Skip to content
Kembali ke hasil pencarian

Analisis Kaplan-Meier — Estimasi Kelangsungan Hidup Nonparametrik

Diperkenalkan oleh
Edward L. Kaplan and Paul Meier
Tahun
1958
Jenis
Nonparametric survival estimator
Keluarga
Clinical / epidemiology

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Analisis Kaplan-Meier (KM) adalah metode nonparametrik untuk mengestimasi fungsi kelangsungan hidup dari data waktu-ke-kejadian.

Diperkenalkan oleh Kaplan dan Meier pada tahun 1958, metode ini menghasilkan kurva kelangsungan hidup fungsi tangga klasik yang menunjukkan probabilitas bertahan hidup melewati setiap waktu kejadian yang teramati, dengan memperhitungkan observasi tersensor dengan benar — partisipan yang keluar dari studi atau belum mengalami kejadian pada akhir tindak lanjut. Ini adalah salah satu teknik yang paling banyak digunakan dalam penelitian klinis dan epidemiologi.

Intuisi di balik metode

Bayangkan mengikuti sekelompok pasien kanker untuk melihat berapa lama mereka bertahan hidup setelah pengobatan. Beberapa meninggal selama studi (kejadian teramati); yang lain masih hidup ketika studi berakhir atau keluar (tersensor). Rata-rata sederhana mengabaikan penyensuran dan meremehkan kelangsungan hidup. Estimator Kaplan-Meier sebaliknya mengalikan serangkaian probabilitas kelangsungan hidup bersyarat — peluang bertahan hidup melewati setiap waktu kejadian berturut-turut mengingat kelangsungan hidup hingga saat itu — menghasilkan kurva fungsi tangga yang menurun hanya ketika kejadian sebenarnya terjadi. Observasi tersensor mengurangi kumpulan risiko tetapi tidak dihitung sebagai kejadian, sehingga informasi mereka digunakan hingga saat mereka keluar.

Sejarah

Analisis Kaplan-Meier berasal dari makalah penting tahun 1958 oleh Edward L. Kaplan dan Paul Meier di Journal of the American Statistical Association. Meier telah menurunkan estimator perkalian-batas secara independen; seorang editor jurnal mengenali pekerjaan yang paralel dan mendorong publikasi bersama. Makalah tersebut awalnya mendapat sedikit minat tetapi berkembang menjadi salah satu artikel ilmiah yang paling banyak dikutip. Uji log-rank yang menyertainya dikembangkan oleh Nathan Mantel pada tahun 1966. Metode ini menjadi pusat pelaporan uji klinis mulai tahun 1970-an dan seterusnya, dan badan pengatur di seluruh dunia sekarang mengharapkan kurva KM sebagai bagian dari setiap pengajuan analisis waktu-ke-kejadian.

Kapan digunakan

Gunakan analisis Kaplan-Meier kapan pun hasil yang diamati adalah waktu hingga satu kejadian yang terdefinisi dengan baik (kematian, kekambuhan, pemulangan, kegagalan pengobatan) dan waktu tindak lanjut bervariasi antar partisipan. Ini adalah langkah pertama standar dalam analisis kelangsungan hidup apa pun dan sesuai untuk uji coba acak maupun studi kohort observasional. Utamakan kurva KM untuk tampilan deskriptif dan perbandingan kelompok ketika asumsi proporsionalitas bahaya berlaku; beralih ke regresi Cox ketika Anda perlu menyesuaikan secara bersamaan untuk beberapa kovariat. Jangan gunakan KM ketika kejadian tidak dapat terjadi lebih dari sekali per orang dan ada kejadian bersaing (misalnya, kematian karena penyebab lain sebelum kejadian yang diminati) — gunakan analisis risiko bersaing sebagai gantinya. KM juga tidak cocok ketika penyensuran kemungkinan bersifat informatif, ketika penyesuaian kovariat kontinu diperlukan, atau ketika hasil bersifat biner daripada waktu-ke-kejadian.

Batasan dan pertimbangan

  • Tidak dapat menyesuaikan untuk beberapa perancu secara bersamaan — gunakan proporsionalitas bahaya Cox untuk estimasi yang disesuaikan kovariat.
  • Mengasumsikan penyensuran non-informatif; estimasi bias dihasilkan jika penyensuran terkait dengan prognosis.
  • Tidak menangani kejadian rekuren atau risiko bersaing tanpa perluasan ke metode yang lebih terspesialisasi.
  • Uji log-rank yang membandingkan kurva memiliki kekuatan yang berkurang ketika rasio bahaya berubah seiring waktu (kurva bersilangan atau konvergen).
  • Estimasi menjadi tidak stabil pada waktu tindak lanjut yang lama ketika hanya sedikit partisipan yang tersisa berisiko.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Sepenuhnya nonparametrik — tidak membuat asumsi tentang bentuk distribusi kelangsungan hidup.
  • Secara akurat menggabungkan observasi tersensor, memaksimalkan penggunaan seluruh waktu tindak lanjut yang tersedia.
  • Menghasilkan visual yang intuitif dan langsung dapat diinterpretasikan (kurva kelangsungan hidup fungsi tangga).
  • Kelangsungan hidup median dengan interval kepercayaan mudah diturunkan sebagai statistik ringkasan.
  • Dipahami secara luas oleh audiens klinis, epidemiologi, dan regulator.

