Bab 3

Epidemiologi, Demografi,dan Kesehatan Masyarakat

JUDITH MCFARLANE

TUJUAN PEMBELAJARAN

Setelah mempelajari bab ini, Anda harus dapat:

1. Menafsirkan dan menggunakan epidemiologi dasar, demografi, dan statistik

ukuran kesehatan masyarakat.

2. Terapkan prinsip epidemiologi dan demografi ke praktik kesehatan masyarakat.

Pengantar

Epidemiologi dan demografi adalah ilmu untuk mempelajari

populasikesehatan. Untuk mempromosikan, memulihkan, dan menjaga kesehatan
populasi, masyarakat profesional kesehatan mengintegrasikan dan menerapkan
konsep dari bidang-bidang ini. Penggunaan dariproses epidemiologi dapat secara
signifikan meningkatkan praktik kesehatan masyarakat, menyediakanbaik tubuh
pengetahuan dan metodologi untuk menyelidiki masalah kesehatan
danmengevaluasi layanan kesehatan. Bab ini memperkenalkan epidemiologi dan
demografikonsep yang penting untuk praktik keperawatan kesehatan masyarakat.

EPIDEMIOLOGI

Istilah epidemiologi berasal dari istilah Yunani logos (studi), demo (orang), dan
epi (pada) secara literal, “studi tentang apa yang ada pada orang-orang.”
Epidemiologi adalah berkaitan dengan distribusi dan faktor penentu kesehatan dan
penyakit, morbiditas, cedera, cacat, dan kematian dalam populasi. Populasi dalam
konteks ini mengacu pada orang-orang dengan karakteristik umum seperti jenis
kelamin, usia, dan tempat tinggal. Meskipun penyelidikan epidemiologi
memeriksa kondisi dalam kelompok populasi, itu Penting untuk diingat bahwa
populasi terdiri dari individu, yang masing-masing adalah seseorang dengan
kondisi tertentu. Epidemiologi adalah studi tentang distribusi dan determinan yang
terkait dengan kesehatan keadaan atau peristiwa dalam populasi tertentu dan
penerapan studi ini untuk meningkatkan kesehatan. Epidemiologi adalah disiplin
kuantitatif berdasarkan prinsip statistik dan metodologi penelitian. Studi
epidemiologi telah memberikan kontribusi yang signifikan untuk identifikasi
faktor risiko, seperti merokok dan kanker paru-paru. Selain itu, epidemiologi studi
mengidentifikasi faktor risiko yang dapat dimodifikasi untuk penyakit jantung
yang menghasilkan gaya hidup perubahan untuk individu bersama dengan
perubahan dalam kebijakan kesehatan masyarakat. Jadi, epidemiologi metode
penelitian adalah alat yang ampuh untuk menyelidiki peristiwa yang berhubungan
dengan kesehatan. Studi epidemiologi awal terutama berkaitan dengan kontrol
epidemi (wabah penyakit di luar tingkat yang diharapkan dalam suatu populasi).
John Snow’s studi epidemi kolera di London pada tahun 1853 adalah klasik dalam
sejarah epidemiologi. Pada saat itu, cara penularan kolera tidak diketahui. Snow
menduga itu disebarkan oleh air yang terkontaminasi. Menerapkan prinsip-prinsip
epidemiologi, Snow ditentukan bahwa tingkat kematian dari kolera paling tinggi
di daerah yang dilayani oleh dua spesifik sistem pemompaan air. Dia belajar
bahwa air dari sistem ini berasal bagian dari Sungai Thames ke mana limbah
London dibuang. Jadi ini ahli epidemiologi awal mampu mengidentifikasi cara
penularan waterborne kolera dan menentukan langkah-langkah untuk
mengendalikan penyebarannya (Snow, 1936). Banyak studi epidemiologi
memiliki fokus morbiditas / mortalitas penyakit; namun, dimensi kesehatan dan
kesejahteraan melampaui komponen-komponen ini. Epidemiologi seperti yang
dilakukan saat ini telah memperluas ruang lingkupnya untuk mencakup
penyelidikan gaya hidup, strategi promosi kesehatan, cedera, kondisi lingkungan,
dan faktor lainnya itu mempengaruhi kesehatan. Praktisi kesehatan masyarakat
menggunakan pengetahuan yang diperoleh dari epidemiologi proses untuk
memandu pengambilan keputusan dan bantuan dalam mengembangkan dan
mengevaluasi intervensi untuk promosi kesehatan dan pencegahan penyakit.
Epidemiologi proses analog dengan proses keperawatan dalam analisis kritis yang
diperlukan untuk mendapatkan wawasan lebih jauh tentang masalah kesehatan
masyarakat dan masyarakat.

Epidemiologi Deskriptif

Epidemiologi deskriptif berfokus pada distribusi frekuensi dan pola acara

kesehatan dengan kelompok dalam suatu populasi. Studi deskriptif memeriksa
pola penyakit dan fenomena terkait kesehatan lainnya menurut "orang" (siapa
yang terpengaruh?), "Tempat" (di mana mereka terpengaruh?), Dan "waktu"
(kapan mereka terpengaruh?). Deskriptif statistik menyediakan data, informasi,
dan wawasan ke dalam karakteristik yang ada dalam kelompok atau populasi
dengan penyakit atau tidak adanya penyakit di tidak terpengaruh kelompok atau
populasi. Pertanyaan yang dibahas adalah, “Adakah karakteristik yang ada di
populasi yang terkena dampak yang tidak hadir dalam populasi yang tidak
terpengaruh? ”Untuk Misalnya, mengapa tingkat kanker payudara lebih rendah
pada wanita yang telah memiliki anak dan menyusui mereka daripada pada wanita
yang belum punya anak? Statistik deskriptif menyediakan studi epidemiologi
dengan data untuk mengembangkan tingkat, rasio, dan proporsi statistik
morbiditas dan mortalitas untuk digunakan dalam kesehatan masyarakat dan
statistik vital. Data dari studi deskriptif menyarankan hipotesis untuk pengujian
lebih lanjut dan biasanya melibatkan beberapa bentuk kuantifikasi dan analisis
statistik. Studi deskriptif umumnya mendahului studi analitik.

Epidemiologi Analitik

Berbeda dengan epidemiologi deskriptif, epidemiologi analitik berusaha

mengidentifikasi asosiasi antara penyakit tertentu atau masalah kesehatan dan
etiologinya. Analitikstudi diarahkan untuk menemukan jawaban atas "bagaimana"
dan "mengapa" kesehatan danpenyakit untuk menentukan kausalitas. Studi
analitik prihatin dengan determinan penyakit dan mencari untuk mengidentifikasi
penyebab masalah. Mereka menguji hipotesis atauberusaha untuk menjawab
pertanyaan spesifik dan dapat retrospektif atau prospektif dalam desain.

DEMOGRAFI

Demografi (secara harfiah, "menulis tentang orang-orang," dari demo Yunani

[orang]dan graphos [penulisan]) adalah studi statistik populasi manusia dengan
referensi ukuran dan kepadatan, distribusi, dan statistik vital. Statistik demografi
menyediakan informasi tentang karakteristik signifikan dari populasi yang
mempengaruhi komunitas kebutuhan dan pengiriman layanan perawatan
kesehatan. Studi demografi (yaitu, demografipenelitian) memberikan deskripsi
dan perbandingan populasi menurut karakteristik usia, ras, jenis kelamin, status
sosial ekonomi, distribusi geografis,dan pola kelahiran, kematian, pernikahan, dan
perceraian. Studi demografi sering terjadi implikasi kesehatan yang mungkin atau
mungkin tidak ditangani oleh para peneliti. Sensuspopulasi AS adalah contoh
demografi deskriptif yang komprehensif studi dilakukan setiap 10 tahun.

TINGKAT PENCEGAHAN DALAM PRAKTEK KESEHATAN

MASYARAKAT

Konsep pencegahan adalah komponen kunci dari praktik kesehatan masyarakat

modern. Dalam terminologi populer, pencegahan berarti menghambat
perkembangan penyakit sebelum itu terjadi. Untuk praktisi kesehatan masyarakat,
tiga tingkat pencegahan praktik panduan primer, sekunder, dan tersier.
Pencegahan primer yang diterapkan pada populasi yang secara umum sehat
mendahului penyakit atau penyelewengan fungsi. Pencegahan primer dibagi
menjadi dua bagian komponen: (1) umum promosi kesehatan seperti nutrisi,
kebersihan, olahraga, dan perlindungan lingkungan dan (2) promosi kesehatan
spesifik, yang termasuk imunisasi dan pemakaian perangkat pelindung untuk
mencegah cedera. Jika suatu penyakit diinduksi lingkungan, primer pencegahan
dapat mencegah eksposur seseorang terhadap faktor lingkungan yang terlibat dan
dengan demikian mencegah perkembangan penyakit. Pencegahan sulit dilakukan
mengukur dan menunjukkan secara empiris; Namun, itu lebih murah baik dari
segi penderitaan manusia dan dalam hal pengeluaran ekonomi daripada intervensi
krisis dan mengobati penyakit dan kecacatan setelah mereka terjadi. Pencegahan
sekunder adalah deteksi dini dan pengobatan kondisi kesehatan yang buruk.
Tujuan pencegahan sekunder adalah untuk mendeteksi dan mengobati masalah
paling cepat tahap yang mungkin ketika penyakit atau gangguan sudah ada.
Pencegahan sekunder dapat menyebabkan penyembuhan penyakit yang tidak
dapat disembuhkan pada tahap selanjutnya, pencegahan komplikasi dan
kecacatan, dan kurungan penyebaran komunikatif penyakit Contoh pencegahan
sekunder termasuk skrining tekanan darah untuk hipertensi, tes audiometri untuk
gangguan pendengaran, tes kulit untuk tuberkulosis, dan uji fenilalanin untuk
fenilketonuria pada masa bayi. Di komunitas dasar, pengobatan dini orang dengan
penyakit menular, seperti penularan seksual penyakit (STD), dapat melindungi
orang lain dari memperoleh infeksi dan dengan demikian menyediakan sekunder
pencegahan untuk orang yang terinfeksi dan pencegahan primer untuk potensi
mereka kontak. Pencegahan tersier digunakan setelah penyakit atau kejadian telah
terjadi morbiditas. Tujuan pencegahan tersier adalah untuk membatasi kecacatan
dan merehabilitasi atau kembalikan orang-orang yang terkena dampak ke
kapasitas semaksimal mungkin. Contoh dari pencegahan tersier termasuk terapi
fisik untuk korban stroke, program dukungan sosial untuk memulihkan pecandu
alkohol, program latihan untuk korban serangan jantung, dan mental konseling
kesehatan untuk korban perkosaan. Tujuan intervensi pada masing-masing dari
tiga tingkat pencegahan adalah untuk mencegah proses pengembangan. Untuk
merencanakan metode yang tepat untuk primer, sekunder, dan pencegahan tersier,
perawat kesehatan masyarakat awalnya harus menilai saat ini status kesehatan
komunitas.

