SURVIVAL
Johan Harlan
Analisis Survival
Penulis : Johan Harlan
Desember 2017
Johan Harlan
v
DAFTAR ISI
Kata Pengantar v
vi
Bab 5 Evaluasi Kesesuaian Model 39
Residual 39
Evaluasi Asumsi Hazard Proporsional 40
Kepustakaan 75
vii
Bab 1 Fungsi Survival
BAB 1
FUNGSI SURVIVAL
Data Survival
Analisis survival (analisis kesintasan) adalah prosedur statistika
untuk menganalisis data dengan waktu sampai terjadinya suatu peristiwa
tertentu (time until an event occurs) sebagai variabel respons.
dF ( t )
f (t) =
dt
1
Bab 1 Fungsi Survival
d
=
dt
{1 − S ( t )} = −S’ (t)
Fungsi hazard h ( t ) yang juga dikenal sebagai ‘laju kegagalan
bersyarat’ (conditional failure rate) atau ‘kekuatan mortalitas’ (force of
mortality), adalah probabilitas terjadinya kegagalan pada suatu interval
waktu, dengan syarat subjek tersebut survive sampai dengan awal interval,
dibagi lebar interval, yaitu:
h (t ) = h (t T > t 0 )
H (t ) = H (t T > t 0 )
F (t ) = F (t T > t 0 )
f (t ) = f (t T > t 0 )
S (t ) = S (t T > t 0 )
3
Bab 1 Fungsi Survival
Dalam praktik, karena sifat data sampel dan cara pengumpulan data,
estimasi fungsi survival Ŝ ( t ) merupakan fungsi bertingkat (gambar 1.2).
Contoh 1.1:
Ketiga bentuk tersensor-kanan diperlihatkan pada gambar berikut,
yang menyajikan hasil pengamatan terhadap 12 subjek selama 6 tahun
penelitian:
5
Bab 1 Fungsi Survival
6
Bab 1 Fungsi Survival
Contoh 1.2:
Lihat kembali gambar pada contoh 1.1. Subjek nomor 1
menyumbangkan 2.5 tahun pengamatan, subjek nomor 2 menyumbangkan
3.5 tahun pengamatan, dan seterusnya.
Penderita nomor 3 dan 4 mengalami kematian sehingga pengamatan
terhadap mereka tak dapat diteruskan, walaupun demikian mereka tetap
menyumbangkan person-time sebelum kematian. Subjek nomor 7, 8, 10, dan
12 hilang dari pengamatan (lost to follow-up) atau mengundurkan diri dari
penelitian (withdrawal), tetapi mereka pun tetap menyumbangkan person-
time-nya.
Jumlah kegagalan (lambang ) adalah 5, sedangkan jumlah person-
time adalah:
PT = (2.5 + 3.5 + 1.5 + . . . + 1.5) orang-tahun = 26 orang-tahun
Rate adalah:
7
Bab 1 Fungsi Survival
5
Rate = tahun −1 ≈ 0.19 tahun −1
26
8
Bab 2 Tabel Kehidupan
BAB 2
TABEL KEHIDUPAN
Nomenklatur Tabel Kehidupan
Tabel kehidupan (life table) adalah tabel yang digunakan untuk
melakukan perhitungan probabilitas survive dan risiko kematian pada tiap
interval waktu tertentu. Tabel kehidupan dapat dibuat untuk keseluruhan
himpunan subjek penelitian dan dapat dirinci lagi menjadi tabel kehidupan
untuk masing-masing subkelompoknya.
Bentuk umum tabel kehidupan untuk data survival diperlihatkan pada
tabel 2.1 berikut:
i ∆t PTi di ˆ i
Rate ˆ
Riski
ˆ
Risk kum Sˆ ( ti ) Sˆkum
1 (0, 1) .. .. .. .. .. ..
2 (1, 2) .. .. .. .. .. ..
... ... .. .. .. .. .. ..
n (n-1, n) .. .. .. .. .. ..
Total (0, n) .. .. .. .. .. ..
9
Bab 2 Tabel Kehidupan
Contoh 2.1:
Lihat kembali data pada contoh 1.1. Dari data tersebut dapat disusun
tabel kehidupan berikut.
i ∆t PTi di ˆ i
Rate
1 (0, 1) 11 1 0.091
2 (1, 2) 8.5 1 0.118
3 (2, 3) 4.5 2 0.444
4 (3, 4) 1.5 1 0.667
5 (4, 5) 0.5 0 0.000
Total (0, n) 26 5 0.192
10
Bab 2 Tabel Kehidupan
Estimasi Aktuaria
Dua karakteristik metode aktuaria yaitu:
- Lebar interval waktu biasanya sama.
