P. 1
Diagnosis

Diagnosis

|Views: 56|Likes:
Dipublikasikan oleh Nurmailis Selayan

More info:

Categories:Types, Research
Published by: Nurmailis Selayan on Sep 30, 2012
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

10/29/2013

pdf

text

original

DIAGNOSIS

AYU NURDIYAN 1121228034

PENDAHULUAN
Cara pengukuran memegang peranan penting dalam menegakkan diagnosis Kesalahan dalam pengukuran dan interpretasi menyebabkan hasil yang diperoleh hanya beberapa % mencapai kebenaran

Diperlukan pendekatanan matematikan untuk menganalisa hasil tes diagnostik

Kategori Menegakkan Diagnosa • Dua kategori benar: – Positif (benar sakit) – Negatif (benar tidak sakit) • Dua kategori tidak benar: – Positif Semu (positif tp tidak sakit) – Negatif Semu (negatif tetapi sakit) Ada Positif Negatif Positif benar Negatif Semu Tidak ada Positif Semu Negatif benar .

TUJUAN Dibutuhkan pengujian yg rumit dan mahal atw sama sekali tdk dapat dilaksanakan Untuk menentukan keadaan yg sebenarnya dr penyakit atw mendekatinya .

SENSITIFITAS & SPESIFISITAS • Sensitifitas : – Kemampuan suatu tes utk memberikan gambaran positif pada orang yg benar2 sakit – Subjek yg sakit dengan tes positif x 100% Jumlah org sakit yg mendapat tes .

SENSITIFITAS & SPESIFISITAS • Spesifisitas : – Kemampuan suatu tes utk memberikan gambaran negatif bila subyek yg di tes bebas dari penyakit – Subjek yg tdk sakit dengan tes negatif Jumlah org tdk sakit yg mendapat tes x 100% .

dan Cut-off .Hubungan Sensitifitas. Spesifisitas.

PREVALENSI & ACCURACY  Prevalensi (pre-test probability) :  Jumlah subjek yang menderita sakit dari seluruh subjek yang di tes  Accuracy (ketepatan):  Kemampuan suatu tes untuk mendeteksi secara benar dari seluruh subjek yg di tes .

spesifitas. dan prevalensi  Sensitifitas tinggi -> negatif semu rendah -> nilai Prediksi negatif tinggi  Spesifisitas tinggi -> positif semu rendah -> nilai Prediksi positif tinggi  Prevalensi rendah -> positif benar sedikit -> nilai Prediksi positif rendah .NILAI Prediksi (Predictive Value) Nilai Prediksi tergantung pd sensitifitas.

NILAI Prediksi (PV) • Nilai Prediksi positif (PV+) : memberikan gambaran probabilitas subjek dgn penyakit pada hasil tes positif – NPP = sakit dgn uji positif semua dgn uji positif • Nilai Prediksi negatif (PV-): memberikan gambaran probabilitas subjek tanpa penyakit pada hasil tes negatif – NPN = tanpa penyakit dgn uji negatif Semua dgn uji negatif .

Likelihood Ratio  Cara alternatif dalam menggambarlan kinerja dari uji diagnostik  Penggunaan likelihood ratio tergantung odds yg merupakan rasio dari dua probabilitas  Odds = Probabilitas kejadian 1 – probabilitas kejadian  Probabilitas = Odds 1 + Odds .

Penghitungan Ada Positif Negatif Positif benar (a) Negatif palsu (c) Tidak ada Positif palsu (b) Negatif benar (d) .

LR - . spesifisitas. dan accuracy. LR +. prevalensi.Contoh Soal Dua org dokter mencoba membuat kriteria yg akan dipakai sbg pegangan pd kasus trauma kepala. Mereka memeriksa 1500 org dan hasilnya adalah sebagai berikut: Ya Positif Negatif 92 1 93 Tidak 973 434 1407 1065 435 1500 Tentukan sensitifitas. PV -. PV +.

Jawaban: • • • • • • • • Sensitifitas: 92/93 x 100 = 98.2% Akurasi: 526/1500 x 100 = 35.07% LR+: 92/93 : 973/1407 = 1.032 .9% Spesifisitas: 434/1407 x 100 = 30.6% PV -: 434/435 x 100 = 99.8% PV +: 92/1605 x 100 = 8.8% Prevalensi: 93/1500 x 100 = 6.42 LR-: 1/93 : 434/1407 = 0.

.MENGUBAH PENILAIAN DR KINERJA UJI PENALARAN – Memperkirakan prevalensi dalam suatu tatan praktek tertentu dan diperoleh dari: • Telaah secara sistematis lembar catatan pasien • Studi yg dilaksanakan pada pasien dengan populasi serupa – Apabila prevalensi hanya dapat dinyakatakan sesuai dgn rentangan nilai-nilai dan bukan suatu perkiraan yg spesifik.

