Kolom: Statistik R(t) dan Penggunaannya dalam Kebijakan Publik tentang Normal Baru - Kolom - majalah.tempo.co | Situs Berita Online Indonesia - majalah.tempo.co

Kolom 1/1

Sebelumnya Selanjutnya
text

Preokupasi R(t) dan Hidup Zaman Normal Baru

Panji Hadisoemarto
Epidemiolog, Pengajar di Departemen Ilmu Kesehatan Masyarakat Fakultas Kedokteran Universitas Padjadjaran, Bandung

i Ilustrasi
Ilustrasi

PANDEMI Covid-19 boleh jadi merupakan zaman keemasan epidemiologi, bidang ilmu yang tidak fasih dituturkan banyak orang. Kini, bahkan bilangan statistik yang tidak populer di kalangan epidemiolog pun, R(0) dan R(t), menjadi topik pembahasan di media massa.

R(0) dan R(t) menjadi bilangan penting karena digunakan sebagai prasyarat melonggarkan pembatasan sosial dan memulai kehidupan normal baru. Badan Kesehatan Dunia (WHO) merekomendasikan R(t) sebagai indikator epidemiologi utama. Kementerian Perencanaan Pembangunan Nasional (PPN)/Badan Perencanaan Pembangunan Nasional (Bappenas) mengikuti rekomendasi tersebut dengan membuat estimasi R(t) di level subnasional yang rencananya ditampilkan dalam sebuah dashboard nasional.

Tapi R(t) adalah statistik. Seperti statistik lain, R(t) bisa menggambarkan kebenaran, tapi bisa juga menyampaikan kebohongan.


Konseptualisasi R, apakah itu R(t) atau R(0), sangat sederhana. R adalah angka reproduksi. Maka, seperti bilangan lain yang menunjukkan kemampuan reproduksi, R adalah jumlah “anak” yang “dilahirkan” oleh satu “ibu”. “Ibu” dan “anak” dalam hal ini adalah kasus infeksi, sementara “kelahiran” adalah penularan. R(0) dan R(t) adalah statistik yang sama pada konteks berbeda. R(0) pada situasi penyakit yang bisa menular tanpa hambatan apa pun (tidak ada kekebalan, tidak ada intervensi kesehatan masyarakat), sementara R(t) pada situasi selain itu, yang menjadikannya lebih relevan saat ini.

Maka, kalau setiap kasus melahirkan lebih dari satu kasus baru, ukuran generasi baru akan lebih besar dari generasi sebelumnya. Jumlah kasus bertumbuh. Jika sebaliknya, ukuran generasi baru menyusut sampai akhirnya hilang. Karena itu, nilai R(t) = 1 menjadi nilai ambang. Kita menginginkan nilai ini lebih rendah dari satu sampai mendekati nol.

Menghitung R(t) dalam praktiknya tidak mudah. Nilai R(t) yang akurat, tidak bias, bisa kita peroleh dengan pengetahuan sempurna tentang siapa menularkan ke siapa saja. Tapi, untuk Covid-19 yang tidak selalu menimbulkan gejala, ditambah kapasitas penelusuran kontak dan pemeriksaan laboratorium yang terbatas, informasi tadi tidak pernah sempurna. Karena itu, metode statistik harus digunakan untuk menghasilkan estimasi nilai R(t).

Di sini timbul masalah baru: metode yang mana? Dua metode yang mungkin menjadi lebih dikenal saat ini adalah metode Cori dkk (2013) dan Bettencourt & Ribeiro (2008). Metode Cori dikutip oleh WHO, sementara yang lain digunakan Kementerian PPN/Bappenas. Di samping itu, masih ada metode seperti Wallinga & Teunis (2004), Cauchemez dkk (2006), serta White & Pagano (2008).

