BAB 8
Meringkas, Menyajikan dan menafsirkan Data Epidemiologi :
Membangun Insiden dan Prevalensi
Sanrebayu K012172003
PROGRAM PASCASARJANA
UNIVERSITAS HASANUDDIN
MAKASSAR
2018
8.1. Pengantar
Data epidemiologis dapat dimanipulasi dengan mudah dan dalam
banyak hal, dengan tujuan meringkas informasi dan / atau
penggalian wawasan tambahan. Biasanya, namun tidak selalu,
tujuannya adalah untuk mengizinkan atau mempertajam
perbandingan, apakah dari waktu ke waktu, atau antara tempat dan
kelompok masyarakat. Bab ini memperkenalkan cara utama di mana
data dimanipulasi, dengan peringatan bahwa hasil akhir sering
merupakan pengukuran buatan yang mengubah (dan kadang-
kadang mendistorsi) persepsi dan interpretasi risiko, perhatian
sepenuhnya dari sebuah persoalan ke ilmu pengetahuan di mana
komunikasi antara peneliti, profesional kesehatan, dan masyarakat
sangat penting. Ada banyak cara lain dalam meringkas data dan
cara-cara baru yang terus diciptakan. Namun, prinsip-prinsip yang
mendasari mereka cenderung sama.
𝑃𝑀 𝑑𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝐴
PMR =
𝑃𝑀 𝑑𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝐵
Kota
Kota Penelitian
Pembanding
2000-2004 Pneumonia 1000 1400
Semua 13000 16000
2005-2009 Pneumonia 1200 1500
Semua 12000 17000
Tabel 8.1 Rasio morbiditas proporsional (PMR) untuk penyakit jantung
iskemik pada imigran laki-laki yang lahir di anak benua India dan Afrika New
Commonwealth
PMR
kematian yang diamati
Sumber: Data dari Marmot, Mg et al. kematian imigran di Inggris dan Wales 1970- 78:
penyebab kematian oleh negara kelahiran. (Studi OPC populasi medis dan pelajaran
No. 47). London, UK: HMSO. Copyright © 1984 Crown Copyright.
Marmot dan rekan (1984) tertarik pada apakah orang-orang dari India,
Pakistan, Bangladesh, dan Sri Lanka asal etnis (Asia Selatan) yang
tinggal di Inggris dan Wales memiliki tingkat kematian yang lebih tinggi
dari PJK daripada populasi secara keseluruhan. Mereka mempelajari
angka kematian sekitar sensus tahun 1971 ketika etnis tidak dikumpulkan.
Jawaban awal atas dasar tingkat kematian oleh negara kelahiran adalah-
mungkin begitu. Masalahnya adalah bahwa beberapa orang yang lahir di
anak benua India adalah dari asal etnis Eropa. Selanjutnya, beberapa
orang Asia Selatan yang lahir di Inggris dan Wales. Hal ini menciptakan
kesalahan kesalahan klasifikasi (lihat Bab 4), sehingga perhitungan yang
dihasilkan akan tidak tepat. Baik sensus 1971 maupun sertifikat kematian
yang tercatat kelompok etnis, hanya negara kelahiran. Solusi Marmot dkk.
diadopsi adalah untuk menghitung disesuaikan PMR berdasarkan usia
(lihat Tabel 8.1). Mereka menguji hipotesis bahwa PMR pada mereka
dengan nama Asia Selatan (indikator kelompok etnis, bukan hanya tempat
kelahiran), berbeda dari yang di mereka yang lahir di benua India tanpa
nama serupa (mungkin Putih bangsa Inggris), dan dari Afrika New
Commonwealth- lahir, dan dari seluruh penduduk Inggris dan Wales. PM
dari seluruh penduduk Inggris dan Wales yang disediakan standar.
Sebuah PMR dari 100 persen akan, oleh karena itu, mencerminkan tidak
ada perbedaan antara kelompok etnis dan standar populasi. Sebelum
membaca, lakukan latihan di Kotak 8.2.
PM mencerminkan tidak hanya pada jumlah kematian akibat
penyebab yang diteliti tetapi juga jumlah kematian akibat penyebab lain.
Dalam membandingkan PM antara populasi, oleh karena itu, perbedaan
mungkin timbul baik dari perbedaan penyakit yang diteliti, atau perbedaan
penyakit lainnya
Kotak 8.2 Asumsi belakang, dan interpretasi dari, PMR
Memeriksa Tabel 8.1. Bagaimana PMR dalam kelompok benua India
berdasarkan nama dibandingkan dengan kedua standar populasi dan
Afrika Baru Commonwealth- lahir?
Ketika angka jenis kelamin tertentu tidak tepat, data set yang
dihasilkan dapat menimbulkan kesulitan dalam interpretasi. Usia dan tabel
tertentu jenis kelamin biasanya besar dan sulit untuk memahamkan
(misalnya Tabel 8.19).
