Seminar Nasional Matematika dan Pendidikan Matematika Universitas Diponegoro 2015 UJI SUFFICIENT FOLLOW-UP UNTUK ANALISIS CURE RATE PENDERITA KANKER PAYUDARA Nurkaromah Dwidayati Jurusan Matematika FMIPA UNNES e-mail: [email protected] Abstract. Cure rate atau surviving fraction merupakan probabilitas untuk sembuh (cure), didefinisikan sebagai nilai asimtotik dari fungsi survival untuk waktu menuju tak hingga. Model survival yang dikembangkan untuk estimasi proporsi pasien yang sembuh dalam studi klinik dikenal dengan cure models. Model ini selain digunakan untuk mengestimasi proporsi pasien yang sembuh juga digunakan untuk mengestimasi probabilitas survival pasien yang tak sembuh (uncure) sampai pada batas waktu yang diberikan. Oleh karena itu model ini dinamakan model mixture. Sufficient follow-up merupakan problem yang secara alami akan menyertai dalam analisis cure rate. Inferensi statistik nonparametrik yang dikembangkan didasarkan pada model mixture biner. Statistik uji yang dikembangkan membantu praktisi menentukan apakah periode observasi cukup panjang atau tidak, untuk mendeteksi cured (immune) individual dalam studi populasi. Uji ini tak dapat diselesaikan berdasar estimasi probabilitas cure dengan estimator Kaplan- Meier pada titik observasi terakhir. Sedangkan uji yang dikembangkan Maller & Zhou tidak memberikan solusi yang memuaskan, karena solusi yang diberikan tidak stabil dan mempunyai kecenderungan monoton jika durasi follow-up naik. Pada kajian ini dikemukakan alternatif sufficient follow-up yang memberikan batas bawah ekspektasi proporsi subyek memperoleh kekebalan (immune) dalam ruang yang luas pada cure models. Kata Kunci: cure rate, cure models, model mixture, sufficient follow-up 1. Pendahuluan Untuk estimasi proporsi pasien yang sembuh (cure) dan probabilitas survival pasien yang tak sembuh (uncure) dalam studi klinik dikembangkan model mixture berdasar distribusi life time penderita kanker payudara (PKPD). Pada penelitian sebelumnya (Dwidayati, 2009) telah dikembangkan model diketahui missing data. dalam Parameter model tak diestimasi menggunakan algoritma EM (Expectation Maximization Algorithm), yang meliputi 2 langkah yaitu: E-step dan M-step. Pada EM, E-step menghitung ekspekstasi fungsi log likelihood untuk estimasi fungsi densitas, fungsi survival dan proporsi pasien yang tak sembuh, sedangkan M-step memuat maksimasi fungsi likelihood terkait dengan estimasi fungsi densitas, fungsi survival dan proporsi pasien yang tak sembuh. mixture Weibull untuk analisis cure rate PKPD dengan algoritma Penyelesaian persamaan yang diperoleh dari turunan pertama pada ekspektasi fungsi log-likelihood dalam bentuk not close form. Untuk menyelesaikan persamaan ini diperlukan iterasi yang tidak dapat dikerjakan secara manual, diperlukan software untuk Nama Penulis (JudulMakalah) melakukan algoritma yang akurat. Pada 2.1. Analisis Survival Penderita Kanker penelitian sebelumnya (Dwidayati, 2012), Payudara telah dikembangkan iterasi Analisis survival adalah kumpulan dengan beberapa prosedur uji statistik untuk algoritma EM berbantuan software Matlab. menganalisis data dengan variabel outcome Program komputer yang dikembangkan nya adalah waktu sampai suatu kejadian digunakan untuk menemtukan