Anda di halaman 1dari 17

BAB 17

SURVIVAL ANALYSIS
PENDAHULUAN
Analisis survival meliputi berbagai cara yang berfokus pada berapa
lama sesuatu itu dapat bertahan

dari waktu ke waktu . Jenis analisis

memiliki aplikasi yang luas dan sewaktu-waktu dapat diaplikasikan untuk


kejadian yang penting misalnya pada kasus studi kohort dan uji klinis.
selain itu berfungsi sebagai dasar untuk pengambilan sampel pada kasus
kontrol dan jenis lain dari analisis risiko.
Analisis survival sangat penting digunakan ketika menganalisis data
yang memiliki risiko yang bervariasi dari waktu ke waktu, Gambar 17.1
menampilkan kurva survival pada penduduk AS tahun 1997 (garis utuh).
Gambar ini juga termasuk contoh dari kurva eksponen decay yang akan
diharapkan ketika risiko kematian konstan dari waktu ke waktu waktu
(garis

putus-putus).

Karena

risiko

kematian

meningkat

seiring

meningkatnya umur, ketahanan hidup yang sebenarnya menurun dengan


cepat pada kelompok umur yang lebih tua. Hal ini menciptakan kurva
survival

yang

berbetuk

"persegi

panjang".

Dengan

demikian,

eksponensial Decay (garis putus-putus, risiko konstan) tidak berlaku untuk


kelangsungan hidup manusia. sebagai contoh, jika kita perhatikan dengan
seksama, risiko kesehatan pada manusia sangat bervariasi dari waktu ke
waktu.

Gambar 17.1. Kurva survival penduduk US tahun 1997 (garis


utuh) dibandingkan dengan exponent decay (garis putus-putus).

Contohnya (Kelompok perlakuan):

sebuah percobaan klinis kecil

mengenai pengobatan penyakit yang mengancam jiwa. Gambar 17.2


menampilkan data untuk 10 subjek sebagai kelompok perlakuan. Studi ini
dimulai pada tahun 1990 dan berakhir pada tahun 1999. Subyek diamati
selama penelitian berlangsung.
Beberapa kemungkinan yang dapat terjadi untuk setiap pasien dalam
percobaan diatas yaitu:
1. Kemungkinan seseorang bisa meninggal
2. Kemungkinan seseorang drop out dari penelitian atau menghentikan
perlakuan (hilang ketika ditindaklanjuti)
3. Kemungkinan seseorang masih hidup pada akhir studi.
Gambar 17.2 Hal-hal yang dapat terjadi pada kelompok perlakukan

Perhatikan bahwa data survival lengkap hanya untuk orang-orang


dalam kategori 1. Orang-orang dalam kategori 2 dan kategori 3 memiliki
data survival yang tidak lengkap dimana mereka masih hidup saat terakhir
diamati. Kami menggabungkan dua kelompok ke dalam kategori yang
disebut penarikan atau disensor. Asumsi penting dari standar analisis
survival bahwa penarikan tidak tergantung pada waktu kelangsungan
hidup. Ini berarti bahwa perkiraaan kelangsungan hidup dari kelompok
penarikan diasumsikan paralel dengan data yang lengkap.

Langkah pertama analisis yaitu mencadangkan waktu observasi dari


setiap subject yang diamati kemudian merubah waktunya dari nol
(Gambar 17.3). Waktu dimulai dari waktu subjek nol baik pada kelompok
penarikan atau kelompok yang mati disebut "person-time of observation"
atau "person-time". Tabel 17.1. Daftar person-time untuk setiap subjek
pengamatan.
Dalam menggambarkan perjalanan kelangsungan hidup pada setiap
kelompok, kita mungkin awalnya susah untuk menentukan rata-rata waktu
kelangsungan hidup orang yang mati. Namun, secara substansial akan
mengurangi perkiraan rata-rata waktu kelangsungan hidup karena
mengabaikan waktu kelangsungan hidup orang dengan data yang tidak
lengkap. Pendekatan yang lebih masuk akal adalah dengan menghitung
tingkat kematian menggunakan person-time, Adapun metodenya yaitu
pada bagian 6.3. Dimana;
=

dimana;

