Ghana
Beberapa model matematika dan model standar epidemiologi telah diusulkan dalam
mempelajari dinamika penyakit menular. Model membantu untuk memahami penyebaran infeksi
penyakit. Namun, sebagian besar model ini tidak dapat memperkirakan penyakit lain yang
relevan seperti probabilitas terkena infeksi penyakit pertama kali dan pemulihan serta ekspektasi
waktu terpapar infeksi dan pemulihan individu yang rentan terkena infeksi dan individu yang
terinfeksi. Sebagian besar model standar epidemiologi yang digunakan dalam mengestimasi
probabilitas transisi tidak dapat menggeneralisasi estimasi transisi hasil penyakit pada waktu
yang berbeda untuk prediksi masa depan. Pada penelitian ini yang berupaya mengatasi masalah
yang disebutkan di atas melalui model rantai Markov waktu diskrit. Kumpulan data sekunder
dari studi kohort dikumpulkan untuk kasus HIV, Tuberkulosis (TB), dan hepatitis B (HB) dari
rumah sakit regional di Ghana. Model rantai Markov mengungkapkan bahwa hepatitis B lebih
menular dari waktu ke waktu dibandingkan TB dan HIV sekalipun probabilitas infeksi penyakit
ini pertama kali relatif rendah dalam penelitian populasi. Namun, individu yang terinfeksi
dengan HIV memiliki harapan hidup yang relatif lebih rendah daripada individu yang terinfeksi
TB dan hepatitis B. Rantai Markov waktu diskrit direkomendasikan layak untuk memodelkan
dinamika penyakit di Ghana.
I. PENDAHULUAN
Menurut WHO, tuberkulosis (TB) dominan terkena pada pasien yang telah terkena
human immunodeficiency virus (HIV). TB dianggap sebagai penyebab utama mortalitas di antara
individu yang rentan terhadap HIV [2]. Efek gabungan dari kedua penyakit ini dianggap sangat
fatal dibandingkan dengan efek marginal dari masing-masing penyakit pada individu. Selain itu,
WHO [3] mengkonfirmasi bahwa sebagian besar pasien HIV telah terkena penyakit tuberkulosis
sebagai bukti pertama penyakit AIDS, dengan sekitar 33,3% dari 38,6 juta pasien positif HIV
dan juga terinfeksi TB di seluruh dunia, dan semuanya berisiko tertular penyakit TB. Di antara
kemungkinan lain infeksi HBV menyebar, cara penularan yang dominan melalui transfusi darah
dari individu yang terinfeksi, aktivitas seksual tanpa kondom, penggunaan pisau yang tidak
steril, dan penularan dari ibu yang melahirkan anak [4]. Di sisi lain, penyebaran HIV dikaitkan
dengan risiko perilaku seksual dengan individu yang positif HIV, berakibat pada individu
tersebut akan berisiko terinfeksi HIV. Menurut V. Soriano, M. Puoti, M. Peters, dkk [5], dari 36
juta orang yang terinfeksi HIV, sekitar 4 juta ditemukan menderita HBV kronis.
Sistem kekebalan tubuh yang merupakan sistem pertahanan tubuh terhadap patogen,
infeksi, dan penyakit buatan dari beberapa sel khusus yang dikenal sebagai sel CD4. Sel CD4
adalah sel darah putih yang melawan berbagai bentuk infeksi pada sistem manusia dan dengan
demikian memberikan gambaran tentang kinerja sistem kekebalan tubuh. Oleh karena itu, jumlah
sel CD4 pada individu menentukan tingkat kekebalannya. Namun, jumlah sel CD4 sebagian
besar dipengaruhi oleh infeksi virus dan bakteri. Hal ini menjelaskan mengapa efek gabungan
dari keduanya dari penyakit ini (HIV, TB, dan HB) pada seseorang sangat berbahaya [6].
Akibatnya, penyakit ini yang sedang dilihat sebagai masalah kesehatan di Ghana dan dunia.
Beberapa model matematika dan model standar epidemiologis telah diusulkan dalam
mempelajari dinamika penyakit menular. Model-model ini dapat membantu untuk memahami
penyebaran infeksi penyakit. Namun, sebagian besar model tidak dapat mengestimasi metrik
penyakit lain yang relevan seperti probabilitas infeksi pertama kali dan pemulihan serta
ekspektasi waktu individu terinfeksi dan pemulihan untuk individu yang rentan dan yang
terinfeksi. Sebagian besar model standar epidemiologis digunakan dalam mengestimasi
probabilitas transisi, namun tidak mampu menggeneralisasi hasil estimasi transisi dari penyakit
pada langkah waktu yang berbeda untuk prediksi masa depan. Penelitian ini berupaya untuk
mengatasi masalah yang disebutkan sebelumnya dengan menggunakan model rantai Markov
waktu diskrit seperti yang diusulkan dalam [8]. Dalam penelitian ini, matriks peluang transisi n-
langkah untuk setiap penyakit ditentukan menggunakan model rantai Markov orde pertama.
