Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

1. 2 Introduksi Disain penelitian Epidemiologi 3 Untuk mempelajari distribusi dan frekwensi penyakit di populasi dipakai disain studi epidemiologi deskriptif.

Presentasi serupa


Presentasi berjudul: "1. 2 Introduksi Disain penelitian Epidemiologi 3 Untuk mempelajari distribusi dan frekwensi penyakit di populasi dipakai disain studi epidemiologi deskriptif."— Transcript presentasi:

1 1

2 2 Introduksi Disain penelitian Epidemiologi

3 3 Untuk mempelajari distribusi dan frekwensi penyakit di populasi dipakai disain studi epidemiologi deskriptif Untuk mempelajari diterminan suatu penyakit di populasi dipakai disain studi epidemiologi analitik

4 4 Penelitian epidemiologi berdasarkan unit pengamatan/unit analisisnya dapat dibagi menjadi : studi dengan unit pengamatan/analisis individu studi epidemiologi dengan unit pengamatan/analisis agregat Termasuk disain studi epidemiologi dengan unit pengamatan /analisis individu adalah : disain studi laporan kasus disain studi serial kasus disain studi potong lintang disain studi kasus - kontrol disain studi kohort disain studi intervensi

5 5 Penelitian epidemiologi berdasarkan bagaimana tindakan peneliti terhadap subjek yang diteliti dapat dibagi menjadi : disain studi observasional disain studi intervensi Termasuk disain studi epidemiologi yang bersifat studi observasional adalah : semua disain studi epidemiologi kecuali studi intervensi, yakni; semua disain studi epidemiologi deskriptif semua disain studi epidemiologi analitik kecuali studi intervensi Termasuk disain studi epidemiologi dengan unit pengamatan /analisis agregat adalah : disain studi korelasi

6 6 Pada disain studi epidemiologi yang bersifat studi observasional, peneliti hanya mengobservasi subjek-subjek yang diteliti tanpa melakukan intervensi Pada disain studi epidemiologi yang bersifat intervensi, peneliti melakukan intervensi pada subjek-subjek yang diteliti

7 7 merupakan studi epidemiologi yang bersifat observasional unit pengamatan/analisisnya individual merupakan laporan kasus-kasus penyakit dengan diagnosis yang diduga sama biasanya merupakan penyakit-penyakit baru, masalah kesehatan baru, fenomena baru yang belum jelas menggambarkan riwayat penyakit, pengalaman klinis dari masing-masing kasus laporan kasus-kasus kemudian dapat dianalisis secara sederhana yakni dengan melihat distribusi/ frekwensi penyakit berdasarkan : gejala-gejala klinis “ Orang, Tempat, Waktu”

8 8 tujuan : diperoleh informasi tentang distribusi frekwensi penyakit /masalah kesehatan yang diteliti diperoleh informasi tentang kelompok yang berisiko tinggi terhadap penyakit dapat dipakai untuk membangun/memformulasikan hipotesis baru kelemahan : gambaran distribusi, frekwensi penyakit yang diperoleh tidak dapat mewakili populasi hanya berdasarkan kasus-kasus yang dilaporkan saja kelebihan : sebagai langkah awal untuk mempelajari suatu penyakit sebagai jembatan antara penelitian klinis dan penelitian epidemilogi dapat digunakan untuk sebagai dasar penelitian lebih lanjut : dengan melihat kelompok yang berisiko tinggi dengan membuktikan hipotesis yang dibangun

9 9 contoh dari suatu studi laporan kasus suatu penyakit yang belum jelas sebut penyakit X, 10 orang dengan gejala-gejala yang mirip satu sama lain : berdasarkan gejala dan pemeriksaan laboratoris Berat badan : 9 orang dengan gejala mengurus, 1 berat badan tidak turun Diare : 6 diare, 4 tidak ada diare Demam : 8 demam dengan pnemonia, 4 tidak demam Bercak pada kulit : 7 orang mempunyai, 3 tidak ada bercak Pemeriksaan laboratoris : semua pasien angka limfosit menurun drastis berdasarkan gambaran demografinya sex : 9 pria, 1 wanita umur : 8 dewasa muda, 2 tua pekerjaan : 6 pemusik, 4 pegawai