Penerapan

  • Membandingkan kelangsungan hidup keseluruhan antara lengan pengobatan dalam uji coba terkontrol acak onkologi.
  • Mengestimasi waktu hingga masuk kembali ke rumah sakit setelah operasi jantung dalam studi kohort kardiovaskular.
  • Melaporkan kelangsungan hidup bebas progresi dalam pengajuan peraturan untuk obat onkologi baru.
  • Menganalisis waktu hingga penghentian pengobatan atau timbulnya kejadian buruk dalam studi farmakovigilans.
  • Mengestimasi kelangsungan hidup cangkok dalam registri transplantasi dan studi penolakan organ.
  • Mendeskripsikan waktu hingga kekambuhan setelah reseksi bedah dalam kohort kanker kolorektal atau payudara.

Cara kerjanya

Cara kerjanya

1

Tentukan kejadian yang diminati (misalnya, kematian, kekambuhan penyakit, masuk kembali ke rumah sakit), titik awal waktu (misalnya, tanggal randomisasi, tanggal diagnosis), dan mekanisme penyensuran. Setiap partisipan memberikan waktu kelangsungan hidup dan indikator kejadian (1 = kejadian terjadi, 0 = tersensor). Pastikan penyensuran bersifat non-informatif — yaitu, partisipan yang tersensor seharusnya tidak berbeda secara sistematis dalam prognosis dari mereka yang tetap berisiko.

2

Urutkan semua waktu kejadian yang teramati dari yang terkecil hingga terbesar. Seri (beberapa kejadian pada titik waktu yang sama) diselesaikan dengan konvensi standar. Pada setiap waktu kejadian yang berbeda t_i, catat n_i (jumlah partisipan yang berisiko tepat sebelum t_i) dan d_i (jumlah kejadian pada t_i). Observasi tersensor yang terjadi di antara waktu kejadian berurutan mengurangi n_i untuk langkah selanjutnya tetapi tidak dihitung sebagai kejadian.

3

Hitung probabilitas kelangsungan hidup pada setiap waktu kejadian menggunakan rumus perkalian-batas: S(t) = perkalian atas semua t_i <= t dari (1 - d_i / n_i). Estimasi dimulai pada S(0) = 1 dan menurun dalam langkah-langkah hanya pada waktu kejadian, tetap konstan di antara kejadian. Ini tidak membuat asumsi tentang distribusi waktu kelangsungan hidup yang mendasarinya.

Rumus
S(t) = \prod_{t_i \le t} \left(1 - \frac{d_i}{n_i}\right)
4

Observasi tersensor — partisipan yang hilang dari tindak lanjut, menarik diri, atau bebas kejadian pada batas waktu studi — dimasukkan dengan mengeluarkannya dari kumpulan risiko pada waktu penyensoran mereka, setelah berkontribusi pada penyebut n_i hingga saat itu. Penanganan penyensuran yang tepat sangat penting: jika penyensuran bersifat informatif (berkorelasi dengan prognosis), estimasi KM akan bias dan metode yang lebih canggih diperlukan.

5

Ketika dua atau lebih kelompok (misalnya, pengobatan vs. kontrol) dibandingkan, kurva KM terpisah diestimasi untuk setiap kelompok dan kurva ditampilkan bersama. Uji log-rank (atau uji Mantel-Cox) memberikan uji signifikansi formal untuk hipotesis nol fungsi kelangsungan hidup yang sama. Uji log-rank paling kuat ketika rasio bahaya antar kelompok kira-kira konstan dari waktu ke waktu (asumsi proporsionalitas bahaya); varian tertimbang seperti Wilcoxon-Breslow tersedia ketika perbedaan awal lebih diminati.

6

Sajikan kurva KM secara grafis dengan tabel jumlah individu yang berisiko di bawah sumbu x. Laporkan waktu kelangsungan hidup median (waktu di mana S(t) melintasi 0,5) dengan interval kepercayaan 95% (biasanya rumus Greenwood). Jika perbandingan dibuat, laporkan nilai p log-rank dan rasio bahaya dari model Cox. Tentukan ukuran sampel total, jumlah kejadian, dan durasi tindak lanjut.

