Analisi di sopravvivenza in statistica
L'analisi di sopravvivenza hè una branca di a statistica chì si cuncentra nantu à a modellazione è l'analisi di u tempu finu à chì un avvenimentu si verifica. Questu avvenimentu puderia esse a morte di un paziente, una ricorrenza di una malattia, un guastu di un cumpunente di a macchina, un churn di clienti, o u tempu finu à chì una persona in cerca di travagliu trova un impiegu. U vantaghju principale di l'analisi di sopravvivenza rispetto à altre tecniche statistiche reside in a so capacità di trattà dati incompleti per via di a censura, vale à dì quandu un avvenimentu ùn si verifica micca finu à a fine di u periodu d'osservazione o ùn hè micca cumpletamente osservatu.
In a ricerca medica, l'analisi di sopravvivenza hè spessu aduprata per paragunà l'efficacità di e terapie basate annantu à u tempu di sopravvivenza; in ingegneria, per stimà a durata di vita di i cumpunenti; è in l'affari, per prevede a fidelizazione di i clienti. Cumbinendu i cuncetti di probabilità, stima non parametrica è mudelli di regressione, l'analisi di sopravvivenza diventa un strumentu cruciale in a presa di decisioni basata annantu à i dati.
Cuncetti basi: tempu di l'avvenimentu è censura
À u core di l'analisi di sopravvivenza ci hè una variabile aleatoria \(T\) chì rapprisenta u tempu finu à chì un avvenimentu si verifica. Per esempiu, \(T\) puderia esse u numeru di ghjorni dopu a terapia finu à chì un paziente sperimenta una ricaduta. Tuttavia, i circadori spessu ùn osservanu micca \(T\) in a so interezza. Ci sò parechje forme cumuni di censura:
1. Censura à diritta: Questu accade più spessu, per esempiu, quandu un paziente ùn hà micca sperimentatu un avvenimentu à a fine di u studiu, o quandu u paziente abbanduneghja u studiu. Sapemu solu chì \(T\) hè più grande di l'ultima volta osservata.
2. Censura à manca (censore à manca): L'eventu hè accadutu prima di l'iniziu di l'osservazione, ma l'ora esatta hè scunnisciuta.
3. Intervallu di censura: L'eventu hè cunnisciutu per esse accadutu trà dui tempi d'osservazione (per esempiu, un paziente hè esaminatu mensilmente è l'eventu hè cunnisciutu per esse accadutu trà u 2u è u 3u mese).
A maiò parte di i metudi basi populari (cum'è i mudelli Kaplan-Meier è Cox) si cuncentranu nantu à u casu di a censura à diritta.
Funzioni di sopravvivenza è di periculu
L'analisi di sopravvivenza usa duie funzioni principali:
1) Funzione di sopravvivenza
A funzione di sopravvivenza hè definita cusì:
\[
S(t) = P(T > t)
\]
Vale à dì, \(S(t)\) hè a probabilità chì un individuu/ughjettu sopravviva dopu à u tempu \(t\). Per esempiu, \(S(12)=0{,}80\) pò esse interpretatu cum'è significhendu chì si prevede chì 80% di i sughjetti ùn anu micca sperimentatu l'eventu da 12 mesi.
2) Funzione di periculu
A funzione di risicu (tassa di risicu) descrive u risicu di un avvenimentu "avà" sempre chì u sughjettu sopravviva finu à quellu tempu:
\[
h(t) = \lim_{\Delta t \to 0} \frac{P(t \le T < t+\Delta t \mid T \ge t)}{\Delta t}
\]
Hazard bukan probabilitas, melainkan laju . Dalam konteks medis, hazard yang lebih tinggi berarti risiko mengalami kejadian pada waktu itu lebih tinggi bagi individu yang masih bertahan.
Kedua konsep ini saling terkait melalui:
\[
S(t)=\exp\left(-\int_0^t h(u)\,du\right)
\]
Hubungan ini penting karena sebagian model memfokuskan pada hazard, lalu menurunkan survival, atau sebaliknya.
Estimasi nonparametrik: Kaplan–Meier
Salah satu metode paling terkenal dalam analisis survival adalah Kaplan–Meier estimator , yakni estimasi nonparametrik untuk fungsi survival tanpa mengasumsikan bentuk distribusi tertentu. Estimator ini membangun kurva survival sebagai hasil perkalian peluang bertahan pada setiap waktu kejadian.
Secara konseptual, Kaplan–Meier menghitung:
- pada tiap waktu kejadian \(t_i\),
- \(d_i\) = jumlah kejadian pada \(t_i\),
- \(n_i\) = jumlah subjek “berisiko” tepat sebelum \(t_i\),
maka:
\[
\hat{S}(t) = \prod_{t_i \le t}\left(1 - \frac{d_i}{n_i}\right)
\]
Keunggulan Kaplan–Meier adalah:
- mudah diinterpretasikan melalui kurva survival,
- dapat menangani right censoring,
- berguna untuk eksplorasi data dan perbandingan kelompok.
Namun, Kaplan–Meier pada dasarnya bersifat deskriptif. Untuk menguji apakah dua kurva survival berbeda secara signifikan, sering digunakan uji log-rank .
