Spatiotemporal Dynamics of Schistosomiasis in China: Bayesian-Based Geo

statistical Analysis
Andi Nurdiansyah (211709547)
Cahyo Hadi Luqmantoro (211709597)
Fiqih Tri Mahendra (211709700)
Natalia Panjaitan (211709888)
Siti Andhasah (211710015)
BAHASAN
01 Pendahuluan

02 Metodologi

03 Hasil dan Pembahasan

04 Diskusi

05 Critical Review
 Introduction

Schistosoma japonicum menyebabkan penyakit parasit kronis yang serius di Cina dan
merupakan endemic di 12 provinsi sepanjang Sungai Yangtze, dengan lebih dari 10 juta
orang yang telah terinfeksi.
Introductio

Dilihat dari sudut pandang ekologis

dan epidemiologis, daerah endemik
S. japonicum di Cina dapat
dikelompokkan kedalam tiga kategori :
- wilayah daratan dengan saluran air,
- wilayah danau dan rawa,
CHINA - serta wilayah perbukitan dan
pegunungan.

Upaya pengendalian berkelanjutan yang

telah dilaksanakan selama 60 tahun terakhir
telah mengeliminasi tipe pertama dari
daerah endemik.
 Introduction
Masih tingginya pravelensi kejadian ini di beberapa daerah
Kemungkinan disebabkan oleh berbagai alasan, diantaranya :

Habitat dari Oncemelania hupensis (inang dari

1 S. japonicum) masih banyak ditemukan di Cina,
Sehingga risiko penyakit tersebut menyebar semakin
tinggi

Sulitnya pembiayaan untuk menangani penyakit ini

sehingga pengendalian schistosomiasis sangat
2
berkurang

Langkah pertama yang sangat penting untuk dialakukan

dalam pengendalian penyakit ini adalah mengidentifikasi
wilayah yang beresiko tinggi, .
 Introduction
Sistem Pengawasan di Cina:
- Merupakan sistem pengambilan sampel dan investigasi berbasis desa dengan tingkat keparahan yang
berbeda-beda sehingga sampel tiap tahun berbeda.

Yang ingin dicapai dalam penelitian ini :

- Mengidentifikasi wilayah yang resiko tinggi untuk schistosomiasis
- Memprediksi resiko desa-desa yang tidak dijadikan sampel.

Analisis yang digunakan :

- Bayesian spatiotemporal geostatistik diadopsi
dalam penelitian ini untuk menyelidiki pola
spatiotemporal dari penularan S. japonicum
dan juga untuk mengevaluasi dampak dari
dampak faktor resiko potensial

Alasannya :
- Mempertimbangkan ketidakpastian parameter
dan fleksibilitas dari kerangka sampel
 Metodologi
Tempat dan Waktu Penelitian

Dilakukan di Kabupaten Xingzi, Provinsi Jiangxi terletak di tengah-bawah

Sungai Yangtze dan berbatasan dengan Danau Poyang
Mencakup area sekitar 720 km2, terdiri dari 80 desa dengan populasi
berisiko sekitar 250.000 orang. Ada lebih dari 10 danau dengan suhu
rata-rata sekitar 18◦C dan curah hujan tahunan sekitar 1450 mm.

Pengambilan Sampel

Frekuensi pengambilan sampel ditentukan sebagai berikut:

- Desa-desa dengan penularan yang sedang berlangsung disurvei setiap tahun,
- Desa-desa di mana penularan terkendali disampel setiap 2 atau 3 tahun, dan
- Desa-desa yang telah mencapai kriteria gangguan transmisi
hanya disurvei ketika habitat siput baru diidentifikasi atau dilaporkan
(Wang et al. 2008).
 VARIABEL
Variable Keterangan
NEARLAKE Jarak desa yang ditemukan telur S. Japonicum pada tinja
ke danau
NEARSNAIL Jarak terdekat desa dengan habitat siput
ELEVASI Ketinggian desa
SLOPE Kemiringan desa
LSTDAY Suhu siang hari
LSTNIGHT Suhu malam hari
LSTDIFF Perbedaan suhu antara siang dan malam
NDVI Indeks vegetasi yang dinormalisasi
EVI Enhance Vegetation Index
METODE ANALISIS
1. Statistik deskriptif dihitung dan dirangkum untuk desa-desa yang setiap tahun di survey
2. Statistik deskriptif untuk menunjukkan karakteristik data dasar, kemudian variabel-varibel ini
distandarisasi untuk meminimalkan dampak dari skala data yang berbeda.
3. Model regresi logistik univariat diterapkan untuk menguji signifikansi statistik hubungan
antara prevalensi schistosomiasis dan kovariat. Variabel dengan p-value ≤ 0.2 dimasukkan
dalam proses pemodelan, namun jika terdapat 2 p-value yang ≤ 0.2 maka nilai p-value yang
lebih kecil yang akan digunakan.

