KELOMPOK 1

FEBRY RAMADHANI SURADJI ULIADI BARRUNG LIMBONG

(P1804216001) (P1804216013)
KHAERIYAH ADRI NUR FADHILAH
(P1804216005) (P1804216017)
IHWAN SAANI NURARDHI PUTRA KUSUMA
(P1804216009) JAYA (P1804216021)
MAGHFIRAH
(P1804216025)
OUTLINE
PENDAHULUAN

ANALISIS SURVIVAL

REGRESI COX

LIFE TABLE

SOAL DAN PEMBAHASAN

 PENDAHULUAN

Sejauh ini yang telah dipelajari

ini pada studi kohort dan uji
coba kita telah menggunakan
tingkat insiden

Sebagai pengukuran untuk hasil, yaitu jumlah orang yang

meninggal (angka kematian) atau menjadi sakit (morbiditas)
dalam jangka waktu tertentu.
 TUJUAN PEMBELAJARAN
Menjelaskan bagaimana analisis survival berbeda dari perbandingan insiden kumulatif
atau insiden pada populasi

Menjelaskan kapan keadaan yang tepat untuk menggunakan metode Kurva Survival Kaplan-Meier
dan menafsirkan contohnya termasuk menggunakan kurva untuk menentukan survival dan proporsi
populasi yang masih hidup untuk waktu tertentu

Menjelaskan penggunaan uji log-rank untuk pengujian hipotesis dengan data survival dan
menafsirkan hasil tes

Menjelaskan kapan keadaan yang tepat untuk menggunakan risiko proporsional cox
regresi, menentukan bahwa asumsi bahaya proporsional telah dipenuhi, dan menafsirkan
hasil dari analisis tersebut

Menjelaskan tujuan dan prinsip-prinsip analisis current life tables


Analisis Survival merupakan Metode
untuk analisis data, biasanya
berasal dari studi kohort atau uji
coba, yang menggunakan informasi
tentang waktu sampai kejadian
menarik perhatian bagi setiap
orang dalam penelitian ini.
ANALISIS SURVIVAL
Analisis tidak hanya pada
seseorang yang meninggal
selama periode penelitian, tetapi
juga pada berapa lama orang
yang selamat sejak dia mengikuti
penelitian.

Analisis survival dapat

diterapkan pada berbagai
situasi termasuk waktu survival
hingga mati.
 ANALISIS SURVIVAL

Mengapa Perlu
Analisis Survival ?

Membandingkan pengalaman Prediksi panjang kelangsungan

Menggambarkan pengalaman hidup seseorang yang diberi
bertahan hidup dari dua atau
bertahan hidup sekelompok sejumlah karakteristik atau faktor
lebih kelompok individu
individu prognostik
apakah ada perbedaan antara
Berapa proporsi pasien kanker misalnya, waktu yang diperkirakan
proporsi individu yang memakai terjadi kekambuhan batu empedu
yang hidup, atau terbebas dari
pengobatan A dan B yang masih setelah memberikan informasi
penyakit kambuhan, setelah 5
hidup setelah 5 tahun? Atau mengenai umur, jenis kelamin,
tahun diagnosis dan
berapa rata-rata waktu bertahan riwayat batu empedu sebelumnya
pengobatan?
untuk perawatan A dan B. dan informasi klinis lainnya
 Perbedaan antara ANALISIS SURVIVAL
DATA SURVIVAL dengan JENIS
DATA LAIN
1 Waktu ketahanan hampir tidak pernah
terdistribusi normal ditandai dgn kurva yg
condong kekanan (positively skewed)
2 Hanya beberapa individu yang
dipelajari benar-benar
mengalami kejadian menarik
selama masa studi. Sisanya
memiliki apa yang dikenal
sebagai penyensoran
pengamatan
 PENYENSORAN ANALISIS SURVIVAL

Subyek Penelitian
Hilang Pada saat
Penelitian
Pulih Kembali
dan di Follow
Tersensor Kiri Tersensor Kanan Up

Jika ada penundaan

antara penilaian dasar
dan follow up
surveilans
 PENYENSORAN ANALISIS SURVIVAL

Indikator ini memiliki

nilai 0 untuk masing- Nilai 1 untuk mereka
masing individu yang bertahan hidup
dengan penyensoran dan tidak disensor
waktu survival
Data survival dapat
menunjukkan beberapa
cara penyensoran dari
waktu survival 
dilakukan dengan
indikator variabel
(Indikator penyensoran)

