BUNDA DEPE PDF TIDAK BISA MO COPY AKAN UTI JADI INI ADA TRANSLATE DI

KETIK PER KATA, SO PUSING KITA ASLIIIIII, JDI DPE GAMBAR NANTI NGA CEK DI
PDF YAHHHH

Pengenalan/introduction

Kami mulai dengan ulasan singkat tentang tujuan analisis survival, notasi dasar dan terminologi, dan tata
letak data dasar untuk komputer. Kami kemudian menjelaskan cara memperkirakan dan membuat grafik
kurva kelangsungan hidup menggunakan metode Kaplan-Meier (KM). Perkiraan probabilitas
kelangsungan hidup dihitung menggunakan rumus batas produk. Selanjutnya, kami menjelaskan
bagaimana membandingkan dua atau lebih kurva survival menggunakan uji log-rank dari hipotesis nol
dari kurva survival umum. Untuk dua kelompok, statistik log-rank didasarkan pada jumlah yang diamati
dikurangi skor yang diharapkan untuk kelompok tertentu dan estimasi variansnya. Untuk beberapa
kelompok, komputer harus selalu digunakan karena log-rank untuk mula lebih rumit secara matematis.
Statistik uji kira-kira chi-square dalam sampel besar dengan derajat kebebasan G1,di mana G
menunjukkan jumlah kelompok yang dibandingkan.

Garis Besar Singkat

Garis besar di bawah ini memberi pengguna pratinjau materi yang akan dibahas oleh presentasi. Garis
besar terperinci untuk keperluan ulasan mengikuti presentasi

I Tinjauan (halaman 48-50)

Contoh kurva Kaplan-Meier (halaman 51-55) II

III Fitur umum kurva KM (halaman 56-57)

IV. Tes peringkat-log untuk dua kelompok (halaman 57-61)

V. Tes peringkat-log untuk beberapa kelompok (halaman 61-63) Alternatif untuk tes peringkat-log
(halaman 63-68)

VI. Ringkasan

VII (halaman 68)

Tujuan
Setelah menyelesaikan bab pelajar harus dapat:

1. Menghitung probabilitas Kaplan-Meier (KM) untuk bertahan hidup mengingat waktu bertahan hidup
dan informasi status kegagalan pada sampel subjek.

2. Menginterpretasikan grafik kurva KM yang membandingkan dua atau lebih sdnoun.

3. Menarik kesimpulan apakah dua atau lebih kurva vival adalah sama berdasarkan hasil komputer yang
menyediakan tes log-rank dan / atau tes alternatif

4. Putuskan apakah uji peringkat log atau salah satu alternatif dari tes ini lebih sesuai untuk satu set
data survival tertentu.

Presentasi

ini menjelaskan cara memplot dan menginterpretasikan data survival menggunakan kurva survival
Kaplan-Meier (KM) dan bagaimana menguji apakah dua atau lebih kurva KM setara dengan
menggunakan uji log-rank. Kami juga menjelaskan tes alternatif untuk tes log-rank.

Gambar

merencanakan dan menafsirkan kurva survival KM. uji kesetaraan kurva KM menggunakan uji log-
rank FOCUS e Peto test

Kami mulai dengan meninjau dasar-dasar analisis survival. Secara umum, analisis survival adalah
kumpulan prosedur statistik untuk analisis data di mana variabel hasil yang menarik adalah waktu
sampai suatu peristiwa terjadi. Yang kami maksudkan adalah kematian, insiden penyakit, kambuh dari
remisi, atau pengalaman menarik yang mungkin terjadi pada seorang individu. Ketika melakukan analisis
survival, kita biasanya menyebut variabel waktu sebagai waktu bertahan hidup. Kami juga biasanya
menyebut acara tersebut sebagai kegagalan. Sebagian besar analisis survival mempertimbangkan
masalah analitis data kunci yang disebut sensor. Intinya, penyensoran terjadi ketika kita memiliki
beberapa informasi tentang waktu kelangsungan hidup individu, tetapi kita tidak tahu waktu
kelangsungan hidup secara tepat. Sebagian besar data waktu kelangsungan hidup disensor dengan
benar, karena interval waktu kelangsungan hidup yang sebenarnya, yang tidak kita ingat. sekutu tahu,
telah terputus (yaitu, disensor) di sisi kanan interval waktu yang diamati, memberi kita waktu bertahan
hidup yang diamati yang lebih pendek dari waktu kelangsungan hidup yang sebenarnya. Kami ingin
menggunakan waktu bertahan hidup yang diamati untuk menarik implikasi tentang waktu kelangsungan
hidup yang sebenarnya. Sebagai notasi, kami menyatakan dengan huruf kapital T variabel acak untuk
waktu bertahan hidup seseorang. Selanjutnya, kami catat dengan huruf kecil t nilai spesifik kepentingan
untuk variabel T

