1. Bab 1 Pendahuan
1.1 Pengertian
1.2 Data yang disensor
2. Bab 2 Fungsi dari Waktu Survival
2.1 Definisi
2.2 Hubungan dari Fungsi Survival
3.
juga terjadi apabila individu yang hilang setelah mengikuti periode penelitian. Ada tiga tipe
sensor.
1) Sensor tipe 1
Mempelajari binatang biasanya memulai dengan jumlah tertentu dengan perlakuan
atau perlakuan yang diberikan. Karena dari waktu dan/atau batasan korban, peneliti sering
tidak dapat menunggu sampai mati dari semua binatang. Satu opsi dengan mengamati
suatu priode tertentu dari waktu, katakanlah 10 bulan, setelah binatang survive
dikorbankan. Waktu survival dicatat untuk binatang yang mati selama priode penelitian
dari waktu penelitian dimulai sampai mereka mati. Ini disebut tepat atau observasi tanpa
disensor. Waktu survival dari binatang yang dikorban tidak tepat diketahui, tetapi dicatat
sekurang-kurangnya sepanjang dari periode penelitian. Ini yang disebut observasi yang
disensor. Beberapa binatang dapat hilang atau kebetulan mati. Waktu survival mereka dari
memulai eksperimen sampai hilang atau mati adalah juga observasi yang disensor. Dalam
sensor tipe 1, jika tida ada yang kebetulan, semua observasiyang disensor sama dengan
sepanjang periode penelitian.
Contohnya, andaikan bahwa 10 tikus telah menunjukkan gejala kanker dengan injeksi
tumor sel ke dalam telapak kaki mereka. Waktu pengembangan tumor dari suatu ukuran
pengamatan yang diberikan. Pemeriksa memutuskan untuk mengakhiri eksperimen setelah
30 minggu. Gambar 1.1 plot waktu dari pengembangan tumor tikus A, B dan D
menghasilkan tumor masing-masing 10, 15 dan 25 minggu. Tikus C dan E tidak
menghasilkan pada akhir penelitian; waktu tumor bebas mereka adalah 30 minggu plus.
Tikus F kebetulan mati tanpa sesuatu tumor setelah 19 minggu dari observasi. Data
survival (tumor-free time) adalah 10, 15, 30+, 25, 30+, dan 19+ minggu. (Tanda plus
menunjukkan suatu observasi yang disensor)
Tikus
C
D
E
F
O
x
5
10
15
20
25
30
Waktu (minggu)
Gambar 2.1
2) Sensor tipe 2
Opsi lain dalam meneliti binatang adalah dengan menunggu sampai porsi tertentu dari
binatang yang telah mati, katakanlah 80 dari 100 setelah binatang survive dari yang
dikorbankan. Dalam kasus ini, jika tidak ada kebetulan hilang, observasi yang disensor
sama atau lebih besar dari observasi yang tidak disensor. Contohnya, dalam eksperimen 10
tikus (Gambar 1.2) peneliti dapat memutuskan sampai akhir penelitian setelah 4 dari 10
tikus telah terjangkit tumor. Survival atau waktu tumor bebas adalah 10, 15, 35+, 25, 35,
dan 19+ minggu
Tikus
B
C
D
x
x
E
F
x
hilang
5
10
Gambar 1.2
15
20
25
30
35
3) Sensor tipe 3
Sebagian besar dalam penelitian klinis dari penelitian tertentu dan pasien masuk
penelitian pada waktu yang berbeda selama periode. Beberapa dapat mati sebelum akhir
penelitian; waktu survival mereka tepat diketahui. Yang lain dapat pergi sebelum akhir
penelitian dan mengikuti yang hilang. Masih yang lainnya lagi dapat hidup pada akhir
penelitian. Untuk pasien yang hilang, waktu survival pada sebagian besar dari mereka
menerima hubungan yang akhir. Untuk pasien yang masih hidup, sebagian besar waktu
survival dari yang ada pada akhir penelitian. Dua macam observasi terakhir ini adalah
observasi yang disensor. Jika waktu tidak simultan, waktu yang disensor juga berbeda.
Contohnya, andaikan bahwa 10 pasien dengan leukemia akut masuk ke dalam suatu klinis
penelitianselama satu periode penelitian total dari satu tahun. Andaikan juga bahwa
semuanya 10 merespon perlakuan dan remisi sukses. Waktu remisi diplot dalam Gambar
1.3. Pasien A, C dan E remisi masing-masing pada permulaan bulan ke dua, ke empat dan
ke sembilan sukses dan sakit lagi berturut-turut setelah bulan ke 4, 10, dan ke 3. Pasien B
remisi pada permulaan bulan ke 3 sukses, tetapi hilang mengikutiakhir bulan ke 4; remisi
berdurasi lebih dari 4 bulan. Remisi pasien D dan F sukses pada permulaan bulan ke 5 dan
ke 10, dan dalam remisi terakhir dari penelitian; waktu remisi mereka lebih besar 8 dan 3
bulan. Waktu remisi masing-masing dari 10 pasien adalah 4, 4+, 6, 3, dan 3+ bulan.
