Junlal Exp Nazmi
Junlal Exp Nazmi
(Studi Kasus: Pasien Rawat Inap Demam Berdarah Dengue (DBD) di Rumah Sakit Dirgahayu
Samarinda Periode Juli 2016 s.d Juni 2017)
Cox Proportional Hazard Model At The Tied Incident With Breslow Method
(Case Study: Inpatient Dengue Hemorrhagic Fever (DHF) at Dirgahayu Hospital Samarinda
July 2016 - June 2017)
ABSTRACT
Cox proportional hazard model at the tied incident is a modification from Cox model while there are two or
more individual that experienced tied. Parameter estimation in procedure formation of cox generally uses
maximum partial likelihood estimation (MPLE) that maximised the function of partial likelihood. In incident
with ties case, the modification at partial likelihood is done with breslow approach. The data used in this
research were Dengue Hemorrhagic Fever patients (DHF) who were hospitalized at Dirgahayu Hospital
Samarinda from July 2016 until June 2017. There are 100 patients with 5 independent variables that are
suspected to affect the healing of Dengue Hemorrhagic Fever (DHF) patients, namely sex, age, platelet
count, hematocrit count, and duration of fever before hospitalized. From the calculation of data used R
2.11.1 software, Cox proportional hazard model using Breslow method, it is obtained that significant
variable, are the count of platelets and hematocrit, and the duration of fever before hospitalized, patient who
had normal platelet count had a chance of healing 2.359 times faster than patients had a thrombocytopenia
(low platelet). For the amount of heamatocrit each patient who had a normal hematocrit had a chance of
healing 2.364 times faster than patients who had under-normal hematocrit, and each one day addition to
duration of patient's long history fever before hospitalized, decreased the chance of healing by 0.849 times.
t t i i
xij : Nilai dari variabel bebas ke-p dari individu
Kejadian Bersama
Dalam analisis survival terkadang ditemukan yang mengalami event pada waktu t(i)
adanya kejadian bersama atau yang sering disebut Asumsi proportional hazard terpenuhi jika
ties. Kejadian bersama atau Ties adalah kejadian tidak terdapat korelasi antara residual Schoenfeld
dimana terdapat dua individu atau lebih yang dengan ranking survival time. Berikut adalah
mengalami kejadian pada waktu yang bersamaan. rumus korelasi yang digunakan:
RTi RT i
m
Jika suatu data terdapat ties, maka akan Rij Rij
menimbulkan permasalahan dalam membentuk j 1
r
j 1 RTi RT i
partial likelihood yaitu saat menentukan anggota m 2 m 2
Rij Rij
dari himpunan risikonya (Vitriana , 2016). j 1
Menurut Allison (2010), terdapat tiga metode di mana,
yang bisa digunakan untuk mengatasi kejadian m : Jumlah Individu ke-i
bersama dalam analisis survival yaitu metode RTi : Rangking waktu survival untuk individu ke- i
Breslow, metode Efron, dan metode Exact. Metode
RTi :Rata-rata rangking waktu survival untuk
Breslow dan metode Efron keduanya memiliki
perhitungan yang sederhana dan cepat, sedangkan individu ke-i
metode Exact perhitungannya lebih rumit. Hipotesis
H0 : (Asumsi proportional hazard terpenuhi)
Asumsi Proportional Hazard H1 : (Asumsi proportional hazard tidak terpenuhi)
Ada pendekatan umum untuk menaksir asumsi Statistik Uji
proportional hazard yaitu grafik dan Uji Goodness r
z
1 (9)
Of Fit (GOF).
n 1
1. Pendekatan Grafik ln ln( S (t ))
Membuat plot ln ln( S (t )) dari fungsi Tolak H 0 jika nilai | z | z 2 atau p-value ≤ α,
survival. Cara ini hanya dapat digunakan untuk artinya asumsi propotional hazard tidak terpenuhi
variabel kategorik. Jika garis antar kategorik sejajar yang berarti terdapat korelasi antara residual
maka dapat dikatakan asumsi terpenuhi Schoenfeld dengan ranking survival time.
(Collet,2003).