estimator muncul (Murti, 1995). Dalam hal ini yang parameter dalam model mixture Weibull. dimaksud dengan kejadian (event) adalah Newton Raphson Sufficient program terintegrasi follow-up merupakan meninggal, sakit, sembuh, kembali bekerja, problem yang secara alami akan menyertai kembali mengulang pekerjaan yang sama dalam analisis cure rate. Inferensi statistik atau kejadian apapun nonparametrik muncul dalam diri seseorang. yang dikembangkan didasarkan pada model mixture biner. Dalam analisis survival variabel Statistik uji yang dikembangkan membantu waktu, praktisi (survival menentukan apakah periode yang mungkin dapat berarti time), waktu karena survival variabel ini observasi cukup panjang atau tidak, untuk menunjukkan waktu dari seseorang untuk mendeteksi cured (immune) individual bertahan dalam periode waktu tertentu dalam studi populasi. Uji ini tak dapat (Kleinbaum, diselesaikan berdasar estimasi probabilitas individu sering dapat diketahui tetapi cure dengan estimator Kaplan-Meier pada waktu survival secara umum tidak dapat titik yang diketahui secara pasti. Hal ini dikenal dikembangkan Maller & Zhou tidak dengan sebutan sensor, yaitu bila studi memberikan memuaskan, berakhir tetapi tidak tidak muncul kejadian karena solusi yang diberikan tidak stabil yang diinginkan, subjek yang diteliti dan mempunyai kecenderungan monoton mengundurkan diri dari penelitian, atau jika durasi follow-up naik. Oleh karena itu, subjek hilang dari pengamatan. observasi terakhir. solusi yang Uji perlu dicari alternatif sufficient follow-up 1996). Distribusi Waktu waktu survival survival yang memberikan batas bawah ekspektasi digambarkan atau dicirikan dengan 3 (tiga) proporsi subyek memperoleh kekebalan fungsi (Lee, 1980), yaitu: probability (immune) dalam ruang yang luas pada cure density function, survivorship function, dan models. hazard function. Ketiga fungsi ini secara matematis 2. Pembahasan ekuivalen, jika salah satu diketahui maka dua yang lain dapat dicari. Secara praktis, ketiga fungsi survival Nama Penulis (JudulMakalah) tersebut dapat menggambarkan digunakan untuk dimulai dari awal pengobatan penyakit aspek-aspek yang kanker payudara (dapat dilihat dari rekam berbeda dari data. Tolok medik yaitu saat kunjungan pertama) ukur keberhasilan sampai dengan kunjungan terakhir ke penyembuhan kanker lazim digambarkan rumah sakit. Status penderita dinyatakan dengan angka ketahanan hidup (year dengan 1 untuk cure dan 0 untuk uncured. survival rate) (Pratt, 1994). Pada setiap kasus, ketahanan hidup lebih tinggi pada Dalam ilmu kedokteran, cure diartikan jika pasien memberikan respons kanker yang masih terlokalisir, bila terjadi penyebaran, ketahanan rendah. Penentuan hidup menjadi ketahanan hidup tergantung pada tingkat keganasan serta probabilitas kematian pada positip (membaik) terhadap treatmen yang diberikan, dan sebaliknya dikatakan uncured. Jadi jika pasien memburuk penyakit kanker tersebut. Ketahanan hidup pada penyakit kanker dengan keganasan tinggi, seperti kanker hati dan paru-paru adalah kesehatannya atau bahkan meninggal, atau hillang dari pengamatan (mising) dikatakan uncured. Hilang dari pengamatan yaitu one year survival dan three year survival, sedangkan untuk kanker payudara five year tidak