Observasi yang disensor Tipe 1 dan Tipe 2 juga disebut data sensor tunggal dan data
iksensor tipe 3 progresif (Cohen,1965). Sensoring tipe 3 biasa juga menggunakan nama
sensor random. Semua tipe sensor ini adalah benar sensor atau sensor dengan benar. Bila
tidak ada observasi yang disensor, waktu hidup survival adalah lengkap.
Kita akan meneliti metode deskriptif dan analitik untuk yang komplit, data survival
sensor tunggal dan sensor progresif menggunakan teknik teknik numerik dan grafik.
Metode analitik dibicarakan termasuk parametrik dan nonparametrik. Pendekatan
parametrik digunakan, bila model sesuai atau distribusi cocok dengan data atau bila
distribusi dapat diasumsikan untuk populasi dari sampel yang digambarkan. Distribusi
survival biasa menggunakan eksponensial, Weibull, lognormal dan Gamma. Jika suatu
distribusi survival dibangun dengan data yang tepat, pola survival dapat digambarkan
dengan parameter dalam cara kompak. Statistika inferensi dapat didasarkan pada distribusi
yang terpilih. Jika memeriksa untuk suatu model yang sesuai dari distribusi adalah juga
menghabiskan atau tidak secara ekonomik atau tidak secara teoritik data distribusi cukup
mampu, metode nonparametrik, yang secara umum mudah diaplikasikan.
+
B
hilang
C
+
D
E
+
F
5 6 7 8 9 10 11 12 akhir penelitian
Waktu (bulan)
Gambar 1.3 Contoh dari data sensor tipe III
2.1 Definisi
Misalkan T merupakan waktu survival. Distribusi dari T dapat digolongkan dengan
tiga fungsi yang equivalent sebagai berikut
1) Fungsi survivorship (fungsi survival).
Fungsi ini dinyatakan dengan S(t), didefinisikan sebagai probabilitas individual yang survive
lebih lama dari t:
S ( t )=P (individual yang survave lebihlama dari t)
P(T > t )
(2.1)
(2.2)
Praktisnya, jika tida ada observasi yang disensor, fungsi survivorship diestimasi
sebagai proporsi dari lama pasien survive dari t:
Jumlahlama pasien survive dari t
S^ ( t )=
Jumlah total pasien
S(t)
(2.3)
S(t)
1,0
1,0
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
10 20
30 40
50
60
10 20
30 40
(a)
50
60
(b)
pasien yang survive lebih dari 11 tidak diketahui. Salah satu pasien ke tiga atau ke empat (6+
dan 10+) dapat survive lebih lama atau kurang dari 11. Jadi, bila observasi yang disensor
adalah sekarang, (2.3) tidak tepat untuk mengestimasi S(t).
2) Fungsi densitas probabilitas (Fungsi densitas)
Seperti suatu variabel random kontinu lain, waktu survival T mempunyai suatu fungsi
densitas probabilitas yang didefinissikan sebagai limit dari probabilitas tentang kegagalan
individu dalam interval yang pendek t sampai t+ t per satuan lebar t , atau disingkat
probabilitas dari kegagalan dalam suatu interval yang sempit per satuan waktu. Itu dapat
dapat ditunjukkan sebagai
f ( t )= lim
nt
Grafik f(t) disebut kurva densitas. Gambar 2.2 (a) dan (b) memberikan dua contoh kurva
densitas. Fungsi densitas mempunyai dua sifat sebegai berikut:
f(t)
1,0
1,0
2
(a)
(b)
Gambar 2.2 Dua contoh kurva densitas.
Sama dengan estimasi S(t), bila observasi yang disensor adalah sekarang, persamaan (2.5)
tidak dapat digunakan.
Proporsi individu tentang kepastian dalam interval waktu dan puncak ketinggian
frekuensi dari kegagalan dapat dibangun dari densitas. Kurva densitas dalam Gambar 2.2 (a)
memberikan pola nilai kegagalan tinggi pada permulaan penelitian dan mengurangi nilai
kegagalan seperti pertambahan waktu. Dalam Gambar 2.2 (b), ketinggian puncak kegagalan
frekuensi terjadi kira-kira 1,7 satuan waktu. Proporsi individu tentang kepastian antara 1 dan
2 satuan waktu adalah sama dengan luas daerah antara kurva densitas dan sumbu t. Fungsi
densitas juga diketahui seperti nilai kegagalan tidak bersyarat.
