TUGAS INDIVIDU

Mata Kuliah : Epidemiologi Lanjut

Dosen : Dr. ida leida Maria, SKM,M.KM,M.Sc.PH

BAB 8
Meringkas, Menyajikan dan menafsirkan Data Epidemiologi :
Membangun Insiden dan Prevalensi

DISUSUN OLEH : KELOMPOK 1

A. Nadiah Nurul Fadilah Ibrahim K012172001

Surya Chahyadi Jufri K012172002

Sanrebayu K012172003

Nur Qadriyana Tahir K012172004

Muh. Syaiful Akbar K012172005

PROGRAM STUDI ILMU KESEHATAN MASYARAKAT

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.

8.2. Rasio Morbiditas Atau Mortalitas Proporsional

Kadang-kadang satu-satunya data yang dapat dipercaya yang kita
miliki adalah pada serangkaian kasus. Perbandingan sulit tanpa
penyebut penduduk (untuk membangun angka), tetapi ini mungkin
tidak tersedia atau mereka mungkin tidak akurat. Misalnya, biasanya
tidak ada yang akurat, penyebut populasi stabil untuk
membandingkan penyakit dan hasil mortalitas berdasarkan tempat
kerja atau rumah sakit, karena sebagian besar tempat kerja dan
rumah sakit tidak mendatangkan pekerja dan pasien mereka,
masing-masing, dari sebuah populasi spesifik dan tertentu. Studi
etnis dan kesehatan di Inggris (dan juga di banyak negara lainnya)
yang dihalangi oleh kenyataan bahwa kode etnis telah dikumpulkan
hanya pada tiga sensus (1991, 2001, dan 2011) dan bahwa catatan
yang memberikan informasi mengenai penyakit tidak mendata etnis
secara akurat. Misalnya, sertifikat kematian di Inggris tercantum
negara kelahirannya tapi tidak ada kode etnis dan dalam catatan
pendaftaran di rumah sakit, kode etnis sering hilang. Di Skotlandia
pada tahun 2012, etnis termasuk dalam proses pendaftaran
kematian, tetapi tidak di seluruh Inggris. Selain itu, beberapa sistem
pencatatan dan studi yang memberikan kode etnis menggunakan
klasifikasi yang berbeda dari yang di sensus. Dalam jenis-jenis
situasi ini, metode penyebut bebas - diperlukan.
Rasio Morbiditas atau Mortalitas Proporsional (PMR) biasa
digunakan untuk mempelajari pola penyakit berdasarkan penyebab
di mana penyebut penduduk tidak tersedia, seperti yang
digambarkan disini menggunakan angka kematian, meskipun tentu
pendekatan yang sama diikuti untuk hasil lainnya.
Jumlah total angka kematian (bukan penduduk) digunakan sebagai
penyebut, dan kematian dari setiap penyebab spesifik sebagai
pembilang. Mortalitas proporsional (PM) adalah hasil pembagian,
sebuah proporsi, biasanya dinyatakan sebagai persentase.
Rumusnya adalah:

𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑚𝑎𝑡𝑖𝑎𝑛 𝑏𝑒𝑟𝑑𝑎𝑠𝑎𝑟𝑘𝑎𝑛 𝑝𝑒𝑛𝑦𝑒𝑏𝑎𝑏 𝑋

PM =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑚𝑎𝑡𝑖𝑎𝑛

Mengalikan hasil pembagian ini dengan 100 adalah kaidahnya

dan ini menyajikan PM sebagai persentase. PM dapat dihitung
berdasarkan jenis kelamin, kelompok umur, atau subdivisi lain yang
sesuai dari populasi. Angka-angka ini dapat dibandingkan antara
populasi, tempat, atau jangka waktu dengan menghitung PMR, yang
hanya rasio PM di dua populasi perbandingan, yaitu

𝑃𝑀 𝑑𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝐴
PMR =
𝑃𝑀 𝑑𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝐵

Pada rumus ini, populasi A biasanya merupakan kepentingan

studi populasi, populasi B merupakan standar, acuan atau populasi
pembanding. Yang terakhir memasok informasi pada proporsi yang
diharapkan. Secara konvensional studi populasi- salah satu
kepentingan istimewa- adalah salah satu ditempatkan di pembilang,
populasi acuan pada penyebut, meskipun kadang-kadang kaidah ini
tidak diikuti.