Kami membiarkan delta huruf Yunani (8) menunjukkan variabel acak (0,1) yang menunjukkan sensor
atau kegagalan. Seseorang yang tidak gagal, yaitu, tidak mendapatkan peristiwa selama masa studi,
harus disensor baik sebelum atau di akhir penelitian. Fungsi survivor, dilambangkan dengan S (t),
memberikan probabilitas bahwa variabel acak T melebihi waktu yang ditentukan t. Secara teoritis, ketika
t berkisar dari 0 hingga tak terbatas fungsi survivor digambarkan sebagai kurva halus yang menurun,
yang dimulai pada S (t) 1 pada t 0 dan mengarah ke bawah menuju nol ketika t meningkat ke arah tak
hingga. Dalam praktiknya, dengan menggunakan data, kami biasanya mendapatkan kurva selamat yang
diperkirakan yang merupakan fungsi langkah, seperti yang diilustrasikan di sini, daripada kurva yang
halus.

Fungsi bahaya, dilambangkan dengan h (t), memberikan potensi instan per unit waktu untuk peristiwa
terjadi mengingat bahwa individu telah bertahan hingga waktu t. Berbeda dengan fungsi survivor, yang
berfokus pada tidak gagal, fungsi bahaya berfokus pada gagal; dengan kata lain, semakin tinggi bahaya
rata-rata, semakin buruk dampaknya terhadap kelangsungan hidup. Bahaya adalah tingkat, bukan
prohabilitas. Dengan demikian, nilai-nilai fungsi bahaya antara nol dan tak terbatas. Terlepas dari fungsi
S (t) atau h (t) mana yang lebih disukai, ada hubungan yang jelas antara keduanya. Bahkan, jika
seseorang mengetahui bentuk S (t), ia dapat memperoleh h (t) yang sesuai, dan sebaliknya.

Tata letak data umum untuk analisis survival diberikan oleh tabel yang ditunjukkan di sini. Kolom
pertama dari tabel mengidentifikasi subyek penelitian. Kolom kedua memberikan informasi waktu hidup
yang diamati. Kolom ketiga memberikan informasi untuk S, variabel dikotomis yang menunjukkan status
sensor. Sisa dari informasi dalam tabel memberikan nilai untuk variabel penjelas yang menarik Tata letak
data alternatif ditampilkan di sini. Lay-out ini adalah dasar kurva Kurva-Meier sur vival diturunkan.
Kolom pertama dalam tabel memberikan waktu kelangsungan hidup terurut dari terkecil ke terbesar.
Kolom kedua memberikan jumlah frekuensi kegagalan pada setiap waktu kegagalan yang berbeda.
Kolom ketiga memberikan jumlah frekuensi, dilambangkan dengan qj, dari orang-orang yang disensor
dalam interval waktu mulai dengan waktu kegagalan t) hingga tetapi tidak termasuk waktu kegagalan
berikutnya, dilambangkan dengan titt). Kolom terakhir memberikan set risiko, yang menunjukkan koleksi
individu yang telah bertahan setidaknya sampai waktu t)
Untuk memperkirakan probabilitas kelangsungan hidup pada waktu tertentu, kami menggunakan risiko
yang ditetapkan pada saat itu untuk memasukkan informasi yang kami miliki tentang orang yang
disensor hingga waktu penyensoran, alih-alih hanya membuang semua informasi pada orang yang
disensor. Perhitungan aktual dari probabilitas kelangsungan hidup seperti itu dapat dilakukan dengan
menggunakan metode Kaplan-Meier (KM). Kami memperkenalkan metode KM di bagian selanjutnya
dengan contoh.

Data untuk contoh ini berasal dari studi waktu remisi dalam minggu untuk dua kelompok pasien
leukemia, dengan 21 pasien di setiap kelompok. Kelompok 1 adalah kelompok perlakuan kelompok
plasebo. Pertanyaan mendasar yang menjadi perhatian adalah membandingkan pengalaman bertahan
hidup kedua kelompok. dan 2 adalah dnoa Dari 21 orang dalam kelompok 1, 9 gagal selama periode
penelitian dan 12 orang disensor. Sebaliknya, tidak ada data dalam grup 2 yang disensor; bahwa semua
21 orang dalam kelompok plasebo keluar dari remisi selama masa studi. Dalam Bab 1, kami mengamati
untuk kumpulan data ini bahwa kelompok 1 tampaknya memiliki prognosis kelangsungan hidup yang
lebih baik daripada kelompok 2, menunjukkan bahwa pengobatan ini efektif. Kesimpulan ini didukung
oleh statistik deskriptif untuk waktu kelangsungan hidup rata-rata dan tingkat bahaya rata-rata yang
ditunjukkan. Perhatikan, bagaimanapun, bahwa statistik deskriptif memberikan perbandingan
keseluruhan tetapi tidak membandingkan kedua kelompok pada waktu tindak lanjut yang berbeda.