3) Fungsi Hazard
Fungsi hazard h(t) dari waktu survival T memberikan nilai kegagalan bersyarat. Indi
didefinisikan sebagai probabilitas dari kegagalan selama interval waktu yang sangat sempit,
dengan asumsi bahwa individu telah survive pada permulaan interval,atau seperti limit dari
probabilitas bahwa kepastian individu dalam interval yang sangat pendek, t sampai t+ t
per satuan waktu yang diberikan bahwa individu telah survive pada waktu t:
h ( t ) = lim
n t
(2.6)
Fungsi hazard dapat juga didefinisikan dalam bentuk fungsi distribusi kumulatif. F(t) dan
fungsi densitas probabilitas f(t) :
h (t)=
f (t)
1F(t )
(2.7)
Fungsi hazard juga diketahui seperti instantaneous failure rate, force of mortality,
conditional mortality rate dan age-specific failure rate. Itu adalah suatu ukuran kegagalan
sebagai suatu fungsi dari umur individu dalam penertian kuantitas proporsi ke t yang
diharapkan dari umur individu t yang dipastikan dalam interval waktu pendek t sampai
t+ t . Fungsi hazard memberikan resiko kegagalan per satuan waktu selama proses umur.
Praktisnya, bila tidak ada observasiyang disensor, fungsi hazard diestimasi seperti
proporsi pasien mati dalam interval per satuan waktu yang diberikan bahwa mereka telah
survive pada permulaan interval.
Jumlah pasien mati dalam permulaan interval pada waktu t
h^ ( t ) =
( Juml ah pasien survive pada t ) (panjang interval)
(2.8)
Aktuaris biasanya menggunakan nilai rata-rata hazard dalam interval dari jumlah
pasien mati persatuan waktu dalam interval dibagi dengan jumlah rata-rata survivor pada titik
tengah interval:
^ )=
h(t
(2.9)
Estimasi aktuarial dalam (2.9) memberikan nilai hazard tertinggi melalui (2.8) sehingga
estimasi lebih konservatif.
Fungsi hazard bisa bertambah, berkurang, tetap konstan, atau mengindikasikan proses
lebih komplit. Gambar 2.3 dari beberapa macam plot fungsi hazard. Contohnya, pasien dari
leukemia akut yang tidak mendapat respon dari perawatan mempunyai suatu pertambahan
haazard, h1 ( t ) , h2 (t) adalah fungsi hazard yang berkurang, contohnya, ciri-ciri prajurit
yang terluka dengan peluru menjalani operasi. Bahaya utama adalah operasi sendiri dan
bahaya ini berkurang, jikaa operasi saangat sukses, Suatu contoh dari suatu fungsi hazard
yang konstan, h3 (t ) , adalah resiko kesehatan sendiri antara 18 dan 40 tahun dari umur
yang beresiko utama mati adalah kebetulan. Jika disebut kurva bak mandi,
h4 (t)
menggambarkan proses manusia hidup. Selama periode awal resiko tinggi. Sesudah itu,
penundaan h(t) yang konstan kira-kira sampai waktu tertentu, setelah bertambahnya karena
digunakan sampai sampai gagal. Akhirnya, pasien dengan tuberkulosis mempunyai resiko
penambahan tertentu, maka sesudah perawatan akan berkurang. Karena itu, suatu
penambahan lalu penguranganfungsi hazard digambarkan dengan h5 (t ) .
Fungsi hazard kumulatif didefinisikan sebagai
t
H (t )= h ( x ) dx
(2.10)
h(t)
h1 (t)
h4 (t)
h3 (t )
h5 (t )
h2 (t)
0
Gambar 2.3 Contoh fungsi hazard
H (t )=log e S (t)
(2.11)
t= , S(t) = 0,
H (t )= . Fungsi hazard
5
7
6
4
5
4
4
0
2
1
2
^
^
a) Hitunglah taksiran fungsi survival ( S ( t ) ), fungsi densitas probabilitas ( f (t)
^
dan fungsi hazard ( h(t ) ),
b) Berikan hubungan secara grafik yang diplot dalam gambar.
Penyesaian :
a) Dari Tabel 2.1
Waktu survival Jumlah pasien
t
yang survive
pada
(Bulan)
permulaan
interval
05
40
5 10
35
10 15
28
15 20
22
Jumlah
pasien mati
dalam
interval
5
7
6
4
S^ ( t )
f^ ( t )
h^ ( t )
1,000
0,875
0,700
.........
0,025
0,035
0,030
.........
0,027
0,044
0,048
.........
