TUGAS INDIVIDU Mata Kuliah : Epidemiologi Lanjut Dosen
: Dr. ida leida Maria, SKM,M.KM,M.Sc.PH BAB 8 Meringkas, Menyajikan dan menafsirkan Data Epidemiologi : Membangun Insiden dan Prevalensi
DISUSUN OLEH : KELOMPOK 1 A. Nadiah Nurul Fadilah Ibrahim
K012172001
Surya Chahyadi Jufri
K012172002
Sanrebayu
K012172003
Nur Qadriyana Tahir
K012172004
Muh. Syaiful Akbar
K012172005
PROGRAM STUDI ILMU KESEHATAN MASYARAKAT PROGRAM PASCASARJANA UNIVERSITAS HASANUDDIN MAKASSAR 2018
8.1. Pengantar Data epidemiologis dapat dimanipulasi dengan mudah dan dalam banyak hal, dengan tujuan meringkas informasi dan / atau penggalian wawasan tambahan. Biasanya, namun tidak selalu, tujuannya
adalah
untuk
mengizinkan
atau
mempertajam
perbandingan, apakah dari waktu ke waktu, atau antara tempat dan kelompok masyarakat. Bab ini memperkenalkan cara utama di mana data dimanipulasi, dengan peringatan bahwa hasil akhir sering merupakan pengukuran buatan yang mengubah (dan kadangkadang mendistorsi) persepsi dan interpretasi risiko, perhatian sepenuhnya dari sebuah persoalan ke ilmu pengetahuan di mana komunikasi antara peneliti, profesional kesehatan, dan masyarakat sangat penting. Ada banyak cara lain dalam meringkas data dan cara-cara baru yang terus diciptakan. Namun, prinsip-prinsip yang mendasari mereka cenderung sama. 8.2. Rasio Morbiditas Atau Mortalitas Proporsional Kadang-kadang satu-satunya data yang dapat dipercaya yang kita miliki adalah pada serangkaian kasus. Perbandingan sulit tanpa penyebut penduduk (untuk membangun angka), tetapi ini mungkin tidak tersedia atau mereka mungkin tidak akurat. Misalnya, biasanya tidak
ada
yang
akurat,
penyebut
populasi
stabil
untuk
membandingkan penyakit dan hasil mortalitas berdasarkan tempat kerja atau rumah sakit, karena sebagian besar tempat kerja dan rumah sakit tidak mendatangkan pekerja dan pasien mereka, masing-masing, dari sebuah populasi spesifik dan tertentu. Studi etnis dan kesehatan di Inggris (dan juga di banyak negara lainnya) yang dihalangi oleh kenyataan bahwa kode etnis telah dikumpulkan hanya pada tiga sensus (1991, 2001, dan 2011) dan bahwa catatan yang memberikan informasi mengenai penyakit tidak mendata etnis secara akurat. Misalnya, sertifikat kematian di Inggris tercantum negara kelahirannya tapi tidak ada kode etnis dan dalam catatan
pendaftaran di rumah sakit, kode etnis sering hilang. Di Skotlandia pada tahun 2012, etnis termasuk dalam proses pendaftaran kematian, tetapi tidak di seluruh Inggris. Selain itu, beberapa sistem pencatatan dan studi yang memberikan kode etnis menggunakan klasifikasi yang berbeda dari yang di sensus. Dalam jenis-jenis situasi ini, metode penyebut bebas - diperlukan. Rasio Morbiditas atau Mortalitas Proporsional (PMR) biasa digunakan untuk mempelajari pola penyakit berdasarkan penyebab di
mana
penyebut
penduduk
tidak
tersedia,
seperti
yang
digambarkan disini menggunakan angka kematian, meskipun tentu pendekatan yang sama diikuti untuk hasil lainnya. Jumlah total angka kematian (bukan penduduk) digunakan sebagai penyebut, dan kematian dari setiap penyebab spesifik sebagai pembilang. Mortalitas proporsional (PM) adalah hasil pembagian, sebuah
proporsi,
biasanya
dinyatakan
sebagai
persentase.