10 10 kebiasaan mengkonsumsi “drugs” : menggunakan jarum suntik 8 orang, cara lain 2 orang bukan pengguna perilaku berhubungan intim : sesama jenis 8 orang, lawan jenis 2 orang dari data diatas dapat dilihat bahwa : dari gejala dan pemeriksaan laboratoris penyakit X tersebut adalah : 90 % berat-badan menurun 60 % diare 80 % demam dengan pneumonia 70 % bercak pada kulit 100 % limfosit menurun drastis

11 11 dari gambaran demografisnya 90% pria 80% dewasa muda 60% pemusik dari kebiasaan mengkonsumsi narkoba 80% pecandu narkoba dari perilaku seksual : 80 % homoseksual diperoleh gambaran distribusi, frekwensi penyakit berdasarkan : gejala dan tanda serta pemeriksaan laboratoris gambaran demografi kebiasaan mengkonsumsi narkoba perilaku seksual

12 12 dari analisis sederhana diatas didapat informasi kelompok orang yang berisiko antara lain : pria dewasa muda pemusik pecandu narkoba homoseksual dari informasi tadi dapat dibangun suatu hipotesis pria lebih berisiko untuk mendapat penyakit X dari pada wanita usia dewasa muda lebih berisiko untuk mendapat penyakit X dari pada yang usia tua pemusik lebih berisiko untuk mendapat penyakit X dari pada non pemusik pecandu narkoba lebih berisiko untuk mendapat penyakit X dari pada bukan pecandu homoseksual lebih berisiko untuk mendapat penyakit X dari pada bukan heteroseksual

13 13 Untuk mendapatkan informasi yang dapat menggambarkan distribusi, frekwensi penyakit yang mewakili populasi diperlukan penelitian epidemiologi deskriptif lain, dimana sampel penelitian mewakili populasi yang diteliti  disain studi epidemiologi yang sesuai dipakai untuk itu adalah disain studi potong lintang. Untuk membuktikan hipotesis yang dibangun, dapat dilakukan penelitian epidemiologi analitik lebih lanjut antara lain dapat dengan : studi kohort studi kasus kontrol studi intervensi

14 14 Studi Epidemiologi Serial Kasus merupakan studi epidemiologi yang bersifat observasional unit pengamatan/unit analisis adalah individu merupakan kumpulan kasus-kasus individual suatu penyakit dengan diagnosis yang sama sama dengan studi laporan kasus tapi dengan kasus yang lebih banyak surveilens yang rutin dilakukan untuk suatu penyakit yang belum jelas diagnosisnya ataupun sudah jelas diagnosisnya : merupakan kumpulan laporan kasus-kasus, atau serial kasus dapat digunakan untuk menditeksi munculnya penyakit baru dapat digunakan juga untuk menditeksi adanya epidemi

15 15 kumpulan laporan kasus kemudian dianalisis secara sederhana yakni dengan melihat distribusi/ frekwensi penyakit berdasarkan “ Orang, Tempat, Waktu” tujuan : diperoleh informasi tentang distribusi frekwensi penyakit /masalah kesehatan yang diteliti diperoleh informasi tentang kelompok yang berisiko tinggi terhadap penyakit dapat dipakai untuk membangun/memformulasikan hipotesis baru

16 16 kelemahan : gambaran distribusi, frekwensi penyakit yang diperoleh tidak dapat mewakili populasi hanya berdasarkan kasus-kasus yang dilaporkan saja kelebihan : sebagai langkah awal untuk mempelajari gambaran epidemiologi suatu penyakit sebagai jembatan antara penelitian klinis dan penelitian epidemilogi dapat digunakan sebagai dasar untuk penelitian epidemiologi lebih lanjut : dengan melihat kelompok yang diduga berisiko tinggi dengan membuktikan hipotesis yang dibangun