Tabel waktu kegagalan yang dipesan ditunjukkan di sini untuk setiap grup. Tabel-tabel ini memberikan
informasi dasar untuk perhitungan kurva KM. Setiap tabel dimulai dengan waktu bertahan hidup nol,
meskipun tidak ada subjek yang benar-benar gagal pada awal tindak lanjut. Alasan untuk nol adalah
untuk memungkinkan kemungkinan bahwa beberapa subjek mungkin telah disensor sebelum waktu
kegagalan paling awal. Juga, setiap tabel berisi kolom yang dilambangkan sebagai n yang memberikan
jumlah subjek dalam risiko yang ditetapkan pada awal interval. Mengingat bahwa set risiko didefinisikan
sebagai kumpulan individu yang telah bertahan setidaknya sampai waktu t, diasumsikan bahwa n
termasuk orang-orang yang gagal pada waktu t. Dengan kata lain, nj menghitung subjek yang berisiko
gagal secara instan sebelum waktu t. Sekarang kami menjelaskan cara menghitung kurva KM untuk tabel
untuk grup 2. Perhitungan untuk grup 2 cukup mudah karena tidak ada subjek yang disensor untuk grup
ini.Tabel waktu kegagalan yang dipesan untuk disajikan di sini lagi dengan penambahan kolom 2
kelompok lain yang berisi perkiraan probabilitas kelangsungan hidup. Estimasi ini adalah probabilitas
kelangsungan hidup KM untuk grup ini. Kami akan membahas perhitungan probabilitas ini segera

Aplot probabilitas kelangsungan hidup KM yang sesuai dengan setiap waktu kegagalan yang
diperintahkan ditunjukkan di sini untuk grup 2. Plot empiris seperti ini biasanya diplot sebagai fungsi
langkah yang dimulai dengan garis horizontal dengan probabilitas survival 1 dan kemudian langkah ke
kemungkinan bertahan hidup lainnya ketika kita bergerak dari satu waktu kegagalan yang diperintahkan
ke yang lain. Kami sekarang menggambarkan bagaimana probabilitas kelangsungan hidup untuk data
kelompok 2 dihitung. Ingatlah bahwa probabilitas sur vival memberikan probabilitas bahwa subjek
penelitian bertahan melewati waktu yang ditentukan. Dengan demikian, dengan mempertimbangkan
data kelompok 2, probabilitas untuk bertahan melewati nol adalah satu, karena akan selalu untuk setiap
kumpulan data. Selanjutnya, probabilitas bertahan melewati waktu kegagalan pertama atau tanggal satu
minggu diberikan oleh 19/21 atau (0,90) karena 2 orang gagal pada satu minggu, sehingga 19 orang dari
21 yang asli tetap sebagai yang selamat melewati satu minggu. , probabilitas berikutnya menyangkut
subjek yang bertahan dua minggu terakhir, yaitu 17/21 (atau 0,81) karena 2 subjek gagal pada satu
minggu dan 2 subjek gagal pada dua minggu meninggalkan 17 dari 21 subjek asli yang bertahan
melewati dua minggu. Probabilitas kelangsungan hidup yang tersisa dalam tabel dihitung dengan cara
yang sama, yaitu, kami menghitung jumlah subjek yang bertahan melewati waktu yang ditentukan yang
dipertimbangkan dan membagi jumlah ini dengan 21, jumlah subjek pada awal tindak lanjut.

Ingatlah bahwa tidak ada subjek dalam grup 2 yang disensor, sehingga kolom q untuk grup 2 seluruhnya
terdiri dari ze-ros. Jika beberapa q itu bukan nol, formula alternatif untuk menghitung kemungkinan
kelangsungan hidup akan dibutuhkan. Formula alternatif ini disebut pendekatan Kaplan-Meier (KM) dan
dapat diilustrasikan menggunakan data grup 2 meskipun semua nilai q adalah nol.