A = Jumlah kematian
ti = person-time untuk subjek
T = jumlah dari person-time (T= )

Contoh ilustrasi terdapat pada tabel 17.1, A= 4, T= 608 bulan dan =


4/608 bulan = 0,00658 bulan. Kebalikan dari nilai ini adalah perkiraan
yang berupa waktu kelangsungan hidup yang diharapkan. Dalam hal ini,
waktu kelangsungan hidup yang diharapkan = 1 / 0,00658 bulan 1 152
bulan. (Bandingkan dengan waktu kelangsungan hidup rata-rata orang
yang mati, yaitu 70/4 = 17,5 bulan, atau bahkan rata-rata person-time
dalam kelompok kohort yaitu 608/10 = 60,8 bulan).

Table 17.1. Treatment Group


Subject

Persont-Months

Outcomes

Death

Death

18

Withdrawal(lost to follow-up)

20

Death

42

Death

75

Withdrawal(lost to follow-up)

95

Withdrawal(truncated)

110

Withdrawal(lost to follow-up)

120

Withdrawal(truncated)

10

120

Withdrawal(truncated)

Walaupun laporan tingkat kematian (atau kebalikannya) lebih banyak


melaporkan rata-rata waktu kelangsungan hidup orang yang mati atau
rata-rata person-time, tingkat kematian disertai dengan asumsi mutlak
yaitu:

Ini menunjukkan tingkat kematian yang konstan dari waktu ke

waktu. Namun, jika kita memperhatikan dengan baik data ilustratif


tersebut, kita melihat bahwa dua dari empat kematian terjadi dalam waktu
6 bulan waktu percobaan dan dari keempat kematian terjadi dalam waktu
42 bulan (3,5 tahun) waktu percobaan. Oleh karena itu, risiko bahaya lebih
tinggi pada awal dilakukannya follow-up (percobaan). Meskipun rataratanya adalah 6,6 per 1000 orang per bulan, adanya hazard yang tidak
konstan perlu ditangani.
Komentar, meskipun teknik survival digunakan untuk berbagai
macam akibat (misalnya, insiden dan kesembuhan), seperti juga istilah
kematian dan mati itu diadopsi untuk seluruh bahasa.
17.2 Pengelompokkan angka berdasarkan waktu follow-up
Salah satu metode sederhana untuk mengatasi hazard yang tidak
konstan yaitu berdasarkan pengelompokan angka sesuai dengan periode
waktu

follow-up

yang

berurutan.

Hal

ini

dilakukan

dengan

mengelompokkan person-time

ke dalam interval 1 sampai K. Angka-

angka tersebut dihitung dalam setiap interval. Dimana

menunjukkan

angka kematian dalam interval k:

Dimana Ak adalah jumlah kematian dalam interval k dan Tk adalah


jumlah person-time dalam interval itu.
Contoh ilustrasi gambar 17.3 untuk membantu perhitungan persontime dan peristiwa yang terjadi dalam setiap interval. Selama tahun
pertama masa follow-up, subjek 1 berkontribusi pada 2 bulan waktu
pengamatan, subjek 2 berkontribusi pada 6 bulan waktu pengamatan, dan
sisanya 8 subjek berkontribusi pada setiap 12 bulan waktu pengamatan.
Oleh karena itu, jumlah person-time selama tahun pertama masa followup yaitu, T1 = 2 + 6 + (8 x 12) = 104 person-months. Selama interval ini,
terdapat 2 kematian (A1). Akibatnya,

= 2 kematian / 104 person-months

= 0,0192-1 bulan.
Table 17.2 Mortality Rates, Stratifield by Duration of Follow-Up
Follow-up
interval (k)

Months

No. Deaths
During Interval
(Ak)

Sum of PersonMonths During


Interval (Tk)