PMR meneliti perbedaan proporsi kematian disebabkan

penyakit X dalam satu populasi dibandingkan dengan populasi
kedua. (Jelas, semua-penyebab PM atau PMR selalu 100%.) PMR
(Rumus 8.2) kemudian dapat dipertimbangkan kembali sebagai:

𝑃𝑟𝑜𝑝𝑜𝑟𝑠𝑖 𝑘𝑒𝑚𝑎𝑡𝑖𝑎𝑛 𝑦𝑎𝑛𝑔 𝑑𝑖𝑡𝑒𝑙𝑖𝑡𝑖 𝑑𝑎𝑟𝑖

𝑝𝑒𝑛𝑦𝑒𝑏𝑎𝑏 𝑠𝑝𝑒𝑠𝑖𝑓𝑖𝑘 (𝑠𝑡𝑢𝑑𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 )
PMR = 𝑃𝑟𝑜𝑝𝑜𝑟𝑠𝑖 𝑘𝑒𝑚𝑎𝑡𝑖𝑎𝑛 𝑦𝑎𝑛𝑔 𝑑𝑖ℎ𝑎𝑟𝑎𝑝𝑘𝑎𝑛 𝑑𝑎𝑟𝑖
𝑝𝑒𝑛𝑦𝑒𝑏𝑎𝑏 𝑠𝑝𝑒𝑠𝑖𝑓𝑖𝑘
(𝑑𝑎𝑟𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝑠𝑡𝑎𝑛𝑑𝑎𝑟)

Proporsi dalam keseluruhan populasi standar juga dapat

diterapkan untuk mendapatkan proporsi yang diharapkan di segala
usia (yang sebenarnya atau PMR kasar), atau proporsi tertentu usia
dapat diterapkan. Jika yang terakhir diadopsi, proporsi diharapkan
dihitung untuk setiap kelompok usia tertentu, dengan gambaran
kelompok spesifik yang dijumlahkan (berlaku standardisasi untuk
usia, seperti yang dijelaskan dalam bagian 8.3). penyebut mungkin
juga penyebab spesifik. Sebagai contoh, kita bisa melihat kematian
akibat penyakit jantung koroner (PJK) sebagai proporsi kematian
akibat stroke, atau kanker, atau kecelakaan, daripada semua
penyebab.
PM dan PMR yang cukup sederhana seperti yang Anda akan
temukan ketika Anda melakukan perhitungan dalam latihan di Box
8.1.
Dalam contoh sederhana ini, PMR adalah 30 persen lebih
tinggi dalam jangka waktu kedua di kota yang diteliti. Salah satu
penjelasan, dari banyak hal, adalah bahwa populasi yang mendasari
 semakin tua dan pneumonia lebih mungkin terjadi pada masyarakat
usia tua. Yang lainnya adalah bahwa fenomena ini umum dan tidak
spesifik ke rumah sakit ini. Hasil untuk rumah sakit kedua tidak
menunjukkan pola yang sama akan melawan kedua penjelasan
tersebut.

Tahapan telah ditetapkan untuk penyelidikan lebih dalam.

Sekarang kita akan melihat sebuah penelitian nyata di mana PMR
membantu untuk menyelesaikan pertanyaan yang sulit dan
merupakan penggunaan kreatif dari ukuran.

Kotak 8.1 Menghitung PM dan PMR

Dokter di rumah sakit mengamati bahwa jumlah pasien yang dirawat
karena pneumonia dan terkait infeksi serius dari paru-paru sangat tinggi
dan meningkat. Mereka tidak memiliki data hal persatuan diandalkan
pada penduduk rumah sakit dilayani. Mereka memeriksa rumah sakit
komputerisasi catatan dalam dua waktu lima tahun periods- 2000- 2004,
dan 2005-2009. Mereka juga membandingkan hasil mereka dengan kota
lain yang serupa 20 mil jauhnya. Hasilnya adalah sebagai berikut: Hitung
PM, dan PMR untuk dua perbandingan, yaitu, dari waktu ke waktu dan
antara dua rumah sakit. Apakah dokter yang tepat? penjelasan apa yang
dapat Anda pikirkan untuk apa yang Anda amati? Jawabannya ada pada
Tabel 8.2 dan teks di atas.