Salah satu metode yang paling
penting dalam menangani data
kelangsungan hidup dari satu
atau lebih kelompok adalah
tampilan grafis, yang dikenal
sebagai kurva bertahan
Kaplan-Meier
KURVA SURVIVAL
KAPLAN-MEIER
Untuk membandingkan dua atau
lebih kelompok, dilakukan dengan
menunjukkan kurva survival
masing-masing kelompok pada
grafik yang sama untuk
memperkirakan proporsi
penduduk seperti orang-orang
yang akan bertahan lama pada
waktu tertentu dalam situasi yang
sama.
KURVA SURVIVAL
KAPLAN-MEIER
 UJI LOG-RANK

Uji hipotesis ini

digunakan untuk Uji menggunakan semua informasi
survival yang tersedia, bukan hanya
membandingkan informasi pada satu titik ketika
kelangsungan hidup membandingkan waktu survival atau
pada dua (atau lebih) proporsi bertahan pada waktu tertentu.
kelompok

Pada dasarnya uji ini membandingkan total

Uji log-rank adalah bentuk jumlah kejadian pada masing-masing kelompok
uji chi-square, termasuk dengan jumlah kejadian yang diharapkan jika
dalam non parametrik, tidak tidak ada efek dari pengobatan. Oleh karena
itu, hipotesis nol (H0) adalah bahwa tidak ada
memerlukan asumsi tentang perbedaan dalam kelangsungan hidup antara
distribusi waktu survival kedua kelompok.
 UJI LOG-RANK
Prinsip tes ini untuk membagi skala waktu survival ke dalam interval, sesuai waktu
pengamatan kematian yang berbeda , namun dengan mengabaikan waktu sensor.

Ini berkontribusi terhadap peristiwa yang diharapkan pada masing-masing periode

waktu tersebut kemudian dijumlahkan untuk menghasilkan jumlah kejadian yang
diharapkan untuk kelompok A (adalah E A). Total diharapkan untuk kelompok B (EB ) juga
dihitung, meskipun ini hanya jumlah diamati peristiwa (EA). Ini adalah bagaimana tes log-
rank menggunakan semua kelangsungan hidup yang tersedia Notasi untuk jumlah
kejadian yang diamati dalam kelompok A adalah (OA) untuk kelompok B notasi adalah
(OB). Statistik uji log-rank memiliki satu derajat kebebasan dan dihitung sebagai berikut :
 UJI LOG-RANK

Distribusi Kadar Serum Cotinine dari kedua kelompok Pengamatan ( Perokok

dan Bukan Perokok)
 UJI LOG-RANK

Proporsi pria dengan PJK utama selama bertahun-tahun ditindaklanjuti di masing-masing

kelompok merokok. 'Perokok pasif' mengacu pada konsentrasi cotinine terendah di antara
non-perokok (0-0,7 ng/ml), 'pasif berat' 3 dari 4 kombinasi cotinine (0.8-14.0 ng/ml), dan 'aktif
ringan 'untuk pria merokok 1-9 batang rokok/hari
 REGRESI COX
Pengertian Regresi Cox

• Regresi Cox adalah metode pilihan untuk memodelkan hubungan antara risiko
kejadian yang terjadi dan sejumlah variabel penjelas. Regresi cox merupakan
model regresi yang memperhitungkan waktu hingga peristiwa terjadi.

• Analisis regresi Cox merupakan analisis yang digunakan untuk menganalisa data
waktu kejadian dan untuk mengetahui hubungan waktu kejadian dengan salah satu
variabel bebasnya.
 REGRESI COX
Fungsi Hazard
Fungsi hazard didefinisikan sebagai laju kegagalan dari suatu individu untuk mampu
bertahan setelah melewati waktu yang ditetapkan yang dilambangkan dengan h(t)

Asumsi Proportional Hazard

Asumsi proportional hazard adalah asumsi bahwa probabilitas terjadinya kegagalan
pada suatu objek memiliki rasio yang sama setiap saat.
 REGRESI COX
Model Regresi Cox
ℎ1 𝑡
=2
ℎ0 𝑡