Perbandingan kelompok: uji log-rank
Log-rank test digunakan untuk menguji hipotesis apakah ada perbedaan survival antara dua (atau lebih) kelompok, misalnya kelompok terapi A vs terapi B. Uji ini membandingkan jumlah kejadian yang “diobservasi” dengan yang “diharapkan” pada tiap waktu kejadian, dengan mempertimbangkan jumlah subjek yang masih berisiko.
Log-rank efektif ketika asumsi perbedaan hazard antar kelompok relatif konstan sepanjang waktu. Jika hazard bersilangan (crossing hazards), interpretasinya menjadi lebih rumit dan uji alternatif bisa dipertimbangkan.
Model regresi: Cox Proportional Hazards
Ketika peneliti ingin memasukkan banyak kovariat (umur, jenis kelamin, biomarker, jenis terapi, dll.), metode yang paling umum adalah Cox Proportional Hazards Model . Model Cox menyatakan hazard individu dengan kovariat \(X\) sebagai:
\[
h(t \mid X) = h_0(t)\exp(\beta^\top X)
\]
di mana:
- \(h_0(t)\) adalah baseline hazard (tidak perlu ditentukan bentuknya),
- \(\beta\) adalah parameter yang diestimasi.
Interpretasi utama Cox adalah melalui hazard ratio (HR) :
\[
HR = \exp(\beta)
\]
Jika \(HR = 1{,}5\), maka kelompok dengan kovariat tertentu memiliki hazard 1,5 kali (50% lebih tinggi) dibanding kelompok referensi, dengan asumsi kovariat lain konstan.
Keunggulan model Cox:
- fleksibel karena tidak memerlukan bentuk distribusi khusus untuk \(h_0(t)\),
- dapat memasukkan banyak kovariat,
- interpretasi melalui hazard ratio relatif mudah.
Tantangan utama model Cox adalah asumsi proportional hazards , yaitu perbandingan hazard antar kelompok dianggap konstan sepanjang waktu. Asumsi ini dapat diperiksa melalui:
- grafik log(-log(S(t))) antar kelompok,
- residu Schoenfeld,
- pendekatan time-varying covariates bila asumsi tidak terpenuhi.
Model parametrik: Exponential, Weibull, dan lainnya
Berbeda dari Cox yang semiparametrik, model parametrik mengasumsikan bentuk distribusi tertentu untuk waktu survival, misalnya:
- Exponential : hazard konstan sepanjang waktu,
- Weibull : hazard bisa meningkat atau menurun,
- Log-normal dan Log-logistic : berguna untuk pola hazard yang tidak monoton.
Model parametrik unggul dalam:
- prediksi jangka panjang,
- estimasi kuantitas seperti mean survival (bila terdefinisi),
- efisiensi jika asumsi distribusi tepat.
Namun, jika asumsi distribusi keliru, hasilnya bisa bias. Oleh karena itu, pemilihan model perlu mempertimbangkan diagnostik, AIC/BIC, dan kecocokan kurva.
Aplikasi praktis di berbagai bidang
1. Kesehatan dan epidemiologi : waktu sampai kematian, kekambuhan kanker, waktu sampai pasien sembuh atau relapse, evaluasi perawatan.
2. Teknik dan reliabilitas : waktu sampai komponen rusak, analisis garansi, perencanaan pemeliharaan.
3. Bisnis dan pemasaran : waktu sampai pelanggan churn, waktu sampai pembelian ulang, retensi pengguna aplikasi.
4. Sosial dan ekonomi : durasi menganggur, waktu sampai pernikahan, durasi studi sampai lulus.
Dengan data yang tepat, analisis survival membantu organisasi memahami dinamika “ketahanan” suatu sistem dan faktor-faktor yang mempercepat atau memperlambat terjadinya peristiwa.
Hal penting dalam praktik analisis survival
Beberapa hal yang perlu diperhatikan agar analisis tepat dan dapat dipercaya:
- Definisikan peristiwa dengan jelas : misalnya, “kegagalan” harus konsisten (apakah termasuk kerusakan minor?).
- Tentukan awal waktu (time origin) : misalnya sejak diagnosis, sejak terapi dimulai, atau sejak pemasangan komponen.
- Censoring harus non-informatif : idealnya, peluang tersensor tidak bergantung pada risiko kejadian setelah mengondisikan kovariat. Jika censoring informatif, perlu pendekatan khusus.
- Kualitas data dan follow-up : kehilangan data follow-up dapat memengaruhi kesimpulan.
- Diagnostik model : cek asumsi proportional hazards untuk Cox atau kecocokan distribusi untuk model parametrik.
Kesimpulan
Analisis survival merupakan metode statistika yang sangat kuat untuk mempelajari waktu hingga terjadinya peristiwa, terutama ketika data mengandung censoring. Dengan alat seperti Kaplan–Meier, uji log-rank, model Cox proportional hazards, dan model parametrik, peneliti dapat mengestimasi peluang bertahan, membandingkan kelompok, serta menilai pengaruh kovariat terhadap risiko kejadian. Pemahaman konsep survival dan hazard, serta kehati-hatian terhadap asumsi model dan kualitas data, menjadi kunci agar hasil analisis survival dapat diandalkan dan bermanfaat dalam pengambilan keputusan di berbagai bidang.
Jika Anda ingin, saya bisa membuat versi artikel yang lebih akademik (dengan referensi), atau menyertakan contoh perhitungan dan ilustrasi kurva Kaplan–Meier serta interpretasi hazard ratio.
