APLIKASI ANALISIS SURVIVAL

Survival rate : waktu tertentu bias diketahui dengan menarik garis vertical dari waktu tertentu pada
sumbu x sampai memotong garis survival

Median survival : waktu dimana 50% subjek mengalami event. Bias diketahui dengan menarik garis
horizontal dari sumbu y pada titik 50% sampai memetong garis survival

Asumsi proposional hazard : perbandingan kecepatan terjadinya suatu kejadian antar kelompok setiap
saat adalah sama. Cirinya yakni bila kurva survival kedua event yang diperbandingkan memiliki bentuk
kurva serupa dan tidak saling berpotongan

Bila asumsi PH tidak terpenuhi dilakukan analisis selanjutnya dengan menggunakan analisis full model
atau analisis reduced model. Dan bila terpenuhi dilakukan dengan analisis time independen analysis

Tujuan Umum

Penelitian ini ingin mengetahui Ingin mengetahui probabilitas penderita kanker yang meninggal setelah
menggunakan terapi baru dalam 1000 hari pengamatan, dengan mengetahui factor factor yang
mempengaruhi kematiannya

Tujuan Khusus

1. Mempelajari hubungan factor treatment (tx) yang digunakan dengan probabalitas status
kematian pada penderita
2. Mempelajari hubungan factor type cell 1 (ct1) dengan probabalitas Status kematian pada
penderita
3. Mempelajari hubungan factor type cell 2 (ct2) dengan probabilitas Status kematian pada
penderita
4. Mempelajari hubungan factor type cell 3 (ct3) dengan probabilitas Status kematian pada
penderita
5. Mempelajari hubungan factor type cell 4 (ct4) dengan probabilitas Status kematian pada
penderita

6. Mempelajari hubungan Performance status (perf)) dengan probabilitas Status kematian pada
penderita
 7. Mempelajari hubungan disease duration (dd) dengan probabilitas Status kematian pada
penderita
8. Mempelajari hubungan umur (age) dengan probabilitas Status kematian pada penderita
9. Mempelajari hubungan prior treatment (priortx) dengan Status probabilitas Status kematian
pada penderita
10. Mendapatkan model yang fit, sehingga didapati variable yang dapat meningkatkan probabilitas
Status kematian pada penderita

KERANGKA KONSEP

Variable
independent

Terapi (tx)
Variable dependent
Ct1
Probabalitas status kematian
Ct2 penderita kanker dalam hari

Ct3

Ct4

Perf

Dd

Age

DEFINISI OPERASIONAL

1. Event (status) 0 (cencored)

1 (died)

Survt waktu terjadinya event dalam hari

 2. Tx ( treatment ) 0 (standar)
1 (test)

3. Ct1 ( Cell type 1 ) 0 (other)

1 (large)

4. Ct2 ( Cell type 2 ) 0 (other)

1 (adenomatosa)

5. Ct3 (Cell type 3) 0 (other)

1 (small)

6. Ct4 (Cell type 4) 0 (other)

1 (squamos)

7. Perf (Performance status) ( score 10 = worst s/d 100 = best )

8. Dd (disease duration) ( when the disease had first diagnosed in month )

9. Age (the respondent age’s at the survey ( at this year)

10. Priortx (Prior therapy) 0 (none)

1 (some)

ANALISIS YANG AKAN DILAKUKAN

1. ANALISIS UNIVARIATE DENGAN MELAKUKAN PENGECEKAN ASUMSI PROPORTIONAL HAZARD

 Time at Incidence No. of Survival time at
Therapy
Risk rate subject
25% 50% 75%

1 7945 0,0080554 69 27 103 162

2 8718 0,0073411 68 24 52 140

A. PENGECEKAN ASUMSI PH PADA VARIABLE TX

Dengan melakukan analisa pada kurva Kaplan meier

Kaplan-Meier survival estimates

1.00
0.75
0.50
0.25
0.00

0 200 400 600 800 1000

analysis time

tx = 1 tx = 2

Berdasarkan kurva kaplan meier, garis survival tx (terapi) tidak berpotongan asumsi PH
terpenuhi namun perlu dilanjutan dengan uji global test

Test of proportional hazards assumption

Time : time

Chi 2 Df Pr> chi2

Global Test 2,18 1 0,1395

 Didapatkan p value global test adalah 0,1395, karena nilai p > 0,05 maka dapat disimpulkan
bahwa asumsi PH untuk variable tx terpenuhi.