- Jika tidak ada withdrawal, maka estimasi risiko adalah jumlah kegagalan
dibagi jumlah subjek survive pada awal interval:
ˆ = di
Risk i
N i −1
Jika ada withdrawal, maka pembagi harus dikoreksi dulu, yaitu menjadi
jumlah subjek pada awal interval dikurangi setengah jumlah withdrawal
pada interval itu:
ˆ = di
Riski
Ni −1 − 0.5wi
wi : Jumlah withdrawal pada interval ke-i
Contoh 2.2:
Lihat kembali data pada contoh 2.1. Tabel kehidupan dengan estimasi
aktuaria untuk risiko adalah sebagai berikut:
i N i −1 N i′−1 wi di ˆ i
Rate ˆ
Risk ˆ
Risk
i kum
1 12 11.5 1 1 0.091 0.087 0.087
2 10 9 2 1 0.118 0.111 0.188
3 7 5.5 3 2 0.444 0.364 0.484
4 2 2 0 1 0.667 0.500 0.742
5 1 1 0 0 0.000 0.000 0.742
Total 12 9 6 5 0.192 0.556
Perhitungannya yaitu:
- Jumlah subjek terkoreksi:
Untuk i = 1 → N 0′ = 12 – (0.5)(1) = 11.5
i=2 N1′ = 10 – (0.5)(2) = 9
dan seterusnya
11
Bab 2 Tabel Kehidupan
- Risk kumulatif:
ˆ
Untuk i =0-1 → Risk t 0−t1 = 0.087
i =0-2 ˆ
Riskt 0−t 2 = 1 – (1 – 0.087)(1 – 0.111) = 0.188
i = 0-3 ˆ
Riskt 0−t 3 = 1 – (1 – 0.188)(1 – 0.364) = 0.484
dan seterusnya
Tampak bahwa jika tidak dilakukan penyesuaian per tahun diperoleh
ˆ
Risk kum = 0.556 yang berbeda dengan hasil penyesuaian per tahun menjadi
ˆ
Risk kum = 0.742.
i N i −1 N i′−1 wi di ˆ
Riski Sˆ ( ti ) Sˆkum
1 12 11.5 1 1 0.087 0.913 0.913
2 10 9 2 1 0.111 0.889 0.812
3 7 5.5 3 2 0.364 0.636 0.516
4 2 2 0 1 0.500 0.500 0.258
5 1 1 0 0 0.000 1.000 0.258
Perhitungannya yaitu:
- Fungsi survival untuk interval waktu ke-i:
Untuk i = 1 → Ŝ ( t1 ) = 1 – 0.087 = 0.913
i=2 Ŝ ( t2 ) = 1 – 0.111 = 0.889
dan seterusnya
- Fungsi survival kumulatif:
Untuk i = 0-1 → Ŝ ( t0−1 ) = 0.913
12
Bab 2 Tabel Kehidupan
Estimasi Kaplan-Meier
Estimasi Kaplan-Meier dikenal juga sebagai estimasi limit-produk
(product-limit). Karakteristik estimasi Kaplan-Meier yaitu:
- Interval waktu seringkali tidak sama, perhitungan dilakukan setiap ada
kegagalan.
- Fungsi survival untuk suatu interval waktu adalah proporsi jumlah subjek
survive pada awal interval dikurangi jumlah kegagalan dalam interval
tersebut:
N −d
Sˆ ( ti ) = i −1 i
N i −1
Jumlah sensoring ataupun withdrawal tidak diperhitungkan dalam
estimasi Kaplan-Meier. Estimasi Kaplan-Meier lazimnya digunakan
untuk langsung mengestimasi fungsi survival.
Contoh 2.3:
Lihat kembali data pada contoh 2.1. Tabel kehidupan dengan estimasi
Kaplan-Meier untuk fungsi survival adalah:
i N i −1 ci di Sˆ ( ti ) Sˆkum
1 12 1 1 0.917 0.917
2 10 2 1 0.900 0.825
3 7 3 2 0.714 0.589
4 2 0 1 0.500 0.295
5 1 0 0 1.000 0.295
Perhitungannya yaitu:
- Fungsi survival untuk interval waktu ke-i:
12 − 1
Untuk i = 1 → Ŝ ( t1 ) = = 0.917
12
10 − 1
i=2 Ŝ ( t2 ) = = 0.900
10
dan seterusnya
13
Bab 2 Tabel Kehidupan
Uji Log-Rank
Uji log-rank adalah uji statistik untuk memperbandingkan dua atau
lebih fungsi survival, baik dalam tabel kehidupan ataupun grafik kurvanya.
Uji log-rank adalah uji khi-kuadrat untuk sampel besar, yang
memperbandingkan frekuensi sel observed dengan expected untuk seluruh
kategori interval waktu.
Hipotesis nol yang diuji adalah H 0 : Tidak ada perbedaan antar
fungsi survival. Statistik pengujinya adalah:
2
2
# grup
( Oi − Ei )
χ = ∑i Ei
yang berdistribusi khi-kuadrat dengan derajat bebas G – 1; G menyatakan
jumlah grup perbandingan.
