You are on page 1of 10

PENGELOMPOKAN PENYAKIT

RANCANGAN PEMBELAJARAN DASAR


Dasar pemikiran epidemiologi adalah perkiraan distribusi penyakit dalam populasi manusia. Dari pandangan ini, pola penyakit dipelajari untuk mengidentifikasi kelompok-kelompok yang berpengalaman dengan tingkat kejadian penyakit yang luar biasa daripada yang lainnya. Alasan ini didasarkan pada paham tradisional orang,tempat, dan waktu sebagaimana yang dibahas di bab 3. Karateristik dari orang (umur,ras,jenis kelamin) bisa mengidentifikasi kelompok kejadian penyakit tertinggi. Tempat dan waktu bisa menjadi pertanda dalam kejadian penyakit sehingga disetujui dengan daerah geografi (misalkan wilayah atau kode daerah) atau selama waktu periode khusus (misalkan 1980-85) Ketika kita mengamati kejadian penyakit yang tidak biasa (misalkan, ada beberapa perbedaan dalam pola kejadian penyakit antara kelompok populasi, daerah geografi, atau periode waktu), kemudian pakar epidemiologi mencoba untuk mengidentifikasi pola dari factor atau kejadian (determinan) yang bisa menjelaskan distribusi yang diamati. Ini adalah rangkaian pertimbangan pakar epidemiolagi: 1. Mengamati kumpulan secara statistic ( pola tidak acak) 2. Mengambangkan hipotesis tentang mengapa penyakit didistribusikan dengan cara ini 3. Menguji hipotesis yang berhubungan dengan determinan pengamatan penyebaran Untuk langkah, pengamatan pola penyakit adalah alasan epidemiologi mempertimbangkan menjadikannya sebagai ilmu observasional. Ketika pengujian hipotesis epidemiologi, mereka melakukan pengamatan dengan hati-hati dan teliti dengan pertimbangan pengalaman penyakit antarkelompok-kelompok. Misalnya analisis penelitian menggunakan data epidemiologi adalah cabang analisis dan kelompok studi.

ANALISIS SUB-SUB KELOMPOK


Cabang analisis terus diperbandingkan terus menerus dengan data . Misalkan perbandingan penyakit kanker otak pada anak pada kelompok umur yang berbeda-beda. Bagaimanapun juga langkah untuk kelebihan deteksi kejadian penyakit dengan populasi yang kecil dengan cepat menjadi berbelit-bellit ketika angka kejadian kecil dipelajari, atau jika ada harapan untuk mempelajari pola penyakit menurut waktu tertentu. Sejarahnya, seperti analisis statistic yang kompleks telah .. menjadi analisis data kelompok penyakit, dan pertimbangan biologi yang lazim dan pendapat yang didukung

STUDI KELOMPOK
Studi kelompok perkara layang menenangkan dan salah satu yang bisa menjadi control versial (tajuk rencana 1990; Garfinkel 1987). Kebanyakan negara mempunyai program dalam menanggapi laporan kelompok kanker (Warner dan Aldrich 1988). Inti pokok dari proses penilaian kelompok penyakit menetapkan apakah kejadian penyakit dalam lokasi yang pasti ditingkatkan lebih dari angka yang diharapkan. Kami biasanya melihat pola yang spasial dari kasus sampai pembagian area geografis, pola waktu untuk kasus kejadian dan pada beberapa kasus pola tempat-waktu pada beberapa fakta bahwa distribusi kasus adalah nonrandom (dan dapat menghasilkan keterpaparan lingkungan yang sangat berbahaya). Bagaimanapun juga, kebanyakan kelompok penyakit melaporkan