• dimana h0(t) adalah fungsi hazard untuk kelompok A dan h1(t) fungsi hazard untuk
kelompok B.
• Selanjutnya h0(t) adalah fungsi hazard bagi individu yang memiliki nilai nol untuk
semua variable penjelas, dan h1(t) untuk fungsi hazard bagi individu dengan nilai
predictor lainnya. Dapat diasumsikan bahwa h1(t)/ h0(t) tergantung hanya pada
predictor dan tidak berdasarkan waktu (t) karena bersifat konstan dari waktu ke waktu.
 REGRESI COX
Memeriksa Asumsi Proportional Hazard
Terdapat beberapa pendekatan yang dapat digunakan untuk menguji asumsi
proportional hazard yaitu Kurva Kaplan-Meier dan interaction term

Interpretasi Regresi Cox

 Lebih besar dari 1 mengindikasikan bahaya yang meningkat relatif terhadap
bahaya awal.
 Kurang dari 1 menunjukkan bahaya yang berkurang dibandingkan dengan bahaya
awal.
 Sama dengan 1 menunjukkan bahwa bahaya sama dengan bahaya dasar.
 REGRESI COX

Prediksi
• salah satu fungsi dari regresi adalah prediksi. Kuantitas b1 x1 + b2
x2 + bk xk ini dikenal sebagai resiko skor atau prognostik indeks dan
dapat digunakan untuk memprediksi kelangsungan hidup dari kasus
baru dengan mengganti beberapa nilai variabel set tertentu dari
penjelasan menjadi persamaan
 REGRESI COX
Penerapan Cox Regresi

Tabel 8.2.2 Kelompok cotinine dan risiko penyakit jantung koroner (CHD) bahaya rasio
(95 persen cis) untuk 5 tahun tertentu menindaklanjuti periode (meja 3 dari kertas)
 REGRESI COX

Untuk CHD: penyesuaian 1 disesuaikan kota dengan usia,

penyesuaian 2 disesuaikan untuk tekanan darah sistolik, tekanan
darah diastolic, total kolesterol, kolesterol hdl, dan pra-ada chd;
penyesuaian 3 disesuaikan dengan BMI, trigliserida, sel putih,
diabetes, aktivitas fisik ( tidak ada, sesekali, rutin atau lebih ),
asupan alkohol ( tidak ada / sesekali, rutin, berat ), dan kelas
sosial
 Ringkasan : REGRESI COX
• Model regresi Cox memungkinkan penyelidikan terhadap efek simultan dari
beberapa variabel penjelas pada kelangsungan hidup.
• Seperti metode regresi multivariat lainnya, ini memungkinkan penyesuaian
untuk membingungkan dan memperoleh perkiraan efek independen dari
variabel yang kita minati.
• Kita harus dapat mengasumsikan bahwa bahaya sebanding dengan waktu.
Pemeriksaan kurva kelangsungan hidup memungkinkan penilaian apakah
perbedaan bahaya (kira-kira) proporsional setiap saat, tes kunci adalah
bahwa kurva tidak bersilangan.
• Hasil regresi Cox adalah bahaya relatif untuk kejadian tersebut, dan dihitung
dengan mengekspresikan koefisien regresi untuk setiap variabel penjelas
dengan cara yang sama seperti regresi logistik.
 LIFE TABLE
Tabel kehidupan adalah metode untuk mempelajari pola kelangsungan hidup
populasi atau kelompok orang. Pada dasarnya terdapat 2 Metode :

Life Tables saat ini : ini adalah cara tertentu mengungkapkan angka kematian usia
tertentu oleh populasi tertentu, pada periode waktu tertentu. Metode ini telah
banyak digunakan oleh industri asuransi jiwa untuk menilai risiko kematian dari
calon klien, usia tertentu, jenis kelamin, dan demografi berbagai faktor gaya hidup
yang usia-angka kematian spesifik yang tersedia

Life Tables kehidupan kohort : Aplikasi ini memungkinkan kita untuk melihat dan
membandingkan kelangsungan hidup kelompok tertentu (kohort) orang diikuti dari
waktu ke waktu seperti dalam studi kohort atau uji coba. Hal ini dapat digunakan
sebagai alternatif kurva survival Kaplan-Meier. (terutama karena interval waktu
yang konstan bukan ditentukan oleh waktu kejadian
 LIFE TABLE

