Skip to content
Kembali ke hasil pencarian

Studi Epidemiologi Potong Lintang

Diperkenalkan oleh
Classical epidemiology tradition; systematized by Brian MacMahon and Thomas Pugh (1960s)
Tahun
1960s (formal codification); widely practiced since mid-20th century
Jenis
Observational, descriptive/analytic epidemiological design
Keluarga
Clinical / epidemiology

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Studi epidemiologi potong lintang mengukur paparan(s) dan luaran(s) yang diminati secara simultan dalam populasi yang terdefinisi pada satu titik waktu (atau selama periode singkat).

Karena tidak ada tindak lanjut, ini adalah desain observasional yang paling efisien untuk memperkirakan prevalensi penyakit dan untuk menghasilkan hipotesis tentang hubungan antara faktor risiko dan luaran kesehatan.

Intuisi di balik metode

Anggap studi potong lintang sebagai foto populasi yang diambil pada satu momen tunggal. Setiap orang dalam foto dinilai baik status paparannya (misalnya, merokok, BMI, pekerjaan) maupun luaran kesehatannya saat ini (misalnya, hipertensi, depresi, diabetes). Karena foto menangkap seluruh pemandangan sekaligus, Anda dapat dengan cepat menghitung siapa yang menderita penyakit dan apakah paparan tertentu tampak lebih umum di antara mereka yang mengalaminya. Namun, Anda tidak dapat memberi tahu dari foto mana yang datang lebih dulu — jadi meskipun studi ini dapat mengungkapkan pola dan prevalensi, studi ini sendiri tidak dapat menetapkan bahwa paparan menyebabkan luaran.

Sejarah

Desain potong lintang muncul sebagai metode epidemiologi formal pada pertengahan abad kedua puluh, dibentuk oleh pengembangan metodologi survei berbasis populasi dan dikodifikasikan dalam teks-teks dasar oleh Brian MacMahon, Thomas Pugh, dan kemudian Leon Gordis. Survei kesehatan nasional besar seperti US National Health Interview Survey (diluncurkan 1957) dan National Health and Nutrition Examination Survey menginstitusikan metode ini untuk pengawasan populasi yang berkelanjutan. Penyempurnaan metodologis dalam teori pengambilan sampel, analisis statistik survei kompleks, dan penggunaan catatan kesehatan elektronik telah memperluas jangkauan desain ke epidemiologi klinis, penelitian layanan kesehatan, dan pemantauan kesehatan global.

Kapan digunakan

Gunakan studi potong lintang ketika tujuan utama adalah untuk memperkirakan prevalensi suatu kondisi dalam populasi, untuk menilai distribusi faktor risiko, atau untuk menghasilkan hipotesis tentang hubungan paparan-luaran dengan cepat dan dengan biaya rendah. Ini sangat cocok untuk kondisi kronis dengan durasi panjang, untuk perencanaan layanan kesehatan, dan untuk survei pemantauan berulang (misalnya, survei kesehatan nasional). Hindari desain ini ketika pertanyaan penelitian memerlukan penetapan urutan temporal kausal (gunakan desain kohort atau eksperimental sebagai gantinya), ketika luaran jarang terjadi (studi kasus-kontrol lebih efisien), atau ketika status paparan atau penyakit berubah dengan cepat dari waktu ke waktu, membuat satu potret tidak informatif atau rentan terhadap bias prevalensi-insidensi.

Batasan dan pertimbangan

  • Tidak dapat menetapkan urutan temporal antara paparan dan luaran, sehingga inferensi kausal tidak didukung secara langsung.
  • Rentan terhadap bias prevalensi-insidensi (Neyman) — kondisi yang fatal dengan cepat atau yang sembuh dengan cepat kurang terwakili karena individu yang terkena dampak cenderung tidak tertangkap dalam potret.
  • Bias non-respons bisa sangat besar; individu yang berpartisipasi mungkin berbeda secara sistematis dari mereka yang tidak.
  • Kausalitas terbalik dimungkinkan — penyakit yang diamati mungkin telah menyebabkan paparan yang diukur daripada sebaliknya.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Tidak diperlukan tindak lanjut — pengumpulan data cepat dan relatif murah dibandingkan dengan desain kohort atau uji coba.
  • Sangat cocok untuk memperkirakan prevalensi dan untuk perencanaan serta pemantauan program kesehatan masyarakat.
  • Beberapa paparan dan luaran dapat diperiksa secara bersamaan dalam satu studi.
  • Layak dalam skala besar menggunakan data administratif atau survei yang ada, memungkinkan kekuatan statistik yang tinggi untuk luaran umum.