Hasil penelitian ini akan membantu para pembuat kebijakan untuk memastikan penyakit yang
diteliti paling menular dan mematikan sehingga langkah-langkah dapat dilakukan untuk
mengurangi atau meminimalkan prevalensinya.
( 0 )
( P¿¿ ij)= P10 P11 P12 ¿
0 1
(2)
dengan
2
Catatan:. Parameter P01 sebagian besar disebut dalam literatur sebagai laju waktu diskrit dari
infeksi. P02 dan P12 masing-masing menandakan kematian bagi yang tidak terinfeksi dan individu
yang terinfeksi, sedangkan P10 adalah pemulihan [9]. Kematian adalah state absorban karena p
peluang menjadi rentan atau terinfeksi adalah nol. Unit langkah waktu untuk memastikan transisi
dari satu state ke state yang lain diukur setiap tahun.
Peristiwa transisi tidak tergantung satu sama lain (sebagaimana didefinisikan oleh prinsip
Markov); probabilitas transisi (Pij) mengikuti model binomial:
N x
( )
L ( Pij|N , x )= i Pij (1−Pij )
xij
ij
N −x i ij
(4)
dengan x ij adalah jumlah transisi yang diamati dimulai dari state i ke j dan
∑ Pij=1 (5)
j
Dari persamaan (4) dan asumsi peluang transisi konstan selama periode tersebut,, matriks
peluang transisi diestimasi mengikuti distribusi multinomial yang diberikan sebagai
x x
Pij = ij = ij
^
(6)
∑ xij N i
j
untuk i , j=0,1 , 2 dengan standard errors dari estimasi maksimum likelihood distribusi sampling
yang diberikan sebagai berikut
^ij (1− P
P ^ij )
^s . e( P
^ij )=
√ Ni
(7)
X00: jumlah individu yang termasuk state rentan tetap rentan pada akhirnya masa studi
X01: jumlah individu yang termasuk state rentan bertransisi ke state terinfeksi pada akhir periode
penelitian
X02: jumlah individu yang termasuk state rentan bertransisi ke state meninggal atau tetap kebal
setelah pemulihan pada akhir masa studi
X10: jumlah orang yang terinfeksi yang pulih di akhir masa studi
X11: jumlah orang yang terinfeksi yang tetap terinfeksi pada akhir periode penelitian
X12: jumlah orang yang termasuk state terinfeksi bertransisi ke state meninggal atau tetap kebal
setelah pemulihan pada akhir periode penelitian.
¿ Pm−1
00 P 01
(8)
Begitu pula dengan peluang individu yang terinfeksi terlebih dahulu pulih antara waktu m-1 dan
m diberikan sebagai berikut
¿ Pm−1
11 P 10
(9)
Ekspektasi waktu untuk seseorang terinfeksi dan yang pulih atau sembuh dapat dihitung dengan
formula berikut
∞
∑ m f mij
E ( τ 1IJ )= m=1
Pr (i → j)
1
¿ (10)
1−Pii
Pr ( i→ j ) adalah semua peluang dari waktu transisi dari state i ke state j [8].
Harapan hidup (W i , i=0,1 ¿ untuk individu yang rentan dan terinfeksi dapat juga
diestimasi menggunakan persamaan berikut ini
W =( I −Q) ×
−1
( 11) (12)
dengan Q adalah matriks nonsingular 3 × 3 (X 0, X1, X2) dan Xj, (j = 0, 1, 2) adalah eigenvectors
yang tepat untuk eigenvalues λj (j = 0, 1, 2). Sehingga,
P X j=λ j X j
λn0 0 0
n
Λ= 0
0 ( n
λ
1
0
0
λ n2 )
3. Hasil dan Pembahasan
3.1. Model S-I-R Rantai Markov
Misalkan model rantai Markov diskrit untuk penyakit (HIV, TB, dan HB) rentan (state
0), terinfeksi (state 1), dan removed atau meninggal (state 2). Jika (Xi, i =0,1,2) mewakili jumlah
individu di setiap state dari penyakit yang diderita pada waktu t yang memenuhi Markov waktu-
homogen orde pertama dari persamaan (1). Jelas, Xi memenuhi model rantai Markov dengan
ruang keadaan S ={0, 1, 2}.
Tabel 2–4 menunjukkan jumlah individu dalam penelitian populasi pada state 0, 1, dan 2
untuk penyakit HIV, TB, dan HB.
