Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tuberkulosis adalah penyakit menular yang termasuk kedalam sepuluh peringkat penyebab kematian tertinggi di dunia, sebagai contoh di Indonesia. Oleh karena itu, perlu diketahui faktor-faktor apa saja yang memengaruhi jumlah kasus tuberkulosis. Jumlah kasus tuberkulosis sebagai variabel dependen merupakan data cacah yang umumnya dianalisis menggunakan Regresi Poisson. Namun, adanya asumsi equidispersi yang harus dipenuhi pada Regresi Poisson maka Regresi Generalized Poisson dan Regresi binomial negatif dapat digunakan sebagai alternatif apabila asumsi equidispersi tidak terpenuhi. Aspek spasial dapat diperhatikan, sehingga pemodelan Geographically Weighted Generalized Poisson Regression dan Geographically Weighted Negative Binomial Regression juga dilakukan. Keempat model itu dibangun untuk mengetahui apakah ada hubungan jumlah kasus tuberkulosis di Pulau Jawa pada tahun 2020 dengan faktor-faktor yang diperkirakan memengaruhinya. Variabel independen yang digunakan adalah kepadatan penduduk, persentase balita diberikan imunisasi BCG, persentase penduduk miskin, persentase sarana air minum memenuhi syarat, persentase kartu keluarga dengan akses sanitasi layak, persentase tempat-tempat umum yang memenuhi syarat kesehatan, dan persentase tempat pengelolaan makanan yang memenuhi syarat higienis. Dari penelitian ini, diketahui bahwa model terbaik untuk memodelkan data adalah GWNBR dengan diperoleh 2 kelompok variabel independen signifikan. Sebanyak 7 variabel independen signifikan secara statistik di 88 kabupaten/Kota dan 6 variabel independen signifikan secara statistik di 12 kabupaten/Kota.

---

Tuberculosis is an infectious disease and one of the world's top 10 highest causes of mortality, for example, in Indonesia. Based on this fact, it’s necessary to know what factors influence number of tuberculosis cases. The number of tuberculosis cases as dependent variable is a count data that generally analyzed using Poisson regression. However, equidispersion assumption must be met, so Generalized Poisson Regression and Negative Binomial Regression are applied if the assumption is not met. Spatial aspects can be considered so Geographically Weighted Generalized Poisson Regression and Geographically Weighted Negative Binomial Regression were also conducted. Four models were built to evaluate relationship between number of tuberculosis cases and factors affecting it in Java in 2020. The explanatory variables are population density, percentage of children receiving BCG immunization, percentage of poor people, percentage of eligible drinking water facilities, percentage of family cards with access to proper sanitation, percentage of public places meet health requirements, and percentage of food management places meet hygienic requirements. This study shows that the best model for modeling the data is GWNBR with 2 groups of significant explanatory variables. Seven explanatory variables are statistically significant in 88 districts and six explanatory variables statistically significant in 12 districts."

"Latar Belakang: Indonesia merupakan negara peringkat keempat penyumbang kasus TB terbanyak di dunia. TB adalah penyebab kematian kedua terbanyak di Indonesia. Pasien TB mempunyai tingkat kematian yang lebih tinggi saat dirawat dibandingkan pasien non-TB. Pengetahuan tentang prediktor mortalitas dapat membantu pengambilan keputusan klinis untuk tatalaksana pasien dan mengetahui prognosis pasien. Studi-studi tentang faktor prediktor mortalitas pasien tuberkulosis saat rawat inap menunjukkan hasil yang berbeda-beda dan tidak ada penelitian yang komprehensif di Indonesia. Tujuan: Mengetahui faktor-faktor prediktor mortalitas pasien tuberkulosis saat rawat inap di RSCM. Metode: Penelitian ini merupakan studi kohort retrospektif pada pasien rawat inap di RSCM selama kurun waktu 1 Januari 2008 sampai dengan 31 September 2013. Data klinis dan laboratorium beserta status luaran (hidup atau meninggal) selama perawatan diperoleh dari rekam medis. Analisis bivariat menggunakan tes Chisquare dilakukan pada 13 variabel prognostik, yaitu kelompok usia, jenis kelamin, riwayat pengobatan TB sebelumnya, tingkat keparahan TB, status BTA, hipoalbuminemia, IMT, status HIV, adanya konkomitan pneumonia, sepsis, gagal napas, gambaran radiologis toraks, komorbiditas (skor Charlson Comorbidity Index). Adanya data yang tidak lengkap dilakukan imputasi mengunakan teknik multiple imputation. Variabel yang memenuhi syarat disertakan pada analisis multivariat dengan regresi logistik. Hasil: Subjek penelitian terdiri atas 470 pasien. Angka mortalitas selama perawatan sebesar 25,1%. Sebanyak 339 (72,1%) pasien adalah laki-laki dan 131 (27,9%) pasien adalah perempuan. Median usia pasien 34 (rentang 18 sampai 86) tahun dan median lama perawatan adalah 10 (rentang 1 sampai 97) hari. Faktor prediktor independen mortalitas yang bermakna pada analisis multivariat adalah kadar albumin < 3 g/dL (OR 5,12; IK 95% 1,80 sampai 14,57), gambaran radiologis toraks lesi kavitas (3,91; 1,53 sampai 9,97) adanya sepsis (23,31; 8,95 sampai 60,68), adanya gagal napas (177,39; 27,09 sampai 1161,55). Kesimpulan: Adanya gagal napas, adanya sepsis, hipoalbuminemia (kadar albumin < 3 g/dL), serta gambaran radiologis toraks lesi kavitas merupakan faktor prediktor independen mortalitas pasien tuberkulosis saat rawat inap.

---

Background: Indonesia is the world’s fourth highest tuberculosis burden in the world. Tuberculosis is the second leading cause of death for all age in the country, according to the Health Ministry. Mortality remains high among tuberculosis hospitalized patients compare to the non-TB patients. The prediction of patients outcome is important in decision-making process and in the effort reducing mortality rate. Studies exploring predictors of mortality in patients with pulmonary tuberculosis produced conflicting results and there are no comprehensive reports in Indonesia.

Objective: To determine predictors of mortality among hospitalized tuberculosis patients in Cipto Mangunkusumo Hospital, Jakarta, Indonesia.

Methods: We performed a retrospective cohort study among hospitalized tuberculosis patients in Cipto Mangunkusumo Hospital between January 2008 - September 2013. Data were collected at initiation of inpatients period and the main outcome was all-cause mortality during hospitalization. We analyzed age, sex, history of previous anti-tuberculosis treatment, tuberculosis severity, sputum smear positivity, hypoalbuminemia, BMI, HIV status, concomitant pneumonia, sepsis, respiratory failure, pulmonary radiographic lesion, comorbidity (CCI score) in bivariate analysis using Chi-square test. Missing data were handled using multiple imputation methods. Multivariate logistic regression analysis was performed to identify independent predictors of mortality.

Results: A total of 470 patients were evaluated in this study. In-hospital mortality rate was 25.1%. There were 339 (72.1%) male and 131 (27.9%) female patients. Median age of the population was 34 (range 18 to 86) years old and median length of stay was 10 (range 1 to 97) days. The independent predictors of mortality in multivariate analysis were hypoalbuminemia (OR 5,12; 95% CI 1,80 - 14,57), cavitary lesion (3,91; 1,53-9,97), sepsis (23,31; 8,95-60,68), and respiratory failure (177,39 ; 27,09-1161,55).

Conclusion: Respiratory failure, sepsis, hypoalbuminemia, and cavitary lesion were independent predictors of in-hospital mortality among hospitalized tuberculosis patients."