Kanker serviks menempati ranking kedua sebagai penyakit kanker yang paling banyak diderita oleh wanita di seluruh dunia, dan yang tidak kalah mengejutkan lebih dari 80% terjadi di negara berkembang. Hal ini sejalan dengan prediksi beberapa ahli diberbagai belahan dunia beberapa dekade belakangan bahwa tren penyakit tidak menular di negara berkembang akan semakin tinggi. Hal ini mengindikasikan adanya perubahan pola penyakit dari yang dulunya penyakit menular ke penyakit tidak menular.

Situasi ini bisa disebabkan karena perubahan gaya hidup dengan semakin berkembangnya industrialisasi dan teknologi yang mana merupakan suatu hal yang baik bahwa masyarakat di negara berkembang boleh dikatakan semakin maju. Namun hal ini juga bisa berarti tantangan baru, banyak negara berkembang masih kesulitan dengan penyakit tidak menular dan sekarang muncul “pendatang baru” yang pastinya akan membuat mereka lebih kesulitan. Salah satunya adalah meningkatnya health care cost karena penyakit tidak menular membutuhkan biaya yang tidak sedikit untuk perawatannya. Untuk itu pencegahan dan pendekatan berbasis kesehatan masyarakat sangat penting untuk menekan bertambahnya penyakit tidak menular.

Dalam salah satu review artikelnya, Scarinci et al. (2010) memaparkan pendekatan yang menarik dan mungkin bisa dipertimbangkan untuk pencegahan kanker serviks terutama untuk daerah dengan sumber daya kesehatan yang terbatas. Dalam artikel tersebut, Scarinci et al. (2010) memaparkan fenomena kanker serviks di Amerika Serikat yang mana lebih dari 60% terjadi pada kelompok minoritas (populasi Afrika-Amerika dan masyarakat miskin). Kelompok ini tidak memiliki akses yang baik pada pelayanan kesehatan (vaksin dan screening), ditambah lagi sebagai kelompok minoritas wanita pada kelompok ini merasa malu apabila menerima vaksin atau melakukan screening karena takut dianggap tidak bisa menjaga kesehatannya.

Scarinci et al. (2010) merekomendasikan 2 tindakan pencegahan yang dinilai efektif untuk mengatasi masalah ini, yakni :

1. Pencegahan tingkat pertama dengan menyediakan vaksin untuk wanita berusia kurang dari 18 tahun.
2. Pencegahan tingkat kedua dengan screening/deteksi dini untuk mengidentifikasi kejadian kanker sedini mungkin dan menentukan perawatan yang tepat untuk wanita usia 30 tahun ke atas.

Scarinci et al. (2010) berpendapat bahwa kedua pendekatan ini harus berfokus pada kelompok umur yang tepat sehingga perawatan yang diberikan akan tepat sasaran. Selain itu Scarinci et al. (2010) juga menekankan pentingnya community-based intervention untuk mengurangi ketimpangan dalam pencegahan kanker serviks. Sebuah studi kualitatif di negara bagian South Carolina menemukan bahwa kelompok minoritas lebih aktif berpartisipasi pada edukasi kanker serviks yang dilakukan oleh gereja setempat dibanding oleh organisasi lain.

Hal ini membuktikan pentingnya melibatkan organisasi kemasyarakatan untuk hasil yang lebih maksimal dalam mengedukasi masyarakat. Studi lain di negara bagian Alabama dan Mississippi menemukan adanya peningkatan angka screening untuk kanker payudara dan kanker serviks pada populasi wanita Afrika-Amerika dengan pendekatan Community-Based Participatory Research (CBPR) dan Empowerment Model dimana memanfaatkan komunitas setempat sebagai relawan/Community Health Workers (CHW).

Sudahkan kita mempersiapkan diri untuk menghadapi masalah penyakit tidak menular ini?

Oleh: Stevie Ardianto Nappoe,
SKM-Master Student, The University of Alabama at Birmingham, Fulbright Scholar 2016

Scarinci, I. C., Garcia, F. A., Kobetz, E., Partridge, E. E., Brandt, H. M., Bell, M. C., Castle, P. E. (2010). Cervical Cancer Prevention: New Tools And Old Barriers. Cancer, 116(11), 2531-2542. doi:10.1002/cncr.25065
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2876205/pdf/nihms179540.pdf

{jcomments on}

Pendahuluan

Pada kesempatan yang lalu, penulis pernah membagikan ide mengenai penyusunan indikator mutu rumah sakit dan penyajian indikator mutu rumah sakit . Walaupun keduanya sudah cukup untuk karya sehari-hari, tidak ada salahnya bila para manajer dan pemimpin sistem mikro di rumah sakit menambahkan analisis secara statistika terhadap pengukuran indikator mutu tersebut.