Contoh 2.4:
Dimiliki data remisi leukemia (satuan waktu dalam minggu) sebagai
berikut:
Grup pengobatan: 6*, 6, 6, 6, 7, 9*, 10*, 10, 11*, 13, 16, 17*, 19*, 20*, 22,
23, 25*, 32*, 32*, 34*, 35*
Grup kontrol: 1, 1, 2, 2, 3, 4, 4, 5, 5, 8, 8, 8, 8, 11, 11, 12, 12, 15, 17, 22, 23
Tanda ‘*’ menyatakan sensoring.
14
Bab 2 Tabel Kehidupan
2
2
# grup
( Oi − Ei )
χ = ∑i Ei
2 2
=
( −10.26 ) +
(10.26 )
19.26 10.74
= 15.276 (p = 0.000)
Sintaks:
ltable timevar failvar [if] [in] [, options]
timevar : Interval waktu sampai terjadinya kegagalan atau sensoring
failvar : Kegagalan
Beberapa opsi:
survival : menampilkan tabel survival dengan estimasi aktuaria (default)
hazard : menampilkan tabel hazard (rate)
noadjust : menampilkan estimasi Kaplan-Meier
Sintaks:
stset timevar [if] [, failure(failvar)]
sts graph [if] [in] [, options]
Beberapa opsi:
survival : Menampilkan grafik fungsi survival Kaplan-Meier
failure : Menampilkan grafik fungsi kegagalan Kaplan-Meier
cumhaz : Menampilkan grafik fungsi hazard kumulatif Nelson-Aalen
16
Bab 2 Tabel Kehidupan
Contoh 2.5:
. use “D:\Analisis Survival\Data\data_hipotetis.dta”
17
Bab 2 Tabel Kehidupan
Contoh 2.6:
. use “D:\Analisis Survival\Data\data_hipotetis.dta”, clear
. stset t, failure(fail)
18
Bab 2 Tabel Kehidupan
--------------------------------------------------------------
12 total observations
0 exclusions
--------------------------------------------------------------
12 observations remaining, representing
5 failures in single-record/single-failure data
26 total analysis time at risk and under observation
at risk from t = 0
earliest observed entry t = 0
last observed exit t = 4.5
19
Bab 2 Tabel Kehidupan
1.00
0.80
0.60
0.40
0.20
0.00
Contoh 2.7:
. use “D:\Analisis Survival\Data\leukemia.dta”, clear
(Leukemia Remission Study)
---------------------------------------------------------------
42 total observations
0 exclusions
---------------------------------------------------------------
42 observations remaining, representing
30 failures in single-record/single-failure data
541 total analysis time at risk and under observation
at risk from t = 0
earliest observed entry t = 0
last observed exit t = 35
20
Bab 2 Tabel Kehidupan
| Events Events
treatment1 | observed expected
-----------+-------------------------
Standard | 21 10.75
Drug A | 9 19.25
-----------+-------------------------
Total | 30 30.00
chi2(1) = 16.79
Pr>chi2 = 0.0000
chi2(1) = 13.46
Pr>chi2 = 0.0002
21
Bab 3 Model Regresi untuk Data Survival
BAB 3
MODEL REGRESI
UNTUK DATA SURVIVAL
h (t X ) = h0 (t ) r ( X , β )
HR (t, X 1 , X 0 ) =
( )
h t X1
h (t X 0 )
h 0 ( t ) r ( X1, β )
=
h 0 (t ) r ( X 0 , β )
r ( X1 , β )
=
r ( X0, β )
Tampak bahwa rasio hazard sama sekali tidak tergantung pada fungsi h 0 ( t ) ,
melainkan hanya tergantung pada fungsi r ( X , β ) . Cox (1972) pertama kali
mengusulkan penggunaan fungsi eksponensial untuk r ( X , β ) menjadi:
r ( X , β ) = exp (X β )
23
Bab 3 Model Regresi untuk Data Survival
p
h ( t X ) = h 0 ( t ) exp ∑ βi Xi
i =1
ini dikenal sebagai model hazard proporsional Cox, atau model hazard
proporsional (model PH Cox) saja.