Rumusnya adalah:
PM =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑚𝑎𝑡𝑖𝑎𝑛 𝑏𝑒𝑟𝑑𝑎𝑠𝑎𝑟𝑘𝑎𝑛 𝑝𝑒𝑛𝑦𝑒𝑏𝑎𝑏 𝑋 𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑚𝑎𝑡𝑖𝑎𝑛
Mengalikan hasil pembagian ini dengan 100 adalah kaidahnya dan ini menyajikan PM sebagai persentase. PM dapat dihitung berdasarkan jenis kelamin, kelompok umur, atau subdivisi lain yang sesuai dari populasi. Angka-angka ini dapat dibandingkan antara populasi, tempat, atau jangka waktu dengan menghitung PMR, yang hanya rasio PM di dua populasi perbandingan, yaitu
PMR =
𝑃𝑀 𝑑𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝐴 𝑃𝑀 𝑑𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝐵
Pada rumus ini, populasi A biasanya merupakan kepentingan studi populasi, populasi B merupakan standar, acuan atau populasi pembanding. Yang terakhir memasok informasi pada proporsi yang
diharapkan. Secara konvensional studi populasi- salah satu kepentingan istimewa- adalah salah satu ditempatkan di pembilang, populasi acuan pada penyebut, meskipun kadang-kadang kaidah ini tidak diikuti. PMR meneliti perbedaan proporsi kematian disebabkan penyakit X dalam satu populasi dibandingkan dengan populasi kedua. (Jelas, semua-penyebab PM atau PMR selalu 100%.) PMR (Rumus 8.2) kemudian dapat dipertimbangkan kembali sebagai:
𝑃𝑟𝑜𝑝𝑜𝑟𝑠𝑖 𝑘𝑒𝑚𝑎𝑡𝑖𝑎𝑛 𝑦𝑎𝑛𝑔 𝑑𝑖𝑡𝑒𝑙𝑖𝑡𝑖 𝑑𝑎𝑟𝑖 𝑝𝑒𝑛𝑦𝑒𝑏𝑎𝑏 𝑠𝑝𝑒𝑠𝑖𝑓𝑖𝑘 (𝑠𝑡𝑢𝑑𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 ) PMR = 𝑃𝑟𝑜𝑝𝑜𝑟𝑠𝑖 𝑘𝑒𝑚𝑎𝑡𝑖𝑎𝑛 𝑦𝑎𝑛𝑔 𝑑𝑖ℎ𝑎𝑟𝑎𝑝𝑘𝑎𝑛 𝑑𝑎𝑟𝑖 𝑝𝑒𝑛𝑦𝑒𝑏𝑎𝑏 𝑠𝑝𝑒𝑠𝑖𝑓𝑖𝑘 (𝑑𝑎𝑟𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝑠𝑡𝑎𝑛𝑑𝑎𝑟) Proporsi dalam keseluruhan populasi standar juga dapat diterapkan untuk mendapatkan proporsi yang diharapkan di segala usia (yang sebenarnya atau PMR kasar), atau proporsi tertentu usia dapat diterapkan. Jika yang terakhir diadopsi, proporsi diharapkan dihitung untuk setiap kelompok usia tertentu, dengan gambaran kelompok spesifik yang dijumlahkan (berlaku standardisasi untuk usia, seperti yang dijelaskan dalam bagian 8.3). penyebut mungkin juga penyebab spesifik. Sebagai contoh, kita bisa melihat kematian akibat penyakit jantung koroner (PJK) sebagai proporsi kematian akibat stroke, atau kanker, atau kecelakaan, daripada semua penyebab. PM dan PMR yang cukup sederhana seperti yang Anda akan temukan ketika Anda melakukan perhitungan dalam latihan di Box 8.1. Dalam contoh sederhana ini, PMR adalah 30 persen lebih tinggi dalam jangka waktu kedua di kota yang diteliti. Salah satu penjelasan, dari banyak hal, adalah bahwa populasi yang mendasari
semakin tua dan pneumonia lebih mungkin terjadi pada masyarakat usia tua. Yang lainnya adalah bahwa fenomena ini umum dan tidak spesifik ke rumah sakit ini. Hasil untuk rumah sakit kedua tidak menunjukkan pola yang sama akan melawan kedua penjelasan tersebut. Tahapan telah ditetapkan untuk penyelidikan lebih dalam. Sekarang kita akan melihat sebuah penelitian nyata di mana PMR membantu
untuk
menyelesaikan
pertanyaan
yang
sulit
dan
merupakan penggunaan kreatif dari ukuran.
Kotak 8.1 Menghitung PM dan PMR Dokter di rumah sakit mengamati bahwa jumlah pasien yang dirawat karena pneumonia dan terkait infeksi serius dari paru-paru sangat tinggi dan meningkat. Mereka tidak memiliki data hal persatuan diandalkan pada penduduk rumah sakit dilayani. Mereka memeriksa rumah sakit komputerisasi catatan dalam dua waktu lima tahun periods- 2000- 2004, dan 2005-2009. Mereka juga membandingkan hasil mereka dengan kota lain yang serupa 20 mil jauhnya. Hasilnya adalah sebagai berikut: Hitung PM, dan PMR untuk dua perbandingan, yaitu, dari waktu ke waktu dan antara dua rumah sakit. Apakah dokter yang tepat? penjelasan apa yang dapat Anda pikirkan untuk apa yang Anda amati? Jawabannya ada pada Tabel 8.2 dan teks di atas. Kota Pembanding 1400 16000 1500 17000 untuk penyakit jantung
Kota Penelitian 2000-2004
Pneumonia 1000 Semua 13000 2005-2009 Pneumonia 1200 Semua 12000 Tabel 8.1 Rasio morbiditas proporsional (PMR)
iskemik pada imigran laki-laki yang lahir di anak benua India dan Afrika New Commonwealth
PMR kematian yang diamati populasi standar
100
subcontinent- India lahir Dengan nama India, diduga asal etnis India
605
Tanpa nama India, diduga Putih asal etnis British
535
119
121
Afrika New Commonwealth- lahir Dengan nama Afrika, diduga asal etnis 28 Afrika
56
Dengan nama India, diduga asal etnis India
23
120
Dengan nama Inggris, dianggap Putih asal etnis British
39
84
Sumber: Data dari Marmot, Mg et al. kematian imigran di Inggris dan Wales 1970- 78: penyebab kematian oleh negara kelahiran. (Studi OPC populasi medis dan pelajaran No. 47). London, UK: HMSO. Copyright © 1984 Crown Copyright.
