Ìwádìí Ìwàláàyè nínú Àwọn Àkójọ Ìṣirò
Ìwádìí ìwàláàyè jẹ́ ẹ̀ka statistiki kan tí ó dojúkọ ṣíṣe àwòṣe àti ṣíṣàyẹ̀wò àkókò títí ìṣẹ̀lẹ̀ kan yóò fi ṣẹlẹ̀. Ìṣẹ̀lẹ̀ yìí lè jẹ́ ikú aláìsàn, àtúnṣe àrùn, ìkùnà ẹ̀yà ara ẹ̀rọ, ìfọ́wọ́sí àwọn oníbàárà, tàbí àkókò títí tí olùwá iṣẹ́ yóò fi rí iṣẹ́. Àǹfààní pàtàkì ti àyẹ̀wò ìwàláàyè lórí àwọn ọ̀nà statistiki mìíràn wà ní agbára rẹ̀ láti ṣe àkóso àwọn data tí kò pé nítorí ìfòfindè, èyí tí ó jẹ́ nígbà tí ìṣẹ̀lẹ̀ kan kò bá ṣẹlẹ̀ títí di òpin àkókò ìṣàkíyèsí tàbí tí a kò bá kíyèsí rẹ̀ dáadáa.
Nínú ìwádìí ìṣègùn, a sábà máa ń lo ìwádìí ìwàláàyè láti fi wé bí àwọn ìtọ́jú ṣe ń ṣiṣẹ́ lórí àkókò ìwàláàyè; nínú ìmọ̀ ẹ̀rọ, láti ṣe ìṣirò iye àwọn èròjà tí ó wà nínú wọn; àti nínú iṣẹ́ ajé, láti sọ àsọtẹ́lẹ̀ ìgbà tí àwọn oníbàárà yóò máa wà níbẹ̀. Nípa pípa àwọn èrò ìṣeeṣe, ìṣirò tí kò ní àfiwéra, àti àwọn àpẹẹrẹ ìpadàsẹ́yìn pọ̀, ìwádìí ìwàláàyè di ohun èlò pàtàkì nínú ṣíṣe ìpinnu tí a gbé kalẹ̀ lórí dátà.
Àwọn ìlànà ìpìlẹ̀: àkókò ìṣẹ̀lẹ̀ àti ìfòfindè
Ní ọkàn ìwádìí ìwàláàyè ni onírúurú onírúurú kan tí ó dúró fún àkókò títí ìṣẹ̀lẹ̀ kan yóò fi ṣẹlẹ̀. Fún àpẹẹrẹ, \(T\) lè jẹ́ iye ọjọ́ lẹ́yìn ìtọ́jú títí tí aláìsàn yóò fi ní ìrírí ìfàsẹ́yìn. Síbẹ̀síbẹ̀, àwọn olùwádìí kìí sábà kíyèsí \(T\) ní gbogbo rẹ̀. Ọ̀pọ̀lọpọ̀ ọ̀nà ìṣàyẹ̀wò ló wọ́pọ̀:
1. Ìṣàyẹ̀wò tó tọ́: Èyí sábà máa ń ṣẹlẹ̀, fún àpẹẹrẹ, nígbà tí aláìsàn kò bá tíì ní ìrírí ìṣẹ̀lẹ̀ kan kí ó tó di ìparí ìkẹ́kọ̀ọ́ náà, tàbí nígbà tí aláìsàn náà bá jáde kúrò nínú ìkẹ́kọ̀ọ́ náà. A mọ̀ pé \(T\) ju ìgbà ìkẹyìn tí a rí i lọ.
2. Ìṣàyẹ̀wò apá òsì (àyẹ̀wò apá òsì): Ìṣẹ̀lẹ̀ náà wáyé kí àkíyèsí tó bẹ̀rẹ̀, ṣùgbọ́n a kò mọ àkókò náà gan-an.
3. Àkókò ìṣàyẹ̀wò: A mọ̀ pé ìṣẹ̀lẹ̀ náà ti wáyé láàrín àkókò ìṣàkíyèsí méjì (fún àpẹẹrẹ, a ń ṣe àyẹ̀wò aláìsàn ní oṣooṣù àti pé ìṣẹ̀lẹ̀ náà ti wáyé láàrín oṣù kejì àti kẹta).
Pupọ julọ awọn ọna ipilẹ ti o gbajumọ (bii awọn awoṣe Kaplan–Meier ati Cox) fojusi lori ọran ti censoring ọtun.
Iwalaaye ati awọn iṣẹ ewu
Ìwádìí nípa ìwàláàyè lo àwọn iṣẹ́ pàtàkì méjì:
1) Iṣẹ́ ìwaláàyè
Iṣẹ́ ìwàláàyè ni a túmọ̀ sí:
\[
S(t) = P(T> t)
\]
Ìyẹn ni pé, \(S(t)\) ni ìṣeeṣe pé ẹnìkọ̀ọ̀kan/ohun kan yóò yè ní ìgbà tó kọjá \(t\). Fún àpẹẹrẹ, \(S(12)=0{,}80\) ni a lè túmọ̀ sí pé a retí pé 80% àwọn ẹni tí a ń kọ́ lẹ́kọ̀ọ́ kò ní ní ìrírí ìṣẹ̀lẹ̀ náà ní oṣù 12.
2) Iṣẹ́ ewu
Iṣẹ́ ewu (ìwọ̀n ewu) ṣàlàyé ewu ìṣẹ̀lẹ̀ kan “nísinsìnyí” tí ẹni tí ó jẹ́ olùgbé náà bá wà láàyè títí di àkókò náà:
\[
h(t) = \lim_{\Delta t \to 0} \frac{P(t \le T < t+\Delta t \mid T \ge t)}{\Delta t}
\]
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.