Secara singkat melihat bagaimana Life Table dihitung. Titik awalnya adalah
usia-spesifik angka kematian untuk x usia. Kami menggunakan ini untuk
menghitung qx, risiko kematian antara usia dan tahun depan usia x + 1,
sebagai berikut:
 LIFE TABLE
• Jadi, kita mulai dengan x = 0, yang merupakan tahun
pertama kehidupan. Tingkat kematian untuk kelompok
usia ini adalah angka kematian bayi (AKB). Karena
sebagian besar kematian pada tahun pertama
kehidupan terjadi sebelum 6 bulan, biasanya untuk
membuat beberapa penyesuaian untuk ini, dan
denominator untuk rumus untuk qx menjadi 1 + 0,7
(AKB)
• Jika kita mengetahui risiko kematian untuk tahun qx,
maka kita bisa menghitung jumlah orang yang
meninggal dalam dx tahun
 Ringkasan : LIFE TABLE

Tabel kehidupan saat ini adalah Perhitungan tabel kehidupan didasarkan

sarana untuk meringkas tingkat pada rate usia spesifik (angka kematian).
kematian (atau lainnya) pada populasi Tabel kehidupan penuh termasuk setiap tahun;
tertentu, pada waktu tertentu. yang diringkas memiliki interval yang lebih
besar.

Karena menggunakan tingkat kematian untuk Informasi tentang setiap usia (atau
periode waktu tertentu, tabel kehidupan tidak kelompok usia dalam tabel ringkasan)
menunjukkan peristiwa kematian sejati kohort disimpan dan disiapkan untuk
orang dari waktu ke waktu. perbandingan

Informasi dari tabel kehidupan

dapat dibandingkan pada
seluruh populasi dengan
menggunakan rate usia spesifik
 LATIHAN PENILAIAN DIRI 8.1.1
Anda harus terbiasa dengan metode penelitian kohort. Untuk membuat
anda yakin, dapat dijelaskan tentang subyek yang diteliti dalam laporan
ini, buat dan sertakan catatan singkat.

• Jawab: Subyek adalah sub sampel laki-laki dari British Heart Study,
penyelidikan prospektif pada pria berusia 40-59, perekrutan diambil dari 24
kota di Inggris. Subsampel untuk analisis ini (n = 4729 diambil dari 18 kota
terakhir, yang termasuk serum sampel (yang kemudian dapat dianalisis untuk
cotinine). Dari orang-orang di kota tersebut, dilaporkan mereka tidak merokok (n
= 2.158: angka ini disediakan dalam kutipan - lihat Bagian 8.1.6) yang dipilih,
tetapi hanya mereka dengan serum cotinine <14,1 ng/ml n=2.105 yang
dimasukkan dalam analisis.
 LATIHAN PENILAIAN DIRI 8.1.1

Hasil apa yang diteliti?

• Jawab: Hasil yang diteliti adalah (a)

kejadian PJK (kematian dan serangan
jantung), dan (b) stroke (kematian dan
stroke ringan).
 LATIHAN PENILAIAN DIRI 8.1.1
Bagaimana paparan terhadap perokok pasif ditentukan? Berikan
komentar terkait validitas pada penilaian ini?

• Jawab: Dengan tingkat serum cotinine. Cotinine adalah metabolit nikotin, dan
merupakan indikator 'sensitif dan spesifik'paparan asap tembakau (definisi dan
interpretasi istilah sensitivitas dan spesifisitas yang dibahas dalam Bab 10).
Meskipun indikator itu merupakan indikator yang baik untuk riwayat paparan
asap tembakau, pengukuran tunggal akan menjadi kurang akurat dari waktu ke
waktu karena adanya perubahan paparan asap tembakau pada laki-laki
 LATIHAN PENILAIAN DIRI 8.1.1
Dapatkah Anda melihat mengapa analisis survival akan sesuai
dengan penyidikan ini? Apakah penelitian tim memiliki informasi
tentang 'waktu untuk kejadian yang menarik perhatian?