Marmot dan rekan (1984) tertarik pada apakah orang-orang dari India, Pakistan, Bangladesh, dan Sri Lanka asal etnis (Asia Selatan) yang tinggal di Inggris dan Wales memiliki tingkat kematian yang lebih tinggi dari PJK daripada populasi secara keseluruhan. Mereka mempelajari angka kematian sekitar sensus tahun 1971 ketika etnis tidak dikumpulkan. Jawaban awal atas dasar tingkat kematian oleh negara kelahiran adalahmungkin begitu. Masalahnya adalah bahwa beberapa orang yang lahir di anak benua India adalah dari asal etnis Eropa. Selanjutnya, beberapa orang Asia Selatan yang lahir di Inggris dan Wales. Hal ini menciptakan kesalahan kesalahan klasifikasi (lihat Bab 4), sehingga perhitungan yang dihasilkan akan tidak tepat. Baik sensus 1971 maupun sertifikat kematian yang tercatat kelompok etnis, hanya negara kelahiran. Solusi Marmot dkk.
diadopsi adalah untuk menghitung disesuaikan PMR berdasarkan usia (lihat Tabel 8.1). Mereka menguji hipotesis bahwa PMR pada mereka dengan nama Asia Selatan (indikator kelompok etnis, bukan hanya tempat kelahiran), berbeda dari yang di mereka yang lahir di benua India tanpa nama serupa (mungkin Putih bangsa Inggris), dan dari Afrika New Commonwealth- lahir, dan dari seluruh penduduk Inggris dan Wales. PM dari seluruh penduduk Inggris dan Wales yang disediakan standar. Sebuah PMR dari 100 persen akan, oleh karena itu, mencerminkan tidak ada perbedaan antara kelompok etnis dan standar populasi. Sebelum membaca, lakukan latihan di Kotak 8.2. PM mencerminkan tidak hanya pada jumlah kematian akibat penyebab yang diteliti tetapi juga jumlah kematian akibat penyebab lain. Dalam membandingkan PM antara populasi, oleh karena itu, perbedaan mungkin timbul baik dari perbedaan penyakit yang diteliti, atau perbedaan penyakit lainnya
Kotak 8.2 Asumsi belakang, dan interpretasi dari, PMR Memeriksa Tabel 8.1. Bagaimana PMR dalam kelompok benua India berdasarkan nama dibandingkan dengan kedua standar populasi dan Afrika Baru Commonwealth- lahir? Apa asumsi mendasar yang mendasari perbandingan yang valid antara populasi menggunakan PMR? Apakah Marmot dkk. benar dalam menyimpulkan bahwa penyakit jantung iskemik adalah relatif lebih umum pada populasi asal benua bagian Asia Selatan, India?
Tabel 8.2 jawaban untuk latihan di kotak 8.1 pada PMRs Kota yang diteliti 2000-2004 100/13.000 = 7,7%
A. PM B. PMR antara waktu ke waktu C. PMR antara kedua RS
2005-2009 1200/12.000 = 10%
Kota perbandingan 2000-2004 2005-2009 1400/16.000 1550/17.000 = 8,8% = 8,8%
10%/7,7% = 1,30
8,8%/8,8% = 1,00 7,7%/8,8% = 0,88 10%/ 8,8% = 1,4
Di Asia Selatan, misalnya, kanker yang kurang umum dibandingkan populasi secara keseluruhan, sehingga PMR tinggi bisa disebabkan baik tingkat yang lebih tinggi dari penyakit jantung koroner atau lebih rendah dari kanker. Sedangkan data pada Tabel 8.2, menunjukkan PMR tinggi untuk mayarakat bernama India baik yang lahir di anak benua India atau Afrika New Commonwealth, mendukung pandangan bahwa penyakit jantung iskemik relatif umum pada populasi India-lahir, hasilnya tidak konklusif ( setidaknya, tidak sendiri). Orang-orang tanpa nama India yang lahir di anak benua India, diduga Putih Inggris, juga memiliki PMR tinggi, yang menarik. PMR dapat dianggap sebagai awal, atau nyata, alat analisis. Hal ini karena asumsi mendasar, bahwa distribusi kematian akibat penyebab lain dari yang diteliti adalah sama dalam dua populasi, sering tidak mungkin. Ketika itu terus, rasio kematian standar (SMR- lihat bagian 8.3) dan PMR terkait, sesuai dengan rumus yang diberikan dalam Roman et al. ( 1984) dan pada Lampiran 8.2. Jelas, angka kematian proporsional adalah cara sederhana dan berpotensi berguna menggambarkan beban penyakit tertentu dalam populasi, dan PMR menyediakan cara untuk membandingkan populasi. PMRs dapat digunakan untuk meneliti hubungan antara eksposur dan penyebab kematian. Dalam contoh kami studi Marmot et al. (Tabel 8.1), paparan adalah etnis Asia Selatan dan penyebab PJK kematian. PMR kemudian merupakan salah satu ukuran dari kekuatan berorganisasi, tetapi
untuk alasan yang sudah dibahas dalam kaitannya dengan latihan dalam Kotak 8.2, satu yang berpotensi cacat.