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

populasi standar 100

subcontinent- India lahir

Dengan nama India, diduga asal etnis 119

605
India

Tanpa nama India, diduga Putih asal 121

535
etnis British

Afrika New Commonwealth- lahir

Dengan nama Afrika, diduga asal etnis 56

28
Afrika

Dengan nama India, diduga asal etnis 120

23
India

Dengan nama Inggris, dianggap Putih 84

39
asal etnis British

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?

 Apa asumsi mendasar yang mendasari perbandingan yang valid

antara populasi menggunakan PMR?
 Apakah Marmot dkk. benar dalam menyimpulkan bahwa penyakit
jantung iskemik adalah relatif lebih umum pada populasi asal benua
bagian Asia Selatan, India?
 Tabel 8.2 jawaban untuk latihan di kotak 8.1 pada PMRs

Kota yang diteliti Kota perbandingan

2000-2004 2005-2009 2000-2004 2005-2009
A. PM 100/13.000 1200/12.000 1400/16.000 1550/17.000
= 7,7% = 10% = 8,8% = 8,8%
B. PMR antara
10%/7,7% = 1,30 8,8%/8,8% = 1,00
waktu ke waktu
C. PMR antara
7,7%/8,8% = 0,88
kedua RS
10%/ 8,8% = 1,4

Di Asia Selatan, misalnya, kanker yang kurang umum dibandingkan populasi

secara keseluruhan, sehingga PMR tinggi bisa disebabkan baik tingkat
yang lebih tinggi dari penyakit jantung koroner atau lebih rendah dari
kanker. Sedangkan data pada Tabel 8.2, menunjukkan PMR tinggi untuk
mayarakat bernama India baik yang lahir di anak benua India atau Afrika
New Commonwealth, mendukung pandangan bahwa penyakit jantung
iskemik relatif umum pada populasi India-lahir, hasilnya tidak konklusif (
setidaknya, tidak sendiri). Orang-orang tanpa nama India yang lahir di
anak benua India, diduga Putih Inggris, juga memiliki PMR tinggi, yang
menarik.
PMR dapat dianggap sebagai awal, atau nyata, alat analisis. Hal ini
karena asumsi mendasar, bahwa distribusi kematian akibat penyebab lain
dari yang diteliti adalah sama dalam dua populasi, sering tidak mungkin.
Ketika itu terus, rasio kematian standar (SMR- lihat bagian 8.3) dan PMR
terkait, sesuai dengan rumus yang diberikan dalam Roman et al. ( 1984)
dan pada Lampiran 8.2.
Jelas, angka kematian proporsional adalah cara sederhana dan
berpotensi berguna menggambarkan beban penyakit tertentu dalam
populasi, dan PMR menyediakan cara untuk membandingkan populasi.
PMRs dapat digunakan untuk meneliti hubungan antara eksposur dan
penyebab kematian. Dalam contoh kami studi Marmot et al. (Tabel 8.1),
paparan adalah etnis Asia Selatan dan penyebab PJK kematian. PMR
kemudian merupakan salah satu ukuran dari kekuatan berorganisasi, tetapi
untuk alasan yang sudah dibahas dalam kaitannya dengan latihan dalam
Kotak 8.2, satu yang berpotensi cacat.

8.3. Standarisasi Langsung Dan Perhitungan SMR (Standarisasi

Tidak Langsung)

Pada bagian ini, saya akan menggunakan kata menilai dalam

pengertian umum dan tradisional. Prinsip-prinsip di sini berlaku untuk
proporsi (dan tahun PribadiNya-) dan begitu relevan dengan prevalensi
dan insiden data. Mari kita asumsikan kita menggunakan tingkat insiden
kumulatif.

Ketika pembilang dan penyebut populasi data yang tersedia pada

skala besar, usia dan jenis kelamin tingkat tertentu dapat dihitung dan
dibandingkan antara waktu, tempat, dan subpopulasi (Bab 7). Angka ini
memberikan pandangan dari pola penyakit dalam suatu populasi. Jika
memungkinkan, angka ini harus disajikan. Untuk mempermudah, mungkin
cukup untuk hanya menampilkan data untuk usia dan jenis kelamin
beberapa kelompok. Hal ini bisa dibilang benar bahwa usia dan jenis
kelamin tingkat tertentu adalah blok mental yang membangun
epidemiologi yang semua dasar penting dan memegang keutamaan
dalam disiplin kami. Jenis analisis ini sering tidak mungkin karena jumlah
hasil terlalu kecil untuk menghasilkan ketepatan, tingkat stabil secara
statistik.

