1 PENDAHULUAN

1.1 Latar Belakang

Kesehatan merupakan salah satu sumber daya yang dimiliki oleh seluruh orang. Namun, kesehatan bukanlah suatu tujuan hidup yang harus dicapai. Kesehatan tidak hanya dari faktor fisik yang bugar tetapi juga jiwa yang sehat (Robert.H.Brook, 2017:585). Menurut World Health Organization (WHO), pada tahun 2011 terdapat lebih dari 55 juta orang meninggal dunia. Beberapa penyebab dari kematian seseorang tertinggi di dunia adalah jantung koroner, stroke, infeksi saluran pernafasan bawah, diare, penyakit paru obstruktif kronik, HIV/AIDS, kanker paru-paru, diabetes militus, prematuritas, serta kecelakaan lalu lintas (Kusumawardhani, 2014). CVA (CerebroVaskuler Accident) Infark adalah sebuah kondisi dimana terdapat kerusakan jaringan di otak yang diakibatkan kurangnya suplai oksigen dan terhambatnya aliran darah ke bagian tersebut. Istilah tersebut bisa disebut juga dengan stroke. Pengaruh seseorang yang mengidap penyakit ini adalah kehilangan fungsi motorik, sensibilitas dan hilangnya kesadaran. Penyakit ini termasuk salah satu penyebab kematian terbesar di dunia yang dialami orang dewasa. Menurut American Heart Association pada tahun 2010, terdapat 8.5 juta orang yang terkena penyakit ini dan sebanyak 7.2 juta kematian terjadi akibat penyakit ini. Berdasarkan penelitian pada 622 pasien infark miokard akut yang terdapat pada Tripoli Medikal Center Libia, kebanyakan dari mereka memiliki penyakit bawaan seperti hipertensi. Sebanyak 35,7% pasien yang memiliki riwayat hipertensi mengalami infark miokard akut. Tekanan darah yang terlalu tinggi dapat mengakibatkan kerusakan pembuluh darah arteri yang secara perlahan pembuluh darah tersebut mengalami pengerasan yang dapat menyebabkan terjadinya oklusi koroner. Berdasarkan uraian sebelumnya, ingin diketahui beberapa faktor yang dapat mempengaruhi lama rawat pasien pendrita CVA Infark diantaranya adalah umur, jenis kelamin, diagnosis, kolesterol LDL, kolesterol HDL, dan tekanan darah. Umur digunakan karena setiap usia memiliki daya tahan tubuh yang berbeda beda. Jenis kelamin digunakan karena terdapat perbedaan hormon antara laki-laki dan perempuan. Diagnosis sebagai pertimbangan level keparahan yang diderita pasien. Kolesterol LDL adalah kolesterol jahat yang dapat menyebabkan pembentukan ateroma. Kolesterol HDL merupakan kolesterol baik yang berfungsi untuk mencegah terjadinya ateroma atau penyempitan pembuluh darah yang diakibatkan oleh lemak. Sedangkan tekanan darah dapat mempengaruhi pembuluh darah arteri yang apabila terlalu tinggi dapat menyebabkan kerusahan.

1.2 Tujuan

Tujuan dari penelitian ini adalah untuk mengetahui pengaruh umur, jenis kelamin, diagnosis, kolesterol LDL, kolesterol HDL, dan tekanan darah terhadap lama rawat pasien CVA Infark.

1.3 Data

Data dalam penelitian ini menggunakan data sekunder yaitu data pasien penderita CVA Infark yang berisi umur, jenis kelamin, diagnosis, kolesterol LDL, kolesterol HDL, tekanan darah, status, dan lama rawat dengan keterangan sebagai berikut : X1 = Umur X2 = Jenis Kelamin X3 = Diagnosis X4 = Kolesterol HDL X5 = Kolesterol LDL X6 = Tekanan Darah Data tersebut terdiri dari data kategorik dan data numerik. Data kategorik berisi variabel umur, jenis kelamin, diagnosis, koleseterol LDL, kolesterol HDL, tekanan darah, dan status. Data numerik berisi variabel lama rawat. Dalam menganalisis data menggunakan Software RStudio. Adapun langkah - langgkah analisis dalam penelitian ini adalah sebagai berikut :
-Analisis Deskriptif
-Pengujian Asumsi proportional dengan menggunakan uji GOF
-Membentuk model regresi cox proportional hazard
-Interpretasi nilai hazard ratio

2 SOURCE CODE

2.1 Library yang Dibutuhkan

> library(survminer)
> library(survival)