1
2
3
4
5
6
7
8
9
10

0-11
12-23
24-35
36-47
48-59
60-71
72-83
84-95
96-107
108-119

2
1
0
1
0
0
0
0
0
0

104
86
72
66
60
60
51
47
36
26

Mortality Rate
per 1000
Person-Months
( k)
19.2
11.6
0.0
15.2
0.0
0.0
0.0
0.0
0.0
0.0

608

6.6

Overall

Selama tahun kedua masa follow-up, subjek 1 (sekarang mati)


berkontribusi pada 0 bulan waktu pengamatan, subjek 2 (juga mati) pada
0 bulan waktu pengamatan, subjek 3 berkontribusi pada 6 bulan waktu
pengamatan, subjek 4 berkontribusi pada 8 bulan waktu pengamatan dan
sisanya 6 subjek berkontribusi pada 6 x 12 bulan = 72 bulan waktu
pengamatan. person-time follow-up pada tahun kedua adalah adalah T2
= 0 + 0 + 6 + 8 + (6 x 12) = 86 person-time, dimana ada satu kematian.
Oleh karena itu, 2 = 1 kematian / 86 orang-bulan = 0,0116 bulan-1. (Ini
adalah proses yang sulit jika dikerjakan dengan manual karena pada
umumnya menggunakan komputer.)
Tabel 17.2 menunjukkan angka kematian pada

interval tertentu.

Perhatikan bahwa selama 4 tahun pertama masa follow up rata-rata


tingkat kematian yaitu = (19,2 + 11,6 + 0.0 15,2) / 4 = 11,5 per 1.000
orang/bulan. Namun selama 6 tahun terakhir, tidak ada kematian lagi yang
terjadi. Angka kematian kasar sebesar 6,6 per 1000 orang/bulan sehingga
tidak dapat digunakan untuk variabilitas ini.
Angka pengelompokkan ini berdasarkan durasi follow up yang
sederhana dan efektif untuk menangani hazard yang tidak konstan. Hal ini
juga digunakan sebagai metode umum untuk menghitung risiko dari waktu
ke waktu. Adapun kedua metode tersebut adalah metode aktuarial dan
metode Kaplan-Meier.
17.3 Metode aktuarial pada Analisis survival
Metode aktuarial pada analisis survival digunakan untuk menentukan
risiko survival dan kematian secara berturut-turut selama masa follow-up
interval tertentu. dimana;
Nk = Jumlah orang (hidup/masih hidup) selama follow-up Interval k
Wk = Jumlah orang yang drop out selama interval k
Ak = jumlah kematian selama interval k
Tabel 17.3 daftar elemen-elemen data untuk masing-masing data
yang diilustrasikan dalam kolom (2), (3), dan (4). Dapat dilihat bahwa
jumlah orang yang masuk pada interval k + 1 adalah sama dengan jumlah

yang masuk pada interval k dikurangi jumlah drop out dan mati selama
interval tersebut:
Nk+1= Nk Wk Ak
contohnya yaitu, N2 = N1 - W1 - A1 = 10 - 0 - 2 = 8 [kolom (2), baris 2].
Informasi penting yang dibutuhkan untuk membuat tabel aktuarial
yaitu proporsi orang yang mati dalam tiap interval. sebelum menjumlah
proporsi ini, kita perlu mengganti kerugian yang diakibatkan oleh
kelompok penarikan yang terjadi selama interval tersebut. (hal ini tidak
akan sesuai untuk menghitung kelompok penarikan sebagai subjek yang
hidup atau mati, karena akibat yang terjadi tidak pasti). Dengan demikian,
kita harus menghitung jumlah yang efektif "terkena risiko selama interval
tersebut (dilambangkan Nk). Beberapa metode dapat digunakan untuk
menghitung Nk. Metode paling umum mengasumsikan bahwa kelompok
penarikan terjadi sama dari waktu kewaktu. Hal ini akan mengurangi
setengah jumlah orang secara efektif terkena resiko pada kelompok
penarikan :
Nk = Nk - Wk
Sebagai contoh diilustrasikan: delapan orang masuk pada interval
kedua dan satu orang mengundurkan diri (drop out) selama interval
tersebut. Oleh karena itu, N2= 8 -