Ruas kanan model PH Cox terdiri atas 2 bagian. Bagian pertama
yaitu h 0 ( t ) hanya memuat faktor t tanpa disertai faktor X, sedangkan bagian
p
kedua yaitu exp ∑
i =1
βi X i hanya memuat faktor X tanpa memuat faktor t,
r ( X1 , β )
HR (t, X 1 , X 0 ) =
r ( X0, β )
exp ( X1β )
=
exp ( X 0 β )
= exp β ( X 1 − X 0 )
HR (t, X 1 , X 0 ) = exp β ( X 1 − X 0 )
HR = exp β
atau: β = ln HR
Untuk model hazard proporsional ganda dengan kovariat lebih
daripada satu berlaku:
HR i = exp β i
24
Bab 3 Model Regresi untuk Data Survival
atau: β i = ln HR i
p
Karena hanya menyatakan fungsi exp ∑
i =1
βi X i tanpa menspesifikasi
h ( t X ) = h 0 ( t ) exp β 1 X
diperoleh:
h (t X )
= HR = exp β 1 X
h 0 (t )
ln HR = β 1 X 1 + β 2 X 2 + . . . + β p X p
25
Bab 3 Model Regresi untuk Data Survival
26
Bab 4 Model Hazard Proporsional dengan Stata
BAB 4
MODEL HAZARD PROPORSIONAL
DENGAN STATA
Contoh 4.1:
. use “D:\Analisis Survival\Data\leukemia.dta”, clear
(Leukemia Remission Study)
. list in 1/10
+----------------------------------+
| no weeks relapse x1 x2 |
|----------------------------------|
1. | 1 6 1 1 2.31 |
2. | 2 6 1 1 4.06 |
3. | 3 6 1 1 3.28 |
27
Bab 4 Model Hazard Proporsional dengan Stata
4. | 4 7 1 1 4.43 |
5. | 5 10 1 1 2.96 |
|----------------------------------|
6. | 6 13 1 1 2.88 |
7. | 7 16 1 1 3.6 |
8. | 8 22 1 1 2.32 |
9. | 9 23 1 1 2.57 |
10. | 10 6 0 1 3.2 |
+----------------------------------+
-----------------------------------------------------------------
42 total observations
0 exclusions
-----------------------------------------------------------------
42 observations remaining, representing
30 failures in single-record/single-failure data
541 total analysis time at risk and under observation
at risk from t = 0
earliest observed entry t = 0
last observed exit t = 35
. list in 1/10
+--------------------------------------------------------+
| no weeks relapse x1 x2 _st _d _t _t0 |
|--------------------------------------------------------|
1. | 1 6 1 1 2.31 1 1 6 0|
2. | 2 6 1 1 4.06 1 1 6 0|
3. | 3 6 1 1 3.28 1 1 6 0|
4. | 4 7 1 1 4.43 1 1 7 0|
5. | 5 10 1 1 2.96 1 1 10 0|
28
Bab 4 Model Hazard Proporsional dengan Stata
|--------------------------------------------------------|
6. | 6 13 1 1 2.88 1 1 13 0|
7. | 7 16 1 1 3.6 1 1 16 0|
8. | 8 22 1 1 2.32 1 1 22 0|
9. | 9 23 1 1 2.57 1 1 23 0|
10. | 10 6 0 1 3.2 1 0 6 0|
+--------------------------------------------------------+
Tampak adanya penambahan variabel _st, _d, _t, dan _t0.
Beberapa opsi:
estimate : Melakukan fit model tanpa kovariat
level(#) : Menentukan tingkat konfidensi, default-nya adalah level(95)
nohr : Tampilan HR diganti dengan koefisien regresi
Contoh 4.2:
. use “D:\Analisis Survival\Data\leukemia.dta”, clear
(Leukemia Remission Study)
. stcox x1 x2
failure _d: relapse
analysis time _t: weeks
29
Bab 4 Model Hazard Proporsional dengan Stata
------------------------------------------------------------
_t | Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]
---+--------------------------------------------------------
x1 | .2741535 .1157213 -3.07 0.002 .1198666 .6270315
x2 | 4.974592 1.638274 4.87 0.000 2.608751 9.48598
------------------------------------------------------------
30
Bab 4 Model Hazard Proporsional dengan Stata
No. of failures = 30
Time at risk = 541
LR chi2(2) = 43.41
Log likelihood = -72.27926 Prob > chi2 = 0.0000
-------------------------------------------------------------
_t | Coef. Std. Err. z P>|z| [95% Conf. Interval]
---+---------------------------------------------------------
x1 | -1.294067 .422104 -3.07 0.002 -2.121376 -.4667586
x2 | 1.604343 .3293283 4.87 0.000 .9588716 2.249815
-------------------------------------------------------------
Opsi:
separate : Gambarkan grafik observed dan predicted secara terpisah
Perintah stcoxkm menghasilkan grafik Kaplan-Meier observed dan
predicted sekaligus yang ditampilkan dalam 1 grafik.