Analisis ini diharapkan menjadi insight apakah intervensi yang dilakukan untuk memperbaiki nilai indikator mutu sudah adekuat. Analisis ini juga akan merangsang para pemimpin sistem mikro di rumah sakit beserta tim untuk terbiasa melakukan penelitian. Tim yang terbiasa melakukan penelitian akan mudah mengembangkan diri karena senantiasa menanyakan kepada dirinya sendiri, “Apakah usaha ini sudah cukup signifikan?”

Pada tulisan bagian kedua ini, penulis mengajak pembaca untuk menyimak salah satu contoh analisis data sebelum dan setelah intervensi pada indikator mutu rumah sakit dengan tipe data ordinal. Indikator yang dipakai dalam mengilustrasikan contoh analisis data ini adalah: kepuasan pasien instalasi gawat darurat.

Ilustrasi Kasus

Rumah Sakit “Puri Sejahtera” menetapkan salah satu indikator mutu instalasi gawat darurat (IGD) adalah “kepuasan pasien instalasi gawat darurat”. Rumah sakit ini membuat kuesioner singkat terkait tingkat kepuasan pasien IGD dengan skala 1-9. Skala satu artinya sangat tidak puas sementara angka 9 artinya sangat puas. Kuesioner ini diberikan pada akhir perawatan di IGD. Hasil pengukurannya disajikan dalam Tabel 1. asd

No. Sampel	1	2	3	4	5	6	7	8	9	10
Tingkat Kepuasan (1-9)	4	5	7	2	3	9	3	4	3	5

Tabel 1 Hasil Pengukuran Sebelum Intervensi

Tim instalasi gawat darurat mendiskusikanhasil pengukuran ini. Setelah menggunakan berbagai alat bantu untuk mengidentifikasi faktor-faktor kontributor dan faktor penyebab, tim menyimpulkan bahwa tingkat kepuasan yang belum mencapai target tersebut adalah karena para pasien di IGD tersebut menunggu terlalu lama untuk diperiksa dokter. Dengan hanya satu dokter yang melayani 12 tempat tidur, seorang pasien dapat menunggu lebih dari 30 menit sampai diperiksa oleh dokter.

Untuk itulah tim kemudian mendiskusikan dengan kepala bidang pelayanan untuk menambah jumlah dokter jaga IGD dan menerapkan sistem triase baru. Dengan kedua intervensi ini, diharapkan waktu tunggu pasien berkurang dan kepuasan pasien kembali meningkat. Hasil pengukuran satu bulan setelah intervensi disajikan dalam Tabel 2.

Tabel 2 Hasil Pengukuran Satu Bulan setelah Intervensi

Analisis Statistik

Berbeda dengan statistik parametrik yang dibahas dalam tulisan bagian pertama mengenai analisis indikator, data indikator mutu ini memiliki tipe data ordinal. Data ordinal termasuk ke dalam tipe data kategorial, memiliki penjenjangan, namun jarak antara jenjang satu dan berikutnya tidak dapat diasumsikan sama. Artinya, seorang yang memilih tingkat kepuasan 8 belum tentu dua kali lebih puas daripada orang lain yang memilih tingkat kepuasaan 4.

Untuk menguji perbedaan antara kedua kelompok berdata ordinal ini digunakan uji statistik non parametrik. Nama uji yang sesuai adalah Mann-Whitney. Dalam statistik parametrik, uji ini setara dengan t-test yang kita pakai dalam ilustrasi pada tulisan bagian pertama yang lalu.

Sebelum melakukan uji beda, mari kita menetapkan hipotesis 0 (H0) dan hipotesis alternatif. Prinsipnya, uji normalitas membandingkan data yang akan diuji dengan data distribusi normal. Pada uji beda, kita akan membandingkan nilai p dengan nilai suatu konstanta. Pada tingkat kepercayaan 95%, kita akan membandingkan nilai p dengan angka 0,05. Apabila nilai p>0,05 maka hipotesis nol (H0) diterima. Sebaliknya, apabila nilai p<0,05 maka hipotesis nol (H0) ditolak dan otomatis hipotesis alternatif (Ha) yang diterima. Hipotesis ditetapkan seperti yang disajikan dalam Tabel 3

Hipotesis 0 (H0)	Tidak ada perbedaan antara data sebelum intervensi dan setelah intervensi.
Hipotesis Alternatif (Ha)	Ada perbedaan antara data sebelum intervensi dan setelah intervensi.

