IRNAWATI NUR (k11112035) ASTERIA RESY DAMA ALIK (k11112036) RIFKA AWALYA (k11112037) KESMAS B
FAKULTAS KESEHATAN MASYARAKAT
UNIVERSITAS HASANUDDIN MAKASSAR 2013 PEMBAHASAN
BIAS BERKSON Latar Belakang Bias Berkson Pada tahun 1946, Joseph Berkson, seorang dokter ahli statistik di Mayo Clinic, yang meragukan validitas jenis penelitian epidemiologi dilakukan dalam pengaturan rumah sakit . Dia menyarankan bahwa frekuensi relatif dari penyakit dalam kelompok pasien yang telah masuk rumah sakit secara inheren bias bila dibandingkan untuk seluruh penduduk dilayani oleh rumah sakit. Fenomena ini, disebabkan oleh cara di mana risiko rawat inap menggabungkan pada pasien yang telah memiliki lebih dari satu penyakit, telah menjadi dikenal sebagai ' Kekeliruan Berkson ' atau ' Bias Berkson. Pekerjaan sangat penting berpotensi mendasar bagi dunia epidemiologi. Namun, kemungkinan Studi efek bias pada berbasis rumah sakit yang berfokus pada asosiasi dari satu penyakit dengan yang lain (atau entitas klinis seperti gejala atau cedera) telah banyak diabaikan dalam tiga dekade terakhir, mungkin karena kurangnya bukti yang mendukung untuk teori. Dalam studi yang dilaporkan di sini, upaya telah dilakukan untuk mempertanyakan ini kepuasan jelas dengan memberikan demonstrasi empiris Bias Berkson itu. Pengertian Bias Berkson Bias berkson, adalah bias yang di sebabkan perbedaan probabilitas masuk rumah sakit bagi kasus dan kontrol, dan perbedaan ini berhubungan dengan status paparan. Akibat bias ini dapat memperbesar atau memperkecil pengaruh paparan terhadap penyakit yang sesungguhnya. Perbedaan probabilitas masuk RS disebabkan oleh perbedaan :
Beratnya gejala penyakit
Akses pelayanan medic Popularitas penyakit Popularitas RS
Desain Penelitian yang menggunakan Bias Berkson
Sebuah ilustrasi klasik tentang bias berkson yang melibatkan atau sering dijumpai pada kasus studi retrospektif atau yang dikenal dengan Case Control dengan meneliti faktor risiko untuk penyakit dalam sampel statistik dari sebuah rumah sakit. Jika kelompok kontrol juga dipastikan dari populasi rawat inap, perbedaan dalam tarif masuk rumah sakit untuk sampel kasus dan sampel kontrol dapat menghasilkan hubungan yang palsu antara penyakit dan faktor risiko. Berkson menekankan bahwa jika peluang hospitalisasi/rawat inap antara kelompok kasus yang terpapar dengan kontrol yang terpapar tidak sama, maka hubungan yang ditemukan merupakan Bias Estimator dari hubungan yang sebenarnya. Bias dijelaskan oleh Berkson muncul sebagai fenomena matematika, yang disebabkan oleh serikat probabilistik tingkat yang berbeda rawat inap untuk orang dengan fenomena medis yang berbeda. Bila konsep ini diperluas untuk studi kasus-kontrol, angka ini akan terjadi sebagai hd untuk orang dengan penyakit sasaran, ia untuk orang dengan kondisi kontrol, dan hc untuk efek yang terpisah dari paparan agen etiologi yang dicurigai. Sebuah analisis aljabar pola rawat inap dan kasus-kontrol seleksi menunjukkan bahwa bias Berkson akan dihindari jika kedua kasus dan kontrol yang dipilih dari masyarakat atau jika dia = 0. Ketika kasus dipilih dari pasien rawat inap, rasio odds akan menjadi bias jika, seperti dalam situasi klinis biasa, ia tidak sama dengan 0. Rasio odds akan palsu terangkat jika kelompok kontrol dipilih dari populasi masyarakat ketimbang dari pasien rawat inap, dan palsu diturunkan jika kontrol dirawat di rumah sakit pasien yang tidak memiliki penyakit sasaran. Jika kelompok kontrol dipilih dari pasien rawat inap dengan kondisi perbandingan tertentu, rasio odds akan palsu ditinggikan atau diturunkan, tergantung pada ukuran relatif hd dan hc.
