Ketepatan Waktu

III. PRINSIP-PRINSIP SURVEILANS

7) Ketepatan Waktu

Sensitifitas identifikasi kasus yang datang ke pelayanan sendiri dipengaruhi oleh :

1. karakteristik definisi operasional kasus,

2. alat diagnostik,

3. kemampuan tenaga, baik karena pendidikan, maupun pelatihan dan pengalaman,

4. perhatian pelaksana

Bagaimanapun, suatu sistem surveilans dengan sensitifitas, spesifitas dan nilai duga positif tidak berubah-ubah, sangat berguna untuk mengidentifikasi dan memetakan masalah kesehatan masyarakat secara terus menerus. Pada surveilans pemantauan wilayah setempat penyakit potensial wabah mingguan (PWS kasus mingguan), merupakan contoh penyelenggaraan sistem surveilans, dimana sensitifitas relatif tidak mengalami perubahan.

Contoh Sensitifitas dan Pemanfaatan Surveilans PWS Campak

PWS penyakit campak mingguan yang dilaksanakan di Puskesmas Situadi, tahun 2010 (minggu 12-20), dimana kasus campak adalah kasus yang datang ke unit pelayanan kesehatan. Data PWS Campak mingguan (tabel) disusun dalam grafik PWS Cam pak Mingguan

Tabel 11

PWS Campak Mingguan, Wilayah Puskesmas Situadi, 2010___ Minggu dan Jumlah Kasus/Meninggal Per Minggu Desa

Sumber Data : Puskesmas Situadi, 2010 (simulasi)

12 13 14 15 16 17 18 19 20

0 0 0 0 0 1/0 0 0 0

0 ^Tua0 0 0 0 4/0 12/1 8/0 2/0

Pada kurva mingguan kasus campak berdasarkan PWS campak mingguan Puskesmas Situadi, 2010 terlihat peningkatan kasus pada minggu 17-20, 2010. Walaupun tidak diketahui jumlah

kasus campak yang ada di masyarakat, tetapi peningkatan jumlah kasus pada minggu-minggu tersebut

mengindikasikan adanya peningkatan

jumlah kasus

campak yang ada di masyarakat pada minggu-minggu yang

sama, sehingga investigasi lebih luas dapat dilakukan.

Pada situasi ini, sensitifitas bisa berubah, karena perhatian masyarakat meningkat, sehingga keinginan penderita campak untuk berobat relatif juga bertambah, Sensitifitas juga berubah jika perhatian petugas lebih serius dan lebih aktif mencari “kasus tambahan”, misal mengaktifkan Puskesmas Keliling ke desa-desa. Seringkali, pada situasi KLB, definisi operasional kasus yang semula lebih ketat, menjadi lebih dilonggarkan, misalnya semula kasus campak adalah “demam tinggi dengan bercak kemerahan dan salah satu gejala batuk, pilek atau mata merah”, berubah menjadi “demam dengan bercak kemerahan” saja, sehingga lebih banyak kasus yang dimasukkan sebagai kasus campak.

Pada penyelenggaraan sistem surveilans dalam wilayah lebih luas dan periode waktu bertahun-tahun, rentan mengalami perubahan faktor-faktor yang

Grafik 6

PWS Campak Mingguan Puskesmas Situadi,

Kasus 0 1 0 1 1 6 14 20

mempengaruhi sensitifitas. Perubahan yang sering terjadi adalah perubahan jumlah sumber data karena pembangunan daerah, transportasi lebih mudah, jumlah unit pelayanan bertambah dan perubahan partisipasi unit-unit pelayanan yang menghimpun dan merekam data surveilans.

