Te Tātaritanga Ora i roto i ngā Tatauranga
Ko te tātari oranga he peka o ngā tatauranga e aro ana ki te whakatauira me te tātari i te wā tae noa ki te puta o tētahi huihuinga. Tērā pea he matenga o tētahi tūroro, he hokinga mai o te mate, he rahunga o tētahi wāhanga mīhini, he nekehanga o te kiritaki, he wā rānei tae noa ki te kitenga mahi a te kaitono mahi. Ko te painga matua o te tātari oranga i runga i ētahi atu tikanga tatauranga kei roto i tōna kaha ki te whakahaere i ngā raraunga kāore i oti nā te tātaritanga, arā, ko te wā kāore he huihuinga e puta tae noa ki te mutunga o te wā tirotiro, kāore rānei i te tino tirohia.
I roto i ngā rangahau hauora, he maha ngā wā ka whakamahia te tātaritanga oranga hei whakataurite i te whai huatanga o ngā maimoatanga i runga i te roa o te oranga; i roto i te hangarau, hei whakatau tata i te roa o te oranga o ngā wāhanga; ā, i roto i te pakihi, hei matapae i te pupuri kiritaki. Mā te whakakotahi i ngā ariā o te tūponotanga, te whakatau tata kore-taurangi, me ngā tauira whakatauira, ka noho te tātaritanga oranga hei taputapu nui i roto i te whakatau kaupapa e ahu mai ana i ngā raraunga.
Ngā ariā taketake: te wā o te huihuinga me te aukati
Kei te ngako o te tātari oranga he taurangi matapōkere \(T\) e tohu ana i te wā tae noa ki te puta o tētahi huihuinga. Hei tauira, ko te \(T\) pea te maha o ngā rā i muri i te rongoā tae noa ki te hokinga mai o te mate ki tētahi tūroro. Heoi, he maha ngā wā kāore ngā kairangahau e tirotiro i te \(T\) katoa. He maha ngā momo tātaritanga noa:
1. Te aukati tika: Ka puta pinepine tēnei, hei tauira, ina kore te tūroro e pāngia e tētahi huihuinga i te mutunga o te rangahau, ina mutu rānei te rangahau a te tūroro. Ko tā tātou anake e mōhio ana he nui ake a \(T\) i te wā whakamutunga i kitea ai.
2. Te tātari maui (te tātari maui): I puta te kaupapa i mua i te tīmatanga o te tirotiro, engari kāore i te mōhiotia te wā tika.
3. Wā tirotiro: E mōhiotia ana i puta te kaupapa i waenganui i ngā wā tirotiro e rua (hei tauira, ka tirotirohia te tūroro i ia marama, ā, e mōhiotia ana i puta te kaupapa i waenganui i te 2 me te 3 o ngā marama).
Ko te nuinga o ngā tikanga taketake rongonui (pēnei i ngā tauira Kaplan-Meier me Cox) e arotahi ana ki te tātaritanga matau.
Ngā mahi oranga me ngā mahi tūpono
E rua ngā mahi matua o te tātari oranga:
1) Te mahi oranga
Ko te mahi oranga e tautuhia ana ko:
\[
S(t) = P(T > t)
\]
Arā, ko te \(S(t)\) te tūponotanga ka ora te tangata/mea i tua atu i te wā \(t\). Hei tauira, ko te \(S(12)=0{,}80\) ka taea te whakamārama ko te tikanga e 80% o ngā kaupapa kāore anō kia pā ki te kaupapa mō ngā marama 12.
2) Te mahi mōrearea
Ko te mahi mōrearea (reiti mōrearea) e whakaahua ana i te mōrearea o tētahi huihuinga "ināianei" mēnā ka ora te tangata tae noa ki taua wā:
\[
h(t) = \lim_{\Delta t \to 0} \frac{P(t \le T < t+\Delta t \mid T \ge t)}{\Delta t}
\]
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.