TINDAKAN KESEHATAN DESKRIPSI

Pengukuran Demografi

Karakteristik manusia tertentu, atau demografi, dapat dikaitkan dengan kesehatan

atau penyakit. Usia, ras, jenis kelamin, etnis, pendapatan, dan tingkat pendidikan
merupakan demografi yang penting yang dapat mempengaruhi hasil kesehatan.
Sebagai contoh, pria lebih mungkin daripada wanita untuk mengembangkan
penyakit jantung tertentu, dan wanita Afrika-Amerika lebih banyak kemungkinan
daripada wanita Kaukasia untuk melahirkan bayi dengan berat badan rendah
(biasanya didefinisikan sebagai bayi dengan berat badan kurang dari 2500 g saat
lahir). Untuk merencanakan kesehatan suatu komunitas, perawat harus akrab
dengan karakteristik demografi masyarakat dan dengan masalah kesehatan yang
terkait dengan karakteristik tersebut.

Morbiditas dan Mortalitas

Meskipun epidemiologi menggambarkan distribusi dan determinan dari kedua

kesehatan tersebut dan keadaan sakit, kesehatan sulit diukur. Karena itu, banyak
ukuran "Kesehatan" dinyatakan dalam bentuk morbiditas (penyakit) dan
mortalitas (kematian). Sangat bagus sumber data morbiditas dan mortalitas, oleh
negara dan untuk kota tertentu, adalah Pusat Pengendalian dan Pencegahan
Penyakit, Morbiditas dan Mortalitas Laporan Mingguan
(http://www.cdc.gov/mmwr).

Insidensi

Insiden kondisi kesehatan atau penyakit apa pun mengacu pada jumlah orang di
populasi yang mengembangkan kondisi selama jangka waktu tertentu. Insidensi
tingkat mengukur tingkat di mana orang-orang tanpa penyakit mengembangkan
penyakit selama jangka waktu tertentu (yaitu, jumlah kasus baru penyakit dalam
suatu populasi selama periode waktu). Secara matematis, tingkat insiden selama
periode waktu adalah diekspresikan sebagai:

Jumlah kasus baru penyakit

X 100,000

Total populasi berisiko

Tingkat insiden menggunakan frekuensi kasus baru di pembilang. Penyebutnya

untuk tingkat insiden adalah populasi yang berisiko. Misalnya, untuk menghitung
tingkat kejadian kanker payudara pascamenopause, wanita yang masih
premenopause tidak akan menjadi bagian dari populasi yang berisiko. Insiden
sangat khusus penting untuk penelitian epidemiologi analitik karena
memungkinkan estimasi risiko yang diperlukan untuk menilai hubungan kausal
(risiko relatif). Perhitungan insiden umumnya mengharuskan populasi yang
didefinisikan pada awalnya bebas dari penyakit di Pertanyaan harus diikuti selama
periode waktu dalam apa yang disebut prospektif (studi berwawasan ke depan).
Prevalensi
Prevalensi penyakit atau kondisi mengacu pada jumlah total orang di populasi
yang memiliki kondisi pada waktu tertentu. Dengan demikian, prevalensi bisa
terjadi Jumlah kasus baru penyakit Total populasi berisiko dihitung dalam "satu-
shot" cross-sectional (slice of time) atau retrospektif (mundur mencari) belajar.
Secara matematis, prevalensi dinyatakan sebagai:
Jumlah kasus penyakit yang ada

X 100,000

Jumlah dalam total populasi

Prevalensi, oleh karena itu, memeriksa tingkat morbiditas dalam suatu komunitas
dan dipengaruhi dengan tingkat kasus baru, jumlah kasus yang ada, pengobatan
baru yang efektif modalitas, dan kematian. Ini dapat diklasifikasikan sebagai
periode prevalensi (keberadaan) selama periode waktu, seperti 32% anak-anak di
Camp North mengalami diare antara 10 Juni dan 25 Juni) atau prevalensi titik
(titik waktu tertentu, seperti 10% anak-anak di Camp North mengalami diare pada
15 Juni).

Memahami Insiden dan Prevalensi

Ukuran kejadian dan prevalensi memberikan informasi yang berbeda. Untuk

mengerti hubungan antara insiden dan prevalensi, pertimbangkan jumlah
penumpang di kereta api. Jumlah penumpang mewakili prevalensi (penyakit yang
ada, kasus lama dan baru); Jumlah penumpang naik mewakili insiden (baru kasus
penyakit); penumpang yang turun dari kereta mewakili individu yang baik
memulihkan atau mati. Baik jumlah kasus baru yang masuk dan jumlah individu
dengan penyakit yang meninggalkan baik melalui kematian atau melalui
pemulihan dari penyakit mempengaruhi prevalensi. Jumlah penumpang di kapal
akan meningkat jika jumlahnya penumpang naik (kasus baru) tinggi, jika jumlah
penumpang yang keluar rendah (lebih sedikit kematian atau tingkat kelangsungan
hidup yang meningkat karena pengobatan baru), atau keduanya terjadi.
Sebaliknya, prevalensi akan menurun ketika jumlah kasus baru rendah atau kapan
orang meninggal atau orang sembuh dari penyakit atau keduanya. Pertimbangkan
contoh lain. Anda membaca tentang peningkatan prevalensi tertentu jenis kanker;
peningkatan ini dapat berarti bahwa ada lebih banyak orang dengan jenis kanker
ini dalam populasi. Jumlah yang lebih tinggi ini mungkin karena lebih banyak
kasus baru (dengan kata lain, peningkatan insiden) atau karena orang dengan jenis
ini kanker hidup lebih lama. Dalam kasus lain, komunitas mungkin perlu
mengalokasikan tambahan sumber daya terhadap identifikasi dan pengobatan
kanker.

Rasio, Proporsi, dan Tarif

Dalam studi epidemiologi, data dan statistik memungkinkan perbandingan di

antara populasi. Oleh karena itu, perlu mengkonversi data mentah menjadi rasio,
proporsi, dan tarif untuk memberikan deskripsi masalah kesehatan yang lebih
valid. Rasio hanyalah satu nomor dibagi dengan yang lain di mana tidak ada
hubungan tertentu antara pembilang dan penyebut. Misalnya, dari 1.000 kematian
sepeda motor, 950 korban adalah laki-laki dan 50 perempuan. Rasio jenis kelamin
adalah jumlah laki-laki dibandingkan dengan jumlah perempuan (950/50 atau 19
laki-laki hingga 1 perempuan). Sebaliknya, proporsi adalah satu nomor dibagi
dengan yang lain di mana pembilang adalah bagian dari penyebut (yaitu, termasuk
dalam penyebut) dan diekspresikan sebagai persentase. Dengan menggunakan
data yang sama, Anda dapat menghitung proporsi laki-laki untuk perempuan. Dari
1.000 kematian sepeda motor, 950 adalah laki-laki dan 50 perempuan. Persentase
apa korban jiwa adalah laki-laki? Proporsi dinyatakan dengan rumus X / (X? Y);
demikian, persentase laki-laki untuk perempuan akan menjadi 950 / 1.000
dikalikan dengan 100, yang sama 95%. Baik rasio maupun proporsi memiliki
basis populasi atau satuan waktu tertentu. Karena epidemiologi adalah studi
tentang kesehatan penduduk, ukuran statistik harus menghubungkan kejadian
kondisi kesehatan dengan populasi yang berisiko. Untuk menilai Jumlah kasus
penyakit yang ada Jumlah dalam total populasi probabilitas bahwa satu kelompok
berisiko lebih tinggi dari yang lain, tarif dihitung. Tarif mengukur jumlah
penyakit, cedera, cacat, atau kematian dalam satu unit populasi dan dalam satuan
waktu. Tarif mengungkapkan hubungan matematis di mana pembilang
berhubungan dengan jumlah orang yang mengalami kondisi tersebut, dan
penyebut menyatakan populasi yang berisiko atau jumlah total orang yang
memiliki kemungkinan mengalami kondisi tersebut. Harga meningkatkan
kemampuan untuk membuat perbandingan karena mereka mengurangi standar
perbandingan dengan common denominator, ukuran unit populasi. Misalnya,
angka kematian kasar untuk penyakit jantung di Florida dan Texas masing-masing
adalah 288.0 dan 190.0 per 100.000 orang. Itu muncul bahwa tingkat kematian
lebih tinggi di Florida dibandingkan dengan Texas. Perbedaan ini mungkin karena
karakteristik populasi (misalnya perbedaan usia di antara negara bagian) yang
dapat mempengaruhi pengalaman kematian. Kemudian di bab ini, tarif khusus
dibahas yang dapat dihitung untuk subkelompok orang, seperti angka kematian
untuk penyakit jantung di Florida dan Texas untuk orang yang berusia di atas 65
tahun. Jangan mengacaukan tarif dengan proporsi lain yang tidak menggunakan
populasi di risiko sebagai penyebut. Misalnya, tingkat kematian akibat kanker
tidak sama dengan proporsi kematian akibat kanker. Di masing-masing,
pembilang adalah jumlah kematian dari kanker. Namun, penyebutnya berbeda.
Dalam angka kematian, penyebut mewakili semua orang yang berisiko mati
karena kanker. Karena itu, angka kematian kanker adalah ekspresi risiko kematian
akibat kanker. Dalam proporsi kematian, angka mortalitas proporsional (PMR),
denominator adalah jumlah total kematian dari semua penyebab. Secara
matematis, PMR dinyatakan sebagai:
Jumlah kematian karena penyebab spesifik

X 100

Jumlah total kematian dari semua kasus

Oleh karena itu, kematian kanker proporsional hanya menggambarkan proporsi

kematian disebabkan kanker. Misalnya, jika PMR penyakit jantung adalah 37%,
inimenunjukkan bahwa 37% dari semua kematian, tanpa memandang usia, jenis
kelamin, atau ras, terkait dengan penyakitdari hati. Namun, statistik ini tidak
memberikan indikasi tingkat untuk jantungpenyakit.