Tabel 3 Hipotesis dalam uji beda.

Jalankan uji non parametrik 2 sampel independen. Setelah melengkapi kotak dialog, maka akan muncul hasil seperti yang disajikan dalam Tabel 4.

Test Statisticsb
	Tingkat Kepuasan
Mann-Whitney U	20.000
Wilcoxon W	75.000
Z	-2.289
Asymp. Sig. (2-tailed)	.022
Exact Sig. [2*(1-tailed Sig.)]	.023a

Tabel 4 Hasil uji Mann-Whitney.

Perhatikan angka yang dicetak tebal (0,022). Nilai p tersebut <0,05 sehingga hipotesis nol (H0) ditolak dan hipotesis alternatif (Ha) diterima. Hal tersebut berarti ada beda secara signifikan pada kedua kelompok. Dengan kata lain, data setelah intervensi berbeda secara signifikan dengan data sebelum intervensi.

Interpretasi

Proses analisis yang dijelaskan di atas merupakan salah satu contoh penerapan statistika dalam pengelolaan rumah sakit. Meskipun demikian, karena pengelolaan rumah sakit bersandar pada sumber-sumber ilmiah tertentu, maka interpretasi atas apa yang telah diterapkan oleh statistika tidak boleh dilakukan secara serampangan. Sebelum melakukan interpretasi, perlu ditanyakan: apakah peningkatan kepuasan pasien IGD ini akibat intervensi yang dilakukan? Analisis statistik yang tadi dilakukan tidak sepenuhnya bisa menjelaskan walau secara logis bisa diterima.

Seperti juga dalam ilmu kedokteran, pengelola rumah sakit secara langsung maupun tidak langsung digiring untuk menggunakan bukti-bukti ilmiah yang sahih untuk mengelola rumah sakit, pun mutunya. Ilustrasi di atas cukup menarik karena di Indonesia, IGD disalahartikan oleh sebagian masyarakat sebagai pelayanan yang “ekspres” dibandingkan pelayanan rawat jalan. Instalasi rawat jalan (IRJ) di hampir semua rumah sakit selalu memiliki kursi tunggu jauh lebih banyak daripada di IGD. Hal ini membuat IRJ identik dengan menunggu.

Pada kenyataannya, pelayanan di IGD tidaklah selalu cepat karena digunakan suatu prioritisasi berbasis kebutuhan pasien yang disebut sebagai triase. Pasien yang lebih gawat dan/atau darurat akan didahulukan, sehingga pasien yang sebenarnya bisa berobat ke rawat jalan tetap harus menunggu. Di sinilah banyak sumber bukti mengenai implementasi triase yang dapat digunakan sebagai acuan tim mutu di IGD untuk memperbaiki mutu.

Kembali kepada ilustrasi kasus di atas, peningkatan kepuasan pasien sangat mungkin akibat intervensi. Akal sehat pasti mengatakan demikian. Namun bila menggunakan bukti-bukti ilmiah untuk menelaah masalah dan menyusun intervensi, bisa jadi kesimpulan akhir interpretasi tidak sepenuhnya demikian. Misalnya, intervensi memang meningkatkan kepuasan pasien, namun bukan akibat waktu tunggu yang semakin singkat namun akibat IGD yang lebih teratur pasca implementasi sistem triase baru.

Penutup

Analisis statistik seperti yang diuraikan dalam tulisan ini belum jamak diterapkan dalam pengelolaan mutu di rumah sakit. Bila diterapkan pun, seringkali didapatkan kekeliruan dalam pemilihan uji statistik sehingga hasilnya tidak sahih digunakan sebagai dasar pengambilan keputusan oleh manajemen rumah sakit. Diharapkan setelah membaca tulisan ini, tim pengelola mutu di rumah sakit dapat secara rutin menerapkan statistika lebih dalam untuk menganalisis indikator mutu rumah sakit.

Penulis

Artikel ini merupakan pendapat pribadi penulis: dr. Robertus Arian Datusanantyo, M.P.H.. Penulis adalah dokter, pernah memimpin instalasi gawat darurat rumah sakit swasta di Yogyakarta. Saat ini penulis merupakan peserta pendidikan dokter spesialis di Fakultas Kedokteran Universitas Airlangga, Surabaya.