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).

Meskipun demikian, untuk alasan yang diberikan dalam Bab 7, ahli

epidemiologi perlu memeriksa data tersebut dengan cermat sebelum
meringkas mereka. Jawaban yang jelas adalah untuk menghitung angka
ringkasan seperti secara keseluruhan, angka sebenarnya (kasar).

Hasilnya kemudian benar-benar mencerminkan beban penyakit

yang diteliti dalam populasi itu. Ini mungkin angka pelayanan kesehatan
dan tenaga kesehatan perlukan, misalnya, untuk menentukan berapa
banyak layanan akan dibutuhkan tahun depan.

Untuk penelitian komparatif, namun, secara keseluruhan,

sebenarnya (kasar) tarif mungkin menyesatkan. Masalah yang biasa
adalah bahwa usia dan struktur jenis kelamin populasi dibandingkan
berbeda, di usia kata-lain dan seks yang variabel pengganggu (lihat
bagian 4.2.4). Kita dapat menyimpulkan bahwa lations ketenarannya
dibandingkan memiliki tingkat penyakit yang sangat berbeda ketika ada
penjelasan sederhana, misalnya, jika satu populasi lebih tua dari yang
lain. Cara paling sederhana untuk mempertimbangkan ini adalah untuk
menyesuaikan (atau standarisasi) tingkat usia, jenis kelamin, atau
keduanya, seperti yang dibahas selanjutnya. Ini biasa dan baik praktek
epidemiologi. Ada beberapa pengecualian untuk prinsip ini. Di mana
populasi perbandingan yang hampir iDEN- vertikal di usia dan jenis
kelamin struktur, usia dan penyesuaian seks tidak akan mengubah hasil.

Tarif disesuaikan telah menjadi norma, tetapi tidak tarif berdasarkan

population- benar, dan tidak berhubungan dengan status kesehatan
populasi nyata; Oleh karena itu, perkiraan mengakibatkan kebutuhan
perawatan kesehatan-salah. Sebagai contoh, tingkat disesuaikan usia-
stroke di tempat-tempat yang menarik baru saja pensiun mungkin lebih
rendah daripada di kota komersial utama seperti London, tapi ini cukup
menyesatkan. kebutuhan London untuk pelayanan stroke per unit populasi
sebenarnya kurang dari tempat seperti sebuah resor pensiun. Meringkas
seperangkat usia- tingkat tertentu ke dalam salah satu tokoh yang
disesuaikan usia- kehilangan informasi, yang sangat penting ketika
 perbedaan tidak konsisten di seluruh kelompok usia atau jenis kelamin.
Untuk ple exam-, Tabel 8.3 menunjukkan bahwa SMR keseluruhan, salah
satu metode dipertimbangkan dalam bagian 8.3.2, untuk paru-paru bisa-
cer pada wanita yang tinggal di dekat industri (zona ABC) lebih tinggi
daripada di daerah kontrol (S). (Rincian penelitian berada di Teladan 4.1.)
Sosok Ringkasan (SMR semua-usia) menyamarkan fakta bahwa tingkat
kematian di usia bawah- 65- tahun-jauh lebih tinggi, sementara tingkat di
over- 75- usia tahun-yang actu- sekutu yang lebih rendah, di zona ABC
daripada di zona S. informasi berpotensi penting yang hilang dalam usia
all (standar) SMR.

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)

Kelompok Daerah ABC (N= 40 332 wanita) Daerah S ( N= 22 312 wanita)

umur
SMR N (kasus) SMR N (kasus)

Semua usia 217 288 173 152

0-64 287 136 170 55
65-74 190 98 165 56
75+ 161 54 192 41
Standar untuk penduduk Inggris dan Wales dengan kelompok usia 5- tahun. N adalah jumlah diamati
dari populasi atau kematian; SMR, standar rasio kematian. Diadaptasi dari Pless-Mulloli T, Phillimore
PR, Moffatt S, Bhopal R, Foy C, Dunn C, dan kanker Tate J. Lung, kedekatan dengan industri, dan
kemiskinan di Timur Laut Inggris. Environmental Health Perspectives, Volume 106, Issue 4, 189-196,
1998

