Metode Estimasi Beban Penyakit

Metode estimasi beban penyakit adalah prosedur analitis yang digunakan untuk mengubah data primer yang tidak lengkap dan tidak merata menjadi estimasi beban penyakit yang sebanding di seluruh populasi. Metode ini mencakup bagaimana kematian ditetapkan pada penyebabnya, bagaimana kehilangan kesehatan non-fatal dimodelkan, bagaimana ketidakpastian ditangani, dan bagaimana angka-angka dibuat sebanding antar negara dan dari waktu ke waktu.

Definition

Metode estimasi beban penyakit adalah teknik statistik dan pemodelan yang menggabungkan data mortalitas, survei prevalensi, registri, dan sumber lain untuk menghasilkan estimasi beban penyakit yang konsisten secara internal dan sebanding, biasanya dinyatakan dalam kematian, tahun hidup yang hilang, tahun hidup dengan disabilitas, atau DALY.

Scope

Entri ini mencakup blok bangunan estimasi beban penyakit: penetapan penyebab kematian dan redistribusi penyebab yang tidak jelas, pemodelan prevalensi dan disabilitas, penilaian risiko komparatif, dan propagasi ketidakpastian. Ini memperlakukan topik-topik ini sebagai topik metodologis dalam metrik kesehatan populasi daripada sebagai instruksi untuk praktik klinis.

Core questions

• Bagaimana kematian ditetapkan pada penyebabnya ketika sertifikasi tidak lengkap atau tidak jelas?
• Bagaimana kehilangan kesehatan non-fatal diperkirakan di mana pengukuran langsung jarang?
• Bagaimana estimasi dibuat konsisten secara internal dan sebanding di seluruh populasi?
• Bagaimana ketidakpastian dikuantifikasi dan dilaporkan?

Key concepts

• Penetapan penyebab kematian dan redistribusi kode sampah (garbage-code)
• Otopsi verbal
• Pemodelan prevalensi dan insiden
• Penilaian risiko komparatif
• Konsistensi internal dan estimasi berbasis kovariat
• Interval ketidakpastian

Mechanisms

Estimasi dimulai dengan mortalitas: kematian yang tercatat dipetakan ke daftar penyebab, dan kematian yang ditetapkan ke kode yang tidak jelas atau tidak masuk akal (garbage codes) didistribusikan kembali ke penyebab dasar yang masuk akal menggunakan algoritma. Jika registrasi vital lemah, otopsi verbal dan hubungan yang dimodelkan dengan kovariat mengisi kesenjangan. Beban non-fatal diperkirakan dengan menggabungkan data prevalensi dan insiden, menyesuaikan definisi kasus dan kualitas studi, dan menerapkan bobot disabilitas. Penilaian risiko komparatif kemudian mengaitkan bagian beban dengan paparan yang dapat dimodifikasi dengan menggabungkan distribusi paparan dengan hubungan risiko-hasil. Sepanjang proses, estimasi dibatasi untuk konsistensi internal (misalnya antara insiden, prevalensi, dan mortalitas) dan dilaporkan dengan interval ketidakpastian yang mencerminkan kelangkaan data dan asumsi model.

Clinical relevance

Metode-metode ini menentukan angka beban yang menggambarkan bagaimana kehilangan kesehatan didistribusikan di seluruh penyebab dan wilayah, yang memberikan konteks untuk menafsirkan estimasi yang dipublikasikan. Metode ini beroperasi pada tingkat populasi dan tidak memiliki peran dalam diagnosis atau pengobatan individu.

Epidemiology

Metode-metode ini dicontohkan oleh studi Global Burden of Disease, yang menerapkannya pada ratusan penyebab di lebih dari 200 negara dan wilayah, menghasilkan estimasi yang sebanding bahkan di mana data primer tidak lengkap.

Evidence & guidelines

Standar metodologis didokumentasikan dalam analisis sistematis Global Burden of Disease yang diterbitkan di The Lancet dan dalam makalah metode khusus seperti yang menjelaskan redistribusi penyebab kematian; ini berfungsi sebagai konvensi de facto di bidang ini.

History

Estimasi beban penyakit sistematis ditetapkan oleh studi Global Burden of Disease pertama pada tahun 1990-an, yang menetapkan konvensi untuk menggabungkan data fatal dan non-fatal. Putaran berikutnya menyempurnakan redistribusi penyebab kematian, pemodelan disabilitas, dan kuantifikasi ketidakpastian, mengubah estimasi beban penyakit menjadi upaya metodologis yang terus direvisi.

Debates

Seberapa besar pilihan pemodelan memengaruhi estimasi?

Ketika data primer jarang, angka beban sangat bergantung pada kovariat, algoritma redistribusi, dan struktur model; seberapa jauh estimasi yang dimodelkan harus dipercaya, dan seberapa transparan asumsi dilaporkan, adalah titik pertentangan yang berulang.

Key figures

• Christopher Murray
• Alan Lopez
• Theo Vos
• Mohsen Naghavi

Seminal works

• murray-1997-mortality
• naghavi-2010-algorithms
• murray-2012-dalys

Frequently asked questions

Mengapa estimasi beban penyakit memiliki interval ketidakpastian?

Karena sebagian besar dunia tidak memiliki data lengkap, estimasi dibangun dari model dan sumber yang tidak lengkap, dan interval ketidakpastian menyatakan seberapa besar angka-angka tersebut dapat bervariasi mengingat kelangkaan dan asumsi yang digunakan.

Apa itu redistribusi kode sampah (garbage-code)?

Ini adalah proses penetapan kembali kematian yang disertifikasi ke penyebab yang tidak jelas atau tidak masuk akal ke penyebab dasar yang lebih bermakna, sehingga beban spesifik penyebab tidak terdistorsi oleh sertifikasi kematian yang buruk.