Analisis Survival menggunakan R

Analisis Survival adalah metode statistik yang digunakan untuk memodelkan waktu sampai terjadinya suatu event tertentu, seperti kematian atau kegagalan. Salah satu aplikasi analisis survival adalah dalam riset medis, di mana kita ingin mengetahui faktor-faktor apa saja yang berkontribusi terhadap kematian atau kesembuhan pasien.

Menggunakan Library "survival"

R memiliki banyak library untuk melakukan analisis survival, salah satunya adalah library "survival". Library ini menyediakan berbagai fungsi untuk memodelkan dan menganalisis data survival.

Contoh Kasus

Misalkan kita memiliki data survival dari dua kelompok pasien yang menerima perlakuan berbeda, yaitu kelompok kontrol (treatment=0) dan kelompok intervensi (treatment=1). Kita ingin mengetahui apakah ada perbedaan survival time antara kedua kelompok ini dan faktor-faktor apa saja yang mempengaruhinya.

Berikut ini adalah contoh data survival dengan 2 kolom yaitu treatment dan survival time:

Treatment	Survival Time
0	16
1	32
0	10
1	48
0	24
1	20
0	5
1	40

Untuk melakukan analisis survival pada data ini, pertama-tama kita perlu memuat library "survival" dan memasukkan data ke dalam format yang sesuai dengan library tersebut. Kita juga perlu menambahkan kolom "status" yang menandakan apakah pasien mengalami event (1) atau masih hidup (0) pada waktu yang ditentukan (misalnya 24 bulan). Berikut ini adalah contoh script untuk melakukan hal tersebut:

      
        # memuat library survival
        library(survival)
        
        # memuat data
        data_survival <- read.csv("data_survival.csv")
        
        # menambahkan kolom status
        data_survival$status <- ifelse(data_survival$surv_time >= 24, 1, 0)
        
        # menampilkan data
        head(data_survival)
      
    

Setelah data telah dimuat dan siap digunakan, kita dapat melakukan analisis survival dengan berbagai teknik yang disediakan oleh library "survival", seperti estimasi survival function, hazard function, log-rank test, Cox proportional hazards regression, dan sebagainya. Berikut ini adalah contoh script untuk melakukan estimasi survival function dan log-rank test pada data yang telah disiapkan:

      
        # estimasi survival function
        fit <- survfit(Surv(surv_time, status) ~ treatment, data = data_survival)
        plot(fit, xlab = "Survival Time (months)", ylab = "Survival Probability", col = c("red", "blue"), lwd = 2, main
    # log-rank test
    summary(fit)
  

Hasil output dari script di atas akan menunjukkan grafik estimasi survival function untuk kedua kelompok pasien serta hasil log-rank test yang menunjukkan apakah ada perbedaan signifikan antara survival time kedua kelompok tersebut. Selain itu, kita juga dapat melakukan analisis lebih lanjut dengan menggunakan model Cox proportional hazards regression, yang memungkinkan kita untuk mengevaluasi pengaruh berbagai faktor terhadap survival time. Berikut ini adalah contoh script untuk melakukan analisis Cox regression pada data yang telah disiapkan:

  
    # analisis Cox regression
    cox_model <- coxph(Surv(surv_time, status) ~ treatment, data = data_survival)
    summary(cox_model)
  

asing variabel prediktor pada model.

Pr(>|z|): Menunjukkan p-value dari nilai z-score untuk masing-masing variabel prediktor pada model.

Concordance: Menunjukkan nilai concordance index (C-index) dari model. C-index adalah ukuran kualitas prediksi model Cox regression, yang dapat bernilai antara 0 dan 1. Semakin tinggi nilai C-index, semakin baik prediksi model tersebut.

Likelihood ratio test, Wald test, Score (logrank) test: Ketiga uji statistik tersebut digunakan untuk menguji signifikansi variabel prediktor pada model. Pada contoh di atas, hasil uji tersebut menunjukkan bahwa variabel "treatment" tidak memiliki pengaruh signifikan terhadap survival time (p > 0.05).

Kesimpulan

Analisis survival merupakan salah satu teknik statistika yang berguna untuk mengidentifikasi faktor-faktor yang mempengaruhi survival time dalam suatu populasi. Dalam artikel ini, kita telah mempelajari cara melakukan analisis survival menggunakan R, mulai dari memuat data dan menambahkan kolom status hingga melakukan estimasi survival function, log-rank test, dan Cox proportional hazards regression. Dengan memahami teknik-teknik ini, kita dapat mengambil keputusan yang lebih tepat dalam berbagai bidang, seperti kedokteran, epidemiologi, dan biologi.