TUGAS ANALISIS SURVIVAL KELAS A

“PARAMETRIC SURVIVAL MODEL PADA DATA LEUKIMIA”

Dosen Pengampu:
Dr. Santi Wulan Purnami, S.Si., M.Si.

Disusun oleh:
1. Qarin Salsabila 5003201103
2. Angelia Mahardika A. 5003201161

DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN ANALITIKA DATA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2023
Mendeklarasi library yang digunakan dalam menguji data leukimia.
library(survival)
library(survminer)
library(readxl)
library(MASS)
library(fitdistrplus)
library(ADGofTest)

Memasukkan data leukimia dan mendefinisikan variabel ke dalam software R.

Leukimia = read_xlsx("G:/QARIN/SEM 6/ANSUR/Data Leukemia.xlsx", sheet="Gabungan")

#Define variable from Leukimia Data

time = Leukimia$Time
censor = Leukimia$Censor
treatment = Leukimia$Treatment

Melakukan uji apakah data leukimia sudah memenuhi asumsi distribusi eksponensial.
fitdistr(time, "exponential")
ad.test(time, pexp, rate=0.07763401)

Dengan output yang diperoleh adalah sebagai berikut.

> fitdistr(time, "exponential")
rate
0.07763401
(0.01197919)
> ad.test(time, pexp, rate=0.07763401)

Anderson-Darling GoF Test

data: time and pexp

AD = 1.2877, p-value = 0.2363
alternative hypothesis: NA

Interpretasi:
Fungsi fitdistr (R-Studio) yang mana menyesuaikan fungsi kepadatan probabilitas (pdf)
berdasarkan metode estimasi kemungkinan maksimum (MLE). Dalam hal ini menggunakan
distribusi eksponensial dan didapatkan estimasi parameternya adalah sebagai berikut.
Tes Anderson-Darling digunakan untuk menguji apakah sampel data berasal dari populasi
dengan distribusi tertentu. Ini adalah modifikasi dari tes Kolmogorov-Smirnov (KS). Tes
Anderson-Darling memanfaatkan distribusi spesifik dalam menghitung nilai kritis. Dalam hal ini
menggunakan distribusi eksponensial.
Hipotesis
H0: Data leukemia mengikuti distribusi eksponensial
H1: Data leukemia tidak mengikuti distribusi eksponensial
Tingkat Signifikansi (α)
α = 0.05
Statistik Uji
AD = 1.2877 dan p-value = 0.2363
Daerah Kritis
Tolak H0 apabila ADHitung > ADTabel serta p-value < 0.05
Keputusan
Diketahui bahwa ADTabel untuk α = 0.05 adalah 1.321.
Maka dapat dikatakan Gagal Tolak H0 karena ADHitung < ADTabel serta p-value > 0.05 yakni 1.2877
< 1.321 serta 0.2363 > 0.05.
Kesimpulan
Data leukemia mengikuti distribusi eksponensial.

Mencari gamma (akselerasi AFT) pada data leukimia.

#AFT
exponential.aftmodel = survreg(Surv(time, censor)~treatment,dist ="exponential")
summary(exponential.aftmodel)

gamma = exp(exponential.aftmodel$coefficient[2])
gamma

Dengan output yang diperoleh adalah sebagai berikut.

> exponential.aftmodel = survreg(Surv(time, censor)~treatment,dist ="exponential")
> summary(exponential.aftmodel)

Call:
survreg(formula = Surv(time, censor) ~ treatment, dist = "exponential")
Value Std. Error z p
(Intercept) 2.159 0.218 9.90 < 2e-16
treatment 1.527 0.398 3.83 0.00013

Scale fixed at 1

Exponential distribution
Loglik(model)= -108.5 Loglik(intercept only)= -116.8
 Chisq= 16.49 on 1 degrees of freedom, p= 4.9e-05
Number of Newton-Raphson Iterations: 4
n= 42