Model Validasi
5 Bayesian Credible Intervals (BCIs) dengan cakupan probabilitas sebesar 5%, 25%, 50%, 75%, dan 95% dari distribusi prediksi
posterior dihitung untuk mengevaluasi kemampuan prediksi model yang dipasang (Gosoniu et al. 2006; Wang et al. 2008).
Model dengan persentase tertinggi dari catatan yang diuji jatuh ke BCI tersempit diyakini memiliki kemampuan prediksi
terbaik, yang kemudian digunakan untuk menghasilkan peta risiko yang diprediksi dari Kabupaten Xingzi dari tahun 2004
hingga 2006.
 METODOLOGI
•
  Bayesian Spatiotemporal geostatistics di terapkan untuk menganalisa pola spatiotemporal S. Japonicum. Bayesian Spatiotemporal
geostatistics di jelaskan secara singkat pada penelitian ini untuk memperhatikan hubungan antara schistosomiasis dan lingkungan
kovariat yang diperiksa secara bersamaan.
Mit Binomial (Nit,Pit)

Dimana Pit adalah prevalensi mengikuti standar model regresi logistic. Sedangkan efek kovariat untuk schistosomiasis adalah
sbb:
log it(Pit) = (Model 1)

• Karena kemungkinan data kami merupakan korelasi spasial temporal maka efek acak khusus desa dan khusus tahun ditambahkan
dalam model :
log it(Pit) = (Model 2)

u = (u1, u2, ..., uN)T∼MVN (0, Σ). Σ didefinisikan sebagai korelasi eksponensial fungsi,
∑pq = 𝜎2e-𝜙dpq,

• Untuk memperhatikan interaksi ruang dan waktu, maka dibuat lagi model ke tiga (M3) dengan mengasumsikan bahwa korelasi

spasial berubah seiring waktu

log it(Pit) = (Model 3)

• Dari ketiga model tersebut M1, M2, M3 maka untuk memilih model mana yang paling cocok dilakukan uji googness of fit test dari
 HASIL
• Dari tahun 2004-2006 jumlah desa yg diamati ada 33, 40, dan 36 desa dengan jumlah individu masing-masing desa
23.725, 36.085, dan 36.222 orang.
• Prevalensi tertinggi diamati di desa Zhuxi pada tahun 2004 dan di Desa Ximiao pada tahun 2005 dan 2006, yang
terletak dekat dengan danau di Kabupaten Xingzi.

Univariate Logistic Regression

Standar
Variabel
Statistik SE P Deviasi

NEARLAKE -2.22 0.17 0.03 1578

• Variasi untuk NEARLAKE dan NEARSNAIL
NEARSNAIL -14.17 0.16 <0.0001 1461 relatif lebih besar daripada variable lainnya
• Melalui uji univariat, p-value pada hubungan
ELEVATION -4.01 1.02 <0.0001 1.3
antara risiko schistosomiasis dan masing-
SLOPE 4.31 114.9 <0.0001 0.002 masing variable menunjukkan ≤0,2 kemudian
EVI tidak dimasukkan ke dalam pemodelan
LSTDAY −13.52 0.06 <0.0001 3.70
karena variasinya lebih kecil dibandingkan
LSTNIGHT −1.38 0.06 0.17 3.16 dengan NDVI.
LSTDIFF −14.81 0.04 <0.0001 3.19