2. Uji Goodness of Fit Model Umum Proportional Hazard
Pengujian asumsi proportional hazard dengan Model Cox proportional hazard merupakan
metode goodness of fit menggunakan residual model berdistribusi semiparametrik karena model
Schoenfeld. Residual Schoenfeld terdefinisi pada Cox tidak memerlukan informasi tentang distribusi
setiap individu yang mengalami event untuk setiap yang mendasari waktu survival dan parameter
variabel prediktor dalam model (Kleinbaum & regresi dapat diestimasi dari model Cox tanpa harus
Klein, 2005). Adapun langkah-langkah pengujian menentukan fungsi baseline hazard (Lee dan
asumsi proportional hazard menggunakan residual Wang, 2003). Model semiparametrik lebih sering
Schoenfeld adalah sebagai berikut: digunakan karena walaupun bentuk fungsional
1. Membangun model Cox proportional hazard baseline hazard tidak diketahui, tetapi model Cox
dan mencari taksiran residual Schoenfeld untuk proportional hazard dapat memberikan informasi
setiap variabel bebas. berupa hazard ratio yang tidak bergantung pada
2. Membuat variabel ranking survival time di baseline hazard. Melalui model Cox proportional
mana waktu survival diurutkan mulai dari hazard dapat dilihat hubungan antara variabel
individu yang mengalami event pertama kali. bebas terhadap variabel terikat yaitu waktu
3. Menguji korelasi antara variabel yang survival fungsi hazardnya. Persamaan model Cox
dihasilkan pada langkah pertama yaitu residual proportional hazard dapat ditulis sebagai berikut:
Schoenfeld dengan variabel yang dihasilkan
pada langkah kedua yaitu ranking survival time.
h t , x h0 t exp 1x1 2 x2 p x p (10)
Rumus umum residual Schoenfeld adalah dengan:
sebagai berikut: h0 (t) : baseline hazard
( x1 , x2 ,..., x p ) : vektor yang berisi p variabel bebas
lR ti
xlj exp β'xˆ
l
( 1 , 2 ,..., p ) : vektor pada parameter regresi
Rij i xij , j 1, 2, , p; i 1, 2, , n (8)
lR ti
exp β'xˆ
l
Estimasi Parameter Model Regresi Cox r p p
Proportional Hazard j xij ln exp j xlj ) (13)
i 1 j 1
lR ti j 1
Estimasi parameter βj dengan j 1,2,..., p pada
model regresi Cox proportional hazard dapat
dilakukan salah satunya menggunakan metode Estimasi Parameter Metode Breslow
Maximum Partial likelihood Estimation (MPLE.) Menurut Klein dan Moeschberger (2003), fungsi
Fungsi likelihood adalah fungsi dari parameter- partial likelihood dengan metode Breslow sebagai
berikut:
parameter 𝛽 yang tidak diketahui nilainya yang
menggambarkan peluang bersama dari observasi
L β Breslow
k exp lò D ti
p
x j
j 1 lj (14)
x
data (Kleinbaum and Klein, 2005). i 1
p
di
exp
Menurut Collet (2003), misal data untuk m lR ti j 1 j lj
SE ˆ j : standar error koefisien variabel bebas
ke-j
Uji ini mengikuti sebaran Chi-square dimana
2
H0 ditolak jika nilai W2 ≥ X ( ; p ) atau p-value ≤ α
sehingga dapat disimpulkan secara parsial variabel
bebas berpengaruh terhadap variabel terikat
(Collet, 2003). Gambar 1. Kurva fungsi survival berdasarkan jenis
kelamin
Hasil dan Pembahasan Berdasarkan Gambar 1 kurva fungsi survival
Data berupa data sekunder yang diambil dari dimulai dari atas ke bawah hal ini menunjukkan
hasil rekam medis di Rumah Sakit Dirgahayu bahwa peluang pasien untuk tetap dirawat di rumah
Samarinda dengan jumlah penderita DBD sebanyak sakit semakin rendah. Dapat dilihat hari ke-1 dan
100 pasien selama periode Juli 2016 sampai Juni hari ke-7 hingga hari ke-10 peluang pasien DBD
2017. Variabel terikat yang digunakan pada yang berjenis kelamin perempuan untuk tetap
penelitian ini yaitu variabel waktu (t) menunjukkan dirawat di rumah sakit lebih rendah dibandingkan
lama rawat inap pasien (dalam satuan hari) dan pasien DBD yang berjenis kelamin laki-laki.
berada dalam batas periode penelitian dengan Sedangkan hari ke-2 hingga hari ke-6 peluang
ketentuan: pasien DBD yang berjenis kelamin laki-laki untuk
1, Jika lama rawat inap pasien DBD kurang tetap dirawat di rumah sakit lebih rendah
dari atau sama dengan 7 hari dibandingkan pasien DBD yang berjenis kelamin
Status =
0, Jika lama rawat inap pasien DBD lebih dari
perempuan.