Penerapan

  • Memperkirakan prevalensi kondisi kronis seperti hipertensi, diabetes, obesitas, atau gangguan kesehatan mental di tingkat nasional atau regional.
  • Menilai distribusi faktor risiko perilaku (merokok, kurang aktivitas fisik, penggunaan alkohol) di berbagai kelompok demografis.
  • Survei potong lintang berulang untuk memantau tren indikator kesehatan populasi dari waktu ke waktu tanpa mengikuti individu yang sama.
  • Mengevaluasi pola pemanfaatan layanan kesehatan dan mengidentifikasi kebutuhan yang belum terpenuhi untuk perencanaan layanan kesehatan.
  • Evaluasi program skrining — menetapkan prevalensi awal suatu kondisi sebelum intervensi skrining diperkenalkan.
  • Generasi hipotesis untuk faktor risiko yang kemudian diuji dalam studi kohort atau eksperimental.

Cara kerjanya

Cara kerjanya

1

Peneliti menentukan populasi target dan periode studi. Kriteria kelayakan (usia, geografi, latar klinis, dll.) ditentukan untuk memastikan sampel akan mewakili populasi yang menjadi sasaran inferensi. Definisi kasus dan definisi paparan yang jelas ditetapkan sebelum pengumpulan data dimulai.

2

Sampel ditarik dari populasi target, idealnya melalui pengambilan sampel probabilitas (acak sederhana, bertingkat, klaster, atau sistematis) untuk memaksimalkan keterwakilan dan memungkinkan perkiraan prevalensi yang tidak bias. Ukuran sampel dihitung sebelumnya menggunakan prevalensi yang diharapkan, presisi atau kekuatan yang diinginkan, dan efek desain jika pengambilan sampel klaster digunakan.

3

Semua individu yang disampel dinilai pada (kira-kira) titik waktu yang sama untuk paparan(s) dan luaran(s). Sumber data meliputi kuesioner standar, pemeriksaan klinis, spesimen biologis, atau catatan administratif. Karena paparan dan luaran dikumpulkan secara bersamaan, desain ini tidak dapat menentukan urutan temporal.

4

Estimator utama adalah proporsi prevalensi titik: jumlah individu dengan luaran dibagi dengan total yang diperiksa, dinyatakan sebagai persentase atau per 1.000. Prevalensi periode (selama jendela singkat yang ditentukan) juga dapat dilaporkan. Prevalensi = (Jumlah kasus pada waktu T) / (Total populasi yang diperiksa) x 100.

Rumus
Prevalence = (Number of cases at time T) / (Total population examined) x 100
5

Hubungan antara kategori paparan dan luaran dikuantifikasi menggunakan Rasio Prevalensi (PR) atau Rasio Odds Prevalensi (POR), dengan interval kepercayaan. Regresi logistik atau Poisson multivariabel dapat menyesuaikan untuk perancu. Karena urutan temporal tidak diketahui, hubungan ini diinterpretasikan sebagai penghasil hipotesis daripada kausal. PR = Prevalensi pada yang terpapar / Prevalensi pada yang tidak terpapar.

