Anda di halaman 1dari 5

Tugas Kelompok

Mata Kuliah Prinsip-Prinsip Epidemiologi

BIAS BERKSON
OLEH :
KELOMPOK 2

HILDAYANTI SYAMSUL (k11112034)


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.