::. :.: *,.,aB?$,s; : ; embahasan buku ini akan dimulai dengan suatu Pertanyaan yang sangat penting. Pertanyaan tersebut adalah "Kapankah kita menggunakan analisis survival?" Lebih tepatnya lagi, "Kapankah kita horus menggunakan analisis survival?" Untuk menjawab pertanyaan tersebut, penulis mengajak pembaca untuk memperhatikan beberapa ilustrasi berikut. €obal*.kita.b-adingkail dua buah situasi.:Situasi'pertamaadaffi,'5ill;p5i.ketika.Anda mengendarai kendafaan"saat lifuran.,,Situisi :.kedua'adalah,saat,:Anda .mengendarai kendaraan- m, enui u{<anto r. Pada situasi pertama, mungkin Anda akan mengendarai kendaraan dengan santai.Anda ingin menikmati Perialanan dan tidak mempedulikan kapan Anda sampai di tujuan. Jarang sekali Anda melihat jam tangan karena waktu bagiAnda sudah tidak berarti. Anda tidak dikejar target harus sampai di tempat tujuan pada iam tertentu.Yang penting bagiAnda adalah sampai di tujuan dengan selamat. Kapan Anda sampai tempat tujuan tidaklah Penting bagi Anda. Pada situasi kedua, mungkin yang terjadi adalah kebalikannya. Waktu tempuh sangat berarti bagiAnda.Anda bukan hanya ingin sampai di kantor tetapi Anda ingin sampai di kantor tepat pada waktunya bahkan kalau bisa lebih cepat tiba di kantor. Terdapat kesamaan dan perbedaan antara dua situasi di atas. Persamaannya adalah, Anda sama-sama menuju suatu tempat. Perbedaannya adalah, pada situasi pertama, Anda tidak mempedulikan waktu. Anda tidak peduli kapan Anda sampai di tujuan.Waktu seohh-olah diabaikan. Pada situasi kedua,Anda sangat mempedulikan waktu.Waktu adalah penting. Dalam hal ini, waktu tidak bisa diabaikan begitu saja. Faktor kecepatan menjadi hal yang sangat penting bagi Anda. : . :: : :::'! !'.1': : !: :": : : :' : ::.^:':y :' : : :':: : :' Gombor l.l llustrosi duo pengendoro. Pengendoro pertomo (kiri) songot "peduli" dengon wqktu semenioro pengendoro ke duo "mengoboikqn" woktu Te,rdapat tiga' orang Felariya4g mengikuti lor,nba lari' 1 6S .' meter.l*ampir daFat dipastikar+,.sernitapelaq. akan sam?ai. : garisi:fi nisfi .,setelah nrenempuh iarak, l0$.m. Akan,:tetapi;',: esen i:lgrnba'tari b-ukanlah para,gelari,itu' sarnpai.fi niSh.,. atau tidak atraa.tetapi' es€nsinya:x6;6n kecepatan para,. pelari,rnenlcnp*i,finirsh lJra.tan.peringkat Fara pelati akan : ditentukan, cleh unrtan kecepatati- para pela,ri, terseh*t . rnsncspai garis. fi nish-, Gombor .l.2. llustrosi tigo pelori. Urulon iuoro ditenlukon oleh seberopo cepot pelori mencopoi finis. Kapan Menggunakan Analis is Survival? Seorang peneliti rnengamati l<eberhasilan terapi dari dua macam sbat aatikankef; lqitu,,obratA efan obat B. Banyaknya pasien yang diar*ati'adalah liryaorang untuk masing-masing kelonrpok <rba,t'Kelu4r'an 1'ang.ditelti adalah kematian dalam wa*tu tS tahun,sejak mendapat'pengobatan. Hasil dipqroleh disajikan pada gambir 1.3. pasien yang 1 pasien 2 pasien 3 pasien 4 pasien 5 pasien 1 pasien 2 pasien 3 pasien 4 pasien 5 Gombor ,l.3. o 2 3oo16 B '1 Perbondingon keiodion kemolion podo obol A don obqt Tondo I menuniukon bohwo posien meninggol. B. Marilah kita perhatikan gambar 1.3. Pada kelompokA terdapat empat pasien yang meninggal. Pada kelompok B juga terdapat emPat pasien yang meninggal.Apabila dilihat dari segi insiden kematian, baik obatA maupun obat B mempunyai insiden kematian yang sama yaitu sebesar 8O%.Akan tetapi, apabila kita lebih ieli melihat gambari kita melihat bahwa obatA tidak sama dengan obat B.Walaupun insiden kematian yang terjadi pada kedua kelompok adalah sama, kecepoton kejadian kematian pada kelompok B lebih cepat daripada kecepoton kejadian kematian pada kelompokA. Dari contoh ini, kita menyadari bahwa pemakain insidens untuk membandingkan obat ANALISIS SURWVAL: Dasar-Dasar Teori dan Aplikasi Program Stata A dengan obat B tidaklah tepat. Lalu parameter apakah yang lebih tepat untuk digunakan? Parameter yang kita perlukan adalah suatu parameter yang tidak hanya menunjukkan sesuatu telah terjadi atau tidak (insiden), akan tetapi juga menunjukkan kapan terjadinya kejadian tersebut. Parameter tersebut adalah parameter kecepotan yang seringkali disebut sebagai insrUens rote. Bagaimana caranya menghitung insidens rotel Tabel berikut menyajikan bagaimana cara kita menghitung insidens rote berdasarkan kasus di atas. Tabel l. l. Perbandingan antara insiden dengan insidens rate itatus: Obat A I l"leningga 2' l',4eni4e$q 3 Yeningga 5 !q:Es .'5,:l s.]:l:l..r 'Q&qi. :::l:rtll;:l -lidup t0 ii:l:: Yl€'.ingc? 2, leningga 2 4 leningga lnsidens Person time lnsidens a.i rote 415:$Oo/c 5+5+5+5+ l0:30 4/30: 4ls 2+2+2+4+!0420 0, I 3 ll.'.:.ii. 5 ti:i:i ]]:i::i::t.r:.].,il 5 SAaA : 2 ' r.a/;€]*,,9!Q]1 'l'l'i:r"iir' ? 4 = jumlah pasien meninggal/jumlah pasien = jumlah waktu pengamatan untuk tiap pasien = jumlah pasien meninggal/total person time Pasien pertama pada obat A meninggal dalam waktu lima tahun, begitu juga dengan pasien kedua, ketiga, dan keempat. Pasien kelima masih tetap hidup sampai pengamatan tahun ke- 10. Pasien pertama mempunyai person time sebesar 5 tahun, begitu pula dengan pasien kedua sampai keempat. Pasien ke lima mempunyai person time sebesar l0 tahun. Pada kelompokA, kejadian meninggal adalah sebanyak 4 dengan total person timenya adalah 30. Dengan mengetahui jumlah kematian dan total person time, kita bisa Y :'. Y.":.' :".o :.:' :' :': ::--'' menghitung kecepatan meninggal pada kelompokA yaitu dengan membagijumlah l<ematian dengan total person timenya. Diperoleh kecepatan meninggal pada kelompokA adalah sebesar 0,1 3. Dengan cara yang sama, kita bisa menghitung kecepatan meninggal pada kelompok B yaitu sebesar 0,20. obatA dengan obat B tidak dapat dideteksi bila kita menggunakan parameter insiden, karena insiden kedua kelompok adalah sama yaitu 80%. Perbedaan obat A dengan obat B baru bisa Perbedaan dideteksi bila kita menggunakan parameter insidens rote.lnsidens rote pada kelompokA adalah 0, I 3 sementara pada kelompok B adalah 0,20. lnsidens rote kelompok B lebih besar daripada kelompok A, artinya kematian lebih cepat pada kelompok B dibandingkan kelompokA. Setelah membaca tiga ilustrasi di atas, marilah kita kembali pada pertanyaan di awal bab ini. Kapankah kita harus menggunakan analisis survival? Kita menggunakan analisis survival pada keadaan di mana faktor "kapan terjadinya suatu kejadian" lebih penting daripada "apakah suatu kejadian terjadi atau tidak". Dengan kata lain, kita harus menggunakan analisis survival bila kita peduli dengan "waktu terjadinya suatu kejadian". A-*lfu W 1,i','.Kaparikah.lq4 rnel*ku:kan.'analis' survival? '.,. ,:.',:Jelatkan.b*ber.apa istitah'berikut i*i;' '. ' ': r. ' : ' i.b. . .: ,, : . l lnsiden : Insi-denstrat€,:.::r: ..,." ':. ,.' e.,,, F€r$OR time' i :. ' . .:' .' ::, r:' . ', . ., Sesrang pgfrelki mqlakukan' uii.,klinis untuk rnernbandingkan ,'. .,effckthitas, obat' antimalar:ia antara obat standar:,densa* obat 3.. baru. Parameter effektivitas yang diteliti adalah kesembuhan . har!,ke-J dan:parceffe-clecrence tirne,'Fsrccite,cledienr€ "..'-.' ',',grx.l..a*.a!alil'w**tu'.ketifta.,pada.tubuh pasien iidak d:dapatkan, ,-:..,'tggil'f?iaq,it,tttlaf.ia,,i Fafi dua.parameter ter.sehUt,,rnamkah, .,..r.=:: .r* -e+e.+::t+1tg..haqur d.iqnalisis deng4n -*.n*lisii sury! q.E.:, ,... .1.',.peda : :y::: ::':'I'.'.'::-3.":': :::',:'; :::':: ::': t: rq* L 'os! i**, A. Beberapa Terminologi Penting Untuk bisa memahami analisis survival, terlebih dahulu kita harus mengenal beberapa terminologiyang berkaitan dengan analisis survival.Terminologi yang harus dipahami adalah Kapplan Meier: survivol rate, median survivol, asumsi proporsional hazard'hazard rasio, event, dan sensor. Terminologi-terminologi tersebut dapat dipahami dengan pendekatan Kurva Kapplan Meier. Maksudnya, dengan memahami kurva ini, kita dapat memahami terminologi- terminologi yang berkaitan dengan analisis survival. Marilah kita perhatikan kurva Kapplan Meier pada gambar 2.1. Jenis obat obat baru !'I obat standar f obat baru-censored t obatstandar-censored 0. 0.8 o.7 d a L f 0.5 E o.4 - o o.2 0.t 0 I 2 3 4 5 6 7 8 9 l0 Waktu Survival (tahun) Gombor 2.,l. Kurvo Kopplon Meier yong membondingkon woktu survivql onloro duo buoh pengoboton. Kurva pada gambar 2.1. merupakan perbandingan survival antara pasien yang mendapat pengobatan standar dan pasien yang mendapat obat baru. Beberapa informasi penting yang dapat diperoleh dari kurva tersebut adalah sebagai berikut. l. Sumbu y, sumbu x, dan garis survival Sumbu y pada kurva survival menuniukkan Persentase survival, yaitu persentase subyek yang masih bertahan/bebas dari kejadian yang sedang diamati. Sumbu x pada kurva survival menunjukkan waktu. Garis "berkelok-kelok" adalah garis survival. 2. Survival rote untuk waktu-\rvaktu tertentu. Survival rote untuk waktu tertentu bisa diketahui dengan menarik garis vertikal dari waktu tertentu pada sumbu x sampai memotong garis survival. Perhatikan gambar berikut. : y :: : ::' :n: :::" : ":.o." :': : : :' : : .^:' :' : : :':: : :: Jenis obat obat baru -fl obat standar -!'I f obat baru-censored t obatstandar-censored -6 o.7 L = E o.4 f 0.3 o 0. 0.t Waktu Survival (tahun) Gombor 2.2. Coro memperoleh survivol rqle pqdo tohun ke-5 Pada kelompok obat standan survivalrote pada tahun 5 adalah sebesar 87% sementara pada kelompok obat baru adalah sebesar 967".Dengan cara yang sama, kita bisa mengetahui survivol rote p^da tahun I sampai dengan tahun 3. 12. Median survival Median survival adalah waktu di mana 50% subyek mengalami event- Median survival bisa diketahui dengan menarik garis horizontal dari sumbu y pada titik 50% sampai memotong garis survival. Perhatikan gambar 2.3. lenis obat I 0.9 !" f t d I obat baru obat standar obat baru-censored obatstandar-censored L t,= E 0. f 0. o 0. 0.t 3 4 5 6 7 I 9 t0 il t2 Waktu Survival (tahun) Gombor 2.3. Coro memperoleh medion survivol Teminologi Suruival Pada kelompok obat standar, median survival adalah 9 tahun artinya sebanyak 50% pasien sudah meninggal pada tahun ke-9. Median survival pada kelompok obat baru adalah I I tahun artinya sebanyak 50% pasien sudah meninggal pada tahun ke- I l. Median survival ini dapat digunakan untuk membandingkan survival antar kelompok. Pada contoh ini, survival kelompok obat baru lebih baik daripada survival kelompok obat standar. Selain itu, informasi median survival ini bermanfaat untuk menghitung besar sampel dalam penelitian dengan analisis survival. Untuk mengetahui bagaimana cara menghitung besar sampel untuk analisis survival, silahkan Anda membaca buku seri 2 yaitu buku Besar Sampel dan Cara Pengambilan Sampel dalam Penelitian Kedokteran dan Kesehatan, edisi 2, Salemba Medika, Jakarta, 2008. 4. Asumsi proporsional hazard Proporsional hazard (PH) artinya perbandingan kecepatan terjadinya suatu kejadian antar kelompok setiap saat adalah sama. Ciri dari suatu kurva survivalyang memenuhi asumsi PH adalah garis survival antar kelompok tidak saling berpotongan (gambar 2.4). Jenis obat obat baru -fl!' I obat standar t obat baru-censored t obatstandar-censored d L o 0.5 E o.4 U 0.3 f 0. 0.t Gombor 2.4. Kvrvo survivol yqng memenuhi osumsi proporsionol hozord :::::::':'!!"1'::-3"":::.":'::'.u:'"'y:':::'::::: Gambar 2.5 merupakan contoh grafik survival yang tidak memenuhi asumsi survival. Grafik tersebut tidak memenuhi asumsi PH karena garis survival antar kelompok berpotongan. ;fl -[l f f Jenis obat obat baru obatstandar obat baru-censored obatstandar-censored 6 L o E f U 2.OO 4.00 6.00 8.00 t0.00 t2.00 Waktu Survival (tahun) Gombor 2.5. Grofik Kopplon Meier yong tidok memenuhi osumsi PH Asumsi PH sangat penting dalam analisis survival. Pentingnya asumsi ini analog dengan asumsi normalitas data pada analisis parametrik Analisis yang dilakukan pada suatu fungsi survival yang memenuhi asumsi PH berbeda dengan analisis yang dilakukan pada fungsi survival yang tidak memenuhi zrsumsi PH. Survival yang memenuhi asumsi PH akan dianalisis dengan time indqendentanafysis sementara survival yang tidak memenuhi asumsi PH akan dianalisis dengan analisis full model aau analisis reduced model.Berbagai jenis analisis tersebut akan dibahas pada Bab7,8 dan 9. r%l %l %l F%l Gombor 2.6. llustrqsi osumsi proportionol hozord.Podo gombor kiri, qsumsi PH lerpenuhi kqreno pembolop A selqlu lebih cepoi dori pembolop B. Podo gombor konon, osumsi PH tidok lerpenuhi koreno odo sqot pembolop B lebih cepot doriA don qdo sootnyo pembolop A lebih cepot dori B' 5. Hazard rasio Salah satu parameter yang penting dalam analisis survival adalah rasio hazard (untuk selanjutnya disebut sebagai hazard rasio atau HR). Untuk memahani hazard rasio, marilah kita kembali pada contoh kasus pada Bab l. Pada Bab I telah dijelaskan mengenai konsep insiden dan insidens rote. lnsidens rate adalah kecePatan terjadinya suatu peristiwa yang secara matematis adalah merupakan perbandingan antara insiden dengan waktu (person time). Nama lain dari insidens rore adalah hazard.Apabila kita membandingkan dua hazard,maka yang akan kita peroleh adalah hazard rasio.Sedangkan bila kita membandingkan dua insiden maka yang akan kita peroleh adalah resiko relatif (RR). Untuk lebih jelasnya, lihatlah dengan seksama tabel 2.1. SURWVAL: Dasar-Dasar Teori dan Aplikasi Program Stala Tabel 2. l. lnsiden, resiko relatif, hazard, dan hazard rasio Pada tabel di atas, bila kita bandingkan B terhadapA maka nilai HR adalah 1,54. Nilai HR ini bisa diterima bila asumsi PH terpenuhi (lihat kembali pengertian asumsi PH pada halaman l0). Bila 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" di sini menunjukkan bahwa perbandingan kecepatan antar kedua kelompokA dan B adalah konstan. Untuk lebih memahami konsephazard rasio,marilah kita lihat contoh berikut ini. Jenis obat _fl obat baru 6 't o: -[! t t 0.7 obatstandar obat baru-censored obatstandar-censored 0.6 ! E l o 0.5 0.4 0. 