Skip to content
Kembali ke hasil pencarian

Analisis Kelangsungan Hidup

Diperkenalkan oleh
Edward L. Kaplan and Paul Meier
Tahun
1958
Jenis
Method
Keluarga
time-event-modeling

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

Ukuran huruf

Apa fungsinya?

Analisis kelangsungan hidup adalah kumpulan metode statistik untuk memodelkan waktu dari titik awal yang ditentukan hingga peristiwa yang diminati terjadi (penyakit, pemulihan, kematian, kegagalan peralatan).

Estimator nonparametrik Kaplan dan Meier (1958) dan model bahaya proporsional David Cox (1972) bersama-sama memungkinkan analisis data tersensor—individu yang waktu peristiwanya tidak diketahui karena mereka keluar dari studi atau masih bebas peristiwa pada tindak lanjut. Sangat diperlukan dalam onkologi, kardiologi, penelitian penyakit menular, keandalan rekayasa, dan bidang apa pun di mana waktu-ke-peristiwa penting.

Intuisi di balik metode

Banyak studi mengikuti orang dari waktu ke waktu hingga mereka mengalami hasil (diagnosis penyakit, kematian) atau studi berakhir. Beberapa individu mengalami hasil (peristiwa), sementara yang lain mencapai penyelesaian studi tanpa hasil (tersensor). Metode statistik standar mengabaikan data tersensor atau membuat asumsi yang kuat, sehingga membiaskan hasil. Analisis kelangsungan hidup memperhitungkan penyensoran dan waktu tindak lanjut, memungkinkan perbandingan tingkat peristiwa antar kelompok yang tepat. Fungsi kelangsungan hidup S(t) = probabilitas bebas peristiwa pada waktu t. Bahaya h(t) = laju instan terjadinya peristiwa pada waktu t. Rasio bahaya membandingkan tingkat peristiwa antar kelompok: HR = 1 (tidak ada perbedaan), HR < 1 (bahaya berkurang), HR > 1 (bahaya meningkat). Kerangka kerja ini memungkinkan peneliti untuk mengidentifikasi efek pengobatan, faktor prognostik, dan stratifikasi risiko meskipun data tidak lengkap.

Sejarah

Kaplan dan Meier memperkenalkan estimator kelangsungan hidup nonparametrik mereka pada tahun 1958, merevolusi analisis uji coba klinis dengan menangani penyensoran dengan benar. Model bahaya proporsional David Cox (1972) memperluas ini ke pengaturan multivariat, menjadi standar untuk penyesuaian kovariat. Pendekatan kemungkinan parsial memungkinkan komputasi yang efisien tanpa menentukan fungsi bahaya dasar. Perkembangan modern termasuk pembobotan kemungkinan terbalik untuk penyensoran informatif (Robins, 1993), model Accelerated Failure Time (Kalbfleisch & Prentice, 1980), dan analisis risiko bersaing (Fine & Gray, 1999) untuk pengaturan di mana beberapa jenis peristiwa menghalangi analisis tunggal.

Kapan digunakan

Gunakan analisis kelangsungan hidup ketika hasil yang diminati adalah waktu ke peristiwa dan data mengandung penyensoran. Onkologi: membandingkan kelangsungan hidup antara lengan pengobatan (uji coba acak standar). Kardiologi: menganalisis waktu ke peristiwa kardiovaskular (MI, stroke) dalam studi kohort. Penyakit menular: waktu dari infeksi hingga pemulihan atau progresi. Implan medis: kegagalan perangkat atau waktu penggantian. Rekayasa industri: waktu hingga kegagalan peralatan (analisis keandalan). Studi longitudinal apa pun dengan entri berjenjang dan/atau penarikan dini dapat menggunakan metode kelangsungan hidup. Jika tidak ada penyensoran (semua peserta diikuti hingga selesai), metode yang lebih sederhana (uji-t, regresi logistik) sudah cukup, meskipun analisis kelangsungan hidup tetap valid.