17 17 Latihan : Kota X mempunyai 8 RS. Seorang dokter disalah satu RS melakukan penelitian terhadap kasus kasus diabetes mellitus (DM), selama 1 tahun penelitiannya terkumpul data sebagai berikut :

18 18 Tugas : deskripsikan distribusikan/frekwensi penyakit DM berdasarkan : jenis kelamin umur ada tidaknya komplikasi kadar gula darah status pada saat pulang dari RS dapatkah gambaran distribusi/frekwensi diatas menggambarkan kondisi di populasi ? apa alasannya ? Dari data diatas dapatkah saudara menentukan kelompok yang diduga berisiko tinggi untuk penyakit DM ? bagaimana caranya dari data diatas dapatkah saudara memformulasikan hipotesis baru adakah hubungan antara komplikasi dengan kematian pada penderita DM jika ada hubungan antara kejadian komplikasi dengan kematian pada penderita DM dapatkah hasil tersebut digeneralisasikan di populasi dapatkah saudara memformulasikan hipotesis baru dari analisis hubungan tersebut

19 19 Studi Korelasi nama lain studi ekologi merupakan studi epidemiologi yang bersifat studi observasional unit pengamatan/analisisnya adalah agregat, berikut beberapa contoh ukuran agregat : ukuran agregat yang mengukur nilai rata-rata, median, atau proporsi dari kumpulan nilai-nilai individu di suatu kelompok misal : nilai rate suatu penyakit ; insidens, prevalens nilai rata-rata asupan lemak pada suatu kelompok individu /masyarakat nilai cakupan program nilai median dari penghasilan sekelompok individu

20 20 ukuran agregat “environment”, merupakan ukuran yang mewakili karakteristik fisik dari suatu lingkungan hidup misalnya : nilai cakupan rumah sehat pada suatu area nilai intensitas polusi pada suatu area nilai kepadatan jentik pada suatu area populasi studi terdiri dari kumpulan unit pengamatan dari mana ukuran agregat diukur sebagai contoh : unit pengamatan untuk angka kepadatan jentik, dan insidens DHF diukur berdasarkan area kerja puskesmas, maka populasi studi terdiri dari kumpulan puskesmas - puskesmas

21 21 analisis yang dilakukan dapat bersifat: deskriptif : melihat distribusi frekwensi dari variabel yang diteliti (dalam unit agregat) analitik : melihat korelasi/hubungan antara variabel-variabel diteliti jika variabel “exposure” dan variabel “outcome” diukur sebagai data kontinyu hubungannya secara statistik diuji dengan uji korelasi kekuatan/keeratan hubungan dilihat dengan melihat nilai koefisien korelasi (“r”) jika variabel “exposure” dan variabel “outcome” diukur sebagai data kategorikal hubungannya secara statistik dapat diuji dengan uji  kuadrat, atau regressi logistik kekuatan hubungan dilihat dengan menghitung RR atau OR

22 22 contoh : suatu studi ekologi ingin melihat korelasi antara cakupan imunisasi campak dengan insidens campak unit pengamatan puskesmas populasi studi; 10 puskesmas cakupan imunisasi campak dianggap sebagai (exposure / independent variable) insidens campak dianggap sebagai (outcome /dependent variable) contoh 1: jika variabel bebas dan variabel terikat diukur dengan skala kontinyu y = insidens campak x = cakupan imunisasi campak hubungan secara statitik diuji dengan uji korelasi kekuatan hubungan dilihat dari koefisien korelasi

23 23 data : ID PKM X (%) Y(%) X 2 Y 2 XY x N =10  X  Y  X 2  Y 2  XY n  xy - (  x )(  xy) r =  n  x 2 - (  x ) 2  n  y 2 - (  y ) 2

24 24  y - b  x a = n persamaan garis linier : y = a + bx n  xy - (  x )(  y) b = n  x 2 - (  x ) 2 b 2 [  x 2 - (  x ) 2 /n] r 2 = r =  r 2  y 2 - (  y) 2 /n