peningkatan kejadian yang tidak biasa, dan ketika laporan meliputi tingkat peningkatan penyakit yang tidak biasanya dihubungkan pada sumber utama lingkungan. Karena factor-faktor ini, laporan penilaian kelompok penyakit kadang-kadang diremehkan (Rothman 1990; Neutra 1990), bagaimanapun juga, lebih dari beberapa tahun, instansi kesehatan merespon laporan yang menarik perhatian publik dari pengumuman kelompok penyakit yang tinggi yang telah bertanggung jawab penuh dalam perkembangan beberapa pendaftaran penyakit utama. San penilaian base data populasi pada registrasi utama yang tersedia (Houk and Thacker 1987; Aldrich et al.1990) Pada beberapa kasus, studi kelompok memiliki area penelitian yang kecil dan angka kejadian yang biasanya dilibatkan (Thacker 1989) Angka kejadian yang kecil membuat analisis data sangat halus. Metode pengkhususan variasi statistic telah dikembangkan untuk analisis kelompok penyakit dan software computer (CLUSTER) tersedia tunguk membantu analisis (Guidelines 1990; Aldrich dan Drane 1990). Hal yang sangat penting untuk memahami aplikasi dari teknik statistic yang tidak sederhana untuk menaksir kelompok penyakit. Teknik statistic adalah satu perlengkapan yang sangat sederhana dalam gudang persenjataan dalam epidemiologi. Pertimbangan biologi bisa digunakan dalam menafsirkan laporan kelompok,sebagaimana dalam penggunaan analisis statistic. Kemungkinan Statistic, bagaimanapun juga membantu dalam memprioritaskan angka laporan kelompok untuk penelitian atau membantu dalam pembuatan kesimpulan tanpa meneliti kelompok yang tidak jelas.

KATA KUNCI DALAM PERTIMBANGAN LAPORAN CLUSTER


Protocol untuk merespon laporan kelompok penyakit telah dikembangkan pada komponen basis protocol dari beberapa Negara yang berbeda. (gambar 4.1). menggunakan pendekatan ini,lebih dari setengahnya laporan kelompok yang rendah mungkin akan ditutup pada tingkat peninjauan data ini utnuk proksimal populasi (contohnya , wilayah sekelilingnya). Adanya laporan denga ukuran yang besar memungkinkan dihapusnya setelah peninjauan kasus data klinik ditutup Deretan penggunaan statistic (software CLUSTER) untuk screening laporan kelompok penyakit digunakan pada tingkat protocol yang berjudul PENGHAPUSAN UTAMA DARI KELOMPOK.hanya 5 sampai 10% dari semua laporan yang mana penerimaan perwakilan akan mencapai langkah protocol KELOMPOK KEMUNGKINAN. Untuk lengkapnya, catatan penting untuk semua masyarakat dimana kelompok penyakit yang dilaporkan seharusnya ditawari pada suatu pertemuan dan informasi pendidikan agar mendapat perhatian pertanggungjawaban warga Negara. Respon dalam laporan kelompok penyakit meliputi lebih banyak daripada pencarian etiologi penyakit, setelah itu, profesiprofesi kesehatan harus juga mempertimbangkan mental dan sosialnya.(Bender et al 1990). Menurut pertanyaan yang disediajkan pemimpin dalam pertimbangan fakta kelompok penyakit: 1. Pertanyaan pertama selalu, apakah kelompok ini merupakan fenomena yang random? Pertanyaan ini tidak mudah untuk dijawab. Bagaimana kita melaporkan apa yang kita harapkan? Bagaimana kita mengukur kerandoman? Kita membutuhkan beberapa parameter dan ada beberapa parameter klasik : tempat, waktu dan rangkaian dan gabungan dari kejadian-kejadian. Metode statistic akan dibahas pada akhir bab ini. Dan teknis secara khusus dalam paket software CLUSTER, meminta jawaban yang spesifik dari pertanyaan tersebut atau lebih parameternya