8.3. Standarisasi Langsung Dan Perhitungan SMR (Standarisasi Tidak Langsung) Pada bagian ini, saya akan menggunakan kata menilai dalam pengertian umum dan tradisional. Prinsip-prinsip di sini berlaku untuk proporsi (dan tahun PribadiNya-) dan begitu relevan dengan prevalensi dan insiden data. Mari kita asumsikan kita menggunakan tingkat insiden kumulatif. Ketika pembilang dan penyebut populasi data yang tersedia pada skala besar, usia dan jenis kelamin tingkat tertentu dapat dihitung dan dibandingkan antara waktu, tempat, dan subpopulasi (Bab 7). Angka ini memberikan pandangan dari pola penyakit dalam suatu populasi. Jika memungkinkan, angka ini harus disajikan. Untuk mempermudah, mungkin cukup untuk hanya menampilkan data untuk usia dan jenis kelamin beberapa kelompok. Hal ini bisa dibilang benar bahwa usia dan jenis kelamin
tingkat
tertentu
adalah
blok
mental
yang
membangun
epidemiologi yang semua dasar penting dan memegang keutamaan dalam disiplin kami. Jenis analisis ini sering tidak mungkin karena jumlah hasil terlalu kecil untuk menghasilkan ketepatan, tingkat stabil secara statistik. Ketika angka jenis kelamin tertentu tidak tepat, data set yang dihasilkan dapat menimbulkan kesulitan dalam interpretasi. Usia dan tabel tertentu jenis kelamin biasanya besar dan sulit untuk memahamkan (misalnya Tabel 8.19). Meskipun demikian, untuk alasan yang diberikan dalam Bab 7, ahli epidemiologi perlu memeriksa data tersebut dengan cermat sebelum
meringkas mereka. Jawaban yang jelas adalah untuk menghitung angka ringkasan seperti secara keseluruhan, angka sebenarnya (kasar). Hasilnya kemudian benar-benar mencerminkan beban penyakit yang diteliti dalam populasi itu. Ini mungkin angka pelayanan kesehatan dan tenaga kesehatan perlukan, misalnya, untuk menentukan berapa banyak layanan akan dibutuhkan tahun depan. Untuk
penelitian
komparatif,
namun,
secara
keseluruhan,
sebenarnya (kasar) tarif mungkin menyesatkan. Masalah yang biasa adalah bahwa usia dan struktur jenis kelamin populasi dibandingkan berbeda, di usia kata-lain dan seks yang variabel pengganggu (lihat bagian 4.2.4). Kita dapat menyimpulkan bahwa lations ketenarannya dibandingkan memiliki tingkat penyakit yang sangat berbeda ketika ada penjelasan sederhana, misalnya, jika satu populasi lebih tua dari yang lain. Cara paling sederhana untuk mempertimbangkan ini adalah untuk menyesuaikan (atau standarisasi) tingkat usia, jenis kelamin, atau keduanya, seperti yang dibahas selanjutnya. Ini biasa dan baik praktek epidemiologi. Ada beberapa pengecualian untuk prinsip ini. Di mana populasi perbandingan yang hampir iDEN- vertikal di usia dan jenis kelamin struktur, usia dan penyesuaian seks tidak akan mengubah hasil. Tarif disesuaikan telah menjadi norma, tetapi tidak tarif berdasarkan population- benar, dan tidak berhubungan dengan status kesehatan populasi nyata; Oleh karena itu, perkiraan mengakibatkan kebutuhan perawatan kesehatan-salah. Sebagai contoh, tingkat disesuaikan usiastroke di tempat-tempat yang menarik baru saja pensiun mungkin lebih rendah daripada di kota komersial utama seperti London, tapi ini cukup menyesatkan. kebutuhan London untuk pelayanan stroke per unit populasi sebenarnya kurang dari tempat seperti sebuah resor pensiun. Meringkas seperangkat usia- tingkat tertentu ke dalam salah satu tokoh yang disesuaikan usia- kehilangan informasi, yang sangat penting ketika
perbedaan tidak konsisten di seluruh kelompok usia atau jenis kelamin. Untuk ple exam-, Tabel 8.3 menunjukkan bahwa SMR keseluruhan, salah satu metode dipertimbangkan dalam bagian 8.3.2, untuk paru-paru bisacer pada wanita yang tinggal di dekat industri (zona ABC) lebih tinggi daripada di daerah kontrol (S). (Rincian penelitian berada di Teladan 4.1.) Sosok Ringkasan (SMR semua-usia) menyamarkan fakta bahwa tingkat kematian di usia bawah- 65- tahun-jauh lebih tinggi, sementara tingkat di over- 75- usia tahun-yang actu- sekutu yang lebih rendah, di zona ABC daripada di zona S. informasi berpotensi penting yang hilang dalam usia all (standar) SMR. Di mana ada perbedaan besar dalam umur dan struktur seks antara populasi, ketika ment menyesuaikan nilai yang paling dibutuhkan, metode mengarah ke paling distorsi antara aktual dan disesuaikan Tabel 8.3 Rasio Mortalitas Standar untuk kanker paru pada wanita demu usia dan berdasarkan kelompok usia di daerah dekat industry (zoan ABC) dibandingkan dengan area di Sunderland (s) (populasi dari sensus 1991)
Kelompok
Daerah ABC (N= 40 332 wanita)
Daerah S ( N= 22 312 wanita)
umur SMR
N (kasus)
SMR
N (kasus)
Semua usia
217
288
173
152
0-64
287
136
170
55
65-74
190
98
165
56
75+
161
54
192
41
Standar untuk penduduk Inggris dan Wales dengan kelompok usia 5- tahun. N adalah jumlah diamati dari populasi atau kematian; SMR, standar rasio kematian. Diadaptasi dari Pless-Mulloli T, Phillimore PR, Moffatt S, Bhopal R, Foy C, Dunn C, dan kanker Tate J. Lung, kedekatan dengan industri, dan kemiskinan di Timur Laut Inggris. Environmental Health Perspectives, Volume 106, Issue 4, 189-196, 1998
Keterbatasan ini juga berlaku untuk populasi yang sama dibandingkan pada waktu yang berbeda periode; misalnya, CHD di Amerika Serikat pada tahun 1994 dibandingkan dengan 1940. Hingga data kematian CHD USA baru-baru ini disesuaikan menggunakan struktur usia 1940, tetapi untuk tahun 1996 analisis struktur populasi tahun 2000 digunakan.