{loadmodule mod_articles_latest,Artikel Lainnya}

{jcomments on}

Pendahuluan

Pada kesempatan yang lalu, penulis pernah membagikan ide mengenai penyusunan indikator mutu rumah sakit dan penyajian indikator mutu rumah sakit. Walaupun keduanya sudah cukup untuk karya sehari-hari, tidak ada salahnya bila para manajer dan pemimpin sistem mikro di rumah sakit menambahkan analisis secara statistika terhadap pengukuran indikator mutu tersebut.

Analisis ini diharapkan menjadi insight apakah intervensi yang dilakukan untuk memperbaiki nilai indikator mutu sudah adekuat. Analisis ini juga akan merangsang para pemimpin sistem mikro di rumah sakit beserta tim untuk terbiasa melakukan penelitian. Tim yang terbiasa melakukan penelitian akan mudah mengembangkan diri karena senantiasa menanyakan kepada dirinya sendiri, “Apakah usaha ini sudah cukup signifikan?”

Pada tulisan bagian pertama ini, penulis mengajak pembaca untuk menyimak salah satu contoh analisis data sebelum dan setelah intervensi pada indikator mutu rumah sakit dengan tipe data kontinyu. Indikator yang digunakan dalam mengilustrasikan contoh analisis data ini adalah: waktu tunggu masuk ruang perawatan.

Ilustrasi Kasus

Rumah Sakit “Pantai Bahagia” menetapkan salah satu indikator mutu pelayanan ruang persiapan rawat inap adalah “waktu tunggu masuk ruang perawatan”. Rumah sakit ini mengukur waktu yang diperlukan sejak bagian admisi (tempat penerimaan pasien) menentukan ruang perawatan bagi pasien sampai dengan pasien diantar dari ruang persiapan rawat inap. Semakin besar angka yang diukur dalam menit ini, semakin lama pula pasien menunggu di ruang persiapan rawat inap dan meningkatkan potensi penuhnya ruang persiapan rawat inap.

Disepakati pula bahwa tidak semua kasus akan diukur, hanya sepuluh pasien pertama di ruang persiapan rawat inap setiap tanggal 1 bulan baru saja yang diukur. Waktu diukur dalam satuan menit dan dicatat untuk disajikan dan dianalisis. Hasil pengukuran bulan pertama disajikan dalam Tabel 1.

No. Sampel	1	2	3	4	5	6	7	8	9	10	Rerata
Waktu tunggu (menit)	75	67	45	46	52	36	92	88	73	65	63,9

Tabel 1 Hasil pengukuran waktu tunggu persiapan rawat inap.

Tim ruang persiapan rawat inap mendiskusikan hasil pengukuran ini. Hasilnya, beberapa proses administrasi bisa dipersingkat. Meski demikian, ada satu kendala yang tidak dapat diputuskan solusinya. Rumah sakit ini mengatur bahwa ruang persiapan rawat inap tidak dapat memobilisasi pasien, harus menunggu dijemput dari ruang perawatan yang dituju. Perawat penjemput ini sering datang lambat sehingga pasien menumpuk di ruang persiapan rawat inap.

Akhirnya kepala ruang persiapan rawat inap mengusulkan kepada direktur agar pasien dapat dimobilisasi dari ruang persiapan rawat inap oleh perawat persiapan rawat inap ditemani satu orang petugas transporter atau petugas keamanan. Direktur setuju, sehingga ruang persiapan rawat inap secara resmi mengerjakan dua macam perbaikan, yaitu proses administrasi yang dipersingkat dan perubahan mobilisasi pasien. Mereka menargetkan rerata waktu tunggu kurang dari 40 menit. Hasil pengukuran satu bulan setelah intervensi disajikan dalam Tabel 2.

No. Sampel	1	2	3	4	5	6	7	8	9	10	Rerata
Waktu tunggu (menit)	54	17	36	34	61	24	53	44	72	25	42

Tabel 2 Hasil pengukuran waktu tunggu persiapan rawat inap setelah intervensi.

Sekilas dari perhitungan rerata didapatkan bahwa intervensi tempo hari membuahkan hasil penurunan rerata waktu tunggu persiapan rawat inap namun belum mencapai target. Muncul pertanyaan apakah intervensi yang dilakukan sudah secara signifikan memperbaiki kondisi atau belum. Di sinilah peran analisis statistik.