diketahui status kehidupannya pada akhir pengamatan. survival. Ketahanan hidup penderita kanker Data yang digunakan dalam payudara dimulai dari awal pengobatan penyakit kanker payudara sampai pengamatan 5 tahun. Setelah 5 tahun dilakukan penilaian terhadap status penelitian ini adalah data sekunder (rekam medik). Sesuai dengan sifat data sekunder mempunyai keterbatasan yaitu tidak semua kehidupan penderita. Penderita dikatakan meninggal apabila telah disahkan oleh pihak rumah sakit. Bila informasi dari rekam medik tidak ada, maka kematian hal yang berhubungan dengan ketahanan hidup 5 tahun penderita kanker payudara dapat diperoleh. Salah satu keterbatasan dinilai dari pernyataan keluarga terdekat yang telah dihubungi. Penderita dikatakan hidup bila pada akhir pengamatan 5 tahun terdapat informasi mengenai statusnya. yang muncul yaitu penelusuran status kehidupan penderita akibat tidak lengkapnya alamat penderita atau telah Waktu tahan hidup dinyatakan dalam satuan bulan. Waku tahan hidup pindah alamat yang tidak jelas, atau ketika Nama Penulis (JudulMakalah) datang berobat menggunakan alamat saudara/ tempat menginap yang tersedia yang tak sembuh sampai pada batas waktu yang diberikan. Oleh karena itu, model ini dinamakan model mixture. dekat ruang Tulip di sekitar RSUP Dr. Sardjito-Yogyakarta. penderita tidak Status diketahui kehidupan juga dapat Model tersebut dikembangkan oleh Boag (1949) proporsi dengan pasien mengestimasi yang sembuh pada treatment penderita kanker mulut dan disebabkan karena penderita tidak datang lagi berobat karena bosan atau penyebab lain padahal pada kunjungan terakhir kerongkongan, leher, kandungan dan payudara. Model ini dinamakan model mixture karena dapat mengestimasi proporsi pasien yang sembuh dan fungsi masih belum sembuh. survival pasien tak sembuh. Penyebab yang lain dari tidak diketahuinya status kehidupan penderita Model mixture dikatakan model cure mixture parametrik jika menggunakan distribusi adalah tidak tersedianya sarana komunikasi (keluarga penderita tidak memiliki sarana telepon yang bisa dihubungi), sementara probabilitas standar seperti distribusi eksponensial, Weibull, Gompertz dan generalized F. Diskusi tentang model mixture parametrik dapat dilihat pada Boag (1949), Jones, et.al (1981), Farewell (1982, terkendala komunikasi via pos karena ketidakjelasan alamat penderita. Akibatnya 1986), Cantor dan Shuster (1992), Ghitany, et al (1994) dan Zhang dan Liu (2006). Problem yang terkait dengan model terjadi missing data. parametrik adalah kesulitan dalam memverifikasi distribusi yang digunakan 2.2. Cure Models Cure model dalam model. Secara umum, distribusi rate survival models yang merupakan memuat cured yang digunakan adalah generalized gamma (Yamaguchi,1992). fraction dan uncured fraction. Model ini dikembangkan untuk estimasi proporsi pasien yang sembuh (cured) dalam studi klinik. Model ini selain digunakan untuk mengestimasi sembuh proporsi juga pasien digunakan yang untuk mengestimasi probabilitas survival pasien Model mixture tanpa menggunakan distribusi probabilitas standar dinamakan model cure mixture nonparametrik. Model mixture nonparametrik untuk estimasi cure rate diperkenalkan oleh Kuk dan Chen (1992) dengan mengaplikasikan asumsi proportional