Perhitungan Tarif Epidemiologi

Tarif dihitung dengan rumus:

Jumlah orang yang mengalami kondisi

Menilai = X K

Populasi berisiko mengalami kondisi

K adalah konstanta (biasanya 1.000 atau 100.000) yang memungkinkan rasio,

yang mungkin sangat jumlah kecil, diekspresikan dengan cara yang berarti.
Konsep tarif dapat dipahami lebih mudah dengan menerapkan formula ini ke
perhitungan kematian bayirate (IMR), yang memperkirakan risiko bayi meninggal
selama tahun pertama kehidupan.Contoh Tingkat: Angka Kematian Bayi AKB
biasanya dihitung berdasarkan tahun kalender. Jumlah kematian bayi (Kematian
sebelum usia 1 tahun) sepanjang tahun dibagi dengan jumlah hidup kelahiran
(bayi yang lahir hidup) selama tahun itu. Pembilang menunjukkan angka bayi
yang mengalami "kondisi" meninggal di tahun pertama kehidupan, dan penyebut
mewakili populasi bayi yang berisiko mati di tahun ini.Jika dalam satu tahun
tertentu 34.400 kematian bayi dan 4.084.000 kelahiran hidup dilaporkan untuk
Amerika Serikat, data ini akan menyediakan pembilang dan penyebut hitung IMR.
Menerapkan rumus untuk tarif, orang akan membagi pembilang34.400 dengan
4.084.000 dan dapatkan nilai 0,0084, yang akan menunjukkan bahwa 0,0084bayi-
bayi itu mati selama tahun pertama kehidupan. Untuk mendapatkan tingkat yang
berarti, itu perluuntuk berkembang biak dengan konstan, dalam hal ini 1.000, dan
menemukan bahwa 8,4 bayi per 1.000 kelahiran hidup meninggal selama tahun
pertama kehidupan (yaitu, IMR adalah 8,4 kematian bayi per tahun1.000
kelahiran hidup). AKB ini akan dihitung sebagai berikut:
 34,400

X 1,000 = 8,4 kematian bayi per kelahiran hidup

4,048,000

Interpretasi Tarif

Harga memungkinkan peneliti untuk membandingkan populasi yang berbeda

dalam hal masalah kesehatan atau ketentuan. Untuk menilai apakah satu
komunitas berisiko lebih besar atau lebih kecil untuk masalah atau kondisi,
bandingkan tarif untuk komunitas dengan tarif dari yang serupa komunitas, dari
negara bagian, atau dari Amerika Serikat secara keseluruhan. Diperlukan kehati-
hatian dalam menafsirkan tarif. Seperti kebanyakan ukuran statistik, tarif adalah
kurang dapat diandalkan bila berdasarkan angka kecil. Ini penting ketika menilai
relatif Kejadian atau kondisi yang jarang terjadi atau komunitas dengan populasi
kecil. Mayoritas tarif didasarkan pada data dari tahun kalender, yang mungkin
juga menyajikan beberapa kesulitan. Populasi dapat bertambah atau berkurang
selama kalender tahun. Untuk menyesuaikan perubahan populasi sepanjang tahun,
perkiraan populasi pertengahan tahun umumnya digunakan karena populasi yang
berisiko tidak dapat ditentukan secara akurat.

Tarif Umum Digunakan

Kotak 3.1 merangkum sejumlah angka penting. Perhatikan bahwa ukuran-ukuran

keaslian dan mortalitas, pada intinya, ukuran-ukuran kejadian dari kondisi
“menjadi lahir "dan" sekarat. "Pelajari berbagai cara di mana penyebut, atau
populasi beresiko, ditentukan dalam tingkat yang berbeda.

Tarif Mentah, Spesifik, dan Disesuaikan

Tarif dapat dibagi menjadi tiga kategori: mentah, spesifik, dan disesuaikan. Tarif
dihitung untuk populasi secara keseluruhan adalah harga minyak mentah. Saat
menghitung kematian di populasi total, terlepas dari usia, tingkat yang diperoleh
adalah angka kematian kasar atau tingkat kematian kasar. Dengan angka kematian
kasar, tidak ada tunjangan untuk usia distribusi populasi atau perbandingan antar
populasi dengan berbeda kelompok umur. Sub kelompok populasi mungkin
memiliki perbedaan yang tidak diungkapkan oleh tingkat minyak mentah. Tarif
yang dihitung untuk subkelompok adalah tarif khusus. Tarif khusus terkait dengan
demografi faktor-faktor seperti usia, ras, dan jenis kelamin, atau mereka dapat
merujuk ke seluruh populasi tetapi spesifik untuk beberapa penyebab kematian
atau penyakit. Misalnya, untuk menghilangkan efek dari struktur usia yang
berbeda dalam populasi perbandingan, tingkat kematian spesifik usia akan sesuai.
Angka kematian untuk penyakit tertentu seperti penyakit jantung berhubungan
dengan penyebab kematian tertentu, subkelompok atau apapun usia, ras, jenis
kelamin, agama, atau untuk seluruh penduduk. Informasi yang diperoleh dari
tingkat tertentu dapat membantu identifikasi kelompok dengan peningkatan risiko
dalam populasi dan memfasilitasi perbandingan antara populasi yang memiliki
demografi berbeda komposisi. Dalam membandingkan populasi dengan distribusi
yang berbeda dari suatu faktor yang diketahui mempengaruhi kondisi kesehatan
yang menarik, penggunaan tarif yang disesuaikan mungkin tepat. Sebuah

HARGA YANG DIGUNAKAN SECARA UMUM

Ukuran Kesetaraan

Jumlah kelahiran hidup selama interval waktu

Angka kelahiran kasar = X 1,000

Perkiraan populasi interval tengah

Jumlah kelahiran hidup selama interval waktu

Tingkat kesuburan = X 1,000

Jumlah wanita berusia 15–44 pada pertengahan interval

Ukuran Morbiditas dan Mortalitas

Jumlah kasus baru yang ditentukan

kondisi kesehatan selama selang waktu

Tingkat insiden = X 1,000

Diperkirakan populasi midintervestral berisiko

Jumlah kasus saat ini yang ditentukan

kondisi kesehatan pada suatu titik waktu tertentu

Tingkat Prevalensi = X 1,000

Estimasi populasi berisiko pada titik yang sama

Jumlah kematian selama selang waktu

Angka kematian kasar = X 1,000

Perkiraan populasi interval tengah

 Jumlah kematian disubkelompok selama

interval waktu Perkiraan pertengahan

Tingkat kematian spesifik = X 1,000

interval populasi subkelompok

Jumlah kematian dari yang ditentukan

disebabkan selama interval waktu

Tingkat kematian karena spesifik = X 1,000

Perkiraan populasi interval tengah

Jumlah kematian bayi

berusia 1 tahun selama selang waktu

Angka kematian bayi = X 1,000

Total kelahiran hidup selama interval waktu

Jumlah kematian bayi umur

<28 hari selama selang waktu

Angka kematian neonatal = X 1,000

Total kelahiran hidup selama interval waktu

Jumlah kematian bayi usia ≥28 hari

tetapi <1 tahun selama selang waktu

Angka kematian postneonatal = X 1,000

Total kelahiran hidup selama interval waktu

Jumlah kematian dari kasus nifas selama 1 tahun

Angka kematian ibu = X 1,000

Jumlah kelahiran hidup selama tahun yang sama

perbedaan komposisi berbagai populasi. Intinya, penyesuaian menghasilkan

perkiraan apa tingkat mentah akan jika populasi identik sehubungan dengan faktor
yang disesuaikan. Harga disesuaikan untuk usia, ras, jenis kelamin, atau apapun
faktor atau kombinasi dari faktor-faktor yang diduga mempengaruhi laju. Tarif
yang disesuaikan adalah membantu dalam membuat perbandingan komunitas,
tetapi mereka imajiner: Perhatian diperlukan ketika menafsirkan.

ANALITIS TINDAKAN KESEHATAN

Seperti yang telah dibahas sebelumnya, tarif menggambarkan dan

membandingkan risiko kematian, menjadi sakit, atau mengembangkan kondisi
kesehatan lainnya. Dalam studi epidemiologi, itu juga diinginkan untuk
menentukan apakah kondisi kesehatan terkait dengan, atau terkait dengan, faktor
lain. Temuan penelitian dapat memberikan landasan teoritis yang mencegah
tindakan diidentifikasi (misalnya, hubungan polusi udara dengan masalah
kesehatan telah menyebabkan kontrol lingkungan). Untuk menyelidiki hubungan
potensial antara kondisi kesehatan dan faktor-faktor lain, ukuran analitik
kesehatan masyarakat diperlukan. Pada bagian ini, tiga langkah analitik dibahas:
risiko relatif, rasio odds, dan risiko yang dapat diatribusikan.

Risiko Relatif

Untuk menentukan apakah suatu hubungan atau asosiasi ada antara kondisi
kesehatan dan faktor yang dicurigai, perlu untuk membandingkan risiko
mengembangkan kondisi kesehatan untuk populasi yang terpapar pada faktor
dengan risiko untuk populasi tidak terkena faktor tersebut. Risiko relatif (RR)
menyatakan rasio risiko insidensi tingkat dari mereka yang terpapar (misalnya,
perokok) dan mereka yang tidak terpapar dengan faktor yang dicurigai (mis.,
bukan perokok). Risiko relatif menunjukkan manfaat yang mungkin bertambah
pada orang jika faktor risiko dihapus. Dalam situasi ini, perhitungan risiko relatif
menggambarkan seberapa besar risiko perokok meningkat dibandingkan dengan
bukan perokok. Risiko relatif hanya berlaku untuk studi yang menentukan
kejadian (data prospektif). Resiko relatif digunakan untuk membuat kesimpulan
kausal, seperti merokok menyebabkan kanker paru-paru. Resiko relatif dapat
dihitung sebagai berikut:

Insiden di antara mereka yang terpapar

RR =

Tingkat insiden di antara mereka yang tidak terpapar

Risiko relatif menunjukkan apakah tingkat di populasi terpapar lebih tinggi

daripada tingkat dalam populasi yang tidak terpapar dan, jika demikian, berapa
kali lebih tinggi. SEBUAH risiko relatif tinggi pada populasi terpapar
menunjukkan bahwa faktor tersebut merupakan faktor risiko dalam perkembangan
kondisi kesehatan. Resiko relatif tidak menunjukkan seseorang itu dengan faktor
akan mengembangkan penyakit. Penting untuk dicatat bahwa perkiraan risiko
adalah pernyataan probabilitas; oleh karena itu, (1) semua yang terpapar pada
faktor tidak berkembang penyakit tetapi hanya memiliki kemungkinan
peningkatan melakukannya dan (2) beberapa orang-orang yang belum terkena
faktor akan mengembangkan penyakit. Seorang kerabat risiko 1,0 berarti risiko
penyakit di antara yang terpapar tidak berbeda dengan risiko penyakit di antara
yang tidak terpakai. Risiko relatif 2,0 menyiratkan bahwa risiko adalah dua kali
lipat tinggi, sedangkan risiko relatif 0,5 menunjukkan bahwa faktor pemaparan
terkait dengan setengah risiko penyakit. Misalnya, apakah risiko relatif payudara
pascamenopause kanker di kalangan wanita yang diberi ASI adalah 0,8, maka
menyusui dapat dianggap sebagai a faktor pelindung untuk kanker payudara
pascamenopause.

