Evaluasi Model Cox pada Laju Keparahan Pasien COVID-19 di Rumah Sakit Universitas Airlangga Menggunakan Concordance Index dan Dynamic AUC

Pratiwi, Rahmi Fitri (2023) Evaluasi Model Cox pada Laju Keparahan Pasien COVID-19 di Rumah Sakit Universitas Airlangga Menggunakan Concordance Index dan Dynamic AUC. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06211940000064-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until October 2025. Download (3MB) | Request a copy

Abstract

COVID-19 adalah penyakit yang disebabkan oleh virus corona baru (SARS-CoV-2) Penyebarannya yang cepat dan tingkat keparahan yang beragam membuat para peneliti dan ahli medis berusaha untuk mengembangkan model prediktif yang akurat untuk memahami dan memprediksi laju keparahan COVID-19 pada individu yang terinfeksi. Meskipun kondisi pandemi COVID-19 sudah tidak ada lagi pada saat ini, namun penanganan penyakit infeksi yang serius seperti COVID-19 meninggalkan banyak pelajaran berharga dan menjadi salah satu aspek penting dalam upaya memahami dan mengatasi dampak kesehatan masyarakat. Mayoritas peneliti menggunakan Akaike Information Criterion (AIC) sebagai kriteria kebaikan model. Namun AIC kurang cocok digunakan pada data survival karena fokus pada perbandingan statistik likelihood antar model dan tidak secara langsung mengukur kinerja model. Pada penelitian ini dilakukan pemodelan dan pendekatan evaluasi model regresi Cox terbaik pada laju keparahan pasien COVID-19 menggunakan concordance index (C-Index) dan dynamic AUC di Rumah Sakit Universitas Airlangga. Event yang ditetapkan dalam penelitian ini adalah pasien yang masuk kategori parah yaitu pasien meninggal, masuk ICU atau dirujuk ke rumah sakit lebih lengkap. Pada penelitian ini data dibagi menjadi dua yaitu, 95% data training dan 5% data testing. Terdapat tiga variabel yang tidak memenuhi asumsi proportional hazard, sehingga model dibentuk dengan metode regresi stratified Cox dan regresi Cox time-dependent variables fungsi heaviside. Dalam pembentukan model dilakukan dengan dan tanpa seleksi stepwise berdasarkan AIC terkecil. Hasil dari penelitian ini diperoleh evaluasi model laju keparahan pasien COVID-19 terbaik adalah metode regresi Cox time-dependent variables fungsi haeviside tanpa seleksi stepwise dengan AIC terkecil, didapatkan C-index sebesar 0,5226 dan dynamic AUC sebesar 0,96972. Evaluasi dengan C-index dan dynamic AUC menunjukkan bahwa model tanpa seleksi stepwise memiliki hasil kinerja yang lebih baik dibandingkan model dengan seleksi stepwise. Selain itu, nilai C-index hasil relatif rendah. Hal ini disebabkan karena data penelitian menggunakan jumlah data yang terbatas dan jangka waktu yang singkat. Pasien COVID-19 yang beresiko mengalami laju keparahan yang tinggi adalah pasien dengan usia yang semakin tua, pasien tanpa gejala pilek, pasien tanpa gejala muntah, pasien dengan saturasi rendah, dan pasien dengan leukosit dan neutrofil tinggi.
=================================================================================================================================
COVID-19 is a disease caused by a novel coronavirus (SARS-CoV-2) whose rapid spread and varying severity has led researchers and medical experts to seek to develop accurate predictive models to understand and contain the severity of COVID-19 in infected individuals. Although the COVID-19 pandemic condition no longer exists at this time, the handling of serious infectious diseases such as COVID-19 leaves many valuable lessons and becomes one of the important aspects in efforts to understand and overcome the impact of public health. most researchers use the Akaike Information Criterion (AIC) as a criterion for model goodness. However, AIC is not suitable for use in survival data because it focuses on likelihood comparison statistics between models and does not directly measure model performance. In this study, a modeling and evaluation approach for the best Cox regression model was carried out on the severity of COVID-19 patients using concordance index (C-Index) and dynamic AUC at Universitas Airlangga Hospital. The events defined in this study are patients who fall into the severe category, namely patients who die, enter the ICU or commit suicide to a more complete hospital. In this study, the data was divided into two, namely, 95% training data and 5% testing data. There are three variables that do not meet the proportional hazard assumption, so the model is formed using the stratified Cox regression method and Cox regression time-dependent variable heaviside function. In the formation of the model is done with and without stepwise selection based on the smallest AIC. The results of this study obtained an evaluation of the best COVID-19 patient severity model is the Cox regression method time-dependent variable haeviside function without stepwise selection with the smallest AIC, obtaining a C-index of 0.5226 and dynamic AUC of 0.96972. Evaluation with C-index and dynamic AUC shows that the model without stepwise selection has better performance results than the model with stepwise selection. In addition, the C-index value is relatively low. This is because the research data used a limited amount of data and a short period of time. COVID-19 patients at risk of high severity are patients with older age, patients without cold symptoms, patients without vomiting symptoms, patients with low saturation, and patients with high leukocytes and neutrophils.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Concordance Index, COVID-19, Cox Regression, Dynamic AUC, Severity Rate, Laju Keparahan, Regresi Cox.
Subjects:	Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) R Medicine > R Medicine (General) > R853.S7 Survival analysis (Biometry)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Rahmi Fitri Pratiwi
Date Deposited:	18 Sep 2023 01:33
Last Modified:	18 Sep 2023 01:33
URI:	http://repository.its.ac.id/id/eprint/104541

Actions (login required)

View Item