0. 0.1 0. 0t23456789 ' Waktu Survival (tahun) Gqmbor 2.7. Kuwo Kopplon Meier dengon niloi Hozord Rosio Tbrminologi Survival HR pada kurva diatas adalah 2,63 (lK 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". Perhatikan kata kunci "setiap saat". Kita akan membuktikan pernyataan ini pada bab-bab selanjutnya- (Lihat halaman 49) B. Gara entri data untuk analisis survival Sampai tahap ini, kita sudah mendiskusikan beberapa hal penting yang berkaitan dengan anai lsis su rvival. Sebel um mendiskusi kan ebi h I jauh lagi mengenai analisis survival, ada baiknya kita mempelajari terlebih dahulu bagaimana cara kita memasukal data yang akan dianalisis dengan analisis survival. Hal ini perlu dibicarakan terlebih dahulu karena cara entri yang benar akan memudahkan kita dalam melakukan analisis survival. Syarat minimal suatu set data bisa dianalisis dengan analisis survival adalah pada set data tersebut harus ada variabel status dan person time.Apabila relevan, selain variabel status dan person time, juga ada variabel bebas. Perhatikan tabel 2-2 (halaman l5)' a. Variabel stotus Variabel status menuniukkan status pasien pada akhir pengamatan. Pada analisis survival, terdapat dua status yaitu event dan sensor. Event artinya pasien mengalami keiadian yang sedang diteliti. Sensor artinya pasien tidak mengalami kejadian yang sedang diteliti. Sensor dapat berupa pasien tidak mengalami kejadian atau pasien hilang dari pengamatan. Sebagai contQh, bila variabel status berupa meninggal atau senso[ maka meninggal (event) diberi kode I sementara variabel sensor diberi kode b. 0. Variabel person time Sebagaimana telah dijelaskan pada Bab l, person time adalah waktu p.ngamadan mulai dari awal Pengamatan sampai dengan akhir pengamatan. Person time daPat memPunyai satuan berupa detik, menit, jam, hari, minggu, bulan, tahun dll. Pada contoh tabel 2.2, satuan person time adalah bulan. :'::': .':: :?.^.": : : :' : :.^:'.:Y.' : : Y:: ::: Tabel 2.2. Cara entri data untuk analisis survival dengan mengunakan Stata ti:ii,iB $$l $s Person time Waktu Alternatif I Alternatif 2 Bulan Bulan -'ahnnlrttrl fgai*::l.l:;.:l,t.,:l.:l:tl:.:::.t:ttr: survival l.llllil l:rllrl:]1:,:llllril:r,ll ::t:tatlarla:iarrirlta:tal Variabel Perilaku bebas berupa minum variabel alkohol kategorik dikotom c. | : peminum alkohol | : tidak minum 2 : tidak minum alkohol alkohol 2 - peminum alkohol Variabel bebas Variabel bebas dapat berupa variabel numerik maupun kategorik. Bila variabel bebas adalah variabel kategorik, buatlah sistem pengkodean yang konsisten pada kategori pembanding dan resiko. Kategori pembanding adalah kategori dari variabel kategorik yang akan dijadikan pembanding bagi kategori lainnya. Umumnya, yang dijadikan sebagai kategori pembanding adalah kategori yang tidak beresiko. . Pada penelitian untuk mencari hubungan antara perilaku minum alkohol (peminum dan bukan peminum) dengan kematian Terminologi Survival pada pasien kanker, variabel bukan peminum umumnya dijadikan sebagai variabel pembanding karena dianggap sebagai kategori yang tidak beresiko. Pada saat memberikan kode bagi kategori pembanding, kita mempunyai dua alternatif. Alternatif pertama, kategori "pembanding" secara konsisten diberi kode paling besar. Bila variabel bebas adalah variabel perilaku minum alkohol (kategorik dikotom), kategori 'bukan peminum alkohol' diberikan kode 2 karena'bukan peminum alkohol' adalah pembanding bagi kategori 'peminum alkohol'. Bila variabel bebas adalah merokok dengan klasifikasi tidak merokok, perokok sedang, dan perokok berat, maka 'tidak merokok' diberikan kode 3, 'perokok sedang' diberikan kode 2, dan'perokok berat' diberikan kode l. Kategori 'tidak merokok' diberikan kode 3 karena tidak merokok akan dijadikan pembanding. Alternatif lain adalah secara konsisten memberikan kode terkecil kepada kategori pembanding.Apabila hal ini yang dipilih, mal<a tidak merokok dan tidak minum alkohol diberikan l<ode l. Perhatikan kembali alternatif entri data yang tercantum pada tabel2.2. Jelaskan apa yang dimaksud dengan l2. 3. 4. 5. 6. 7. : Grafik Kapplan Meier Survival rate Median survival Asurnsi proporsional hazard Hazard rasio event dan sensor Kategorik dikotom dan kategorik polikotom 'takukanlah entri data untuk data berikut dengan program $.' ' .' ,gtAtA. ,, '.',' , l ANALISIS SURI.IVAL: Dasar-Dasar Teori dan Aplikasi Program Stata No Diedlemak rii: . : -ir::,,.irt,r -ir. i.r'r, :ri I Sensoii'l 2€, .'<40 Seimbang 2 9ens6ry,, t,8 540 Seimbaqg 3i: Sensor le <40 Seimb,ang 4 Se*Sor: t8 s,40 Seimbani 5 Sensor t6 >40 Tidak,'S€imbang 6 Event t2 >40 Ti&k:ieim,banE 7 Sensor l8 s,40 5ei'r*bang I Sensoi t8 ,,:<,4.0 s6_lmbani 9 Sensor t,6 <40 Seimbang ts Event t8 s40 Seirnbang ll Sensor l',2 <40 Seimbeni l'2 ,Sens.,-r t2 <40 Seirnbang t3 Event l4 >40 Tidak seimbang l4 Event l'2 >40 Seimbang t5 Sensor: t8 <40 Tidak seimbang 1,6 Senloi r8 i40 Seimbang l'7 Event t6 >.40 Seimbang J.8 SenSoa. t8 s4O ,J.9 Sensor t,8, <'40 rSeimbang 20 fv,en! t0 ',>,4O SeimbanE: ,, '' Seimbahg *::':":::'::"",, 4:: KappEarr HVEe6er deatgam FrogtrasffB Sta€a ffiEes?Bhs€at Kaxmra nO t-t 3 4 o 4 s'%r* B': &' :rtr*',fl 5$ I r$.. tr-:l ';l---J'j' T"r.riuan Bab 3: '{*+o*EFg Setelah rnembaca Bab 3, dihanapkan pennbaea fflarnpu rnembuat grafik Kapplan lYeier dengan rnenggunakan prograrn Stata serta rnarnpu rnelakukan intenpretasi survival rate" median suryiyol dan asumsi proporsional hazard. Kinisaatnya kita mendiskusikan bagaimana kita membuat kurva Kapplan Meierl survival rote, median survivol, dan mengecek asumsi proporsional hazard dengan menggunakan Program Stata. A. Mempersiapkan data untuk analisis survival Untuk mempelajari bagaimana membuat Kurva Kapplan Meier dengan menggunakan Stata, bukalah file survival-kanker. dta. Pada Stata terdapat langkah pendahuluan yang harus dilakukan jika akan mengolah data dengan stata. Langkah tersebut adalah mempersiapkan data untuk dapat diolah dengan cara analisis survival. Cara mempersiapkan data untuk analisis survival adalah dengan perintah stset t, failure(foil) dengan t menunjukkan variabel person time dan foil menuniukkan variabel status.Jadi,iika t diganti menladi time dan fail diganti meniadi status, maka perintah stset t, failure(fail) berubah meniadi stset time, failure(status). Sebelum sebelum data dipersiapkan untuk analisis survival, data pada stata adalah seperti gambar berikut. ll Pre*erve Fsstot* varg [8] -i ns 1 ! 4 E J 6 t} st*tus 1' lrl*n.i ngga ? 3 4 5 6 / I Flen: nqga Fleni ngqa l,leni ngga l4eni ngqa l{eni ngqa Fleni nqg& lileni ngga $ 10 l,teni nEqa ' 16 l,'!eni ngga f-" *."" time 11 3 I 11 11 11 4 4 4 obat :tadi Sbet st.: ,3bat sta *bat sta iSbat sta Crbat sta *bat sta *bat sta Obat sta Ob*t sta Starli unr St*di unt 11 '*bat *ta !tad'i unr 5tad r tln Stadi urtt 5tq,J'i uxr 5tacll unl 5tadi um \tadr um Stail'i unr Untuk memeprsiapkan data suPaya dapat dianalisis dengan analisis survival, lakukanlah langkah-langkah sebagai berikut. ::'.':'.': :'-"?:": :::' :'.^:'.Y.' :: Y:: ::: um { ! { ! 'Klik stotistics Pilih survivol onalysis Pilih set up & utilities Pilih declore data to be survival-time doto Akan terlihat tampilan sebagai berikut. Msin il Weidrtc ,Odiffi :l lme variaHe Ad"nc*d f] Mdtiple{eqd lD vdiade t F€ilure €ved Flfuia vales Fsilda vaiabis : [f 9-l Oo rpl3hs4 d ietlir€ ff Cbd iddffihon 8t catti'Erg nmm { ! !" l.**CIK**l l*Eilcst-*"l f-* ,sbmit*l Pilih time pada kotak time varioble Pilih stotus pada kotak foilure varioble Ketik angka I pada kotak foilure volues Akan terlihat tampilan sebagai berikut. Ildt !. : \Jtrigl*r lircvairtla I : 6ptim : ldvamd I flMrnilosdlovainbla liD *!si vairblo: dd6vl F.tk e Fa&.lr n Do iaa $s d $r*€ ilqc#*$uhgi Failre vdrs: ihtdo$li8 HTDM Proses sudah selesai. Klik Ok Membuat Kurva Kapllan Meier dengan Software Statistik Akan terlihat tampilan sebagai berikut. . stset ti me , fai I u re (status=:1) failure event: status == 1 obs . ti me i nterval : (0, ti mel exi t on or before: fai I ure 500 total obs. O excl usi ons 500 obs. remaining, representing 37O failures in single record/sing'le fai'lure data 472L total analysis time at risk, at risk from t: observed entry t: earliest 'last observed exit t = 0 0 L2 Kemudian, lihatlah dato editor. Pada data editor, akan terlihat tampilan sebagai berikut. lP*;]l-!eG;l Y.rl:[s] ttgtui I Heninq{a. ? mani nqgn I ffefri nq$a 4 flrni nggd 5 I'lrni n'lqe 6 lrleni nqga Lleni n{q€ B Fleni ngga 9 lt!enir,?ga LO Plenr nQ4a 1 ? l 4 5 6 i € 9 10 = J-* tim 11 l l obat stddim obit ita StaCisx Obat rta Stddiun olat sta 5ta,li un 11 obdt 11 ot'at sta 'ta 5tadr!r Stadi un 4 obat 5ta Stidi us obat 5ta ltadiM obat 5ta 5tndi ua 11 obd std stadiffi 4bat 5ta 5tadium 11 4 Tampak sekarang telah ada variabel baru yang bernama -st, _d, _t, dan _to yang dinamakan sebagai variabel dummy. Dengan munculnya variabel dummy ini, maka data telah siap untuk dianalisis dengan analisis survival. Untuk selanjutnya, perintah mempersiapkan data untuk analisis survival dapat dilakukan dengan mengetik kalimat perintah pada bagian commond. Perintah umum : stset t, failure(fail) Contoh : stset time, failure(status) :Y:::::':n!!'.o:::!':::::'ly"^:'.'Y:':::'::::': B. Membuat kurva Kapplan Meier secara keseluruhan Untuk membuat kurva secara keseluruhan dengan menggunakan Stata, lakukanlah langkah-langkah berikut Untuk membuat kurva Kapplan Meier secara keseluruhan lakukanlah langkah-langkah berikut. ,/ ,/ ,/ ./ Klik stotistics Pilih survivol analysis Pilih summory stotistics, test, & tables Pilih groph survivor and cumulative hozord function Akan terlihat tampilan sebagai berikut. "', iqr," tatq:] t.1y;:qg-r:i:ej;i.i.qeai.4go"1ri[ta;L"ria+r:!rL+- l-s{rer"...tr+ti: q;eti /D Grap! Kaila Fteie uvrfl lrd'd a Gr@ K6plffil4€ie f€il@ lm[on * Gralh Nel$on Aals cumulalive ha?dd t) Gr#h tmnothed hardd etiilaie I-0 Unl! ued to 'epod rdtr function i Jculat@ il Se@de an dflsent geps al vecitied voi€Hes: lby varidbles] .---.the dirui* b zero !€luer ot adpsMt rdiBHes: ilAdiult*'-'*^-'i*-*L* *-* *. --- .-*--*--t".iFnr:ij ii i!:r';j:ii i.r!!,tl1r ii ii;jrj i.ii:lt: :ri:.:ii.,:j ** i-^--***-"**'l----** l ;--- ----- . : : iri-i,r-r:qli!!i.:{r,4+r:,}36j .-- -. , - ."-*-*i "**"-*-*:"1 ***-.J Jlthowpoirtwiseesiidencebnrd$ fft*ffi {- ./ Pilih groph oF ..]f-cirF"L.]i- r!,!lft- I Kopplan Meier survivol function poda function ,/ Proses sudah selesai. Klik Ok Akan terlihat tampilan sebagai berikut. . sts graph failure _d: status analysis time _c == | time MembuatKuntaKapllanr"*r,O::r::Y:r:t:::r:.*3F Kaplan-Meier survival estimate analysis time 2 melalui kurva Kapplan Meier, kita bisa mengetahui survivol time untuk waktu tertentu dan Sebagaimana dibahas pada Bab medion survivol, serta mengetahui apakah asumsi PH terpenuhi atau tidak. Untuk selanjutnya, perintah membuat kurva Kapplan Meier keseluruhan dapat dilakukan dengan mengetik kalimat perintah pada bagian commond. Perintah umum : sts graph :':':Y'.',: ::.' :: : : :',: :.^:',:y.' : : y:: ::': C. Membuat kurva Kapplan Meier berdasarkan variabel bebas Untuk membuat kurva Kapplan Meier berdasarkan variabel bebas dengan menggunakan Stata, lakukanlah langkah-langkah berikut ,/ Klik stotistics ./ Pilih survivol analysis ,/ Pilih summory stotistics, test, & tobles ,/ Pilih groph survivor and cumulative hozard funaion Akan terlihat tampilan sebagai berikut. iil;; tq-,:9.'iqi,:-rt*-eeu+"t'{li!"*lgs,"Ftg:-+riSeojtru:- -t,ssed,igmq-i.eisi'it,- i ' & Ot*t' Xu**-ti"i* svivor ldhm * Grqh K€da+ieier faise lelion ri *--- 'l urls ea n qqrr* Nehm+.ls Mddiw hadd turctim S Gr69h shdhrd hdrdd e$lin{e $ G!@h lf gwde n d[tqd ffi d wdied vdirll6: {br ysiiltes} : l]Adw nE diroh b:so rsher d.dqffit vdi.bles -,--, -*: 'jj ':.t I :!i** r*is: +r il :.!!:+ s* she trituhe cs{ibEe bdds g{*g l,: "".-"**.-=- __ J -q(-:.11-€]f:ffi:l Pilih groph Kopplon Meier survivalfunaion podo funaion Masukan variabel obat pada kotak seporote on different groups of specified variable: (by varioble) il;.3r.r*.1 * Gr.ph Kado+ileier srivd hdih 11,9 O Grah Kdds+nds ldtuE ndirft S Gr4fi NdsAilen cwilld* tEHd lsdim iunr\ilsdieEpt.abs *cEdls.mMhdarddde H ssFda on dtlad $spr i ilAdralllFqin*! jil d selEd vaiabl$ ftry vs'i$hsl gal "4qg itiglll :Tq:: ,-*-.r:'i.+i:r LF;i!di '.l :.!.rde i.i .rl1.r* +q!+: .l :t,*; fi ,-_-_-__- sh* w" o w* g"do sb _----*-_*-_r-___:J :*.* --:j: g*dv;s cdsdsE bdds = g{E ,/ l,::. Proses sudah selesai. Klik st--{-q!!EE:Jffi Ok Membuat Kurva Kapllan Meier dengan Software Statistik Akan terlihat tampilan sebagai berikut. . sts graph, by(obat) failure _d: status analysis time _c time == | Kaplan-Meier survival estimates, by obat analysis time obat = Obat standar obat = Obat baru Sebagaimana dibahas pada Bab 2, melalui kurva Kapplan Meier, kita bisa mengetahui survivol tirne untuk waktu tertentu dan medion survivol,serta mengetahui apakah asumsi PH terpenuhi atau tidak. 1 i Untuk selanjutnya, perintah membuat kurva Kapplan Meier berdasarkan variabel bebas tertentu dapat dilakukan dengan mengetik kalimat perintah pada bagian command. Perintah u-u- : sts graph, by(variable) : sts graph, by(obat) Contoh : ::: : ::':'I : : : 3." :": : : :y :' : : :':: : : .