Prof.Dr.dr.Rizanda Machmud M.Kes 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.

Pengertian, tujuan, & manfaat (lanj) Mengukur derajat kesehatan masyarakat Memonitor kemajuan status kesehatan Mengadakan evaluasi program Mengadakan perbandingan keadaan kesehatan Memotivasi petugas & pengambil keputusan Menentukan prioritas masalah

Proporsi, Rate & Ratio Proporsi Rate Ratio 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

Tabel 1. Distribusi Frekuensi Penyakit Menurut 10 Penyakit Terbanyak di Puskesmas ABC tahun XXX

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

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

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

Statistika morbiditas Di negara-negara maju dengan taraf kesehatan yang tinggi, tingkat kematian telah dapat ditekan serendah-rendahnya, 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

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

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

MANFAAT Mengetahui tingkat keberhasilan program imunisasi yang dijalankan terhadap penyakit-penyakit 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

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?

Berapakah periode prevalence rate dari tanggal 1 January – 31 Desember th XY ?

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 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 Diagnostic bias 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

PENGUKURAN

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 Kategorisasi umur: 0-1| >1-5| >5-10| dst

Realiable & Valid

TEORI RELIABILITAS(1) Xu = Xt + Xe Vu=Vt + Ve 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) r = Vt / Vu; Nilai Vt biasanya tidak diketahui 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

PENANGGULANGAN BIAS

Summary of how research works RESEARCH QUESTION TRUTH IN THE UNIVERSE STUDY PLAN TRUTH IN THE STUDY ACTUAL STUDY FINDINGS IN THE STUDY implement design Intended sample All women aged 50-69 seen in clinic(s) in one year Intended variables Self reported estrogen treatment Target population Women aged 50-69 Phenomena of interest The proportion who take estrogen Actual Subjects Actual Measurements Errors Errors Errors infer

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

KRITERIA INKLUSI Homogenisasi Matching KONTROL VARIABEL LUAR (BEBAS) KRITERIA INKLUSI Homogenisasi Variabel luar dijadikan ‘konstan’ Matching Kelompok Intervensi dan Kontrol memiliki kesamaan dalam hal variabel luar

STATISTIK MULTIVARIAT 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

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

Terimakasih