B. PENGECEKAN ASUMSI PH PADA VARIABLE CT1

Kaplan-Meier survival estimates

1.00
0.75
0.50
0.25
0.00

0 200 400 600 800 1000

analysis time

ct1 = 0 ct1 = 1

Berdasarkan kurva kaplan meier, garis survival ct1 berpotongan asumsi PH tidak terpenuhi
namun perlu dilanjutan dengan uji global test

Didapatkan p value global test adalah 0,0374, karena nilai p < 0,05 maka dapat disimpulkan

Chi 2 Df Pr> chi2

Global Test 4,33 1 0,0374

bahwa asumsi PH untuk variable ct1 tidak terpenuhi.

C. PENGECEKAN ASUMSI PH PADA VARIABLE CT2

 Kaplan-Meier survival estimates

1.00
0.75
0.50
0.25
0.00

0 200 400 600 800 1000

analysis time

ct2 = 0 ct2 = 1

Berdasarkan kurva kaplan meier, garis survival ct2 tidak berpotongan asumsi PH terpenuhi
namun perlu dilanjutan dengan uji global test

Chi 2 Df Pr> chi2

Global Test 0,36 1 0,5494

Didapatkan p value global test adalah 0,5494, karena nilai p > 0,05 maka dapat disimpulkan
bahwa asumsi PH untuk variable ct2 terpenuhi.

D. PENGECEKAN ASUMSI PH PADA VARIABLE CT3

 Kaplan-Meier survival estimates

1.00
0.75
0.50
0.25
0.00

0 200 400 600 800 1000

analysis time

ct3 = 0 ct3 = 1

Berdasarkan kurva kaplan meier, garis survival ct3 tidak berpotongan asumsi PH terpenuhi
namun perlu dilanjutan dengan uji global test

Chi 2 Df Pr> chi2

Global Test 0,10 1 0,7549

Didapatkan p value global test adalah 0,7549, karena nilai p > 0,05 maka dapat disimpulkan
bahwa asumsi PH untuk variable ct3 terpenuhi.

E. PENGECEKAN ASUMSI PH PADA VARIABLE CT4

1.00
0.75
0.50
0.25
0.00 Kaplan-Meier survival estimates

0 200 400 600 800 1000

analysis time

ct4 = 0 ct4 = 1

Berdasarkan kurva kaplan meier, garis survival ct4 tidak berpotongan asumsi PH terpenuhi
namun perlu dilanjutan dengan uji global test

Chi 2 Df Pr> chi2

Global Test 0,50 1 0,4778

Didapatkan p value global test adalah 0,4778, karena nilai p > 0,05 maka dapat disimpulkan
bahwa asumsi PH untuk variable ct4 terpenuhi
F. PENGECEKAN ASUMSI PH PADA VARIABLE PRIORTX

Kaplan-Meier survival estimates

1.00
0.75
0.50
0.25
0.00

0 200 400 600 800 1000

analysis time

priortx = 0 priortx = 10

Berdasarkan kurva kaplan meier, garis survival tx (terapi) tidak berpotongan asumsi PH
terpenuhi namun perlu dilanjutan dengan uji global test

Chi 2 Df Pr> chi2

Global Test 1,60 1 0,2053

Didapatkan p value global test adalah 0,2053, karena nilai p > 0,05 maka dapat disimpulkan
bahwa asumsi PH untuk variable priortx terpenuhi.
G. PENGECEKAN ASUMSI PH PADA VARIABLE PERFORMANCE

Kaplan-Meier survival estimates

0.00 0.25 0.50 0.75 1.00

0 200 400 600 800 1000

analysis time

perf = 10 perf = 20
perf = 30 perf = 40
perf = 50 perf = 60
perf = 70 perf = 75
perf = 80 perf = 85
perf = 90 perf = 99

Berdasarkan kurva kaplan meier, garis survival perf tidak jelas apakah berpotongan atau
tidak, namun perlu dilanjutan dengan uji global test

Chi 2 Df Pr> chi2

Global Test 2,43 1 0,1188

Didapatkan p value global test adalah 0,1188, karena nilai p > 0,05 maka dapat disimpulkan
bahwa asumsi PH untuk variable perf terpenuhi.

