1 / 73

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.

linda-pratt
Download Presentation

Prof.Dr.dr.Rizanda Machmud M.Kes

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Indikator & pengukurandalamepidemiologipenyakitkronik& degeneratifsertafaktor yang mempengaruhiakurasi Prof.Dr.dr.RizandaMachmudM.Kes

  2. KONSEP SEHAT - SAKIT • Batasansehatitusendirisangatberagam, salahsatukonsepsehatmenurut WHO, adalah: suatukeadaansehat yang komplitmeliputifisik, mental, sosialdanbukanhanyaketiadaandaripenyakitataupunkelemahan • Penilaianterhadapkesehatanindividudidasarkanpadapemeriksaanfisik, pemeriksaanlaboratorium, danpemeriksaan-pemeriksaanlainnyaterhadapkesehatanorang yang bersangkutan

  3. Penilaianterhadapkesehatanmasyarakatdidasarkanpadakejadian-kejadianpenting yang menimpapendudukataumasyarakat • Indikatorkesehatanmasyarakat, sepertiangkakematian, angkakelahiran, angkakesakitan

  4. Pengertian, tujuan, & manfaat • Kumpulan keteranganberbentukangka yang berhubungandenganmasalahkesehatan • Semuacatatatanberupaangka yang dikumpulkansecarasistematisttgkesehatandanhal-hal yang berhubungandengankesehatan. • Tujuannya, untukmemperolehinformasi yang jelas & terperincittgkeadaankesehatansuatumasyarakat.

  5. Pengertian, tujuan, & manfaat (lanj) • Manfaat : • Mengukurderajatkesehatanmasyarakat • Memonitorkemajuan status kesehatan • Mengadakanevaluasi program • Mengadakanperbandingankeadaankesehatan • Memotivasipetugas & pengambilkeputusan • Menentukanprioritasmasalah

  6. Proporsi, Rate & Ratio • Proporsi • Perbandinganantaraduanilaidimanapembilangmerupakanbagiandaripenyebut • Rate • Perbandinganantaraduanilaidimanapembilangmerupakanbagiandaripenyebut, & unsurwaktujugadiperhatikan. • Ratio • Perbandingandimanapembilangdanpenyebutmerupakankelompok yang berbeda

  7. Tabel 1. DistribusiFrekuensiPenyakitMenurut 10 PenyakitTerbanyakdiPuskesmas ABC tahunXXX

  8. 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

  9. STATISTIKA MORTALITAS • Angkakematiankasar • Specific death Rate • Case Fatality Rate • Proporsional Mortality Rate

  10. Angkakematiankasar • Adalahjumlahseluruhkematianselamasatutahunberjalandibagijumlahpendudukpertengah • an tahunatau midyear population disuatunegara. • AngkakematiankasaratauCrude death Rate (CDR) sangattergantungpadakomposisiseksdanumurpenduduk. Bilakomposisipendudukterdiridaribanyakoranglanjutusia, maka CDR akanlebihtinggi, sebaliknyabilakomposisipenduduknyaterdiridaribanyakusiamuda, maka CDR akanlebihkecil.

  11. CONTOH CDR • Total kematianpenduduk Indonesia tahun XXX sebanyak 17.308.680 orangdanjumlahpenduduk Indonesia pertengahantahun XXX sebanyak 178.440.000 orang. Berapa CDR tahun XXX? • Perhitungan; • AngkaKematiankasar = • (17.308.680/ 178.440.000) X1000 =9.7 per 1000 • Angkakematiankasarpenduduk Indonesia tahun XXX adalah 10 orang per 1000 penduduk

  12. Spesific death rate • Merupakanangkakematian yang ditujukankepadapenyebabkematianspesifikolehpenyakittertentu • Biasanyadihubungkandenganfaktor-faktor yang terdapatdimasyarakatsepertiumur, seks, pekerjaan, dan status sosial

  13. MANFAAT • Sebagai base line data padastudiepidemiologik • Untukmengetahuifaktor-faktorrisiko yang dapatmenimbulkankesakitandankematianolehpenyakittertentudimasyarakat • Dipakaiuntukestimasiterhadapetiologipenyakit. • Dipakaisebagaibahanpertimbanganuntukmenyusunrencanapencegahandanpemberantasanpenyakittertentu. • Dipergunakanjugauntukmengetahuitingginyarisikokematianpendudukkarenapenyakittertentu

  14. 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

  15. Case fatality rate • Merupakanpersentaseangkakematianolehsebabpenyakittertentu yang dipakaiuntukmenentukanderajatkeganasan/ kegawatansuatupenyakittersebut. • Perhitunganrasioinidengancepatdapatdiketahuijenispenyakitmana yang paling banyakmenimbulkankematian, sehinggadapatsegeradisusunstrategipenanggulangan

  16. CONTOH • Jumlahkematianakibatkankerpayudaradirumahsakit A, dilaporkansebanyak 56 orangdanpasien yang dirawatdenganpenyakit yang samasebanyak 112 orang. Berapa Case Fatality Rate penyakittersebut? • Perhitungan; • (56/ 112) X 100% • CFR = 50%