Keterbatasan ini juga berlaku untuk populasi yang sama dibandingkan

pada waktu yang berbeda periode; misalnya, CHD di Amerika Serikat
pada tahun 1994 dibandingkan dengan 1940. Hingga data kematian CHD
USA baru-baru ini disesuaikan menggunakan struktur usia 1940, tetapi
untuk tahun 1996 analisis struktur populasi tahun 2000 digunakan.
Perhitungan untuk tahun 1996 berdasarkan pada Struktur 1940
memberikan tingkat 86,7 / 100 000, dibandingkan dengan 187,1 / 100 000
menggunakan struktur 2000 (penjelasan untuk hasil luar biasa ini
diberikan berikutnya). Setelah memberi tanda perangkap, itu perlu untuk
dicatat bahwa standardisasi sangat penting dalam membuat pekerjaan
epidemiologi komparatif. Lubang perangkap berlaku untuk semua metode
penyesuaian untuk usia, jenis kelamin, dan faktor perancu lainnya dan ini
termasuk regresi berganda dan pendekatan kompleks lainnya. Dalam
skala global, mengingat penggunaannya oleh Dunia Organisasi
Kesehatan (WHO) dan lembaga lainnya, metode standarisasi langsung
adalah salah satunya teknik epidemiologi yang paling penting untuk
mengendalikan pembauran berdasarkan usia dan jenis kelamin dalam
tahap analisis.

8.3.1 Standarisasi langsung

Sebelum membaca, lakukan latihan di Kotak 8.3, berdasarkan pada Tabel

8.4. Kemudian, bandingkan hasil Anda dengan Lampiran Tabel A8.1.
Ingat, langkah-langkah mendasar, setidaknya bisa diperdebatkan, usia-
dan tarif khusus jenis kelamin.

Tabel 8.4 menunjukkan tiga kelompok dengan struktur usia yang

berbeda. Grup A bukan tipikal demografis negara industri yang stabil,
dengan jumlah orang yang sama dalam tiga dekade. Grup B jelas
merupakan struktur usia yang tidak biasa. Ini bisa jadi struktur usia
spesialis rumah sakit dokter, atau staf akademik universitas. Ini juga bisa
menjadi struktur usia penduduk setelah perang, penipisan oleh penyakit
seperti AIDS, atau hasil dari penutupan industri besar, misalnya, di kota
pertambangan, yang mengarah ke emigrasi kaum muda. Grup C bisa jadi
populasi tentara, mahasiswa, dokter di kelas pelatihan, atau penduduk di
daerah pinggiran baru dengan rumah murah untuk keluarga. Ketiga
populasi ini akan digunakan untuk beberapa latihan yang mengikuti.
 Angka spesifik usia (Lampiran Tabel A8.1 akan memungkinkan
Anda untuk memeriksa perhitungan Anda) identik dalam tiga kelompok
dan mereka meningkat seiring bertambahnya usia. Tingkat aktual,
keseluruhan (kasar) berbeda nyata. Mengapa? Grup B memiliki tingkat
keseluruhan yang tinggi karena memiliki populasi yang relatif lebih tua.
Yang lebih besar jumlah orang yang lebih tua sedang membobot
(menggunakan pengaruh atas) tingkat ringkasan. Ukuran dari populasi di
setiap kelompok usia mempengaruhi tingkat keseluruhan. Sementara tarif
aktual, keseluruhan (mentah) secara akurat menggambarkan pengalaman
di masing-masing dari ketiga kelompok, mereka menyesatkan kita untuk
berpikir ada perbedaan di antara mereka, karena pengaruh yang diberikan
oleh struktur populasi berbeda. Perbedaan-perbedaan ini menyebabkan
pembauran, dan usia adalah faktor pengganggu.

Ada dua teknik utama untuk menstandardisasi tarif untuk

membatalkan efek dari perbedaan struktur usia dan membuat
perbandingan keseluruhan mungkin — langsung dan tidak langsung.
Dalam metode langsung,

