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
tx = 1 tx = 2
Berdasarkan kurva kaplan meier, garis survival tx (terapi) tidak berpotongan asumsi PH
terpenuhi namun perlu dilanjutan dengan uji global test
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
1.00
0.75
0.50
0.25
0.00
ct2 = 0 ct2 = 1
Berdasarkan kurva kaplan meier, garis survival ct2 tidak berpotongan asumsi PH terpenuhi
namun perlu dilanjutan dengan uji global test
Didapatkan p value global test adalah 0,5494, karena nilai p > 0,05 maka dapat disimpulkan
bahwa asumsi PH untuk variable ct2 terpenuhi.
1.00
0.75
0.50
0.25
0.00
ct3 = 0 ct3 = 1
Berdasarkan kurva kaplan meier, garis survival ct3 tidak berpotongan asumsi PH terpenuhi
namun perlu dilanjutan dengan uji global test
Didapatkan p value global test adalah 0,7549, karena nilai p > 0,05 maka dapat disimpulkan
bahwa asumsi PH untuk variable ct3 terpenuhi.
ct4 = 0 ct4 = 1
Berdasarkan kurva kaplan meier, garis survival ct4 tidak berpotongan asumsi PH terpenuhi
namun perlu dilanjutan dengan uji global test
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
1.00
0.75
0.50
0.25
0.00
priortx = 0 priortx = 10
Berdasarkan kurva kaplan meier, garis survival tx (terapi) tidak berpotongan asumsi PH
terpenuhi namun perlu dilanjutan dengan uji global test
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
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
Didapatkan p value global test adalah 0,1188, karena nilai p > 0,05 maka dapat disimpulkan
bahwa asumsi PH untuk variable perf terpenuhi.
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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)
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