Perhitungan untuk tahun 1996 berdasarkan pada Struktur 1940 memberikan tingkat 86,7 / 100 000, dibandingkan dengan 187,1 / 100 000 menggunakan struktur 2000 (penjelasan untuk hasil luar biasa ini diberikan berikutnya). Setelah memberi tanda perangkap, itu perlu untuk dicatat bahwa standardisasi sangat penting dalam membuat pekerjaan epidemiologi komparatif. Lubang perangkap berlaku untuk semua metode penyesuaian untuk usia, jenis kelamin, dan faktor perancu lainnya dan ini termasuk regresi berganda dan pendekatan kompleks lainnya. Dalam skala
global,
mengingat
penggunaannya
oleh
Dunia
Organisasi
Kesehatan (WHO) dan lembaga lainnya, metode standarisasi langsung adalah salah satunya teknik epidemiologi yang paling penting untuk mengendalikan pembauran berdasarkan usia dan jenis kelamin dalam tahap analisis. 8.3.1 Standarisasi langsung Sebelum membaca, lakukan latihan di Kotak 8.3, berdasarkan pada Tabel 8.4. Kemudian, bandingkan hasil Anda dengan Lampiran Tabel A8.1. Ingat, langkah-langkah mendasar, setidaknya bisa diperdebatkan, usiadan tarif khusus jenis kelamin. Tabel 8.4 menunjukkan tiga kelompok dengan struktur usia yang berbeda. Grup A bukan tipikal demografis negara industri yang stabil, dengan jumlah orang yang sama dalam tiga dekade. Grup B jelas merupakan struktur usia yang tidak biasa. Ini bisa jadi struktur usia spesialis rumah sakit dokter, atau staf akademik universitas. Ini juga bisa menjadi struktur usia penduduk setelah perang, penipisan oleh penyakit seperti AIDS, atau hasil dari penutupan industri besar, misalnya, di kota pertambangan, yang mengarah ke emigrasi kaum muda. Grup C bisa jadi populasi tentara, mahasiswa, dokter di kelas pelatihan, atau penduduk di daerah pinggiran baru dengan rumah murah untuk keluarga. Ketiga populasi ini akan digunakan untuk beberapa latihan yang mengikuti.
Angka spesifik usia (Lampiran Tabel A8.1 akan memungkinkan Anda untuk memeriksa perhitungan Anda) identik dalam tiga kelompok dan mereka meningkat seiring bertambahnya usia. Tingkat aktual, keseluruhan (kasar) berbeda nyata. Mengapa? Grup B memiliki tingkat keseluruhan yang tinggi karena memiliki populasi yang relatif lebih tua. Yang lebih besar jumlah orang yang lebih tua sedang membobot (menggunakan pengaruh atas) tingkat ringkasan. Ukuran dari populasi di setiap kelompok usia mempengaruhi tingkat keseluruhan. Sementara tarif aktual, keseluruhan (mentah) secara akurat menggambarkan pengalaman di masing-masing dari ketiga kelompok, mereka menyesatkan kita untuk berpikir ada perbedaan di antara mereka, karena pengaruh yang diberikan oleh struktur populasi berbeda. Perbedaan-perbedaan ini menyebabkan pembauran, dan usia adalah faktor pengganggu. Ada dua teknik utama untuk menstandardisasi tarif untuk membatalkan
efek
dari
perbedaan
struktur
usia
dan
membuat
perbandingan keseluruhan mungkin — langsung dan tidak langsung. Dalam metode langsung,
Kotak 8.3 Menafsirkan secara spesifik usia dan aktual secara keseluruhan angka kasar (kasar) tingkat Kelompok seperti apa yang mungkin memiliki struktur usia ini ditunjukkan pada Tabel 8.4? Hitung yang spesifik dan aktual (harga mentah) sendiri, berdasarkan data pada Tabel 8.3 (hasilnya masuk Lampiran Tabel A8.1). Pertimbangkan tingkat spesifik usia dan aktual pada Tabel 8.3. Berikan komentar tentang struktur usia, dan pengaruhnya terhadap tingkat keseluruhan (kasar), yang bervariasi dalam kelompok A, B, dan C. Mengapa efek ini terjadi? Apakah ketiga kelompok ini memiliki hal yang sama tingkat penyakit atau tidak?