20 25
25 30
30 35
35 40
40 45
45 50
50
18
13
9
5
5
3
2
5
4
4
0
2
1
2
Pada permulaan interval pertama, yaitu semua dari 40 pasien adalah masih hidup
sehingga
40
S^ ( 0 )= =1,000
40
35
S^ (5 )= =0,875
Pada interval ke dua tinggal 35 sehingga
40
dan seterusnya.
Untuk mengestimasi fungsi densitas Probabilitas dapat dihitung dengan persamaan (2.5)
5
=0,025
( 40 ) ( 5 )
7
=0,035
dan seterusnya.
( 40 ) ( 5 )
5
5 40
2
7
5 35
2
=0,027
=0,044
b) Gambar grafiknya
dan seterusnya.
1,0
0,8
0,6
0,4
0,2
5
15
25
3,5
45 50
t (bulan)
(a)
0,04
0,03
0,02
0,01
5
15
25
(b)
35
45
t (bulan)
^ )
h(t
0,100
0,075
0,075
0,025
15
25
35
45
t (bulan)
(c)
Gambar 2.4
Dari Tabel 2.1 atau Gambar 2.4 median waktu survival dari pasien myelome
diperkirakan 17,5 bulan dan puncak tertinggi frekuensi kematian terjadi pada 5 sampai 10
bulan. Fungsi hazard menunjukkan suatu penambahan trend dan puncaknya kira-kira
mencapai 32,5 bulan dan fluktuatif.
2.2 Hubungan Fungsi Survival
Untuk menghubungkan secara matematik diantara tiga fungsi survival dapat melalui
fasal ini tanpa mengurangi kontinuitas;
1. Dari (2.2) dan (2.7)
h (t)=
f (t )
S (t )
(2.12)
Hubungan ini dapat diperoleh dari (2.6) menggunakan dasar definisi dari probabilitas
bersyarat.
2. Karena fungsi densitas probabilitas adalah turunan dari fungsi distribusi kumulatif,
sehingga
d
f ( t )= [ 1S ( t ) ]=S' (t )
(2.13)
dt
3. Substitusi (2.13) ke dalam (2.12) menghasilkan
S' (t ) d
h (t)=
= [ l oge S ( t ) ]
dt
S (t )
4. Integral dari 0 sampai t dengan menggunakan S(0) = 1, didapat
(2.14)
h( x)dx=log e S (t)
0
atau
H (t )=log e S (t)
atau
H (t )
S ( t )=e
h (x)dx
=e
(2.15)
(2.16)
Jika f(t) diketahui, fungsi survivorship S(t) dapat diperoleh dari hubungan dasar
diantara f(t), F(t) dan (2.2). Fungsi hazard dapat dihitung dari (2.12). Jika S(t) diketahui, f(t)
dan h(t) berturut-turut dapat dihitung dari (2.13) dan (2.12) atau pertama h(t) dapat diperoleh
dari (2.14) dan melelui f(t) dari (2.12). Jika h(t) diketahui, S(t) dan f(t) berturut-turut dapat
diperoleh dari (2.15) dan (2.16).
Contoh 2.2
Andaikan bahwa waktu survival dari suatu populasi mempunyai fungsi densitas berikut :
t
f ( t )=e , t 0 .
Hitung
a) Fungsi distribusi F(t) !
b) Fungsi survival S(t)
c) Fungsi hazard
Penyelesaian:
t
a)
b)
c)
h (t)=
f ( t ) et
= =1
S ( t ) et
(2.2)
t (i)
ni
i
S^ ( t (i) )=
=1
n
n
(3.1)
t (i)
t (i)
, maka
n4
S^ ( t (2) ) =S^ ( t ( 3) )= S^ ( t ( 4 )) =
n
S^ ( t (n) ) =0
dan
Dalam prakteknya,
S^ (t)
(3.2)
tidak mempunyai keraguan tentang interval di antara waktu survival yang berbeda di mana
^
bukan satu mati dan S (t) sisanya konstan. Persamaan (3.1) dan (3.2) menunjukkan bahwa
S^ (t)
1
n
adalah suatu langkah memulai fungsi pada 1,0 dan pengurangan dalam langkah dari
dengan nol. Bila
S^ (t)
^
dibaca dari grafik atau dihitung dari S (t) .