hazard (PH) ke distribusi Nama Penulis (JudulMakalah) failure time pasien yang tak sembuh. periode follow up dan tidak mungkin Diskusi menemukan tentang model mixture proporsi data terakhir nonparametrik dapat dilihat pada Maller tersensor yang dihasilkan dari subyek yang dan Zhou (1992) sembuh. Peluang untuk sembuh, yang biasanya dikenal dengan cure rate atau surviving fraction, didefinisikan sebagai 3. Analisis Cure rate Penderita Kanker Payudara nilai asimtotik dari fungsi survival untuk t Data yang diperoleh dari rekam (waktu) menuju tak hingga, ditulis lim S t t medik (tahun 2004 -2009) dan studi klinik Misal survival penderita kanker payudara di RSUP Dr. terobservasi,maka inferensi statistika pada Sardjito – Yogyakarta, dengan mengambil cure rate didasarkan pada sebarang fungsi sampel survival S (t ) P(T t ) dapat dinyatakan digambarkan dalam histogram berdasa dalam bentuk: umur, tahan hidup, stadium dan tindakan tersebut, 60 40 0 20 BANYAK PENDERITA 20 15 0 30 40 50 60 70 0 20 40 60 80 100 40 30 20 10 BANYAK PENDERITA TAHAN HIDUP 0 BANYAK PENDERITA UMUR 0 Untuk mengestimasi parameter tak dapat sebagaimana tersaji pada Gambar 3.1. Representase pada (1) dinamakan model mixture biner, 100 PKPD 10 sembuh, dan S0 (t ) P(T t | X ) . penanganan 5 dengan a P(T ) adalah peluang untuk untuk BANYAK PENDERITA (1) sebanyak 30 S (t ) a (1 a ) S 0 (t ) PKPD 20 waktu 10 T menyatakan 1.0 1.5 2.0 2.5 3.0 STADIUM 3.5 4.0 1.0 1.5 2.0 2.5 3.0 3.5 4.0 TINDAKAN diketahui dalam model tersebut, Maller& Zhou menggunakan metode nonparametrik dan memperoleh estimator untuk 𝑎 adalah: Gambar 5.1 Histogram PKPD di RSUP Dr. Sardjito-Yogyakarta Tahun 2004-2009 𝑎̂𝑛 = 𝑆̂𝑛 (𝑡𝑛 ) dengan 𝑆̂𝑛 (𝑡𝑛 ) estimator Kaplan Meier Berdasar data tersebut diperoleh gambaran tentang umur PKPD yang (KME). Estimator tersebut akan konsisten jika dan hanya jikaL 𝜏𝐺0 = 𝜏𝐶 Dengan 𝜏𝐺0 dan 𝜏𝐶 ekstrim kanan dari 𝐺0 (𝑡) = 1 − 𝑆0 (𝑡) dan 𝐶(𝑡) Jika kondisi tersebut tidak benar maka terjadi kegagalan setelah maksimum berobat di RSUP Dr. Sardjito-Yogyakarta periode tahun 2004-2009 sebagaima tersaji pada Tabel 3.1. Nama Penulis (JudulMakalah) Tabel 3.1. Ukuran Statistik Umur PKPD RSUP Dr. Sardjito-Yogyakarta Tahun 2004-2009 Berdasar Tabel 3.2 di atas terlihat bahwa rata-rata ketahanan hidup PKPD yang berobat di RSUP Dr. Sardjito- Ukuran Statistik Mean Standart Deviasi Minimum Maksimum Yogyakarta Value (tahun) 46,79 9,83 27 74 periode tahun 2004-2009 adalah 9,21 bulan (kurang dari 1 tahun). Hal ini dipicu oleh faktor umur dan stadium PKPD pada saat berobat di RSUP Faktor penting yang ikut menentukan Dr. Sardjito- Yogyakarta periode tahun insidens kanker payudara adalah umur. 2004-2009. Berdasar data sampel, rata-rata umur Untuk mengetahui gambaran tahan PKPD yang berobat di RSUP Dr. Sardjito- hidup PKPD berdasarkan umur dapat Yogyakarta 46,79 tahun. Hal ini sesuai dilihat pada Gambar 3.2. kanker Graf ik Tahan Hidup Penderita Kanker Payudara Berdasarkan Umur 100 di 80 insidens bahwa payudara yang produktif ( 40-49 tahun) dengan 0 20 tertinggi ditemukan pada umur wanita 60 Indonesia, sebelumnya tahan hidup kajian 40 hasil 30 modus umur 40 tahun ke atas (Ramli, 1995). Sebagai bahan perbandingan, rata- 40 50 60 70 umur Gambar 3.2. Tahan Hidup Penderita rata umur