[Scince Corner Desember 2016] Mengenal Lebih Dekat Analisis Kesintasan

Oleh: Jaya Nuraga dan Jimmy Oi Santoso

Analisis kesintasan adalah teknik analisis statistik yang digunakan untuk menganalisis data

yang bertujuan untuk mengetahui hasil dari variabel yang mempengaruhi suatu awal kejadian

sampai akhir kejadian. Perbedaan analisis survival ini dibandingkan analisis lain, memiliki

perbedaan dimana analisis survival memperhatikan waktu terjadinya event.

 

Analisis kesintasan (survival analysis) atau analisis kelangsungan hidup bertujuan menduga

probabilitas kelangsungan hidup, kekambuhan, kematian, dan peristiwa-peristiwa lainnya

sampai pada periode waktu tertentu. Dalam menentukan waktu survival, terdapat tiga elemen

yang harus diperhatikan yaitu :

– Time origin or starting point (titik awal) adalah waktu dimulainya suatu penelitian.

– Ending event of interest (kejadian akhir) adalah kejadian yang menjadi inti dari

penelitian

– Measurement scale for the passage of time (skala ukuran untuk berlalunya waktu)

Pentingnya analisis kesintasan dapat dilihat dari kasus berikut:

capture

Obat A dan Obat B, memiliki insidens yang sama, yaitu 4 dari 5 orang mengalami kematian.

Akan tetapi analisis survival juga mempertimbangkan kecepatan terjadinya kematian.Pada

analisis survival, terdapat komponen PersonTime, yaitu waktu observasi yang dilalui hingga

terjadi suatu outcome, -atau bila tidak terjadi outcome- observasi berhenti dilakukan.

 

Dalam analisis survival, yang diukur adalah insidence rate, dimana berbeda dari insidence,

insidence rate diukur dengan banyaknya kasus/ total person time.

 

Dalam analisis survival, dikenal beberapa istilah-istilah antara lain:

Kurva Kapplan meier:

Adalah kurva dengan sumbu X yang menunjukkan lamanya waktu observasi,

dan sumbu Y ,menunjukkan jumlah sampel yang belum mengalami outcome.

capture1

Survival rate

Proporsi sampel yang masih belum mengalami outcome pada waktu yang

ditentukan. Misalkan, pada kurva Kaplan meier diatas, dapat dilihat pada buan

ke 150, 10% masih belum mengalami outcome, sehingga, survival rate untuk

t:150 adalah 10%.

Median survival

Median survival adalah waktu terjadinya 50% outcome, atau dengan kata lain,

waktu dimana 50% sampel belum mengalami outcome. Pada kurva diatas,

median survival adalh : pada bulan ke 70.

Hazard rasio

Hazard, adalah nama lain dari insidence rate. Pada beberapa kasus survival,

seringkali kita membandingkan 2 populasi berbeda. Misalkan kita

membandingkan survival kelompok yang diberikan pengobatan dibanding

dengan dengan survival kelompok kontrol. Misalkan untuk kasus obat diatas

capture2

Hazard ratio A dibandingkan B adalah 0,62.

Total Person time

Adalah jumlah akumulasi waktu observasi yang dilakukan kepada sampel

hingga terjadinya outcome. Pada kasus obat diatas, total person time obat A

adalah 5+5+5+5+10 = 30 hari, obat B: 2+2+2+5+10=21 hari.

Event dan sensor

Event adalah terjadinya outcome, dalam rentang observasi yang dilakukan,

sedangkan sensor adalah, sampel yang tidak mengalami outcome, hingga

akhir masa observasi.

Asumsi proposional hazard

Dalam melakukan analisis survival yang membandingkan 2 grafik kaplan

meier, terlebih dahulu kedua kelompok harus memenuhi asumsi proporsional

hazard. Asumsi proporsional hazard menunjukkan tidak adanya perpotongan

grafik kaplan meier untuk 2 kelompok yang diuji, jadi dengan kata lain tidak

terdapat perubahan kecenderungan, kelompok mana yang memiliki survival

lebih baik dari waktu ke waktu.

capture3

Setelah mengenal komponen ini, nantinya akan memudahkan kita untuk memahami grafik

kaplan meier yang sering kita temui pada jurnal jurnal kesehatan tentang prognosis.

 

Sumber:

Jimmy Oi Santoso dalam Slide Pelatihan SPSS tingkat lanjut, LPP BEM IKM FKUI, yang

dipresentasikan pada April 2016.

Leave a Reply

Your email address will not be published. Required fields are marked *