Faktor Risiko Internal dan Eksternal

Konsep risiko relatif berlaku ketika satu kelompok orang dengan jelas terkena dan
lainnya tidak terkena faktor eksternal seperti asap rokok, olahraga, atau makanan
tinggi lemak jenuh. Namun, mungkin membingungkan untuk melihat risiko relatif
yang diterapkan faktor internal seperti usia, ras, atau jenis kelamin. Namun
demikian, seperti dapat dilihat di Contoh berikut, orang-orang juga "terkena"
faktor intrinsik yang mungkin membawa sebagai banyak risiko sebagai yang
ekstrinsik.

Risiko Relatif: Pembunuhan

Sinauer, Bowling, Moracco, Runyan, dan Butts (1999) mempelajari pembunuhan

perempuan (disebut femicide) selama periode 5 tahun di North Carolina dan
menemukan keseluruhannya tingkat pembunuhan adalah 6,2 per 100.000.
Namun, di kalangan muda (usia 15 hingga 33 tahun) perempuan kulit hitam
(perempuan yang terpapar dengan dua faktor intrinsik usia dan ras), tingkat adalah
19,5 per 100.000, dibandingkan dengan 5,4 pembunuhan per 100.000 untuk
wanita kulit putih usia yang sama. Dengan informasi ini, seseorang dapat
menghitung risiko relatif. Di antara muda perempuan kulit hitam (mereka
"terkena" dengan kondisi intrinsik menjadi muda dan hitam), angka itu 19,5 per
100.000, dan di antara wanita kulit putih muda (yang "tidak terekspos" untuk
kondisi yang muda dan hitam), angka itu 5,4 per 100.000. Jadi, itu risiko relatif
pembunuhan untuk wanita kulit hitam muda dibandingkan dengan wanita kulit
putih muda dihitung sebagai berikut:
 19,5 per 100,000

RR = = 3,61

5,4 per 100,000

Dengan kata lain, risiko kematian akibat pembunuhan adalah tiga setengah kali
lebih besar untuk wanita kulit hitam daripada wanita kulit putih. Jelas, ras adalah
faktor risiko. Ras tidak dapat diubah, tetapi informasi yang disediakan oleh
analisis ini dapat digunakan untuk merencanakan layanan perlindungan bagi
penduduk dengan risiko terbesar.

Odds Ratio

Perhitungan risiko relatif sangat mudah ketika tingkat insiden tersedia.Sayangnya,

tidak semua penelitian bersifat prospektif seperti yang diperlukan untuk
perhitungantingkat insiden. Dalam penelitian retrospektif, risiko relatif
diperkirakan oleh peluang perbandingan.Seperti yang ditunjukkan pada Tabel 3.1,
odds ratio adalah rasio matematika sederhana dari oddsmendukung memiliki
kondisi kesehatan tertentu ketika faktor yang dicurigai hadir dan peluang yang
menguntungkan memiliki kondisi ketika faktor tidak ada. Peluang darimemiliki
kondisi ketika faktor yang dicurigai hadir diwakili oleh a / b di

TABEL 3.2

Kasus Shock Syndrome Beracun di antara 156 Pengguna Tampon

Merek Tampon Sindrom Toxic Shock

Digunakan Hadir Tidak Hadir Total
Merek Dugaan 30 30 60
Merek Lain 12 84 96
Total 42 114 156
Data dari CDC. (1980). Menindaklanjuti sindrom syok toksik. Laporan Mingguan
Morbiditas dan Mortalitas, 29 (37), 441-445

meja. Kemungkinan memiliki kondisi ketika tidak terkena faktor adalah c / d.

Dengan odds ratio demikian:

a/b ad

c/d bc

Contoh yang sering dikutip dalam literatur epidemiologi adalah sindrom syok toksik
(TSS). Ketika TSS, penyakit parah yang melibatkan demam tinggi, muntah, diare,
ruam, dan hipotensi atau syok, pertama kali terjadi, tidak praktis atau etis
pertimbangkan kasus hanya secara prospektif. Oleh karena itu, kasus-kasus yang ada
dibandingkan retrospektif dengan kasus atau kontrol yang tidak ada. Studi awal
mencatat hubungan antara TSS dan penggunaan tampon dan menyarankan bahwa
pengguna merek tertentu superabsorben tampon mungkin berisiko sangat tinggi. Untuk
memperjelas masalah ini, para peneliti menganalisis data dari kasus dan kontrol TSS,
semuanya menggunakan tampon. Data TSS dalam Tabel 3.2 dapat digunakan untuk
menghitung odds ratio untuk pengguna merek spesifik tampon.

Ad 30(84)

Odds ratio = = =7

Bc 30(12)

Sebuah rasio odds 1,0 menyiratkan bahwa peluang eksposur sama dan
menunjukkan itu paparan tertentu bukan merupakan faktor risiko untuk penyakit
studi. Pengguna yang spesifik merek tampon adalah tujuh kali lebih mungkin
untuk mengembangkan TSS daripada tampon pengguna merek lain. Berdasarkan
hasil penelitian, merek itu dihapus dari pasar.

Risiko Relatif dan Odds Ratio: Perhatian dalam Interpretasi

Rasio odds yang tinggi atau risiko relatif harus diperhatikan dengan perhatian
yang tepat; namun, temuan tidak harus mengaburkan potensi keterlibatan faktor-
faktor lain. Seperti yang diilustrasikan pada Tabel 3.2, 12 orang dalam sampel
memiliki TSS meskipun mereka tidak menggunakan spesifik merek tampon.
Dengan kata lain, produk ini bukan satu-satunya penyebab TSS. Selanjutnya
penelitian menunjukkan bahwa bahan superabsorben tertentu dalam tampon atau
tertentu aspek tampon menggunakan pertumbuhan asuh Staphylococcus aureus,
organisme kausal yang mungkin di TSS (Pusat Pengendalian dan Pencegahan
Penyakit [CDC], 1980, 1981, 1983; Davis, Chesney, Ward, LaVenture, & Tim
Investigasi dan Laboratorium, 1980). Attributable Risk dan Attributable Risk
Persentase Ukuran lain dari risiko adalah attributable risk (AR), yang mengukur
perbedaan antara tingkat insiden untuk mereka yang terpapar dan mereka yang
tidak terkena faktor risiko. Ukuran ini memperkirakan risiko berlebih yang
disebabkan oleh paparan faktor risiko. Saya tmenunjukkan penurunan potensial
dalam tingkat insiden keseluruhan jika faktor tersebut dihilangkan.AR dihitung
dengan mengurangi insiden di antara mereka yang tidak terpapar terhadap
risikofaktor (bukan perokok) dari mereka yang terpapar (perokok):

AR = tingkat insiden dalam kelompok yang terkena dikurangi tingkat insiden

dalam kelompok tidak terpapar
AR biasanya dikuantifikasi lebih lanjut ke dalam persentase risiko yang dapat
diatribusikan:

AR

= 100

Tingkat kejadian dalam kelompok yang terpapar

Ini memberikan perkiraan persentase kejadian kondisi kesehatan yang berpotensi

dapat dicegah jika faktor risiko dihilangkan. Misalnya, studi hubungan antara
aktivitas fisik dan kematian akibat penyakit jantung koroner (CHD) telah
menunjukkan bahwa risiko yang timbul terkait dengan aktivitas fisik adalah 35%
(CDC, 1993). Dengan demikian, peningkatan aktivitas fisik memiliki potensi
untuk dikurangi Kematian CHD.

Point Estimate dan Confidence Intervals

Resiko relatif dan odds ratio memberikan perkiraan titik (angka) yang
mengidentifikasi apakah mereka yang berada di kelompok yang terpapar akan
mengembangkan penyakit atau kondisi bila dibandingkan kepada mereka yang
tidak terekspos. Untuk menerapkan estimasi titik untuk keputusan masyarakat
kesehatan, penting untuk memahami hubungan perkiraan titik ke nomor satu
(1.0), dan kisaran angka dalam interval keyakinan (CI). Perkiraan titik adalah
perhitungan matematis yang berasal dari data, seperti a risiko relatif atau rasio
odds. Hubungan estimasi titik, seperti risiko relatif dari 3.0, ke nomor satu (1.0)
memungkinkan Anda untuk menentukan apakah suatu asosiasi ada antara paparan
dan kondisinya. Seperti yang Anda pelajari sebelumnya, risiko 1,0 berarti orang
itu tidak memiliki risiko tambahan. Risiko kurang dari 1.0 menunjukkan beberapa
perlindungan dari paparan dan risiko relatif di atas 1.0 menunjukkan peningkatan
risiko penyakit atau kondisi dari eksposur. Setelah menetapkan estimasi titik dan
posisi risiko relatif dalam hubungan ke 1,0, Anda juga harus menilai CI atau
kisaran perkiraan titik di sekitar risiko relatif. Sebagian besar penelitian
melaporkan 95% CI. Hubungannya signifikan secara statistik hanya jika seluruh
CI di atas atau di bawah 1.0 (Brucker, 2005). Misalnya, risiko relatif mungkin 5,0,
tetapi 95% CI dilaporkan sebagai 0,45 hingga 10,8. CI melintasi, atau melingkupi,
angka 1.0. Karena itu, asosiasi tidak signifikan. Namun, itu risiko relatif 0,21
dengan 95% CI 0,10-0,45 akan menjadi signifikan secara statistik, karena CI tidak
menyeberang atau mencakup 1.0. Dalam sebuah studi oleh McFarlane, Campbell,
Sharps, dan Watson (2002), rasio odds untuk pembunuhan atau percobaan
pembunuhan wanita yang disalahgunakan selama kehamilan adalah 3,08 dengan
CI 95% dari 1,86 menjadi 5,10. CI melakukannya tidak termasuk 1.0; Oleh karena
itu, para wanita yang disalahgunakan selama kehamilan adalah tiga kali lipat
cenderung dibunuh atau melakukan upaya yang dilakukan pada hidup mereka
dibandingkan dengan wanita tidak disalahgunakan selama kehamilan.