^:', : :: Membuat Kurva Kapllan Meier dengan Software Statistik i1.::l';i:'::1,::i,::+1.:: i'::r;l!.:ii=:::: Memperoleh Hazard Raeio dengan program $tata I ? ffiffi 4 Pada bab ini akan dibahas bagaimana cara memPeroleh nilai hazard rasio dengan menggunakan program Stata. Sebagaimana telah diielaskan pada Bab 3, kalau kita akan melakukan analisis survival dengan menggunakan Stata, kita harus mempersiapkan data tersebut untuk siap dianalisis dengan analisis survival. Dengan demikian, sebelum memperoleh nilai HR, kita harus mempersiapkan data terlebih dahulu sebagaimana yang telah Anda pelajari pada Bab 3. { Bukalah data survival-rokok.dta ,/ Siapkan data untuk analisis survival dengan perintah berikut . stset time, failure(status) sebagaimana telah dipelajari pada bab 3 Untuk menampilkan nilai HR, lakukanlah langkah-langkah berikut. { Klik stotisrics ,/ { \/ Pilih survivol onolysis Pilih regression model Pilih cox proportionol hozord model Akan terlihat tampilan sebagai berikut. il Fit model Hithout mvdridtes l,{edr-'i *gtrenr stsla lD vadBblesl hriltt lD vEriEble: i---- - -- -.---- - '-- iddl. iFd la*se, fu} Bteslow ..-. .''' ---.; Shnred t! ::: * Etron {1 Eract marqinal likelihood * Eiet part;sl likEllhood 0llset variable: - ffiffis, ,/ -ti f- oK -_-] __"_i _l f-c"-" f::,911-] Masukan variabel rokok ke dalam kotak independent varioble \f Ketik i. di depan variabel rokok I NALIS$ SURVIVAL: Dasar-Dasar Teori dan Aplikasi Program Stata Akan terlihat tampilan sebagai berikut. Model j Time varyine 4l,v;n j: SE/Hobu:t * Feportingi Feporring ? ]! j Max optionsi I- lndependent variables : &; i.roksk f] -l 5rr"r"-lEttl"q- Fit model without covariates 0ptiant |,lethad io liandle lied iailures Strata lD variables: q:i Breslow .]\i:; Shared frailty lD variable: i :Si .I L[On S * Exact marginal likelihood Exact partial likelihosd 0llset variable: r_ --.^-- -*--""*"--i:: j!*i i t I i I 1,,_-.__ { qK-l t _q"!q{I {--sqbilr.-] ffiffiH t/ Proses sudah selesai. Klik ok. Akan terlihat tampilan sebagai berikut. . xi:stcox i.rokok i . rokok -Irokok-0-1- (natura'l1y coded; -lrokok-0 omitted) failure status analysis time -d: time -t: Iteration O: 1og likelihood: -2150.8691 rteration l-: 1o9 likelihood: -ZLLO.O5L7 Iteration 2: 1og like'lihood: -21-1-0-0401Refini ng estimates l 1og likelihood: -21-1-0-0401 -- Breslow method for ties Iteration 0: cox regression No. of subjects No. of failures -r'ime at risk = : = rog likelihood = 500 Number of obs = 500 37O 472L chi2(1) Prob>chi2 = LR *21-10.0401 _t I Haz.Ratio std.Err. z =--+--------_rrokok-1 I 2.633647 .2889513 8.83 P>lzl 195% 81-.66 =0.0000- conf. Intervall 0.000 2.a24O64 3.265483 Memperoleh Hazard rasio dengan software statistik Hazard rasio dapat diketahui pada kolom Haz- Ratio seementara interval kepercayaannya dapat diketahui dari kolom 195% conf.lntervall. Nilai HR dan interval kepercayaannya adalah 2,63 (1K95%2,12-3,27) Untuk selanjutnya, perintah membuat hazard rasio dapat dilakukan dengan mengetik kalimat perintah pada bagian commond. Perintah umum : xi:stcox i.categoricvariable Contoh : xi:stcox i.rokok : '""!.'"Y'.i"::'3::"::::':'.^:':Y.'::Y::::':, l-l*! ; ) w*ru uwd irml &iv;iii:l*s |]$*qioteal Crvaiidtdi: ChmgP Csntr*t -nnlistl l {u,0""* --;-l Beterem teleguy 1' Last change tr* F[st i A, Persamaan dari analisis survival: hazard function dan survival function Salah satu keluaran dari analisis survival adalah suatu persamaan. Persamaan ini bisa digunakan untuk memprediksi kemungkinan subyek bisa survive pada suatu waktu tertentu serta untuk mengetahui kecepatan terjadinya kematian pada waktu tertentu. Persamaan pertama disebut sebagai survivol function sementara persamaan kedua disebut hazord funaion. Rumus umum untukhozord funaion dan survivolfunaion adalah sebagai berikut. H(t) = S(t) = Ho(t)ev So(t)G"rr (persamaan l) (persamaan 2) Dimana, H(t) = hazard pada waktu tertentu Ho(t) = baseline hazord pada waktu tertentu S(t) = survival pada waktu tertentu So(t) = baseline survivolpada waktu tertentu bilangan natural = 2,7 14 = Y = b,x,+brxr*brxr*.......+bnxn e (persamaan 3) B. Membuat persamaan dengan menggunakan program stata Langkah-langkah untuk memperoleh persamaan dari analisis survival sama dengan langkah-langkah pada Bab 4. Perbedaannya adalah pada bagian iniada penambahan perintah untuk menampilkan koefisien, baseline hazard dan baseline survivol yang berguna untuk membuat persamaan hazard dan persamaan survival (lihat persamaan I dan persamaan 2 di atas). l. Menampilkan nilai koefisien Untuk mendmpilkan koefisien, lakukanlah langkah-langkah berikut \/ ,/ Klik stotistics Pilih survivol anolysis L':'::',:T',:'.::::':::::::'.^:',::',:::'::::: { ^/ Pilih regression model Pilih cox proportional hazard model Akan terlihat tampilan sebagai berikut. --7 ll-liiliilll--r sE(trrus... I lulvrYdr I : I .*il il Fit model without covarrates 0Pl:ons l 1 ailrod td hdndie ie,J leikses --*-- Shala iD vaiableo , .,f,. Shared frdilty lD vnriable: '-"-- - -------"-*'-,*ll i ; Ltron $ Eract * Erect merginal likelihood partial likelihood 0lfset variable; :..--- '-.'*-.ci f: Hffiru { q( .-l t-lirsl-l t--qy!s*J Masukan variabel rokok ke dalam kotak independent variable { Ketik i. di depan variabel rokok Akan terlihat tampilan sebagai berikut. t;r;'[G_r-^."1*:_qrlip j.+t_t"oyl],lt"gry;n;fi"s_e$!.1"F1"j f_ilGGFGJ lndependentvariables 1..;i---,'=---:-. :_ I -l 1 i _,_ Fit model withoul covtsrides Melhod to handle tied lailures Dpt;sDt Shota lD variables: L1) Breslow *Etron Shared frailty lD variable: _-_""'_- *::t::l i*-""'-'_-" i i$l ;} E fi Exact partial likelihood xaci marginal likelihood 0lfset variable: ,*r HmH { i-- nrt : f -c."l".|I i--9r'bl'r'. l Pilih kotak reproting. Akan terlihat tampilan sebagai berikut. Persamaan yang diperoleh analisis sut'vival {*--qr.-t { !qf"4 .-j{ 9,qr't.l Klik pilihan report coeficient, not hazard ratio. terlihat tampilan sebagai berikut. :*_ 1?"#; Confidence level fi Fleport coefficients. not hazard ratios fi Do not sho'r, st setting inlormation I ! ; _ _i i l t*----* ffiffiffi ,/ [: qK-- l fG@-l {-::$!]ar Proses telah selesai, klik OK. ANALISIS SURI/IVAL: Dasar-Dasar Teori dan Aplikasi Program Stata l { 'Akan terlihat tampilan sebagai berikut. . xi: stcox i.rokok, nohr (naturally i . rokok -rrokok-0-1 failure status == 1 analysis time -d: time -tr Iteration 0: log likelihood = Iteration 1: 1og likelihood = Iteration 2: 1og likelihood = nefining estimates:' rteration 0: 1og likelihood = coded; _rrokok-O on'itted) -21-50.8691 -2LLO.O5t7 -21-l-0.0401- -2110.0401 cox regression -- Breslow method for ties 500 No. of subjects = ruo. of failures = -rime at risk = Number of obs 472L ln chi2(1) log likelihood = -2110.0401 prob > chi2 -t -----------+ -rrokok-1 500 37O I coef. std. Err. | .9683695 z e>lzl [95% = = 81-.66 0.0000 conf. rnterval] .1097153 8.83 0.000 .7533315 U ntu k selanj utnya, peri ntah mem buat koefi sien dapat d 1.183408 i laku kan dengan mengetik kalimat perintah pada bagian commond. Perintah Contoh i umum : xi:stcox i.categoricvariable, nohr : xi:stcox i.rokok, nohr nterpretasi Rumus umum untuk nilai y pada persamaan survival dan hazard adalah sebagai berikut. (Persamaan 3) Y = b,x, +b2x2+b3x3+.......+bnxn Nilai b untuk masing-masing variabel dapat diketahui dari kolom Coef. Dengan mengganti nilai b dengan nilai pada kolom Coef, persamaan yang diperoleh adalah sebagai berikut. Persamaan yang diperoleh analisk survival Y = 0,968 (perilakumerokok) Dengan mengganti nilai y pada persamaan hazard,rumus hazard funaion adalah sebagai berikut. H(t) = Ho(t) er (Persamaan l) H(t) = Ho(t) eo'ttt (perilakumerokok) Dimana, H(t) = hazard pada waktu tertentu Ho(t) = boseline hozord pada waktu tertentu Perilaku merokok = 0 bila pasien bukan perokok Perilaku merokok =I bila pasien adalah perokok y pada persamaan survival, rumus survival funaion adalah sebagai berikut. Dengan mengganti nilai S(t) = So(t) G"rr S(t) = So(t)*o'"t (Persamaan 2) (perilakumerokok) Dimana, S(t) = survival So(t) pada waktu tertentu = boseline survivol pada waktu tertentu Perilaku merokok = 0 bila pasien bukan perokok Perilaku merokok =I bila pasien adalah perokok 2. Menampilkan boseline hazard dan boseline survivol Sampai tahap ini, kita telah membuat persamaan hazard dan persamaan survival. Pada kedua persamaan tersebut, diperlukan informasi boseline hazard (h0) serta boseline survival (s0). Oleh karena itu, kita harus mencari berapa nilai boseline hazord serta boseline su rvival.Untu k memperoleh ked ua ni lai tersebut, laku kan lah lagkah-langkah sebagai beri kut. ,/ ,/ @ Klik stotistics Pilih survivol onolysis suRWVAL: Dasar-Dasar Teori dan Aplikasi program stata \.G' Pilih regression model Pilih cox proportionol hazord model Akan terlihat tampilan sebagai berikut. i:!'{r@ lndependant variables I Fii model without covariates 0Elirnr Meih*d lo handle tied failuea Strata lD variables: *: . Shared friilt!' lD variable: . i- : 'l , -** --," ,.ifu U .] ttron fi Exact partial likelihnod Eract marqinal likelihood 0llset viliablg: .sa gffiH '/ i6l Frerrnu ''-'---. '1 I oE --l Lri!"qf I l. -qr!f.rt l Masukan variabel rokok ke dalam kotak independent vorioble ,/ Ketik i. di depan variabel rokok Akan terlihat tampilan sebagai berikut. f s!'Il"ittrttllqi- ] lndependent variables: ,__-_--*-,-_'.-_-_- _.'i lGe( il Fit model without :9.:l covdiates Dptirn: - : l',lethod to handle tied failLres Strata lD variables: r:€; Shered fiailg lD variable: l__:_= $ Breslcw i"r L[on $ li Erect marginal likelihood Eraci partial likelihood 0ffset variable: I _-'t! ggg t- _q{- ]l t 'rer."€lll l- =qr,!rtr: Persamaan yang diperoleh analisis survival ./ Pilih kotak reporting2. Akan terlihat tampilan sebagai berikut. Cumulative baseline hezard: Edseline survival funchon: ----'------'"---i Ketik h_rokok pada kotak cumulotive boseline hozord Ketik s_rokok pada kotak boseline survival function.Akan diperoleh tampilan sebagai berikut. .Sip1il {jc{6i*tngIllgs"rreiHepnrlns2uel:g'"*."-* G*reral* *ew vaiat'Jes llumulative baseline hazatd Partial martinqale residuals --" 1a ' -j :' ;;;kJ-"--*"--: I - E stimated log{railties: :- ,- ;---*---.-*] --* - -.- ,- . -. iriii*-- Baseline sutvivel function: Baseline hazatd csntributions --------------,.-.--: i Fartial efficient srora residuals: [e.q.. esr"] Schoenfeld residuals: {e9., sch.J 5 calad 5 choenf eld residuals MH€ Y . :: : ::':'I [e.9.. sca-] j oft -lI r?*-l- l f- J,,b4 I : .'"":": :::' !:' "o:'"'Y:' : : :':: ::': Proses telah selesai, klik OK. Akan terlihat tampilan sebagai berikut. . xi: stcox i.rokok, nohr i.rokok _rrokok_0-1 (naturally coded; -trokok-o omitted) failure _d: status == 1 s ti me _t : ti me anal ys'i Iteration 0: Iteration l-: Iteration 2: log log log nefining estimates: fteration 0: log like'lihood = likelihood : I i kel i hood : -2150.8691 likelihood = -21-10.0401 -2LLO,O5t7 -21-10. O40l- cox regression -- Breslow method for ties tto- of subjects No. of fai 'l u res -rime at risk Loq likel-i hood = = 500 370 472L Number of LR chi 2 (1) obs -2110.0401 prob > chi2 500 81-. 66 0.0000 z e>lzl 195% conf. rntervall I Haz. natio std. Err. -t f----------_rrokok_l- | 2.633647 .2889513 8.83 0.000 2.L24O64 3 .265483 Tampilan tersebut sama dengan tampilan pada perintah meminta hazard rasio.Adapun boseline hozard dan bosefine survivol dapat kita lihat pada data editor. Pada data editor, kita akan memperoleh tampilan berikut. {per j{ Gqrtl i Variabel s_rokok adalah variabel boseline survivol sementara h_rokok adalah variabel boseline hozord. ': : :: ::' .' : ?.1:": :":^.:' :': : ."* i" " :(fY -l ] Untuk selanjutnya, perintah membuat baseline Hazard dan bosellne survivol dapat dilakukan dengan mengetik kalimat perintah pada bagian command. Perintah umum : xi :stcox i.categoricvariable, base chazard (va ri abl e) basesurv(vari abl e) Contoh : xi: stcox i.rokok, basechazard(h- rokok) basesurv(s-rokok) Nama variabel boseline Hozord dan bose/ine survivoladalah bebas.Yang penting, nama tersebut dapat mengingatkan kita bahwa variabel tersebut adalah variabel bose/ine survivol dan tertentu. Pada contoh ini, nama variabel baseline Hozord adalah h-rokok. Hurup "h" adalah untuk mengingatkan bahwa variabel tersebut adalah variabel boseline Hozard (h diambil dari kata Hazard) sementara kata "rokok" adalah untuk mengingatkan kita bahwa variabel tersebut adalah baseline Hazard variabel merokok. boseline Hozord berdasarkan variabel L i l I 1 ij I t I ! I Variabel baseline Hazord dan boseline survivaltelah kita dapatkan pada data editor. Untuk menampilkan nilai baseline Hazord dan boseline survivol untuk tiap waktu tertentu, lakukanlah langkah- langkah berikut. ./ ./ ,/ ,/ Klik stotistic Pilih summories, tobles, &test Pilih tobles Pilih oneltwo woy toble of summory stotistics. Akan diperoleh tampilan sebagai berikut. ':::::'"':.'::':::::::'::'.^:'":y:':::'::::: Variable 2: Ioptionall .,Stri :.r{ii Summarize variable: si Iutput llther Summery table LJ 5uppress I f] ll i medns Suppress standard devietions f] Show numeric codes, not labels ll] Dr not break wide table* SupFress hequencie: l Suppress number of nbr. i i f Treat missing values as categories i "--i T oK I t- c"""'r -l f-s"b't --l ffimffi Masukan variabel time ke dalam vorioble I Masukkan variabel h_ rokok ke dalam summarize vorioble Kl i k pi I i han suppress sta n d a rd d evi oti on, suppress frequ encies, suppress number of obs Akan terlihat tampilan sebagai berikut __$ Summari:e variable: 0utpul 0ther Summary table I P Suppress standard devialions ffi Suppress lrequencies Suppress meanr I I Show numeric codes, not labels Da not break wide tables : Suorc* *mbet ; H l] Treat misring ralues ae categories Hffiffi ./ of obs. { qr!.::i .c"q*t -Il- -Errlqr.r. 1 Proses telah selesai, akan terlihat tampilan sebagai berikut. Persamaan yang diperoleh analisis survival (tu . tabulate time, summarize(h-rokok) noobs nostandard nofreq summary of cumul ati ve basel i ne hazard ti me Mean -_--.,;;;;;;; ------------+ 1 2 .0088s487 3 . 