sts graph [if] [in] [, options]
Opsi:
survival : Grafik fungsi survival Kaplan-Meier, default
failure : Grafik fungsi kegagalan Kaplan-Meier
cumhaz : Grafik fungsi hazard kumulatif Nelson-Aalen
hazard : Grafik estimasi hazard licin
by(varlist) : Estimasi dan grafik fungsi terpisah untuk tiap grup varlist
31
Bab 4 Model Hazard Proporsional dengan Stata
Contoh 4.3:
. use “D:\Analisis Survival\Data\leukemia.dta”, clear
(Leukemia Remission Study)
. stcoxkm, by(x1)
failure _d: relapse
analysis time _t: weeks
1.00 0.80
Survival Probability
0.40 0.60
0.20
0.00
32
Bab 4 Model Hazard Proporsional dengan Stata
1.00
Survival Probability
0.50
0.00
33
Bab 4 Model Hazard Proporsional dengan Stata
Opsi
logrank : Uji kesamaan log-rank; default
cox : Uji kesamaan Cox
wilcoxon : Uji kesamaan Wilcoxon-Breslow-Gehan
tware : Uji kesamaan Tarone-Ware
peto : Uji kesamaan Peto-Peto-Prentice
34
Bab 4 Model Hazard Proporsional dengan Stata
Contoh 4.4:
. use “D:\Analisis Survival\Data\leukemia.dta”, clear
(Leukemia Remission Study)
. sts test weeks, logrank
failure _d: relapse
analysis time _t: weeks
| Events Events
weeks | observed expected
------+-------------------------
1 | 2 0.10
2 | 2 0.20
3 | 1 0.12
4 | 2 0.36
5 | 2 0.47
6 | 3 1.30
7 | 1 0.36
8 | 4 2.01
9 | 0 0.50
10 | 1 1.09
11 | 2 1.93
12 | 2 1.51
13 | 1 0.82
15 | 1 0.88
16 | 1 0.95
17 | 1 2.06
19 | 0 1.03
20 | 0 1.03
22 | 2 2.51
23 | 2 3.08
25 | 0 1.54
35
Bab 4 Model Hazard Proporsional dengan Stata
32 | 0 3.08
34 | 0 1.54
35 | 0 1.54
------+-------------------------
Total | 30 30.00
chi2(23) = 115.62
Pr>chi2 = 0.0000
36
Bab 4 Model Hazard Proporsional dengan Stata
17 | 1 2.06 516.4631
19 | 0 1.03 0.0000
20 | 0 1.03 0.0000
22 | 2 2.51 10.8978
23 | 2 3.08 0.1254
25 | 0 1.54 0.0000
32 | 0 3.08 0.0000
34 | 0 1.54 0.0000
35 | 0 1.54 0.0000
------+--------------------------------------
Total | 30 30.00 1.0000
LR chi2(21) = 141.50
Pr>chi2 = 0.0000
11 | 2 1.93 -18
12 | 2 1.51 -8
13 | 1 0.82 -7
15 | 1 0.88 -9
16 | 1 0.95 -11
17 | 1 2.06 -39
19 | 0 1.03 -26
20 | 0 1.03 -26
22 | 2 2.51 -38
23 | 2 3.08 -46
25 | 0 1.54 -30
32 | 0 3.08 -60
34 | 0 1.54 -30
35 | 0 1.54 -30
------+--------------------------------------
Total | 30 30.00 0
chi2(23) = 98.52
Pr>chi2 = 0.0000
38
Bab 5 Evaluasi Kesesuaian Model
BAB 5
EVALUASI KESESUAIAN MODEL
Residual
Residual dalam model PH Cox tidak sama dengan residual dalam
model regresi lainnya. Dalam model regresi lain, residual adalah selisih
antara nilai respons observed dengan nilai respons predicted. Dalam data
survival, respons yaitu interval waktu sampai terjadinya kegagalan tidak
selalu diketahui, yaitu pada subjek tersensor.
Walaupun demikian, pada model PH Cox juga ada residual yang
dimanfaatkan antara lain untuk mengases asumsi hazard proporsional.
Dikenal berbagai residual pada model PH Cox, salah satu di antaranya yang
paling sering digunakan adalah residual Schoenfeld. Residual Schoenfeld
hanya memiliki nilai-nilai untuk subjek dengan kegagalan, dan bernilai nol
untuk subjek tersensor.
Dalam Stata, nilai residual diperoleh dengan perintah predict, yang
merupakan salah satu perintah dari stcox postestimation. Sebagai bagian
dari stcox postestimation, perintah predict hanya boleh diberikan
sesudah dan segera menyusul perintah pemodelan dengan stcox. Dengan
perintah predict juga dapat diprediksi nilai rasio hazard dan interval waktu
kegagalan. Sintaks-nya adalah
predict newvar [if] [in] [, options]
Opsi:
hr : rasio hazard predicted
xb : linear prediction x j β
39
Bab 5 Evaluasi Kesesuaian Model
Grafik hazard
Jika kedua grafik hazard (hazard baseline dan hazard dengan fungsi
eksponensial) berpotongan (gambar 5.1), maka asumsi hazard proporsional
tidak terpenuhi. Jika kedua grafik hazard tidak berpotongan, maka asumsi
hazard proporsional terpenuhi.
40
Bab 5 Evaluasi Kesesuaian Model
41
Bab 5 Evaluasi Kesesuaian Model
3
-ln[-ln(Survival Probability)]
0 1-1 2
42
Bab 5 Evaluasi Kesesuaian Model
1.00 0.80
Survival Probability
0.40 0.60
0.20
0.00
43
Bab 5 Evaluasi Kesesuaian Model
2
Scaled Schoenfeld - x1
-4 -2 -6 0
Secara lebih eksak, dapat dilakukan uji hipotesis, yaitu uji kebaikan-
suai dengan perintah estat phtest.