Contoh 3.1
Andaikan suatu percobaan klinis di mana 10 pasien kanker paru-paru dilanjutkan dengan
^
mati. Tabel 3.1 daftar waktu survival t dalam dalam bulan. Fungsi S (t) dihitung melalui
(4.1)
^
Tabel 3.1 Perhitungan dari S (t) untuk 10 pasien kanker paru
t
4
5
1
2
S^ (t)
9/10 = 0,9
8/10 = 0,8
6
8
8
8
10
10
11
12
3
4
5
6
7
8
9
10
7/10 = 0,7
4/10 = 0,4
4/10 = 0,4
4/10 = 0,4
2/10 = 0,2
2/10 = 0,2
1/10 = 0,1
0/10 = 0,0
dan diplot sebagai suatu langkah fungsi dalam Gambar 3.1 (a) dan sebagai suatu kurva
smooth dalam Gambar 3.1 (b). Estimasi waktu survival median adalah 8 bulan dari Gambar
3.1 (a) atau 7,6 dari Gambar 3.1 (b). Suatu estimasi yang lebih akurat dapat diperoleh
menggunakan interpolasi linear:
S^ (t)
t
6
m
8
0,7
0,5
0,4
86
8m
=
0,40,7 0,40,5
m=8
2 ( 0,1 )
=7,3 (bulan)
0,3
S^ (t)
S^ (t)
1,0
1,0
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
Bulan
(a)
10 12
Bulan
(b)
10 12
^
Gambar 3.1 Fungsi S (t) dari pasien kanker paru dalam contoh 4.1
Secara teori,
S^ (t)
diantara dua waktu survival yang diobservasi tepat. Akan tetapi, bila median waktu survival
harus diestimasi dari suatu kurva survival, kurva smooth (Gambar 4.1 (b)) dapat memberikan
banyak suatu estimasi terbaik dari pada langkah, seperti yang dicirikan dalam contoh.
Metode ini hanya dapat diaplikasikan jika semua pasien selanjutnya mati. Jika
beberapa dari pasien masih hidup pada akhir penelitian , suatu perbedaan metode dari
mengestimasi S(t), seperti estimasi PL yang diberikan oleh Kaplan dan Meier (1958), yang
diperlukan.
Andaikan bahwa 10 pasien bersama suatu penelitian klinis pada awal 1988; bahwa
waktu itu 6 pasien mati dan 4 survive. Pada akhir tahun, 20 tambahan pasien bersama
penelitian. Dalam 1989, 3 pasien yang termasuk dalam awal 1988 dan 15 pasien yang
termasuk belakangan mati, berturut-turut membiarkan satu dan lima surviv0r. Andaikan
bahwa penelitian berhenti pada akhir 1989 dan anda mau mengestimasi proporsi dari pasien
dalam populasi yang survive untuk dua tahun atau lebih, yaitu S(2).
Kelompok pasien pertama dalam contoh ini diikuti dua tahun sedangkan kelompok ke
dua hanya diikuti atu tahun. Satu estimasi yang mungkin, reduced-sample estimate, adalah
1
S^ ( 2 )= =0,1
, yang 20 pasien diabaikan, yang hanya diikuti satu tahun. Kaplan dan
10
Meier percaya bahwa sampel ke dua di bawah observasi untuk hanya satu tahun, dapat
kontribusi untuk estimasi S(2).
Pasien yang survive dua tahun dapat dianggap seperti yang survive tahun pertama dan
lalu survive lebih satu tahun. Jadi, probabilitas dari yang survive dua tahun atau lebih adalah
sama dengan probabilitas dari yang survive tahun pertama dan lalu yang survive lebih satu
tahun. Yaitu,
S(2) = P(yang survive tahun pertama dan lalu yang survive lebih satu tahun) yang
dapat ditulis sebagai
S(2) = P(yang survive dua tahun, diketahui pasien telah survive tahun pertama)
P(yang survive tahun pertama)
(3.3)
Estimasi Kaplan Meier dilanjutkan (3.3) adalah
S(2) = (proporsi pasien yang survive dua tahun yang diketahui mereka survie ontuk satu
tahun) (proporsi pasien yang suervive satu tahun)
(3.4)
Untuk data yang diketahui di atas, satu dari 4 pasien yang telah survive tahun pertama
telah survive dua tahun, jadi proporsi pertama dalam (3.4) adalah 1/4. Empat dari 10 pasien
yang termasuk pada awal 1988 dan 5 dari 20 pasien yang termasuk pada akhir 1988 telah
survive satu tahun. Oleh karena itu, proporsi dalam (4.4) adalah (4+5)/(10+20). Estimasi PL
dari S(2) adalah
1
4+5
S^ ( 2 )=
=0,25 0,3=0,075
.
4 10+20
Rumus sderhana ini dapat digeneralisasi sebagai berikut: Probabilitas dari
k ( 2)
yang survive atau lebih setahun dari permulaan penelitian adalah suatu hasil dari nilai k
survival yang diobservasi.
S^ ( k )= p1 p2 p3 p k
di mana
(3.5)
p1
p2
merupakan proporsi pasien yang survive tahun ke dua setelah mereka telah
merupakan proporsi pasien yang survive tahun ke dua setelah mereka telah
survive k 1 tahun.
