklusi dan eksklusi
Matcing
Stratifikasi
Control melalui analisis
SYARAT-SYARAT
PENGUKURAN(1)
• ISOMORFISME(1)
• Ukuran harus “sedekat” mungkin dengan benda/ kejadian yang
diukurnya (identik dengan yang diukur)
• Kesulitannya: Yg diukur adalah (umumnya) sebagian
karakteristik/properti dari obyek yang diukur
• Seringkali bahkan hanya indikan-nya saja
• Indikan= sesuatu yang dapat “menunjukkan” keadaan sesuatu yang lainnya.
• Mengukur kondisi fisik lebih “sederhana” dp. kondisi psikologis (BB vs.
Komitmen bekerja)
SYARAT-SYARAT
PENGUKURAN(3)
• EXHAUSTIVE
• Pengukuran harus meliputi “seluruh” kemungkinan ukuran sesuai
dengan tujuan studi
• Misal:
• Jenis kelamin: Lk/Pr
• Pendidikan: Buta-huruf s/d PT3
• MUTUALLY EXCLUSIVE
• Pengukuran tidak tumpang tindih
• Misal:
• Kategorisasi umur: 0-1| >1-5| >5-10| dst
Realiable & Valid
TEORI RELIABILITAS(1)
• Setiap alat ukur mengandung komponen:
• Nilai Sebenarnya (True value=Xt), dan
• Nilai Kesalahan (Error=Xe)
• Xu = Xt + Xe
• Pengukuran berulang menghasilkan varians:
• Vu=Vt + Ve
TEORI RELIABILITAS(2)
• Reliabilitas (=r) adalah proporsi Varians Sebenarnya thd
Varians Pengukuran:
• r = Vt / Vu; Nilai Vt biasanya tidak diketahui
• Sedangkan Vu = Vt + Ve atau Vt = Vu-Ve
•  r = (Vu-Ve) / Vu atau r = 1 - (Ve/Vu)
• Bila Ve = 0; maka r = 1
VALIDITAS PENGUKURAN
• Menjawab pertanyaan:
• Apakah alat ukur yg dipakai memang mengukur sesuatu yg ingin diukur:
• Timbangan badan u/ mengukur BB
• Pita ukur u/ mengukur TB
• Jenis Validitas Pengukuran (American Psychological
Association):
• V-Construct (V-konstruk)
• V-Content (V-Isi)
• V-Criterion (V-kriterium)
VALIDITAS ISI
• Adalah adekuasi sampling isi alat ukur
(representativeness)
• Menjawab pertanyaan:
• Apakah isi alat ukur telah mewakili populasi properti dari sesuatu
yang ingin diukur
• Misal:
• isi ujian Metlit harus mewakili TIU/TIK mata ajaran Metlit
• kuesioner ttg kepuasan pasien mewakili seluruh aspek/dimensi kepuasan
pasien
VALIDITAS KRITERIUM
• Adalah kemampuan alat ukur memprediksi kriteria lain yang
berhubungan
• Apakah alat ukur yang dipakai dapat memprediksi “sesuatu”
dengan baik?
• Ujian Metlit yg baik memprediksi keberhasilan tesis
• Pasien yg puas akan kembali untuk berobat (re-visit)
• Penyulit:
• Menemukan kriteria yang benar
VALIDITAS KONSTRUK
• Adalah kemampuan alat ukur dalam menerjemahkan aspek
teoritis
• Faktor apakah yang berperan dalam menjelaskan hasil ukur?
• Faktor apa yg berkaitan dengan keberhasilan/kegagalan ujian metlit
• dpl. faktor berkaitan dengan variasi hasil
• mengapa data menunjukkan sukses Metlit berkaitan dengan konstruk
kreativitas/imajinasi?