Pemilihan metode menjadi masalah karena hasil estimasi metode-metode tersebut tidak selalu bersesuaian satu sama lain. Sebab, setiap metode dikembangkan untuk masalah data yang spesifik dan karena itu menggunakan asumsi dan input data yang spesifik juga. Metode Wallinga & Teunis menjadi yang paling banyak dirujuk oleh epidemiolog karena mereka yang pertama kali mengajukan metode yang relatif sederhana untuk menghitung R(t). Pertanyaan yang mereka jawab saat itu sangat penting: apakah kemiripan kurva epidemi SARS di Hong Kong, Vietnam, Singapura, dan Kanada disebabkan oleh efektifnya intervensi atau adanya perbedaan transmisi?

Dalam komentarnya terhadap Wallinga & Teunis, Lipsitch & Bergstrom (2004) menggarisbawahi kekurangan kurva epidemi. Kurva yang dibentuk dengan menghitung jumlah kasus yang muncul setiap satuan waktu ini memang tidak dapat membedakan pertambahan jumlah kasus yang disebabkan oleh penyakit yang sangat menular tapi waktu penularannya pendek dengan penyakit yang kurang menular tapi waktu penularannya panjang. Dengan demikian, kurva epidemi biasa tidak dapat membedakan efek perbedaan karakteristik penularan dengan efek intervensi di tempat yang berbeda. Walaupun kurva epidemi SARS di Vietnam serupa dengan kurva di Kanada, boleh jadi SARS di Vietnam tidak semenular di Kanada, tapi Kanada lebih efektif dalam melakukan intervensi. Metode Wallinga & Teunis menyelesaikan masalah ini. Cauchemez dan White & Pagano lebih lanjut merevisi atau mengadopsi metode Wallinga & Teunis.

Sedangkan Bettencourt & Ribeiro mengembangkan metode estimasi R(t) untuk kondisi penyakit infeksi emerging. Metode Cori, di lain pihak, dikembangkan untuk menyelesaikan masalah praktis yang menyebabkan metode-metode estimasi yang ada hanya bisa dikerjakan oleh mereka dengan pengetahuan statistik yang memadai: penguasaan pemrograman statistik. 

Para ahli tersebut mengembangkan metode untuk menjawab masalah yang mereka ajukan sendiri. Metode Cori memerlukan data kasus baru dan data tambahan berupa interval waktu antara munculnya kasus penular dan kasus tertular. Estimasi bisa dibuat dengan peranti lunak Ms Excel. Tapi data interval ini sering kali tidak ada untuk penyakit-penyakit emerging. Karena itu, Bettencourt & Ribeiro mengembangkan metode estimasi yang hanya memerlukan informasi tentang jumlah kasus baru dan menggantikan keperluan data tambahan dengan asumsi.

Sebagai catatan, hampir semua metode berasumsi bahwa data yang digunakan adalah data onset penyakit yang dilaporkan dengan sempurna.

Deviasi dari asumsi dan keperluan data ini akan menghasilkan bias. Maka, dalam memilih metode estimasi, seorang analis pertama-tama harus memastikan bahwa asumsi dan data yang diperlukan oleh metode tersebut dapat dipenuhi. Semua potensi bias harus dikenali dan disampaikan secara transparan. Jika bias terlalu besar, mungkin interpretasi yang paling baik dari estimasi yang dihasilkan adalah bahwa hasil tersebut tidak bisa digunakan dalam pengambilan keputusan.

Masalahnya, kualitas data kita tidak cukup baik untuk menghasilkan estimasi R(t) yang akurat. Yang pertama, data kita tak hanya tidak lengkap, tapi juga kelengkapannya tidak konsisten. Dalam waktu tiga bulan sejak kasus Covid-19 pertama diumumkan, kapasitas pemeriksaan Covid-19 di Indonesia masih sangat rendah dengan kurang dari 1 dari 1 juta orang diperiksa (Denmark 80 dari 1 juta orang). Ini menyebabkan besar sekali kemungkinan underreporting kasus Covid-19. Namun, karena kapasitas pemeriksaan berbeda dari waktu ke waktu, dan dari tempat ke tempat, kemungkinan underreporting juga berbeda-beda—membuat estimasi jumlah kasus sebenarnya menjadi tidak konsisten. Kedua, pelaporan hasil pemeriksaan dapat mengalami keterlambatan yang cukup lama, pada banyak kasus setelah pasien meninggal atau dipulangkan dari rumah sakit. Kedua hal ini kemungkinan besar akan menghasilkan bias estimasi R(t) menjadi lebih kecil dari seharusnya.

