Analisis Survival dengan Regresi Cox

BAB I PENGERTIAN
1. Definisi
Analisis survival merupakan serangkaian metode untuk
menganalisis data di mana variabel outcome yang diteliti adalah
waktu munculnya suatu kejadian. Kejadian yang dimaksud bisa
berupa kematian, munculnya penyakit, pernikahan, perceraian,
dan sebagainya. Contohnya, apabila kejadian yang akan diteliti
adalah serangan jantung, maka survival time dapat berupa
waktu dalam tahun hingga seseorang mengalami serangan
jantung.

Tidak seperti model regresi biasa, metode analisis survival

menggabungkan dengan tepat informasi dari observasi censored
dan uncensored dalam meng-estimasi parameter model penting.
Variabel dependen dalam analisis survival terdiri dari dua
bagian: waktu terjadinya kejadian dan status kejadian, yang
mencatat apakah kejadian yang diteliti muncul atau tidak.
Peneliti dapat meng-estimasi dua fungsi yang bergantung pada
waktu, yaitu fungsi survival dan fungsi hazard. Dua hal ini adalah
konsep kunci dalam analisis survival untuk menggambarkan
distribusi kejadian.
Fungsi survival memberi probabilitas survival (atau tidak
mengalami kejadian). Fungsi hazard memberi potensi
munculnya kejadian per satuan waktu, mengingat seseorang
telah bertahan (survive) sampai waktu tertentu.
Biasanya tujuan studi survival adalah untuk menjelaskan
hubungan antara faktor yang diteliti dengan waktu munculnya
kejadian, dengan adanya beberapa kovariat seperti umur, jenis
kelamin, ras, dan lain sebagainya. Beberapa model tersedia
untuk menganalisis hubungan antara serangkaian variabel
prediktor dengan waktu survival, termasuk di antara metode
parametrik, nonparametrik, dan semiparametrik.

Metode parametrik mengasumsikan distribusi yang mendasari

waktu survival mengikuti distribusi probabilitas tertentu yang
telah diketahui. Metode parametrik yang populer termasuk
metode eksponensial, Weibull, dan distribusi lognormal.
Deskripsi dari distribusi waktu survival dan perubahan dalam
distribusi fungsi prediktor merupakan faktor yang ingin diteliti.
Parameter model dalam pengaturan ini biasanya diestimasi
menggunakan modifikasi yang sesuai dari maximum likelihood
 Estimasi nonparametrik dari fungsi survival, yaitu metode
Kaplan Meier lebih sering digunakan untuk mengestimasi dan
menggambarkan probabilitas survival sebagai fungsi waktu. Ini
digunakan untuk memperoleh statistik deskriptif univariat untuk
data survival, termasuk median waktu survival, dan
membandingkan pengalaman survival dari dua atau lebih
kelompok subyek. Untuk menguji perbedaan keseluruhan antara
kurva estimasi survival antara dua kelompok subjek atau lebih,
seperti pria dan wanita, atau keleompok perlakuan dengan
kelompok tanpa perlakuan (kontrol), beberapa uji tersedia, di
antaranya dengan log-rank tes. Ini serupa dengan uji chi square,
digunakan secara luas dalam praktiknya, dan pada
kenyataannya ini merupakan sebuah metode untuk
membandingkan kurva estimasi Kaplan Meier untuk setiap grup
subjek.

Sebuah model regresi yang populer untuk analisis survival

adalah Cox proportional hazard regression model. Ini
memungkinkan pengujian perbedaan waktu survival pada dua
kelompok atau lebih yang diteliti, dan tetap memungkinkan
penyesuaian kovariat yang diteliti. Cox regression model
merupakan model semiparametrik, dengan asumsi yang lebih
sedikit daripada metode parametrik namun dengan asumsi yang
lebih banyak daripada metode nonparametrik. Secara khusus,
dan tidak seperti metode parametrik, cox regression model tidak
memiliki asumsi tentang bentuk baseline hazard function.

Cox regression model lebih berguna dan lebih mudah untuk

menginterpretasikan informasi berkaitan dengan hubungan
antara hazard function dengan prediktor. Sementara hubungan
nonlinear antara hazard function dan prediktor diasumsi, hazard
ratio yang membandingkan dua observasi bersifat konstan
sepanjang waktu di mana pengaturan variabel prediktor tidak
berubah-ubah sepanjang waktu. Asumso ini disebut asumsi
proportional hazard dan memastikan bahwa asumsi ini terpenuhi
merupakan bagian yang penting dalam analisis regresi cox. Ini
merupakan model data survival yang paling populer dan
diimplementasikan dalam banyak software statistik.