Tabel 8.4 Rentang ukuran dan kasus: perhitungan tingkat spesifik usia dan aktual (kasar) dalam tiga populasi dengan berbagai ukuran (hasil untuk kolom terakhir ada di Lampiran Tabel A8.1) Kelompok Usia
Struktur
Kasus
Angka (%)
populasi dan ukuran Grup A 21-30
1000
50
5
31-40
1000
100
10
41-50
1000
150
15
3000
300
10
21-30
500
25
5
31-40
1500
150
10
41-50
3000
450
15
5000
625
12,5
21-30
5000
250
5
31-40
1000
100
10
41-50
200
30
15
6200
380
6,1
Tingkat keseluruhan (kasar) sebenarnya Grup B
Tingkat keseluruhan (kasar) sebenarnya Grup C
Tingkat keseluruhan (kasar) sebenarnya
tingkat usia spesifik dari populasi penelitian diterapkan pada struktur populasi standar. Sumber struktur populasi tidak begitu penting untuk teknik ini, karena akan berhasil struktur apapun. Namun, untuk studi global kebanyakan orang menggunakan Struktur Populasi Dunia WHO (struktur
juga tersedia di tingkat wilayah WHO) dan untuk studi nasional, sensus nasional struktur populasi. Namun demikian, ada konsekuensi untuk tingkat hasil aktual, meskipun tidak untuk perbandingan relatif antara tarif. Tabel
8.5
(bagian
a)
menunjukkan
hasil
dari
melakukan
standardisasi ini dengan populasi yang relatif muda sebagai standar. Sebelum membaca, lakukan latihan di Kotak 8.4, termasuk melengkapi Tabel 8.5 (bagian b). Kemudian bandingkan hasil Anda dengan Lampiran Tabel A8.2. Perhitungannya sangat mudah tetapi perhatikan bahwa ketika menerapkan tarif dari satu populasi (misalnya X) ke yang lain (katakanlah Y), pertanyaannya adalah: berapa banyak kasus yang akan terjadi pada populasi Y jika memiliki tingkat yang sama dengan X? Itu catatan kaki dalam Tabel 8.5 memberi contoh bagaimana melakukan ini. Tingkat usia spesifik yang identik dalam kelompok A, B, dan C yang diperoleh dari Tabel 8.4 mengarah ke hal yang sama jumlah kasus yang diharapkan dalam populasi standar Tabel 8.4 (a) dan karenanya, identik tingkat keseluruhan (standar) (7,5%). Di sini struktur populasi standar menyediakan bobot dan ini, oleh karena itu, sama di semua kelompok pembanding. Tarif standar keseluruhan dalam Tabel 8.5 (bagian a), bagaimanapun, berbeda dari yang ada pada Tabel 8.5 (bagian b). Bandingkan hasil Anda untuk Tabel 8.5 (bagian b) dengan yang ada di Lampiran Tabel A8.2 (b). Penggunaan populasi standar muda mengarah ke tingkat standar rendah (7,5%), dan yang lama populasi standar ke tingkat tinggi (13,9%). Ini menjelaskan mengapa tingkat standar PJK di Amerika Serikat meningkat pesat (lihat bagian akhir bagian 8.3) ketika struktur usia yang lebih tua dan modern menggantikan yang lebih muda, struktur usia 1940an.
Tabel 8.5 Standarisasi dengan metode langsung: pengaruh populasi standar muda dan tua
Populasi standar struktur
Populasi standar ukuran
Menerapkan angka khusus usia dari kelompok dalam Tabel 8.4 untuk populasi standar: kasus yang diharapkan Grup A
Grup B
Grup C
(a) Sebuah struktur populasi muda 21 – 30
3000
150
150
150
31 -40
1500
150
150
150
40 – 50
500
75
75
75
Secara keseluruhan
5000
375
375
375
Tingkat standar keseluruhan = 375/5000 = 7,5% untuk grup A, B dan C (b) Struktur populasi yang lebih tua 21- 30
200
10
10
10
31 – 40
1000
100
100
100
41 -45
5000
750
750
750
Secara keseluruhan
6200
860
860
860
Angka standar keseluruhan = 860/6200 = 13,9% untuk grup A, B dan C
* Contoh: dari Tabel 8.4 kita melihat bahwa angka dalam kelompok usia 21–30 dalam grup A, B, dan C adalah 5%. Di masa muda populasi standar (a) ada 3000 orang. Kami berharap, oleh karena itu, bahwa 5% dari mereka (3000) akan mengembangkan penyakit ini, yaitu 150 orang.
Masalahnya adalah bahwa hasil standar keseluruhan 7,5 persen dalam Tabel 8.5 (bagian a) dan dari 13,9 persen dalam Tabel 8.5 (bagian b) tidak nyata, dan berbeda dari yang sebenarnya, dan benar secara keseluruhan (mentah) tarif pada Tabel 8.4. Ini adalah isu - isu yang halus tetapi mendasar yang perlu Anda renungkan secara hati-hati. Itu Metode ini memungkinkan komparabilitas tetapi telah menggantikan figur fiktif
untuk realitas. Ini dianggap harga yang diperlukan dan berharga. Tabel 8.5 menunjukkan, seperti halnya tingkat usia spesifik pada Tabel 8.4, bahwa perbedaan yang terlihat dalam tingkat minyak mentah keseluruhan adalah hasil dari perancah oleh usia. Tarif standar usia dapat dibandingkan dengan membagi satu dengan yang lain untuk menciptakan risiko relatif, seperti yang ditunjukkan pada bagian 8.4. Ada istilah teknis, tetapi tidak perlu untuk risiko relatif seperti itu — yaitu, angka kematian komparatif (atau morbiditas sebagaimana mestinya). Risiko relatif relatif lebih baik. Kotak 8.4 Pengaruh langsung Standarisai pada angka keseluruhan Pertama hitung kasus yang diharapkan ketika Anda menerapkan tarif spesifik usia dalam Tabel 8.4 ke yang lebih tua populasi standar (b) pada Tabel 8.5. Ikuti pendekatan yang sama seperti pada Tabel 8.5 (a). Mempertimbangkan struktur usia dari populasi struktur standar, dan tingkat usia spesifik dan keseluruhan di Tabel 8.5. Apa hubungan antara tingkat standar keseluruhan pada Tabel 8.5 dan yang ada di Tabel 8.4? Mengapa tarif standar keseluruhan sekarang sama dalam kelompok A, B, dan C? Apa pengaruh dari populasi standar yang relatif muda dan relatif lama pada tarif standar? Di mana pengaruh (pembobotan) pada tingkat keseluruhan berasal?