2.2 Mengimport Data

> library(readxl)
> data_tbp <- read_excel("D:/Laptop Lama/FIle Berguna/Semester 6/Analisis Survival/TBP/dummy CVA.xls")

2.3 Mendefinisikan Variabel

> data_tbp$Umur <- as.factor(data_tbp$Umur)
> data_tbp$`Jenis kelamin` <- as.factor(data_tbp$`Jenis kelamin`)
> data_tbp$Diagnosis <- as.factor(data_tbp$Diagnosis)
> data_tbp$D1 <- as.factor(data_tbp$D1)
> data_tbp$D2 <- as.factor(data_tbp$D2)
> data_tbp$D3 <- as.factor(data_tbp$D3)
> data_tbp$`Kolesterol HDL` <- as.factor(data_tbp$`Kolesterol HDL`)
> data_tbp$`Kolesterol LDL` <- as.factor(data_tbp$`Kolesterol LDL`)
> data_tbp$`Tekanan darah` <- as.factor(data_tbp$`Tekanan darah`)
> data_tbp$`Lama rawat` <- as.numeric(data_tbp$`Lama rawat`)

Pada bagian ini kovariat kovariat dengan tipe data kategorik didefinisikan dengan fungsi as.factor dan kovariat dengan tipe data numerik didefinisikan dengan fungsi as.numeric.

2.4 Uji GOF dan Cox PH

> cph <- coxph(Surv(`Lama rawat`,Status)~Umur+`Jenis kelamin`+Diagnosis
+              +`Kolesterol HDL`+`Kolesterol LDL`+`Tekanan darah`,data_tbp)
> summary(cph)
Call:
coxph(formula = Surv(`Lama rawat`, Status) ~ Umur + `Jenis kelamin` + 
    Diagnosis + `Kolesterol HDL` + `Kolesterol LDL` + `Tekanan darah`, 
    data = data_tbp)

  n= 69, number of events= 37 

                      coef exp(coef) se(coef)      z Pr(>|z|)  
Umur1             -1.90104   0.14941  1.01937 -1.865   0.0622 .
`Jenis kelamin`1  -0.02532   0.97499  0.43835 -0.058   0.9539  
Diagnosis2         2.47683  11.90348  1.20711  2.052   0.0402 *
Diagnosis3         2.10055   8.17067  1.13066  1.858   0.0632 .
Diagnosis4         2.11807   8.31508  0.99161  2.136   0.0327 *
`Kolesterol HDL`1 -0.77013   0.46295  0.49577 -1.553   0.1203  
`Kolesterol LDL`1  1.05478   2.87135  0.75836  1.391   0.1643  
`Tekanan darah`1   1.42647   4.16397  0.62335  2.288   0.0221 *
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

                  exp(coef) exp(-coef) lower .95 upper .95
Umur1                0.1494    6.69282   0.02026     1.102
`Jenis kelamin`1     0.9750    1.02565   0.41293     2.302
Diagnosis2          11.9035    0.08401   1.11733   126.813
Diagnosis3           8.1707    0.12239   0.89092    74.933
Diagnosis4           8.3151    0.12026   1.19072    58.066
`Kolesterol HDL`1    0.4630    2.16004   0.17520     1.223
`Kolesterol LDL`1    2.8714    0.34827   0.64948    12.694
`Tekanan darah`1     4.1640    0.24016   1.22718    14.129

Concordance= 0.669  (se = 0.052 )
Likelihood ratio test= 15.62  on 8 df,   p=0.05
Wald test            = 14.61  on 8 df,   p=0.07
Score (logrank) test = 13.83  on 8 df,   p=0.09
> 
> goftest <- cox.zph(cph)
> print(goftest)
                 chisq df     p
Umur             2.123  1 0.145
`Jenis kelamin`  0.766  1 0.381
Diagnosis        1.488  3 0.685
`Kolesterol HDL` 2.809  1 0.094
`Kolesterol LDL` 0.786  1 0.375
`Tekanan darah`  0.047  1 0.828
GLOBAL           5.430  8 0.711

Pada bagian ini dilakukan uji asumsi Cox PH dengan pendekatan Goodness of Fit Test dengan fungsi cox.zph. Lalu uji Cox ph dilakukan dengan fungsi coxph dan menampilkan rincian hasil uji dengan fungsi summary.