(1) = 7,5. Jumlah orang yang secara

efektif terkena risiko dalam contoh ilustratif tercantum dalam kolom (5)
tabel 17.3.
Dimana; merupakan proporsi insiden (risiko) selama interval k;
=

sebagai contoh: 2 = 1/7,5 = 0,1333. Nilai proporsi insiden untuk


interval tertentu ditunjukkan pada kolom (6) tabel 17.3

Followup
interval
(k)

Entering
Interval
(Nk)

Withdrawals
(W k)

1
2
3
4
5
6
7
8
9
10

10
8
6
6
5
5
5
4
3
3

0
1
0
0
0
0
1
1
0
1

Death
(Ak)

Effectively
Exposed
to Risk
(Nk)

Proportion
Dying (pk)

Proportion
Surviving
(qk)

2
1
0
1
0
0
0
0
0
0

10.0
7.5
6.0
6.0
5.0
5.0
4.5
3.5
3.0
2.5

0.2000
0.1333
0.0000
0.1667
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000

0.8000
0.8667
1.0000
0.8333
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000

Comulative
proportion
Surviving
to End of
Interval
(Qk)
.8000
.6933
.6933
.5778
.5778
.5778
.5778
.5778
.5778
.5778

Ukuran kelangsungan hidup dalam interval k, tergantung pada titik


dimana subjek masih hidup yang dilambangkan dengan k, yang
merupakan bagian dari ukuran insiden:
k = 1 - k
contohnya: 2 = 1 - 0,1333 = 0,8667. Proporsi kelangsungan Hidup
ditunjukkan pada colomn (7) dari tabel 17.3.
Dengan adanya data diatas maka perhitungan menghitung fungsi
survival sudah dapat dilakukan. Dimana, k menunjukkan proporsi survival
kumulatif selama interval k. hal Ini sama dengan hasil proporsi survival
selanjutnya dan termasuk pada interval saat ini:
k = 1 2 . . . k = k - 1 k
Sebagai contoh data, proporsi kumulatif subjek yang masih hidup
pada tahun kedua, 2 = 2 1= (0,8667) (0,8000) = 0,6933. ukuran ini
kemungkinan bertahan pada interval saat ini dan interval sebelumnya.
Sebaliknya, proporsi kelangsungan hidup spesifik interval ( 2) adalah
tergantung pada jumlah subjek yang masih hidup pada semua interval
sebelumnya. Proporsi kelangsungan hidup kumulatif tercantum dalam
kolom (8) dari Tabel 17.3. data Ini terdiri dari fungsi survival. Fungsi
survival digambarkan pada gambar 17.4.

17.4 Metode Kaplan Meier dalam analisis survival


Metode Kaplan Meier (produk-limit) 1958

mirip dengan metode

actuarial kecuali untuk fakta tempat kematian dan pengunduran diri pada
waktu yang tepat, dibandingkan pada mereka yang berada di tempat
pertengan interval.
Tabel survival

membuat beberapa cek poin yang berdekatan

sementara yang lain berjauhan. Untuk membangun sebuah tabel survival


Kaplan Meier, waktu follow-up tercantum dalam urutan peringkat, yang
mengundurkan diri ditandai dengan tanda plus (+). Data untuk kelompok
perlakuan adalah:
2

18+

20

42

75+

95+

110+ 120+ 120+

Tabel 17.4 menunjukkan data dalam bentuk tabel, dengan kolom


untuk hasil dari setiap kasus (kolom (2) dan jumlah subjek efektif terpapar
dengan risiko sebelum kejadian (kolom (3). Jumlah kematian pada setiap
titik waktu tercantum dalam kolom (4). Proporsi kematian, Proporsi yang
bertahan hidup dan jumlah proporsi yang bertahan hidup. dihitung
sebelumnya, menggunakan rumus 17.5