Untuk file leukemia.dta, diperoleh:
. estat phtest
Test of proportional-hazards assumption
Time: Time
------------------------------------------
| chi2 df Prob>chi2
------------+-----------------------------
global test | 0.07 2 0.9661
------------------------------------------
44
Bab 5 Evaluasi Kesesuaian Model
Fungsi waktu g (t) yang dapat digunakan antara lain yaitu t atau ln t.
Jika suku interaksi ini ternyata bermakna pada uji hipotesis, maka asumsi PH
dinyatakan tidak terpenuhi.
Misalkan pada file leukemia.dta, variabel x3 (sex) yang bersifat
time-independent akan dievaluasi. Ditambahkan suku x3*t dan dilakukan uji
hipotesis.
. stset weeks, failure(relapse)
. gen x3_prod = x3*weeks
. stcox x3 x3_prod
----------------------------------------------------------------
_t | Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]
--------+-------------------------------------------------------
x3 | 177.5658 166.7587 5.51 0.000 28.18148 1118.806
x3_prod | .6809985 .0554517 -4.72 0.000 .5805442 .7988348
----------------------------------------------------------------
Didapatkan suku sex*weeks bermakna secara statistik (p = 0.000),
sehingga disimpulkan bahwa variabel sex tidak memenuhi asumsi hazard
proporsional.
45
Bab 6 Model Hazard Proporsional Extended
BAB 6
MODEL HAZARD PROPORSIONAL
EXTENDED
p1 p
2
(
h t X (t ) ) = h 0 ( t ) exp ∑ β i X i + ∑ δ j X j ( t )
i =1 j =1
47
Bab 6 Model Hazard Proporsional Extended
(
X ( t ) = X 1, X 2 , . . . , X p , X 1 ( t ) , X 2 ( t ) , . . . , X p ( t )
1 2
)
( X , X , . . . , X ) adalah himpunan variabel time-independent, sedangkan
1 2 p
1
48
Bab 6 Model Hazard Proporsional Extended
Contoh 6.1:
File data yang akan dianalisis adalah hip4.dta, yang memuat data
penelitian tentang fraktur panggul. Beberapa variabelnya yaitu:
|-------------------------------|
6. | 6 0 4 1 50 |
7. | 7 0 5 1 100 |
8. | 8 0 5 1 50 |
9. | 9 0 5 0 50 |
10. | 9 5 8 1 50 |
+-------------------------------+
Ada 2 macam dosis awal pemberian obat (init.drug_level), yaitu 50
dan 100. Kadar obat dalam darah akan mengalami peluruhan dengan laju
dengan skala eksponensial, sehingga kadar obat dalam darah pada waktu t
adalah init.drug_level × exp(−0.35t). Perintah Stata yaitu:
. stcox protect, tvc(init_drug_level) texp(exp(-0.35*_t))
failure _d: fracture
analysis time _t: time1
id: id
50
Bab 6 Model Hazard Proporsional Extended
----------------------------------------------------------------------
_t | Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]
----------------+-----------------------------------------------------
main |
protect | .1183196 .0518521 -4.87 0.000 .050122 .2793091
----------------+-----------------------------------------------------
tvc |
init_drug_level | .8848298 .0601786 -1.80 0.072 .7744052 1.011
----------------------------------------------------------------------
Note: Variables in tvc equation interacted with exp(-0.35*_t).
Rasio hazard untuk init.drug_level sebesar 0.8848 adalah nilai
rerata rasio hazard antara kadar awal obat 100 dengan kadar awal obat 50
untuk mengalami kegagalan (fraktur panggul).
51
Bab 7 Model Survival Parametrik
BAB 7
MODEL SURVIVAL PARAMETRIK
( )
h t X j = h 0 ( t ) exp ( β 1 X )
Misalnya pada model eksponensial, h 0 ( t ) diasumsikan sama dengan
exp ( β 0 ) , sehingga:
( )
h t X j = exp ( β 0 ) × exp ( β 1 X )
= exp ( β 0 + β 1 X )
- Asumsi AFT (accelerated failure time): Efek kovariat bersifat
multiplikatif terhadap waktu survival.