• Jawab: Tim peneliti tidak memiliki informasi yang tepat

antara waktu survei dasar (perekrutan) dengan kejadian,
karena itu dibutuhkan waktu survival. Pada keadaan ini,
analisis survival merupakan metode yang tepat.
 LATIHAN PENILAIAN DIRI 8.1.2
• Pada contoh (Tabel 8.1.1), berapa banyak
dari (a) intervensi (pengobatan baru) dan
(b) kelompok kontrol disensor? Apa alasan
yang mungkin untuk perbedaan ini?
• Jawab: Sebanyak 14 pengamatan
kelompok intervensi dan sebanyak enam
pengamatan kelompok kontrol yang
disensor. Kemungkinan alasan untuk
perbedaan ini meliputi: (i) kelangsungan
hidup yang lebih baik di antara subyek
intervensi, berarti bahwa orang-orang ini
lebih cenderung untuk mencapai akhir dari
periode follow uo mereka tanpa
mengalami kejadian hasil (kekambuhan)
dan (ii) mungkin ada yang hilang dari
follow up diantara subyek intervensi.
 LATIHAN PENILAIAN DIRI 8.1.2
Gunakan Gambar 8.1.2 untuk memperkirakan waktu rata-rata
kambuh dan sembuh pada kedua kelompok.

Jawab: Pada kurva Kaplan-Meier (lihat gambar), kami

membentuk garis horizontal di grafik dari probabilitas =
0,5. Dimana baris ini memotong kurva untuk (a) kelompok
kontrol dan (b) kelompok intervensi, kami membentuk garis
vertikal ke sumbu x (waktu survival). Ini memberikan nilai
sekitar 15 (kontrol) dan 32 (intervensi). Hal ini terbukti
ketika dihitung dalam SPSS: nilai median (dengan 95 persen
CI) pada perlakuan kontrol = 15 (3.9, 26.1); pada
pengobatan baru, median = 32 (16,4, 47,6).
 LATIHAN PENILAIAN DIRI 8.1.2
Apa proporsi dari (a) kelompok kontrol dan (b)
mereka yang dirawat dengan pengobatan baru
diperkirakan bertahan sampai 30 bulan?
• Jawab: Kita melihat garis vertikal naik sampai 30 bulan dan
melihat di mana hal ini memotong dua kurva (dan kemudian
membentuk garis horizontal melewati sumbu-y, disebut
probabilitas survival). Untuk kelompok kontrol kira-kira
sebesar 0,13 (13 persen) dan untuk kelompok intervensi
sebesar 0,55 (55 persen).
 LATIHAN PENILAIAN 8.1.3

• Jawab:
Sarana geometris digunakan
Mengapa sarana geometris karena distribusi tingkat cotinine
digunakan untuk tersebut benar miring secara nyata,
perbandingan tingkat cotinine dan ini dinormalisasi dengan
pada mantan perokok dan transformasi log. Penggunaan
tidak pernah merokok? transformasi untuk data miring dan
penafsiran sarana geometris
dibahas lebih rinci pada Bab 11
 LATIHAN PENILAIAN 8.1.3
Mengapa Anda berpikir mantan perokok mungkin memiliki
tingkat cotinine yang lebih tinggi dibandingkan orang yang
seumur hidup tidak pernah merokok?
• Jawab: Dilaporkan sendiri mantan perokok dapat memiliki tingkat cotinine
yang lebih tinggi jika mereka masih merokok beberapa batang rokok,
meskipun menurut survei sementara pada 5 dan 12 tahun, hampir semua
(99) dilaporkan mereka bukan perokok. Selain itu mantan perokok lebih
mungkin memiliki hubungan sosial di tempat kerja dengan perokok
daripada yang tidak merokok.

Apa jenis grafik pada Gambar 8.1.4?

• Jawab: Gambar 8.1.4 adalah kurva Kaplan-Meier.
 LATIHAN PENILAIAN DIRI 8.1.3
Apakah ada kemungkinan menderita PJK setelah 10 tahun untuk
(a) perokok pasif dan (b) berat merokok pasif? Dapatkah Anda
menentukan probabilitas median kejadian PJK?