8.3.2 Standardisasi tidak langsung: perhitungan SMR Pendekatan kedua untuk penyesuaian disebut standarisasi tidak langsung. Di sini, populasi standar menyuplai tingkat penyakit, dan bukan struktur populasi seperti pada metode langsung. Tarif ini diterapkan pada struktur populasi penelitian kami sendiri untuk menjawab pertanyaan: berapa banyak kasus yang akan terjadi telah terjadi jika populasi penelitian memiliki tingkat penyakit yang sama seperti pada populasi standar? (Catatan: gantikan kata-kata tingkat penyakit dengan struktur populasi dan Anda memiliki yang setara pertanyaan untuk metode langsung.) Jumlah kasus yang diamati dibagi dengan jumlah yang diharapkan kasus yang memberikan rasio morbiditas standar (atau mortalitas), yang biasanya dikalikan dengan 100 dan ditafsirkan sebagai persentase dan dikenal luas sebagai SMR. Tabel 8.6 menunjukkan satu set tarif dalam populasi standar, dan ini adalah tinggi, sementara itu di Tabel 8.7 rendah. Angka keseluruhan asli (kasar) (Tabel 8.4 dan Tabel A8.1 pada Lampiran 8.1) dan, juga, tarif standar dalam tiga populasi A, B, dan C berbeda. Mengapa? Sebelum membaca lakukan latihan di Kotak 8.5. Kemudian, bandingkan hasil Anda dengan Lampiran Tabel A8.3. Dalam latihan ini kami akan melanjutkan dengan grup, struktur populasi, dan tarif khusus usia yang diperkenalkan di Tabel 8.4. Contoh cara menerapkan tarif spesifik per tahun ditunjukkan pada catatan kaki meja. Total yang diamati ada pada Tabel 8.4. Anda mendapatkan angka yang diharapkan dengan menambahkan kasus diharapkan dalam tiga kelompok usia, seperti yang ditunjukkan dalam catatan kaki. Harapan umum dari suatu metode standardisasi usia adalah bahwa, seperti dalam kasus standarisasi langsung, itu akan menghapus efek perancu oleh usia. Ini mengejutkan bahwa ini tidak terjadi.
Tabel 8.6 Standarisasi dengan metode tidak langsung Standar populasi angka tertinggi Kelompok
Populasi
Kasus
Angka (%)
21-30
40. 000
4000
10
31-40
50.000
7500
15
41- 50
60.000
1200
20
Total
150.000
23.500
15,7
umur
Grup A Populasi
Grup B Kasus yang
Populasi
diharapkan
Grup C Kasus yang
populasi
diharapkan
Kasus yang diharapkan
21-30
1000
100
500
50
5000
500
31-40
1000
150
1500
225
1000
150
41-50
1000
200
3000
600
200
40
Total
3000
450
5000
875
6200
690
Diamati/diharapkan (standar rasio morbiditas/
300 = 66% 450
625 = 71% 875
380 = 55,1% 690
mortalitas, SMR) * Contoh: Angka ini 10% dalam populasi standar di atas. Kami memiliki 1.000 orang dalam kelompok usia ini. Jika mereka punya tingkat yang sama dengan populasi standar, maka 10% akan mendapatkan hasilnya, yaitu 100. ** Diamati dari Tabel 8.4-no. kasus secara total.
Tabel 8.6 Standarisasi dengan metode tidak langsung Standar populasi angka tertinggi Kelompok umur
Populasi
Kasus
Angka (%)
21-30
40. 000
2000
5
31-40
50.000
3750
7,5
41- 50
60.000
6000
10
Total
150.000
11.500
7,7
Grup A Populasi
Grup B Kasus
Populasi
Grup C Kasus
Populasi
Kasus
yang
yang
yang
diharapkan
diharapkan
diharapkan
21-30
1000
50
500
500
5000
250
31-40
1000
75
1500
1500
1000
75
41-50
1000
100
3000
3000
200
20
Total
3000
225
5000
5000
6200
345
Diamati/diharapkan
𝟑𝟎𝟎
(standar
𝟐𝟐𝟓
rasio
x100
morbiditas/ mortalitas, SMR)
Diamati dari Tabel 8.4 tidak ada total kasus seperti pada 8.6 Alasan itu yang mengejutkan adalah bahwa metode ini digunakan secara luas dan ditafsirkan seolah-olah ia melakukannya, dan bahwa itu adalah sebuah alternatif untuk metode langsung. Standar rasio kematian berbeda karena harga standar tertimbang berbeda-beda oleh struktur populasi yang berbeda dalam kelompok A, B, dan C. Hal ini sepenuhnya analog dengan efek bobot pada Tabel 8.4 ditampilkan dalam keseluruhan (crude) tingkat. Tarif disesuaikan dengan metode tidak langsung adalah, untuk kembali menekankan, tertimbang dalam kaitannya dengan usia dan jenis kelamin struktur populasi yang diteliti.