4 .02937925 .05060304 .06L7297 .LO315574 .L7L86913 .29050644 .54L84279 .73083707 .73083707 5 6 7 8 9 10 1-1 L2 ---T----- brsggzsz .;;;il;; rotal I Untuk menampilkan tabel boseline survival, dapat dilakukan prosedur yang sama dengan prosedur menampilkan bose/ine Hazard. JikaAnda melakukan prosedur dengan benar, maka Anda akan memperoleh hasil sebagai berikut. tabulate time, summarize(s-rokok) nostandard nofreq noobs of Summary basel i ne ti su rvi vo r me Mean 1 .996688s8 .99La2926 2 3 .981_01_099 7 .970768L2 .94990002 .93930927 .89947523 8 . 83 51_8065 9 .72787889 .5L3273 .40830729 .40830729 4 5 6 1_0 1_1 L2 :::' :'.o!:y:' ::y:: ::: , Dengan melihat kedua tabel di atas, kita mengetahui bahwa boseline hazord pada tahun pertama adalah 0,0033, pada tahun kedua adalah 0,0088, pada tahun ketiga adalah 0,0189 dan setersunya. Sementara itu, untuk boseline survivol pada tahun pertama adalah 0,9966, pada tahun kedua adalah 0,991 l, pada tahun ketiga adalah 0,9810 dan seterusnya. Nilai boseline Hazord dan bose/ine survivol ini berguna untuk menghitung hazard dan probabilitas survival untuk subyek tertentu dengan menggunakan persamaan hazard dan persamaan survival. ..: : : Untuk selanjutnya, perintah menampilkan boseline hozard dan bose/ine survivol dapat dilakukan dengan mengetik kalimat perintah pada bagian commond. I t : ! 1 Perintah umum : tabulate t, summarize(baseline survival variable) nostandard nofreq noobs tabulate t, summarize(baseline hazard variable) nostandard nofreq noobs Contoh : tabulate time, summarize(s-rokok) nostandard nofreq noobs tabulate time, summarize(h-rokok) nostandard nofreq noobs : , C. Mengaplikasikan persamaan Marilah kita gunakan persamaan yang telah kita peroleh untuk menghitung hazard dan probabilitas survival pada pasien dengan karakteristi k beri kut. I.,.',;$er4pakah hazard dan probabilitas survival pada tahun ke ..'.,-5,.}ik1 pasien bukan perokok?' t-'Bel:apakah,,hazard dan probabilitas survival pada tahun ke ' ,: "5.jika:pasigq perokok? pada tahun, ke pada tahun,ke Persamaan yang diperoleh analisis sut"yival l. Mariliih kita iawab Pertanyaan tersebut satu demi satuHazard dan probabilitas survival pada tahun ke 5 jika pasien bukan perokok. a. menghitung hazard Rumus hozard function adalah: H(t) = Ho(t) eo'ets (perilakumerokok) H(t) = hazard pada waktu 5 tahun Ho(t) = baseline hozard pada waktu 5 tahun = 0,051 (lihat survivol toble Pada outPut) Perilakumerokok = 0 karena pasien bukan perokok Dengan demikian H(5) = 0,051 eo'e68(o) = Q,Q$l Dengan demikian, hazard pasien yang bukan perokok pada tahun ke lima adalah = 0,051 b. menghitung probabilitas survival Untuk survivol function, rumusnya adalah: S(t) = So{t)""o'"t (perilaku nerokok) S(t) = survival Pada waktu 5 tahun So(t) = bose/ine survival pada waktu 5 tahun = 0,950 (lihat survival toble Pada outPut) Perilakumerokok = 0 karena pasien bukan perokok Dengan demikian S(t) S(5) - : So(q""o'ttt (perilakumerokok) = Q,!$'Se^o'e68 = 0.950 (o) Dengan demikian, probabilitas survival pasien bukan perokok pada tahun ke lima adalah 2. = 0,950 Hazard dan probabilitas survival pada tahun ke 5, jika pasien perokok. a. menghitung hazard Rumus hazord funaion adalah: H(t) = Ho(t) e0'e6e (perilakumerokok) H(t) = hazard Pada waktu 5 tahun Ho(t) = baseline hazard pada waktu 5 tahun = 0,051 Perilakumerokok = I karena pasien perokok Dengan demikian H(5) = 0,051 eo'e68 (r) - 0,1 34 Dengan demikian, hazard pasien perokok pada tahun ke lima adalah = 0,134 b. menghitung probabilitas survival Untuk survival function, rumusnya adalah: S(t) = So{t)""o'ttt (perilakumerokok) S(t) = survival pada waktu 5 tahun S0(t) = boseline survivolpada waktu 5 tahun = 0,950 Perilakumerokok = I karena pasien perokok. Dengan demikian : (perilakumerokok) S(t) = S(5) = Q,t$Qe^o'e68 = 0,874 $o(1)e^o'rsa (r) Dengan demikian, probabilitas survival pasien perokok pada tahun ke lima adalah = 0,874 3. Hazard dan probabilitas survival pada tahun ke 8, jika pasien bukan perokok. a. menghitung hazard Rumus hazard function adalah: H(t) = Ho(t) e0'e68 (perilakumerokok) H(t) = hazard pada waktu 8 tahun Ho(t) = boselrne hazord pada waktu 8 tahun = 0,180 Perilakumerokok = 0 karena pasien bukan perokok Dengan demikian H(5) = 0,180 eo'e68(o) = 0,180 Dengan demikian, hazard pasien bukan perokok pada tahun b. ke delapan adalah = 0,180 menghitung probabilitas survival Untuk survival function, rumusnya adalah: S(t) = So(9""0'"t (perilakumerokok) Persamaan yang diperoleh analisis survival S(t) = survival pada waktu 8 tahun S0(t) = boseline survivol pada waktu 8 tahun = 0,835 Perilakumerokok = 0 karena pasien bukan perokok Dengan demikian : S(t) = So(t)'"o'ttt S(8) (perilakumerokok) (o) = 0'835e^o'e68 = 0,835 Dengan demikian, probabilitas survival pasien bukan perokok pada tahun ke delapan adalah = 0,835 4. Hazard dan probabilitas survival pada tahun ke 8, iika pasien perokok. a. menghitung hazard Rumus hozord funaion adalah: H(t) = Ho(t) eo'ets (perilakumerokok) H(t) = hazard pada waktu 8 tahun Ho(t) = baseline hozard pada waktu 8 tahun = 0,180 Perilakumerokok = I karena pasien perokok Dengan demikian H(8) = 0,180 eo'e68 (r) = 0,473 Dengan demikian, hazard pasien perokok pada tahun ke delapan adalah = 0,473 b. menghitung probabilitas survival Untuk survivol function, rumusnya adalah: S(t) = So{t)'"o'ttt(perilakumerokok) S(t) = survival pada waktu 8 tahun" SO(t) = baseline survivol pada waktu 8 tahun = 0,835 Perilakumerokok = I karena pasien perokok Dengan demikian : (perilakumerokok) S(t) = So(t)""o'"t S(5) - 0,835"0'sae (t) '= 0,624 Dengan demikian, probabilitas survival pasien perokok pada tahun ke delapan adalah = 0,624 :-.::::::'!.i'::!::'::::':';"n:':y:':::'::::: Jawaban empat pertanyaan di atas dapat dirangkum ke dalam tabel 5.1 berikut. Tabel 5.1 . Nilai hazard dan probabiltas survival pada tahun ke lima dan delapan. D. Pembuktian HR adalah konstan Marilah kita hitung nilai hazard rasio antara pasien perokok dan bukan perokok pada tahun ke lima dan tahun ke delapan. Nilai HR adalah perbandingan antara hazard kelompok merokok dibandingkan dengan hazard kelompok bukan perokok. Tabel 5.2. Nilai hazard rasio pada tahun ke lima dan delapan. 0, I 3410,05 l0 : 2,63 0,473/0,1800: 2,63 Nilai HR tahun ke lima adalah sebesar 2,63 dan begitu juga nilai HR pada tahun ke delapan. Bila Anda menghitung nilai HR pada tahun pertama, tahun ke dua, tahun ke tiga dan seterusnya, Anda akan mendapatkan nilai yang konstan yaitu sebesar 2,63. Pembuktian ini membuktikan bahwa interpretasi HR 2,63 adalah "setiop soot, kemungkinan meninggal pada pasien merokok adalah 2,63 kali dibandingkan dengan pasien yang tidak merokok". (Perhatikan kata kunci setiop soot). , \" "::::::".'::r.o::"::'":.'"':"'.':'":::'.*9;n I 'l ' EFr:'''..,'.,,-:.:;,.-,'.'.:,.:'.,1i'.......n,::,.1;..,.it._.:',,i.,t,,,.,',,,. l Dengan',nne naf trii*uq lafil,e,.*epcitt',y.ang,, ,bUs*fin'e.lat telah kita peroleh, jarrablah pertanyaan-pertanyaan berikut ini. +;. '.$*dFnk*h'l*+rtldu - 3, di i;* jika pasien perokok? 2; ,Berapakah* ia prub+U siirvi#,paaaiaM'r<e, .pgfb${i',,..,,i',,,.., ':i,,,, :,,:'t ,,1:,,'t., 3"',Berapakahlnilai,Flft pada.aihunike;}1,11',,'-.,,,".., t'r' 1', r . "3;,jika,p*si*6.5q '.".i'!T'.i":'.':::::::'::'.^:'"*::':::'::::: ,.,t Ti*:. i_,1 ffiiItffiiffi*1,:,,, i-: -l Sffiit- gls!w:i: . r' ' .etta&li?s '...,'.-.l- f,6teqoried f,siside*: 3:: .,,., . . t t l1;u.l --J ,l ll r.,l atii.rl:r.ril:' I ! l::ar:la:.lr J :riiat::ir: iririrrt:.ial, l;irr:tr I { :'3 " Lonhmt: {r.d."' :l itn*1ir*i,ee1qq,lii, :EH_J €L!*t,, ,i'rlnr ' ,l A. Langkah-langkah analisis survival Sampai saat ini, Anda sudah mengenal beberapa hal penting yang berkaitan dengan analisis survival.Tibalah saatnya sekarang untuk membahas langkah-langkah teoritis bagaimana melakukan analisis survival. Analisis survival terdiri dari tiga langkah utama yaitu pengecekan asumsi proporsional hazard (PH), analisis bivariat dan multivariat. Berikut ini adalah rincian dari langkah-langkah tersebut. l. Pengecekan asumsi PH Sebagaimana telah disampaikan pada Bab 2, asumsi PH dapat diketahui dengan membuat kurva Kapplan Meier. Metode lain untuk menguji asumsi PH adalah dengan membuat kurva -/n In survival dan global test.Asumsi PH terpenuhi apabila: a. Garis survival pada kurva Kapplan Meier tidak saling berpotongan. b. Garis survival pada kurva -ln ln survival tidak saling berpotongan c. Nilai p pada uji globol test lebih besar dari 0,05. Mungkin terdapat beberapa variabel yang memenuhi asumsi PH dan beberapa variabel tidak memenuhi asumsi PH. Perlakukan pada variabel yang memenuhi asumsi PH berbeda dengan variabel yang tidak memenuhi asumsi PH. 2. Bivariat dan penilaian HR Untuk variabel yang memenuhi asumsi PH, analisis bivariat dilakukan dengan analisis cox regression sebagaimana dicontohkan pada Bab 4 Untuk variabel yang tidak memenuhi asumsi PH, analisis cox regression tidak bisa dilakukan. 3. Analisismultivariat Variabel yang masuk analisis multivariat adalah variabel yang pada analisis bivariat mempunyai nilai p<0,25. Selain itu, variabel teoritis PentinS' harus dimas,ukan ke dalam analisis multivariat. Bila semua yang tidak memenuhi asumsi PH dan secara variabel memenuhi asumsi PH, maka analisis multivariat yang dipilih adalah analisis time independen cox regression. Apabila terdapat variabel yang tidak memenuhi asumsi PH, maka dapat dilakukan analisis cox regression full model atau cox regression redaced model. Kita harus memilih manakah analisis yang lebih baik, apakah full model atau reduced model. Model analisis multivariat ini akan dibahas pada Bab 7 (time independen cox regression ), Bab 8 (cox regression full model) serta Bab 9 (cox regression reduced mode[). 4. lnterpretasi hasil Setelah menyelesaikan analisis survival, kita melakukan interpretasi hasil. Beberapa hal yang dapat kita simpulkan dari analisis survival adalah sebagai berikut a. Variabel yang berhubungan dengan variabel tergantung dengan melihat nilai p dan interval kepercayaan dari HR pada masing-masing variabel. Dikatakan berhubungan jika b. c. nilai p kurang dari 0,05 dan pada interval kepercayaan tidak ada angka l. Urutan kekuatan darivariabel-variabelyangberhubungan dengan variabel tergantung. Pada analisis survival, urutan kekuatan dilihat dari besarnya nilai HR. Model atau rumus untuk memprediksikan hozord function dan suryiyol funaion. Untuk hazord function, rumusnya adalah : H(t) = Ho(t) er H(t) = hazard pada waktu tertentu Ho(t) = boseline hozord pada waktu tertentu Y = b,x, +brxr*brxr*.......*bn"n Untuk survivol function, rumusnya adalah: S(t) = So(t)G"rr S(t) = survival pada waktu tertentu S0(q = boseline survivol pada waktu tertentu Y = b,x, +brxr*brxr*.......*bn"n 5. Mengaplikasikan persamaan yang diperoleh untuk menghitung hazard dan probabilitas pasien. Aplikasi sederhana dari persamaan iurvival telah dibahas pada Bab 6. Langkah-langkah analisis survival dapat diringkaskan dengan alur sebagai berikut. Langkah- Langkah A naI is is Surv ival Pengujian asumsi PH Sebagian variabel tidak Semua variabel memenuhi memenuhi asumsi PH Analisis bivariat: Analisis cox regression untuk variabel yang memenuhi asumsi PH Analisis bivariat: analisis cox regression Analisis multivariate: Variabel yang pada analisis bivariat mempunyai nilai p<0,25 dan variabel yang tidak memenuhi asumsi PH yang secara klinis penting Analisis multivariate: Variabel yang pada analisis bivariat mempunyai nilai p<0,25: Analisis cox regression time independen Analisis cox regression full Analisis cox model reduced model regression lnterpretasi L Variabel yang berhubungan dengan variabel tergantung 2. Urutan kekuatan hubungan 3. Hozord function don survivol Gambar 6. Pilih mana analisis yang lebih baik l. Alur analisis survival B. Pengecekan asumsi proporsional hazard proporsional hazard adalah langkah yang penting karena akan menentukan jenis analisis apa yang akan digunakan (lihat kembali grafik 6.1). oleh karena itu, pentinglah kiranya bagi kita untuk mengetahui bagaimana kita mengetahui apakah asumsi PH terpenuhi ataukah tidak. Pada analisis survival, pengecekan asumsi Telah disampaikan sebelumnya bahwa prosedur pengecekan PH dilakukan dengan tiga metode yaitu metode kapplan Meien metode '::::':':':'.'::::"::.":'::.^:::y:'::1::"'::" -ln ln survival, dan metode global test. Pada bagian ini, kita akan mempelajari secara lebih detail mengenai masing-masing prosedur pengecekan asumsi PH. Pada contoh berikut, kita ingin mengetahui apakah fungsi survival berdasarkan variabel obat memenuhiasumsi PH atau tidak. l. Pengecekan asumsi PH dengan menggunakan metode Kapplan Meier Untuk mengetahui apakah fungsi survival berdasar variabel obat memenuhi asumsi PH, buatlah kurva Kapplan Meier berdasarkan variabel obat. Prosedur ini telah dipelajari pada bab 3.JikaAnda melakukan prosedur dengan benar,Anda akan memperoleh kurva sebagai berikut. a q Kaplan-Meier survival estimates, by obat o r ; Io analysis time obat=baru **- obat=standar Karena garis survival tidak berpotongan, maka asumsi PH berdasarkan metode Kapplan Meier terpenuhi. 2. Pengecekan asumsi PH dengan metode -ln ln survivol Untuk mengetahui apakah fungsi survival berdasar variabel obat memenuhi asumsi PH, buatlah kurva -ln ln survivol. Langkah-langkahnya adalah sebagai berikut. ,/ ./ Klik stotistics Pilih survivol analysis Langkah-Langkah Analisis Survival tu Pilih regression model Pilih grophically ossess propprtionol hozord ossumption ,/ Akan diperoleh tampilan sebagai berikut ./ r:'::i:r:: i! :,:,,:ji::.:il r.::it!::: i'! ::,i::,,:: :r r-r.: .ii:ri+:. i:,; :::1r,.::iii:::; ii 1-:ri!ll::l :!:::;:ir!:i'.,i,.,:il;:it::l Masukan variabel obat ke dalam kotok independent varioble M"* i:l- i-ki"-l'- i!