• Jawab: Kemungkinan menderita PJK setelah 10 tahun untuk (a) perokok

pasif adalah sekitar 0,04 (4 persen), (b) untuk perokok pasif berat, itu
adalah sekitar 0.085 (8,5 persen). Hal ini tidak mungkin untuk membaca
rata-rata probabilitas peristiwa CHD dari kurva Kaplan-Meier, sebagai
probabilitas tidak melebihi 0,5: kemungkinan peristiwa CHD setelah 20
tahun di antara kelompok paparan tertinggi hanya di bawah 0,2.
 LATIHAN PENILAIAN DIRI 8.1.3

Tafsirkan hasil tes log-rank (hasil kiri atas

Gambar 8.1.4)

• Jawab: Hasil dari uji log-rank (hasil kiri atas Gambar 8.1.4)
adalah p=0 002, sebuah temuan yang sangat signifikan. Hal
ini menunjukkan bahwa kita dapat menolak hipotesis nol tidak
ada perbedaan dalam kelangsungan hidup antara kelompok
yang diteliti (perokok pasif, perokok pasif berat, perokok
aktif). Sejak dua kurva terakhir berdekatan dan memotong ,
hal itu menjadi perbedaan yang penting antara perokok pasif
dan kelompok lain.
 LATIHAN PENILAIAN DIRI 8.1.3
Jawab: Kurva pada Gambar 8.1.4
dimulai pada probabilitas 0,0
karena penelitian ini melihat
Mengapa kurva pada Gambar
kemungkinan mengalami suatu
8.1.4 di mulai pada probabilitas
peristiwa, bukan menghindarinya
0,0, sedangkan contoh kami
(yaitu bertahan hidup tanpa
dalam kasus kanker (Gambar
kambuh), seperti dalam contoh
8.1.2) dimulai pada probabilitas
kasus kanker. Pada awal follow up,
1,00?
tidak ada laki-laki memiliki
peristiwa baru, maka, probabilitas
adalah 0,0.
 LATIHAN PENILAIAN DIRI 8.1.4
Buatlah daftar kriteria yang mendefinisikan pasien yang
dilibatkan dalam penelitian ini.

Jawab: Kriteria yang mendefinisikan pasien dilibatkan dalam penelitian ini adalah:
• direkrut dari 23 pusat di Inggris, Irlandia dan Afrika Selatan;
• tidak dapat dioperasi (tidak mungkin untuk dilakukan pembedahan) bukan sel
kanker paru-paru;
• tidak ada, atau hanya sedikit, gejala toraks (dada);
• ada indikasi kuat untuk radioterapi segera;
• status kinerja dari setiap klasifikasi WHO;
• tidak bermetastatik atau metastasis penyakit (yaitu, pasien yang kankernya telah
menyebar di luar paru-paru (metastasis), dan mereka yang kankernya belum
menyebar (tidak bermetastatis) dimasukkan);
• tidak cocok untuk radioterapi radikal dengan tujuan kuratif.
 LATIHAN PENILAIAN DIRI 8.1.4
Apa hasil (a) primer dan (b)
kejadian sekunder yang menarik?

• Jawab: Hasil Primer: pasien hidup atau tanpa batuk yang

sedang sampai parah, nyeri dada, hemoptisis (batuk darah),
atau dispnea (sesak napas) 6 bulan setelah uji coba secara
acak, sebagaimana dicatat oleh dokter. Hasil sekunder: kualitas
hidup, efek samping, kelangsungan hidup.
 LATIHAN PENILAIAN DIRI 8.1.4
Dari kurva Kaplan-Meier (Gambar 8.1.6), apa 'waktu survival' (a) median dan (b)
kemungkinan bertahan sampai 12 bulan untuk dua kelompok? (Perkiraan tunggal cukup
sebagai kurva yang tidak berbeda). Apakah jawaban Anda setuju dengan angka-angka
untuk dua kelompok yang terdapat dalam abstrak?

• Jawab: Grafik Kaplan-Meier adalah grafik kelangsungan hidup (tidak mati), salah satu
hasil sekunder. Grafik yang disajikan yaitu persentase pasien yang masih hidup, di mana
100 persen setara dengan probabilitas 1,0. Sebagai hasil dari angka kematian yang
sangat tinggi (survival rendah), kemungkinan bertahan hidup turun hingga di bawah 50
persen selama penelitian, dan karena itu memungkinkan untuk membaca rata-rata angka
kelangsungan hidup dari grafik (tidak seperti di kertas A). Hasil dalam abstrak adalah (a)
median 8,3 dan 7,9 masing-masing untuk mendesak dan tertunda, dan (b) 31 dan 29
persen masing-masing bertahan hidup di 12 bulan. Hasil ini konsisten dengan mereka
yang Anda akan membaca kurva Kaplan-Meier.
 LATIHAN PENILAIAN 8.1.4
• Jawab: Sebuah rasio bahaya untuk
kelangsungan hidup 0,95 dengan CI 95
Rasio bahaya persen 0,73-1,24 p=0,71 menyiratkan
(lihat abstrak) bahwa subyek yang menerima radioterapi
dilaporkan langsung memiliki 5 persen risiko kematian
lebih rendah, tapi karena 95 persen CI
sebanyak 0,95, termasuk 1,0 tidak ada bukti kuat bahwa
dengan 95 temuan ini adalah sesuatu selain kebetulan.
persen CI 0,73- Nilai p dari 0,71 konsisten dengan
1,24 (p=0,71). kesimpulan ini. Oleh karena itu kita tidak
dapat menolak hipotesis nol tidak ada
manfaat dari survival.
 LATIHAN PENILAIAN 8.2