  17. Proportional Mortality Rate • Merupakanproporsiangkakematian yang terjadipadapadagolonganumurtertentu, • Menjadisalahsatuindikatorpentinguntukmelakukanestimasipenyebabkematianutamadisuatunegara • Dipakaisebagaibase line data untukperencanaanpelayanankesehatan

  18. Statistikamorbiditas • Di negara-negaramajudengantarafkesehatan yang tinggi, tingkatkematiantelahdapatditekanserendah-rendahnya, terutamakematian yang disebabkanpenyakitinfeksi. • Polapenyakitdinegaratersebuttelahbergeserdaripenyaiktinfeksikepenyakit non infeksi, sepertipenyakitjantung, hipertensi, diabetes melitusdan lain sebagainya • Di Indonesia saatinitelahterjadisuatutransisiepidemipenyakitdimanapenyakit yang timbulmasihdidominasiolehpenyakitinfeksi, akantetapiterjadi pula peningkatanpenyakit non infeksi

  19. Rate morbiditas • Rate morbiditasadalahjumlahpenderita yang dicatatselama 1 tahun per 1000 pendudukpertengahantahun yang sama • Rate inidapatdigunakanuntukmenggambarkankeadaankesehatansecaraumum

  20. Rate prevalensi • Rate prevalensisuatupenyakitadalahjumlahpenyakittertentu yang dicatatselama 1 tahun per 1000 penduduk yang berisikoterkenapenyakit yang sama. • Rate inimerupakanfrekuensipenyakit lama danbaru yang berjangkitdimasyarakatdisuatuwilayahpadawaktutertentu

  21. MANFAAT • Rate prevalensi sangat bermanfaat untuk mempelajari penyakit kronik yang terjadi dalam masyarakat dan digunakan untuk mengetahui tingkat keberhasilan program pemberantasan penyakit. • Rate inidapatjugadigunakanuntukmenyusunrencanatentangpelayanankesehatan yang dibutuhkan, obat-obatandan lain-lain

  22. 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.

  23. Rate Insidensi • Rate insidensiadalahjumlahkasusbaruataupenderitabarupenyakittertentu yang dicatatselama 1 tahun per 1000 penduduk yang mempunyairesikountukterkenapenyakittersebut

  24. MANFAAT • Mengetahuitingkatkeberhasilan program imunisasi yang dijalankanterhadappenyakit-penyakit yang dapatdicegahdenganimunisasi. • Mengetahuiadanyaletusanpenyakit. • Membandingkantingkatperkembanganpenyakitpadaberbagaikelompokmasyarakat. • Mengetahuisecaralangsungrisikountukterkenapenyakittertentu.

  25. Gambarkejadianincidensdanprevalence rate penyakit TBC didaerahxyz

  26. Berapakah point prevalence rate padatanggal 1 Januaritahun XY? Jumlahorang yang menderitapenyakit TBC 4 orang tgl 1 Jan th XY X 1000 = 13 Jumlahpenduduk 300 orang

  27. Berapa incident rate penyakittersebut?

  28. Berapakahperiode prevalence rate daritanggal 1 January – 31 Desemberth XY ?

  29. FAKTOR- FAKTOR YANG MEMPENGARUHI AKURASI BIAS

  30. TOPIK BAHASAN • ERROR • BIAS • PENGUKURAN • BERBAGAI KESALAHAN DALAM PENELITIAN • PENGENDALIAN KESALAHAN

  31. ERROR

  32. MEASUREMENT ERROR

  33. RANDOM ERROR

  34. SYSTEMATIC ERROR

  35. BIAS

  36. JENIS-JENIS BIAS • SELECTION BIAS • BIAS INFORMASI • CONFOUNDING

  37. SELECTION BIAS • Penyimpanganperkiraanpengaruh yang diakibatkanolehcarapemilihanpengaruh • Terdiridari • Prevalence incidens bias • Berkson bias • Non-respon bias • Wrong sample size bias

  38. 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

  39. Lanj. • Tingginya CFR padatahapdinidaripenyakitjantungkoronerakanmengurangi – invalidate studiterhadapfaktor-faktoretiologik yang mungkinadakarenaorang-orang yang tersediaadalahorang yang masihhidup (kasus-kasusparahtidakterdapat) • Padastudikohort serum kolesterolmemiliki OR 2.4 sedangkanpadastudi case kontrolmemiliki OR 1.16

  40. 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

  41. 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

  42. 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

  43. 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

  44. 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

  45. DIAGNOSTIC BIAS • Terjadikarenapenampilantatacaradiagnostikkasustidakproporsionaldengantatacaradiagnostikpadakontrol • Pengetahuanmengenaisubjeksebelumketerpaparannyadengansuatuhal yang didugasebagaipenyebabpenyakitdapatberpengaruhdalamprosesdiagnostik outcome

  46. 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

  47. 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.

  48. 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

  49. 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

  50. Upaya penanggulangan bias • Restriksi - Kriteriainklusidaneksklusi • Matcing • Stratifikasi • Control melaluianalisis

More Related