3 HASIL DAN PEMBAHASAN

3.1 Statistika Deskriptif

Pada bagian ini dipaparkan hasil dari statistika deskriptif dari data survival. Data survival yang digunakan terdiri dari data kategori dan data numerik. Untuk data kategori terdiri dari variabel umur, jenis kelamin, diagnosis, kolesterol LDL, kolesterol HDL, tekanan darah, dan status, sedangkan data numerik terdiri dari variabel lama rawat. Untuk variabel status dikategorikan menjadi dua yaitu status sembuh dan tidak sembuh.

Jenis Kelamin Sembuh Tidak Sembuh Total
Laki - laki 23 14 37
Perempuan 14 18 32

Terlihat pada tabel, pasien laki - laki lebih banyak dari pasien perempuan dengan laki - laki sebanyak 37 orang dan perempuan sebanyak 32 orang. Dari tabel juga dapat disimpulkan bahwa pasien laki - laki lebih banyak yang sembuh daripada pasien perempuan.

Umur Sembuh Tidak Sembuh Total
<45 tahun 35 31 66
“>= 45 tahun” 2 1 3

Terlihat pada tabel, pasien berumur di bawah 45 tahun lebih banyak daripada pasien yang berumur di atas 45 tahun. Dari tabel juga dapat disimpulkan bahwa pasien yang berumur di bawah 45 tahun lebih banyak yang sembuh daripada pasien yang berumur di atas 45 tahun.

Diagnosis Sembuh Tidak Sembuh Total
Komplikasi DM 2 5 7
Komplikasi Hipertensi 3 3 6
Komplikasi lebih dari 1 penyakit 5 2 7
Tanpa komplikasi 27 22 49

Terlihat pada tabel, pasien tanpa komplikasi lebih banyak dari pasien dengan komplikasi lainnya. Dari tabel juga dapat disimpulkan pasien yang sembuh didominasi oleh pasien dengan diagnosis tanpa komplikasi.

Kolesterol LDL Sembuh Tidak Sembuh Total
<100 mg/dl 34 31 65
“>= 100 mg/dl” 3 1 4

Terlihat pada tabel, pasien dengan kolesterol LDL di bawah 100 mg/dl lebih banyak dari pasien dengan kolesterol LDL di atas 100 mg/dl. Dari tabel juga dapat disimpulkan pasien yang sembuh didominasi oleh pasien dengan kolesterol LDL di bawah 100 mg/dl.

Kolesterol HDL Sembuh Tidak Sembuh Total
<40 mg/dl 25 21 46
“>= 40 mg/dl” 12 11 23

Terlihat pada tabel 5 pasien dengan kolesterol HDL di bawah 40 mg/dl lebih banyak dari pasien dengan kolesterol HDL di atas 40 mg/dl. Dari tabel juga dapat disimpulkan bahwa pasien yang sembuh didominasi oleh pasien dengan kolesterol HDL di bawah 40 mg/dl.

Kolesterol HDL Sembuh Tidak Sembuh Total
<140 mg/dl 31 28 49
“>= 140 mg/dl” 6 4 10

Terlihat pada tabel, pasien dengan tekanan darah di bawah 140 mg/dl lebih banyak dari pasien dengan tekanan darah di atas 140 mg/dl. Dari tabel juga dapat disimpulkan bahwa pasien yang sembuh didominasi oleh pasien dengan tekanan darah di bawah 140 mg/dl.

Variabel Minimum Maksimum Mean
Lama Rawat 3 53 15.81

Terlihat pada tabel, rata - rata lama rawat pasien sebesar ~16 hari dengan lama rawat terkecil selama 3 hari dan lama rawat terbesar selama 53 hari.

3.2 Pengujian Asumsi Proportional Hazard

Berikut ini merupakan hasil pengujian asumsi PH dengan menggunakan uji GOF.

Variabel Nilai - p Keputusan
X1 0.145 Gagal tolak H0
X2 0.381 Gagal tolak H0
X3 0.685 Gagal tolak H0
X4 0.094 Gagal tolak H0
X5 0.375 Gagal tolak H0
X6 0.828 Gagal tolak H0

Berdasarkan tabel, dapat dilihat bahwa nilai p-value semua variabel lebih kecil alpha (0.05) maka dapat menghasilkan keputusan gagal tolak H0 sehingga tidak terdapat korelasi yang besar antara variabel umur, jenis kelamin, kolesterol LDL, kolesterol HDL, tekanan darah dengan waktu survival. Dengan demikian dapat dilanjutkan dengan memodelkan menggunakan regresi cox proportional hazard.