Penyebab dan Asosiasi

Pada akhirnya, profesional kesehatan masyarakat berharap untuk menentukan

penyebab yang merugikan kondisi kesehatan sehingga langkah-langkah dapat
diambil untuk meningkatkan kesehatan. Mengingat kompleksitasnya tubuh
manusia dan perilaku manusia, membentuk kausalitas sangat sulit. Oleh karena
itu, penyelidikan kesehatan penduduk umumnya memeriksa hubungan atau
asosiasi antar variabel. Variabel adalah karakteristik atau fenomena (seperti usia,
pekerjaan, atau latihan fisik) dan kondisi kesehatan (seperti penyakit jantung)
sedang dipelajari.

Variabel dan Konstanta

Suatu persyaratan penting dalam setiap penelitian adalah bahwa faktor-faktor

yang dipelajari harus memiliki potensi untuk bervariasi dari orang ke orang. Jika
suatu faktor tidak dapat bervariasi, itu bukan variabel tapi konstan. Tidak
mungkin membentuk hubungan antara konstanta dan a variabel karena konstanta,
menurut definisi, tidak dapat berubah ketika variabel berubah. Dengan demikian,
sebuah penelitian yang hanya melihat pada pria tidak dapat membangun hubungan
antara jenis kelamin dan, misalnya, penyakit jantung; penelitian telah membuat
gender menjadi konstan. Sebuah penelitian itu hanya terlihat pada orang dengan
penyakit jantung tidak dapat membangun hubungan antara jantung penyakit dan
variabel lainnya; penyakit jantung telah menjadi konstan dalam penelitian ini.

Kelompok Kontrol atau Perbandingan

Untuk memastikan bahwa hubungan antar variabel dapat diperiksa, kelompok

kontrol atau kelompok pembanding sangat penting. Sebuah studi tentang penyakit
jantung mungkin membandingkan orang dengan penyakit dengan kelompok
kontrol orang tanpa penyakit. Investigasi tentang pengobatan baru akan
mempelajari orang yang menerima perawatan dan kelompok kontrol orang yang
tidak menerima perawatan.

Variabel Independen dan Dependen

Variabel dependen adalah hasil atau hasil yang dipelajari oleh peneliti. Itu
variabel dependen dapat berubah (misalnya, status kesehatan, pengetahuan, dan
perilaku). Itu variabel independen adalah dugaan "penyebab" atau kontributor
variasi dalam ketergantungan variabel. Misalnya, dalam studi penyakit jantung
yang dikutip sebelumnya (CDC, 1993), aktivitas fisik, variabel independen,
berkontribusi terhadap penyakit jantung, variabel tak bebas. Variabel independen
dapat menjadi peristiwa yang terjadi secara alami atau Fenomena seperti tingkat
aktivitas fisik yang biasa, paparan radiasi ultraviolet, dan jenis pekerjaan, atau
mungkin intervensi terencana seperti latihan program, obat-obatan, dan kelompok
pendukung. Variabel independen mungkin juga menjadi kualitas intrinsik seperti
usia, ras, jenis kelamin, atau gen. (Perhatikan bahwa ini intrinsik kualitas,
meskipun mereka tidak dapat bervariasi dalam individu, dapat bervariasi dari
orang ke orang; dengan demikian, mereka dipelajari sebagai variabel independen.)

Variabel yang membingungkan

Ketika sebuah asosiasi ada di antara variabel-variabel, itu menggoda — tetapi

tidak benar untuk berasumsi bahwa satu variabel menyebabkan yang lain. Jika,
misalnya, sebuah penelitian menemukan bahwa komunitas dengan gaji rendah
untuk pekerja kesehatan masyarakat memiliki tingkat kejahatan yang tinggi, orang
bisa tidak menyimpulkan bahwa gaji kesehatan masyarakat yang rendah
menyebabkan tingkat kejahatan yang tinggi. Akal sehat menunjukkan bahwa
kondisi ekonomi dapat mempengaruhi gaji dan kejahatan (yaitu, ekonomi kondisi
campur tangan dalam penelitian dan mengacaukan hasil). Ini satu lagi contoh:
Mengemudi tanpa sabuk pengaman meningkatkan risiko kecelakaan mobil yang
fatal. Namun, bukan pengguna sabuk pengaman cenderung mempercepat, dan
mempercepat adalah penyebab lain kematian mobil. Oleh karena itu, beberapa
manfaat jelas sabuk pengaman berhubungan dengan perbedaan kecepatan
mengemudi pengguna dan bukan pengguna sabuk pengaman. Dalam contoh ini,
ngebut adalah variabel perancu. Faktor apa pun yang dapat memengaruhi hasil
studi adalah asing, intervening, atau variabel perancu.

Kriteria untuk Menentukan Penyebab

Asosiasi tidak menyiratkan sebab-akibat. Jika suatu hubungan ditemukan antara

variabel, itu berarti variabel cenderung terjadi atau berubah bersama (peningkatan
atau penurunan paralel); itu tidak membuktikan bahwa satu variabel menyebabkan
yang lain. Pertanyaan pertama yang ditanyakan adalah apakah ada hubungan
statistik antara kedua faktor tersebut. Sebelum sebuah asosiasi dinilai untuk
kemungkinan bahwa itu kausal, penjelasan lain seperti kesempatan, bias, dan
variabel perancu dipertimbangkan. Metode statistik saja, bagaimanapun, tidak
bisa menetapkan bukti hubungan kausal dalam suatu asosiasi. Karena
kemungkinan itu hasil yang membingungkan, kriteria yang sangat ketat untuk
menentukan penyebab ada. Sebuah asosiasi harus dievaluasi terhadap semua
kriteria; semakin banyak kriteria yang terpenuhi, semakin besar kemungkinan
bahwa asosiasi itu kausal. Namun, sebuah asosiasi dapat bertemu semua kriteria
sebab-akibat dan kemudian terbukti palsu (asosiasi palsu atau tiruan) karena
faktor-faktor yang tidak diketahui pada saat penelitian dilakukan. Untuk alasan
ini, peneliti harus menginterpretasikan hasil dengan sangat hati-hati; mereka
jarang pertimbangkan penyebab "terbukti." Enam kriteria yang banyak digunakan
untuk mengevaluasi penyebab adalah berikut:

1. Hubungannya kuat. Kekuatan hubungan biasanya diukur statistik dengan risiko

relatif atau, alternatif, rasio peluang. Semakin tinggi risiko relatif atau rasio odds,
semakin besar kemungkinan bahwa asosiasi tersebut kausal.

2. Asosiasi itu konsisten. Hubungan yang sama ada berulang di lain studi, di
pengaturan lain, dan dengan populasi lain. Semakin banyak asosiasi muncul
dalam berbagai keadaan, semakin mungkin menjadi kausal di alam.

3. Asosiasi itu sudah benar secara temporal. Penyebab hipotetis dari kondisi
kesehatan harus terjadi sebelum timbulnya kondisi (yaitu, paparan risiko faktor
harus mendahului timbulnya penyakit). Kriteria ini sangat penting. Ini adalah
variabel pertama dan terpenting - jika paparan tidak mendahului awitan, fakta
yang tersisa tidak relevan karena tidak dapat dipaparkan menyebabkan penyakit.

4. Asosiasi itu spesifik. Penyebab yang dihipotesiskan harus dikaitkan dengan

relatif sedikit kondisi kesehatan. Kekhususan mengukur sejauh mana satu paparan
khusus menghasilkan satu penyakit spesifik - keunikan dari hubungan. Jika respon
biologis bervariasi, itu kurang mungkin menjadi kausal.

5. Asosiasi bukan hasil dari variabel perancu. Meski tidak semua berpotensi
variabel intervening diidentifikasi, penjelasan alternatif untuk asosiasi diperiksa
dengan cermat sebelum mempertimbangkan kausal hubungan.

6. Asosiasi itu masuk akal dan konsisten dengan pengetahuan saat ini. Setiap
penyakit atau asosiasi sebab-akibat cedera harus kongruen dan kompatibel dengan
arus pengetahuan dan informasi biomedis dan ilmiah. Ini tergantung pada keadaan
informasi ilmiah pada waktu tertentu. Suatu asosiasi yang bertentangan
pandangan ilmiah saat ini harus dievaluasi dengan sangat hati-hati. Namun,
asosiasi mungkin tidak konsisten dengan pengetahuan saat ini hanya karena
pengetahuan saat ini tidak semaju penemuan baru.

SUMBER DATA KESEHATAN MASYARAKAT

Untuk menjadi praktisi kesehatan masyarakat yang efektif, penting untuk

menginterpretasikan dan menggunakan data dari berbagai sumber. Bagian ini
meninjau sumber data penting.

Sensus
Sensus mungkin merupakan sumber data kesehatan yang paling komprehensif
untuk Amerika Serikat. Setiap 10 tahun, Biro Sensus menyebutkan AS. populasi
dan survei untuk demografi dasar. Data sensus memberikan kekayaan sebesar
informasi tentang karakteristik komunitas seperti usia, ras, dan jenis kelamin,
bersama dengan faktor-faktor lain seperti pekerjaan, pendapatan, migrasi, dan
pendidikan. Secara tradisional, ahli epidemiologi telah menggunakan sensus
penduduk sebagai sumber yang dapat dipercaya untuk penyebut dalam
perhitungan tarif. Informasi sensus dianalisis dan dilaporkan untuk negara secara
keseluruhan dan secara progresif daerah yang lebih kecil sampai ke kotamadya,
saluran sensus, dan blok. Hasil juga dilaporkan di daerah yang dikenal sebagai
wilayah statistik metropolitan standar (SMSA). Data sensus tersedia online di
http://www.census.gov. Hanya jumlah terbatas pertanyaan diajukan untuk seluruh
populasi. Lebih rinci survei diambil dari sampel terpilih dari populasi. Meskipun
data sensus bersifat komprehensif, bias terjadi. Misalnya, orang dapat menjawab
pertanyaan pribadi secara tidak jujur. Mungkin lebih signifikan, sensus kurang
mewakili penduduk berpenghasilan rendah, minoritas, dan transien. Orang-orang
ini lebih sulit untuk ditemukan, dihitung, dan cenderung kurang menanggapi
sensus survei.