17.5 Perbandingan Pengalaman survival pada dua kelompok


Teknik-teknik

survival

di

atas

menggambarkan

pengalaman

kelompok tunggal tetapi tidak dapat memberitahu kita tentang bagaimana


ukuran pengalaman kepada orang lain. Untuk tujuan sebagai kontrol, atau
kelompok yang dibutuhkan (tidak terpapar).
Contoh

Ilustrasi

(Kelompok

Kontrol).

Mari

kita

bandingkan

pengalaman survival pada kelompok perlakuan dengan kelompok kontrol.


Waktu survival (bulan) pada kelompok kontrol, dengan pengunduran diri
ditandai dengan + adalah:
48

12

18

40+

60

84

96

108+ 120

Tabel 17.5 adalah tabel lengkap survival Kaplan-Meier untuk kelompok


kontrol.

Gambar 17.6 menampilkan kurva survival Kaplan-Meier untuk


kelompok perlakuan dan kelompok kontrol pada kurva yang sama. Kurva
ini menjelaskan bahwa fungsi survival kedua kelompok saling tumpang
tindih sampai sekitar 60 bulan, setelah itu pengalaman kelompok
perlakuan stabil sedangkan kelompok kontrol terus berkurang. Meskipun
analisis ini didasarkan pada jumlah kecil, tapi sepertinya ada manfaat dari
pengobatan.

Perbedaan Risiko dan Rasio Risiko pada Poin Terpilih


Hubungan antara pengobatan dan survival dapat diukur melalui
perbedaan risiko atau rasio risiko sepanjang poin yang dipilih dari kurva
survival. seperti:
Q1k = jumlah proporsi survival pada kelompok 1 (perlakuan) dalam
waktu (k);
Q0k = kumulatif survival proporsi pada kelompok 0 (kontrol) dalam waktu
(k).

Tabel 17.5. Life Table Kaplan-Meier, Kelompok Kontrol


(1)
Time of
event
(month)

(2)
Event

4
8
12
18
40
60
84
96
108
120

Death
Death
Death
Death
Withdrawal
Death
Death
Death
Withdrawal
Withdrawal

(3)
Exposed
to risk just
before
event
10
9
8
7
6
5
4
3
3
3

(4)
deaths

(5)
Proportion
Dying

(6)
Proportion
Surviving

(7)
Cumulative
Proportion
Surviving

1
1
1
1
0
1
1
1
0
0

1/10
1/9
1/8
1/7
1/6
1/5

1/3
0/3
0/3

9/10
8/9
7/8
6/7
6/6
4/5
3/4
2/3
2/3
2/3

.9000
.8000
.7000
.6000
.6000
.4800
.3600
.2400
.2400
.2400

Jumlah proporsi kejadian (risiko) pada waktu (k) adalah komplemen


dari jumlah proporsi survival. Pada kelompok terpapar (kelompok 1),
kejadian kumulatif P0k = 1 - Q0k. Pada kelompok tidak terpapar (kelompok
0), jumlah perbedaan proporsi kejadian (risiko) saat k adalah:

Dan kejadian proporsi kumulatif (risiko) saat k adalah:

Contoh : Perbedaan risiko anda rasio risiko pada 60 bulan

Lima tahun (60 bulan) setelah perawatan, kelompok perlakuan


menunjukkan kelangsungan hidup proporsi kumulatif dari 0,5714. Oleh
karena itu, proporsi kejadian (risiko) kematian pada 60 bulan adalah P1.60
mo

= 1-,5714 = 0,4286. kelompok kontrol menunjukkan kelangsungan

hidup proporsi kumulatif dari 0,4800. Oleh karena itu P 0.60mo = 1-,4800 =
0,5200. perbedaan risiko dan rasio risiko pada 60 bulan, oleh karena itu,
D60 = 0,4286-0,5200 = -.0914 dan