Sebagai contoh, cara alternatif untuk menghitung probabilitas bertahan hidup melebihi empat minggu
untuk data kelompok 2 dapat ditulis menggunakan formula KM yang ditunjukkan di sini. Formula ini
melibatkan produk dari syarat probabilitas bersyarat. Artinya, setiap istilah dalam produk adalah
probabilitas melebihi waktu kegagalan spesifik yang dipesan t) mengingat bahwa subjek bertahan hingga
waktu kegagalan tersebut. Dengan demikian, dalam formula KM untuk bertahan hidup selama empat
minggu terakhir, istilah 19/21 memberikan kemungkinan bertahan melewati waktu kegagalan yang
dipesan pertama, satu minggu, diberikan angka bertahan hidup hingga minggu pertama. Perhatikan
bahwa semua 21 2 bertahan hingga satu minggu, tetapi tidak ada orang dalam 2 gagal pada satu minggu,
meninggalkan 19 orang bertahan melewati satu minggu. Demikian pula, istilah 16/17 memberikan
kemungkinan bertahan melewati waktu kegagalan urutan ketiga pada minggu ke 3, memberikan angka
bertahan hidup hingga minggu ke 3. Ada 17 orang yang selamat hingga minggu ke 3 dan salah satunya
gagal, meninggalkan 16 orang yang selamat melewati minggu 3. Catat bahwa 17 orang dalam penyebut
mewakili angka dalam risiko yang ditetapkan pada minggu 3.

Perhatikan bahwa persyaratan produk dalam rumus KM untuk bertahan selama empat minggu terakhir
berhenti pada minggu keempat dengan komponen 14/16. Demikian pula, formula KM untuk bertahan
selama delapan minggu berhenti pada minggu ke delapan. Lebih umum, formula KM apa pun untuk
probabilitas kelangsungan hidup terbatas pada persyaratan produk hingga minggu kelangsungan hidup
yang ditentukan. Itulah sebabnya rumus KM sering disebut sebagai formula "batas produk".
Selanjutnya, kami mempertimbangkan rumus KM untuk data dari kelompok 1, di mana ada beberapa
pengamatan yang disensor. Perkiraan probabilitas kelangsungan hidup yang diperoleh dengan
menggunakan rumus KM diperlihatkan di sini untuk kelompok 1. Estimasi kelangsungan hidup pertama
dalam daftar adalah S (0) 1, karena akan selalu demikian, karena ini memberikan kemungkinan bertahan
melewati waktu nol.

Perkiraan survival lainnya dihitung dengan menghitung estimasi untuk waktu kegagalan yang didahului
dengan sebagian kecil. Sebagai contoh, fraksi adalah 18/21 untuk bertahan minggu lalu 6, karena 21
subjek tetap hingga minggu 6 dan 3 dari subyek ini gagal bertahan minggu lalu 6. Fraksi adalah 16/17
untuk bertahan melewati minggu 7, karena 17 orang - tetap hingga minggu 7 dan salah satunya gagal
bertahan minggu lalu 7. Fraksi lain dihitung dengan cara yang sama. Untuk waktu kegagalan yang
ditentukan t, fraksi dapat secara umum dinyatakan sebagai probabilitas kondisional untuk bertahan
melewati waktu terakhir f, mengingat ketersediaan (yaitu, dalam set risiko) pada waktu t. Ini adalah
rumus yang persis sama dengan yang sebelumnya kami gunakan untuk menghitung setiap istilah produk
dalam rumus batas produk yang digunakan untuk data grup 2 Perhatikan bahwa subjek mungkin tidak
tersedia pada waktu t karena salah satu dari dua alasan: (1) salah satu subjek memiliki gagal sebelum ti,
atau (2) subjek telah disensor sebelum t. Kelompok 1 memiliki pengamatan yang disensor, sedangkan
kelompok 2 tidak. Jadi, untuk kelompok 1, pengamatan yang disensor harus diperhitungkan ketika
menentukan jumlah yang tersedia di t

Plot kurva KM untuk grup 1 dan 2 ditunjukkan di sini pada grafik yang sama. Perhatikan bahwa kurva I
KM untuk kelompok 1 secara konsisten lebih tinggi daripada kurva KM untuk kelompok 2. Angka-angka
ini menunjukkan bahwa kelompok 1, yang merupakan kelompok perlakuan, memiliki prognosis
kelangsungan hidup yang lebih baik daripada kelompok 2, kelompok plasebo. Selain itu, dengan
meningkatnya jumlah minggu, kedua kurva tampak semakin terpisah, menunjukkan bahwa efek
menguntungkan dari pengobatan terhadap plasebo lebih besar semakin lama tinggal dalam remisi. Plot
KM yang ditunjukkan di atas dapat dengan mudah diperoleh dari sebagian besar paket komputer yang
melakukan analisis survval, termasuk SAS, Stata, dan SPSS. Yang perlu dilakukan pengguna adalah
menyediakan program dengan tata letak data dasar dan kemudian memberikan perintah yang sesuai
untuk mendapatkan plot.