2. Apakah banyak kelompok teedekat dalam tempat yang memungkinkan menghasilkan penempatan random 3. Apakah kelompok kasus dalam waktu yang akan terjadi oleh distribusi random 4. Apakah kumpulan kasus yang terdekat dari tempat dan waktu yang mungkin diharapkan dari pola kejadian random Ada beberapa pertanyaan yang klasik. Jawabannya, kami menggunakan metode statistic sehingga dibutuhkan data untuk menghubungkan lokasi kasusnya dengan tempat, waktu, atau keduanya. Dalam metode software CLUSTER akan menhapus data cluster pada beberapa cara yang berbeda dan pertanyaan dasar yang ditujukan. 5. Apakah pada beberapa geografi (misalnya masyarakat, wilayah,kode daerah) mengandung banyak kasus yang memungkinkan diharapkan dari kejadian yang random 6. Apakah beberapa kelompok populasi (misalnya, masyarakaat, etnis) berpengalaman dalam banyak kasus daripada proporsinya dari populasi yang menunjukkan pengharapan dari kejadian yang random Ada variasi-variasi pertanyaan pada tempat-waktu yang meliputi pola dari sel ( misalnya kedekatan dari sel memiliki kesamaan pengalaman penyakit) atau mereka percaya pada tindakan yang logis/lazim (misalnya, kemungkinan ketergantungan tempat dari angka kasus pada beberapa angka sel secara random). Metode pemilihan sel sangat kompleks daripada pendekatan tempat-waktu dan merek amemiliki kebutuhan data yang special. Kami seharusnya tahu dalam kemajuan bagaimana data seharusnya diatur dan pertanyaan seperti ini membutuhkan jawaban dengan teknik seperti ini. 7. Apakah pola kejadian penyakit menunjukkan lebih dari perubahan waktu frekuensi kejadian penyakit. 8. Apakah tingkat pengamatan dari penyakit tentang permulaan penyakit yang statistical dari tingkat pengharapan baru saja terjadi? Ingat, kebenaran asas dan kesalahan dalam ketelitian akan dibahas pada bab 3, ada banyak pertimbangan dengan baiknya pembelajaran cluster. Teknik statistical yang kompleks tidak lebih dari dasar pertimbangan epidemiologi. Kenyataannya, statistic cluster sangat kuat pengaruhnya. 9. Bagaimana kita mengartikan statistic yang signifikan? Ada 2 pertimbangan penting yang dapap dihitung dengan melihat statistic yang signifikan dihubungkan analisis cluster penyakit: a) Teknik statistic dalam pembelajaran cluster penyakit dibentuk untuk digunakan pada kejadian yang jarang terjadi (misalnya, ada kejadian dengan rate ,10/100.00; kebanyakan diselenggarakan dengan sedikit kasus yang ada. Hal ini tidak biasa untuk statistic; hati-hati! Sedikit pertanyaan: apakah pengamatan kasus konsisten dengan beberapa kecurigaan anda tentang pola kejadian penyakit? Apakah pola cocok dengan pola lain yang anda ketahui? Apakah lebih banyak daripada uji statistic pada pengelompokan? b) Statistic yang ditunjukkan dengan software CLUSTER tidak seperti biasanya atau uji statistic seperti uji z. seperti kebanyakan menggunakan distribusi Poisson (contoh, penggunaan untuk instansi ketika hanya satu kasus yang diharapkan).

PROGRAM CLUSTER
CLUSTER memperkenlkan sebuah strategi dalam screening laporan kelompok penyakit yang menjadi dasar inti dari tes statistic. Tes ini digunakan untuk mengidentifikasi cluster/ kelompok yang sejauh ini menjamin penilaian epidemiologi (Fiore et al.1990). Inti screening ini memberikan daerah nilai tengah antara semua penilaian laopran cluster yang ekstrim begitu juga dengan yang bukan penilaian penilaian laopran cluster.