Kotak 8.3 Menafsirkan secara spesifik usia dan aktual secara

keseluruhan angka kasar
(kasar) tingkat
Kelompok seperti apa yang mungkin memiliki struktur usia ini ditunjukkan
pada Tabel 8.4? Hitung yang spesifik dan aktual (harga mentah) sendiri,
berdasarkan data pada Tabel 8.3 (hasilnya masuk Lampiran Tabel A8.1).
Pertimbangkan tingkat spesifik usia dan aktual pada Tabel 8.3. Berikan
komentar tentang struktur usia, dan pengaruhnya terhadap tingkat
keseluruhan (kasar), yang bervariasi dalam kelompok A, B, dan C.
Mengapa efek ini terjadi? Apakah ketiga kelompok ini memiliki hal yang
sama tingkat penyakit atau tidak?
Tabel 8.4 Rentang ukuran dan kasus: perhitungan tingkat spesifik usia dan aktual
(kasar) dalam tiga populasi dengan berbagai ukuran (hasil untuk kolom terakhir
ada di Lampiran Tabel A8.1)

Kelompok Usia Struktur Kasus Angka (%)

populasi
dan ukuran
Grup A

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

41-50 3000 450 15

Tingkat keseluruhan
5000 625 12,5
(kasar) sebenarnya

Grup C
21-30 5000 250 5

31-40 1000 100 10

41-50 200 30 15

Tingkat keseluruhan
6200 380 6,1
(kasar) sebenarnya

tingkat usia spesifik dari populasi penelitian diterapkan pada struktur

populasi standar. Sumber struktur populasi tidak begitu penting untuk
teknik ini, karena akan berhasil struktur apapun. Namun, untuk studi global
kebanyakan orang menggunakan Struktur Populasi Dunia WHO (struktur
juga tersedia di tingkat wilayah WHO) dan untuk studi nasional, sensus
nasional struktur populasi. Namun demikian, ada konsekuensi untuk
tingkat hasil aktual, meskipun tidak untuk perbandingan relatif antara tarif.

Tabel 8.5 (bagian a) menunjukkan hasil dari melakukan

standardisasi ini dengan populasi yang relatif muda sebagai standar.
Sebelum membaca, lakukan latihan di Kotak 8.4, termasuk melengkapi
Tabel 8.5 (bagian b). Kemudian bandingkan hasil Anda dengan Lampiran
Tabel A8.2. Perhitungannya sangat mudah tetapi perhatikan bahwa ketika
menerapkan tarif dari satu populasi (misalnya X) ke yang lain (katakanlah
Y), pertanyaannya adalah: berapa banyak kasus yang akan terjadi pada
populasi Y jika memiliki tingkat yang sama dengan X? Itu catatan kaki
dalam Tabel 8.5 memberi contoh bagaimana melakukan ini.

Tingkat usia spesifik yang identik dalam kelompok A, B, dan C yang

diperoleh dari Tabel 8.4 mengarah ke hal yang sama jumlah kasus yang
diharapkan dalam populasi standar Tabel 8.4 (a) dan karenanya, identik
tingkat keseluruhan (standar) (7,5%). Di sini struktur populasi standar
menyediakan bobot dan ini, oleh karena itu, sama di semua kelompok
pembanding. Tarif standar keseluruhan dalam Tabel 8.5 (bagian a),
bagaimanapun, berbeda dari yang ada pada Tabel 8.5 (bagian b).
Bandingkan hasil Anda untuk Tabel 8.5 (bagian b) dengan yang ada di
Lampiran Tabel A8.2 (b).

Penggunaan populasi standar muda mengarah ke tingkat standar

rendah (7,5%), dan yang lama populasi standar ke tingkat tinggi (13,9%).
Ini menjelaskan mengapa tingkat standar PJK di Amerika Serikat
meningkat pesat (lihat bagian akhir bagian 8.3) ketika struktur usia yang
lebih tua dan modern menggantikan yang lebih muda, struktur usia 1940-
an.
Tabel 8.5 Standarisasi dengan metode langsung: pengaruh populasi standar
muda dan tua
Populasi standar Populasi Menerapkan angka khusus usia dari
struktur standar kelompok dalam Tabel 8.4 untuk
ukuran populasi standar: kasus yang
diharapkan
Grup A Grup B Grup C
(a) Sebuah struktur populasi muda
21 – 30 3000 150 150 150
31 -40 1500 150 150 150
40 – 50 500 75 75 75
Secara 5000 375 375 375
keseluruhan
Tingkat standar keseluruhan = 375/5000 = 7,5% untuk grup A, B dan C
(b) Struktur populasi yang
lebih tua
21- 30 200 10 10 10
31 – 40 1000 100 100 100
41 -45 5000 750 750 750
Secara 6200 860 860 860
keseluruhan
Angka standar keseluruhan = 860/6200 = 13,9% untuk grup A, B dan C

* 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.