Statistik Vital

Data yang menggambarkan peristiwa yang terdaftar secara hukum seperti

kelahiran, kematian, pernikahan, dan perceraian disebut statistik vital. Lembaga
pemerintah mengumpulkan statistik vital tentang sebuah secara berkelanjutan.
Pusat Statistik Kesehatan Nasional CDC mengumpulkan dan menerbitkan statistik
vital dari masing-masing negara bagian. Profesional kesehatan dapat
menggunakan data di memeriksa tren dari waktu ke waktu dan dalam membangun
rencana peningkatan kesehatan. Data tersedia di Internet di
http://www.cdc.gov/nchs. Kesehatan Publik A.S. Layanan juga mengumpulkan
data dari negara bagian dan menerbitkan volume tahunan, bersama dengan
laporan berkala tentang topik tertentu. Peneliti awal cenderung
mempertimbangkan statistik vital "suci" karena mereka adalah, setelah semua,
data hukum. Namun, legalitas tidak menjamin validitas. Sebagai contoh, ras
seseorang terkadang berbeda pada akta kelahiran dan kematian, dan cara dalam
penyebab kematian yang dicatat pada sertifikat kematian tidak konsisten. Angka-
angka pasangan yang belum menikah tetapi hidup bersama juga menunjukkan
bahwa pernikahan dan perceraian catatan juga bukan ukuran realitas yang benar-
benar valid. Terlepas dari keterbatasan mereka, statistik vital seringkali
merupakan data terbaik yang tersedia.

Laporan Penyakit yang Dapat Diverifikasi

CDC / AS. Data laporan Dinas Kesehatan Umum dikumpulkan oleh negara dan
kesehatan lokal departemen tentang penyakit yang dilaporkan secara hukum dan
secara berkala meminta pelaporan sukarela kondisi kesehatan yang tidak dapat
diketahui dengan minat khusus. Penyakit yang bisa dideteksi adalah sering disebut
sebagai penyakit yang bisa dilaporkan. Kriteria untuk menentukan apakah suatu
penyakit dapat dilaporkan adalah (1) kemampuan penyakit menyebabkan
kematian dan (2) kemampuan menularkan penyakit. Pemberitahuan kepada
petugas kesehatan masyarakat tentang penyakit yang mengancam populasi besar
menyediakan titik awal untuk penyelidikan epidemiologi lokal. Konsep
pengawasan sangat penting untuk identifikasi dan pengendalian yang dapat
dilaporkan penyakit Surveilans adalah kumpulan data yang sistematis yang
berkaitan dengan terjadinya penyakit tertentu, analisis dan interpretasi data ini,
dan penyebaran informasi tentang data. Publikasi mingguan CDC, Morbiditas dan
Laporan Mingguan Kematian (MMWR), adalah sumber daya berharga bagi
masyarakat praktek kesehatan. Kekurangan utama dari kategori data ini untuk
tujuan penelitian epidemiologi kemungkinan ketidaklengkapan cakupan populasi.
Bahkan diamanatkan secara hukum laporan penyakit mungkin tidak mewakili
semua kasus penyakit. Demikian, keterangan yang valid tentang penyakit yang
ada di masyarakat mungkin tidak dapat diakses. Dalam prakteknya, penyedia
layanan kesehatan mungkin juga gagal menyelesaikan yang diperlukan formulir
pelaporan.

Vital Record Linkage

Vital record linkage menghubungkan data dan informasi yang terkandung dalam
dua atau lebih medis, morbiditas, atau catatan kematian, dan catatan kejadian
penting lainnya. Rekam hubungan sistem menyediakan sumber informasi yang
sangat baik tentang program penyakit, demografi data, pemanfaatan layanan
perawatan kesehatan, kesuburan, masalah kesehatan ibu, anak masalah kesehatan,
pelacakan penyakit kronis, dan riwayat alami penyakit tertentu atau kejadian
terkait morbiditas. Hubungan catatan difasilitasi oleh munculnya modern
komputer. Sistem ini menawarkan sumber informasi yang berpotensi kaya dan
mungkin memfasilitasi penelitian tentang langkah-langkah kesehatan masyarakat.

Rekam Medis dan Rumah Sakit

Catatan medis dan rumah sakit memberikan informasi yang berharga untuk
kesehatan masyarakat penelitian. Pertama, catatan-catatan ini, bagaimanapun,
tidak memberikan perwakilan yang lengkap atau gambar kesehatan masyarakat
yang valid. Tidak semua klien dengan masalah kesehatan menerima perhatian
medis, jadi catatan medis jelas bias. Kedua, dokumentasi medis tidak selalu
lengkap. Akhirnya, pasien yang dirawat di rumah sakit juga lebih mungkin untuk
memiliki penyakit yang hidup berdampingan. Fenomena ini, yang disebut bias
Berkson, menciptakan kemungkinan menemukan hubungan yang salah antara
kedua penyakit.

Rekaman otopsi

Rekaman otopsi memiliki bias inheren yang sangat parah: Pasien mungkin telah
sakit parah kematian itu terjadi. Otopsi tidak dilakukan untuk semua kematian.
Rekaman otopsi termasuk jumlah yang tidak proporsional dari kasus kematian
yang kejam dan orang-orang untuk siapa penyebab kematian tidak diketahui
hingga setelah otopsi (misalnya, manifestasi penyakit tidak biasa). Orang-orang
yang tidak memberi sanksi otopsi tidak terwakili. Faktor-faktor ini mempengaruhi
validitas dan keterwakilan dari temuan dari setiap penelitian yang digunakan
catatan otopsi.

Sistem Pengawasan Penyakit Elektronik Nasional

Sistem Pengawasan Penyakit Elektronik Nasional (NEDSS) menyediakan

integrasi sistem surveilans yang mentransmisikan laboratorium kesehatan
masyarakat dan data klinis melalui internet. Proses ini meningkatkan kemampuan
bangsa untuk mengidentifikasi dan melacak penyakit menular yang muncul dan
potensi serangan bioterorisme. Karena itu, NEDSS adalah sangat penting bagi
departemen kesehatan negara bagian dalam menyelidiki wabah dan memantau
kecenderungan penyakit karena digunakan untuk surveilans dan analisis yang
dapat dilaporkan penyakit Untuk informasi lebih lanjut, kunjungi
http://www.cdc.gov/nedss.

PENAYANGAN KONDISI KESEHATAN

Skrining dapat didefinisikan sebagai identifikasi dugaan penyakit yang tidak

dikenali atau cacat oleh administrasi tes, pemeriksaan, atau prosedur lain yang
dapat diterapkan dengan cepat. Tes skrining tidak memberikan diagnosis
konklusif penyakit tetapi alih-alih mengidentifikasi orang yang tidak bergejala
yang mungkin tanpa sadar memiliki masalah kesehatan. Siapa saja yang
menunjukkan bukti gejala penyakit melalui program skrining harus memiliki tes
diagnostik medis lebih lanjut. Tujuan skrining adalah cepat dan secara ekonomi
mengidentifikasi orang-orang yang memiliki kemungkinan tinggi memiliki (atau
berkembang) penyakit tertentu sehingga mereka dapat dirujuk untuk diagnosis
dan pengobatan definitif.

Pertimbangan dalam Memutuskan ke Layar

Pemeriksaan lebih jauh dari pada mengidentifikasi kelompok yang berisiko sakit;
itu mengidentifikasi individu yang mungkin sebenarnya menderita penyakit.
Skrining membawa komitmen etis untuk terus bekerja dengan orang-orang ini dan
memberi mereka akses ke diagnostik dan layanan perawatan. Secara umum,
skrining harus dilakukan hanya jika

● Diagnosis dan pengobatan dini dapat mengubah arah penyakit

● Diagnosis pasti dan fasilitas perawatan tersedia, baik melalui agen penyaringan
atau melalui rujukan

● Grup yang sedang diperiksa beresiko untuk penyakit (dengan kata lain, grup
cenderung memiliki prevalensi penyakit yang tinggi)

● Prosedur penyaringan dapat diandalkan dan valid

Uji Skrining Keandalan dan Validitas

Keandalan (presisi) mengacu pada konsistensi atau pengulangan hasil tes;

keabsahan mengacu pada kemampuan tes untuk mengukur apa yang seharusnya
diukur. Beberapa pertimbangan khusus untuk tes skrining didiskusikan di bawah
ini.

Uji Reliabilitas

Tes skrining yang andal menghasilkan hasil yang sama bahkan ketika diberikan
oleh yang berbeda screeners. Pelatihan untuk semua personil skrining yang
terlibat dalam tes sangat penting. Kekurangan keandalan dapat menunjukkan
bahwa screeners sedang melakukan tes dalam cara yang tidak konsisten.

Uji Validitas: Sensitivitas dan Spesifitas

Agar valid, tes skrining harus membedakan dengan benar antara orang-orang yang
memiliki kondisi dan mereka yang tidak. Kemampuan untuk membedakan ini
diukur dengan sensitivitas dan spesifisitas tes, seperti yang ditunjukkan pada
Tabel 3.3. Kepekaan adalah kemampuan tes untuk mengidentifikasi orang yang
memiliki penyakit dengan benar (yaitu, untuk menyebut "positif" positif yang
sebenarnya). Tes dengan sensitivitas tinggi akan memiliki sedikit kesalahan
negatif. Kekhususan adalah kemampuan tes untuk mengidentifikasi orang yang
tidak memiliki penyakit, atau untuk menyebut negatif "negatif" sejati. Jika tes
tidak spesifik, orang yang melakukannya sebenarnya tidak memiliki penyakit
yang akan dirujuk untuk tes diagnostik tambahan. Sebuah tes dengan spesifisitas
tinggi memiliki beberapa kesalahan positif. Idealnya, sensitivitas dan spesifisitas
tes skrining harus 100%; dalam praktek, namun, tes skrining bervariasi dalam hal
ini. Seperti yang ditunjukkan pada Tabel 3.3, sensitivitas, atau true-positive rate,
adalah pelengkap dari tingkat false-negatif, dan spesifisitas, atau

Tabel 3.3

Sensitivitas dan Spesifisitas dari Tes Penyaringan

Hasil pemeriksaan Realitas

skrining Disebarkan Tidak disebarkan
Positif Benar Positif Palsu Positif
Negatif Palsu Negatif Benar Negatif
Total Total Sakit Total tidak sakit
Benar-benar positif

