Asumsi Proportional Hazard (PH) Cox dalam Analisis Cure Rate Penderita Kanker Payudara

Main Article Content

Nurkaromah Dwidayati

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

How to Cite
Dwidayati, N. (2016). Asumsi Proportional Hazard (PH) Cox dalam Analisis Cure Rate Penderita Kanker Payudara. PRISMA, Prosiding Seminar Nasional Matematika, 403-417. Retrieved from https://journal.unnes.ac.id/sju/prisma/article/view/21446
Section
Articles

References

Boag, J.W.1949. Maximum likelihood estimates of the proportion of patients cured by cancer therapy. Journal of the Royal Statistical Society 11, 15-53

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