Masalahnya adalah bahwa hasil standar keseluruhan 7,5 persen

dalam Tabel 8.5 (bagian a) dan dari 13,9 persen dalam Tabel 8.5 (bagian
b) tidak nyata, dan berbeda dari yang sebenarnya, dan benar secara
keseluruhan (mentah) tarif pada Tabel 8.4. Ini adalah isu - isu yang halus
tetapi mendasar yang perlu Anda renungkan secara hati-hati. Itu Metode
ini memungkinkan komparabilitas tetapi telah menggantikan figur fiktif
untuk realitas. Ini dianggap harga yang diperlukan dan berharga. Tabel
8.5 menunjukkan, seperti halnya tingkat usia spesifik pada Tabel 8.4,
bahwa perbedaan yang terlihat dalam tingkat minyak mentah keseluruhan
adalah hasil dari perancah oleh usia. Tarif standar usia dapat
dibandingkan dengan membagi satu dengan yang lain untuk menciptakan
risiko relatif, seperti yang ditunjukkan pada bagian 8.4. Ada istilah teknis,
tetapi tidak perlu untuk risiko relatif seperti itu — yaitu, angka kematian
komparatif (atau morbiditas sebagaimana mestinya). Risiko relatif relatif
lebih baik.

Kotak 8.4 Pengaruh langsung Standarisai pada angka keseluruhan

Pertama hitung kasus yang diharapkan ketika Anda menerapkan tarif

spesifik usia dalam Tabel 8.4 ke yang lebih tua populasi standar (b) pada
Tabel 8.5. Ikuti pendekatan yang sama seperti pada Tabel 8.5 (a).
Mempertimbangkan struktur usia dari populasi struktur standar, dan
tingkat usia spesifik dan keseluruhan di Tabel 8.5. Apa hubungan antara
tingkat standar keseluruhan pada Tabel 8.5 dan yang ada di Tabel 8.4?
Mengapa tarif standar keseluruhan sekarang sama dalam kelompok A,
B, dan C? Apa pengaruh dari populasi standar yang relatif muda dan
relatif lama pada tarif standar? Di mana pengaruh (pembobotan) pada
tingkat keseluruhan berasal?
8.3.2 Standardisasi tidak langsung: perhitungan SMR
Pendekatan kedua untuk penyesuaian disebut standarisasi tidak
langsung. Di sini, populasi standar menyuplai tingkat penyakit, dan bukan
struktur populasi seperti pada metode langsung. Tarif ini diterapkan pada
struktur populasi penelitian kami sendiri untuk menjawab pertanyaan:
berapa banyak kasus yang akan terjadi telah terjadi jika populasi
penelitian memiliki tingkat penyakit yang sama seperti pada populasi
standar? (Catatan: gantikan kata-kata tingkat penyakit dengan struktur
populasi dan Anda memiliki yang setara pertanyaan untuk metode
langsung.) Jumlah kasus yang diamati dibagi dengan jumlah yang
diharapkan kasus yang memberikan rasio morbiditas standar (atau
mortalitas), yang biasanya dikalikan dengan 100 dan ditafsirkan sebagai
persentase dan dikenal luas sebagai SMR.

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.

Harapan umum dari suatu metode standardisasi usia adalah

bahwa, seperti dalam kasus standarisasi langsung, itu akan menghapus
efek perancu oleh usia. Ini mengejutkan bahwa ini tidak terjadi.
 Tabel 8.6 Standarisasi dengan metode tidak langsung
Standar populasi angka tertinggi
Kelompok Populasi Kasus Angka (%)
umur
21-30 40. 000 4000 10
31-40 50.000 7500 15
41- 50 60.000 1200 20
Total 150.000 23.500 15,7
Grup A Grup B Grup C
Populasi Kasus yang Populasi Kasus yang populasi Kasus yang
diharapkan diharapkan diharapkan
21-30 1000 100 500 50 5000 500
31-40 1000 150 1500 225 1000 150
41-50 1000 200 3000 600 200 40
Total 3000 450 5000 875 6200 690
Diamati/diharapkan
(standar rasio 300 625 380
= 66% = 71% = 55,1%
morbiditas/ 450 875 690

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?

Kotak 8.6 Menginterpretasikan SMR pada Tabel 8.3

 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?