Sensitivitas (true-positive rate) =

Total penyakit

Negatif yang benar

Kekhususan (true-negative rate) =

Total tidak sakit

Negatif palsu

Tingkat salah-negatif = or 1 - sensitivitas

Total penyakit

Positif palsu

Tingkat positif palsu = or 1 - Kekhususan

Total tidak sakit

true-negative rate, adalah pelengkap dari laju false-positive. Jadi, sebagai

kepekaan meningkat, spesifisitas menurun. Oleh karena itu, keputusan mengenai
validitas tes skrining mungkin memerlukan kompromi yang tidak nyaman, seperti
yang dibahas pada bagian berikut. Pengambilan Keputusan dalam Penyaringan:
Praktis dan Pertimbangan Etis Dalam pengaturan kesehatan masyarakat, program
skrining diperlukan untuk penyakit mematikan yang dapat disembuhkan hanya
jika terdeteksi lebih awal. Dua tes yang tersedia adalah satu dengan sensitivitas
tinggi dan spesifisitas rendah dan satu dengan spesifisitas tinggi dan sensitivitas
rendah. Satu harus membuat keputusan untuk tes mana yang harus dipilih. Untuk
menyelamatkan sebagian besar kehidupan, sensitivitas tinggi sangat penting
(yaitu, tingkat rendah negatif palsu [orang yang memiliki tetapi tidak terdeteksi
oleh tes skrining]). Namun, jika seseorang memilih tes dengan sensitivitas tinggi,
spesifisitas rendah berarti seseorang akan memiliki tingkat kesalahan yang tinggi
positif (orang yang tidak memiliki penyakit tetapi yang tesnya secara salah
diidentifikasi sebagai memilikinya). Dengan peningkatan jumlah positif palsu,
banyak orang dapat khawatir tidak perlu, mengakibatkan pengeluaran yang tidak
perlu oleh orang-orang yang berlebihan bebas penyakit. Tes mana yang akan
Anda pilih? Mengapa? Bagaimana situasinya berbeda ketika seseorang melakukan
skrining untuk penyakit mematikan, tetapi fasilitas diagnostik dan perawatan di
masyarakat sudah kelebihan beban dan lebih jauh pemotongan anggaran
diproyeksikan? Untuk meminimalkan referensi yang tidak perlu dari kesalahan
positif, tes dengan spesifisitas tinggi akan lebih baik. Namun, karena
sensitivitasnya yang rendah dari tes ini, perlu untuk mempertimbangkan manfaat
dari tingkat false-positive yang rendah terhadap etika tingkat negatif palsu yang
tinggi. Apakah itu dibenarkan untuk menidurkan yang tidak terdeteksi orang sakit
menjadi rasa aman yang salah - dan berpotensi fatal? Tes yang mana apakah Anda
akan memilih dalam situasi ini? Mengapa? Keputusan tentang skrining
melibatkan mencari keseimbangan sensitivitas yang paling menguntungkan dan
kekhususan. Terkadang, sensitivitas dan spesifisitas dapat ditingkatkan dengan
menyesuaikan proses penyaringan (misalnya, menambahkan tes lain atau
mengubah tingkat di mana tes dianggap positif). Di lain waktu, mengevaluasi
sensitivitas dan spesifisitas dapat mengakibatkan keputusan untuk tidak
melakukan program skrining karena ekonomi biaya pertimbangan yang berlebihan
atau pertimbangan etis yang lebih rendah daripada manfaatnya skrining.
Pemahaman tentang prinsip-prinsip yang dibahas dalam bagian ini akan
membantu Anda membuat keputusan berdasarkan informasi tentang skrining
komunitas.
PENDEKATAN EPIDEMIOLOGI UNTUK KOMUNITAS

PENELITIAN KESEHATAN

Model epidemiologi memandu peneliti dalam memeriksa determinan populasi

kesehatan. Bagian ini menjelaskan tiga model dan menjelaskan bagaimana
masing-masing memandu pendekatan untuk masalah yang sama. Penerapan
masing-masing model diilustrasikan menggunakan masalah peningkatan dalam
IMR dalam komunitas hipotetis. IMR adalah indeks kesehatan yang sangat
penting bahwa profesional kesehatan harus memahami bahkan jika perhatian
utama mereka bukan keibuan atau kesehatan anak. Karena kematian bayi
dipengaruhi oleh berbagai biologis dan faktor lingkungan yang mempengaruhi
bayi dan ibu, IMR bersifat langsung ukuran kesehatan bayi dan ukuran tidak
langsung kesehatan masyarakat secara keseluruhan.

Segitiga Epidemiologi

Segitiga epidemiologi atau model agen-host-lingkungan adalah pandangan

tradisional kesehatan dan penyakit berkembang ketika epidemiologi terutama
berkaitan dengan komunikasi penyakit. Model, bagaimanapun, berlaku untuk
kondisi kesehatan lainnya. Dalam model, agen adalah organisme yang mampu
menyebabkan penyakit. Tuan rumah adalah penduduk berisiko terkena penyakit
ini. Lingkungan adalah kombinasi fisik, biologis, dan faktor sosial yang
mengelilingi dan mempengaruhi baik agen maupun tuan rumah. Segitiga
epidemiologi digunakan untuk menganalisis peran dan keterkaitan masing-masing
faktor-faktor (yaitu, pengaruh, reaktivitas, dan efek masing-masing faktor ada
pada dua lainnya). Menurut model ini, agen, tuan rumah, dan lingkungan dapat
hidup berdampingan. Penyakit dan cedera hanya terjadi ketika ada interaksi atau
perubahan keseimbangan di antara mereka. Gambar 3.1 menunjukkan segitiga
dalam keadaan ekuilibrium normalnya. Ekuilibrium tidakvtidak menandakan
kesehatan optimal tetapi hanya pola penyakit dan kesehatan yang biasa terjadi di
sebuah populasi. Setiap perubahan dalam salah satu faktor (agen, tuan rumah, atau
lingkungan) akan dihasilkan dalam disequilibrium dengan kata lain, perubahan
dalam pola yang biasa.Bagaimana model ini dapat memandu penyelidikan
peningkatan kematian bayi? Untuk mengerti ini, orang harus mempertimbangkan
tiga aspek dari model.

Gambar 3.1. Segitiga epidemiologi adalah pandangan tradisional, yang

menunjukkan kesehatan dan penyakit sebagai keadaan komposit dari tiga variabel.

Agen

Jika seseorang berpikir tentang model segitiga epidemiologi dari perspektif

penyakit infeksi, mungkin tampak bahwa penyelidikan harus fokus pada jenis
infeksi sebagai agen itu menyebabkan kematian bayi. Namun, penyebab utama
kematian bayi di Amerika Serikat termasuk prematuritas dan berat lahir rendah,
cedera lahir, malformasi kongenital, tiba-tiba sindrom kematian bayi (SIDS),
kecelakaan, dan pembunuhan. Oleh karena itu, seorang penyidik dapat mencoba
untuk menentukan apakah telah ada perubahan di salah satu agen lain.

Tuan rumah

Karakteristik tuan rumah (populasi bayi) akan menjadi bidang penilaian kedua.
Penilaian ini melibatkan pemeriksaan bayi lahir dan pola kematian di hal usia,
etnis, jenis kelamin, dan berat lahir. Karakteristik ini telah ditunjukkan menjadi
faktor risiko penting untuk kematian bayi. Dengan mempelajari faktor-faktor ini,
mungkin mungkin untuk mengidentifikasi kelompok bayi yang berisiko tinggi
mengalami kematian.

Lingkungan Hidup

Terakhir, lingkungan dinilai. Sang ibu adalah bagian penting dari bayi lingkungan
prenatal dan pascanatal. Oleh karena itu, para peneliti akan menganalisis kelahiran
dan pola kematian bayi menurut faktor-faktor seperti usia ibu, etnis, paritas
(jumlah kelahiran hidup sebelumnya), perawatan prenatal, dan pendidikan atau
sosial ekonomi status. Analisis faktor-faktor ini, yang juga terkait dengan
kematian bayi, akan membantu memberikan identifikasi lebih lanjut dari
kelompok berisiko. Kondisi lain di lingkungan juga perlu dipertimbangkan.
Misalnya, memiliki migrasi ke komunitas dari area lain meningkat? Memiliki
morbiditas atau mortalitas dewasa, khususnya di antara wanita hamil, meningkat?
Apakah ada perubahan dalam layanan kesehatan, kebijakan, personil, pendanaan,
atau faktor lain yang dapat mempengaruhi kesehatan bayi?

Aplikasi praktis

Analisis ketiga bidang ini — agen, tuan rumah, dan lingkungan — harus
disediakan informasi mengenai kelompok berisiko untuk meningkatkan kematian
bayi dan sarana mengurangi faktor risiko. Dengan demikian, segitiga
epidemiologi, meskipun dirancang dengan orientasi penyakit menular, dapat
memberikan panduan yang berguna untuk belajar masalah multifaset kematian
bayi, bersama dengan masalah kesehatan lainnya.

Model Person – Place – Time

Dalam studi epidemiologi, variabel dapat dipertimbangkan dalam hal orang (siapa
dipengaruhi), tempat (di mana terpengaruh), dan waktu (ketika terpengaruh)
hubungan. Itu Model orang-tempat-waktu meneliti karakteristik orang-orang yang
terkena dampak (the host dalam model segitiga), tempat (lingkungan) atau lokasi,
dan periode waktu terlibat (yang bisa berhubungan dengan agen, tuan rumah, atau
lingkungan). Dalam mempelajari bayi mortalitas menurut model ini, bayi dan
faktor ibu dianggap sebagai ciri "orang." Aspek "tempat" adalah faktor-faktor
seperti apakah masyarakat pedesaan atau urban dan makmur atau miskin. Aspek
"waktu" termasuk musiman atau spesifik usia pola atau tren dalam kefanaan.