T = exp (α 0 + α 1 X + ε )
= exp (α 0 ) × exp (α 1 ) × exp ( ε )
Atau: ln (T) = α 0 + α 1 X + ε
53
Bab 7 Model Survival Parametrik
h ( t X ) = exp ( β 0 ) exp ( β 1 X )
= exp ( β 0 + β 1 X )
54
Bab 7 Model Survival Parametrik
τ j = exp − ( β 1 X ) t j
( )
ln t j = β 1 X + ln τ j( )
= β 1X + β 0 + uj
Contoh 7.1:
. use “D:\Analisis survival\Data\leukemia.dta”, clear
(Leukemia Remission Study)
. stset weeks, failure(relapse)
failure event: relapse != 0 & relapse < .
obs. time interval: (0, weeks]
exit on or before: failure
-----------------------------------------------------------------
42 total observations
0 exclusions
-----------------------------------------------------------------
42 observations remaining, representing
30 failures in single-record/single-failure data
541 total analysis time at risk and under observation
55
Bab 7 Model Survival Parametrik
at risk from t = 0
earliest observed entry t = 0
last observed exit t = 35
Exponential PH regression
----------------------------------------------------------------
_t | Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]
------+---------------------------------------------------------
x1 | .3351846 .138513 -2.65 0.008 .149118 .7534214
x2 | 2.421518 .5224968 4.10 0.000 1.586433 3.696183
_cons | .0077134 .0058345 -6.43 0.000 .0017514 .0339708
----------------------------------------------------------------
Note: _cons estimates baseline hazard.
56
Bab 7 Model Survival Parametrik
---------------------------------------------------------------
_t | Coef. Std. Err. z P>|z| [95% Conf. Interval]
------+--------------------------------------------------------
x1 | 1.093074 .413244 2.65 0.008 .2831306 1.903017
x2 | -.8843946 .2157724 -4.10 0.000 -1.307301 -.4614884
_cons | 4.864799 .756414 6.43 0.000 3.382255 6.347344
57
Bab 7 Model Survival Parametrik
---------------------------------------------------------------
Tampak bahwa model PH dan model AFT eksponensial memiliki
nilai-nilai estimasi yang sama besar, hanya berlawanan tanda.
λ = exp ( β 0 + β 1 X )
Contoh 7.2:
. use “D:\Analisis survival\Data\leukemia.dta”, clear
(Leukemia Remission Study)
. stset weeks, failure(relapse)
. streg x1 x2, dist(weibull)
failure _d: relapse
analysis time _t: weeks
58
Bab 7 Model Survival Parametrik
Weibull PH regression
------------------------------------------------------------------
_t | Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]
------+-----------------------------------------------------------
x1 | .2330768 .0965324 -3.52 0.000 .1035048 .5248528
x2 | 5.953789 2.010414 5.28 0.000 3.071627 11.54033
_cons | .0000282 .0000482 -6.14 0.000 9.95e-07 .0008015
------+-----------------------------------------------------------
/ln_p | .7930337 .1422085 5.58 0.000 .5143103 1.071757
------+-----------------------------------------------------------
p | 2.210091 .3142937 1.672485 2.920507
1/p | .45247 .0643451 .3424063 .5979129
------------------------------------------------------------------
Note: Estimates are transformed only in the first equation.
59
Bab 7 Model Survival Parametrik
60
Bab 7 Model Survival Parametrik
Contoh 7.3:
. use “D:\Analisis survival\Data\leukemia.dta”, clear
(Leukemia Remission Study)
. stset weeks, failure(relapse)
failure event: relapse != 0 & relapse < .
obs. time interval: (0, weeks]
exit on or before: failure
-----------------------------------------------------------------
42 total observations
0 exclusions
-----------------------------------------------------------------
42 observations remaining, representing
30 failures in single-record/single-failure data
541 total analysis time at risk and under observation
at risk from t = 0
earliest observed entry t = 0
61
Bab 7 Model Survival Parametrik
------------------------------------------------------------------
_t | Coef. Std. Err. z P>|z| [95% Conf. Interval]
---------+--------------------------------------------------------
x1 | .7425474 .2098214 3.54 0.000 .331305 1.15379
62
Bab 7 Model Survival Parametrik
63
Bab 8 Power dan Ukuran Sampel
BAB 8
POWER DAN UKURAN SAMPEL
Dalam bab ini akan dibahas beberapa perhitungan ukuran sampel, power,
dan ukuran efek (effect size) untuk analisis survival dengan menggunakan Stata.
Opsi:
alpha(numlist) : Tingkat signifikansi; default-nya adalah alpha(0.05)
power(numlist) : Power; default-nya adalah power(0.8)
beta(numlist) : Probabilitas kesalahan tipe II, default-nya adalah beta(0.2)
n(numlist) : Ukuran sampel, dibutuhkan pada perhitungan power atau
ukuran efek
n1(numlist) : Ukuran sampel grup kontrol
n2(numlist) : Ukuran sampel grup eksperimental
nratio(numlist) : Rasio ukuran sampel, N2/N1; default-nya adalah nratio(1)
hratio(numlist) : Rasio hazard; default-nya adalah hratio(0.5)
lnhratio(numlist) : Log rasio hazard
65
Bab 8 Power dan Ukuran Sampel
Contoh 8.1:
Hitung ukuran sampel yang dibutuhkan untuk mendeteksi rasio hazard default
0.5 dengan menggunakan metode Freeman. Diasumsikan uji dua sisi dengan
tingkat signifikansi 5%, power 80% dan ukuran sampel kedua grup sama
besar (default).