 Dalam prakteknya, mengapa perbandingan ini mungkin dapat diterima?

 Bagaimana dengan perbandingan tertentu usia- (0- 64, 65- 74, dan 75 +
tahun)? Jawaban-pertanyaan yang tions di atas untuk ini perbandingan
yang lebih spesifik.

kadang-kadang sengaja tetapi biasanya tidak sadar. Manfaat dari SMR

adalah produksi sejumlah yang memungkinkan perbandingan dengan
populasi referensi. Dimana perbandingan yang harus dibuat antara
beberapa populasi, ketat, baik tingkat tertentu usia, atau mereka
disesuaikan dengan metode langsung harus diperiksa. Kembali Tabel 8.3,
mengingat bahwa SMRs yang cal- culated menggunakan angka kematian
spesifik usia- Inggris dan Wales diterapkan pada struktur penduduk
wilayah geografis ABC dan S. Sekarang lakukan latihan di Box 8.6
sebelum membaca.
SMR dari 217 menunjukkan bahwa jumlah kasus yang diamati di
daerah ABC adalah 2,17 lebih besar dari jumlah yang diharapkan, jika
daerah ini memiliki tingkat kematian yang sama usia- tertentu seperti di
Inggris dan Wales. Daerah S memiliki 1,73 kali jumlah yang diharapkan.
Seperti yang kita tidak tahu struktur populasi daerah ABC dan S,
Tegasnya kita tidak bisa langsung membandingkan ABC dengan S. Jika
struktur populasi yang sama, maka tidak ada tujuan dalam standardisasi
tidak langsung. Penyebab semua-, semua-yang sebenarnya (crude)
tingkat usia kemudian dapat dibandingkan tanpa pengganggu oleh usia.
Sebagai daerah ABC dan S hanya 20 mil terpisah di timur utara-Inggris,
kita akan mengharapkan (dan dapat menunjukkan) hanya perbedaan kecil
dalam struktur umur. Dalam prakteknya, oleh karena itu, perbandingan
langsung, menyimpulkan bahwa daerah ABC memiliki SMR lebih tinggi
dari daerah S, yang cukup aman. Pembaca akan belajar bahwa parisons
com- seperti langsung SMRs yang biasa, dan ketika struktur penduduk
sangat berbeda, mereka serius menyesatkan. Mengetahui konteks
penelitian membantu melindungi terhadap kesalahan serius. Hal ini
menjelaskan mengapa SMRs yang umum dalam studi nasional
membandingkan daerah,
Para penulis juga dihitung SMRs dalam kelompok umur. Pada
pandangan pertama, yang aneh. Mungkin, bagaimanapun, perbedaan
usia dalam kelompok umur terutama ketika ini didefinisikan secara luas.
Langkah ini tidak termasuk pengganggu residual disebabkan oleh
perbedaan usia dalam kelompok umur. Bisa dibayangkan bahwa pada
kelompok usia 65- 74 di daerah ABC, orang memiliki usia rata-rata 71
tahun, sedangkan di daerah lain memiliki usia rata-rata 69 tahun. Ini bisa
membuat perbedaan besar untuk usia- sensitif out datang seperti kanker.
Kami berada di sounder tanah dalam membuat perbandingan langsung
dari SMR spesifik usia, terutama jika ini bisa dalam rentang usia yang
ketat, misalnya, 60- 65 tahun atau bahkan 60- 61 tahun. Dalam hal ini,
SMR digunakan dalam pengetahuan tentang batas-batasnya.
Prosedur standardisasi dapat diperluas untuk mencakup seks dan
variabel lebih lanjut, tetapi prinsip-prinsip yang sama seperti untuk usia.
Dalam prakteknya, ketika penyesuaian yang diperlukan untuk lebih dari
usia dan jenis kelamin, analisis regresi biasanya dilakukan. Hasilnya
sangat mirip. metode regresi diperkenalkan secara singkat pada bagian
8.15. metode regresi belum diganti metode standarisasi dan itu sangat
berharga mencerminkan mengapa tidak. Tidak seperti metode regresi,
standardisasi mudah dipelajari dan diterapkan (bahkan menggunakan
kalkulator sederhana atau spreadsheet) dan hasilnya intuitif dan mudah
untuk menafsirkan. Seperti yang telah saya jelaskan, namun, ada nuansa
dan perangkap bahkan di sini.