Laporan cluster penyakit menggangu ahli-ahli kesehatan masyarakat,khususnyalaporan cluster/kelompok kanker dan hubungannya dengan kemampuan kontaminasi lingkungan dari sumber utama yang berbahaya. Tema ini berulang-ulang diantara penilaian laporan cluster penyakit yang mana sangat sedikit (kira-kira 5% usaha pdoduktif yang dicapai pada pertimbangan harga/keuntungan). Pertanyaan ketetapan kebijakan teentang bagaimana pemisahan banyak laporan cluster bahwa perwakilan menerima tawaran untuk hadir pada kumpulan laporan kecil produktif dengan upaya dan harga yang kecil. Banyak Negara yang mengembangkan prootokol untuk merespon laporan cluster penyakit dimana permintaan untuk menggolongkannya untuk peningkatan produktifitas. Baru-baru ini United State Centers for Disease Control (CDC) memfokuskan pada perkembangan standar protocol untuk evaluasi laporan cluster penyakit (CDC). CDC juga memimpin penelitian terhadap arti yang halus mengenai tren dalam data temporal untuk pemantauan table lopran penyakit. Kemungkinan tes statistic untuk mendeteksi pengelompokan penyakit adalah Knox(1964). Metode Knox menggunakan pencapaian table kebetulan dimana pasangan kasus ditetapkan pada sel table 2 x 2 pada dasar kepuasan mereka, ya,tidak,atau keduanya dengan criteria pendekatan tempat dan waktu. Secara terus menerus tes interaksi untuk waktu dan tempat adalah dasar inti tes statistical yang mengusulkan evaluasi laporan cluster pada kejadian penyakit yang jarang ( biasanya dibawah 30 kasus). Sejak bentuk pencapaian Knox sangat sederhana, mungkin digunakan oleh dosen pada masyarakat untuk menjelaskan sasaran statistical, analisis cluster. Biasanya strategi yang bagus dalam menggunakan lebih dari satu pencapaian statistic untuk menaksir fakta dari kumpulan penyakit yang tidak biasa. Program computer CLUSTER memuat 12 inti statistic tes. Dua tes masing-masing untuk interaksi tempat dan waktu. Pengelompokan temporal, pengelompokan geografi, analisis rentetan waktu, kerusakan monitoring kelahiran. Selama metode ini dalam kategori single seharusnya disetujui. Ketetapan antara memperkuat hasil penemuan yang menjadi pembatas yang signifikan (p<0.05). dengan penggandaan metode statistical yang digunakan, persetujuan tiga atau lebih yang bisa dilihat luar biasa. Jika lima atau lebih metode yang disetujui, penyebab kejadian cluster mendapat perhatian yang besar sekali. Ingat, bagaimanapun juga, metode statistical hanya membantu pertimbangan biologi yang masuk akal, dan hubungan respon yang seharusnya selalu banyak statistical. Sampai sekarang nilai p dapat menolong ketika berhadapan dengan membuat keputusan dalam menghadapi sesuatu yang tidak pasti (missal ketika terpilih dalam studi) kausal, konsisten, menghasilkan tes kebutuhan untuk satu yang pantas

MENGGUNAKAN PROGRAM KOMPUTER CLUSTER


Pada bagian ini menyediakan pengguna paket program CLUSTER pada hubungan antara macammacam tes statistic yang dimuat dalam software. Menurut pemahaman metode dalam menilai persamaan karateristik, pengguna memilih untuk melakukan beberapa tes anallisis yang sempurna. Semua metode dalam CLUSTER diujikan dalam kumpulan fakta penyakit, misalnya mereka disatukan dengan hipotesis. Bagaimanapun juga, pembukaan menu, tes menggunakan PROACHES. Perbedaan ini sangat penting karena pencapaian variasi pada masalah yang sama dapat menambah atau mengurangi informasi dari penemuan yang tipis dan berada pada tepi dari statistic penting. Dengan uji strategi statistic sebagai inti, CLUSTER menawarkan penggunaan yang berlipatganda dalam menghasilkan penilaian kelompok yang dicurigai. Perlu diingat bahwa CLUSTER dikumpulkan dari test statistic, dari kumpulan penilaian yang spesifik dari kejadian kesehatan yang langka, dan dari metode dalam 6 data