PKPD yang ditemukan di Kanker Payudara Jakarta adalah 46 tahun, sedangkan di Berdasarkan Umur Surabaya 47 tahun. Ketahanan hidup PKPD yang berobat di RSUP Dr. Sardjito-Yogyakarta periode tahun 2004-2009 dapat dilihat Tabel 3.2. Waktu Tahan Hidup PKPD RSUP Dr. Sardjito Yogyakarta Tahun 2004-2009 Mean Standart Deviasi Minimum Maksimum bahwa semakin bertambah umur PKPD, waktu tahan hidupnya semakin rendah. Berikut ini (Gambar 3.3) diberikan pada Tabel 3.2. Waktu Tahan Hidup Berdasarkan Gambar 5.2, terlihat Value (bulan) 9,21 15,63 0,03 48,5 plot distribusi probabilitas tahan hidup PKPD yang berobat di RSUP Dr. Sardjito – Yogyakarta tahun 2004-2009. Nama Penulis (JudulMakalah) Four-way Probability Plot for C1 setelah menjalani pengobatan selama 12 No censoring Lognormal 99 95 95 90 90 80 80 70 60 50 40 30 70 60 50 40 30 Percent Percent Normal 99 20 20 10 10 5 5 1 1 -25 0 25 50 75 100 bulan. 0.05 0.10 0.50 Exponential 1 5 10 Berdasarkan hasil perhitungan baseline survival dan baseline hazard 50 Weibull 99 95 90 99 75 98 95 Percent Percent (Lampiran 6), diperoleh survival rate 60 97 90 40 30 20 10 So 12 0,15410455 dan 80 5 70 60 50 3 2 30 10 1 0 25 50 75 100 0.01 0.05 0.10 0.50 1 5 10 50 ho 12 1,8298352 Gambar 3.3. Four-way Probability Plot Tahan Hidup PKPD Dengan demikian: S 12 0,15410455exp 0,0064848*65,0,0719014*4 0, 2665868*4 0,47 = 0,4789 Berdasar Gambar 3.3, waktu tahan hidup PKPD berobat di RSUP Dr. Sardjito Jadi peluang PKPD tersebut untuk survive Yogyakarta tahun 2004-2009 diasumsikan setelah bulan ke-12 adalah 47,89%. berdistribusi Weibull dengan parameter Hazard dan . berikut. rate dapat dihitung sebagai h12 1,8298.exp( 0,0065.65 0,0719. 4 0,2666. 4) Hubungan antar variabel umur, 0,720208 stadium, treatment dan life-time PKPD di Yogyakarta Dengan demikian peluang PKPD tersebut dinyatakan dengan pemodelan regresi PH mengalami kematian setelah bulan ke-12 Cox sebagai berikut. adalah 72,02%. RSUP Dr. Sardjito– ht h0 t exp 0,0065 x 1 0,0719 x2 0,2666 x3 4. Uji Sufficient follow-up Sufficient dengan x1 : variabel umur x2 : variabel stadium x3 : variabel treatment h0 t : baseline hazard Berdasarkan model regresi PH Cox follow-up merupakan problem yang secara alami akan menyertai dalam analisis cure rate. Inferensi statistik nonparametrik yang dikembangkan didasarkan pada model mixture biner. Statistik uji yang dikembangkan membantu di atas dapat dirumuskan fungsi survival praktisi rate sebagai berikut. observasi cukup panjang atau tidak, untuk S t So t exp 0, 0064848x1 0, 0719014x2 0, 2665868x3 Contoh: menentukan apakah periode mendeteksi cured (immune) individual dalam studi populasi. Uji ini tak dapat Misalkan seseorang berumur 65 tahun, diselesaikan berdasar estimasi probabilitas menderita kanker payudara pada stadium cure dengan estimator Kaplan-Meier pada IV, diberi treatment kemoterapi (4). Akan titik dihitung survival rate dan hazard rate dikembangkan Maller & Zhou tidak observasi memberikan terakhir. solusi yang Uji yang memuaskan, Nama Penulis (JudulMakalah) karena solusi yang diberikan tidak stabil dan mempunyai kecenderungan monoton jika durasi follow-up naik. Untuk analisis follow up pada analisis cure rate penderita [1] Boag, J.W. Maximum Likelihood Estimates of the Proportion of Patients Cured by Cancer Therapy. Journal of the Royal Statistical Society 11, 15-53. 