Analisis Survival Pada Penderita Gagal Ginjal Kronis Menggunakan Model Cox Terstratifikasi, Hutan Acak Survival, Dan Mesin Vektor Pendukung Survival

Abstract

Analisis survival merupakan ilmu statistika yang digunakan untuk memodelkan waktu hingga terjadinya suatu peristiwa, seperti kematian, kekambuhan penyakit, atau kegagalan fungsi organ. Dalam bidang kesehatan, analisis survival banyak digunakan untuk mengevaluasi prognosis pasien dan faktor-faktor risiko yang memengaruhi kejadian klinis. Salah satu metode yang paling umum digunakan adalah model Cox proportional hazards, namun model ini bergantung pada asumsi proportional hazards yang sering kali tidak terpenuhi pada data klinis nyata. Perbedaan risiko dasar antar kelompok pasien, hubungan non-linear antar kovariat, serta keberadaan pencilan dapat menyebabkan penurunan kinerja model Cox klasik. Untuk mengatasi keterbatasan tersebut, dikembangkan berbagai pendekatan alternatif, baik melalui pengembangan model regresi survival maupun metode berbasis pembelajaran mesin. Model Cox terstratifikasi memungkinkan perbedaan baseline hazard antar strata sehingga lebih fleksibel pada data dengan heterogenitas risiko dasar. Selain itu, metode berbasis pembelajaran mesin seperti Hutan Acak Survival (Random Survival Forest/ RSF) dan Mesin Vektor Pendukung Survival (Survival Support Vector Machine/ SSVM) dikembangkan untuk menangani data survival tanpa mengharuskan asumsi bentuk fungsi hazard maupun asumsi proportional hazards, serta mampu menangkap hubungan non-linear dan interaksi kompleks antar kovariat. Penelitian ini bertujuan untuk membandingkan kinerja model Cox terstratifikasi, RSF, dan SSVM melalui studi simulasi serta penerapannya pada data empiris pasien gagal ginjal kronis. Studi simulasi dilakukan dengan membangkitkan data survival tersensor kanan pada berbagai skenario yang merepresentasikan kompleksitas struktur data klinis, meliputi keberadaan interaksi non-linear, efek ambang (threshold), pencilan (outlier), perbedaan baseline hazard antar strata, variasi ukuran contoh, dan proporsi data tersensor. Data simulasi dibangkitkan menggunakan distribusi Weibull, dengan kovariat numerik dan kategorik yang mencerminkan karakteristik klinis pasien. Setiap skenario simulasi direplikasi sebanyak 100 kali untuk memperoleh hasil yang stabil. Analisis dilakukan dengan membagi setiap gugus data menjadi data latih dan data uji. Model Cox terstratifikasi, RSF, dan SSVM dibangun menggunakan data latih, kemudian dievaluasi menggunakan data uji. Kinerja model dibandingkan berdasarkan nilai Concordance Index (C-index), di mana nilai yang lebih tinggi menunjukkan kemampuan prediksi yang lebih baik. Hasil simulasi menunjukkan bahwa RSF dan SSVM secara umum memiliki kinerja prediktif yang lebih baik dibandingkan model Cox terstratifikasi, terutama pada skenario dengan struktur data yang kompleks seperti interaksi non-linear, efek ambang, dan keberadaan pencilan. Model Cox terstratifikasi menunjukkan kinerja yang relatif lebih baik pada skenario dengan perbedaan baseline hazard antar strata dan struktur data yang lebih sederhana. Selanjutnya, ketiga model diterapkan pada data empiris pasien gagal ginjal kronis yang menjalani hemodialisis di RSUD Asy-Syifa. Faktor usia, hipertensi, diabetes, anemia, dan frekuensi hemodialisis secara signifikan memengaruhi kelangsungan hidup pasien. Hasil analisis menunjukkan bahwa metode berbasis pembelajaran mesin memberikan performa prediksi yang kompetitif dibandingkan model Cox terstratifikasi, meskipun model Cox tetap memiliki keunggulan dari sisi interpretabilitas faktor risiko. Secara keseluruhan, hasil penelitian menunjukkan bahwa tidak terdapat satu metode analisis survival yang selalu unggul pada seluruh kondisi data. Pemilihan model yang tepat sangat bergantung pada karakteristik dan kompleksitas data yang dianalisis. Metode berbasis machine learning, khususnya RSF dan SSVM, direkomendasikan untuk data dengan struktur kompleks, sedangkan model Cox terstratifikasi tetap relevan untuk analisis yang menekankan interpretasi klinis dan heterogenitas risiko dasar antar kelompok pasien.