{elsh-T1lt.i3t-{tq ---!rqti* l-!:ryi-:-rysdi*-l;. :) Fit separate Cor models Fit strdtitied CBH mEdel Independent vaiiable: :- _*_* :obtst , lf .Adiust i*: Bstimates : --"- :1"""'-'-*""il .l::jjt::il :!l =+i!::l ;:f,i:*ir !,:! :tur:+ r:iri=;, :i :jit:::Tr:r: .- - ..^t .:,::::i,!+i, :i;i;:::. :i irlir:;lli:-t:l r:i:,rll:l'l: Proses telah selesai. Klik OK.Akan diproleh tampilan sebagai berikut . stphplot, by(obat) failure _d: status analysis time _t time == | ::-:'::::':'::'.:":::1":"::.":',::"',::y:':::':.'::. $+ .o o6o {L E .: c.t ac Eo -i .511.52 ln(analysis time) _____+_ obat = baru __-#_ obat = standar Karena garis survival tidak berpotongan, maka asumsi PH berdasarkan metode -ln ln survivol terpenuhi. Untuk selanjutnya, perintah pengecekan asumsi PH dengan metode -ln In survivol dapat dilakukan dengan mengetik kalimat perintah pada bagian commond. Perintah umum : stphplot, by(variable) i i : : ! Contoh 3. : stphplot, by(obat) Pengecekan asumsi PH dengan globol test Untuk mengetahui apakah fungsi survival berdasar variabel obat memenuhi asumsi PH, lakukanlah globoltest. Langkahlangkahnya adalah sebagai berikut. ,/ Klik stotistics ,/ Pilih survivol onolysis ./ Pilih regression model ./ Pilih cox proportionol hozord model Akan terlihat tampilan sebagai berikut. Langkah-Langkah Analis is Suryival l4nth0d t0 hnrdld lisd f€ilur*t {S f 1i_- - - ---*';: -- - -- :tj:i .. - rmn * fl Shared fiailty lD variable Breslow EB€ct marqiEl likelihdod Eroct partial likelihood 0lfset vEriEble: la1 9ffiffi []s{: t- _"__J ] .l -q"r"4 f-qqF!!t- Masukan variabel obat ke dalam kotak independent vorioble Ketik i. di depan variabel obat Akan terlihat tampilan sebagai berikut. Melhod 0Ftions Shatd lD variables: i I , : |t,.-.-'------';i -_..-_..*--- Shared lrailty lD vaiable: .i I - -,:gj tr hen,ie {$ Breslow fi $ * elrcn tied iailutes Exact marginal likelihood EH6ct pdrtial likelihBod 0lfset variable: It , , , 'itl :.:1! i HffiB ,/ f--qf-: l-qrn"{: ****,*-l I--s!l'ff -l Pilih kotak reporting2. Akan terlihat tampilan sebagai berikut. :':':':'.':::':'.':::.":'::'.o::'y"':::Y,':":. ,i{q!-"lit_qg_-"-_"U'lCiFr{llll-sE{L*g5f-t"F$ts,j !: Fepnrtins2 iqLllgelr9111 , I Generale rren ?ariebl*: t Fartial martingale residuals: hazard: f,umulative baseline I .--.., ..-..,i ffiffiffi ,/ ./ IT-c.--a I{J,b-f -: fjK Ketik sch_obat pada kotak schoenfeld residual Ketik sca obat pada kotak scaled schoenfeld residuol. Akan diperoleh tampilan sebagai berikut. *t'toaA Tir" *,yino.by/iflin Sf fR+*t H"po,tinq i"po',inq i f"f I i Gerrsaie nerr variables mtsrtingdle residuals: i; Partial .-- i ji r-*------.-***-J Baseline hazard mnkjbiltiorc: Basehne conkibutions: ' li---"---*-"--:: i r*,..-.'.-.'....-.........***,,---i ", ":!iq5 _ i fumulalive baseline hazard: i - t l*._--*"--_,_-_'*'*i Baseline survival function Easeline function: r-,-__,__---*,-,, i i : I I Estimatedlog{railties: i:i j'..'""---***j Partial eflicient score residuals: ii {e.q., esr"l i ;-----, Schoenfeld residuels: [e.9.. sch'] j, Scaled Schoenfeldresiduals: [e.g.. sca"] SUII-UUdL scd "- obdt - 1; ii Hffiffi {- - ltl ,r. J{ -!q-"-:-t.l l. ..t,rbry!,] Proses telah selesai, klik OK. Akan terlihat tampilan sebagai berikut. L an gk a h - L a n gka h A n a I is i s"::ir:1 6h . xi: stcox i.obat, nohr schoenfeld(sch-obat) scaledsch(sca- obat) i.obat -robat-0-1 (natura-l1y coded; -robat-O omitted) status == 1 fai'lure analysis time -d: -t: ti me rteration 0: 1og likel'ihood = -2150.8691 Iteration 1: log likelihood = -2LAO'O5L7 rterat'ion 2: log likelihood = -2110-0401 nefining estimates: log likelihood = -2110.0401 cox regression -- Breslow method for ties Number of obs = 500 tto. of subjects = 370 ruo. of failures = 472-L rime at risk LR chj 2 (1) = prob > chi2 rog likelihood = -2aaO.04O1" rteration 0: 500 81.66 0.0000 std. Err. z P>lz\ 195%conf. rnterva'll -t I coef. ----------+ robat-l 1.9683695,1097153 8.83 0.000 -7533315 1.183408 Pada data editor, kita dapat menemukan variabel baru yang bernama sca rokok dan sch_rokok. Kedua variabel tersebut akan digunakan untuk melakukan analisis global test. .'. varzo LIl i; ; -;iitiil/i i;.issils; ..:- '. - "-: -- ANALIS$ SURVIVAL: Dasar-Dasar Teori dan Aplikasi Program .- = l- ..--.. i Statct - Untuk melakukan global test, Iakukanlah langkah-langkah sebagai berikut. ,/ Klik stotistics ,/ ./ ,/ Pilih survivol anolysis Pilih regression model Pilih test proportionol hozord ossumption Akan diperoleh tampilan sebagai berikut. :Moin i'-*-*-*-- iflin Feports and statistics: [subcommandJ .^ I Propnrtinnal hazard arsumptions based on Schoenf eld residuals lnformation criteria Iic] S ummarire estimation sample [summarize] - - -.;:,i [phtestj ---gj Sample $ ! fl ,/ Use the sample frtm the stcor reqession. e[sample] Use all available data Suppress st vadable description Pilih proportionol hozord assumption bosed on Schoenfeld residuol (phtest) ,/ Proses telah selesai. Klik OK.Akan diperoleh hasil sebagai berikut. estat phtest .rest of proportional hazards assumption Time: Time I -----+---* g1obal test I chi 0. 2 oo prob>chi df 2 0.9646 1_ Oleh karena nilai p pada global tesr adalah 0,946 (lebih besar dari 0,05), maka asumsi PH terpenuhi. Langkah-Langkah Anal is is Sur"vival G;r Untuk selanjutnya, perintah pengecekan asumsi PH dengan metode globol tesr dapat dilakukan dengan mengetik kalimat perintah pada bagian commond. umum : xi: stcox i.varible, schoenfeld(sch-variable) scaledsch(scaPerintah variable) Diikuti dengan perintah: stphtest atau estat phtest Contoh : d(sch-obat) scaledsch (sca-obat) Diikuti dengan perintah: stphtest atau estat phtest xi : stcox i.obat, schoenfel j: r: | : : l' : t. 5'eb'uikan,t1ta metode untuk' mengetahui as*'msi groporsional'hazard terpenuhi atau tidEkl 2. l{*pankah'''.kita menggunakan anafisis tirne' rlrAeper.tdnet?,'. , 3. 4,: ' Kapa*kah kita menggunakan analis fittt modtl dan fedii. -$gdefl' ,,. ,' B*$1haaa*t'runrusurnurn*hozardftneaon-rdansatvii*t funcrionl 6,}:r: USIS SURVIVAL: Dasar-Dasar Teori dan Aplikasi Program Stata .....t.rctirciiPiopOt$o,na'1ta6tid,, Te rpen uh i ) Kasus: Seorang peneliti ingin.mengetahui hubungan antara jenis pengobatan dan stadium terhadap survival pasien kanker tiroid. Peneliti sudah melakukan pengambilan data dan menyimPan data tersebut dengan nama file survival-kanker (kasus ini sama dengan kasus pada Bab 7).,Peneliti mengumpulkan data dan akan mengolahnya dengan program Stata. Data dimasukkan ke dalam program stata dengan keterangan sebagai berikut. stadium I stadium ll Data disimpan dan diberi nama survival-kanker.dta Bagaimana pengolahan data ini bila menggunakan Program stata? Jawab: Lakukanlah langkah-langkah sesuai dengan alur analisis survival 6.l.Ada langkah pendahuluan yang harus dilakukan lika akan mengolah data dengan stata yaitu mempersiapkan data untuk diolah dengan anhlisis survival. Cara mempersiapkan data untuk analisis survival adalah dengan perintah stset t, failure(fail) pada gambar t menunjukkan variabel person tirne dan foil menunjukkan variabel status. Jadi, jika t diganti menladi time dan fail diganti menjadi status, maka perintah stset t, failure(fail) berubah meniadi dengan stset time, fai lu re(status). Sebelum perintah stset time, failure(status), data Pada stata adalah seperti gambar berikut. :-:':::':':'::'.':::'::"::::'::.^:::y.'::::":"'::" Prelerye ll Reslore varlf [1t] -J-t ,a. status tinre 3 1 J 3 4 4 , nr*ni ngga 5 S , meni ngqa 11 b- 6 7 neni ngga : neni ngg* , meningsa , neningga ' menr nqga 11 1 2 7 I I I 9 !0 10 *reni ngga 11 $efir ngga 3 ngga t nren"i cU*t cbat abet obat cbat sbat 11 r : sbat stad'i ut [ui , *tldium bar bar bar bar bar -t sJadi , : stadi : stadi stadi , , stadi urn unt um unn urn si**l utn , nbat bar ,stadium 4 "ni{ 4 a" c,bat bar , stiJ'ium 4 11 ohat bar : xtad'i I unr Setelah perintah stset time, failure(status), data pada stata berubah menjadi seperti gambar berikut stset time, failure(status) . vdrl:lsl titr t i 6 ? i 9 !o 1 2 I 4 I 6 z 6 9 10 ftni ngga ileni ngga ffini nqta menr ngga Defrr ngpa ftfri rlgqa men i nqgd reni nqga reninggn mrninqg6 11 I I 11 11 11 4 4 4 1l obat bdr bar bar tar L'ar bar bar bar bar bar obat obat obat obat obat abat obat obat 6bat ebat 5tadi6 stad'i ur 11 stadiuil etadiM l stadrfr 11 3 stadrm stadium t1 staditr {adi m 4 sladiun 4 stadiffi 11 Tampak sekarang telah ada variabel baru yang bernama _st, _d, _t, dan _to yang dinamakan sebagai variabel dummy. Dengan munculnya variabel dummy ini, maka data telah siap untuk dianalisis dengan analisis survival. Untuk melakukan analisis survival dengan stata, lakukanlah prosedur sebagai berikut. Analisis survival cox regression time independent menggunakan Stata (rr> f . Pengecekan asumsl proporsional hazord (PH) Sebagaimana telah disampaikan pada Bab ll, asumsi PH dapat diketahui dengan membuat kurva Kapplan Meier. Asumsi PH terpenuhi apabila garis survival tidak saling berpotongan. Selain dengan gambar Kapplan Meier, asumsi PH dapat juga dicek dengan gambar -ln In survivol serta dengan globol test.Asumsi PH dikatakan terpenuhi bila tidal< ada perpotongan pada gambar -lnln survivol dan nilai p pada globoltest >0,05. a. Pengecekan asumsi PH dengan gambar Kapplan Meier Untuk mendapatkan lcurva Kapplan Meier, perintahnya adalah: sts graph, by(variabel). Untuk kurva Kapplan Meier berdasarkan jenis obat dan stadium, perintahnya masing-masing adalah sts graph, by(obat) dan sts graph, by(stadium). . sts graph, by(obat) Kaplan-Meier survival estimates, by obat analysis time obat = obat yy:':: baru obat = obat standar ::':': .:':::':: :"':' :v.'::y:' ::::: . sts -traph, by(stadium) Kaplan-Meier survival estimates, by stadium \o b o q? o anatysis time shdium = stadium I stadium = stadium ll Berdasarkan kurva Kapplan Meier^, garis survival pengobatan tidak berpotongan. Begitu pula dengan garis survival stadium. Dengan demikian, asumsi PH terpenuhi. b. Pengecekan asumsi PH dengan gambar -ln ln survivol Untuk mendapatkan kurva -ln ln survivol, perintahnya adalah stphplot, by(variabel). Untuk mendapatkan kurva -ln ln survivol berdasarkan jenis obat dan stadium, perintahnya masingmasing adalah stphplot, by(obat) dan stphplot, by(stadium). Berikut adalah kurva -ln ln survivol yang dihasilkan prosedur tersebut. . stphplot, by(obat) = :'$ ao o e TL EN t3 o c F- 1 1.5 ln(analysis lime) -----l- obat = obat baru -:F- obal = obat siandar Analisis suwival cox regression time independent menggunakan Stata . stphplot, by(stadium) a a taa ---{F- stadium = stadium I -{*- stadium = etadlum ll Berdasarkan kurva Jn ln survivol,garis survival Pengobatan tidak berpotongan. Begitu pula dengan garis survival stadium. Dengan demikian, asumsi PH terpenuhi. c. Pengecekan asumsi PH dengan globol test Untuk mendapatkan kurva globol test Perintah nya adalah stcox vo riable schoenfeld(s chx) scaledsch(sco*) di lanj utkan dengan perintah stphtest. Perintah Pertama dimaksudkan untuk menyiapkan data untuk analsisis globoltest sementara perintah kedua untuk globol test. Kalau kita pnti variabel dengan obat, maka perintahnya meniadi : . stcox obat, schoenfeld(sch*) scaledsch(sca*) Pada data editon kita akan melihat variabel baru yaitu sch I dan scal yang digunakan untuk dasar perhitungan globol test. 6 : tic obit !t*sr cninqga 11 6b4! btr i*nrnqq": ' 3 euat b.r trniFg9a I rb& br tu.rnqSa rt oo"i uft'.4q96 lr obsl L.r 6 : #ftinsgr 1X ob* bs 4 obat bar t ftnrnqq. a ob;t br I mnrnoqa 4 iobat br 9 *hiasla ll ob.t u.r S rcnr.q96 t : ! 4 3 rtadis 5!6dia ttdid *.r'iffi or.l,d.d:@ rtsdiw rtidrd std'F ettim stodr@ ::Y:'.': :' ::: -rt J.hl ..sz:{t}} I I t I 1 1t I I 11 11 1 ".itezgsar -:,1:oest: -.11E:5t8i .2.:!06561 -,s?:45;: -.S4S#168 '.485?1 '.frS4{r€6 -.sax5al -.&J441!6 -,r:t!!$q -:.tj1!!r{ .,/119e5r8 .?,?1135!r I t ..t1192548 -:.?11t914 11 1 :." :' : :' scll -,&ta4166 :' Y' -.r4/t4l!: : : Y:: .':':, -.td!{1N6 Lanjutkan perintah dengan mengetik stphtest. . stphtest Hasilnya adalah sebagai berikut. Test of proporsional hazards assumption ttme: tlme gl obal test 2 I chi I 0.00 -----f--- df 1_ Prob>chi 0 2 .9646 Hasil g/obol test adalah p = 0.9646. Karena nilai p >0,05, maka dapat disimpulkan bahwa asumsi PH untuk variabel obat terpenuhi. Selanjutnya adalah mengujiasumsi PH dengan global test untuk variabel stadium. Sebelum uji ini dilakukan, kita terlebih dahulu harus membuang variabel sch I dan sca I pada data editor karena variabel tersebut adalah dummy variabel untuk menguji global test dari variabel obat. Perintah untuk membuang variabel tersebut adalah drop sch I sca I . . d rop schl- scal- Pada data editor', variabel sch I dan sca I sudah tidak ada. Data sudah siap untuk pengujian gtobot test untuk variabel stadium. vfr4 rc [t ], *Sur 1 mninsqe : I mnincca I , *"lrggi d , mninqqa 'i-.F;;i;;e;, trtu : : , : , *nrnqE" , S #.1n9qd : , 9 nrinqga -- rf ; r U . abtt : rtldih sbat ts *ad16 obat 8c Itidim obd! b$ ,6tdi6 ob* bv r 5t6d1ff ir 'iuii t* , 'i'ai,iii 11 or.t b.r I stadin :sbat br :stadim { a olat Uar l.ttai* 1l obat br ,tt : . . : et8dr6 stcox stadium, schoenfeld(sch*) scaledsch(sca*) Analisis survival cox regression time independent menggunakan Stata Pada data editor, kita akan melihat variabel baru yaitu sch I dan scal yang digunakan untuk dasar perhitungan global test untuk variabel stadium. vf14l6l " 1?.. s.ru:,., .t.1-q tl 1 . *i]l99i ... t.*n'n9s1...... .. I I I eilnggi { : ftfinggs . 