25 25 a = intercept merupakan titik dimana garis memotong sumbu y jika nilai a negatif, garis memotong sumbu y dibawah sumbu x jika nilai a positif, garis memotong sumbu y diatas sumbu x b = slope; angka dimana nilai y berubah untuk setiap unit perubahan pada x Jika nilai b negatif menunjukkan arah garis dari bagian atas sudut kiri kebagian bawah sudut kanan Jika nilai b positif menunjukkan arah garis dari bagian bawah sudut kiri ke bagian atas sudut kanan Dalam persamaan regressi disebut dengan koefisien regressi, memprediksi perubahan y untuk setiap unit perubahan pada x

26 26 r = koefisien korelasi menggambarkan kekuatan hubungan variabel x dan y nilai r berkisar dari 0 sampai 1 makin mendekati 1 ada hubungan linier yang kuat antara x dan y makin mendekati 0 hampir tidak ada hubungan antara x dan y nilai r dapat positif ataupun negatif nilai r yang negatif menunjukkan adanya hubungan yang negatif antara x dan y jika x meningkat y menurun jika x menurun y meningkat nilai r yang positif menunjukkan adanya hubungan yang positif antara x dan y jika x meningkat y meningkat jika x menurun y juga menurun

27 27 sebagai contoh nilai r = ada hubungan linier yang kuat antara variabel x dan y jika x meningkat y menurun atau sebaliknya x y r = positif dan mendekati 1 x y r = negatif dan mendekati 1

28 28 r = positif dan mendekati nol

29 29 Uji statistik : untuk melihat apakah nilai “r” yang didapat merupakan ukuran yang cukup bermakna secara statistik untuk mengindikasikan bahwa di populasi kedua variabel x dan y berkorelasi hipotesis : H 0 : r = 0 H A : r  0 r = koefisien korelasi di populasi uji statistik jika r = 0 n - 2 t = r dengan derajat kebebasan = n r 2

30 30 jika dipakai  = 0.05, dan hasil kalkulasi uji statistik mempunyai nilai p < 0.05 maka H 0 ditolak, artinya koefisien korelasi di populasi tidak sama dengan 0, artinya hasil kalkulasi r berdasarkan sampel tadi cukup bermakna secara statistik atau dengan kata lain korelasi antara variabel x dan y bermakna secara statistik

31 31 contoh 2 : jika variabel terikat dan variabel bebas diukur dengan skala kategorikal data : X = cakupan imunisasi campak y = insidens campak PKM = puskesmas

32 32 Insiden tinggiInsiden rendah Cakupan rendah Cakupan tinggi Tabel distribusi cakupan imunisasi campak dan insidens campak Dari data diatas 4 1

33 33 Dari 35 puskesmas yang mempunyai cakupan imunisasi rendah, 25 puskesmas mempunyai insiden campak yang tinggi : proporsi dari insidens campak tinggi pada pkm cakupan rendah = 25/35 odds dari insidens campak tinggi| cakupan rendah = 25/10 Dari 50 puskesmas yang mempunyai cakupan imunisasi tinggi, 15 puskesmas mempunyai insiden campak yang tinggi proporsi dari insidens campak tinggi pada pkm cakupan tinggi = 15/50 odds dari insidens campak tinggi| cakupan tinggi = 15/35 Insidens25/35 odds 25/10 RR= = = 1.56 OR= = = 5.81 Insidens15/50 odds 15/35 Contoh :

34 34 Uji statistik : uji homogenitas proprorsi binomial uji independensi kedua uji statistik diatas sama prosedurnya k ( O - E ) 2  2 =  i = 1 E  2 : Khi kuadrat O : Observed value / nilai yang diamati E : Expected value / nilai yang diharapkan H 0 : angka cakupan imunisasi dengan insidens campak, independen (tak berhubungan) H a : angka cakupan imunisasi dengan insidens campak, tak independen (berhubungan)  : 0.05 dengan derajat kebebasan = (c-1)((r-1) c= kolom r=baris jika  2 memberikan nilai P lebih besar dari  maka H 0 ditolak