Hasil Ringkasan dari penyesuaian tersebut adalah SMR tersebut. Ini berarti bahwa SMRs dari beberapa populasi penelitian tidak dapat dibandingkan satu sama lain. Pengecualian adalah ketika struktur populasi dalam kelompok-kelompok yang berbeda adalah sama atau sangat mirip, tapi kemudian SMR tidak butuhkan-keseluruhan (crude) harga dapat dibandingkan. Hanya perbandingan SMR antara populasi penelitian dan populasi standar yang dipilih adalah, tegasnya, valid. Prinsip ini sering dilanggar, Kotak 8.5 Menghitung dan menginterpretasikan secara angka standarisasi tidak langsung Mencerminkan hati-hati di Tabel 8.6 dan perhitungan kasus yang diharapkan dan SMR yang dihasilkan. Ikuti pendekatan yang sama untuk melakukan perhitungan pada Tabel 8.7, sebelum membandingkan hasil Anda dengan Lampiran Tabel A8.3. Mengapa SMRs untuk Grup A, B, dan C yang berbeda ketika harga standar yang sama pada Tabel 8,6 diterapkan? Mengapa standar rasio kematian lebih tinggi pada Tabel 8.7 dibandingkan dengan 8,6?
Kotak 8.6 Menginterpretasikan SMR pada Tabel 8.3 Apa adalah interpretasi yang benar dari SMR semua-usia di daerah ABC dan daerah S? Apakah benar, tegasnya, untuk dua SMRs (217 dan 173) untuk dibandingkan secara langsung? Dalam prakteknya, mengapa perbandingan ini mungkin dapat diterima? Bagaimana dengan perbandingan tertentu usia- (0- 64, 65- 74, dan 75 + tahun)? Jawaban-pertanyaan yang tions di atas untuk ini perbandingan yang lebih spesifik.
kadang-kadang sengaja tetapi biasanya tidak sadar. Manfaat dari SMR adalah produksi sejumlah yang memungkinkan perbandingan dengan populasi referensi. Dimana perbandingan yang harus dibuat antara beberapa populasi, ketat, baik tingkat tertentu usia, atau mereka disesuaikan dengan metode langsung harus diperiksa. Kembali Tabel 8.3,
mengingat bahwa SMRs yang cal- culated menggunakan angka kematian spesifik usia- Inggris dan Wales diterapkan pada struktur penduduk wilayah geografis ABC dan S. Sekarang lakukan latihan di Box 8.6 sebelum membaca. SMR dari 217 menunjukkan bahwa jumlah kasus yang diamati di daerah ABC adalah 2,17 lebih besar dari jumlah yang diharapkan, jika daerah ini memiliki tingkat kematian yang sama usia- tertentu seperti di Inggris dan Wales. Daerah S memiliki 1,73 kali jumlah yang diharapkan. Seperti yang kita tidak tahu struktur populasi daerah ABC dan S, Tegasnya kita tidak bisa langsung membandingkan ABC dengan S. Jika struktur populasi yang sama, maka tidak ada tujuan dalam standardisasi tidak langsung. Penyebab semua-, semua-yang sebenarnya (crude) tingkat usia kemudian dapat dibandingkan tanpa pengganggu oleh usia. Sebagai daerah ABC dan S hanya 20 mil terpisah di timur utara-Inggris, kita akan mengharapkan (dan dapat menunjukkan) hanya perbedaan kecil dalam struktur umur. Dalam prakteknya, oleh karena itu, perbandingan langsung, menyimpulkan bahwa daerah ABC memiliki SMR lebih tinggi dari daerah S, yang cukup aman. Pembaca akan belajar bahwa parisons com- seperti langsung SMRs yang biasa, dan ketika struktur penduduk sangat berbeda, mereka serius menyesatkan. Mengetahui konteks penelitian membantu melindungi terhadap kesalahan serius. Hal ini menjelaskan
mengapa
SMRs
yang
umum
dalam
studi nasional
membandingkan daerah, Para penulis juga dihitung SMRs dalam kelompok umur. Pada pandangan pertama, yang aneh. Mungkin, bagaimanapun, perbedaan usia dalam kelompok umur terutama ketika ini didefinisikan secara luas. Langkah ini tidak termasuk pengganggu residual disebabkan oleh perbedaan usia dalam kelompok umur. Bisa dibayangkan bahwa pada kelompok usia 65- 74 di daerah ABC, orang memiliki usia rata-rata 71 tahun, sedangkan di daerah lain memiliki usia rata-rata 69 tahun. Ini bisa membuat perbedaan besar untuk usia- sensitif out datang seperti kanker.
Kami berada di sounder tanah dalam membuat perbandingan langsung dari SMR spesifik usia, terutama jika ini bisa dalam rentang usia yang ketat, misalnya, 60- 65 tahun atau bahkan 60- 61 tahun. Dalam hal ini, SMR digunakan dalam pengetahuan tentang batas-batasnya. Prosedur standardisasi dapat diperluas untuk mencakup seks dan variabel lebih lanjut, tetapi prinsip-prinsip yang sama seperti untuk usia. Dalam prakteknya, ketika penyesuaian yang diperlukan untuk lebih dari usia dan jenis kelamin, analisis regresi biasanya dilakukan. Hasilnya sangat mirip. metode regresi diperkenalkan secara singkat pada bagian 8.15. metode regresi belum diganti metode standarisasi dan itu sangat berharga mencerminkan mengapa tidak. Tidak seperti metode regresi, standardisasi mudah dipelajari dan diterapkan (bahkan menggunakan kalkulator sederhana atau spreadsheet) dan hasilnya intuitif dan mudah untuk menafsirkan. Seperti yang telah saya jelaskan, namun, ada nuansa dan perangkap bahkan di sini.