5 enrn996 . g : mri&qa ro 'an;ngga obrt br br rb6t b.r 11 obat b{ ltI ob.r bar obat bd :rr 4 4 tt 6bat obar 6hat br. obat br obd bd *.dr6 st&{id *6drs rdJl6 3'.drr st.dr4 rtadrm 5tadi6 stdim ..tadiffi -* 3rh .d f I 1 I 1 I .rireiili 1 ${ a.ririiis ! I ,arrgs::s i.ror:rrr .!r:ris:: r .s$g:s: I ' i z.r:r:rls :-asr:r:s ,$61191t t-S96eil -.t5t8M8 -t,Sa&l .4t486!!5 l-it1llr5 l1 11 I ' .&:61991 1.69:51{6 .&3E:SZ 1.S9t5l<6 I I Lanjutkan perintah dengan mengetik stphtest. . stphtest Hasilnya adalah sebagai berikut. Test of propors-ional hazards assumption t'rme: t'lme df chi2 g1 Prob>chi 2 0.06 obal test L 0.8034 Hasil globol test adalah p = 0.8034. Karena nilai p >0,05, maka dapat disimpulkan bahwa asumsi PH untuk variabel obat terPenuhi. Kesimpulan dari pengecekan asumsi PH disajikan Pada tabel berikut. Tabel 7.1. Hasil pengecekan asumsi PH variabel obat stadium Tidak ada Tidak ada perpotongan PerPotongan garis garis Tidak ada Tidak ada PerPotongan perpotongan garis garis dan 2. Analisis Bivariat Untuk variabel yang memenuhi asumsi PH, analisis bivariat dilakukan dengan analisis cox. Perintah untuk melakukan analisis cox regression adal ah xi :stcox v a ri abl e n u m eric i.va ri abl ecatego ric. Tan da i. pada awal variabel menunjukkan bahwa variabel tersebut adalah variabel kategorik. Pada variabel numerik, kita jangan membubuhkan tanda i. di depan variabel karena Stata akan menganggapnya sebagai variabel kategorik. Untuk variabel. obat dan stadium, karena keduanya adalah variable kategorik, maka perintahnya adalah xi:stcox i.obot dan xi:stcox i.stadium. . xi:stcox i.obat status :: lt-i me -t : ti me rteration 0: 1og likelihood: -21-50.8691rteration l-: log likelihood = -2LLO.O5L7 Iterati on 2 : 1og 1i kel i hood = -21-1-0.0401nefini ng est-i mates : rterati on O: "l og 1i kel i hood = -21-1-0.0401 cox regression -- Breslow method for ties r.to, of subjects = 500 Number of obs No. of failures 370 = .rime at risk 4721 fai I u re : ysi anal-d s 500 LR chi 2 (1) 81.66 = hood = -21-1-0. O4O1- prob > chi 2 0.0000 = e>lzl 195% conf. tntervall _t I uaz. natio std. err. z 0.000 2.L24064 3.265483 _robat_l- | 2.633647 .288951-3 8.83 log . 1i kel i xi:stcox i.stadium failure status == 1 analysis -d: time -t: time Iteration 0: 1og likelihood Ite rat'i on l-: I og I i kel i hood rteratr'on 2: 1og likelihood Iteration 3: 1og likelihood = -21s0.8691_ = -2130.72L8 = -21_30.6351_ = -21_30.6351_ nefini ng estimates: rte rati on O : i og 1 i kel 'i hood = -2130.6351 cox regression -- Breslow method for ties r,lo. of subjects = 500 ltumber of obs No. of failures = 37O -Time at risk 472L ln chi2(1) prob > chi2 log 1 i kel 'i hood = -2130 . 63 51I gaz. natio std. Err. -Iobat_1 | 2.O2O997 .2325854 p>lzl 6.11- 195% so0 40.47 0.0000 conf. rntervall 0.000 1.612893 3.532362 Analisis survival cox regression time independent menggunakan Stata obat mauPun stadium mempunyai nilai p<0,001 (lihat kolom p>lzl) dengan HR masing-masing 2,63 (lK 95% 2,12-3,27) dan 2,02 (lK 95% I ,6 I -2,53). Pada analisis bivariat, baik 3. Analisis multivariat Variabel yang masuk analisis multivariat adalah variabel yang pada analisis bivariat memPunyai nilai p<0,25. Karena variabel obat dan variabel stadium yang memPunyai nilai p sebesar <0,001 maka kedua variabel tersebut akan masuk ke dalam analisis multivariat. Perintah untuk analisis multivariat dengan cox regression adalah sebagai xi:stcox vorioblenumeric i.vorioblecategoric untuk mendapatkan HR, lK, dan nilai p. Sementara untuk mendapatkan nilai koefisen untuk masing-masing variabel, perintahnya adalah xi: stcox va ri oblen u m e r ic i.v o ri obl ecatego ric, n oh r d an u ntu k m em pe rol e h tabel boseline hazord don boseline survival perintahnya masingmasing adalah xi:stcox i.obot i.stadium, basesurv(s0) i.obat i.stadiu m, baseh oza rd (s0) dan xi.'stcox Marilah kita lakukan rangkaian perintah tersebut satu demi satu. . xi:stcox i.stadium status == L failure analysis time -d: -t: t-ime Iteration O: 1og f ikelihood : -2150.8691 rteration 1: 1og'likelihood = -2096.7259 tteration 2: 1og likelihood = -2096.6389 rteration 3: 1og likelihood = -2096.6351nefini ng estimates: rteration 0: log l-ikelihood = -2096-6389 cox regression -- Breslow method for t-ies 500 500 Nurnber of obs trto. of subjects = 37O trto. of failures = 472L rime at risk = l_08.46 ln chi2(1) 0.0000 log likelihood = -2096.6389 prob > chi2 z e>lzl 195% conf. tntervall -t I Haz.Ratio std. rrr. 3.0270110.000 L.962472 -robat-1 | 2.437299 .2694575 8.06 3.244955 5.01 0.oo0 L.424421 .2075297 -rstadium-l- I L.788229 i'.i'.'!!'"'::::1:'::.':'Y.^::Y:'::Y::.'::. Berdasarkan output di atas, kita dapat memperoleh informasi mengenai nilai HR, lK95% dari HR, dan nilai p. Pada output ini, kita belum memperoleh nilai koefisien untuk masing-masing variabel. Untuk memperoleh koefisien ini, harus dilakukan perintah berikut. . xi:stcox 'i.obat i.stadium i.obat i,stadium, nohr (natural'ly coded; omitted) _robat_o-l(naturally coded; -robat-o _rstadium-O omitted) -rstadium-0-1 failure *d: status =: 1 analysis time -t: time Iteration 0: log likelihood = -215O.8691 rteration l-: 1og likelihood = -2096.7259 tteration 2: 1og likelihood = -2096.6389 tteration 3: log likelihood = -2096.6389 nefining estimates: rteration 0: 1og likelihood = -2096.6389 cox regression -- Breslow method for t'ies wo. of subjects tto. of fai]ures Time at risk Log likelihood -t I s00 = = Number of obs = 500 LR chi (2) = = O.OOOO 370 472L coef. Std. Err. 2 prob > chi2 =-2096.6389 z p>lzl 195% 108.46 conf. rntervall 1.8908904 .l-l-05558 8.06 O.0O0 .674205 -robat-]- 1.5812255 .l-l-60532 5.01- 0.000 .3537653 _rstadiunrl L.aO7576 .8086857 Dari output ini, kita memperoleh informasi tentang nilai koefisien untuk masing-masing variabel, lK dari koefisien, serta nilai p. Untuk mendapatkan boserine hozard dan boseline hozard survivol, lakukan perintah berikut. . xi:stcox "i.obat i.stadium, . xi:stcox i.obat i.stadium, basesurv(s0) basechazard(h0) Dengan perintah tersebut, pada data editor akan muncul variabel s0 (boseline hazard) dan h0 (boseline hozord). ob obil br hd ouit td yalt [:lJ , *ndi6 : :stodie : .iia;iii " .:.:!a!tq,. ii; "t; obat tE; *iii,i',obat ob* rho o o o o ' : ,5:161503 .01:41a79 .O13a1879 .lI5t_1_91 -a . , o . rl36r50i '.irasixss bar 0 l* br o ,. .onmi!1 o : !Y :!:f;... 5P!1.!d :.. 'o Analisis sumival cox regression time independent menggunakan Stata ,oss159 .53267W3 Untuk menampilkan boseline survivol dan boseline hozord di dalam output,lakukan perintah tobulate time, summarize(s0 )nostondord nofreq noobs dan tobulote time, summorize(h0) nostando rd nofreq noobs. . tabulate time, summarize(sO) nostandard nofreq noobs Summary of basel i ne sdrvivor ti me ------------+ Mean 2 .99766065 .99372029 3 .98651_885 4 7 .97920L36 .96422L57 .9s657503 .92754496 8 .8797 9 L2 .797063L1 .6L447952 .51285389 .51285389 ------------+ rotal .69L42796 1 5 6 1_0 1_1- 57 86 tabulate ti ffie, summarize(h0) nostandard nofreq Summary cumul of ati ve basel'i ne hazard ti me ------------+ Mean 0023301-8 0062 s 366 1_ - 2 . 3 4 .oL343879 .02080169 5 . 6 7 8 9 , 1_0 11_ T2 ------------+ 'lictal -- I 03 s85868 .04375L67 .0732003s .L22087L4 .2069L24L .38802768 .53367s03 -:::::1::: .32617555 ::'':::'.:':::1":::":',::"^::y:'::::':.Y:" noobs 6. lnterpretasi Setelah menyelesaikan analisis survival, kita melakukan interpretasi hasil. Beberapa hal yang dapat kita simpulkan dari analisis survival adalah sebagai berikut. a. Variabel yang berhubungan dengan variabel tergantung dengan melihat nilai p dan interval kepercayaan pada masing-masing variabel. _t I Haz.Ratio std. Err. p>lzl z 195% conf. tntervall 8.06 0.000 L.962472 s.01 0.000 L.42442L _robat_l | 2.437299 .2694575 _rstadium_l I L.788229 .2O75297 3.0270]^1- 3.2449ss Variabel yang berhubungan dengan mortalitas pasien adalah variabel obat (p<0,001 ; HR = 2,44 lK 95% 1,96 - 2,03) dan stadium (p<0,001 ; HR b. = I ,79 lK 95% I ,42- 2,25) Urutan kekuatan dari variabel-variabel yang berhubungan dengan variabel tergantung. Berdasarkan nilai HRnya, urutan kekuatan adalah obat lalu stadiumModel atau rumus untuk memprediksikan hozord funaion dan survival funaion. Untuk dapat membuat rumus, perhatikanlah output Stata berikut ini. _t I coef. std. Err. z p>lzl 195% conf. tntervall .89O89O4 .11-05558 8.06 O.000 .674205 -tobat-1 I1.581-2255 .11-60532 5.01 O.0O0 .3537653 -tstadium-l- L.LO7s76 .8086857 Untuk hazord function, rumus yang diperoleh adalah sebagai berikut. H(t) = Ho(t) ev H(t) = Ho(t) e0'8et("bat)+0,5611'*6'u-, Sedangkan untuk survival function, rumus yang diperoleh adalah sebagai berikut. S(t) = So(t) c"rr S(t) = So(t;'"0'ert{ouat)+o'sel(sadium) Analisis survival cox regression time independent menggunakan Stata Dimana, H(t) Ho(t) S(t) So(t) Obat = hazard Pada waktu tertentu = baseline hazord pada waktu tertentu = survival pada waktu tertentu = boseline survivol pada waktu tertentu = I bila menggunakan obat standar, dan 0 bila menggunakan obat baru Stadium = I bila stadium ll, dan 0 bila stadium l' Persamaan yang diperoleh kepada pasien Persamaan tersebut dapat diaplikasikan untuk menghitung hazard dan probabilitas survival pasien pada waktu tertentu. 5. Aplikasi Misalnya,berapakah hazard dan probabilitas survival pasien stadium !l yang menggunakan obat baru pada tahun ke lima? a. Hazard pada tahun ke lima, stadium ll dengan pengobatan baru H(t) = Ho(t) eY H(t) = Ho(t) e0'8rtf"bat)+o'ssl(stadium) H(t) = hazard pada tahun ke lima Ho(t) = boseline hazard pada tahun ke lima = 0,036 Obat = 0 karena menggunakan obat baru Stadium =I karena stadium ll. Dengan demikian: H(t) = Ho(t) e0'8ltt"bat)+0'581(sadium) H(5) = 0,036e0'est(o)+o's8r(r) = 0,064 b. Probabilitas survival pada tahun ke lima, stadium pengobatan baru. S(t) = So(t)c"rr S(t) = So(g'"o'tt'1"oat)+0'581(sadium) S(t) = survival pada tahun ke lima So(t) = boseline survival pada tahun ke lima = O,964 Obat = 0 karena menggunakan obat baru Stadium =I karena stadium ll- T': SURYIVAL: Dasar-Dasar Teori dan Apliknsi Program Stata ll dengan Dengan demikian: S(5) = So(s;""o'tt'1"bat)+o'ssl(sadium) S(5) = 0,964'"0'est(o)+o's8r(r) = 0,937 Analisis survival cox regression time independent menggunakan Stata <rh 'd-\ nr,**g *gg$g $ilw *.i.rit+ufmffi ,, gp:ve ffi,r+ gll';',eg;: $*,m !Fl; iA s rru *,t't g f T"E'di ,$s g""rg mffi p*'s T,g: ,E fi i i:t ,,*t1*tgfi m w r"* li H,*u+,;r$i g'1.g'',es:ri a,* *r t b"'s3 ! S*ceiah nner*p;eia!a.'i &at 8, eliharapira,r,: pemba:ee fiaritilLi ine ni,elaskai: ejan r"'rreiaf<liio"an {angkah-langi<a.h anailsis sr.rr!'ival ;er- iegressie,;n iitfi liJr'ir.' :;-" j-.":ai lf*gfni-:i jr:eL5 ;ir;'I ."te.a*.ui<A,T ;.1 311-.'rr"Ei.i!. yang bena*-: Kasus: Seorang peneliti ingin mengetahui hubungan antara jenis pengobatan, stadium dan jenis kelamin terhadap mortalitas pasien kanker tiroid. Peneliti sudah melakukan pengambilan data dan menyimpan data tersebut dengan nama file survival-kanker-sex. dta 0 =stadium I I =stadium ll 0 = laki-laki | = perempuan rvival-kan ker-sex. dta dan siapkan data tersebut untuk analisis survival yaitu dengan perintah stset t, failure(fail) Sebelum melaku kan anal isis, bu kalah data su . stset time, failure(status) failure event: status !: 0 & status < obs. time interval: (0, timel exit on or before: failure 500 total obs. O excl usi ons 5O0 obs. remain'ing, rePresenting 37O failures in single record/single failure data 472L tota.l analys's time at JJ.,;o3irJ5-"li?l : last observed exit t Y*:': : :TY:'.": :' ::": :: :' !' Y' ! : Y::,Y, o 0 2 '(B #' S*. l. Lakukanlah langkah-langkah sesuai dengan alur analisis survival pada gambar 6.1. Pengecekan asumsi PH Sebagaimana telah disampaikan pada Bab 7, asumsi PH dapat diketahui dengan membuat kurva Kapplan Meier, kurva -ln ln survival, dan global test.Asumsi PH terpenuhi apabila garis survival tidak saling berpotongan dan pada global test nilai p >0,05. Lakukanlah pengecekan asumsi PH sebagaimana telah dijelaskan pada Bab Xl.Apakah semua variabel memenuhi asumsi PHI JikaAnda melakukan prosedur dengan bena[variabel obat dan stadium memenuhi asumsi PH sedangkan variabel jenis kelamin tidak memenuhi asumsi PH.Variabeljenis kelamin tidak memenuhi asumsi PH karena terdapat perpotongan kurva sebagaimana kurva Kapplan Meier dan kurva -ln ln survivol, dan nilai p pada global test < 0,05. . sts graph, by(sex) fai I ure analysis time -d: -t: status time Kaplan-Meier survival estimates, by sex analysis time ssx=psr€mpuan sex=lakFlaki Analisis Survival cox Regression Futl Model MENGGLINAKAN STAa stphplot, by(sex) fai I ure -d: s ti me -t: anal ys-i ----rl- sex = status ti me peremprran ---!- sex = laki-laki . stcox sex, schoenfeld(sch*) scaledsch(sca*) . stphtest Test of proporsiona-l hazards assumption Time: Time prob>chi df ch'i 2 I 0.0002 1 L4 -26 gl oba-l test 2 I 2. Analisis bivariat Untuk variabel yang memenuhi asumsi PH, analisis bivariat dilakukan dengan analisis cox regression. Hasil yang Anda peroleh akan sama dengan hasil pada Bab7. . xi:stcox i.obat Hasil dari perintah tersebut adalah sebagai berikut. SIIRVIVAL: Dasar-Dasar Teori dan Aplikasi Program Stata I u re : status == l-d time analysis -t: time Iteration 0: 1og f ikelihood : -2150.8691 likelihood = -ZALO.OSL7 Iteration l-: 1og Iterati on 2 : 'l og 'l i kel i hood = -2ALO.O4O1, nefini ng estimates: rteration 0: 1og likelihood = -211-0.0401 fai cox regression -- Breslow method for ties No. of subjects = 500 Number of obs failures 37O No. of = .rime at r-isk 472a = ln chi2(1) log likelihood = -2110.0401 Prob > chi2 s00 = 81. 