H. PENGECEKAN ASUMSI PH PADA VARIABLE AGE

 Kaplan-Meier survival estimates

0.00
0.25
0.50
0.75
1.00
0 200 400analysis time600 800 1000

age = 34 age = 35
age = 36 age = 37
age = 38 age = 39
age = 40 age = 41
age = 42 age = 43
age = 44 age = 45
age = 46 age = 47
age = 48 age = 49
age = 50 age = 51
age = 52 age = 53
age = 54 age = 55
age = 56 age = 57
age = 58 age = 59
age = 60 age = 61
age = 62 age = 63
age = 64 age = 65
age = 66 age = 67
age = 68 age = 69
age = 70 age = 71
age = 72 age = 81

Berdasarkan kurva kaplan meier, garis survival age tidak jelas apakah berpotongan atau
tidak, namun perlu dilanjutan dengan uji global test

Chi 2 Df Pr> chi2

Global Test 0,21 1 0,6443

Didapatkan p value global test adalah 0,6443, karena nilai p > 0,05 maka dapat disimpulkan
bahwa asumsi PH untuk variable Age terpenuhi.
 A. PENGECEKAN ASUMSI PH PADA VARIABLE DD

Kaplan-Meier survival estimates

1.00
0.75
0.50
0.25
0.00

0 200 400 600 800 1000

analysis time

dd = 1 dd = 2
dd = 3 dd = 4
dd = 5 dd = 6
dd = 7 dd = 8
dd = 9 dd = 10
dd = 11 dd = 12
dd = 13 dd = 14
dd = 15 dd = 16
dd = 17 dd = 18
dd = 19 dd = 21
dd = 22 dd = 23
dd = 25 dd = 28
dd = 29 dd = 36
dd = 58 dd = 87

Berdasarkan kurva kaplan meier, garis survival dd tidak jelas apakah berpotongan atau tidak,
namun perlu dilanjutan dengan uji global test

Chi 2 Df Pr> chi2

Global Test 0,21 1 0,9983

Didapatkan p value global test adalah 0,9983, karena nilai p > 0,05 maka dapat disimpulkan
bahwa asumsi PH untuk variable dd terpenuhi.

2. ANALISIS BIVARIATE
1. Mempelajari hubungan factor treatment (tx) yang digunakan dengan probabalitas status
kematian pada penderita

Cox regression -- Breslow method for ties

No. of subjects = 137 Number of obs = 137

No. of failures = 128
Time at risk = 16663
LR chi2(1) = 0.01
Log likelihood = -505.87987 Prob > chi2 = 0.9280

_t Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]

_Itx_2 1.016462 .1836255 0.09 0.928 .7133788 1.448312

Didapatkan hazard ratio sebesar 1,01 pada 95% CI ( 0,72 – 1,44) dan p value = 0,9260 atau p
value > 0,25 sehingga untuk selanjutnya variable tx tidak dapat dimasukan kedalam model
atau dapat ditarik kesimpulan sementara bahwa tidak ada perbedaan hazard antara
treatment standard dengan treatment test

2. Mempelajari hubungan factor type cell 1 (ct1) dengan probabalitas Status kematian pada
penderita
Cox regression -- Breslow method for ties

No. of subjects = 137 Number of obs = 137

No. of failures = 128
Time at risk = 16663
LR chi2(1) = 3.18
Log likelihood = -504.29618 Prob > chi2 = 0.0747

_t Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]

_Ict1_1 .681444 .1517839 -1.72 0.085 .4403873 1.054449

Didapatkan hazard ratio sebesar 0,681 pada 95% CI ( 0,440 – 1,054) dan p value = 0,0747
atau p value < 0,25 sehingga untuk selanjutnya variable ct1 tdapat dimasukan kedalam
model atau dapat ditarik kesimpulan sementara bahwa tidak ada perbedaan hazard antara
cell large atau tidak
3. Mempelajari hubungan factor type cell 2 (ct2) dengan probabilitas Status kematian pada
penderita

Cox regression -- Breslow method for ties

No. of subjects = 137 Number of obs = 137

No. of failures = 128
Time at risk = 16663
LR chi2(1) = 7.05
Log likelihood = -502.36121 Prob > chi2 = 0.0079

_t Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]

_Ict2_1 1.904346 .4377225 2.80 0.005 1.21365 2.988123

Didapatkan hazard ratio sebesar 1,90 pada 95% CI (1,21 - 2,98 ) dan p value = 0,079 atau p
value < 0,25 sehingga untuk selanjutnya variable ct2 dapat dimasukan kedalam model atau
 dapat ditarik kesimpulan sementara bahwa ada perbedaan hazard sebesar 1,9 kali antara
patient dengan type adenomatosa dengan yang lain