35 35 tabel kontingensi “ Observed” insidens DHF tinggi rendah total rendah a b (a+b) angka kpdt jentik tinggi c d (c+d) total (a+c) (b+d) (a+b+c+d) (a+b) (a+c) (a+b) ( b+d) a” = b” = (a+b+c+d) (a+b+c+d) (c+d) (a+c) (c+d) (b+d) c” = d”= (a+b+c+d) (a+b+c+d) jika ada nilai sel “E” kurang dari 5, uji yang dipakai Fisher Exact Test

36 36 (a+b) (a+c) (a+b) ( b+d) a” = b” = (a+b+c+d) (a+b+c+d) (c+d) (a+c) (c+d) (b+d) c” = d”= (a+b+c+d) (a+b+c+d) jika ada nilai sel “E” kurang dari 5, uji yang dipakai Fisher Exact Test D +D - E +“a”“b” E -“c”“d”

37 37 Contoh menghitung nilai “expected” Insidens penyakit tinggi rendah total rendah 25(a) 10(b) 35 (a+b) cakupan imunisasi tinggi 15(c) 35(d) 50 (c+d) total 40(a+c) 45(b+d) 85 (a+b+c+d) total row x total colum nilai “expected” = grand total total row x total colum 35 x 40 nilai “expected” a = = = grand total 85 total row x total colum 35 x 45 nilai “expected” b = = = grand total 85

38 38 total row x total colum 50 x 40 nilai “expected” c = = = grand total 85 total row x total colum 50 x 45 nilai “expected” d = = = grand total 85

39 39 k ( O - E ) 2  2 =  i = 1 E ( ) 2 ( ) 2 ( ) 2 ( ) 2  2 = = Didapat nilai  2  yang mana dibawa H 0 akan mengikuti distribusi khi kuadrat untuk tingkat  = 0.05 kita akan menolak H 0 jika nilai nilai  2 > nilai  2 d.f..1-  kita akan menerima H 0 jika nilai nilai  2 < nilai  2 d.f..1- 

40 40 nilai  2 d.f..1-  = 3.84 { d.f = derajat kebebasan = (r-1)(c-1) = (2-1)(2-1) =1 dan 1-  = = 0.95) kita menolak H 0 karena nilai nilai  2 = > 3.84 dimana nilai p < 0.05 artinya ada hubungan secara statistik antara variabel cakupan imunisasi campak dengan insiden campak kelebihan dari studi korelasi : jika data telah tersedia relatif murah dapat untuk melihat distribusi frekwensi kejadian penyakit /masalah kesehatan dalam satuan agregat di populasi dapat melihat hubungan antara variabel yang diteliti dalam satuan agregat dapat untuk membangun /memformulasikan hipotesis baru

41 41 kelemahan studi korelasi : tidak dapat melihat hubungan ditingkat individu. ada ecologic fallacy, yakni bias dalam menginterpretasikan, hubungan tingkat agregat disamakan dengan hubungan tingkat individu, misal ada hubungan antara angka cakupan imunisasi campak dengan angka insidens campak (hubungan dalam tingkat agregat)  belum berarti dalam tingkat idividu ada hubungan antara imunisasi dengan kejadian penyakit campak pada seseorang sehingga untuk membuktikan adanya hubungan ditingkat individu, dari studi korelasi hanya dapat memformulasikan hipotesis baru pembuktian hipotesis tadi dengan disain studi epidemiologi analitik

42 42 Disain Studi Potong-Lintang (cross-sectional study) nama lain : studi prevalensi, survey bersifat observasional unit pengamatan dan unit analaisisnya adalah individu populasi studi merupakan populasi umum sampel diambil secara random (acak) setiap orang di populasi mempunyai kesempatan yang sama untuk menjadi anggota sampel sampel representatif /mewakili populasi pengukuran variabel independet (exposure) dan variabel dependent (outcome) dilakukan secara simultan, sehinga : tidak dapat terlihat sekuens mana yang terjadi lebih dulu, variabel independent atau variabel dependent, atau sebaliknya konsekwensinya tidak dapat melihat hubungan sebab-akibat (exposure harus mendahului outcome )