•  proses validasi konstruk berkaitan erat dengan proses penelahaan
ilmiah empiris (empirical scientific enquiry)
External validiti
External validity
BERBAGAI KEMUNGKINAN
KESALAHAN
No
T a ha p a n S t u di
Ke m u ng k ina n Ke sa la ha n
1
P e n ge mb a n ga n ko nse p d a n
hip o te sis
V- K o nstr u k/K rite ria (P e ng u k ura n)
2
P e miliha n D e sa in
V- Inte r na l P e ne litia n
2
P e n ge mb a n ga n i nstr u me n
V- Isi/R e lia bilita s (P e n g u k ura n)
3
S a mp lin g
V-E ks te rna l P e ne litia n
4
P e n g u m p ula n d a ta
B ia s b e rsumb e r re sp o nd e n &
p e w a w a nc a ra (R elia bilita s)
5
M a na je me n d a ta

K ue sio ne r tid a k te rb a c a

S a la h "e ntr y"
6
A na lisa d a ta
P e n g g u na a n je nis sta tisti k
7
Inte rp re ta si ha sil & P ro se s
Ind u ktif
V- K o nstr u k
PENANGGULANGAN BIAS
Summary of how research works
RESEARCH
QUESTION
STUDY
PLAN
design
Target
population
Women aged
50-69
Phenomena
of interest
The proportion
who take estrogen
TRUTH IN THE
UNIVERSE
Errors
Intended
sample
All women aged 5069 seen in clinic(s)
in one year
implement
ACTUAL
STUDY
Actual Subjects
Errors
Errors
Actual
Measurements
Intended variables
Self reported
estrogen treatment
infer
TRUTH IN THE
STUDY
FINDINGS IN THE
STUDY
OPTIMASI VALIDITAS SUDI
• MAKSIMASI VARIANS
• KONTROL VARIABEL LUAR
• MINIMISASI KESALAHAN
MAKSIMASI VARIANS
• PRINSIP SEBANYAK MUNGKIN (melalui
proses deduksi yg komprehensif)
– Pelajari semua variabel yang mungkin
berhubungan dengan var dep.
– Pelajari antar-hubungan variabel2 yg ada
• REDUKSI MODEL SESUAI KEBUTUHAN
– Mereduksi variabel yg kecil pengaruhnya
– Mampu laksana
KONTROL VARIABEL LUAR (BEBAS)
KRITERIA INKLUSI
• Homogenisasi
– Variabel luar dijadikan ‘konstan’
• Matching
– Kelompok Intervensi dan Kontrol memiliki
kesamaan dalam hal variabel luar
KONTROL VARIABEL LUAR (BEBAS)
STATISTIK MULTIVARIAT
• Melihat pengaruh/hubungan antara var
dependen dengan var independen
(utama) dengan
mengendalikan/mengontrol var
independen lainnya
– Pengaruh motivasi thd kinerja dengan
mengendalikan faktor pendidkan, persepsi
peran, masa kerja, pembinaan, dst
12
V A RIA BEL N O N -EK S PERIM EN T A L
(C O N FO U N D IN G )
•
V A RIA B EL S U B Y EK
M is . : G e n e t ik , U m u r , S e x , Pe n d id ik a n , d ll
Pe n g e n d a lia n :
Ra n d o m isa si
M a t c h in g
Ra n c a n g a n -U la n g
Ra n c a n g a n a n a lisa st a t ist ik
•
V A RIA B EL L IN G K U N G A N
K e a d a a n s e k it a r y a n g p e n g a r u h i s t u d i
Pe n g e n d a lia n :
Lin g k u n g a n d ib u a t k o n st a n
Ra n d o m isa si
Ra n c a n g a n a n a lisa st a t ist ik
OPTIMASI VALIDITAS STUDI
MINIMASI KESALAHAN PENGUKURAN
PENGENDALIAN KESALAHAN SISTEMATIK
•
•
•
•
•
Pembakuan alat ukur
peneraan alat ukur
pelatihan
pengukuran ganda
pengendalian “lingkungan” saat mengukur
RELIABILITAS & vALIDITAS PENGUKURAN
•
•
Konsisten - Tepat - Teliti
Construct - Content - Criterion related
13
KES A LA H A N D A LA M PEN ELIT IA N
(ERRO R)
•
K ES A LA H A N PEN G U K U RA N
In s t ru m en t id ak v alid / reliab el
Pengendalian:
U ji-coba inst rum en
C ount er-balance
•
K ES A LA H A N PEN ELIT I
S u b y ek t iv it as
Pengendalian:
Blind ex perim ent
Pengukuran ganda (pengukur/ f rek)
Terimakasih