4. Mempelajari hubungan factor type cell 3 (ct3) dengan probabilitas Status kematian pada
penderita
Cox regression -- Breslow method for ties

No. of subjects = 137 Number of obs = 137

No. of failures = 128
Time at risk = 16663
LR chi2(1) = 9.29
Log likelihood = -501.23912 Prob > chi2 = 0.0023

_t Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]

_Ict3_1 1.826026 .3503721 3.14 0.002 1.253664 2.659701

Didapatkan hazard ratio sebesar 1,83 pada 95% CI ( 1,25 – 2,66) dan p value = 0,0023 atau p
value < 0,25 sehingga untuk selanjutnya variable ct3 dapat dimasukan kedalam model atau
dapat ditarik kesimpulan sementara bahwa ada perbedaan hazard antara patient dengan
bentuk sel kecil dengan yang bentuk sel lainnya sebesar 1,83 kali

5. Mempelajari hubungan factor type cell 4 (ct4) dengan probabilitas Status kematian pada
penderita
Cox regression -- Breslow method for ties

No. of subjects = 137 Number of obs = 137

No. of failures = 128
Time at risk = 16663
LR chi2(1) = 11.28
Log likelihood = -500.24373 Prob > chi2 = 0.0008

_t Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]

_Ict4_1 .4915281 .1097506 -3.18 0.001 .3173133 .7613921

Didapatkan hazard ratio sebesar 0,49 pada 95% CI (0,32 – 0,76) dan p value = 0,0008 atau p
value < 0,25 sehingga untuk selanjutnya variable ct4 dapat dimasukan kedalam model atau
dapat ditarik kesimpulan sementara bahwa ada perbedaan hazard antara patien yang
bentuk selnya squamos dengan type selnya yang lain sebsar 0,49 kali atau menghambat
hazard

6. Mempelajari hubungan Performance status (perf)) dengan probabilitas Status kematian

pada penderita
 Cox regression -- Breslow method for ties

No. of subjects = 137 Number of obs = 137

No. of failures = 128
Time at risk = 16663
LR chi2(1) = 41.63
Log likelihood = -485.07085 Prob > chi2 = 0.0000

_t Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]

perf .9673035 .0049074 -6.55 0.000 .9577329 .9769698

Didapatkan hazard ratio sebesar 0,967 pada 95% CI ( 0,96 – 0,977 ) dan p value = 0,0000
atau p value < 0,25 sehingga untuk selanjutnya variable perf dapat dimasukan kedalam
model atau dapat ditarik kesimpulan sementara bahwa ada perbedaan hazard antara
patien yang memiliki performance yang baik lebih menurunkan hazard sebesar 0,96 kali jika
dibandingkan pasien yang memiliki nilai perfprmance yang buruk
7. Mempelajari hubungan disease duration (dd) dengan probabilitas Status kematian pada
penderita
Cox regression -- Breslow method for ties

No. of subjects = 137 Number of obs = 137

No. of failures = 128
Time at risk = 16663
LR chi2(1) = 0.89
Log likelihood = -505.4383 Prob > chi2 = 0.3451

_t Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]

dd 1.009003 .0090283 1.00 0.316 .9914624 1.026854

Didapatkan hazard ratio sebesar 1,0009 pada 95% CI ( 0,99 – 1,026) dan p value = 0,3451
atau p value > 0,25 sehingga untuk selanjutnya variable dd tidak dapat dimasukan kedalam
model atau dapat ditarik kesimpulan sementara bahwa tidak ada perbedaan hazard antara
pasien dengan disease duration yang berbeda
8. Mempelajari hubungan umur (age) dengan probabilitas Status kematian pada penderita
Cox regression -- Breslow method for ties

No. of subjects = 137 Number of obs = 137

No. of failures = 128
Time at risk = 16663
LR chi2(1) = 0.62
Log likelihood = -505.57364 Prob > chi2 = 0.4308

_t Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]

age 1.007498 .0096359 0.78 0.435 .9887883 1.026563

Didapatkan hazard ratio sebesar 1,000 pada 95% CI ( 0,988 – 1,026) dan p value = 0,4308
atau p value > 0,25 sehingga untuk selanjutnya variable age tidak dapat dimasukan kedalam
model atau dapat ditarik kesimpulan sementara bahwa tidak ada perbedaan hazard antara
pasien dengan berbagai umur yang berbeda
9. Mempelajari hubungan prior treatment (priortx) dengan Status probabilitas Status kematian
pada penderita
 Cox regression -- Breslow method for ties