. power logrank
Estimated sample sizes for two-sample comparison of
survivor functions
Log-rank test, Freedman method
Ho: HR = 1 versus Ha: HR != 1
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.5000 (hazard ratio)
hratio = 0.5000
Censoring:
Pr_E = 1.0000
E = 72
N = 72
N per group = 36
66
Bab 8 Power dan Ukuran Sampel
Ukuran sampel minimum per grup adalah 36 dan ukuran sampel seluruhnya
72.
Study parameters:
alpha = 0.0500
power = 0.8000
delta = -0.6931 (log hazard-ratio)
hratio = 0.5000
Censoring:
Pr_E = 1.0000
E = 66
N = 66
N per group = 33
Ukuran sampel minimum per grup adalah 33 dan ukuran sampel seluruhnya
66.
Study parameters:
alpha = 0.0500
power = 0.8000
delta = 0.7370 (hazard ratio)
hratio = 0.7370
Censoring:
s1 = 0.5000
s2 = 0.6000
Pr_E = 0.4500
E = 270
N = 600
N per group = 300
Ukuran sampel minimum per grup adalah 300 dan ukuran sampel seluruhnya
600.
Hitung power pada studi dengan ukuran sampel grup kontrol 50 dan grup
eksperimental 100, probabilitas survival pada grup kontrol adalah 50% dan
rasio hazard 0.7370.
. power logrank 0.5, n(150) nratio(2) hratio(0.7370) onesided
Estimated power for two-sample comparison of
survivor functions
Log-rank test, Freedman method
Ho: HR = 1 versus Ha: HR < 1
Study parameters:
alpha = 0.0500
N = 150
68
Bab 8 Power dan Ukuran Sampel
N1 = 50
N2 = 100
N2/N1 = 2.0000
delta = 0.7370 (hazard ratio)
hratio = 0.7370
E = 66
s1 = 0.5000
s2 = 0.6000
Pr_E = 0.4333
Estimated power:
power = 0.3326
Sama seperti di atas, tentukan rasio hazard minimum yang dapat dideteksi
pada sampel berukuran 150 dengan power 90%, dan sesuai default rasio
hazard target diasumsikan kurang daripada satu.
Study parameters:
alpha = 0.0500
N = 150
N1 = 50
N2 = 100
N2/N1 = 2.0000
delta = 0.7370 (hazard ratio)
hratio = 0.7370
69
Bab 8 Power dan Ukuran Sampel
E = 66
s1 = 0.5000
s2 = 0.6000
Pr_E = 0.4333
Estimated power:
power = 0.3326
Opsi:
alpha(numlist) : Tingkat signifikansi; default-nya adalah alpha(0.05)
power(numlist) : Power; default-nya adalah power(0.8)
beta(numlist) : Probabilitas kesalahan tipe II, default-nya adalah beta(0.2)
70
Bab 8 Power dan Ukuran Sampel
Contoh 8.2:
Hitung jumlah kegagalan yang diperlukan untuk mendeteksi penurunan 0.5
pada hazard kovariat biner yang diminati. Sesuai default, rasio hazard adalah
0.5 sehingga koefisien regresi ln (0.5) = −0.6931, SD kovariat adalah 0.5,
tingkat signifikansi 5%, dan power 80%. Akan digunakan uji dua-sisi.
. power cox
Estimated sample size for Cox PH regression
Wald test
Ho: beta1 = 0 versus Ha: beta1 != 0
Study parameters:
alpha = 0.0500
power = 0.8000
delta = -0.6931 (coefficient)
hratio = 0.5000
sd = 0.5000
Censoring:
71
Bab 8 Power dan Ukuran Sampel
Pr_E = 1.0000
E = 66
N = 66
Study parameters:
alpha = 0.0500
power = 0.8000
delta = -1.0000 (coefficient)
b1 = -1.0000
sd = 0.3000
Censoring:
Pr_E = 1.0000
E = 69
N = 69
72
Bab 8 Power dan Ukuran Sampel
Hitung power pada studi dengan koefisien regresi kovariat yang diminati −1,
probabilitas total kegagalan 0.85, ukuran sampel 150 dengan standar deviasi
0.3. Korelasi kuadrat kovariat yang diminati dengan kovariat lain adalah R2 =
0.3. Akan dilakukan uji sat-sisi.
. power cox -1, n(150) sd(0.3) eventprob(0.85) r2(0.3) onesided
Estimated power for Cox PH regression
Wald test
Ho: beta1 = 0 versus Ha: beta1 < 0
Study parameters:
alpha = 0.0500
N = 150
delta = -1.0000 (coefficient)
b1 = -1.0000
sd = 0.3000
R2 = 0.3000
E = 128
Pr_E = 0.8500
Estimated power:
power = 0.8828
73
KEPUSTAKAAN
75