Dapatkah anda menjelaskan mengapa regresi cox,

digunakan daripada regresi logistik, untuk analisis studi ini.

• Jawab: Waktu untuk data kejadian yang tersedia dari

regresi Cox membentuk sebagian besar informasi ini. Regresi
logistik bisa digunakan untuk kepadatan kejadian (kejadian
PJK / orang tahun), tapi ini tidak akan menjadi penggunaan
data yang paling efisien. Regresi Cox kini umum digunakan
dalam analisis studi prospektif karena alasan tersebut.
 LATIHAN PENILAIAN 8.2
Asumsi-asumsi apa yang harus dipenuhi
sebelum menerapkan regresi Cox? Apakah
persyaratan ini terpenuhi? Anda harus lihat
Gambar 8.1.4 (Gambar 2 dari paper A), lebih
lengkap dalam Bagian 8.1.6

• Jawab: Kurva Kaplan-Meier pada Gambar 8.1.4 tidak memotong

(setidaknya tidak untuk mereka perokok pasif ringan dan berat, yang
merupakan kurva dengan tujuan utama untuk analisis ini). Namun, kita
tahu dari kurva dan khususnya dari analisis follow up selama periode 5
tahun pada Tabel 8.2.2, bahwa proporsional bahaya tidak tetap selama
20 tahun. Melakukan regresi cox secara terpisah untuk setiap periode 5
tahun, bagaimanapun, mengatasi kekhawatiran tentang asumsi tidak
terpenuhi sepanjang periode 20 tahun.
 LATIHAN PENILAIAN 8.2
Pada Tabel 8.2.2 (Tabel 3 dari paper A), hasil bagi perokok pasif diamati dengan
penyesuaian, model 2 untuk periode follow-up 10-14 tahun, adalah 1,10 (0,63-
1,95). Tafsirkan hasil ini, catat faktor pembaur yang telah dimasukkan ke dalam
model.
•
• Jawab: Interpretasi: terjadi peningkatan 10 persen pada bahaya relatif (risiko
PJK jika terpapar kepada perokok pasif dengan cotinine di atas 0,7 ng / ml
dibandingkan dengan kurang dari 0,7 ng / ml), tetapi 95 persen CI cukup luas
dan mencakup 1,00, sehingga hal ini menjadi hasil yang tidak signifikan.
Penyesuaian 2, selain stratifikasi untuk kota dan penyesuaian usia, termasuk
tekanan darah sistolik, tekanan darah diastolik, kolesterol total, high-density
lipoprotein kolesterol, FEV1 (ukuran fungsi paru-paru), tinggi, dan sudah ada
sebelumnya CHD.
 LATIHAN PENILAIAN 8.2
• Jawab: Beberapa tanggapan tentang hal ini dapat
Mengapa Anda ditemukan dalam makalah, di bagian Diskusi. Hal
ini menganggap efek bergantung pada ukuran
pikir rasio hazard
dasar tunggal cotinine untuk menggambarkan
yang tertinggi paparan perokok pasif selama (hingga) 20 tahun
untuk periode 5 ke depan. Dengan pola perubahan merokok
tahun pertama (misalnya, subyek berhenti, dan mengembangkan
follow up dan pembatasan merokok di tempat kerja, di
penurunan transportasi umum dan di tempat umum) dan
sesudahnya? kesadaran umumnya lebih besar dari bahaya
perokok pasif, kemungkinan bahwa banyak dari
orang-orang ini akan telah mengalami perubahan
besar terhadap paparan mereka sebagai perokok
pasif selama periode follow up.