yang masuk yang telah dihubungkan (misalnya keberlangsungan data, geo-sel, rentetan waktu). Masing-masing kelompok metode seharusnya telah disetujui. Hal ini adalah strategi yang baik untuk menggunakan semua metode dalam bagian data masuk yang penting, dan kemudian memeriksa tiap hasil ketetapan, ketetapan akan memperkuat penemuan statistic dimana menjadikannya penting.(misal,p < 0.05). Dibawah ini adalah penuntun umum tentang metode menggunakan data masuk:
Pasangan kasus: Knox sensitive dan akan menemukan banyak kumpulan kejadian yang signifikan daripada kebanyakan metode (Knox 1964). Barton (1965) sangat menyukai metode dalam CLUSTER, tetapi sedikit sensitive disbanding Knox. Sendirinya, adalah kasus yang kuat untuk pengelompokan/clustering, dalam persetujuannya pada metode kasus data yang lain, dan dasar kepercayaan dalam penemuan pengelompokan. Karena Knox menggunakan permulaan, tes tidak menggunakan semua data yang tesedia. Metode barton menggunakan semua data yang tersedia dan diyakini meningkatkan keadaan spasial atau temporal. MOVING WINDOW: hanya ada temporal metode ( tidak ada analisis dari tempat yang terlibat) dan oleh karena itu, tidak disetujuinya metode yang terus menerus. Chen adalah metode terbaik pada sesi ini, tetapi dikembangkan oleh penulis, dan ini membutuhkan semua kasus yang harus dikurangi interval kasus dalamnya untuk memperkenalkan cluster (Chen et al.1982). criteria ini sedikit keras dan membuat metode sedikit tidak berfungsi daripada kemungkinan dalam keadaan dimana perbedaan case-pairs terlah diperpendek interval waktu intercasenya (keputusan criteria ini direkomendasikan dengan CLUSTER yang untama atau dilam atau lebih kasus, interval diperpendek). Tes scan adalah tes yang paling serbaguna dalam MOVING-WINDOW dan sangat sensitive (Wallestein 1980,Naus 1982). Tapi tidak selalu disetujui Chen, tapi sering menjadi ketetapan dengan Barton. Kemungkinan sel: ini adalah salah satu strategi perubahan besar untuk fakta pertimbangan dari cluster. Metode ini menilai apakah pola pengamatan dari kejadian penyakit adalah random. Untuk melakukan ini, metode ini mengambil ke-randoman, kecuali beberapa sedikit kekuatan dalam mengatur penyebabnya menjadi sekumpulan dalam beberapa cara. kekuatan ini diambil menjadi sebuah faktaboleh jumlah dari total tempat yang didiami yang tersedia oleh angka kasus yang kecil. Tempat kediaman yang kecil oleh angka kasus yang besar, sejauh ini permulaannya dari ke-randoman. Hal ini diartikan oleh kemungkinan sel. Penyelesaian yang ditawarkan oleh dua metode adalah variasi pada tema penilaian ke-randoman. Metode Pearson menggunakan tes chi-square (Pearson 1912; Drane dan Hua 1982). Hal ini secara khusus terlihat baik pada blok-blok kota,rumah,dan beberapa area yang simetris. REMSA adalah kebalikan dari Pearson; dimulai dengan cluster dan menanyakan tentang tempat yang menetap (Aldrich et al 1985;Parzen 1960).REMSA digunakan dengan variasi variable; umur,ras,jenis kelamin, sama halnya dengan tempat dan waktu. Bersama, metode ini seharusnya menawarkan persetujuan. REMSA dan Pearson seharusnya setuju dengan tes tempat-waktu (Knox,Barton) Geo-cell: data masuk untuk metode ini menjadi tidak mudah dengan banyak cell. Metode ini dibentuk untuk menilai dekatnya sel dari persamaan pengalaman penyakit. Metode Ohno et al (1979) menggunakan chi-square dan digunakan pada beberapa tingkat dari kejadian yang tinggi. Dengan Grimson et al (1981) penyelesaian yang hierarki diperoleh dari pembagian tingkat penyakit seperti tinggi. Metode ini sangat baik digunakan pada wilayah yang luas/besar (missal,Negara). Kotamadya dapat juga dipelajari menggunakan system sensus atau kkode pos. kedua metode ini seharusnya disetujui dengan satu dari yang lainnya untuk tingkat bahwa identifikasi cluster seharusnya menjadi penahan satu dan lainnya. Seperti metode ini adalah cross-sectional (missal, tidak ada waktu perspektif) mereka seharusnya dibandingkan dengan metode lainnya hanya dari spasial perspektif. Rentetan waktu: seperti pengambilan data beberapa waktu, kedua metode in mencoba interval sequential untuk fakta dari permulaan pola yang diharapkan. Metode mencoba masa kini cenderung berlawanan dengan dua penyelesaian: distribusi Poisson dan binominal negative(Grimson 1979). Dengan metode Texas (Hardy et al 1990) keputusan criteria harus diatur untuk pengenalan peningkatan; 2 langkah teknik perubahan membangun