Analisis Statistik

Analisis statistika dapat dilakukan dengan penghitungan manual atau dengan menggunakan perangkat lunak. Berbagai perangkat lunak tersedia baik yang berbayar maupun yang gratis, karena penulis ingin mendorong pengujian secara statistik ini dilakukan secara rutin, maka disarankan menggunakan program analisis statistik yang mudah dan umum digunakan seperti misalnya SPSS. Dalam tulisan ini tidak akan dijelaskan langkah demi langkah analisis dalam program analisis statistik. Penjelasan mengenai hal tersebut jamak ditemukan lewat mesin pencari daring (online). Data mentah yang ada dimasukkan ke dalam program analisis statistik tersebut.

Langkah pertama dalam analisis data indikator ini adalah menentukan tipe data. Penjelasan mengenai tipe data dapat dibaca kembali pada tulisan sebelumnya mengenai penyajian indikator mutu rumah sakit (https://mutupelayanankesehatan.net/index.php/19-headline/2048-menyajikan-indikator-mutu-rumah-sakit). Dari keterangan tersebut, kita mengetahui bahwa data kuantitatif indikator waktu tunggu persiapan rawat inap ini adalah data kontinyu. Umumnya, data kontinyu dianalisis menggunakan statistik parametrik apabila datanya terdistribusi normal.

Untuk mengetahui apakah data tersebut terdistribusi normal atau tidak, mari kita menetapkan hipotesis 0 (H0) dan hipotesis alternatif. Prinsipnya, uji normalitas membandingkan data yang akan diuji dengan data distribusi normal. Hipotesis dalam uji ini ditampilkan dalam Tabel 3.

Hipotesis 0 (H0)	Tidak ada perbedaan antara data yang akan diuji dengan data distribusi normal.
Hipotesis Alternatif (Ha)	Ada perbedaan antara data yang akan diuji dengan data distribusi normal.

Tabel 3 Hipotesis dalam uji normalitas.

Dalam program SPSS, lakukan uji normalitas Kolmogorov-Smirnov yang ada dalam menu analisis non parametrik. Hasil analisis yang dilakukan program analisis statistik ditampilkan dalam Tabel 4.

One-Sample Kolmogorov-Smirnov Test
		Waktu Tunggu
N		20
Normal Parametersa,,b	Mean	52.9500
	Std. Deviation	21.08997
Most Extreme Differences	Absolute	.089
	Positive	.089
	Negative	-.067
Kolmogorov-Smirnov Z		.399
Asymp. Sig. (2-tailed)		.997

Tabel 4 Hasil uji normalitas.

Dalam tabel hasil uji normalitas tersebut, perhatikan nilai yang dicetak tebal (0,399). Karena nilai tersebut >0,05, maka hipotesis 0 (H0) diterima sehingga tidak ada beda antara data yang diuji dengan data terdistribusi normal. Dengan kata lain, data indikator tersebut adalah data terdistribusi normal sehingga analisis statistik dapat dilanjutkan dengan statistik parametrik.

Langkah kedua dalam analisis statistik adalah menguji beda rerata antara kedua kelompok perlakuan. Kelompok perlakuan pertama (sebelum intervensi) dan kelompok perlakuan kedua (setelah intervensi) dianalisis bedanya dengan independent sample t-test. Mengapa tidak dianalisis dengan paired sample t-test? Walaupun analisis ini akan menguji beda sebelum dan setelah intervensi, tidak ada subjek penelitian yang diukur dua kali. Subjek untuk data sebelum intervensi berbeda dengan subjek untuk data setelah intervensi.

Sebelum melakukan uji beda, mari kita menetapkan hipotesis 0 (H0) dan hipotesis alternatif. Prinsipnya, uji normalitas membandingkan data yang akan diuji dengan data distribusi normal. Hipotesis dalam uji ini ditampilkan dalam Tabel 5. Pada uji beda, kita akan membandingkan nilai p dengan nilai suatu konstanta. Pada tingkat kepercayaan 95%, kita akan membandingkan nilai p dengan angka 0,05. Apabila nilai p>0,05 maka hipotesis nol (H0) diterima. Sebaliknya, apabila nilai p<0,05 maka hipotesis nol (H0) ditolak dan otomatis hipotesis alternatif (Ha) yang diterima.

Hipotesis 0 (H0)	Tidak ada perbedaan antara data sebelum intervensi dan setelah intervensi.
Hipotesis Alternatif (Ha)	Ada perbedaan antara data sebelum intervensi dan setelah intervensi.

