Analisis Survival
Analisis Survival
SURVIVAL
Chronika Kesya Sirait
30000223410003
01
Pengertian
Survival merupakan asal kata dari to
survive yang berarti ketahanan atau
kelangsungan hidup (Kleinbaum, 1996)
Analisis ketahanan (Survival Analysis)
dideskripsikan sebagai kumpulan
prosedur statistik untuk menganalisis
data yang variabel akhirnya adalah
Waktu hingga muncul Kejadian
(Kleinbaum, 1996)
Penggunaan Analisis Survival (Analisis Ketahanan)
01 02
Untuk memperkirakan
Untuk menyimpulkan
probabilitas ketahanan
status Kesehatan penduduk
suatu kejadian menurut
waktu
03 04
01 02 03
Waktu individu untuk bertahan Variabel yang menjadi focus Apabila pada waktu pengamatan
selama periode pengamatan dalam penelitian pasien tersebut tidk mengalami
hal-hal yang kita prediksi/ tidak
Kematian, Insiden penyakit, menyelesaikan waktu penelitian
Kekambuhan, Penyembuhan,
Kerusakan, Komplikasi, dll
Sensor
Penyensoran terjadi ketika kita memiliki sejumlah
informasi tentang waktu kelangsungan hidup,
namun kita tidak tahu persis waktu
bertahan hidup.
Penyebab Sensor
- Hingga pengamatan berakhir belum muncul
kejadian yang diinginkan
- Hilang dari Pengamatan
- Menarik diri dari pengamatan/ Mengalami
kejadian yang tidak berhubungan dengan
substansi yang diteliti
Berikut contoh penjelasan mengenai
pengertian ‘kejadian’, ‘sensor’ dan waktu
ketahanan (survival time)
- Individu A, ia diobservasi mulai dari awal studi sampai
mengalami kejadian (event) pada bulan keenam dan ia tidak
tersensor. Waktu ketahanan individu A adalah enam bulan.
- Individu B, ia diobservasi dari awal sampai akhir studi ,yaitu 12
bulan, ia tidak mengalami kejadian dan ia tersensor. Waktu
ketahanannya pal- ing tidak 12 bulan.
- Individu C, ia diobservasi dari bulan ke dua studi dan pada
bulan ke enam ia mengundurkan diri tanpa mengalami
kejadian. Individu C tersensor.
- Individu D, ia diobservasi mulai bulan ke dua sampai akhir studi
dan ia tidak mengalami kejadian. Individu D juga tersensor.
- Individu E, ia diobservasi mulai bulan ke empat dan pada bulan
ke sepuluh ia pergi tanpa pesan. Individu E tersensor.
- Individu F, ia diobservasi mulai bulan ke 6 dan mengalami
kejadian pada bulan ke 10 dan ia tidak tersensor. Waktu
ketahanannya adalah 4 bulan.
X = Event occurs
Dengan demikian disimpulkan bahwa individu A dan F mengalami kejadian atau waktu ketahanannya diketahui dengan
pasti, sedangkan individu B, C, D, dan E tersensor atau waktu ketahanannya tidak diketahui dengan pasti
Contoh 2
Perbandingan kejadian kematian pada obat A dan obat B. Tanda menunjukkan bahwa pasien meninggal
Obat A Obat B
Pada kelompok A terdapat 4 pasien yang meninggal. Pada kelompok B juga terdapat 4 pasien yang meninggal. Jika dilihat dari Insiden kematian baik A
maupun B memiliki insiden yang sama yaitu 80%. Namun jika kita melihat kembali ke 2 gambar diatas terdapat perbedaan yaitu pada kecepatan
kematian. Orang yang menggunakan obat B terpantau lebih cepat mengalami kematian dibandingkan obat A. Dalam hal ini kita tidak ingin melihat
insiden kematiannya namun ingin melihat kecepatan (insidence Rate nya)
Pasien Status Person Time Insidens Total Person Insiden Rate
(Tahun) Time
Obat A 1 Meninggal 5 4/5 = 80 % 5+5+5+5+10 4/30 = 0.13
= 30
2 Meninggal 5
3 Meninggal 5
4 Meninggal 5
5 Hidup 10
Obat B 1 Meninggal 2 4/5 = 80 % 2+2+2+4+10 4/20 = 0.20
= 20
2 Meninggal 2
3 Meninggal 2
4 Meninggal 4
5 Hidup 10
3. Median Survival
• Hazard rasio sangat berhubungan dengan Insiden dan Insidens rate. Insidens rate merupakan
kecepatan terjadinya suatu peristiwa yang secara matematis merupakan perbandingan antara
insiden dengan waktu (person time). Nama lain dari insidens rate adalah hazard.