Maka, jika estimasi tetap akan dibuat, interpretasi harus didasari pemahaman yang baik tentang kualitas data yang menghasilkannya. Indikator-indikator lain harus selalu dianalisis dan ditampilkan bersama R(t) untuk memberikan konteks lebih luas dalam interpretasi nilai tersebut.

Preokupasi terhadap penilaian R(t) dari data yang diragukan kualitasnya dapat menjerumuskan pembuat kebijakan ke dalam reification problem, yaitu ketika statistik yang sebenarnya tidak bermakna dimaknai sebagai bermakna hanya semata-mata karena tidak ada statistik lain untuk menggantikannya.

Di dalam dokumennya, WHO menulis bahwa dalam hal estimasi R(t) tidak bisa dibuat secara meyakinkan, indikator-indikator lain dapat digunakan dalam pengambilan keputusan, bahkan secara kualitatif. Misalnya indikator langsung tentang perkembangan jumlah kasus, kematian, atau positive rate dari pemeriksaan. Di samping indikator epidemiologi, evaluasi indikator kapasitas sistem kesehatan dan sistem surveilans direkomendasikan WHO sebelum melonggarkan upaya-upaya restriksi sosial.

Maka analisis yang baik dari indikator-indikator lain akan memberikan gambaran yang lebih utuh tentang kondisi epidemi Covid-19 di suatu wilayah dan kesiapan wilayah tersebut untuk mengantisipasi ledakan kasus susulan yang mungkin mengikuti pelonggaran pembatasan sosial. Nilai R(t) di bawah 1 adalah syarat perlu untuk memasuki era normal yang baru, tapi tidak cukup.  

Risiko ledakan kasus Covid-19 akan selalu ada selama terdapat dua hal: kasus yang menjadi sumber penularan dan orang rentan yang menjadi sasaran penularan. Kerentanan populasi tampaknya tidak akan berkurang secara bermakna sampai vaksin yang efektif ditemukan dan digunakan oleh setidaknya 60 persen populasi rentan. Namun, bahkan untuk Swedia yang terang-terangan mengambil strategi herd immunity, baru sekitar 7 persen saja dari populasi Kota Stokholm yang memiliki respons antibodi terhadap Covid-19.

Maka, untuk memastikan tidak ada kasus yang bisa menjadi sumber penularan, kita memerlukan sistem surveilans dan pemeriksaan laboratorium yang kuat. WHO, misalnya, merekomendasikan setidaknya 80 persen kontak erat dari kasus harus diidentifikasi dan dikarantina dalam waktu 72 jam, dan 90 persen kasus terduga mesti sudah terkonfirmasi secara laboratorium dalam 48 jam!

Dengan kapasitas yang sangat terbatas dalam menghadapi virus yang serba baru ini, perlu disadari bahwa hidup normal baru bukanlah hidup berdampingan, apalagi berdamai, dengan Covid-19. Hidup normal baru adalah hidup di bawah ancaman Covid-19.

2020-08-05 05:49:43

New Normal | Normal Baru Covid-19 Virus Corona

Kolom 1/1

Sebelumnya Selanjutnya

Silahkan Login / Register untuk melanjutkan membaca artikel ini.
Anda akan mendapatkan 8 artikel gratis setelah Register.

Hubungi Kami :

Alamat : Gedung TEMPO, Jl. Palmerah Barat No.8, Jakarta Selatan, 12210

Informasi Langganan :

Email : cs@tempo.co.id

Telepon : 021 50805999 || Senin - Jumat : Pkl 09.00 - 18.00 WIB

Telp/SMS/WA : 0882-1030-2525 | 0882-1023-2343 | 0887-1146-002 || Senin - Minggu : Pkl 08.00 - 22.00 WIB

Informasi Lainnya :

Telp/SMS/WA : 0882-1030-2828 || Senin - Minggu : Pkl 08.00 - 22.00 WIB

Anda memiliki 3 free artikel untuk minggu ini. Dapatkan

8 artikel gratis setelah Register.