3.3 Pemodelan Regresi Cox Proportional Hazard

Berikut ini merupakan hasil pengujian signifikansi parameter.

Variabel Estimasi Parameter Nilai - p Keputusan
X1 (1) -1.90104 0.0622 Gagal tolak H0
X2 (1) -0.02532 0.9539 Gagal tolak H0
X3 (2) 2.47683 0.0402 Tolak H0
X3 (3) 2.10055 0.0632 Gagal tolak H0
X3 (4) 2.11807 0.0327 Tolak H0
X4 (1) -0.77013 0.1203 Gagal tolak H0
X5 (1) 1.05478 0.1643 Gagal tolak H0
X6 (1) 1.42647 0.0221 Tolak H0

Berdasarkan tabel di atas, nilai - p variabel X3(2), X3(4), dan X6(1) berturut - turut adalah 0.0402, 0.0327, 0.0221 lebih besar dari alpha (0.05) maka dapat menghasilkan keputusan tolak H_0 yang artinya secara parsial diagnosis (komplikasi hipertensi), diagnosis (tanpa komplikasi), dan tekanan darah berpengaruh terhadap waktu lama rawat. Selanjutnya berdasarkan tabel, dapat dibentuk model regresi cox proportional hazard yakni sebagai berikut :

\[ h(t)=h_0(t)\exp(-1.90104X_1 (1)-0.02532X_2 (1)+2.47683X_3 (2)+2.10055X_3 (3)+2.11807X_3 (4)-0.77013X_4 (1)+1.05478X_5 (1)+1.42647X_6 (1)) \]

3.4 Interpretasi nilai Hazard Ratio

Berdasarkan hasil uji yang telah dilakukan, dapat diperoleh nilai hazard ratio untuk variabel yang berpengaruh secara signifikan terhadap waktu lama rawat yakni sebagai berikut :

  • Nilai hazard ratio diagnosis (2) sebesar e^2.47683=11.9035 yang artinya pasien dengan diagnosis (komplikasi hipertensi) memiliki kemungkinan sembuh 11.9035 kali lebih cepat dibandingkan pasien dengan diagnosis (komplikasi DM).
  • Nilai hazard ratio diagnosis (4) sebesar e^2.11807=8.3151 yang artinya pasien dengan diagnosis (tanpa komplikasi) memiliki kemungkinan sembuh 8.3151 kali lebih cepat dibandingkan pasien dengan diagnosis (komplikasi DM).
  • Nilai hazard ratio tekanan darah (1) sebesar e^1.42647=4.1640 yang artinya pasien dengan tekanan darah (<140 mg/dl) memiliki kemungkinan sembuh 4.1640 lebih cepat dibandingkan pasien dengan tekanan darah (>= 140 mg/dl)

4 Kesimpulan

Berdasarkan hasil analisis regresi cox proportional hazard diperoleh model sebagai berikut :

\[ h(t)=h_0(t)\exp(-1.90104X_1 (1)-0.02532X_2 (1)+2.47683X_3 (2)+2.10055X_3 (3)+2.11807X_3 (4)-0.77013X_4 (1)+1.05478X_5 (1)+1.42647X_6 (1)) \]
Berdasarkan pengujian kesesuaian model secara parsial pada model regresi cox proportional hazard diperoleh variabel yang berpengaruh signifikan terhadap waktu lama rawat adalah diagnosis ( komplikasi hipertensi), diagnosis (tanpa komplikasi) dan tekanan darah.

5 DAFTAR PUSTAKA

Budiman, B., Sihombing, R., and Pradina, P. (2017). HUBUNGAN DISLIPIDEMIA, HIPERTENSI DAN DIABETES MELITUS DENGAN KEJADIAN INFARK MIOKARD AKUT. Jurnal Kesehatan Masyarakat Andalas 10, 32.
Dukalang, H. (2019). Analisis Regresi Cox Proportional Hazard pada Pemodelan Waktu Tunggu Mendapatkan Pekerjaan.
Farhan, Z. (2018). Pengaruh Latihan Vokal terhadap Perubahan Kemampuan Menelan pada Pasien Stroke Infark di Ruang Cempaka Rumah Sakit Umum Daerah Dr. Slamet Garut Tahun 2015. Jurnal Soshum Insentif 43-55.
Kleinbaum, D. G., & Klein, M. (2005). Survival Analysis A self-Learning Text. New York: Springer.
Pirantika, A. Purwanti, R.S. (2017). Robert.H.Brook, 2017:585. Universitas Nusantara PGRI Kediri 01, 1-7.