Batasan dan pertimbangan

  • Asumsi bahaya proporsional: model Cox mengasumsikan efek pengobatan konstan dari waktu ke waktu; pelanggaran memerlukan metode alternatif (model Accelerated Failure Time, koefisien yang bervariasi waktu, stratifikasi).
  • Data jarang pada waktu tindak lanjut yang lama: perkiraan kelangsungan hidup menjadi kurang stabil karena peserta disensor; interval kepercayaan melebar, membatasi inferensi untuk prediksi peristiwa akhir.
  • Penyensoran administratif: jika penyensoran terkait dengan prognosis (penyensoran informatif), metode standar bias; memerlukan pemodelan gabungan atau pembobotan kemungkinan terbalik.
  • Mengasumsikan kemandirian bersyarat yang diberikan kovariat; pengganggu yang tidak terukur mengancam inferensi kausal, terutama dalam studi observasional.
  • Jumlah peristiwa kecil mengurangi kekuatan dan stabilitas koefisien Cox; umumnya membutuhkan ≥10 peristiwa per kovariat untuk perkiraan yang stabil.

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

Kelebihan

  • Menangani data tersensor dengan benar tanpa bias: memanfaatkan informasi dari individu yang tersensor (waktu tindak lanjut) daripada membuangnya.
  • Secara fleksibel memperkirakan asosiasi univariat (Kaplan-Meier) dan multivariat (Cox); kovariat dasar disesuaikan tanpa mengasumsikan efek linier.
  • Rasio bahaya intuitif: metrik tunggal yang membandingkan tingkat peristiwa, mudah diinterpretasikan oleh klinisi dan dikomunikasikan dalam publikasi.
  • Bahaya yang tidak proporsional dapat dideteksi: diagnostik asumsi memperingatkan peneliti ketika efek pengobatan berubah seiring waktu; model alternatif (AFT, stratifikasi, koefisien yang bervariasi waktu) mengatasi pelanggaran.
  • Stratifikasi risiko: kurva kelangsungan hidup yang diprediksi memungkinkan klinisi untuk mengukur prognosis dan mempersonalisasi keputusan pengobatan berdasarkan karakteristik awal.

Penerapan

  • Uji coba onkologi: membandingkan kelangsungan hidup keseluruhan dan kelangsungan hidup bebas penyakit antara rejimen kemoterapi, imunoterapi, atau pendekatan bedah; menetapkan praktik standar perawatan.
  • Penelitian kardiovaskular: memodelkan waktu dari faktor risiko awal (hipertensi, diabetes, merokok) ke peristiwa jantung buruk utama pertama; mengembangkan algoritma prediksi risiko.
  • Penyakit menular: menganalisis waktu dari diagnosis hingga supresi virus (HIV), penyelesaian pengobatan (tuberkulosis), atau perbaikan klinis (COVID-19); membandingkan efikasi pengobatan.
  • Perangkat dan implan medis: pengujian keandalan alat pacu jantung, sendi buatan, stent; memprediksi kegagalan perangkat dan memperkirakan interval penggantian.
  • Epidemiologi kerja: waktu dari paparan kerja (asbes, debu silika) hingga diagnosis penyakit; mengukur bahaya dan menetapkan batas paparan.

Cara kerjanya

Cara kerjanya

1

Lakukan analisis kelangsungan hidup dengan mendefinisikan: (1) tanggal mulai studi (misalnya, diagnosis, inisiasi pengobatan, pendaftaran studi), (2) peristiwa yang diminati (misalnya, kematian, kekambuhan penyakit), dan (3) indikator penyensoran (apakah peristiwa terjadi atau tersensor). Ikuti peserta secara prospektif dari awal hingga terjadinya peristiwa atau akhir tindak lanjut. Catat dua variabel kunci: waktu-ke-peristiwa (hari/bulan/tahun dari awal hingga peristiwa atau kontak terakhir) dan status peristiwa (1 = peristiwa terjadi, 0 = tersensor). Kumpulkan karakteristik awal (usia, kelompok pengobatan, biomarker) sebagai kovariat. Pastikan definisi peristiwa dioperasionalkan dengan jelas dan ditentukan secara konsisten di seluruh peserta.

