ANALISIS KURVA SURVIVAL PADA TITIK WAKTU TERTENTU DENGAN MENGGUNAKAN KINERJA DARI TES NAIF DAN BEBERAPA TES ALTERNATIFNYA

ASTRI MARDHIKA PUTRI S., Dr. Danardono, MPH, Ph.D ; Widya Irmaningtyas, S.Si., M.Sc

2017 | Skripsi | S1 STATISTIKA

Masalah umum yang sering dihadapi pada praktik medis adalah perbandingan dari kurva survival. Perbandingan tersebut seringkali dilakukan tidak di keseluruhan kurva, melainkan hanya difokuskan pada perbandingan di titik waktu tertentu saja. Pada kebanyakan kasus, perbandingan ini menggunakan tes naif yang berdasarkan pada perbedaan estimasi fungsi survival. Dalam penulisan ini, akan diuji kinerja dari tes alternatif terhadap tes naif. Termasuk diantaranya yaitu beberapa tes yang berdasarkan transformasi fungsi survival dan tes yang berdasarkan Generalized Linear Model (GLM) untuk pengamatan semu. Pendekatan nilai-semu juga dapat diterapkan pada analisis regresi survival pada titik waktu tertentu yang lebih mendetail. Metode-metode dalam penulisan ini diilustrasikan melalui penelitian yang membandingkan kelangsungan hidup antara tipe pengemudi yang kebiasaan mengonsumsi alkohol dengan yang tidak mengonsumsi alkohol dari suatu kecelakaan lalu lintas di Amerika Serikat.

A common problem encountered in many medical applications is the comparison of survival curves. Often, rather than comparison of the entire survival curves, interest is focused on the comparison at a fixed point in time. In most cases, the naive test based on a difference in the estimates of survival is used for this comparison. In this note, we examine the performance of alternatives to the naive test. These include tests based on a number of transformations of the survival function and a test based on a generalized linear model for pseudo-observations. The pseudo-value approach is also applicable in more detailed regression analysis of the survival probability at a fixed point in time. The methods in this essay are illustrated on a the study comparing survival probability between alcoholics and non-alcoholics drivers of a traffic accident in United State.

Kata Kunci : transformasi menstabilkan variansi, estimator Kaplan–Meier, data tersensor, Generalized Linear Models (GLM), pendekatan nilai-semu / variance stabilizing transformation, Kaplan–Meier estimators, censored data, Generalized Linear Models (GL