95 dan 0.05 • Hitung jumlah orang yang tidak sakit : 1600-80 = 1520 • Hitung proporsi dr org yg sakit dgn uji positif : 0.MENGUBAH PENILAIAN DARI KINERJA UJI CARA PERHITUNGAN BALIK – Seorang klinisi ingin menilai kemampuan prediksi dr suatu populasi yg prevalensi kanker payudara 5%.85 x 1520 = 1292 • Hitung sisa nilai utk tabel 2x2 • Hitung NPP dan NPN dari tabel 2x2 – NPP = P (D+/T+) = 76 / 304 = 0.95 x 80 = 76 • Hitung proporsi dr org yg tanpa penyakit dgn uji negatif : 0. Uji sensitifitas dan spesifisitas tdk berubah yaitu 0. misal: 1600 • Berdasarkan prevalensi P (D+) = 5% hitung jml orang sakit = 1600 x 0.997 .85 • Pilih besar sampek sesukanya.25 – NPN = P (D-/T-) = 1292 / 1296 = 0.

79 .MENGUBAH PENILAIAN DARI KINERJA UJI Kanker + (D+) Uji + (T+) Uji – (T-) 76 (langkah 4) 4 (langkah 6) Kanker – (D-) 228 (langkah 7) 1292 (langkah 5) Total 304 (langkah 8) 1296 (langkah 9) Total 80 (langkah 2) 1520 (langkah 3) 1600 (langkah 1) Bandingkan dgn tatanan yg mempunyai prevalensi 0.375 NPP: P (D+/T+) = 570/720 = 0.375 pada tabel dibawan ini: Kanker + (D+) Uji + (T+) Uji – (T-) Total 570 30 600 Kanker – (D-) 150 850 1000 Total 720 880 1600 Prevalensi : 0.

.MENGUBAH PENILAIAN DARI KINERJA UJI Metode Rumus Bayes -> suatu rumusan matematika yg dapat dipakai sebagai alternatif cara perhitungan balik dalam mendapatkan probabilitas kondisional yg tidak diketahui seperti NPP atau NPN dari probabilitas kondisional seperti sensitifitas dan spesifisitas Dimana  merupakan komplemen dari A.

05. seorang pasien diketahui mempunyai uji positif.15 Prevalensi = P (D+)= 0.Menghitung NPP Prevalensi kanker payudara = 0.05 .95. berapakah probabilitas bahwa pasien ini menderita kanker payudara: Kanker + (D+) Uji + (T+) 570 Kanker – (D-) 150 Total 720 Uji – (T-) Total 30 600 850 1000 880 1600 – – – Sensitifitas: P (T+/D+) = 0. spesifisitas : P(T-/D-) = 0.85 P (T+/D+) = 1 – P (T-/D-) = 1 – spesifisitas = 0.

spesifisitas : P(T-/D-) = 0. berapakah probabilitas bahwa pasien ini tidak menderita kanker payudara: – – – Sensitifitas: P (T+/D+) = 0.85 P (T+/D+) = 1 – P (T-/D-) = 1 – spesifisitas = 0.05. seorang pasien diketahui mempunyai uji negatif.15 Prevalensi = P (D+)= 0.95.05 .Menghitung NPN Prevalensi kanker payudara = 0.

prevalensi dan kemampuan prediksi uji diagnostik • Makin sensitif suatu uji. semakin baik NPN • Makin spesifik suatu uji. semakin baik NPP .Hubungan sensitifitas.

Menilai Suatu Uji Diagnostik Baru Suatu studi dari uji diagnostik yg baru terancang dengan baik seharusnya mempunyai karakteristik sebagai berikut: • Adanya komparasi dgn baku emas yg dapat diterima • Adanya komparasi yg dilakukan pembulatan • Hasil-hasil yg tidak termasuk dalam prosedur baku emas • Adanya reliability dan accuracy • Penggunaan sampel yang merentang sesuai dgn spektrum penyakit • Adanya batasan yg jelas dan sesuai dgn normalitas .

. di lain pihak spesifisitas dan nilai prediksi positif menurun. Uji Paralel Rentetan uji dilakukan serempak (concurrent) • Dilakukan apabila diperlukan penilaian yg cepat • Hasil positif salah satu uji merupakan pernyataan adanya penyakit • Uji multipel dalam bentuk paralel meningkatkan sensitifitas dan meningkatkan nilai prediksi negatif.Uji Multipel 1.

• Untuk dinyatakan positif semua uji yg dilakukan harus memberikan hasil positif (T1+. Uji Serial Rentetan uji dilakukan beruntun (sequential) • Dilakukan apabila tdk diperlukan penilaian cepat atau beberapa uji yg ada harganya mahal atau mengandung resiko. . T2+) • Uji multipel serial memaksimalkan spesifisitas dan nilai prediksi positif tetapi menurunkan sensitifitas dan nilai prediksi negatif.Uji Multipel 2.

Uji Multipel Kesimpulan: • Uji Paralel menghasilkan: – Sensitifitas yang lebih besar – Peningkatan NPN (berkurangnya negatif semu) – Menurunnya spesifisitas • Uji Serial menghasilkan: – Menurunnya sensitifitas (meningkatnya negatif semu) – Bertambahnya spesifisitas – Meningkatnya NPP (berkurangnya positif semu) .

Likelihood Ratio Secara Seri • Apabila suatiu seri dari uji digunakan. • Apabila masing uji sudah dilaksanakan.Uji Multipel 3. probabilitas secara keseluruhan dapat dihitung menggunakan likelihood ratio untuk masing2 hasil uji. • Pada akhirnya probabilitas baru dr penyakit didapatkan yg memperhitungkan informasi yg diberikan oleh semua uji dalam seri . odds pascauji menjadi odds prauji untuk uji berikutnya.

Terima Kasih .

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->