factor yang terlindungi untuk penemuan FALSE-POSITIVE. Dengan metode Poisson (Hill et al 1968), penyelesaian lain menggunakan binominal negative yang dipilij untuk pembuktian peningkatan ketetapan pola. Umumnya, rentetan waktu akan lebih peka pada kumpulan temporal daripada teknik MOVING-WINDOWS, sampai akhirnya, pengenalan maksimal pada wilayah yang sama selama waktu yang sama pula seperti ditemukannya peningkatan karena rentetan waktu. Lahir cacat: metode ini digunakan dalam studi lahir cacat. Pengaturan pencarian pada interval kasus sebagai fakta dari interval kasus dalam sebagai fakta dari nilai peningkatan (Chen 1987). Dengan CuSum, sasaran diperoleh dari besarnya kecacatan daripda yang diharapkan nilai angka hidup (Chen et al 1983). Hal ini sangat penting karena adanya keseragaman dari interval waktu yang dihubungkan denga kasus kejadian,misalnya masa kehamilan. Bahkan ketika yang diharapkan memiliki waktu interval yang bermacam-macam, misalnya kanker. Metode-metode ini mungkin tidak tepat. Kedua metode ini sangat jauh berbeda, ada kesempatan yang baik sehingga tidak diakui dengan yang lainnya. Bagaimanapun juga, beberapa dari metode berguna pada lahir cacat. Tes Chen diharapkan diakui dengan metode set sejak digunakan strategi yang sama. Metode Scan dan texas diakui bersama dengan tes CuSum

METODE LAIN
Metode statistic dalam CLUSTER tidak semua dikembangkan untuk penilaian kumpulan penyakit. Beberapa metode lainnya dicalonkan untuk CLUSTER termasuk: Sel kosong oleh Grimson (1992): tes ini untuk kejadian nol pada data kejadian yang jarang terjadi Teknik mantel regression (Mantel 1967); versi yang berkelanjutan dari Knox dan bekerja dengan baik dengan cluster/kelompok yang besar,missal >20 kasus. Edere,Myers, dan Mantel (1965;Ederer et al.1966;Mantel et al.1976); cell occupancy ini mendekati tes kemungkinan dari pengamatan maksimum observed aggregate within cells, menjadi fenomena yang random Pike dan Smith (Pike dan Smith 1968; dan Pike dan Smith 1974). This is an adjacency technique, like the geo-cell, yei it uses case-pair data and can be very complex to perform Spatial Autocorrelation (Glick 1979). Ini adalah metode parametric dalam menilai case aggregates abd has been frequently modified. The primary detraction this method is very computation-intensive. Some investigators have used a simple contingency table to evaluate wheter cases lived closer to all point source than comparison subjects (Matanowski et al. 1981; Lyon et al 1981) metode pembeljaran surveilan akan dibahas pada bab 5

STRATEGI DALAM PENGGUNAAN UJIAN STATISTIK UNTUK KELOMPOK PENYAKIT


Pada bagian ini kita akan membahas beberapa strategi yang berhubungan dengan analisis statistic dari data cluster penyakit. Meskipun tidak akan dibahas semua strategi, tetapi akan kita bahas mainstream yang meninjau cakupannya, khususnya dalam munculnya software CLUSTER Ketika suatu percobaan untuk menilai peningkatan yang nyata dalam suatu kejadian atau keadaan penyakit yang lebih endpoints. Salah satunya kita harus mempetimbangkan pembaurnya. Dengan demikian,seluruh dunia menggunakan metode case-control (lihat bab 3 untuk lebih jelasnya membahas tentang bentuk case-control). Sementara bentuk case-control sangat analitik, analisis cluster lebih bersifat penyelidikan. Ketika fakta dari kelompok penyakit sangat kuat, studi case-control mungkin digunakan untuk menguji hipotesis dari analisis cluster/kelompok.