Oleh karena itu, estimasi PL dari probabilitas beberapa yang survive, khusus jumlah
tahun dari permulaan penelitian adalah hasil dari estimasi yang sama sampai tahun
sebelumnya, dan nilai survival yang diobservasi untuk thun tertentu, yaitu
S^ ( t )= S^ (t1) pi
(3.6)
Kolom 1 memuat semua waktu survial ke duanya yang disensor dan tidak disensor
dalam urutan dari terkecil sampai terbesar. Tambahan suatu tanda plus untuk
observasi yang disensor. Jika suatu observasi yang disensor mempunyai nilai yang
sama seperti suatu yang tidak disensor belakangan akan muncul pertama.
2. Kolom ke dua, label i terdiri dari rank yang berkoresponden setiap observasi dalam
kolom 1.
3. Kolom ke tiga, label r, hanya menyangkut untuk observasi yang tidak disensor.
Misalkan r = i.
t
pi
4. Perhitungan (n r)/(n r + 1) atau
, untuk setiap observasi (i) yang disensor
t (i)
S^ (t )
termasuk t. Jika beberapa observasi yang disensor adalah mati, akan digunakan
S^ (t ) terkecil.
Untuk menyederhanakan cara ini, misalkan n adalah jumlah total dari yang individu
waktu survival, disensor atau tidak, adalah yang tersedia. Pelabelan n waktu survival dalam
t t , , t (n)
urutan dari besarnya yang meningkat sedemikian sehingga (1) (2)
. Maka
nr
S^ ( t )=
t t nr +1
(3.7)
(r )
t (r) t
dan
t (r)
tidak
disensor. Nilai r adalah bilangan bulat yang berurutan 1, 2, ... ,n jika tidak ada observasi yang
^
disensor. Jika ada observasi yang disensor, yang mana nilai t pada S ( t )=0,50 .
Contoh 3.2.
Andaikan lamanya lamanya remisi berikut yang diamati dari 10 pasien (n = 10) dengan solid.
Enam pasien sakit lagi pada 3,0 6,5 6,5 10 12 dan 15 bulan; 1 pasien hilang mengikuti pada
8,4 bulan; dan 3 pasien masih dalam remisi pada akhir penelitian sesudah 4,0 5,7 dan 10
bulan. Hitunglah
a)
S^ (t )
S^ (t )
pada
t=t (i)
dihubungkan dengan
(3.8)
di
t (i)
mana
dan
t (i1)
observasi
yang
disensor.
Misalnya,
1
1
9 6 5 3
S^ (12 )=S^ (10 ) =0,482 =0,241
S^ (10 )= =0,482
,
dengan
.
2
2
10 7 6 4
S^ (t)
^
Tabel 3.2 Perhitungan estimasi PL dari S (t) untuk data dalam contoh 3.2
Waktu Remisi
t
Rank
i
3,0
4,0+
5,7+
6,5
6,5
8,4+
10,0
10.0+
12,0
15,0
1
2
3
4
5
6
7
8
9
10
r
1
4
5
7
9
10
(n r)/(n r + 1)
9/10
6/7
5/6
S^ (t)
9/10=0,900
9/106/7 = 0,771
9/106/75/6 = 0,643
9/106/75/63/4 = 0,482
9/106/75/63/41/2 = 0,241
-
6
8
Bulan
10
12
14
16
^
Gambar 3.2 Fungsi S (t) dari contoh 3.2a
Jika tidak ada observasi yang disensor atau t korban lebih dahulu, (3.7) adalah
equivalent dengan (3.1).
^
Variansi estimasi PL terhadap S (t) diperkirakan dengan
1
r ( nr ) (nr +1)
Var [ ^S ( t ) ]
S^ (t) 2
(3.9)
t (r) t
dan
t (r)
berkoresponden dengan
1
1
+
=0,0352
( 9110 + 6 71 + 5 6
3 4 )
Var [ S^ (10 ) ]=
dan standar error yang diestimasi adalah 0,1876. Dalam contoh 3.1
0,7
1
1
1
+
+
=0,0210
( 9 10
8 9 7 8 )
Var [ S^ ( 6 ) ]=
dan standar error yang diestimasi adalah 0,145. Variansi dapat digunakan ontuk memperoleh
interval konvidensi untuk S(t).
Contoh 3.3.
Andaikan waktu tumor bebas dalam hari dari 30 tikus terhadap diet pengurangan gemuk
dalam tabel 3.3. Tabel 3.4 memberikan perhitungan estimasi PL dari S(t) dan standar error
^
dari S (t) .
