UAS Survival Model

~ Kasus Penerapan Survival Model ~

Contoh kasus yang ingin saya terapkan menggunakan survival model adalah memprediksi Kelangsungan Hidup Pasien Kanker.
Langkah 1: Persiapan Data
Mulailah dengan memuat paket “survival” di R untuk menerapkan survival model. Selanjutnya, siapkan data pasien kanker yang berisi informasi seperti umur, jenis kelamin, jenis kanker, status kelangsungan hidup, dan waktu kelangsungan hidup.

library(survival)

# Data pasien kanker
data <- data.frame(
  umur = c(55, 62, 70, 48, 67),
  jenis_kelamin = c("L", "P", "P", "L", "P"),
  jenis_kanker = c("Kolon", "Paru-paru", "Payudara", "Paru-paru", "Kolon"),
  status_hidup = c(1, 0, 1, 1, 0),
  waktu_hidup = c(1200, 500, 1500, 800, 1000)
)
data

Langkah 2: Membuat Objek Survival
Selanjutnya, buat objek survival menggunakan fungsi Surv() dari paket “survival”. Objek ini akan digunakan sebagai variabel respons dalam model survival.

# Membuat objek survival
surv_obj <- with(data, Surv(waktu_hidup, status_hidup))
surv_obj

## [1] 1200   500+ 1500   800  1000+

Langkah 3: Membangun Model Survival
Selanjutnya, kita dapat membangun model survival menggunakan fungsi coxph() dari paket “survival”. Dalam contoh ini, kita akan menggunakan model Cox proporsional untuk memprediksi kelangsungan hidup pasien berdasarkan umur, jenis kelamin, dan jenis kanker.

# Membangun model survival (Cox proportional hazard model)
model <- coxph(surv_obj ~ umur + jenis_kelamin + jenis_kanker, data = data)
summary(model)

## Call:
## coxph(formula = surv_obj ~ umur + jenis_kelamin + jenis_kanker, 
##     data = data)
## 
##   n= 5, number of events= 3 
## 
##                             coef  exp(coef)   se(coef)      z Pr(>|z|)
## umur                  -5.668e+00  3.455e-03  1.853e+03 -0.003    0.998
## jenis_kelaminP         6.698e+01  1.222e+29  2.910e+04  0.002    0.998
## jenis_kankerParu-paru -1.761e+01  2.241e-08  5.306e+04  0.000    1.000
## jenis_kankerPayudara  -2.596e+00  7.457e-02  3.031e+04  0.000    1.000
## 
##                       exp(coef) exp(-coef) lower .95 upper .95
## umur                  3.455e-03  2.894e+02         0       Inf
## jenis_kelaminP        1.222e+29  8.184e-30         0       Inf
## jenis_kankerParu-paru 2.241e-08  4.462e+07         0       Inf
## jenis_kankerPayudara  7.457e-02  1.341e+01         0       Inf
## 
## Concordance= 1  (se = 0 )
## Likelihood ratio test= 4.16  on 4 df,   p=0.4
## Wald test            = 0  on 4 df,   p=1
## Score (logrank) test = 3.67  on 4 df,   p=0.5

Setelah membangun model, kita dapat mengevaluasi koefisien model dan signifikansi statistiknya. Fungsi summary() digunakan untuk melihat hasil ringkasan model.