Contoh Sensitifitas Surveilans Campak dan Pemanfaatan

Surveilans campak Kota Bila-bila bersumber data kesakitan campak Puskesmas bulanan. Selama tahun 2006-2010 telah dapat dihimpun data sebagaimana tabel berikut :

Tabel 12

Distribusi Kasus Campak Menurut Umur Kota Bila-Bila, 2006-2010

Umur (tahun) Tahun dan Incidence Rate Menurut Umur (1 0.000)

2006 2007 2008 2009 2010

<1 312 220 109 122 88

1-4 810 655 351 400 187

5-14______222______167______180______135________133 Sumber Data : Laporan Bulanan Data Kesakitan Puskesmas, 2006-2010

Gambar7

Distribusi Kasus

Pada grafik ini, besarnya angka kesakitan campak pada populasi tidak dapat diketahui, karena kasus-kasus campak adalah kasus yang berkunjung ke unit pelayanan. Bagaimanapun juga, pada grafik tersebut dapat ditunjukkan kecenderungan jumlah kasus campak dari waktu ke waktu yang dapat menggambarkan kecenderungan jumlah kasus campak di masyarakat menurut variabel umur

Pada kurva Distribusi Kasus Campak, Kota Bila-bila, 2006-2010, kurva angka kesakitan campak pada usia 1-4 tahun menunjukkan penurunan secara konsisten dari tahun ketahun, sementara kurva angka kesakitan campak pada usia <1 tahun dan usia 5-14 tahun juga menunjukkan penurunan, tetapi lebih landai dibanding kecepatan penurunan angka kesakitan campak pada usia 1-4 tahun. Berdasarkan kurva pada grafik ini, dapat ditarik interpretasi, bahwa di masyarakat juga terjadi penurunan angka kesakitan campak yang sama, walaupun besarnya angka kesakitan campak di masyarakat tidak diketahui.

Penambahan jumlah unit pelayanan di kota Bila-Bila tentunya akan meningkatkan jumlah penderita yang berobat relatif lebih banyak tahun akhir dibandingkan tahun awal, oleh karena itu, penurunan angka kesakitan campak pada kurva tersebut diatas (pasive case detection), sebenarnya yang terjadi di masyarakat adalah terjadi penurunan angka kesakitan campak lebih besar. Asumsi ini sangat penting.

Faktor yang mengganggu konsistensi sensitifitas identifikasi masalah kesehatan masyarakat adalah konsistensi kelengkapan laporan unit-unit sumber data (unit pelayanan kesehatan). Oleh karena itu, pada penyelenggaraan sistem surveilans dengan unit sumber data sangat banyak, seringkali juga dikembangkan satu sistem surveilans dengan unit sumber data terbatas, tetapi dipantau sangat ketat, untuk mempertahankan konsistensi sensitifitas, terutama kelengkapan laporannya. Kemudian secara teratur, kedua sistem itu dibandingkan, dan jika terdapat perbedaan pola kurva, maka segera dilakukan kajian dan kemungkinan adanya perbaikan kinerja atau sistem.

Contoh

2 Sistem Surveilans Untuk Menjaga Sensitifitas Identifikasi Masalah Kesehatan Pada Sistem Surveilans Terpadu Penyakit (Kepmenkes 1479), dikembangkan STP

berbasis data kesakitan bulanan Rumah Sakit dan juga STP berbasis data kesakitan bulanan Rumah Sakit Sentinel .

STP basis sentinel, jumlahnya sumber data awal sangat dibatasi, dipantau sangat ketat, dan memperkuat kerjasama semua pihak agar dapat mencapai kinerja sistem surveilans yang sangat berkualitas.

G r a f i k 8 D a t a K a s u s D B D R S , P o v i n s i , J a w a Te h , 2 0 1 0 J a n F e b M a r A p r M e i J u n J u l A g s S e p O k t N o v D e s B U L A N S u m b e r : S T P , 2 0 1 0 ( s i m u l a s i )

Pada analisis kecenderungan penyakit DBD di wilayah Provinsi berdasarkan data kesakitan bulanan RS, seringkali menunjukkan hasil analisis yang diragukan,

4 0 0

karena indikator kinerja tidak menunjukkan kinerja yang baik (kelengkapan laporan rendah). Untuk menguji apakah pola kurva masih cukup sensitif untuk identifikasi masalah kesehatan masyarakat, maka pola kurva kasus DBD RS se Provinsi dibandingkan dengan pola kurva kasus DBD RS sentinel

Sensitifitas sistem identifikasi masalah kesehatan masyarakat dengan menggunakan memanfaatkan dua sistem surveilans sebagaimana tersebut diatas, seringkali dibangun secara formal. Pada STP DBD RS tersebut diatas memanfaatkan STP DBD sentinel sebagai kontrol, dan juga dengan STP berbqasis data KLB. Pada cara terakhir ini, jika laporan KLB meningkat, apalagi dengan jumlah kasus DBD cukup banyak dan disertai kematian, tentunya kurva kasus berbasis laporan RS juga meningkat.