Tabel 3.3 Waktu tumor bebas (hari) dari 90 tikus terhadap tiga diet yang berbeda
Tikus
1
2
3
Pengurangan gemuk
140
177
50
Tikus
1
2
3
terpenuhi
124
58
56
Tikus
1
2
3
Tidak terpenuhi
112
68
84
4
65
4
68
4
109
5
86
5
79
5
153
6
153
6
89
6
143
7
181
7
107
7
60
8
191
8
86
8
70
9
77
9
142
9
98
10
84
10
110
10
164
11
87
11
96
11
63
12
56
12
142
12
63
13
66
13
86
13
77
14
73
14
75
14
91
15
119
15
117
15
91
16
140+
16
98
16
66
17
200+
17
105
17
70
18
200+
18
126
18
77
19
200+
19
43
19
63
20
200+
20
46
20
66
21
200+
21
81
21
66
22
200+
22
133
22
94
23
200+
23
165
23
101
24
200+
24
170+
24
105
25
200+
25
200+
25
108
26
200+
26
200+
26
112
27
200+
27
200+
27
115
28
200+
28
200+
28
126
29
200+
29
200+
29
161
30
200+
30
200+
30
178
Sumber: King et al. 1979. Data are used by permission of the author.
Estimasi S(t) dapat diplot dengan median waktu tumor bebas dapat diperkirakan 189
hari.
^= S^ ( t ) dt
0
yaitu,
t (m)
(1)
(2)
t t t
(m)
(jika ada m
(identik
t (m) =t (n)
diestimasi sebagai
bila
t (n)
dapat
(3.10)
di mana jumlah daerah empat persegi panjang di bawah kurva survival yang dibentuk oleh
observasi yang disensor. Andaikan data contoh 3.2 m = 6,
t (3)=6,5 ,
t (4) =10 ,
t (5)=12 , dan
t (1)=3,0 ,
t (2)=6,5 ,
^=1,000 3,0+ 0,900 ( 6,53,0 ) +0,643 ( 106,5 ) +482 ( 1210 ) +0,241 ( 1512 ) =3,000+3,150+2,251+0,964
10,088 bulan.
Akan tetapi, jika observasi terbesar dalam data yang disensor dan swperti
t (m)
yang digunakan dalam (3.10), sehingga dapat diperoleh suatu estimasi yang rendah. Seperti
kasus Irwin (1949) malahan mendukung tentang pengestimasian rata-rata waktu survival,
akan memilih satu limit waktu L dan estimasi yang membatasi rata-rataa waktu survival
(m)
(L)
dengan suatu waktu L, katakanlah
, dengan menggunakan L untuk t
dalam
(3.10). Misalnya, jika dalam contoh 3.2 observasi terbesar yang disensor, yaitu, 15+ dan jika
misalkan L = 16, maka
^(16) =3,000+3,150+2,251+0,964+ 0,241 ( 1612 )=10,329
bulan
^ diestimasi dengan
A 2r
Var ( ^ )=
r ( nr ) (nr+ 1)
di mana run r melalui bilangan bulat untuk
adalah daerah di bawah kurva
S^ ( t )
dengan
(3.11)
tr
t (r)
(3.12)
S^ (t)
S^ (t)
50
12
56
65
nr
nr +1
S^ (t)
29
30
29
=0,967
30
28
29
27
28
^
Standar Error dari S (t)
1
2 =0,033
( 29 )( 30 )
0,967 2
28
0,967
=0,933
29
( )
1
1
2
27
+
2 =0,046
0,933
=0,900 0,933
( 29 )( 30 ) ( 28 ) (29 )
28
( )
13
66
14
9
10
5
11
15
1
16
6
73
77
84
86
87
119
140
140+
153
5
6
7
8
9
10
11
12
13
5
6
7
8
9
10
11
13
177
14
14
7
8
17
18
19
20
21
22
23
181
191
200+
200+
200+
200+
200+
200+
200+
15
16
17
18
19
20
21
22
23
15
16
-
26
27
25/26
24/25
23/24
22/23
21/22
20/21
19/20
17/18
16/17
15/16
14/15
-
1
1
1
+
+
2 =0,055
26
(
29
)(
30
)
(
28
)(
29
)
(
27
)(
28
)
0,900
=0,867
27
0,900 2
0,833
0,800
0,767
0,062
0,733
0,700
0,667
0,068
0,633
0,073
0,077
17
0,633
=0,598
0,081
18
0,084
0,598(16/17) = 0,086
0,088
0,563
0,528
0,090
0,493
0,091
0,092
0,092
-
( )
( )
24
25
26
27
28
29
30
200+
200+
200+
200+
200+
200+
200+
24
25
26
27
28
29
30
Jika tidak ada observasi yang disensor, mereduksikan (3.10) untuk rata-rata sampel
t = 1 t i
, dan mereduksi untuk
n
t 2t 2
var ( ^ ) =var (t )=
(3.13)
yang mana bukan estimasi takbias. Kaplan dan Meier mendukung tentang (3.11) dan (3.13),
masing-masing diperkalikan dengan m/(m-1) dan n/(n-1) untuk bias yang sebenarnya.
