pemetaan risiko penularan covid-19 di jakarta...psbb linsek di level rt/rw, tingkatkan kapasitas...

8
Pemetaan risiko untuk intervensi terfokus dan eliminasi COVID-19 di Jakarta (Pemanfaatan Analisis Geostatistik dan Big Data dalam Penguatan Surveilans COVID-19) Pandji W. Dhewantara, M. Umar Riandi, Andri Ruliansyah, Wawan Ridwan, Tri Wahono & Tim *e-mail: [email protected] website: www.pandjiwdhewantara.com Laboratorium Epidemiologi Spasial Loka Penelitian & Pengembangan Kesehatan Pangandaran Badan Penelitian & Pengembangan Kesehatan Kementerian Kesehatan Republik Indonesia 2020

Upload: others

Post on 06-Sep-2020

3 views

Category:

Documents


0 download

TRANSCRIPT

Pemetaan risiko untuk intervensi terfokus dan eliminasi COVID-19

di Jakarta (Pemanfaatan Analisis Geostatistik dan Big Data dalam Penguatan Surveilans COVID-19)

Pandji W. Dhewantara, M. Umar Riandi, Andri Ruliansyah, Wawan Ridwan,

Tri Wahono & Tim

*e-mail: [email protected] website: www.pandjiwdhewantara.com

Laboratorium Epidemiologi SpasialLoka Penelitian & Pengembangan Kesehatan Pangandaran

Badan Penelitian & Pengembangan Kesehatan

Kementerian Kesehatan Republik Indonesia

2020

Tujuan• Memetakan “crude incidence” dan “standardized morbidity rates”

• Menentukan pola sebaran COVID-19 (clustered atau acak)

• Mendeteksi “hotspots” penularan COVID-19

• Mengestimasi risiko relatif COVID-19 dan sebarannya di tingkatkelurahan dengan memperhatikan faktor kepadatan penduduk, proporsi penduduk, proporsi penduduk berdasarkan jenis kelamindan usia, dan proporsi rumah tangga hidup di lingkungan kumuh(slum inhabitant)

Intervensi terfokus untuk eliminasi COVID-19 di Jakarta

Metode

• Data COVID-19 terkonfirmasi laboratorium (3746 kasus) diperolehdari https://corona.jakarta.go.id/id untuk periode 1 Maret – 26 April 2020

• Data kependudukan diperoleh dari Portal Jakarta Open data https://data.jakarta.go.id/ dan BPS (Publikasi Jakarta Dalam Angkadan PODES 2018)

• Analisis spasial:• Moran’s I dan Local Indicator for Spatial Association (LISA) → Deteksi

Hotspots• Bayesian Conditional autoregression (CAR) modeling → Estimasi Risk relative

(RR) area dan faktor yang menentukannya

Tren pelaporan kasus COVID-19 di Jakarta

0

50

100

150

200

250

3/2

/20

20

3/4

/20

20

3/6

/20

20

3/8

/20

20

3/1

0/2

02

0

3/1

2/2

02

0

3/1

4/2

02

0

3/1

6/2

02

0

3/1

8/2

02

0

3/2

0/2

02

0

3/2

2/2

02

0

3/2

4/2

02

0

3/2

6/2

02

0

3/2

8/2

02

0

3/3

0/2

02

0

4/1

/20

20

4/3

/20

20

4/5

/20

20

4/7

/20

20

4/9

/20

20

4/1

1/2

02

0

4/1

3/2

02

0

4/1

5/2

02

0

4/1

7/2

02

0

4/1

9/2

02

0

4/2

1/2

02

0

4/2

3/2

02

0

4/2

5/2

02

0

4/2

7/2

02

0

4/2

9/2

02

0

Co

un

ts

Time

Hati-hati: Bukan gambaran aktual pertambahan kasus per hariSumber: https://corona.jakarta.go.id/id/data-pemantauan

*Periode 1 Maret – 26 April 2020

Peta insiden dan SMR* COVID-19 serta karakteristik sosiodemografi Jakarta

Klaster risiko• 19 Kelurahan di 8 Kecamatan

dikategorikan klaster berisiko tinggi (High-High)

• Kecamatan Tanah Abang (6 kelurahan)

• Estimasi populasi berisiko 400.000 orang

Pada klaster High-High: Diperlukan kombinasi intervensi 3T (To prevent + To detect + To Respond) : PHBS, testing, tracing dan karantina wilayah total

Potensi menjadi klaster berisiko tinggi – Monitoring & surveilans. Klaster High-Low & Low-High: Intervensi“To prevent+To detect” diperkuat

Peta Sebaran Hotspots COVID-19 berdasarkan analisis spasial statistik LISA

Pada klaster Low-LowIntervensi “To prevent” : Promosi PHBS, Physical distancing

Koefisien regresi berdasarkan Bayesian spatial CAR model COVID-19 di Jakarta, Indonesia

Variabel Posterior mean

SD

RR (95%CrI)

Intercept -0.148 0.042 0.862 (0.793-0.935)

% Populasi usia 50+a 0.549 0.152 1.731 (1.281-2.314)

% Laki-lakib -0.616 0.163 0.540 (0.395-0.746)

Kepadatan penduduk -0.168 0.053 0.844 (0.758-0.937)

% Ruta Kumuhc -0.031 0.047 0.969 (0.881-1.060)a Populasi usia 20-49 (referensi)b Perempuan (referensi)c Definisi berdasarkan PODES (BPS)

Distribusi risiko relatif COVID-19 pada level kelurahan berdasarkan model Bayesian spatial CAR di Jakarta*

Prioritas Intervensi 3T: To prevent, to detect and to respond. Contoh: masif swab testing pada kelompok usia 50++, penguatanPSBB linsek di level RT/RW, tingkatkan kapasitas SDMKes, tempatkarantina, siapkan Bansos

Simpulan & Rekomendasi

• Klaster berisiko tinggi mencakup 19 kelurahan di Jakarta

• Sebaran risiko dipengaruhi oleh variasi distribusi populasi berusia 50+; kelurahan dengan populasi 50++ lebih banyak memiliki risiko 1.7x lebih tinggi dibandingkan kelurahan lainnya

• Intervensi bervariasi tergantung kriteria klaster (High-high, Low-Low, dst)

• Oleh karena itu – pada hotspots COVID-19:• Tingkatkan cakupan testing dan tracing aktif COVID-19 khususnya kepada populasi

50+ (di 19 kelurahan) di zona High-High • Tingkatkan kesiapsiagaan, surveilans dan sumberdaya, kapasitas tempat karantina• Total Karantina Wilayah diberlakukan pada “hotspot” COVID-19