2

Untuk deskriptif kelangsungan hidup: gunakan metode Kaplan-Meier. Pada setiap waktu peristiwa t_i, hitung S(t_i) = S(t_{i-1}) × [1 − (d_i / n_i)] di mana d_i adalah jumlah peristiwa pada t_i dan n_i adalah jumlah yang berisiko (belum mengalami peristiwa atau tersensor). Plot kurva kelangsungan hidup kumulatif berdasarkan kelompok; bandingkan menggunakan uji log-rank (uji χ² dari peristiwa yang diamati vs yang diharapkan di bawah hipotesis nol dari kelangsungan hidup yang sama). Untuk asosiasi univariat/multivariat: gunakan regresi bahaya proporsional Cox. Fungsi bahaya h(t|X) = h₀(t) × exp(β₁X₁ + β₂X₂ + ...), di mana h₀(t) adalah bahaya dasar dan koefisien β mengukur efek kovariat. Perkirakan koefisien melalui kemungkinan parsial; hitung rasio bahaya (HR) = exp(β) dengan interval kepercayaan 95%. Uji asumsi bahaya proporsional: plot residu Schoenfeld dan uji koefisien yang bervariasi waktu (p > 0,05 mendukung asumsi). Laporkan indeks konkordansi (C-index): 0,5 = acak, 0,7–0,8 = diskriminasi baik, >0,8 = sangat baik.

3

Kurva Kaplan-Meier memplot probabilitas kumulatif bebas peristiwa dari waktu ke waktu; kurva yang menyimpang lebih awal menunjukkan efek pengobatan atau kelompok yang kuat. Nilai p log-rank menguji kesetaraan kurva kelangsungan hidup; p < 0,05 menunjukkan perbedaan signifikan dalam kelangsungan hidup. Untuk regresi Cox, interpretasikan rasio bahaya sebagai: HR = 1,5 untuk prediktor berarti bahaya 50% lebih tinggi (tingkat peristiwa) per peningkatan unit, menyesuaikan untuk kovariat lain. HR < 1 menunjukkan bahaya berkurang (efek protektif). Interval kepercayaan yang mengecualikan 1 menunjukkan signifikansi statistik. Periksa residu Schoenfeld (plot koefisien terhadap waktu) untuk memverifikasi asumsi bahaya proporsional; penyimpangan menunjukkan efek kovariat berubah seiring waktu (pelanggaran menyarankan penyesuaian model koefisien yang bervariasi waktu). Plot bahaya kumulatif atau bahaya dasar kumulatif untuk memvisualisasikan kecocokan model. Gunakan kurva kelangsungan hidup yang diprediksi (distratifikasi berdasarkan kelompok paparan atau kategori risiko) untuk mengkomunikasikan hasil secara klinis.

Kesalahan umum

  • Memperlakukan data tersensor sebagai kegagalan: secara keliru mengkodekan waktu tersensor sebagai peristiwa membiaskan perkiraan bahaya ke bawah dan rasio bahaya mendekati 1.
  • Gagal memeriksa asumsi bahaya proporsional: plot residu Schoenfeld atau uji koefisien yang bervariasi waktu; pelanggaran membatalkan interpretasi model Cox.
  • Menghilangkan indikator penyensoran: harus secara eksplisit mengkodekan status peristiwa (1 = terjadi, 0 = tersensor); pengkodean yang salah menyebabkan kemungkinan dan perkiraan yang salah.
  • Membandingkan kelompok dengan waktu tindak lanjut yang tidak sama tanpa penyesuaian: analisis kelangsungan hidup memperhitungkan variasi tindak lanjut, tetapi perbandingan jumlah peristiwa yang naif bias.
  • Overfitting dengan terlalu banyak kovariat relatif terhadap peristiwa: regresi Cox dengan banyak prediktor dan sedikit peristiwa menghasilkan perkiraan yang tidak stabil dan tidak dapat diandalkan; gunakan regresi yang dihukum (ridge, lasso) atau reduksi dimensi.
  • Menggunakan tindak lanjut median sebagai justifikasi untuk menghilangkan analisis kelangsungan hidup: tindak lanjut median menjelaskan data tetapi tidak menggantikan analisis yang tepat dari waktu tindak lanjut individu.