Rumus
Prevalence Ratio (PR) = Prevalence in exposed / Prevalence in unexposed

Kesalahan umum

  • Mencampuradukkan prevalensi dengan insidensi — studi potong lintang mengukur kasus yang ada (prevalensi), bukan yang baru (insidensi); menginterpretasikan rasio prevalensi sebagai rasio tingkat insidensi adalah salah tanpa asumsi tambahan.
  • Mengabaikan desain pengambilan sampel yang kompleks dalam analisis — jika pengambilan sampel klaster atau bertingkat digunakan, kesalahan standar harus memperhitungkan efek desain; kegagalan melakukannya menghasilkan kesalahan standar yang diremehkan dan interval kepercayaan yang menyesatkan sempit.
  • Bias prevalensi-insidensi — kondisi dengan durasi singkat (baik pemulihan cepat atau kematian cepat) akan tampak secara artifisial jarang; peneliti harus mengakui bahwa prevalensi yang diukur mencerminkan kelangsungan hidup dan durasi, bukan hanya insidensi.
  • Menarik kesimpulan kausal — tanpa data longitudinal, hubungan yang diamati tidak dapat diatribusikan pada paparan yang menyebabkan luaran; bahasa dalam pelaporan harus mencerminkan sifat deskriptif dan penghasil hipotesis dari desain.
  • Ukuran sampel yang tidak memadai untuk analisis subkelompok — ukuran sampel keseluruhan mungkin cukup untuk perkiraan utama tetapi terlalu kecil untuk mendeteksi hubungan dalam subkelompok yang penting secara klinis; kekuatan subkelompok harus direncanakan secara eksplisit.

Pertanyaan yang sering diajukan

Bisakah saya menetapkan kausalitas dari studi potong lintang?

Tidak. Karena paparan dan luaran diukur pada waktu yang sama, Anda tidak dapat menentukan mana yang datang lebih dulu. Studi potong lintang paling baik digunakan untuk menggambarkan prevalensi dan menghasilkan hipotesis. Untuk menguji hipotesis kausal, studi kohort prospektif atau uji coba acak diperlukan.

Apa ukuran efek yang tepat untuk studi potong lintang?

Rasio Prevalensi (PR) umumnya lebih disukai daripada Rasio Odds Prevalensi (POR) karena lebih mudah diinterpretasikan, terutama ketika prevalensi luaran melebihi 10%. PR dapat diperkirakan menggunakan regresi Poisson dengan varians kuat; POR diperoleh dari regresi logistik. Untuk luaran yang jarang, keduanya konvergen.

Berapa ukuran sampel saya seharusnya?

Ukuran sampel bergantung pada prevalensi luaran yang diharapkan, presisi yang diinginkan (margin kesalahan untuk perkiraan prevalensi) atau kekuatan (untuk mendeteksi hubungan), dan desain pengambilan sampel. Untuk perkiraan prevalensi saja, n = Z^2 * p(1-p) / e^2 (di mana p adalah prevalensi yang diharapkan dan e adalah margin kesalahan yang dapat diterima). Jika pengambilan sampel klaster digunakan, kalikan dengan efek desain, biasanya 1,5–2,5.

Bagaimana studi potong lintang berbeda dari studi kohort?

Studi kohort mengikuti partisipan dari waktu ke waktu dan dapat secara langsung mengukur insidensi, menetapkan urutan temporal, dan mendukung inferensi kausal yang lebih kuat. Studi potong lintang mengumpulkan satu potret tanpa tindak lanjut, membuatnya lebih cepat dan lebih murah tetapi tidak dapat menetapkan urutan temporal. Studi kohort lebih disukai untuk pertanyaan kausal; studi potong lintang lebih disukai untuk perkiraan prevalensi dan generasi hipotesis.

Apa itu bias prevalensi-insidensi dan bagaimana cara mengatasinya?

Bias prevalensi-insidensi (bias Neyman) terjadi karena sampel potong lintang terlalu mewakili orang yang bertahan cukup lama dengan kondisi tersebut untuk tertangkap dalam survei. Kondisi yang fatal dengan cepat atau berumur pendek diremehkan. Untuk meminimalkan ini, gunakan registri komprehensif atau data administratif, akui keterbatasan secara eksplisit, dan hindari mengekstrapolasi perkiraan prevalensi ke kesimpulan insidensi.

Metode terkait

Sumber

  1. Kelsey, J. L., Whittemore, A. S., Evans, A. S., & Thompson, W. D. (1996). Methods in Observational Epidemiology (2nd ed.). Oxford University Press.

    ISBN: 978-0195080407
    Disalin.
  2. Cross-sectional study. Wikipedia.

    Buka referensi publikasi
    Disalin.