1949. kanker payudara menggunakan fungsi hazard rate [2] Cantor, A.B. and Shuster, J.J. 1992. Perametric Versus Noparametric Methods for Cure Rates Based on Censored Survival Data. Statistics in Medicine. Vol. 11: 931-937 [3] Dwidayati, N. 2009. Aplikasi Model Mixture dengan Missing Data untuk Analisis Laju Perawatan (Cure Rate) Penderita Kanker. Laporan Penelitian DP2M Dkti (Dosen Muda). 𝜆(𝑡) untuk 𝑟(𝑡) yaitu fungsi 𝜑(𝑢) = 𝑒 −𝑢 Parameter 𝑡0 dipilih pada interval [0, 𝑇/2] . Parameter ini dioptimalkan dengan memaksimumkan batas bawah dari 𝑎̂𝑛∗ = max {1 − Memaksimumkan 1 − 𝑆̂𝑛 (𝑡) 1 − 𝜑 (𝑇𝑅̂𝑛 (𝑡0 )) 𝑎̂𝑛∗ , 0} Tidak diterbitkan. tidak mempengaruhi argumen probabilistik yang digunakan [3] untuk mendapatkan batas bawah untuk Δ(𝑡) karen batas ini didasarkan statistik Tidak diterbitkan Kolmogorov yaitu jarak antara 𝑆(𝑡)dan 𝑆𝑛 (𝑡). Pilihan data memungkinkan untuk [4] Farewell, V.T. 1982. The Use of Mixture Models for Analysis of Survival Data with Long-term Survivors. Biometrics 38, 10411046. [5] Farewell, V.T. 1986. Mixture Models in Survival Analysis. Are they Worth the Risk ? The Canadian Journal of Statistics 14, 257-262. [6] Ghitany, M.E., Maller, R.A., and Zhou, S. 1994. Exponential Mixture Models with Long-term Survivor and Covariates. Journal of Multivariate Analysis 49, 218-241. [7] Jones, D.R., Powles, R.L., Machin, D., and Sylvester, R.J. 1981. On Estimating the Proportion of Cured Patients in Clinical Studies. Biometrie-Praximetrie 21, 1-11. meningkatkan power dari uji suffocient follow-up dan memberikan kotroltingkat signifikansi. 5. Kesimpulan Berdasarkan kajian Dwidayati, N. 2012. Estimasi Parameter dalam Model Mixture Weibull untuk Analisis Cure Rate Penderita Kanker Payudara. Laporan Penelitian DP2M Dkti (Dosen Muda). telah dikemukakan alternatif sufficient follow-up yang memberikan batas bawah ekspektasi proporsi subyek memperoleh kekebalan (immune) dalam ruang yang luas pada cure models. Hasil ini dapat membantu praktisi dalam menentukan apakah periode observasi cukup panjang atau tidak, untuk mendeteksi cured (immune) individual dalam studi populasi 5. DaftarPustaka Nama Penulis (JudulMakalah) [8] Kuk, A.Y and Chen, C. 1992. A Mixture Model Combining Logistic Regression and Life Model. Biometrika 79, 531-541. [9] Lee, E.T. 1980. Statistical Methods for Survival Data Analysis. Department of Biostatistics and Epidemiology School of Public Health University of Oklahoma Lifetime Learning Publication Belmont. California [10] Maller, R.A. and Zhou, S. 1992. Estimating the Proportion of Immunes in a Censored Sample. Biometrika 79, 731-739. [11] Pratt, W.B. et al. 1994. The Cancer Problem. The Anti Cancer Drugs. Second Edition. Oxford University Press. New York [12] Yamaguchi, K. 1992. Accelerated Failure-Time Regression Models with a Regression Models of Surviving Fraction. An application to analysis of Permanent Employment in Japan. Journal of American Statistical Association. 37, 284-292 [13] Zhang, L.J. and Liu, C. 2006. A Finite Mixture of Two Weibull Distributionfor Modeling the Diameter Distribution of Rotated Sigmoit, Uneven-Age Stands. Cannadian Journal for Research 31, 54-1659 Nama Penulis (JudulMakalah) 56