Dalam model matematika Berkson itu, perhitungan probabilistik
tergantung pada asumsi bahwa setiap kondisi klinis terpapar atau sakit memiliki efek aditif independen pada tingkat rawat inap. Namun dalam kenyataannya, persetujuan dua atau lebih kondisi penyakit dan eksposur dapat sinergis mempengaruhi keputusan nosokomial dokter yang memeriksa dan dengan demikian secara substansial dapat mengubah tarif rawat inap dari apa yang diharapkan matematis. Dalam menciptakan Bias rawat inap dalam studi kasus-kontrol, ini keputusan klinis selektif tentang rujukan ke rumah sakit mungkin lebih meyakinkan daripada perbedaan probabilistik digambarkan oleh Berkson. Contoh Bias Berkson Sebuah ilustrasi klasik melibatkan studi retrospektif memeriksa faktor risiko untuk penyakit dalam sampel statistik dari rumah sakit dipasien populasi. Jika kelompok kontrol juga dipastikan dari populasi rawat inap, perbedaan dalam tarif masuk rumah sakit untuk sampel kasus dan sampel kontrol dapat menghasilkan hubungan yang palsu antara penyakit dan faktor risiko. Kasus dan / atau kontrol dipilih dari rumah sakit. Jika berdasarkan rumah sakit kasus / kontrol memiliki eksposur berbeda dibandingkan penduduk Berdasarkan kasus / kontrol, OR akan bias (Bisa over atau diremehkan), Studi kasus kontrol kanker pankreas dan minum kopi. Kontrol dipilih dari bagaimana pencernaan pasien di rumah sakit yang sama. Namun, pasien GI mungkin kurang untuk minum kopi dari sisa penduduk karena penyakit mereka. Oleh karena itu OR untuk minum kopi artifisial meningkat karena keterwakilan peminum kopi antara kontrol. Solusi penggunaan kontrol berbasis populasi, atau kontrol dengan penyakit tidak berhubungan dengan eksposur. Solusi penggunaan kontrol berbasis populasi,atau kontrol dengan penyakit tidak berhubungan dengan eksposur.
Contoh lain pada penelitian penyakit leptospirosis di RS Kariadi
Semarang. Bias pemilihan kasus pada penelitian ini dapat terjadi karena sampel kasus penderita leptospirosis berat hanya diambil di RS Dr. Kariadi Semarang sedangkan penderita leptospirosis berat di rumah sakit rumah sakit lain yang ada di Kota Semarang tidak dijadikan sampel. Pengalaman masa lalu sampai saat ini, penderita dengan gejala leptospirosis dirujuk ke Rumah Sakit Dr. Kariadi Semarang. Studi kasus-kontrol yang dilakukan dalam konteks rumah sakit dapat menyesatkan. Bias Berkson adalah logis tapi sulit untuk menunjukkan. Pada dasarnya, jika mengambil sampel seperti orang yang telah pasca-otopsi dilakukan penelitian pada mereka, mereka tidak representatif. Kasus yang aneh dapat mempengaruhi hasil bahkan jika sampling acak. Untuk menghadapi Bias Berkson itu, kembali ke populasi dasar dari mana kasus muncul. Dalam kasuskontrol, harus berpikir kembali ke kohort asli dan pilih kontrol dari mereka - yaitu orang yang beresiko sesuatu dan beberapa mengembangkannya / terkena itu dan yang lain tidak.