43 43 analisis yang dilakukan dapat bersifat: deskriptif : distribusi frekwensi kejadian penyakit/ masalah kesehatan berdasarkan “orang - tempat - waktu” distribusi frekwensi variabel “exposure” dan “outcome” (angka prevalens) analitik : melihat korelasi/hubungan antara variabel-variabel diteliti jika variabel “exposure” dan variabel “outcome” diukur sebagai data kontinyu hubungannya secara statistik diuji dengan uji korelasi kekuatan/keeratan hubungan dilihat dengan melihat nilai koefisien korelasi (“r”) ataupun dengan koefisien regressi

44 44 jika variabel “exposure” dan variabel “outcome” diukur sebagai data kategorikal hubungannya secara statistik dapat diuji dengan uji  kuadrat, atau regressi logistik kekuatan hubungan dilihat dengan menghitung PR atau OR jika variabel “exposure” diukur sebagai data kontinyu dan variabel “outcome” diukur sebagai data kategorikal hubungannya secara statistik dapat diuji dengan regressi logistik kekuatan hubungan dilihat dengan menghitung exponensial koefisien regressi setiap ada penambahan atau pengurangan satu satuan unit “exposure” terjadi peningkatan atau pengurangan odds “outcome” sebesar eksponensial koefisien regressi

45 45 jika variabel “exposure” diukur sebagai data kategorikal dan variabel “outcome” diukur sebagai data kontinyu hubungannya secara statistik dapat diuji dengan uji t (jika hanya2 kelompok “exposure”) dan tes Anova (bila lebih dari 2 kelompok) kekuatan hubungan dilihat dengan membandingkan masing-masing nilai mean pada masing-masing kelompok

46 46 Contoh : dalam suatu penelitian dengan disain potong lintang : ingin melihat hubungan antara skore intensitas psikosis dengan kadar amphetamin darah. D = skore intensitas psikosis (data kontinyu) E = kadar amphetamin darah (data kontinyu) pengukuran D dan E dilakukan secara simultan populasi pengguna amphetamin yang datang ke klinik ketergantungan obat sampel 10 orang yang diambil secara random dari populasi analisis deskriptif : menghitung mean, median, mode dari variabel D dan E

47 47 analisis analitik : buat diagram scatter untuk melihat hubungan secara kasar analisis korelasi linear dan analisis regrresi alpha ditentukan 0,05 untuk melihat hubungan E dan D lihat koefisien korelasi “r” untuk melihat bagaimana E memprediksian D lihat koeffisien regressi b

48 48 Data PasienSkore intesitas psikosisKadar amphetamin darah (Y) mg/ml ( X )

49 49 persamaan garis linier : y = a + bx n  xy - (  x )(  y) b = n  x 2 - (  x ) 2  y - b  x a = n b 2 [  x 2 - (  x ) 2 /n] r 2 = r =  r 2  y 2 - (  y) 2 /n silahkan hitung koefisien korelasi “r” dan koefisen regressi “b”

50 50 Uji statsitik: t statistik n - 2 t = r dengan derajat kebebasan = n r 2 Apakah ada hubungan secara statistik antara kadar amphetamin darah dengan skore intensitas psikosis Buatlah persamaan garis y = a + bx Seseorang pecandu dengan kadar amphetamin 360 mg/ml darah berapa kira-kira skore intesitas psikosisnya

51 51 Contoh 2 dalam suatu penelitian dengan disain potong lintang ingin melihat hubungan antara merokok dan bronchitis kronis. D = bronchitis kronis (data kategorikal) E = merokok (data kategorikal) pengukuran D dan E dilakukan secara simultan populasi merupakan pegawai di pabrik A sampel 1000 orang yang diambil secara random dari populasi analisis deskriptif : menghitung distribusi frekwensi D dan E analisis analitik : analisis khi kuadrat dengan tabel kontingensi alpha ditentukan 0,05 untuk melihat hubungan E dan D hitung OR atau PR