> gamma = exp(exponential.aftmodel$coefficient[2])

> gamma
treatment
4.602564

Interpretasi:
AFT Model di Distribusi Eksponensial
Exponential regression accelerated failure-time form
Value Std. Error z p
(Intercept) 2.159 0.218 9.90 <2e-16
Treatment 1.527 0.398 3.83 0.00013
Dengan menggunakan formula yakni

Maka,

Acceleration Failure Time

Berdasarkan hasil regresi survival, didapatkan nilai intercept 2.159 dan koefisien treatment
1.527, serta nilai p-value sebesar 4.9e-05, sehingga dapat disimpulkan Tolak H 0 yang memiliki
arti jenis treatment berpengaruh terhadap survival time dari pasien yang menderita leukimia.

Acceleration Factor
AFT memiliki nilai sebesar 4,60 yang artinya multiplicative effect with survival time dari
treatment 6-MP lebih besar 4.60 kali dibandingkan treatment placebo. Rasio antara treatment 1
dan treatment 0 adalah 4.6 waktu surival time untuk treatment
Membentuk data frame dari nilai S(t) 0.25, 0.5, 0.75.
alpha0 = exponential.aftmodel$coefficient[1]
alpha1 = exponential.aftmodel$coefficient[2]
#St Tabel
St_df = data.frame(
St_topi = c(0.25, 0.5, 0.75),
Trt0 = c(-log(0.25)*exp(alpha0+alpha1*0),
-log(0.5)*exp(alpha0+alpha1*0),
-log(0.75)*exp(alpha0+alpha1*0)),
Trt1 = c(-log(0.25)*exp(alpha0+alpha1*1),
-log(0.5)*exp(alpha0+alpha1*1),
-log(0.75)*exp(alpha0+alpha1*1))
)
St_df

Diperoleh data frame sebagai berikut.

> St_df
St_topi Trt0 Trt1
1 0.25 12.014551 55.29774
2 0.50 6.007276 27.64887
3 0.75 2.493245 11.47532

Interpretasi:
Estimated Survival Times by S(t)
Quartiles for TRT = 1 and TRT = 0 (Exponential Model)

Maka,

Mencari nilai AIC.

AIC(exponential.aftmodel)
Nilai AIC yang diperoleh adalah sebagai berikut.
> AIC(exponential.aftmodel)
[1] 21.0481
Membentuk grafik dari AFT model yang sudah diperoleh.
ggplot(data = St_df, aes(y = St_topi)) +
geom_line(aes(x = Trt0, group = 1L, color = "Trearment 0")) +
geom_line(aes(x = Trt1, group = 1L, color = "Treatment 1")) +
scale_color_manual(values=c("blue","red")) +
ggtitle("Grafik AFT Model") + xlab("t") + ylab("S(t)") + theme_classic()

Interpretasi:
Berdasarkan grafik dari AFT Model tersebut dengan menggunakan treatment 1 (Treatment 6-
MP) diperoleh survival time yang lebih lama jika dibandingkan dengan treatment 0 (Treatment
Placebo), sehingga disarankan kepada pasien penyakit leukimia untuk menggunakan Treatment
6-MP daripada Treatment Placebo.
Dapat dilihat bahwa terdapat perbedaan grafik survival KM antara treatment 1 (6-MP) dengan
treatment 0 (Placebo). Selain itu, pada grafik terlihat jelas bahwa pasien leukimia yang menjalani
pengobatan menggunakan treatment 1 atau pengobatan dengan 6-MP memiliki kesempatan lebih
besar untuk tidak kambuh (grafik fungsi survivalnya lebih tinggi) dibandingkan pasien leukimia
yang menjalani pengobatan menggunakan treatment 0 atau pengobatan dengan Placebo. Hasil ini
dapat digunakan untuk mendukung penggunaan 6-MP (treatment 1) untuk penanganan pasien
leukimia.