No. of subjects = 137 Number of obs = 137

No. of failures = 128
Time at risk = 16663
LR chi2(1) = 0.51
Log likelihood = -505.63034 Prob > chi2 = 0.4763

_t Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]

_Ipriortx_10 .868162 .1740655 -0.71 0.481 .5860515 1.286073

Didapatkan hazard ratio sebesar 0,868 pada 95% CI ( 0,586 – 1,286) dan p value = 0,4763
atau p value > 0,25 sehingga untuk selanjutnya variable priortx tidak dapat dimasukan
kedalam model atau dapat ditarik kesimpulan sementara bahwa tidak ada perbedaan
hazard antara pasien yang sudah mendapat pengobatan dengan yangbelumperna
mendapatkan pengobatan.

Kesimpulan :
Variable yang akan masuk kedalam model adalah
1. tx
2. ct1
3. ct2
4. ct3
5. ct4
6. perf

3. ANALISIS MULTIVARIATE
Seluruh variable yang memenuhi asumsi propotional hazard dan memiliki p value < 0,25
dimasukan kedalam model,namun ada yang walaupun tidak memenuhi propotional harard
ataupun nilai p valuenya > 0,25 tetap dimasukan kedalam model mengingat secara substantive
memiliki hubungan yang sangat erat dengan variable dependen

Cox regression -- Breslow method for ties

No. of subjects = 137 Number of obs = 137

No. of failures = 128
Time at risk = 16663
LR chi2(5) = 60.42
Log likelihood = -475.676 Prob > chi2 = 0.0000

_t Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]

_Itx_2 1.29345 .2595038 1.28 0.200 .8729187 1.916574

_Ict1_1 .470145 .1403329 -2.53 0.011 .2619135 .8439288
_Ict3_1 .7203205 .1935882 -1.22 0.222 .4253661 1.2198
_Ict4_1 .3173743 .0936037 -3.89 0.000 .1780433 .5657414
perf .9693671 .0050084 -6.02 0.000 .9596003 .9792334

Berdasarkan hasil analisis diatas didapatkan bahwa hazard ratio dari tx lebih besar dari yang
lainnya dan yakni 1,29 namun hal ini tidak bermakna karena 95% ( 0,87 – 1,9 ) , diikuti dengan
hazar ratio performance sebesar 0,969 dimana secara memiliki kemampuan untuk menghambat
kematian sebesar 0,969 dengan 95% CI ( 0,96 – 0,98 ) walaupun masih didapatkan signifikansi
parsial yang memiliki nilai > 0,05

10. Mendapatkan model yang fit, sehingga didapati variable yang dapat meningkatkan
probabilitas Status kematian pada penderita
Untuk mendapatkan model yang fit dilakukan analisa terhadap
 Cox regression -- Breslow method for ties

No. of subjects = 137 Number of obs = 137

No. of failures = 128
Time at risk = 16663
LR chi2(5) = 60.42
Log likelihood = -475.676 Prob > chi2 = 0.0000

_t Coef. Std. Err. z P>|z| [95% Conf. Interval]

_Itx_2 .2573131 .2006291 1.28 0.200 -.1359128 .650539

_Ict1_1 -.754714 .2984886 -2.53 0.011 -1.339741 -.1696872
_Ict3_1 -.328059 .2687529 -1.22 0.222 -.8548051 .198687
_Ict4_1 -1.147673 .2949315 -3.89 0.000 -1.725728 -.5696182
perf -.0311119 .0051667 -6.02 0.000 -.0412384 -.0209853

berdasarkan data diatas didapatkan model hazard function sebagai berikut :

H(t) = H0(t) e y

H(t) = H0(t) e 0,26 (TX) - 0,75 (CT1) - 0,328 (CT3) - 1,14 (CT4) – 0,03 (PERF)

Sedangkan survival function, model yang diperoleh adalah sebagai berikut :

S(t) = S0(t) e e^y

S(t) = S0(t) e e^0,,26 (TX) - 0,75 (CT1) - 0,328 (CT3) - 1,14 (CT4) – 0,03 (PERF)

Dimana :
H(t) : hazard pada waktu tertentu
Ho(t) : baseline hazard pada waktu tertentu
S(t) : Survival pada waktu tertentu
So(t) : baseline survival pada waktu tertentu