66 0.0000 P>lzl L95% conf- rntervall I Haz.Ratio std. Err. z -t +-------_---Jobatj | [email protected] .2889513 8.83 0.000, 2.L24O64 3.265483 . xi : stcox i . stadi um anal ysi failure -d: s ti me -t: rteration rterati on rteration Iteration status t-i == l_ me O: 1: 2r 3r 1og likelihood = I og l-i kel i hood = 1og likelihood = 1og likelihood : nefini ng estimates: Tteration 0: 1og likelihood = -21_s0.8691 -2L30.72L8 -21-30.6351 -21_30.6351 -2130.63s1- cox regression -- Breslow method for ties of subjects = tto. of fai"l u res = : rime at risk 500 r.to- 37O 4721- Number of obs : Ln chi 2(1) -Jobat-l I 2.O2O997 .2325854 z p>lzl. 195% 40.47 0.0000 : log 1ikelihood =-2L30.6351 prob > chi2 _t I Haz.Ratio std. Err. 500 conf. rntervall 6-11 0.0oo. 1.612893 2.5323262 obat maupun stadium mempunyai nilai p<0,001 (lihat kolom p>lzl) dengan HR masing-masing 2,63 (lK 95% 2,12-3,27) dan 2,02 (lK 95% 1,6 I -2,53). Pada analisis bivariat, baik 3. Analisis multivariat Variabel yang masuk analisis multivariat adalah variabel yang pada analisis bivariat mempunyai nilai p<0,25.Variabel tersebut Analisis Su,vival cox Regression Full Modet MENGGUNA** r** adalah variabel obat dan stadium. Selain itu, variabel yang tidak memenuhi asumsi PH dan penting secara teoritis juga akan masuk ke dalam analisis survival.Variabel tersebut adalah variabel jenis kelamin.Terdapat dua pilihan analisis, yaitu analisis full model dan reduced mode!. Pada bab ini terlebih dahulu kita akan melakukan analisis fult modet.Analisis full model adalah analisis dimana jenis kelamin dimasukan ke dalam analisis sebagai variabel interaksi dengan variabel obat dan variabel stadium. Buatlah variabel interaksi antara jenis kelamin dengan obat dan jenis kelamin dengan stadium dengan perintah sebagai berikut. . . gen sexobat = obat*sex gen sexstadi Uffi = s€X'kstadi Pada data um editor akan terlihat variabel baru yaitu variabel sexobat dan sexstadium. if"-- rl-J;tuaiistadium iperempual 11 1; 0 l, ri.*-- :.Ft-;r-'*-*rlqsiErlry---i"i,-,--l-i:----i:.- 0 0l -q -s,,:_-l:-0: 0: 11 i 11--'*-li-l*-tl 11 ru;ii".-ljiiaim ilut irtur t ;"1"..'-'-o: 'J''*-*::r:;:;---i;:j::-t;l: --t1: i-i-r----;a-*-*-l-10l 0: -----o]''-.'.111 1 tl i-i"*---i-r.-"[Jui"]iiua,rr laki-]ak: 0l *-----i1: 0: 111 1i ti il----rTi;1'-"tuii-ii"aiu' ituti-tut, -tl-I Q L0r 4: -'-nf 1|''*-t;rtl-l:! *.r,t"ai*lt"ri-rJ'*-i--"jffi;f *1-,,.*--,7i - :i\L!-"jj'L"1'-9 --4' O0 1 lakr-rak 1 E E 4 obBtoar,stadiua --l+ oU"tUa" ruo;rt tuk;-tu- - r ,tu,l,,'Jj|-].l. rr **l* - 1 1 1 -1- - * 1 ..11 L t .-l -t Perintah untuk analisis multivariat dengan cox regression adalah sebagai xi:stcox vorioblenumeric i.voriablecotegoric untuk mendapatkan HR, lK, dan nilai p. Sementara untuk mendapatkan nilai koefisen untuk masing-masing variabel, perintahnya adalah xi: stcox variablenumeric i. voriablecotegoric, nohr dan untuk memperoleh tabel boselin e hazord don baseline survival perintahnya masing-masing adalah xi:stcox voriablenumeric xi:stcox vorioblenumeric i. va i. vorioblecotegoric bosesurv(sO) dan ri oblecatego ric, basech ozo rd (h0) Marilah kita lakukan prosedur tersebut satu demi satu. ,r, LIS1S SURVII/AL: Dasar-Dasar Teori dan Aplikasi Program Stata i.obat i.stadium i.sexobat i.sexstadium (naturally coded; -tobat-0 omitted) i.obat -robat-O-l (naturally coded; -tstadium-o omitted) i.stadium -rstadium-0-1 (naturally coded; -tsexobat-0 omitted) i.sexobat -lsexobat-0-1 i.sexstadium _rsexstad.iu_0-1 (naturally coded; -Isexstadiu-0 omitted) . xi:stcox failure -d: status analysis time -t: time 1og likelihood: rteration O: og likelihood rteration l-: -l'log. likelihood rteration 2: Iteration 3: 1og likelihood: Iteration 4r 1og likelihood Refining estimates: Iteration O: "log likelihood -2150.8691 -- -2089-6532 = -2086.5201 -2086.5155 = -2086.5155 = -2086.5155 cox regression -- Breslow method for ties 500 5OO Number of obs = No. of subjects = 37O No. of failures = 472L rime at risk = ln chi2(4) = 428.7L prob>chi2 = 0.0000 log likelihood = -2086.51-55 _tl -------------+ _robat-1 um-1 -tstadi rsexobat-1 rsexstadi -1 P>lzl 195% conf' rntervall Ratio std. rrr. z 3.6s4205 .5273089 8.98 0.000 2.7s3993 4'848673 L.676994 .7373285 3.65 0.0001 .270777 2.2t3063 .4835928 .0920588 -3.82 0.000 .3329979 -7022927 1.1-98095 .2a333a2 7.02 0.310 .8451374 1'698459 Haz. Tampak bahwa variabel interaksi sexstadium memPunyai nilai p terbesar. Oleh karena itu, analisis harus diulangi lagi dengan tidak mengikutsertakan variabel interaksi sexstadium. . xi:stcox i.obat i.stadium i.sexobat 'i.obat i.stadium i.sexobat (naturally coded; -robat-O omitted) -robat-0-1 omitted) (naturally coded; -rstadium-0 -rstadium-0-1 (naturally coded; -rsexobat-0 omitted) -rsexobat-0-1 status failure analysis time -d: -t: time Iteration 0: 1og likelihood = -2150'8691 rteration l-: 1og likelihood = -2090.2809 rteration 2: 1og likelihood = -2087.0337 Iteration 3: 1og likelihood = -2087 '0295 nefini ng estimates: rteration 0: 1og likelihood = -2087.0295 cox regression -l Breslow method for ties No. of subjects = No. of failures = rime at risk = 500 Number of obs = 500 : = O. OOO0 370 4721_ ln chi2(3) log I i kel i hood '= -2O87 .0295 prob > chi 2 L27.68 Analisis Su,vival cox Regression Full Model MENGGUNAKAN"T^* I Haz.Ratio std. Err. z -t f-----------_robat_l | 3.443507 .4518175 9.42 _rstadium_1 | 1.819173 .2L1236 5.15 _rsexobat_L l .5546609 .0742096 -4.4-J, P>lzl [95% conf. rnterval] 0.000 2.662662 0.000 L.44889 .42672 0.000 4.453347 2.284087 .72096LG Semua variabel yang diuji mempunyai nilai p<0,05. Oleh karena itu analisis berhenti sampai di sini.Yang harus dilakukan kemudian adalah mencari nilai koefisien untuk masing-masing variabel. Koefisien ini berguna untuk membuat persamaan survival. , xi:stcox i.obat i.stadium i.sexobat, nohr (naturally coded; -robat-o om'itted) (naturally omitted) -rstadium-O omitted) -tstadium-0-l- (naturally coded; coded; -rsexobat-0-l-rsexobat-O failure -d: status analysis time -t: ti me rteration 0: 1og likelihood = -21-50.8691 Iteration 1: log likelihood = -2090.2809 rteration 2: 1og likelihood = -2087.0337 rteration 3: 1og 1 i kel i hood : -2087 .0295 nefini ng estimates: Iteration 0: 1og likelihood = -2087.0295 i.obat i.stadium i . sexobat -robat-0-1 Cox regression of subjects tto. of failures -rime at risk ruo. -- Breslow method 500 = = log likelihood = 370 4721 -2087.0295 for t'ies Number ln chi2(3) prob > chi2 _t I coef.natio std. Err. z | 7.443507 .1312085 -rsexobat-1 l-.5893983 .L337927 -robat-1 _rstadiun_1 | .5983822 .1161165 of obs 9.42 5.15 -4.4L p>lzl [95% 0.000 0.000 0.000 = 500 = = L27.68 0.0000 conf. tnterval] .9793265 r.493654 .370798 .85L6272 .8259663 -.3271694 Selanjutnya adalah meminta software untuk menghitung baseline hazard dan boseline hazord. . xi:stcox i.obat i.stadium i.sexobat, basesurv(so) . xi:stcox i.obat i.stadium i.sexobat, basechazard(h0) Pada data editor, akan muncul variabel baru, yaitu variabel s0 (boseline survivol) dan variabel ho (boseline hazafl. '::::Y'.'::'.i::-!:,":3;:'::.^::'Y':::::.Y. w@rr'f - ! . t: l: ...,?..-.,....,..1., t: 1i 4. ..., .. . . ....1 6t 7; 6t - fr.-!.. t t I -.'l'-'-ii '', && -t I o, itl. d: d: , tlo: t: t: '. L,.......9.: 0l 1 4. t: .'.: t. t$. 1 a o: )ru*ztie: I ,44,.*1.,j!.t!+t':j:?Yb*j:: i 8: .5t2ffi77, o: t or t:.,tfrtwa o : .,.. .,.1... .,.. . ..1..: :ot7T1?. a .%74as oi 6: -o125og: o: L oi o:,%71n9 : o .5t2ffi77 r G 6; 1 ,5ffiW1 o:.ttwv o t, 6: t : .:79{f11 : : 0 -1tzffin 1 o u a -tffiwL o -otwzgo o i 6 I : ,ffi@96 g .otw7a5 1 o t: ,wffi o: q o .ufuzae o 6 o: .wtffi a,.512ffi77: t : a: oI 7: .twl Untuk menampilkan boseline hazord dan boseline survival pada out put, lakukanlah perintah berikut. . tabulate time, summarize(s0) nostandard nofreq noobs Summary of basel i ne ti survivor Mean me ------------+ .99750497 .99329377 .9855692s .9777L622 .96a72s33 1 2 3 4 5 . 95 3 5983 .9225881_8 6 7 .87L98728 -78423296 8 9 s9076345 10 . l_l_ .488479L4 .488479L4 L2 --f------------ Total | .67424787 tabulate time, summarize(h0) noobs nostandard nofreq of ati ve Summary cumul basel i ne ti me ------------+ hazard Mean 6 7 .00248392 .0066744 .01436s38 .0222876 .03844482 .04686119 .07823725 8. .L3LO39L7 9 11 .22027504 .4L922584 .57584059 L2 . 1 2 3 4 5 10 s7584059 --f------------ Total | .351-49009 Analisis Survival cox Regression Full Model MENGGUNAKAN STATA 4. Interpretasi Setelah menyelesaikan analisis survival, kita melakukan interpretasi hasil. Beberapa hal yang dapat kita simpulkan dari analisis survival adalah. a. Variabel yang berhubungan dengan variabel tergantungdengan melihat nilai p dan interval kepercayaan pada masing-masing variabel. e>lzl -t I uaz.natio std. Err. z .4518175 9.42 0.000 _tobat-1 | 3.443507 _rstadium_1 _rsexobat-L | l 1.81-9173 .5546609 .21]-236 L5 .o742096 -4.4L 5. 0.000 0.000 [95% conf. rnterval] 2.662662 l-.44889 .42672 4.45334r 2.284087 .7209676 Variabel yang berhubungan dengan mortalitas pasien adalah variabel obat (p<0,001; HR = 3,44 lK 95% 2,66 - 4,453), stadium (p<0,001 ; HR = 1,82 lK 95% I ,45- 2,28), variabel b. interaksi jenis kelamin dengan obat (p<0,001; HR = 0,56 lK 95% O,43- O,72).Interaksi jenis kelamin dengan stadium ternyata tidak berhubungan dengan mortalitas pasien. Urutan kekuatan dari variabel-variabel yang berhubungan dengan variabel tergantung. Berdasarkan nilai HR-nya, urutan kekuatan adalah obat lalu stadium dan interaksi obat dengan jenis kelamin. Model atau rumus untuk memprediksikan hazord function dan survivol funaion. Untuk hazard funaion, rumus yang diperoleh adalah sebagai berikut. H(t) = Ho(t) er H(t)=Ho(t)e|'2a("bat)+0,598(stadium)-0,589(obacjeniskelamin) Sedangkan untuk survivol funaion,rumus yang diperoleh adalah sebagai berikut. S(Q = S(t) So(t) (:"') = So(t)"" l'24(ob"t)+0's98(stadium)-0'58e(obacjenis kelamin) H(t) = hazard pada waktu tertentu Ho(t) = boseline hazord pada waktu teltentu SURVTITAL: Dasar-Dasar Teori dan Aplikasi Program Stata S(t) = survival pada waktu tertentu S'(t) = baseline survivol pada waktu tertentu Obat = I bila menggunakan obat standar, dan 0 bila menggunakan obat baru =I bila stadium ll, dan 0 bila stadium l. Jenis kelamin = I jika perempuan, dan 0 fika laki-laki Stadium 5. Aplikasi persamaan yang diperoleh kepada pasien Persamaan tersebut dapat diaplikasikan untuk menghitung hazard dan probabilitas survival pasien pada waktu tertentu. M isalnya, berapakah hazard dan probabi itas su rvival pasien laki-laki, stadium ll yang menggunakan obat standar pada tahun ke lima? a- Hazard pada tahun ke lima, laki-laki, stadium ll dengan pengobatan standar H(t) = Ho(t) ev I H (t) = Ho(t) e l'24("bat)+0'5991'o6'u-)-0'589(obacjenis kelamin) H(t) = hazard pada tahun ke lima Ho(t) = boseline hozard pada tahun ke lima = 0,038 Obat = I karena menggunakan obat standar Stadium =| karena stadium ll. Jenis kelamin = 0 karena laki-laki Dengan demikian: H (Q = Ho(t) e l'2lf"bat)+0's98(stadium)-0'589(obacienis kelamin) H(5) = 0,038e1'2a(t)+o'se8(l)-o's8e(l*o) = 0,238 b. Probabilitas survival pada tahun ke lima, laki-laki, stadium ll dengan pengobatan standar S(t) = So(t) t"v S(t) = SO(t)"" I'z+toU.t1+0'598(stadium)-0,589(obaCjenis S(t) = survival kelamin) pada tahun ke lima = boseline survivol pada tahun ke lima = 0,961 Obat = I karena menggunakan obat standar Stadium = I karena stadium ll. Jenis kelamin = 0 karena laki-laki So(t) Analisis Sumival cox Regression Full Model MENGGTINAI{AN S7:ATA Dengan demikian: S(5)=So(5;."t'z+1"oat)+o,598(sadium)-0,589(obat*jeniskelamin) S(5) = 0,9$ ; ""t'z+1t1+0'se8(t)-0's8e(l*0) = 0,871 Berapakah'hazard dan probabilitas survival pada pasien dengan karakteristik tertentu pada"lahtrn ke-8''Lengkapilah : tabel berikutini. , '. Karakteristik pasien ',Hazard, rahun'ke-8 , ' Probabilitas survival tahun Laki-lak, Stadiuri l, abat standar Laki-laki, Stadiurn l,'obat baru Laki-laki, Stadium fl, obat standar Laki-laki,Stadium ll, olat baru Ferenrpuan, Stadium l, obat standar Per.empuan,Stadium I, obat bam Perem.puan, Stadium ll, obat standar Perempuan;Stadium ll' obat baru ANALIilS SURWVAL: Dasar-Dasar kori dan Apliklsi Program Stata ke-8 : G,ox ression Redu'G6d,,,riMbdG:1 :(A$_,um$i' P:rop os'i.o n a:J,,,ll C2ard,, . T.ide ,,, rpehu. i),',,,'.1,,., Kasus : Kasus pada Bab 9 ini sama dengan pada Bab 8. Pada analisis multivariat, pada bab 8 dipilih fult model sedangkan pada bab 9, kita akan melakukan analisis reduced model- Jawab: Lakukanlah langkah-langkah sebagai berikut. l. 2. 3. Pengecekan asumsi PH (sudah dilakukan pada bab 8) Analisis bivariat (sudah dilakukan pada bab 8) Analisis multivariat menggunakan reduced model' tidak memenuhi asumsi PH fienis kelamin) dijadikan sebagai variabel untuk menstratifikasi sampel. Pada analisis ini sampel akan dianalisis berdasarkan kelompok Pada analisis reduced model,variabel yang jenis kelamin laki-laki dan jenis kelamin peremPuan karena variabel jenis kelamin tidak memenuhi asumsi PHBu ka fi le su rvival-kanker-sex-dta Perintah untuk analisis cox regression reduced model adalah sama dengan perintah untuk full model, akan tetapi ditambahkan kal i mat stata (vo riabl e). xi :stcox i.obat i.stadium, st rata (sex) (naturally coded; -tobat-o omitted) .obat -robat-o-1 .stadium _rstadium_0-l_ (naturally coded; -tstadium-0 omitted) status failure time analysis time -d: -t: 1og'likelihood 0: Iteration rteration 1: 'log likelihood Iterati on 2 : '1 og 1i kel i hood rterati on 3: l og 1i kel'i hood nefini ng estimates: rteration O: = = = = -1-903.5303 -1-856.955 -1856.881-8 -1-856. 881-8 1og likelihood = -1856.8818 y*.:::::'.':: Dasar-Dasar kori dan Aplikasi Program Stata stratified cox regr, -- Breslow method for t-ies trto. of sub j ects 500 Number of obs 370 r'lo. of fai I u res -lime at risk 4721 ln ch-i 2 (2) log 1i kel i hood -1-856. 