Dari berbagai bahasan tersebut diatas, surveilans yang dikembangkan untuk identifikasi masalah kesehatan masyarakat, termasuk KLB lebih komplek dan perlu pengorganisasina yang lebih baik.

5) Predictive Value Positive (Nilai Duga Positif)

Predictive Value Positive adalah seberapa besar penderita yang terdeteksi atau telah didiagnosis sebagai kasus (definisi operasional kasus) itu benar sebagai kasus, atau dalam tabel ...tersebut diatas PVP = a/(a+b)

Contoh :

Berdasarkan prosedur identifikasi kasus yang telah dirumuskan, sistem surveilans malaria menemukan 1000 penderita malaria, dan telah mendapat tindakan pengobatan. Program pengendalian malaria dengan distribusi kelambu berinsektisida diintensifkan dengan dukungan APBN, daerah-daerah dimana 1000 penderita tersebut diatas bertempat tinggal mendapat prioritas distribusi kelambu ini.

yang benar sebagai malaria, dan 400 orang adalah bukan menderita sakit malaria. Ini berarti banyak orang yang tidak sakit malaria, tetapi diberikan obat malaria. Demikian juga dengan penambahan budget APBN untuk pengadaan kelambu, kemudian kelambu diberikan pada kelompok populasi yang salah, karena analisis distribusi kasus tidak benar

Jika sensitiftas prosedur identifikasi kasus juga rendah, misalnya hanya 30% saja, maka terlalu banyak penderita malaria yang tidak diobati karena dinyatakan sebagai bukan kasus malaria (pada kasus ini sebesar 70% dari seluruh populasi yang sebenarnya sakit), sebaliknya jika spesifitasnya rendah, misalnya 60% saja, maka terlalu banyak orang sehat yang dinyatakan sakit dan diobati (pada ksus ini sebesar 40% dari seluruh populasi yang sebenarnya sehat)

Untuk mendapatkan hasil yang baik, biasanya suatu definisi operasional dibuat berlapis, dimana kasus-kasus pertama kali diidentifikasi dengan definisi operasional yang memiliki sensitifitas tinggi, tetapi spesifitasnya rendah, sehingga semua kasus dapat diidentifikasi sebagai kasus, tetapi disini banyak yang bukan kasus juga dinyatakan sebagai kasus. Kemudian, langkah kedua, kasus-kasus yang ditemukan dengan definisi operasional kasus pertama tadi, diuji kembali dengan definisi operasional kasus kedua, dimana definisi operasional kedua ini memiliki spesifitas yang tinggi, sehingga dapat mengeluarkan kasus-kasus yang sebenarnya bukan kasus

Contoh :

Surveilans AFP dan Surveilans virus polio liar

Untuk menemukan penderita polio aktif, maka pertama-tama semua anak yang menderita lumpuh layuh akut ditetapkan sebagai kasus AFP (suspek polio), kemudian pada kasus-kasus AFP ini diperiksa tinjanya untuk menentukan apakah kasus ini kasus polio atau bukan.

Definisi operasional kasus AFP, yaitu seseorang yang menderita lumpuh layuh akut. Definisi operasional ini dapat memasukkan semua anak yang menderita lumpuh layuh akut, termasuk kasus polio yang menunjukkan gejala lumpuh layuh akut. Definisi

artinya jika ada kasus lumpuh karena polio pasti dapat terdeteksi, tetapi definisi operasional ini memiliki spesifitas rendah, karena terlalu banyaknya kasus lumpuh layuh akut yang bukan polio yang juga dimasukkan sebagai kasus AFP (suspek polio) Kemudian setiap kasus AFP ini ditemukan, kasus AFP ini segera diperiksa dengan uji virus polio pada tinjanya, jika hasilnya positif, maka dimasukkan sebagai polio, jika negatif maka dimasukkan bukan polio. Uji virus polio pada tinja, memiliki spesifisitas yang sangat tinggi artinya dapat menentukan bukan polio untuk disingkirkan sebagai bukan polio