Tabel 5 Hipotesis dalam uji beda.

Setelah menetapkan kedua hipotesis, kita dapat langsung melakukan uji beda dengan memerintahkan SPSS untuk melakukan uji independent sample t-test. Hasil uji beda tersebut akan nampak seperti pada Tabel 6.

Tabel 6 Hasil uji independent sample t-test.

Perhatikan angka yang dicetak tebal (0,016). Nilai p tersebut <0,05 sehingga hipotesis nol (H0) ditolak dan hipotesis alternatif (Ha) diterima. Hal tersebut berarti ada beda secara signifikan pada kedua kelompok. Dengan kata lain, data setelah intervensi berbeda secara signifikan dengan data sebelum intervensi.

Interpretasi

Proses analisis yang dijelaskan di atas merupakan salah satu contoh penerapan statistika dalam pengelolaan rumah sakit. Dalam hal ini, secara khusus adalah pengelolaan mutu pelayanan rumah sakit. Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data. Walau demikian, karena pengelolaan rumah sakit bersandar pada sumber-sumber ilmiah tertentu, maka interpretasi atas apa yang telah diterapkan oleh statistika tidak boleh dilakukan secara sembarangan.

Ketika melakukan analisis terhadap data sebelum intervensi, tim mutu di rumah sakit dibiasakan untuk memakai metode tertentu seperti metode tulang ikan atau 5-why’s. Diagram tulang ikan biasa mengungkap berbagai faktor kontributor terhadap suatu masalah. Dalam ilustrasi kasus di atas, dijelaskan ada dua faktor yang menyebabkan waktu tunggu persiapan rawat inap, yaitu panjangnya proses administrasi dan masalah pengantaran atau penjemputan pasien.

Ketika dua masalah tersebut dipecahkan secara konsisten, pengukuran pada bulan berikutnya menunjukkan penurunan waktu tunggu persiapan rawat inap yang yang signifikan secara statistik. Statistika menjelaskan sampai di sini. Apakah penurunan secara signifikan ini akibat intervensi yang dilakukan? Analisis statistik yang tadi dilakukan tidak sepenuhnya bisa menjelaskan. Secara akal sehat, penurunan tersebut sangat mungkin akibat intervensi yang kita lakukan. Mengapa demikian?

Dengan asumsi bahwa penelusuran penyebab lamanya waktu tunggu persiapan rawat inap dilakukan dengan teliti dan sah (benar), maka penyebab yang ditemukan (atau faktor kontributornya) pun juga sahih. Apabila faktor penyebab (atau kontributor) tersebut diatasi, maka secara logis waktu tunggu persiapan rawat inap akan berkurang. Inilah yang kemungkinan besar terjadi pada kasus ini. Dalam kerangka pengelolaan mutu di sistem mikro rumah sakit, interpretasi ini lebih sahih daripada klaim yang hanya berdasarkan naik atau turunnya grafik.

Interpretasi juga dapat dilakukan dengan mencari sumber bukti yang terpercaya mengenai suatu masalah. Misalnya penurunan kejadian infeksi daerah operasi setelah intervensi penggunaan desinfektan baru yang berbasis bukti (evidence-based). Apabila desinfektan yang disarankan suatu penelitian sahih diterapkan, maka penurunan angka infeksi daerah operasi yang mengikutinya merupakan dampak langsung dari penerapan tersebut.

Penutup

Analisis statistik seperti yang diuraikan dalam tulisan ini belum jamak diterapkan dalam pengelolaan mutu di rumah sakit. Bila akan diterapkan pun, seringkali diperoleh kekeliruan dalam pemilihan uji statistik sehingga hasilnya tidak sahih digunakan sebagai dasar pengambilan keputusan oleh manajemen rumah sakit. Diharapkan setelah membaca tulisan ini, tim pengelola mutu di rumah sakit dapat secara rutin menerapkan statistika lebih dalam untuk menganalisis indikator mutu rumah sakit.

Penulis

Artikel ini merupakan pendapat pribadi penulis yaitu dr. Robertus Arian Datusanantyo, M.P.H. Penulis adalah dokter, pernah memimpin instalasi gawat darurat rumah sakit swasta di Yogyakarta. Saat ini penulis merupakan peserta pendidikan dokter spesialis di Fakultas Kedokteran Universitas Airlangga, Surabaya.

 

{jcomments on}