NDVI −9.36 0.16 <0.0001 0.07

EVI −7.38 0.13 <0.0001 0.03

 Model Fitting

• Model M3 adalah model terbaik

• NEARSNAIL adalah satu-satunya
variabel yang signifikan secara
statistik yang memiliki hubungan
negatif dgn risiko schistosomiasi
• Variabel lainnya tidak menunjukkan
hubungan yang signifikan dengan
risiko schistosomiasis
• Korelasi spasial sedikit berbeda
dari tahun ke tahun yang lain,
namun signifikan
• Variasi spasial meningkat secara
cepat dari tahun ke tahun
Evaluasi Model

Berdasarkan Uji Fisher, ketiga model memiliki kemampuan prediksi yang

berbeda (Fisher exact test, p-value = 0,04) dan model interaksi spatiotemporal
memiliki kemampuan prediksi yang paling baik karena persentase tested
recordnya jatuh pada BCI terbesar dan distribusi prediksi posteriornya relative
rendah dibandingkan dengan model nonspatial dan model spatiotemporal
independen.
 DISCUSSION
• Kemajuan yang signifikan telah dicapai dengan model spesiotemporal ,terutama pada analisis data geostatistik, yang sangat
meningkatkan pemahaman kita tentang epidemiologi penyakit menular , termasuk schistosomiasis japonica yang dipelajari
dalam penelitian ini.
• Data schistosomiasis yang paling banyak ditemui di Cina adalah data desa berbasis survei. Ini istimewa karena frekuensi
investigasi setiap desa berbeda , sehingga jumlah desa yang disurvei bervariasi dari tahun ke tahun ,yang memerlukan metode
spesifik yang dapat memprediksi informasi di lokasi yang tidak dilampiri dengan bantuan lokasi sampel terdekat .
• Tiga model diterapkan untuk dibandingkan, yaitu model nonspatial dan dua jenis model spasial-temporal, yang satu
mengasumsikan efek acak spasial temporal yang independen dan yang lain menggunakan asumsi bahwa korelasi spasial
berkembang seiring waktu
• Wilayah studi paling kecil terbentang sepanjang 45 km dengan lingkungan setempat relatif seragam.
• Permodelan vegetasi yang digunakan adalah NDVI (Normalized Difference Vegetation Index) dan EVI(Enhanced Vegetation Index)
• EVI pertama kali digunakan untuk perbandingan dengan NDVI karena keduanya mewakili informasi vegetasi dengan metode
derivasi yang berbeda
• Menemukan bahwa NDVI lebih erat dan positif terkait dengan prevalensi S. japonicum dibandingkan dengan EVI, tetapi
keuntungan ini tidak kuat dan hubungan mereka tinggi.
• Dalam Penelitian Ini hanya variable NEARSNAIL yang signifikan dan secara negatif berhubungan dengan risiko schistosomiasis,
menunjukan jika NEARSNAIL kecil maka penduduk lokal akan memiliki lebih banyak kesempatan untuk terinfeksi, yang berarti
mereka berisiko tinggi untuk terpapar schistosomiasis.
• Model terbaik dilengkapi model ruang-temporal dengan interaksi ruang-waktu, yang juga memiliki kemampuan prediksi terbaik
yang ditunjukkan oleh hasil validasi model. Korelasi spasial dari prevalensi adalah signifikan dan bervariasi dari satu tahun ke
tahun, mendorong bahwa data schistosomiasis memang tidak independen dari ruang dan waktu.
CRITICAL REVIEW

Your Text Here

You can simply impress your audience and add a unique zing and appeal to
your Presentations. Easy to change colors, photos and Text. I hope and I
believe that this Template will your Time, Money and Reputation. You can
simply impress your audience and add a unique zing and appeal to your
Presentations. Easy to change colors, photos and Text.

Easy to change colors, photos and Text. I hope and I believe that this
Template will your Time, Money and Reputation. You can simply impress
your audience and add a unique zing and appeal to your Presentations.
You can simply impress your audience and add a unique zing and appeal to
your Presentations. Easy to change colors, photos and Text.

You can simply impress your audience and add a unique zing and appeal to
your Presentations. Easy to change colors, photos and Text.
Thank you
#dirumahaja #semangatUAS