7 hari atau pasien DBD dinyatakan meninggal
Adapun variabel bebas yang digunakan adalah
sebagai berikut:
a. Jenis kelamin (x1) dengan kategori sebagai
berikut:
1, untuk jenis kelamin laki-laki
x1
0, untuk jenis kelamin perempuan
b. Umur (x2)
c. Jumlah Trombosit (x3), dengan kategori
sebagai berikut:
3
1, normal (150.00-400.000/mm ) Gambar 2. Kurva fungsi kumulatif hazard
x3 3 berdasarkan jenis kelamin
0, di bawah normal (<150.000/mm )
Berdasarkan Gambar 2 dapat dilihat bahwa
d. Jumlah Hematokrit (x4) kurva dimulai dari bawah ke atas hal ini
38%-42% untuk perempuan menunjukkan bahwa risiko pasien DBD untuk
1, normal
40-47% untuk laki-laki sembuh semakin tinggi. Dapat dilihat pada hari ke-
x4
<38% untuk perempuan 1 dan hari ke-7 hingga ke-10 risiko pasien DBD
0, di bawah normal <40% untuk laki-laki yang berjenis kelamin perempuan untuk sembuh
lebih tinggi dibandingkan pasien DBD yang
e. Lama Demam Sebelum Rawat Inap (x5) berjenis kelamin laki-laki. Sedangkan hari ke-2
hingga hari ke-6 risiko pasien DBD yang berjenis
Kurva Fungsi Survival Kaplan-Meier dan kurva kelamin laki-laki untuk sembuh lebih tinggi
Fungsi Kumulatif Hazard dibandingkan pasien DBD yang berjenis kelamin
Karakteristik fungsi survival dan fungsi perempuan.
kumulatif hazard lama rawat inap pasien DBD di
Rumah Sakit Dirgahayu Samarinda digambarkan
2. Karakteristik berdasarkan variabel jumlah Berdasarkan Gambar 5 dapat dilihat bahwa
trombosit. kurva fungsi survival dimulai dari atas ke bawah
Berdasarkan Gambar 3 dapat dilihat bahwa hal ini menunjukkan bahwa peluang pasien untuk
kurva fungsi survival dimulai dari atas ke bawah
tetap dirawat di rumah sakit semakin rendah. Dapat
hal ini menunjukkan bahwa peluang pasien untuk
tetap dirawat di rumah sakit semakin rendah. Dapat dilihat pada hari ke-1 hingga hari ke-8 peluang
dilihat pada hari ke-1 hingga hari ke-4 peluang pasien DBD yang memiliki jumlah hematokrit
pasien DBD yang memiliki jumlah trombosit normal untuk tetap dirawat di rumah sakit lebih
normal untuk tetap dirawat di rumah sakit lebih rendah dibandingkan pasien DBD yang memiliki
rendah dibandingkan pasien DBD yang memiliki jumlah hematokrit di bawah normal.
jumlah trombosit di bawah normal.
L β
k exp lò D ti
p
x j
j 1 lj
Adapun hipotesis untuk pengujian secara simultan
adalah sebagai berikut:
x
di
p
i 1
lR t
i
exp j 1 j lj H 0 : 1 2 3 4 5 0
Selanjutnya membentuk fungsi log partial H1 : minimal ada satu j 0, dengan j 1, 2, 3, 4,5
likelihood dari L(β) sehingga diperoleh sebagai Berdasarkan Tabel 2, diperoleh p-value sebesar
berikut: 0,001 ≤ 0,05 sehingga dapat disimpulkan
ln L β ln
92 exp lò D ti
5
x j
j 1 lj bahwa secara simultan minimal ada satu variabel
bebas yang berpengaruh terhadap lama rawat inap
x
di
5
i 1
lR ti
exp j 1 j lj pasien DBD dirumah Sakit Dirgahayu Samarinda.
92 5 5
Setelah dilakukan pengujian parameter secara
j xlj di ln exp j xlj simultan, selanjutnya dilakukan pengujian
lD ti j 1
i 1 lR ti j 1
signifikansi parameter secara partial untuk melihat
Setelah membentuk fungsi log partial
likelihood, selanjutnya menentukan turunan hasil estimasi masing-masing variabel dengan
pertama dan kedua dari ln L(β) terhadap βj yaitu hipotesis sebagai berikut:
sebagai berikut: H 0 : j = 0, dengan j 1, 2, 3, 4,5
92 5 5 H1 : j 0, dengan j 1, 2, 3, 4,5
j xlj di ln exp j xlj
ln L β
lD ti j 1
i 1 lR ti j 1 Berdasarkan Tabel 4, diperoleh p-value untuk
j j
variabel jumlah trombosit, jumlah hematokrit dan
5 5 lama demam sebelum rawat inap nilainya lebih
lR t xlj exp j xlj kecil dibandingkan nilai 0,05 sehingga dapat
92 5
j 1
xlj d i
i
j 1
disimpulkan bahwa jumlah trombosit, jumlah
i 1 l D ti j 1 5
lR ti
exp
j xlj
hematokrit dan lama demam sebelum rawat inap
j 1 signifikan berpengaruh terhadap lama rawat inap
92 5 5 pasien DBD di Rumah Sakit Dirgahayu Samarinda
2 j xlj d i ln exp j xlj
ln L β
2
lD ti j 1
i 1
lR ti j 1
sehingga variabel jumlah trombosit, jumlah
hematokrit dan lama demam sebelum rawat ianp
j
2
j
2