Asumsi Proportional Hazard (PH) Cox dalam Analisis Cure Rate Penderita Kanker Payudara
Main Article Content
Abstract
Cure models merupakan model survival yang dikembangkan untuk estimasi proporsi pasien yang sembuh (cure) dalam studi klinik. Model ini selain digunakan untuk mengestimasi proporsi pasien yang sembuh juga digunakan untuk mengestimasi probabilitas survival pasien yang tak sembuh sampai pada batas waktu yang diberikan Oleh karena itu model ini dinamakan model mixture. Peluang untuk sembuh, yang biasanya dikenal dengan cure rate atau surviving fraction, didefinisikan sebagai nilai asimtotik dari fungsi survival untuk t (waktu) menuju tak hingga Untuk mengestimasi parameter tak diketahui dalam model mixture digunakan algoritma EM, yang meliputi 2 langkah yaitu: E-step dan M-step. Pada algoritma EM, E-step menghitung ekspekstasi fungsi log likelihood untuk estimasi fungsi densitas, fungsi survival dan proporsi pasien yang tak sembuh. Sedangkan M-step memuat maksimasi fungsi likelihood terkait dengan estimasi fungsi densitas, fungsi survival dan proporsi pasien yang tak sembuh. Baseline survival function tidak dapat dieliminasi secara lengkap pada algoritma EM. Untuk estimasi baseline survival function digunakan asumsi proportional hazard (PH) sebagaimana yang digunakan dalam model PH Cox. Baseline survival ini digunakan untuk menghitung survival rate pada waktu tertentu dan sesuai karakteristik tertentu. Demikian juga untuk menghitung hazard rate pada waktu tertentu dan sesuai karakteristik tertentu, ditentukan baseline hazard function terlebih dahulu berdasar asumsi PH.
Article Details
References
Cantor, A.B, and Shuster, J.J. 1992. Perametric Versus Noparametric Methods for Cure Rates Based on Censored Survival Data. Statistics in Medicine. Vol. 11: 931-937
Cox, D.R. and Oakes,D. 1972. Analysis of Survival Data. New York: Chapman and Hall.
Farewell, V.T.1982. The use ofmixture models for analysis of survival data with long-term survivors. Biometrics 38, 1041 - 1046.
Farewell, V.T. 1986. Mixture models in survival analysis. Are they worth the risk ? The Canadian Journal of Statistics 14, 257 - 262.
Ghitany, M.E., Maller, R.A., and Zhou, S. 1994. Exponential mixture models with long-term survivor and covariates. Journal of Multivariate Analysis 49, 218-241.
Jones, D.R., Powles, R.L., Machin, D., and Sylvester, R.J. 1981. On Estimating the proportion of cured patients in clinical studies. Biometrie-Praximetrie 21, 1-11.
Kuk, A.Y and Chen, C. 1992. A mixture model combining logistic regression and life model. Biometrika 79, 531-541.
Lee, Elisa T. 1980. Statistical Methods for Survival Data Analysis. Department of Biostatistics and Epidemiology School of Public Health University of Oklahoma Lifetime Learning Publication Belmont. California
Taylor, J.M.G. 1995. Semi-parametric Estimation in Failure-Time Mixture Models. Biometrics. Vol.51: 899-907