60 mo=

0,4286 / 0,5200 = 0,82, masing-

masing. interval kepercayaan dan nilai-nilai p untuk perbedaan risiko dan


rasio risiko dihitung dengan cara biasa.
Membandingkan fungsi kelangsungan hidup secara keseluruhan
Analisis jumlah perbedaan risiko

membutuhkan penyidikan untuk

memilih titik waktu untuk analisis ketika banyak poin tersebut mungkin. ini
memiliki potensial untuk memperkenalkan bias dan memiliki masalah
mengabaikan bagian besar data. (hilangnya informasi = mengakibatkan
hilangnya presisi). Masalah tambahan dalam memilih poin untuk
menghitung perbedaan risiko melibatkan datang dengan cara untuk
mengatasi fluktuasi acak dalam terjadinya dari waktu ke waktu. untuk
mengkompensasi masalah

ini,

kita

dapat

membandingkan

fungsi

kelangsungan hidup secara keseluruhan. prosedur Mantel-Haenszel


diperkenalkan pada Bab 14 dapat disesuaikan untuk tujuan ini. Langkah
pertama dalam menerapkan teknik ini adalah untuk mengelompokkan
data ke dalam periode follow-up diskrit. itu, Cochran-Mantel-Haenszel
perbedaan risiko ringkasan

This formula may be rearranged as follows :

(which is the same as formula 14.6)


Contoh Ilustrasi (UGDP)
The University Group Diabetes Project (UGDP, 1970) adalah studi
jangka panjang untuk pasien diabetes yang melibatkan beberapa
pengobatan. Tabel 17.6 merangkum data untuk kelompok yang diberikan
agent hypoglikemic (kelompok 1) dan untuk kelompok yang diberi insulin
(kelompok 0). Tabel 17.7 menunjukkan perhitungan CMH perbedaan
risiko secara statistik. Rata-rata kelompok insulin lebih dari 1,0% kematian
interval per 1 tahun.
Catatan:
1. estimasi Kesalahan standart dan CI untuk CMH
dihitung dengan rumus 14.7 and 14,8 masing-masing,
sesuai dengan kebutuhan.
2. Ketika pengunduran diri dalam kelompok independen,
penyesuaian untuk pengunduran diri (Converting Ngk to
Ngk is optional (Mantel, 1966, pp.164,168)
3. Data survival dari dua kelompok dapat diatur kembali
untuk membentuk beberapa (k) tabel 2x2. Notasi dapat
dilihat pada Tabel 17.8
4. Statistik untuk Mantel-Haenszel statistik rasio risiko
ringkasan dapat dihitung dengan rumus 14.1, 14.2, dan
14.3

Tabel 17.6 data UGDP, Tolbutamid vs Insulin, variabel

Sebuah Statistik Chi-Square digunakan untuk menguji apakah


terdapat perbedaan yang signifikan dalam fungsi survival.
CMH Chi-Square Statistic adalah:

Tabel 17.7 Perhitungan Selisih Ringkasan Risiko, Data UGDP,


Tolbutamid VS Variabel Insulin

Tabel 17.8 Notasi untuk cros tabulasi data, Follow Up untuk Interval
Ka
Death+

Death-

Group 1

A1k

B1k

N1k

Group 2

A0k

B0k

N0k

M1k

M0k

Nk

kelompok pertama menunjukkan keanggotaan kelompok: kelompok


kedua menunjukkan selang waktu tindak lanjut.
Dimana A1k = jumlah kasus yang diamati pada kelompok 1 selama
interval k
E1k = jumlah yang diharapkan dari kasus
terpapar pada kelompok 1, selang

k, dihitung

Vik varian dalam jumlah yang diharapkan dari kasus dalam


kelompok 1, selang K dihitung

Where M1k = N1k - A1k and M0k = N0k - A0k


Uji statistik ini memiliki satu derajat kebebasan
Contoh Illusrative (UGDP)
tabel 17.9