• Apabila kita membandingkan 2 hazard maka kita akan memperoleh hazard ratio
• Bila kita membandingkan 2 insiden maka kita akan memperoleh resiko relative (RR)
Hazard Ratio
Insidens Perbandingan Insidens rate Perbandingan
Insiden (Resiko (Hazard) insidens rate
Relatif) (hazard ratio)
Obat A 0.8 4/30 = 0.13 (B bandingkan A)
0.2/0.13 = 1.54
0.8/0.8 = 1
Obat B 0.8 4/20 = 0.2 (A bandingkan B)
0.13/0.2 = 0.65
Pada table diatas dapat diketahui bahwa nilai HR bila membandingkan B dengan A adalah 1.54.
Nilai HR ini bisa diterima apabila asumsi PH terpenuhi. HR sebesar 1.54 diartikan “ setiap saat,
kelompok B lebih cepat 1.54 kali untuk terjadi kematian dibandingkan kelompok A.” kata setiap saat
menunjukkan perbandingan kecepatan antar kedua kelompok A dan B adalah konstan.
HR pada kurva disamping adalah 2.63
(IK 2.12-3.27). Karena garis survival
tidak berpotongan maka asumsi PH
terpenuhi. Dengan demikian, dapat
diartikan bahwa “ setiap saat kelompok
standar 2.63 kali kemungkinannya untuk
meninggal dibandingkan kelompok obat
baru.”
Metode Analisis
Std. Error of
Cumulative Cumulative
Number Number Number Number of Proportion Proportion Std. Error of
Entering Withdrawing Exposed Terminal Proportion Proportion Surviving at Surviving at Probability Probability Std. Error of
First-order Controls Interval Start Time Interval during Interval to Risk Events Terminating Surviving End of Interval End of Interval Density Density Hazard Rate Hazard Rate
ln_yesno 0 0 692 74 655,000 2 ,00 1,00 1,00 ,00 ,000 ,000 ,00 ,00
12 616 99 566,500 7 ,01 ,99 ,98 ,01 ,001 ,000 ,00 ,00
24 510 77 471,500 4 ,01 ,99 ,98 ,01 ,001 ,000 ,00 ,00
36 429 114 372,000 9 ,02 ,98 ,95 ,01 ,002 ,001 ,00 ,00
48 306 100 256,000 3 ,01 ,99 ,94 ,01 ,001 ,001 ,00 ,00
60 203 74 166,000 3 ,02 ,98 ,92 ,02 ,001 ,001 ,00 ,00
72 126 49 101,500 4 ,04 ,96 ,89 ,02 ,003 ,001 ,00 ,00
84 73 34 56,000 0 ,00 1,00 ,89 ,02 ,000 ,000 ,00 ,00
96 39 19 29,500 1 ,03 ,97 ,86 ,04 ,003 ,002 ,00 ,00
108 19 12 13,000 0 ,00 1,00 ,86 ,04 ,000 ,000 ,00 ,00
120 7 6 4,000 0 ,00 1,00 ,86 ,04 ,000 ,000 ,00 ,00
132 1 1 ,500 0 ,00 1,00 ,86 ,04 ,000 ,000 ,00 ,00
1 0 228 24 216,000 2 ,01 ,99 ,99 ,01 ,001 ,001 ,00 ,00
12 202 43 180,500 6 ,03 ,97 ,96 ,01 ,003 ,001 ,00 ,00
24 153 21 142,500 6 ,04 ,96 ,92 ,02 ,003 ,001 ,00 ,00
36 126 22 115,000 8 ,07 ,93 ,85 ,03 ,005 ,002 ,01 ,00
48 96 27 82,500 0 ,00 1,00 ,85 ,03 ,000 ,000 ,00 ,00
60 69 23 57,500 1 ,02 ,98 ,84 ,03 ,001 ,001 ,00 ,00
72 45 17 36,500 2 ,05 ,95 ,79 ,04 ,004 ,003 ,00 ,00
84 26 8 22,000 0 ,00 1,00 ,79 ,04 ,000 ,000 ,00 ,00
96 18 8 14,000 0 ,00 1,00 ,79 ,04 ,000 ,000 ,00 ,00
108 10 5 7,500 0 ,00 1,00 ,79 ,04 ,000 ,000 ,00 ,00
120 5 5 2,500 0 ,00 1,00 ,79 ,04 ,000 ,000 ,00 ,00
Metode Kaplan Meier
• Metode ini tidak dikelompokkan dalam interval tertentu sehingga dapat
digunakan pada analisis ketahanan dengan jumlah subjek yang sedikit dan
efek yang dihitung tepat pada saat ia terjadi.
