Pendekatan Imputasi Berganda untuk Pemodelan Regresi Cox dengan Missing Covariates (Studi Kasus: Pasien Pascaoperasi Tumor dengan Terapi Hu-Care di RS Nur Hidayah Bantul)

Fithria, Aulia Nailul (2024) Pendekatan Imputasi Berganda untuk Pemodelan Regresi Cox dengan Missing Covariates (Studi Kasus: Pasien Pascaoperasi Tumor dengan Terapi Hu-Care di RS Nur Hidayah Bantul). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003201065-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Ketidaklengkapan data pada suatu kovariat (missing covariates) dapat menimbulkan adanya bias dalam hasil estimasi, sehingga membawa ketidakpastian dalam pengambilan keputusan penelitian. Pendekatan yang dapat digunakan untuk mengatasinya adalah metode imputasi berganda dengan algoritma Multivariate Imputation by Chained Equation (MICE). Metode ini mampu menghasilkan beberapa nilai prediksi untuk missing values, sehingga mempertimbangkan varians estimasi dan menghasilkan standar error yang lebih akurat. Pada penelitian ini, studi kasus implementasi imputasi berganda MICE akan diterapkan pada pemodelan untuk mengetahui faktor-faktor yang berpengaruh terhadap waktu survival seseorang untuk pulih pascaoperasi tumor. Tumor adalah penyakit yang terjadi akibat pertumbuhan sel yang abnormal. Pengobatan yang biasa dilakukan adalah dengan melakukan operasi tumor, tetapi untuk tumor ganas umumnya tak lagi responsif terhadap pengobatan konvensional. Oleh karena itu, telah banyak pengobatan alternatif yang dikembangkan, seperti yang dilakukan oleh RS Nur Hidayah Bantul, dengan praktiknya yang bernama Hu-Care (Husnul Khatimah Care). Hu-Care memberikan dukungan spiritual dan psikososial kepada pasien, dan dinilai mampu memberikan pengaruh yang signifikan terhadap proses kesembuhan pasien. Dilakukan studi eksperimen untuk mengevaluasi kinerja imputasi berganda MICE dalam mengestimasi missing covariates pada regresi Cox. Didapatkan hasil bahwa model Cox PH dengan data eksperimen menghasilkan nilai C-index yang lebih besar dibandingkan dengan data complete case, sehingga memberikan validitas kebaikan MICE karena mampu meningkatkan performa model Cox PH. Pada studi aplikasi, model Cox PH terbaik pada data complete case menghasilkan C-index sebesar 0,6484, sedangkan model Cox PH terbaik pada data MICE menghasilkan C-index sebesar 0,6390. Meskipun begitu, model dengan data MICE berhasil mengidentifikasi variabel signifikan yang lebih banyak. Hal ini menunjukkan bahwa dengan mempertimbangkan data yang lebih lengkap, imputasi berganda MICE mampu menangkap hubungan yang mungkin terlewatkan dalam analisis complete case dan cenderung lebih representatif dari populasi sebenarnya. Dari model Cox PH terbaik pada data MICE, ditemukan bahwa faktor yang berpengaruh signifikan terhadap waktu perbaikan klinis pasien pascaoperasi tumor yang mendapatkan terapi Hu-Care adalah status perkawinan, jenis operasi, dan jenis anestesi.
========================================================================================================================================
Incomplete data on a covariate (missing covariates) can cause bias in the estimation results, thereby bringing uncertainty in research decision making. The approach that can be used to overcome this is the multiple imputation method with the Multivariate Imputation by Chained Equation (MICE) algorithm. This method can generate several prediction values for missing values, thus considering the estimation variance and producing a more accurate standard error. In this research, a case study of the implementation of MICE multiple imputation will be applied to modeling to determine the factors that influence a person's survival time to recover after tumor surgery. Tumor is a disease that occurs due to abnormal cell growth. The usual treatment is tumor surgery, but malignant tumors are generally no longer responsive to conventional treatment. Therefore, many alternative treatments have been developed, such as that carried out by Nur Hidayah Hospital Bantul, with its practice called Hu-Care (Husnul Khatimah Care). Hu-Care provides spiritual and psychosocial support to patients, and is considered capable of having a significant influence on the patient's recovery process. An experimental study was conducted to evaluate the performance of MICE multiple imputation in estimating missing covariates in Cox regression. The results obtained were that the Cox PH model with experimental data produced a C-index value that was greater than the complete case data, thus providing good validity for MICE because it was able to improve the performance of the Cox PH model. In the application study, the best Cox PH model on complete case data produced a C-index of 0,6484, while the best Cox PH model on MICE data produced a C-index of 0,6390. However, the model with MICE data succeeded in identifying more significant variables. This shows that by considering more complete data, MICE multiple imputation is able to capture relationships that may be missed in complete case analysis and tends to be more representative of the true population. From the best Cox PH model on MICE data, it was found that the factors that had a significant influence on the time to clinical improvement in post-tumor surgery patients who received Hu-Care therapy were marital status, type of surgery, and type of anesthesia.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Cox Regression, Hu-Care Therapy, Missing Data, Multiple Imputation, Post-Tumor Surgery, Imputasi Berganda, Missing Data, Pascaoperasi Tumor, Regresi Cox, Terapi Hu-Care.
Subjects:	H Social Sciences > HA Statistics Q Science Q Science > QA Mathematics R Medicine > R Medicine (General) R Medicine > R Medicine (General) > R853.S7 Survival analysis (Biometry) R Medicine > RC Internal medicine > RC0254 Neoplasms. Tumors. Oncology (including Cancer)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Aulia Nailul Fithria
Date Deposited:	09 Aug 2024 02:24
Last Modified:	09 Aug 2024 02:24
URI:	http://repository.its.ac.id/id/eprint/114373

Actions (login required)

View Item