Seperti halnya analisis, ketika angka dari kasus kecil mungkin menuntun pada perhitungan yang besar dari banyak metode yang menggunakan CASE-PAIR DATA. Contohnya, 10 kasus akan membuat 45 kemungkinan kombinasi dari CASE-PAIR DATA ([n], [n-1]/2). Dengan geografi atau kemungkinan cell,angka dari cell adalah pertimbangan independen analisis tempat. Seringkali sel kosong diabaikan, tetapi kadang-kadang yang mungkin tidak terjadi. Contohnya, dengan penelitian dari waktu ke waktu, bahkan pola yang sangat jarang kasus akan menuntun untuk scan dari interval waktu. Laporan cluster termasuk area geografi yang kecil dan waktu periode yang singkat akan memudahkana analisis. Beberapa aspek masalah dari metode statistic dalam menilai pengelompokan adalah banyaknya perkiraan penyebaran yang sama yang menjadi dasar populasi. Bagaimanapun juga, beberapa darinya tidak bergantung pada kesamaan ini (contohnya, metode yang mengggunakan CASE-PAIR DATA). Beberapa metode yang diduga dalam ketidaksamaan populasi (misalnya, a densely populated residential area)rather than meaningful cluster. Menyesuaikan pada realita ini, dua strategi biasanya digunakan: 1. Dengan geografi cell, karateristik populasi dari umur,ras,jenis kelamin,disesuaikan perhitungan yang digunakan daripada jumlah kasus 2. Dengan analisis moving-window, panjang dari interval waktu untuk pertumbuhan populasi. Hal ini dilakukan dengan cara posterior yang menggambarkan secara penuh dengan literature ujian scan (Wallenstein 1980). Namun, dalam salah satu contoh, misalnya penyesuaian untuk dasar populasi membuat analisis lebih kompleks dan biasanya bmembutuhkan proses data sebelum analisis. Recall adalah strategi implisit dengan semua metode untuk mendapatkan peningkatan umum dalam tingkat penyakit. Beberapa metode yang termasuk telah dikembangkan untuk aplikasi surveilans, Dimana, dengan tegas untuk mendeteksi penigkatan penyakit dari waktu ke waktu. Teknik-teknik ini memperkirakan konsistensi tingkat latar belakang penyakit dan perkiraan ini adalah analog dengan perkiraan populasi yang sama dengan analisis spasial. Kita harus menjaga strategi yang tersirat dalam pikiran ketika memilih metode cluster????

Tipe data yang diperoleh anda punya Data kasus individuindi vidual Apakah anda mempunyai data antara resident dan waktu DX kecacatan/kematian dalam populasi kecacatan/angka kematian populasi Apakah anda mempunyai penggambaran data dari kasus (umur,ras,JP) Apakah anda tertarik dalam kajian pola temporal yang ditetapkan pembagian populasi secara geografis

Tidak ada data residensi Pearson REMSA

ya

Tidak ada waktu DX

ya

ya

no

Knox Barton Pearson

Scan,Chen Sets,CuSum

REMSA

Texas,Poisson

Ohno,Grimson

Scan,Chen CuSum,Sets (77-78) pembuktian kegunaan alat untuk mendorong pembicaraan antarwarga adengan lembaga perwakilan (Flore et al 1990). Bagaimanapun juga,proses sistematis yang baru harus hati2 dilakukan di sekitar protokol yang konsisten dan harus dibimbing dengan metode statistik yang digunakan sebagai layar untuk memilih laporan perkenalan untuk studi lanjut. Epidemiologi seharusnya lebih maju dan perkembangan baru dan identifikasi metode cluster yang lebih efisien digunakan dengan surveilans penyakit berdasarkan populasi masalah kesehatan lingkungan (Aldrich et al 1989; Monson 1990)