52 52 Tabel kontingensi 2x2 untuk data diatas “Outcome” D + D - total E “exposure” E total

53 53 Populasi distribusi frekwensi variabel “exposure” distribusi frekwensi variabel “outcome” sampel dipilih secara random (acak) sampel representatif untuk populasi sampel Distribusi frekwensi berdasarkan variabel “exposure” pada sampel terpapar dengan “exposure”  E + tidak terpapar dengan “exposure”  E - misal sampel terdiri dari 1000 orang terpapar dengan “exposure”  E + = 400 orang = 40% tidak terpapar dengan “exposure”  E - = 600 orang = 60% E + 40% E - 60% prevalensi terpapar dengan “exposure” = 40% prevalensi tidak terpapar dengan exposure = 60% sampel

54 54 Distribusi frekwensi berdasarkan variabel “outcome” pada sampel “outcome” positif  D (disease) + “outcome”negatif  D (disease) - misal sampel terdiri dari 1000 orang “outcome” positif  D (disease) + = 300 orang = 30 % “outcome”negatif  D (disease) - = 700 orang = 70% D + 30% D - 70% Prevalensi “disease” = 30% prevalensi “not disease” = 70%

55 55 Mendistribusikan variabel “disease” pada variabel “exposure” 200 D+ dari 400(E+) 200 D D+ dari 600 (E-) 500 D D+ 200 D D+ 500 D - prevalens D+ pada kelompok E+ = 200/400 Prevalens Ratio = = 3 prevalens D + pada kelompok E- = 100/600 dari 400 orang (E+)  prevalens D+ pada kelompok E+ = 200/400 dari 600 orang (E-)  prevalens D+ pada kelompok E - = 100/600 E + E -

56 56 Odds D+  E + (kelompok orang terpapar) = 200/200 Odds D+  E - (kelompok tidaterpapar) = 100/500 Odds D+  E + (kelompok orang terpapar) 200/200 OR = = = 5 Odds D+  E - (kelompok tidaterpapar) = 100/500 Tabel kontingensi 2x2 untuk data diatas “Outcome” D + D - total E “exposure” E total

57 57 Mendistribusikan variabel “exposure” pada variabel “disease” 200 E+ dari 300 (D+) 100 E E+ dari 700 (D-) 500 E - Prevalens E+  D + (kelompok orang sakit) = 200/300 Prevalens E+  D - (kelompok tidak sakit) = 200/700 Prevalens E+  D + (kelompok orang sakit) 200/300 Prevalens Ratio = = = 2 1/3 Prevalens E+  D - (kelompok tidak sakit) 200/700

58 58 Odds E+  D + (kelompok orang sakit) = 200/100 Odds E+  D - (kelompok tidak sakit) = 200/500 Odds E+  D + (kelompok orang sakit) = 200/100 OR = = 5 Odds E+  D - (kelompok tidak sakit) = 200/500 Terlihat bahwa kalkulasi nilai OR tetap = 5. bila variabel “disease” didistribusikan pada variabel “exposure” atau bila variabel “exposure” dididtribusikan pada variabel “disease”

59 59 Kelebihan Studi Potong Lintang : dapat untuk melihat distribusi frekwensi penyakit di populsi dapat untuk melihat hubungan variabel “exposure” dan variabel “outcome” hasil analisisnya dapat dipakai untuk membangun hipotesis baru Kelemahan Studi Potong Lintang tidak dapat untuk melihat hubungan sebab akibat, karena variabel “exposure” dan variabel “outcome” diukur secara simultan


Download ppt "1. 2 Introduksi Disain penelitian Epidemiologi 3 Untuk mempelajari distribusi dan frekwensi penyakit di populasi dipakai disain studi epidemiologi deskriptif."

Presentasi serupa


Iklan oleh Google