Web of Causation
Jaringan sebab-akibat (MacMahon & Pugh, 1970) memandang kondisi kesehatan
sebagai hasil bukan dari faktor individu tetapi dari hubungan timbal balik yang
kompleks dari banyak faktor selalu terlibat dalam penyebab hasil tertentu.
Jaringan sebab-akibat berusaha untuk mengidentifikasi semua kemungkinan
pengaruh pada proses kesehatan dan penyakit. Menciptakan web mengidentifikasi
penyebab langsung dari berbagai kondisi, faktor yang berkontribusi pada hal-hal
tersebut penyebab, faktor yang memengaruhi masing-masing faktor ini, dan
seterusnya. Sinergisme dan Faktor-faktor dalam Web Pusat dari model sebab-
akibat adalah konsep sinergisme, di mana keseluruhannya lebih dari jumlah
bagian yang terpisah. Misalnya, efek infeksi Shigella bayi, dikombinasikan
dengan efek kemiskinan, remaja, dan pendidikan rendah tingkat ibu, lebih
merusak kesehatan bayi daripada jumlah dari efek dari faktor risiko individu.
Penggunaan jaringan sebab-akibat dapat menghasilkan studi mortalitas bayi yang
lebih luasn dari satu dipandu oleh model lain. Idealnya, peneliti menggunakan
model ini terlebih dahulu mengidentifikasi semua faktor yang terkait dengan
kematian bayi. Selanjutnya, mereka mengidentifikasi faktor-faktor yang terkait
untuk masing-masing faktor ini. Dua langkah komprehensif ini memberikan garis
besar untuk jaring penyebab kematian bayi. Akhirnya, para peneliti memeriksa
hubungan antara semua komponen yang diidentifikasi dari web dan upaya untuk
menentukan titik intervensi yang paling layak untuk meningkatkan kematian bayi
di masyarakat. Gambar 3.2 menggambarkan jaring penyebab kematian bayi.

Aplikasi praktis

Pendekatan multifaset yang diambil di web model sebab-akibat ini membahas

konsep tersebut sebab-akibat dengan cara yang konsisten dengan pengetahuan
terkini tentang kesehatan manusia. Namun, itu mungkin luar biasa untuk
dilakukan dalam praktek sehari-hari. Sebenarnya itu benar lebih umum untuk
memeriksa hanya sebagian dari web, mengakui yang lain hubungan ada.
Pemeriksaan menyeluruh dari satu bagian web dapat menyediakan informasi yang
cukup untuk memulai tindakan yang berguna untuk meningkatkan kesehatan
masyarakat.

Model: Panduan untuk Investigasi dan Praktik

Di bagian ini, tiga model, masing-masing menyediakan pendekatan yang sedikit

berbeda untuk suatu komunitas masalah kesehatan, telah dibahas. Ketika Anda
terus belajar komunitas kesehatan, Anda akan menemukan model lain yang dapat
memandu latihan Anda. Tidak ada seorang pun Model "benar"; saat Anda
mendapatkan pengalaman, Anda akan dapat memilih atau mengadaptasikannya
yang paling tepat untuk pekerjaan Anda.
Ringkasan

Dalam bab ini, Anda telah belajar tentang demografi (ilmu luas populasi) dan
epidemiologi (ilmu pengetahuan khusus tentang kesehatan penduduk). Kami
sudah berdiskusi contoh bagaimana dua ilmu ini dapat memandu praktik
keperawatan kesehatan masyarakat. Sekarang, Anda harus dapat menerapkan
prinsip-prinsip epidemiologi dan demografi kepada Anda praktik kesehatan
masyarakat. Untuk informasi lebih rinci tentang epidemiologi dan demografi,
baca bagian Referensi dan Bacaan Lebih Lanjut di bagian akhir bab, dan Sumber
Daya Internet yang dapat ditemukan di situs web thePoint
(http://thepoint.lww.com/Anderson6e).

CaticaIThinkingQuestions

1. Centerville, yang terletak di Anderson County, memiliki populasi 30.000.

Centerville memiliki tingkat kematian bayi (AKB) 11 per 1.000. Anderson
County punya populasi 300.000 dengan IMR 6 per 1.000. Selama setahun
terakhir, Angka kematian ibu (MMR) untuk Centerville adalah 9 per 100.000,
sedangkan di Anderson County, tarifnya 7 per 100.000. Bagaimana komunitasnya
perawat kesehatan menafsirkan data ini?

a. Apakah IMR di Centerville mencerminkan suatu masalah? Jika ya, mengapa?

b. Apakah MMR menunjukkan masalah? Jika ya, mengapa?

c. Apa artinya IMR dan MMR tentang status kesehatan Centerville dan Anderson
County?

2. Pilih masalah kesehatan seperti asma, kekerasan dalam rumah tangga, atau
penyakit kardiovaskular, yang mempengaruhi banyak orang. Gambarkan jaringan
sebab-akibat itu menghubungkan berbagai faktor yang dapat menyebabkan
kondisi kesehatan ini. Mengenali di mana perawat kesehatan masyarakat dapat
campur tangan.

3. Sebuah studi epidemiologi menyelidiki merokok sebagai faktor yang

berkontribusi terhadap paru-paru kanker. Temuan penelitian adalah sebagai
berikut: rasio risiko relatif 3,5 in kelompok yang terpapar (perokok), rasio odds
4,0, dan risiko yang ditimbulkan 10 kasus per 100 orang dalam 10 tahun. Dari tiga
ukuran asosiasi akan memiliki implikasi yang signifikan untuk merancang
rencana pencegahan? Jelaskan alasan pemilihan Anda.

4. Tingkat insiden dan prevalensi memberikan informasi yang berbeda tentang hal
yang sama Kondisi kesehatan.
a. Tingkat mana yang memberikan informasi paling berguna tentang risiko
penyakit?vJelaskan jawabanmu.

b. Jika Anda adalah seorang administrator lembaga kesehatan, dalam situasi apa
yang akan terjadi harga bermanfaat bagi Anda?

c. Dalam situasi apa saja tingkat prevalensi akan membantu masyarakat tim
kesehatan?

5. Anda adalah administrator di pusat kesehatan masyarakat. Program skrining

adalah diperlukan untuk penyakit mematikan, yang dapat disembuhkan hanya jika
terdeteksi sejak dini. Tes-tes tersedia adalah satu dengan sensitivitas tinggi dan
spesifisitas rendah dan satu dengan spesifisitas tinggi dan sensitivitas rendah.
Anda harus membuat keputusan untuk tes mana yang akan digunakan lebih tepat.
Sebuah. Apa kekhawatiran Anda terhadap tes dengan spesifisitas tinggi dan
sensitivitas rendah?

b. Apa pertimbangan dalam pemilihan tes dengan sensitivitas tinggi dan

kekhususan rendah?

6. Apakah makanan cepat saji menyebabkan kenaikan berat badan? Sebuah

penelitian terbaru melaporkan bahwa makan di restoran cepat saji dua kali atau
lebih seminggu dikaitkan dengan kenaikan berat badan 10 pon selama periode 2
tahun berdasarkan risiko relatif 2,5 (95% CI 1,5-4,8).

a. Apakah temuan penelitian secara statistik signifikan?

b. Apakah makan makanan cepat menyebabkan obesitas?

c. Apakah risiko kenaikan berat badan meningkat atau menurun untuk seseorang
yang makan dua atau lebih kali seminggu di restoran cepat saji?

d. Berapa besar peningkatan risiko dibandingkan dengan rata-rata orang: 2,5 kali,
2,5%, atau 25%?

●REFERENCES

Brucker, M.C (2005). Menyediakan perawatan berbasis bukti: Anda dapat

memahami penelitian dan menggunakannya praktek. AWHONN Lifelines, 9 (1),
47–55.

Pusat Pengendalian dan Pencegahan Penyakit. (1980). Menindaklanjuti sindrom

syok toksik. Morbiditas dan Laporan Mingguan Kematian, 29 (37), 441–445.
Pusat Pengendalian dan Pencegahan Penyakit. (1981). Sindrom syok toksik —
Amerika Serikat, 1970–1980. Laporan Mingguan Morbiditas dan Kematian, 30,
25–33.

Pusat Pengendalian dan Pencegahan Penyakit. (1983). Pembaruan: Toxic shock

syndrome — Amerika Serikat. Laporan Mingguan Morbiditas dan Mortalitas, 32,
398-400.

Pusat Pengendalian dan Pencegahan Penyakit. (1993). Fokus kesehatan

masyarakat: Aktivitas fisik dan pencegahan penyakit jantung koroner. Laporan
Mingguan Morbiditas dan Kematian, 42, 398-400.

Davis, J. P., Chesney, P. J., Ward, P. J., LaVenture, M., & Tim Investigasi dan
Laboratorium. (1980). Toxic shock syndrome: Fitur epidemiologi, kekambuhan,
faktor risiko, dan pencegahan. Jurnal Kedokteran New England, 303, 1429–1435.

McFarlane, J., Campbell, J., Sharps, P., & Watson, K. (2002). Abuse selama
kehamilan dan femicide: Implikasi mendesak untuk kesehatan wanita. Obstetri
dan Ginekologi Internasional, 99 (7), 27–36.

MacMahon, B., & Pugh, T. F. (1970). Epidemiologi: Prinsip dan metode. Boston,
MA: Little, Brown, & Co. Sinauer, N., Bowling, J. M., Moracco, K. E., Runyan,
C. W., & Butts, J. D. (1999). Perbandingan di antara pembunuhan wanita yang
terjadi di daerah pedesaan, menengah, dan perkotaan di North Carolina. Studi
Pembunuhan, 3 (2), 107–128.

Snow, J. (1936). Salju di kolera, menjadi cetak ulang dua makalah oleh John
Snow, M.D., bersama dengan biografi

memoir oleh B. W. Richardson, M.D., dan pengantar oleh Wade Hampton Frost,
M.D. New York: Dana Persemakmuran.

■FARTHERREADINGS

Aschengrau, A., & Seage, G. R. (2008). Pentingnya epidemiologi dalam

kesehatan masyarakat (2nd ed.). Boston, MA: Jones & Bartlett.

Chernick, K. M., & Friis, R. (2003). Biostatistik pengantar untuk ilmu kesehatan.
Hoboken, NJ: Wiley.

Cravens, G., & Mair, J. L. (1977). Kematian hitam. New York: Dutton.

Crichton, M. (1969). Strain Andromeda. New York: Alfred A. Knopf.

Dunne, T. L. (1978). Momoknya. New York: Pengecut, McCann, & Geohegan.

Everitt, B. (2003). Statistik medis modern: Panduan praktis. London: Oxford
University Press.

Fowler, J., Jarvis, P., & Chevannes, M. (2002). Statistik praktis untuk perawatan
dan perawatan kesehatan. New York:Wiley.

Friis, R., & Penjual, T. (2009). Epidemiologi untuk praktik kesehatan masyarakat
(edisi ke-4). Sudsbury, MA: Jones & Bartlett.

Merril, R., & Timmreck, T. (2006). Pengantar epidemiologi. Boston, MA: Jones
& Bartlett.

Savitz, D. (2003). Menafsirkan bukti epidemiologi: Strategi untuk desain dan

analisis studi. New York: Oxford University Press.

Selvin, S. (2004). Analisis statistik data epidemiologi (edisi ke-3). New York:
Oxford University Press.

Sumber Daya Internet dapat ditemukan di http://thepoint.lww.com/Anderson6e.