Pertanyaan yang sering diajukan

Apa arti rasio bahaya 0,6, dan bagaimana perbedaannya dengan risiko relatif?

Rasio bahaya (HR) 0,6 berarti laju peristiwa instan (bahaya) adalah 60% dari kelompok referensi pada waktu berapa pun, menyesuaikan untuk kovariat—setara dengan pengurangan risiko 40%. HR berasal dari analisis kelangsungan hidup/Cox. Risiko relatif (RR) berasal dari data kohort atau uji coba: RR = [insidensi pada kelompok terpapar] / [insidensi pada kelompok tidak terpapar]. HR mendekati RR ketika peristiwa jarang (<10%), tetapi mereka menyimpang dengan hasil yang umum. HR secara khusus membandingkan tingkat peristiwa yang memperhitungkan penyensoran dan waktu tindak lanjut; RR tidak memerlukan metodologi kelangsungan hidup. Selalu laporkan ukuran mana yang Anda gunakan.

Apa itu asumsi bahaya proporsional, dan apa yang harus saya lakukan jika dilanggar?

Asumsi bahaya proporsional berarti efek pengobatan (rasio bahaya) konstan dari waktu ke waktu. Uji dengan memplot residu Schoenfeld terhadap waktu; tren menunjukkan pelanggaran. Alternatifnya, sesuaikan model koefisien yang bervariasi waktu: sertakan interaksi antara kovariat dan fungsi waktu (misalnya, log waktu). Jika asumsi dilanggar, pilihan meliputi: (1) stratifikasi analisis berdasarkan variabel bermasalah (bahaya dasar terpisah), (2) gunakan model Accelerated Failure Time (AFT), atau (3) laporkan efek pengobatan pada titik waktu tertentu (misalnya, kelangsungan hidup 1 tahun, 5 tahun) secara terpisah. Selalu periksa dan laporkan asumsi ini.

Bagaimana cara menginterpretasikan nilai p uji log-rank dalam analisis Kaplan-Meier saya?

Uji log-rank membandingkan jumlah peristiwa yang diamati di setiap kelompok dengan jumlah yang diharapkan di bawah hipotesis nol (kurva kelangsungan hidup yang sama). p < 0,05 menunjukkan perbedaan signifikan secara statistik dalam kelangsungan hidup antar kelompok. Seperti semua nilai p, ini menguji hipotesis nol titik; nilai p yang besar tidak membuktikan kelangsungan hidup yang sama, hanya bukti yang tidak cukup untuk menolak kesetaraan. Juga laporkan waktu kelangsungan hidup median dan probabilitas kelangsungan hidup pada titik waktu utama (1 tahun, 5 tahun), interval kepercayaan, dan jumlah yang berisiko pada setiap interval pada plot Kaplan-Meier.

Bagaimana cara menangani beberapa hasil (misalnya, kekambuhan penyakit dan kematian)?

Ketika beberapa peristiwa yang berbeda mungkin terjadi, gunakan analisis risiko bersaing. Jika Anda memodelkan kekambuhan penyakit dengan regresi Cox sambil mengabaikan kematian, Anda membiaskan perkiraan karena kematian menyensor tindak lanjut kekambuhan. Model bahaya subdistribusi Fine-Gray memisahkan probabilitas marjinal dari setiap peristiwa. Hitung fungsi insidensi kumulatif (CIF) untuk setiap jenis peristiwa (bukan 1-minus-lainnya); bandingkan menggunakan uji Gray. Pendekatan ini penting dalam onkologi (kekambuhan vs kematian non-kanker) dan kardiologi (MI vs stroke).

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. Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society, Series B, 34(2), 187–220.

    Buka referensi DOI
    Disalin.