2. Penggunaan
Analisis survival digunakan pada keadaan di mana faktor kapan
terjadinya suatu kejadian lebih penting daripada apakah suatu
kejadian terjadi atau tidak. Dengan kata lain, kita harus
menggunakan analisis survival bila kita peduli dengan waktu
terjadinya suatu kejadian.
3. Terminologi
a. Sumbu y, sumbu x, dan garis survival
Sumbu y pada kurva survival menunjukkan persentase
survival, yaitu persentase subyek yang masih bertahan/
bebas dari kejadian yang sedang diamati. Sumbu x pada
kurva survival menunjukkan waktu. Garis berkelok-kelok
adalah garis survival.
b. Survival rate untuk waktu-waktu tertentu
Survival rate untuk waktu tertentu bisa diketahui dengan
menarik garis vertikal dari waktu tertentu pada sumbu x
sampai memotong garis survival.
c. Median survival
Median survival adalah waktu di mana 50% subyek
mengalami event. Median survival bisa diketahui dengan
menarik garis horizontal dari sumbu y pada titik 50% sampai
memotong garis survival. Informasi median survival ini
bermanfaat untuk menghitung besar sampel dalam
penelitian dengan analisis survival.
d. Asumsi proporsional hazard
Proporsional hazard (PH) artinya perbandingan kecepatan
terjadinya suatu kejadian antar kelompok setiap saat adalah
sama. Ciri dari suatu kurva survival yang memenuhi asumsi
PH adalah garis survival antar kelompok tidak saling
berpotongan. Asumsi PH sangat penting dalam analisis
survival. Pentingnya asumsi ini analog dengan asumsi
normalitas data pada analisis parametrik. Analisis yang
dilakukan pada suatu fungsi survival yang memenuhi asumsi
PH berbeda dengan analisis yang dilakukan pada fungsi
survival yang tidak memenuhi asumsi PH. Survival yang
memenuhi asumsi PH akan dianalisis dengan time
independent analysis sementara survival yang tidak
memenuhi asumsi PH akan dianalisis dengan analisis full
model atau analisis reduced model.
e. Hazard rasio
Salah satu parameter yang penting dalam analisis survival
adalah rasio hazard atau hazard ratio (HR). Nama lain dari HR
adalah insidens rate. Apabila kita membandinga dua hazard,
maka yang akan kita peroleh adalah hazard rasio. Sedangkan
bila kita membandingan dua insidens, maka yang akan kita
peroleh adalah resiko relatif (RR).
 4. Rumus-rumus
5. Asumsi (Syarat dan ketentuan/ conditions)
6. Cara Menghitung
LANGKAH-LANGKAH ANALISIS SURVIVAL
Analisis survival terdiri dari tiga langkah utama, yaitu pengecekan
asumsi proporsional hazard, analisis bivariat, dan analisis multivariat
1. Pengecekan asumsi PH
Pada analisis survival, pengecekan asumsi PH adalah langkah
yang penting karena akan menentukan jenis analisa apa yang
akan digunakan. Prosedur pengecekan PH dilakukan dengan tiga
metode yaitu metode Kapplan Meier, metode in in survival, dan
metode global test.
a. Metode Kapplan Meier
Untuk mengetahui apakah fungski survival memenuhi asumsi
PH, maka buatlah kurva Kapplan Meier. Apabila garis survival
tidak berpotongan, maka asumsi PH berdasarkan metode
Kapplan Meier terpenuhi.
b. Metode In in Survival
Langkah-langkah yang dilakukan adalah sebagai berikut:
- Klik statistics
- Pilih survival analysis
- Pilih regression model
- Pilih graphically asses proportional hazard assumption
 - Masukkan variabel yang diteliti ke dalam kotak
independent variable
- Klik OK
Selanjutnya akan muncul grafik garis survival. Apabila
garisnya tidak berpotongan, maka asumsi PH berdasarkan
metode In In Survival terpenuhi.
c. Metode Global Test
Apabila nilai p pada uji global test lebih besar dari 0,05, maka
asumsi PH telah terpenuhi. Mungkin terdapat beberapa
variabel yang memenuhi asumsi PH dan beberapa variabel
tidak memenuhi asumsi PH. Perlakukan pada variabel yang
memenuhi asumsi PH berbeda dengan variabel yang tidak
memenuhi asumsi PH.
2. Analisis bivariat
Untuk variabel yang memenuhi asumsi PH, analisis bivariat
dilakukan dengan analisis cox regression.
3. Analisis multivariat
Variabel yang masuk analisis multivariat adalah variabel yang
pada analisis bivariat mempunyai nilai p<0,25. Selain itu,
variabel yang tidak memenuhi asumsi PH dan secara teoritis
penting, harus dimasukkan ke dalam analisis multivariat. Bila
semua variabel memenuhi asumsi PH, maka analisis multivariat
yang dipilih adalah analisis time independent cox regression.
Apabila terdapat variabel yang tidak memenuhi asumsi PH,
maka dapat dilakukan analisis cox regression full model atau cox
regression reduced model
4. Interpretasi hasil
Setelah menyelesaikan analisis survival, kita melakukan
interpretasi hasil. Beberapa hal yang dapat kita simpulkan dari
analisis survival adalah sebagai berikut:
a. Variabel yang berhubungan dengan variabel tergantung
dengan melihat nilai p dan interval kepercayaan dari HR pada
masing-masing variabel. Dikatakan berhubungan jika nilai p
kurang dari 0,05 dan pada interval kepercayaan tidak ada
ngka 1
b. Urutan kekuatan dari variabel-variabel yang berhubungan
dengan variabel tergantung. Pada analisis survival, urutan
kekuatan dilihat dari besarnya nilai HR
c. Model atau rumus untuk memprediksikan hazard function
dan survival function.
Untuk hazard function, rumusnya adalah:
H(t) = H0(t) ey
H(t) = hazard pada waktu tertentu
H0(t) = baseline hazard pada waktu tertentu
Y = b1x1+ b2x2 + b3x3 + ....... + bnxn

Untuk survival function, rumusnya adalah:

 S(t) = S0(t)(e^y)
S(t) = survival pada waktu tertentu
S0(t) baseline survival pada waktu tertentu
Y = b1x1+ b2x2 + b3x3 + ....... + bnxn
5. Mengaplikasikan persamaan yang diperoleh untuk menghitung
hazard dan probabilitas pasien
BAB II Contoh Penggunaan
1. Manual
2. Dengan Software
3. Interpretasi Hasil
BAB III Presentasi Powerpoint