PENILAIAN
Dengan mempertimbangkan data dibawah dari penggambaran cluster di wilayah Hendrack antara 1985 dan 1989. Sepuluh kasus akut myeloctyic leukemia yang didiagnosis dalam masyarakat karena tertekan oleh besarnya api pada perawatan kayu. Diagram 4.2 mungkin menggunakan bayangan kasus ini. Perkiraan bahwa masyarakat (diwakili oleh persegi panjang adalah ketidakseragaman distribusi dalam ruang; dan perawatan kayu pada titik 0,0) Kasus 1 2 3 4 latitude 28 5 8 3 longitude 75 35 6 3 tanggal diagnose 6/1985 2/1986 1/1987 3/1987 umur 40 65 10 12 ras W B B B JP M F F M

5 6 7 8 9 10

7 1 9 5 31 44

2 2 1 5 9 54

4/1987 8/1987 9/1987 12/1987 7/1988 10/1989

7 8 5 7 58 71

B B B B B W

M M F M M F

1. Menggunakan program cluster (jika kamu mempunyainya) menggunakan analisis knox dengan data di atas. Menggunakan permulaan untul close dari 12 tempat dalam waktu 12 bulan. Jika kamu tidak mempunyai cluster program, cell dalam tabel kontingensi adalah a=15, b=0, c=5, dan d=25. Kamu menguji cell a untuk significance. Kamu dapat melakukannya dengan cara yang sama untuk menyelesaikan dengan chi-squared (misalnya, (a+b) x (a+c) / totalnya). Untuk lebih yakinnya, tes kamu dari cell a kemungkinan menggunakan kemungkinan poisson. 2. Hasil ini adakan menjadi statistic yang signifikan, namun jika interval waktu tidak begitu tajam (misalnya, jika ada dua kasus dalam tiap tahun, hasil dari tetes Knox untuk tiga pasang-kasus yang "dekat" dan empat diharapkan p <0.709. Membahas maksud dengan these time values a real world cluster termasuk kanker. 3. Menggunakan program scan dengan menggunakan data tiap periode untuk WINDOW. Jika tidak menggunakan CLUSTER software, melihat pada saat kasus: 1,1,6,1,1. Apakah sangat mengejutkanmu dengan dua kasus diharapkan pada waktu periode yang berbeda-beda? Dengan dua kasus yang diharapkan, six observe one cell is p <0.117. Akankah Anda masih menyelidiki kasus ini lebih lanjut? 4. Kedua metode sebelumnya (Knox dan Scan) adalah tes untuk ruang-interaksi dan masingmasing untuk clustering temporal. RESMA menggunakan karakteristik orang serta tempat dan waktu. Jika Anda memiliki perangkat lunak CLTER, melakukan analisis dengan parameter kelima, dengan jumlah kelas dan proporsi populasi: Parameter Umur Ras Jenis kelamin Tahun Kuadran kelas 8 2 2 5 4 persentase populasi dalam Cell 0.15 0.25 0.5 1987 lower left penjelasan anak dibawah 10 th ras hitam Pria tahun where the cluster is

Ini akan memberikan Anda 640 cell, ketertarikan cell (anak laki-laki hitam di bawah umur dengan myelogenous leukemia akut pada tahun 1987 yang tinggal di kuadran kanan bawah setengah komunitas) memiliki probabilitas acak 0,000938. Apa kemungkinan dari empat dari sepuluh kasus yang terjadi dengan karakteristik orang, tempat dan waktu? Gambar 5-7 berisi formula solusi jika anda memiliki CLUSTER. Bagaimana Anda menanggapi hasil ini? Apa pikiran Anda tentang hasil yang berbeda dari ketiga tes ini?