Tabel 3. Jumlah individu dari beberapa state untuk penyakit TB pada akhir periode
Grup Total State Rentan State Terinfeksi State Removed
Rentan 669 552 99 18
Terinfeksi 99 81 18 0
Tabel 4. Jumlah individu dari beberapa state untuk penyakit HB pada akhir periode
Grup Total State Rentan State Terinfeksi State Removed
Rentan 669 552 99 18
Terinfeksi 99 81 18 0
Berdasarkan Gambar 1, dapat dinyatakan bahwa state {0} dan {1} adalah state
transien untuk transisi pada penyakit HIV dan hepatitis B. Hal ini dikarenakan, ketika
seseorang meninggalkan state atau keadaan tersebut, tidak ada probabilitas positif untuk
kembali ke keadaan semula. Namun, state {0, 1} adalah kelas transien untuk transisi
penyakit TB karena kedua state memiliki kesetaraan kelas yang sama serta
berkomunikasi, tetapi, pada suatu individu meninggalkan kelas itu, tidak ada probabilitas
positif kembali ke kelas itu. State {2} yang juga dikenal sebagai state absorban untuk
setiap transisi penyakit karena seseorang pada state ini tetap meninggal dengan
probabilitas pasti yaitu satu. Oleh karena itu, dapat disimpulkan dari klasifikasi state
bahwa rantai Markov tidak ergodik. Meskipun rantai adalah aperiodik, tetapi tidak
irreducible karena semua state tidak berada dalam satu kelas. Gambar 1 menunjukkan
representasi grafis peluang transisi masing-masing, untuk setiap penyakit.
3.4. Estimasi Metrik Penyakit
3.4.1. Probabilitas Transisi Orde Pertama
Probabilitas bahwa individu yang rentan menjadi terinfeksi pertama kali diestimasi untuk
semua penyakit menggunakan persamaan (8). Selain itu, probabilitas bahwa individu yang
terinfeksi terlebih dahulu menjadi rentan atau pulih diestimasi untuk penyakit TBC
menggunakan persamaan (9) karena HIV dan hepatitis B tidak memiliki kasus pemulihan dari
infeksi. Gambar 2 menunjukkan plot peluang transisi (orde pertama) di berbagai langkah waktu
dari 1 hingga 50.
Berdasarkan Gambar 2, dapat diamati bahwa probabilitas infeksi pertama kali dari tiga
penyakit dalam populasi penelitian relatif rendah (di bawah 0,20). Hal ini dapat disebabkan oleh
intervensi (atau obat) yang diberikan dalam penelitian populasi untuk mengendalikan penyebaran
penyakit ini [11] Selain itu, dapat disimpulkan bahwa, sebelum langkah waktu ke sepuluh (dalam
10 tahun setelah masa studi), probabilitas infeksi hepatitis B pertama kali oleh individu yang
rentan relatif lebih tinggi, diikuti oleh infeksi TBC dan kemudian infeksi HIV. Sebaliknya,
probabilitas infeksi pertama kali setelah langkah waktu ke sepuluh relatif lebih tinggi pada
pasien HIV dibandingkan dengan pasien TB dan HB. Temuan WHO [12] diperoleh bahwa
sebagian besar orang yang terpapar HIV maka akan terinfeksi pertama kali setelah 10 tahun
terpapar tanpa perawatan. Juga peluang pemulihan pertama kali dari penyakit tuberkulosis sangat
tinggi pada langkah waktu yang lebih rendah tetapi menurun tajam seiring meningkatnya
langkah waktu. Sehingga, hal ini disarankan bahwa jika pasien didiagnosis TB pada tahap awal,
langkah-langkang pengontrolan dapat dilakukan untuk pulih dari penyakit. Kasus ini banyak
terjadi pada individu dengan TB aktif setelah menerima perawatan yang tepat selama minimal 2
minggu tidak lagi menular. Namun, jika pasien TB terinfeksi dengan periode lebih lama, maka
ada probabilitas yang relatif sangat kecil pulih dari penyakit dalam beberapa langkah waktu
mendatang.
[
PnHIV = 0
0
0,9 5n
0
1−0,95 n
1 ]
Dengan n=1 dari estimasi matriks transisi Pn memberikan aktual matriks transisi pertama
P HIV . Sebelumnya atriks transisi pada setiap langkah waktu (n ≥ 1) dapat dihasilkan dari fitted
matrix Pn. Estimasi matriks transisi n-langkah untuk TB adalah sebagai berikut.
n n n n
PnTB = 0,8( 0,9 83 1¿¿ n)+1,6( 0 ,0269¿¿ n)¿ 1,6(0,9831 −0,0269 )¿ 1−0,9831 −0,003 2(0,0269 ) 0 ¿ 1 ¿
[ ]
¿