Di mana ada perbedaan besar dalam umur dan struktur seks antara
populasi, ketika ment menyesuaikan nilai yang paling dibutuhkan, metode
mengarah ke paling distorsi antara aktual dan disesuaikan
Tabel 8.3 Rasio Mortalitas Standar untuk kanker paru pada wanita demu usia dan berdasarkan
kelompok usia di daerah dekat industry (zoan ABC) dibandingkan dengan area di Sunderland
(s) (populasi dari sensus 1991)
21-30 1000 50 5
31-40 1000 100 10
41-50 1000 150 15
Tingkat keseluruhan
3000 300 10
(kasar) sebenarnya
Grup B
21-30 500 25 5
31-40 1500 150 10
Grup C
21-30 5000 250 5
41-50 200 30 15
Tingkat keseluruhan
6200 380 6,1
(kasar) sebenarnya
* Contoh: dari Tabel 8.4 kita melihat bahwa angka dalam kelompok usia 21–30 dalam
grup A, B, dan C adalah 5%. Di masa muda populasi standar (a) ada 3000 orang. Kami
berharap, oleh karena itu, bahwa 5% dari mereka (3000) akan mengembangkan penyakit
ini, yaitu 150 orang.
Tabel 8.6 menunjukkan satu set tarif dalam populasi standar, dan
ini adalah tinggi, sementara itu di Tabel 8.7 rendah. Angka keseluruhan
asli (kasar) (Tabel 8.4 dan Tabel A8.1 pada Lampiran 8.1) dan, juga, tarif
standar dalam tiga populasi A, B, dan C berbeda. Mengapa? Sebelum
membaca lakukan latihan di Kotak 8.5. Kemudian, bandingkan hasil Anda
dengan Lampiran Tabel A8.3. Dalam latihan ini kami akan melanjutkan
dengan grup, struktur populasi, dan tarif khusus usia yang diperkenalkan
di Tabel 8.4. Contoh cara menerapkan tarif spesifik per tahun ditunjukkan
pada catatan kaki meja. Total yang diamati ada pada Tabel 8.4. Anda
mendapatkan angka yang diharapkan dengan menambahkan kasus
diharapkan dalam tiga kelompok usia, seperti yang ditunjukkan dalam
catatan kaki.
mortalitas, SMR)
* Contoh: Angka ini 10% dalam populasi standar di atas. Kami memiliki 1.000 orang dalam
kelompok usia ini. Jika mereka punya tingkat yang sama dengan populasi standar, maka 10%
akan mendapatkan hasilnya, yaitu 100. ** Diamati dari Tabel 8.4-no. kasus secara total.
Tabel 8.6 Standarisasi dengan metode tidak langsung
Standar populasi angka tertinggi
Kelompok umur Populasi Kasus Angka (%)
21-30 40. 000 2000 5
31-40 50.000 3750 7,5
41- 50 60.000 6000 10
Total 150.000 11.500 7,7
Grup A Grup B Grup C
Populasi Kasus Populasi Kasus Populasi Kasus
yang yang yang
diharapkan diharapkan diharapkan
21-30 1000 50 500 500 5000 250
31-40 1000 75 1500 1500 1000 75
41-50 1000 100 3000 3000 200 20
Total 3000 225 5000 5000 6200 345
Diamati/diharapkan 𝟑𝟎𝟎
x100
(standar rasio 𝟐𝟐𝟓
morbiditas/
mortalitas, SMR)
Diamati dari Tabel 8.4 tidak ada total kasus seperti pada 8.6
Alasan itu yang mengejutkan adalah bahwa metode ini digunakan secara
luas dan ditafsirkan seolah-olah ia melakukannya, dan bahwa itu adalah
sebuah alternatif untuk metode langsung. Standar rasio kematian berbeda
karena harga standar tertimbang berbeda-beda oleh struktur populasi
yang berbeda dalam kelompok A, B, dan C. Hal ini sepenuhnya analog
dengan efek bobot pada Tabel 8.4 ditampilkan dalam keseluruhan (crude)
tingkat. Tarif disesuaikan dengan metode tidak langsung adalah, untuk
kembali menekankan, tertimbang dalam kaitannya dengan usia dan jenis
kelamin struktur populasi yang diteliti.
Hasil Ringkasan dari penyesuaian tersebut adalah SMR tersebut.
Ini berarti bahwa SMRs dari beberapa populasi penelitian tidak dapat
dibandingkan satu sama lain. Pengecualian adalah ketika struktur
populasi dalam kelompok-kelompok yang berbeda adalah sama atau
sangat mirip, tapi kemudian SMR tidak butuhkan-keseluruhan (crude)
harga dapat dibandingkan. Hanya perbandingan SMR antara populasi
penelitian dan populasi standar yang dipilih adalah, tegasnya, valid.
Prinsip ini sering dilanggar,
Kotak 8.5 Menghitung dan menginterpretasikan secara angka
standarisasi tidak langsung
Mencerminkan hati-hati di Tabel 8.6 dan perhitungan kasus yang diharapkan
dan SMR yang dihasilkan. Ikuti pendekatan yang sama untuk melakukan
perhitungan pada Tabel 8.7, sebelum membandingkan hasil Anda dengan
Lampiran Tabel A8.3.
Mengapa SMRs untuk Grup A, B, dan C yang berbeda ketika harga standar
yang sama pada Tabel 8,6 diterapkan? Mengapa standar rasio kematian lebih
tinggi pada Tabel 8.7 dibandingkan dengan 8,6?
Apa adalah interpretasi yang benar dari SMR semua-usia di daerah ABC
dan daerah S?
Apakah benar, tegasnya, untuk dua SMRs (217 dan 173) untuk
dibandingkan secara langsung?
Bagaimana dengan perbandingan tertentu usia- (0- 64, 65- 74, dan 75 +
tahun)? Jawaban-pertanyaan yang tions di atas untuk ini perbandingan
yang lebih spesifik.