Anggaplah waktu survival dalam contoh 3.1: rata-rata sampel adalah
bulan dan variansi yang diestimasi dari
= 10/9 dikalikan, estimasi variansi dari
Untuk mennghitung variansi
A 1 , A 4 , A 5 , A7 dan A9
Ar
menjadi 0,684.
pertama adalah
t = =8,2
ke dua adalah
A 4 =S^ ( t (2) ) ( t (3)t (2) ) + + S^ ( t (5) ) (t (6 )t (5) )
Ar
Jadi
2
7,088
3,938 2
3,938 2
2
1,687
0,723 2
^
V
ar ( ^ )=
m
6
=
m1 5
penyelesaian tidak menjadi khusus. Anggaplah Gambar 3.3 (a), di mana kurva survival
^
t
t
adalah horizontal pada S ( t )=0,5 , beberapa nilai t dalam interval 1 sampai 2
adalah suatu estimasi yang layak dari median. Suatu penyelesaian praktis adalah
mengambil titik tengah dari interval seperti estimasi PL dari median. Gambar 3.3 (b)
t
memperkenalkan suatu kasus yang berlainan dalam estimasi yang jelas ( 1 ) median
cederung overestimate. Suatu cara praktis untuk menangani masalah ini adalah
menghubungkan titik-titik dan kemudian lokasi median.
3. Jika kecil dari 50% untuk observasi yang tidak disensor dan observasi terbesar yang
disensor, median waktu survival tidak dapat diestimasi. Suatu cara praktis untuk
menangani situasi adalah menggunakan probabilitas yang survive dari suatu perpanjangan
waktu yang diberikan, katakanlah satu, tiga, atau lima tahun, atau rata-rata batasan waktu
survival untuk suatu waktu t yang diberikan.
4. Asumsi metode PL tentang mensensor adalah independen dari waktu survival. Dengan
kata lain, alasan suatu observasi yang disensor adalah tidak berkorelasi dengan sebab
kematian. Asumsi ini benar, jika pasien adalah masih hidup pada akhir periode penelitian.
Akan tetapi, asumsi dilanggar jika pasien menghasilkan pengaruh yang merugikan dari
percobaan dan dikuatkan dengan menunda penelitian sebelum kematian atau jika kematian
pasien dari sebab yang lain dari pada di bawah penelitian. Bila ada sensor yang tidak tepat,
metode PL adalah tidak tepat. Praktisnya, satu cara untuk menjauhi masalah adalah
menghidarinya atau mengurangi nya dengan suatu yang minimum.
0,5
0,5
t1
t1
(a)
t2
(b)
5.
Dengan estimasi serupa yang lain, standar error (SE) dari estimator Kaplan Meier untuk
^
S(t) diberikan suatu ciri dari potensial error untuk S (t ) . Interval konfidensi lebih tepat
diperhatiakan dari pada estimasi titik
S^
adalah S^ ( t ) 1,96 SE .
4.2 Analisis Table Live
Metode life table adalah satu dari teknik terlama untuk pengukuran mortality dan
menggambarkan pengalaman survival dari suatu populasi. Itu telah digunakan dengan
aktuaris, demografi, agen pemerintah dan meneliti obat obatan dalam penelitian survival,
pertumbuhan populasi, fertility, migrasi/perpindahan, lama usia perkawinan, lama waktu
bekerja dan lain sebainya. Telah ada suatu rangkaian masa dari life table pada semua
populasi US sejak 1900. Negara dan pemerintal lokal juga telah menerbitkan life table. Life
table ini, meringkas pengalaman mortalitydarai suatu populasi khusus untuk periode waktu
khusus yang disebut populasi life table. Seperti klinis dan riset epidemiologi menjadi lebih
umum, metode life table telah digunakan pada pasien dengan penyakit yang diketahui
untuk mengikuti suatu priode waktu. Life table dikonstruk untuk pasien yang disebut life
table klinis. Meskipun populasi dan life table klinis adalah serupa dalam perhitungan,
sumber, sumber data yang diperlukan adalah berbeda.
4.2.1 Populasi Life Table
Ada dua macam populasi life table : cohort life table dan current life table.
Cohort life table melukiskan survival atau pengalaman mortality dari kelahiran sampai
kematian dari suatu personal cohort (kelomok) khusus yang menghaslkan tentang waktu yang
sama, contohnya, semua pribadi dihasilkan pada 190.