881-8 Prob > chi 2 s00 93.30 0. ooo0 conf. rntervall _t I Haz. Ratio Std. Err. z P>lzl 195% | 2.260OL4 .2518086 0.000 0.000 1.816649 1.418804 7.32 -robat-1 -rstadium-1 | 1.780237' .2061221- 4.98 2.811584 2.233741 Untuk menampilkan nilai koefisien untuk setiaP variabel, tambahkan perintah nohr. . xi:stcox 'i.obat i.stadium, strata(sex) nohr (naturally coded; -robat-0 om'itted) i.obat i.stadium -robat-O-1 -rstadium-0-1 (naturally coded; -rstadium-O omitted) status failure analysis time -dr -t: time rteration 0: 1og iikelihood = -1903.5303 Iteratjon 1: 1og likelihood = -1856.955 rteration 2: 1og likelihood = -1856.8818 rteration 3: 1og.likelihood = -1856.8818 nefining estimates: Iteration 0: 1og likelihood = -1856.8818 Stratified Cox regr. -- Breslow method for t'ies 500 of subjects = tto. of fai]ures = time at risk = 4721- rog likelihood = -1856.8818 rqo. Number of obs = 500 = = 0.0000 370 LR chi2(2) prob > chi2 e>lzl I coef.Ratio std. Err. z -t +------------tobat-1 I .8153708 .aL-J.4a91 7.32 0.000 -Istadium-1 1.5767462 .1157836 4.98 0.000 [95% 93. 30 conf. rnterval] .5969934 .3498L46 1-.033748 .8036778 by sex Untuk meminta sofcware supaya menghitung baseline hozord dan bose/ine survivol,lakukan perintah berikut. . xi:stcox i.obat . xi:stcox'i.obat i.stadium, basesurv(s0) strata(sex) i.stadium, basechazard(h0) strata(sex) Analisis Surttival cox Regression Full Model MENGGUNAKAN STATA Dengan kedua perintah tersebut, pada data editor akan tampil variabel baru bernama s0 (boseline survivof) dan h0 (boseline hozord)' vdsltst * 1: z trlao 4' Lt 1:..-. L r lt 11 1 8711 ?t4ta 9 'ti 4DA 4 11 . L i: r****-*"***- 1 ,8 : :r&eJ i';Ah*' O d, A 1 .416&6ffi1 a a .lztiasr al aO 60 & O: o a a -5g*4L7t .gzziaaes "a2z546rA -azzsaale I t -ctese(ii -tgq74t4 1 ,cfieiet .sgsiqtit -ssstctit t '' m -t*d;d -476&6fi1 1 .gwgalsz ,otgjJ6a5 1 .9Wi4157 .9W5431? .ptsij@s a t ,+iaei@'r -sgv+tzi .QAgt16L6 Untuk menampilkan tabel boseline hozord don baseline suryiyo/ untuk strata laki-laki dan peremPuan, lakukanlah perintah sebagai berikut. .tabulate time sex, summarize(s0) nostandard nofreq Means of baseline survivor sex I 0 timel +---------- rotal 1-l -+---------- 5 .99684618 .99826771, .99044647 .996s2629 .97734695 .99477562 .97568547 .98054357 .97235a77 .95082405 6 .96229s21- .94s04601 1_ 2 J 4 7 8 9 1_0 11 t2 .91849802 .83100876 .67603688 .60468234 . s6638912 . s6638912 noobs .92930752 .9a712982 .88696281 . s9968s66 .41686603 .41686603 .99732003 .99166244 .97928347 .98000378 .9s321602 .9s654547 . 92l_1_18 5 .84134329 .71594a79 .6005471_6 .4474503 .5261329 -+---------+---------rotal | .70128833 .62940806 1 .66908597 tabulate time sex, summarize(h0) nostandard nofreq N4eans of cumulative baseline hazard sex 0 timel +---------- rotal 1| -+---------- .0031-3881 .00L72776 .00266846 .00949673 .00346761, .02254638 .0052a972 .02424455 .01933616 .02765398 .04875867 .03796167 .05479837 .00829091- .081_6536 .07120302 .079L20t3 .2862024L 10 11 .32601312 .1-1-55851 .41831229 .35948403 .4796302L .59974L21 L2 .47963021- .59974L2L .sta96779 1_ 2 3 4 5 6 7 8 9 ,.1691-3751 .08409914 .0206212 .019881s4 .04641,37L .04357391. .l_589329 .36962683 .575L7305 -+---------+---------rotal | .3L820262 ,35845714 | .33623665 :.:::::':'!!'.1"::.1":"::,":'::'"o::*::'::"::::"':: noobs 4. Interpretasi hasil Setelah menyelesaikan analisis survival, kita melakukan interpretasi hasil. Beberapa hal yang dapat kita simpulkan dari analisis survival adalah sebagai berikut. a. variabel yang berhubungan dengan variabel tergantung dengan melihat nilai p dan interval kepercayaan pada masing-masing variabel. Variabel yang berhubungan dengan mortalitas pasien baik pada kelompok laki-laki maupun pada kelompol< perempuan adalah variabel obat (p<0,001; HR = 2,26 lK 95% l,8l - 2,81) dan stadium (p<0,001 ; HR = 1,78 lK 95% 1,42- 2,23). p>lzl 195% conf. rntervall _t I ttaz. natio std. Err. z f-----------_robat-1 | 2.260014 .2518086 7.32 0.000 1.81,6649 2.811584 -rstadium-1 I I.780237 .2061221, 4.98 0.000 1.418804 2.233741, b. c. Urutan kekuatan dari variabel-variabel yang berhubungan dengan variabel tergantung. Pada analisis survival, urutan l<ekuatan dilihat dari besarnya nilai HR. Berdasarkan nilai HR-nya, urutan kekuatan adalah obat lalu stadium bail< pada kelompok laki-laki maupun perempuan. Model atau rumus untuk memprediksikan hozord function dan survivol function. P>lzl 195% conf. rntervall _t I coef.natio std. Err. z f------------ _robat_1 | .8153708 .ILa4791- 7 .32 0.000 _rstadi um_1 I .5767462 .1157836 4.98 0.000 .5969934 .34981-46 L.033748 .8036778 stratified by sex Untuk hazord function, rumus yang diperoleh adalah sebagai berikut. H(t) = Ho(t) ev H(t) = Ho(t) e0,8ls("bat)+0,5771"u6'u-, Sedangkan untuk survivol function,rumus yang diperoleh adalah sebagai berikut. S(t) = So(t) (6"rr S(t; = So(t)e"0,81s(obat)+0,s771"u0'u', H(t) = hazard pada waktu tertentu Ho(t) = boseline hozord pada waktu tertentu :' :'."," .t: :.*." ! : : ! :': : :': : : :': Y: !:.' Y: : : :." *: Y * s?'z rA , *- (9t Tw S(t) = survival pada wal<tu tertentu So(t) = baseline survivolpada waktu tertentu Obat = I bila menggunakan obat standar, dan 0 bila menggunakan obat baru =I Stadium bila stadium ll, dan 0 bila stadium I' p>lzl I coef.natio Std' Err' z -t +-------*---.8153708 .11-14191 7.32 0.000 -robat-1 |I.5767462 .1157836 4.98 0.000 rstadium-1 [95% conf. rnterval] .5969934 1"033748 .34981'46 '8036778 stratified by 5. Aplikasi sex Persamaan yang diperoleh kepada pasien Persamaan yang kita peroleh dapat diaplikasikan untuk menghitung hazard dan probabilitas survival pasien pada waktu tertentu. Misalnya, berapakah hazard dan probabilitas survival pasien perempuan, dengan kanker stadium ll yang menggunal<an obat standar pada tahun ke lima? a. Hazard pada tahun ke lima, PeremPuan dengan stadium ll dan Pengobatan standar H(t) = Ho(t) ev H(t) = Ho(t) e0'8tst'bat)+0's77(stadium) H(t) = hazard Pada tahun ke lima Ho(t) = boseline hozard pada tahun ke lima = 0,048 Obat = I karena menggunakan obat standar Stadium =I karena stadium ll. Dengan demikian: H(t) = Ho(t) e0'8lst"bat)+0's77(stadium) H(5) = 0,048e0'8rs(t)+o's77(r) = b. 0,1 93 Probabilitas survival pada tahun ke lima, PeremPuan dengan stadium ll dan pengobatan standar S(t) = So(t) G^rr S(t) = So(t)'"o'stst"uat)+0's77(stadium) ,/\" (s*::::':':::'':::'.:"::':1"':::.":'::".u:lo::'.!:::":"'::. S(5) = survival pada tahun ke lima So(t) = boseline survivolpada tahun ke lima = 0,951 Obat = I karena menggunakan obat standar Stadium =I karena stadium ll. Dengan demikian: S(5) = So(5;'"0't't1"oat)+o's77(stadium) S(5) = 0,95 l"^o'ets(l)+0's77(r) = 0.827 l;.il}tEi-ffi Berapakah hazard dan probabilitas survival pada pasien dengan karakteristik di bawah pada tahun ke-2. Lengkapilah tabel berikut ini. Strata Karakteristik pasien Hazard tahun ke-2 Laki-laki Probabilitas survival tahun ke-2 Stadium l, obat standar Stadium l, obat baru Stadium ll, obat standar Stadium ll, obat baru Perempuan Stadium l, obat standar Stadium l, obat baru Stadium ll, obat standar Stadium ll. obat baru Analisi,s Survivctl cox Regres"'ion Full Model MENGGUNAL4N STATA <k Mermillh Redueed lUlode! atau Furll lUlodeF f--r I I tr lK.l \P' i{ Tujuan Bab l0 Setelah mempefajari Bab 10, diharapkan pembaca marnpu men!elasl<an dan melakukan perbanciingan kualitas hasil anaiisis full model dan kualitds hasil analisis reduced mode!" Kasus: dua cara, yaitu secara klinis dan secara statistik. l. Pemilihan model secara klinis Secara klinis, pertimbangan utamanya adalah pada manfaat dan kepraktisan penggunaan model untuk kepentingan l<linis.Apabila secara klinis lebih bermanfaat untuk menilai survival berdasarkan kelompok laki-laki dan perempuan, maka reduced modellah model yang tepat. Akan tetapi, bila secara klinis kita ingin melihat seberapa besar pengaruh jenis kelamin terhadap survival, makafullmodellah model yang tepat. 2. Pemilihan model secara statistik Pemilihan model secara statistik dilakukan dengan uii likelihood rotio (uji LR). Uji LR dilakukan dengan cara menghitung selisih likelihood rotio (LR) antara kedua model kemudian dilihat apakah selisihnya bermakna pada degree of freedom (df) yang sesuai. Secara matematis, uji LR adalah sebagai berikut. MRldf= LRf -L/v - r) P(k ALR/df = selisih LR untuk setiap degree of freedom ARf = LR full model LRr = LR reduced model P(k-l) = degree offreedom p = Jumlah variable interaksi pada full model K = Jumlah strata pada reduced model Ho = Reduced model dapat diterima Ho ditolak bila nilai ALR/df > 3,8 rq6by,::::,:,:,.:'::::.::"':,::.o::*::,:::,:;:: Untu'k mengetahui berapa besar LR untuk masing-masing model,l<ita dapat melihatnya pada output Stata dari prosedur yang telah dilal<ukan pada Bab 8 dan Bab 9. Nilai LR pada full model dan reduced model disajikan pada gambar l0 dan 10. No. of subjects uo. of failures -time at risk Log likelihood Number 500 370 472L rn chi 2 (3) prob > chi2 -2087 .0295 _t I Haz. Ratio _Iobat_1 | 3.443507 _tstadium_1 | 1.8191"73 _rsexobat_l | .5546609 std. Err. z .451-9175 9.42 .211236 5.15 .0742096 -4.4I P>lzl of subjects = of failures = -t'i me at risk rog likelihood = Number 500 370 4721 195% LR of 500 1,27 0. .68 OOOO conf. Intervall 4.453341 2.284087 .72096L6 dori full model odoloh obs 500 LR chi 2 (2) 93.30 0.0000 prob > chi2 -1856.8818 : : 0.000 2.662662 0.000 L.44889 0.000 .42672 Gqmbor 10.1 Output dori full model. Niloi sebesor 127,68 No. No. of obs : P>lzl 195% conf. rntervall _t I Haz. Ratio Std. rrr. z _robat_l | 2.260014 .2s1"8086 7.32 0.000 1,.8L6649 2.811-584 -Istadium 1- I I.780237 .2OGL22I 4.98 0.000 1.418804 2.233741, Gqmbor 1O.2. Oulpuf dori reduced model. Niloi odoloh sebesor 93,30 LR dori reduced model I dan 10.2, l<ita memperoleh informasi bahwa LR ful modeladalah 127,68 sementara LR reduced model adalah 93,30. Berdasarkan hasil analisis pada Bab 8, jumlah variabel interaksi padafull model adalah satu variabel yaitu interaksi antara jenis kelamin dengan stadium. Sementara itu, berdasarkan analisis Bab 9, jumlah strata ada dua yaitu laki-laki dan perempuan. Dengan informasi tersebdrt, kita sudah dapat menghitung perbedaan LR untuk setiap df. Berdasarkan gambar 10. LLRr '- df tRf-tRr P(k-r) Memilih Model Reduced atau Fu,. Moderi@re ALR/df = selisih LR untuk setiap LRf = LR flull model= 127,68 degree of freedom LRr = LR reduced model= 93,30 P(k-l) = degree offreedom - Jumlah variable interaksi padafull model=l P - Jumlah strata pada reduced model= 2 K AtR / df - 1 - 93' 30 = 34,38 r(2 - r) 27' 68 Karena nilai ALR/df > 3,8, maka Ho ditolak. Ho ditolak berarti reduced modeltidak dapat diterima sehingga yang dapat diterima adalah full model. Dengan demikian, secara statistik, ful/ model lebih baik daripada reduced model. ALIS6 SURVIVAL; Dasar-Dasar kori dan Aplikasi Program Stata Daftar Pustaka Kleinbaum DG. Survival analysis: a self-learning text. New York Springer; 1996 BewickV Cheek L and Ball Criticol Ca re 2004, 8: 3 J. Statistics l2: Survival analysis. 89-3 94 ClarkTG, Bradburn MJ, Love SB,Altman DG. SurvivalAnalysis Part l: Basic concepts and first analyses. British Journal of Cancer (2003) 89,232-238. ClarkTG, Bradburn Mj, Love SB,Altman DG. SurvivalAnalysis Part ll: Multivariate data analysis - an introduction to concepts and methods. British Journal of Cancer (2003) 89,43t - 436 ClarkTG, Bradburn MJ, Love SB,Altman DG. SurvivalAnalysis Part lll: Multivariate data analysis - choosing a model and assessing its adequacy and fit. British Journal Of Cancer (2003) 89, 605- 6il ClarkTG, Bradburn MJ, Love SB,Altman DG. SurvivalAnalysis Part lV: Further concepts and methods in survival analysis. British Journal of Cancer (2003) 89 (5),781-786 Hosmer DW. Review of An lntroduction to SurvivalAnalysis Using Stata.The Stata Journal (2OO2) 2, Number 4,pp.428-431 lachine l. Additional nores: Survival analysis with STATA. 2003 Stolberg HO, Norman G,Trop l. Survival Analysis.AJR:185, july 2005, 19-22 Memilih Model Reduced atau Full Model Lampiran Beberapa perintah stata yang Penting untuk analisis survival No Tujuan Mempersiapkan data I Perintah umum Contoh stset t, failure(fail) stset time, Sts graph, by(variabel) sts graph, by(obat) stphplot, by(variabel) stphplot, by(obat) . . fai lu re(status) untuk analisis survival 2 Kurva Kapplan Meier 3 Kurva 4 Global test 5 -ln ln survival 7 stcox variable, schoenfeld (schx) schoenfeld(sch*) scaledsch(sca*) scaledsch(scax) . . . . stphtest drop schl scal Cox regression meminta xi:stcox variablenumeric hazard ratio 6 stcox variable, stphtest drop schl scal xi:stcox i.obat i.stadium i.variablecategoric Cox regression meminta xi:stcox variablenumeric koefisien i.variablecategoric, no hr Cox regression meminta xi:stcox variablenumeric baseline survivol i.variablecategoric, xi:stcox i.obat i.stadium, nohr xi:stcox i.obat i.stadiu)vr. basesurv(s0) basesurv(s0) I Cox regression meminta xi:stcox variablenumeric boseline hazard xi:stcox i.obat i.stadium, i.variablecategoric, basechazard(s0) basechazard(h0) 9 t0 Membuat variabel gen variable = intera.ksi variable I *variable2 Cox regression reduced xi:stcox variablenumeric model i.variablecategoric, Gen sexobat = sex*obat xi:stcox i.obat i.stadium, strata(sex) strata(variable) il Menampilkan boseline hozard pada outPut Tab time, summarize(ho) Tab time, summarize(ho) ANALISIS SURVIVAL; Dasar-Dasar Teori danAplikasi Program Stata t2 Menainpilkan baseline Tab time, summarize(so) Tab time, summarize(so) survival pada output t3 t4 Menampilkan bose/ine time variable, hozard pada output Tab berdasarkan strata summarize(ho) Tab time sex, summarize(ho) Menampilkan baseline Tab time variable, survival pada output summarize(so) Tab time sex, summarize(so) berdasarkan strata Memilih Model Reduced atau Full Model!