Kesalahan umum

  • Mengabaikan risiko bersaing — menggunakan KM ketika partisipan dapat mengalami kejadian bersaing (misalnya, kematian sebelum kekambuhan) menyebabkan estimasi berlebihan terhadap insiden kumulatif kejadian yang diminati; gunakan pendekatan Fine-Gray atau bahaya spesifik penyebab sebagai gantinya.
  • Menyajikan kurva tanpa tabel jumlah individu yang berisiko — bagian akhir kurva yang didasarkan pada sangat sedikit individu tidak dapat diandalkan dan menyesatkan tanpa konteks.
  • Penyensuran informatif — jika pasien tersensor karena kondisi mereka memburuk dan berganti pengobatan, kohort yang bertahan hidup dipilih secara artifisial; analisis sensitivitas atau pembobotan probabilitas penyensuran terbalik harus dipertimbangkan.
  • Melaporkan hanya nilai p log-rank tanpa ukuran efek — nilai p menunjukkan signifikansi tetapi bukan besarnya perbedaan; selalu sertai dengan rasio bahaya dan interval kepercayaan dari regresi Cox.
  • Kurva kelangsungan hidup bersilangan dengan satu uji log-rank — ketika kurva bersilangan, uji log-rank mungkin tidak signifikan meskipun ada perbedaan awal atau akhir yang nyata; waktu kelangsungan hidup rata-rata terbatas atau uji log-rank tertimbang lebih informatif.

Pertanyaan yang sering diajukan

Apa perbedaan antara kurva Kaplan-Meier dan kurva bahaya kumulatif?

Kurva KM menunjukkan S(t), probabilitas bertahan hidup (tidak mengalami kejadian) melewati waktu t, yang menurun dari 1 menuju 0. Bahaya kumulatif H(t) = -log S(t) meningkat seiring waktu dan mewakili risiko instan yang terakumulasi. Keduanya adalah representasi yang setara dari data dasar yang sama; bahaya kumulatif bersifat linier pada skala log di bawah distribusi eksponensial, membuatnya berguna untuk pemeriksaan model.

Kapan saya harus menggunakan uji log-rank vs. model Cox untuk membandingkan kelompok?

Gunakan uji log-rank ketika Anda menginginkan uji signifikansi nonparametrik yang sederhana membandingkan dua atau lebih kurva KM yang tidak disesuaikan. Gunakan regresi Cox ketika Anda perlu menyesuaikan untuk perancu, memasukkan prediktor kontinu, atau memperoleh rasio bahaya sebagai ukuran efek ringkasan. Kedua pendekatan mengasumsikan proporsionalitas bahaya; ketika asumsi tersebut dilanggar, pertimbangkan analisis waktu kelangsungan hidup rata-rata terbatas.

Bagaimana cara menghitung interval kepercayaan untuk kelangsungan hidup median?

Pendekatan standar menerapkan rumus Greenwood untuk mengestimasi varians S(t), kemudian membangun pita kepercayaan pointwise di sekitar kurva. Interval kepercayaan untuk median adalah himpunan titik waktu di mana pita kepercayaan melintasi garis probabilitas 0,5. Sebagian besar perangkat lunak statistik (paket R survival, SAS LIFETEST, Stata stci) menghitung ini secara otomatis.

Bisakah saya menggunakan Kaplan-Meier ketika saya memiliki risiko bersaing?

Analisis KM standar memperlakukan kejadian bersaing (misalnya, kematian karena penyebab lain sebelum kejadian yang diminati) sebagai observasi tersensor, yang menyebabkan estimasi berlebihan terhadap insiden kumulatif karena individu yang tersensor diasumsikan tetap berisiko. Ketika risiko bersaing ada, gunakan fungsi insiden kumulatif (CIF) dari regresi Fine-Gray atau model bahaya spesifik penyebab sebagai pengganti estimator KM.

Berapa ukuran sampel yang saya butuhkan untuk estimasi Kaplan-Meier yang andal?

Keandalan terutama bergantung pada jumlah kejadian yang teramati daripada ukuran sampel total. Sebagai aturan kasar, setidaknya 10–20 kejadian per kelompok diperlukan untuk estimasi kurva yang stabil, dan perhitungan kekuatan formal untuk uji log-rank harus dilakukan berdasarkan tingkat kejadian yang diharapkan, kelangsungan hidup median, dan kekuatan yang diinginkan. Pada waktu tindak lanjut yang lama di mana hanya sedikit partisipan yang tersisa berisiko (kurang dari ~5–10), kurva menjadi tidak dapat diandalkan dan harus dipotong atau disajikan dengan ketidakpastian yang sesuai.

Metode terkait

Sumber

  1. Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.

    Buka referensi DOI
    Disalin.
  2. Kaplan–Meier estimator. Wikipedia.

    Buka referensi publikasi
    Disalin.