Jika kita hanya menerapkan uji virus polio pada tinja semua orang, maka membutuhkan biaya yang luar biasa banyaknya untuk mendapatkan penderita polio yang jumlahnya sangat sedikit, atau bahkan mungkin tidak ada di populasi. Oleh karena itu, kedua metode ini menjadikan satu definsi operasional kasus gabungan dengan sensitifitas dan spesifitas tinggi

Cara ini banyak diterapkan diberbagai program, seperti pada deteksi kasus TBC, deteksi kasus malaria, dan sebagainya.

6) Representatif

Data surveilans diperoleh bukan berdasar pada desain studi atau pemilihan secara acak (random), sehingga bisa menjadi tidak representatif terhadap kejadian-kejadian di populasi. Hal ini perlu dikenali dengan cermat, terutama pada saat identifikasi kasus, perekaman dan pengumpulan data.

Sistem surveilans yang representatif adalah kemampuan menunjukkan tingkat keakuratan yang tinggi dalam menggambarkan kejadian-kejadian kesehatan atau obyek surveilans lain secara terus menerus pada suatu populasi, termasuk distribusinya menurut karakteristik orang dan tempat.

Secara teoritis representatif diukur dengan membandingkan antara kejadiankejadian kesehatan yang dilaporkan dengan semua kejadian-kejadian kesehatan yang ada di populasi, tetapi pada prakteknya tidak mudah melakukannya. Representatif sistem

dengan mengambil sejumlah sampel populasi. Adanya bias, juga dapat mempengaruhi representatif sistem surveilans

Representatif bukan berarti jumlah kasus sama persis, representatif lebih berarti mewakili atau dapat menggambarkan situasi di populasi dengan tepat. Representatif kejadian kesehatan tertentu dapat ditunjukkan dengan tepat berdasarkan analisis kejadian-kejadian kesehatan atau obyek surveilans lainnya yang telah teridentifikasi dengan karakteristiknya menurut waktu, tempat dan orang.

Beberapa hal terkait dengan representasi data surveilans sebagai berikut (Gail cs): (1) Data surveilans dihimpun terus menerus dari waktu ke waktu, dan perhatian,

kemampuan dan kualitas pengumpulan data bisa berubah-ubah. Ini berakibat pada tidak konsistennya data yang dikumpulkan, sehingga analisis berdasarkan pola

kurva kasus tidak menjadi tidak tepat

(2) Pada surveilans berbasis data unit pelayanan kesehatan (misal berbasis data bulanan rumah sakit) merupakan pengumpulan data pasif. Metode ini menimbulkan keadaan tidak representatif terhadap kejadian di populasi, antara lain :

a. Kasus-kasus yang memiliki akses ke pelayanan lebih mudah, akan lebih banyak

yang datang ke pelayanan kesehatan dibandingkan yang jauh.

b. Kualitas pengumpulan data bisa berbeda-beda antar sumber data (misal Puskesmas, rumah sakit dsb), sehingga representasi data surveilans antar daerah juga berbeda

Gambar9

Insidens Tifus Perut Menu rut Bulan

Data RS di Kota A dan B, 2006-2009

2006 2007 2008 2009

TAHU N

Pada grafik tersebut, berdasarkan analisis kecenderungan kasus tifus perut di Kota A dan Kota B berdasarkan data Rumah Sakit, menunjukkan kasus tifus di Kota A terus meningkat konsisten pada tahun 2008 dan 2009, sementara kasus tifus perut Kota B menunjukkan penurunan insidens pada tahun 2009.

Jika kita mencermati kelengkapan laporan, menunjukkan kelengkapan laporan Rumah Sakit di Kota B rendah pada tahun 2009, sehingga rate kasus seolah menurun. Demikian juga jumlah kasus pada tahun 2006 dan 2007 dengan kelengkapan rendah sekali.