• Lama pengamatan disusun dari tang terpendek hingga yabg terpanjang dengan
catatan subjek yang tersensor diikutsertakan.
• Kelebihannya : dapat memeberikan proporsi ketahanan hidup yang pasti
karena menggunakan waktu ketahanan hidup secara tepat bukan berdasarkan
kelas interval
Metode Regresi Cox
• Analisis ketahanan pada masa kini lebih banyak difokuskan
pada fungsi hazard (menghitung peluang kejadian) dengan
metode yang paling terkenal adalah Proportional Hazard
Model yang dikenalkan oleh Cox sebagai regresi sehingga
model ini untuk selanjutnya dikenal dengan nama regresi
Cox. Metode Regresi Cox lebih terkenal dengan metode
Kaplan Meier dan Life Table karena (Kleinbaum, 1996),
• dapat mengestimasi hazard ratio tanpa perlu diketahui
ho(t), dapat mengestimasi ho(t), h(t,X), dan fungsi
survivor meskipun ho(t) tidak spesifik.
• Penaksiran fungsi hazard dapat dipakai untuk menghitung
risiko relatif terjadinya kejadian.
RR = exp (bI)
Artikel 1
Penelitian Oleh Siti Aminah, dkk tahun 2021
Judul : Analisis Survival Waktu Sembuh Pasien COVID-19 di Rumah Sakit Pertamina Bintang Amin Bandar Lampung
Artikel 1
Artikel 2
Penelitian Oleh Nurhalina sari, dkk tahun 2020
Judul : Analisis Survival Pasien Hemodialisis dengan Hipertensi di Lampung Tahun 2016-2018
Artikel 3
Penelitian Oleh Sulantari dan Wigid, 2020
Judul : Analisis Survival Model Regresi Cox Pada Lama Waktu Sembuh Pasien Gejala Sedang Covid-19
Artikel 3
02
SPSS
Membuat Kurva Kapplan Meier Secara Keseluruhan
• Buka file survival
• Klik Analyze
• Klik Survival Analysis dan pilih Kapplan Meier
• Masukkan variable waktu ke dalam kotak time
• Masukkan variable status ke dalam kotak status
• Klik Define Event
• Masukkan angka 1 bila terjadi event pada
pengamatan
• Klik continue
• Pilih survival tables dan mean survival pada
statistic
• Pilih survival pada plot
• Klik continue lalu ok.
Membuat Kurva Kapplan Meier bBerdasarkan Variabel Tertentu
• Buka file survival
• Klik Analyze
• Klik Survival Analysis dan pilih Kapplan Meier
• Masukkan variable waktu ke dalam kotak time
• Masukkan variable status ke dalam kotak status
• Klik Define Event
• Masukkan angka 1 bila terjadi event pada
pengamatan
• Klik continue
• Pilih survival tables dan mean survival pada
statistic
• Pilih survival pada plot
• Klik continue
• Masukkan variable tipe ke factor
• Klik ok
Memperoleh Hazard Ratio
• Buka file survival
• Klik Analyze
• ival Analysis dan pilih Cox regretion
• Masukkan variable waktu ke dalam kotak time
• Masukkan variable status ke dalam kotak status
• Klik Define Event
• Masukkan angka 1 bila terjadi event pada
pengamatan
• Klik continue
• Masukkan Tipe Lk kedalam kotak Covariate
• Pilih Categorical
• Pindahkan variabrl tipe Lk ke dalam
Categorical covariates
• Klik continue
• Pilih kotak options. Pilih CI for exp B
• Klik continue
• Klik ok
Sumber Referensi
Aminah, S, dkk. 2021. Analisis Survival Waktu Sembuh Pasien Covid-19 di Rumah Sakit Pertamina
Bintang Amin Lampung. Journal of Medical Surgical Concerns. Vol.1 No.2 (2021). Hal 76.
Dahlan, S. (2012). Analisis Survival : Dasar –Dasar Teori dan Aplikasi Dengan Program SPSS. CV
Sagung Seto. Jakarta.
Kleinbaum DG, 1996. Survival Analysis : a self learning text. Springer-Verlag. New York.
Sari, N, dkk. 2020. Analisis Survival Pasien Hemodialisis dengan Hipertensi di Lampung Tahun 2016-
2018. Media Penelitian dan Pengembangan Kesehatan. Vol 30 No. 2: 89-96. Hal 93.
Sulantari dan Wigid. 2020. Analisis Survival Model Regresi Cox Pada Lama Waktu Sembuh Pasien Gejala
Sedang Covid-19. Jurnal UJMC. Vol 8 No.1. Hal 47-49.
discussion