Tabel 13

Kelengkapan Laporan Rumah Sakit kota A dan kota B TAHUN

KOTA 2006 2007 2008 2009

Kota A 40% 60% 100% 100%

Kota B 40% 50% 100% 40%

c. Perilaku penduduk untuk datang ke pelayanan bervariasi, sehingga satu kelompok tertentu lebih banyak datang ke pelayanan kesehatan dibandingkan kelompok lain

Contoh pengaruh perilaku penduduk terhadap kunjungan kasus ke unit pelayanan :

Tabel 14

Rate Kasus Diare Anak Balita Menurut Jenis Kelamin KLB Diare Kolera, Kota Tua, Januari-Februari 2010

Berdasarkan Data Rumah Sakit dan Data Populasi (Kunjungan Rumah ke Rumah)

Jenis Kelamin Rumah Sakit Populasi

Laki-laki

Perempuan ^{5 per 100}3 per 100 ^{10 per 100}15 per 100

Sumber Data : Simulasi

Idealnya data kasus diare yang dirawat di Rumah Sakit merupakan representasi dari data kasus diare populasi, tetapi karena budaya masyarakat yang lebih cenderung memperhatikan kesehatan anak laki-laki dibanding anak perempuan, maka upaya mencari pengobatan pada anak laki-laki yang menderita sakit diare akan lebih tinggi dibanding pada anak perempuan. Ini berakibat, rate kasus diare berdasarkan jenis kelamin berbeda antara di unit pelayanan dan populasi.

d. Akses unit pelayanan berbeda-beda untuk setiap wilayah, sehingga perbandingan rate antar unit pelayanan tidak tepat dengan kejadian di populasi

G a m b a r 1 0

S e b a r a n K a s u s d a n J a n g k a u a n P e l a y a n a n D i W i l a y a h P u s k e s m a s

e. Semakin membaiknya akses pelayanan karena bertambahnya jumlah unit pelayanan dan semakin membaiknya sarana transportasi, berpengaruh terhadap peningkatan jumlah kasus yang berobat ke unit pelayanan kesehatan, sehingga berpengaruh terhadap jumlah kasus pada laporan unit pelayanan

Grafik 11

Pertambahan Puskesmas dan Perkembangan Kasus Penyakit Kota Baru, 2000-2010

f. Ketelitian petugas, alat dan tatacara identifikasi kasus di unit pelayanan dapat berpengaruh terhadap jumlah kasus yang direkam

g. Hal yang sama akan terjadi, apabila data surveilans diperoleh berdasarkan laporan berjenjang. h. Karakteristik populasi (jenis kelamin, umur, status sosial-ekonomi, lokasi geografis, dsb)

i. Riwayat alamiah kejadian-kejadian kesehatan (periode laten, beratnya sakit, sistem pelayanan kesehatan) P E R K E M B A N G A N K A S U S K O T A B A R U , 2 0 0 0 -2 0 1 0 1 2 0 60 30 0 2000 2005 2010 TAH UN Sumber data : simulasi Puskesmas

7) Ketepatan Waktu

Tepat waktu dapat diartikan bahwa data dan informasi surveilans tersebut tersedia saat diperlukan. Makna tersedia lebih tepat diartikan data dan informasi yang ada telah dapat diambil keputusan untuk dilakukan tindakan.

Penyelenggara surveilans, biasanya akan membuat aturan agar tenggat waktu dipenuhi :

a. pelaporan data dari sumber data awal terlaporkan secara berjenjang sampai pada

unit surveilans

b. data di unit surveilans terekam dan terolah dalam tabel, grafik dan peta

c. tabel, grafik dan tabel telah dianalisis dan ditarik kesimpulan serta disampaikan

pada unit program yang memerlukan

Pada saat ini, kemampuan teknologi informasi sudah dapat membagi data dari saat data direkam oleh sumber data awal, diterima oleh unit-unit penerima laporan serta diolah oleh unit surveilans, terjadi dalam satu saat yang sama, jumlah dan kualitas data yang sama, dan lebih detail. Bahkan umpan balik dan koreksi atau perbaikan data dapat segera dilakukan.

Ketepatan waktu dapat diuji melalui evaluasi kebutuhan data dan informasi saat perencanaan, saat melakukan kajian SKD-KLB, atau melakukan evaluasi kelengkapan dan ketepatan laporan