BAB 2
LANDASAN TEORI
Pada bab ini akan dipaparkan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan bab selanjutnya dan pembahasan utama dalam penelitian ini. Teori tersebut meliputi analisis kesintasan, data tersensor, fungsi kesintasan dan fungsi hazard, estimasi Kaplan-Meier, model cox proportional hazard, dan sekilas tentang kanker serviks meliputi pengertian, faktor penyebab serta faktor resikonya.
2.1 Analisis Kesintasan
Armitage dan Berry (1987) mengatakan bahwa analisis kesintasan merupakan analisis yang melibatkan uji statistik untuk menganalisis data yang variabelnya berkaitan dengan waktu atau lamanya waktu sampai terjadinya peristiwa tertentu. Menurut Kleinbaum dan Klein (2005) analisis kesintasan ialah kumpulan dari prosedur statistik untuk menganalisis data yang outcome variabel yang diteliti adalah waktu hingga suatu peristiwa muncul. Waktu kesintasan dapat didefinisikan sebagai waktu dari awal observasi hingga terjadinya peristiwa, dapat dalam hari, bulan, maupun tahun. Peristiwa tersebut dapat berupa perkembangan suatu penyakit, respon terhadap perawatan, kambuhnya suatu penyakit, kematian atau peristiwa lain yang dipilih sesuai dengan kepentingan si peneliti. Oleh karena itu waktu kesintasan dapat berupa waktu sembuhnya dari penyakit, waktu dari memulai perawatan hingga terjadi respon, dan waktu hingga terjadi kematian (Lee dan Wang, 2003).
Menurut Le (2003) dalam menentukan waktu kesintasan, T, terdapat 3 elemen dasar yang diperlukan yaitu :
1. Waktu awal (time origin)
2. Peristiwa akhir/waktu akhir (failure event) 3. Skala waktu sebagai satuan pengukuran waktu
T (lama waktu)
waktu awal waktu akhir
T adalah lama dari waktu awal (time origin) misalnya dari lahir hingga terjadi peristiwa tertentu misalnya kematian dalam tahun (skala waktu). Waktu awal harus didefinisikan dengan jelas, namun tidak harus waktu kelahiran misalnya waktu awal melakukan perawatan atau awal didiagnosa penyakit tertentu (untuk percobaan klinis). Begitu juga waktu akhir harus didefinisikan secara jelas tidak harus kematian, misalnya waktu terjadinya struk, atau waktu kambuhnya penyakit (Le, 2003).
Analisis kesintasan memiliki beberapa tujuan (Kleinbaum dan Klein, 2005): 1. Mengestimasi dan mengiterpretasikan fungsi kesintasan dan/atau fungsi hazard 2. Membandingkan fungsi kesintasan dan/atau fungsi hazard pada 2 kelompok atau
lebih
3. Mengestimasi hubungan antara variabel penjelas dengan waktu kesintasan
2.1.1 Data Tersensor
Perbedaan antara analisis kesintasan dengan analisis statistika lainnya ialah terdapatnya suatu peristiwa yang lama waktu terjadinya terhadap objek adalah bervariasi. Selain itu adanya kemungkinan beberapa objek yang waktu sampai terjadinya peristiwa tidak diobservasi secara penuh (sensor). Menurut Machin et al (2006) data dikatakan tersensor jika observasi waktu kesintasan hanya sebagian, tidak sampai failure event. Penyebab terjadinya data tersensor antara lain (Le, 2003):
1. Loss to follow up, terjadi bila objek pindah, meninggal atau menolak untuk berpartisipasi
3. Termination of study, terjadi bila masa penelitian berakhir sementara objek yang diobservasi belum mencapai failure event
4. Death, jika penyebab kematian bukan dibawah penyelidikan (misalnya bunuh diri)
Sedangkan menurut Kleinbaum dan Klein (2005) ada 3 alasan umum terjadinya penyensor, yaitu:
1. Objek tidak mengalami peristiwa sebelum masa penelitian berakhir 2. Objek hilang selama masa follow-up ketika masa penelitian
3. Objek ditarik dari penelitian karena kematian (jika kematian bukan peristiwa yang diobservasi) atau disebabkan alasan lain
Situasi ini diilustrasikan dengan grafik di bawah ini. Grafik menggambarkan beberapa orang atau objek yang diikuti. 𝑋 menyatakan orang atau objek yang mendapatkan peristiwa. 2 4 6 8 10 12 A X B Penelitian berakhir C dikeluarkan D Penelitian berakhir E hilang F X
Gambar 2.1 Grafik Data Tersensor
Dalam bukunya Crowder et al (1991) mengatakan bahwa ada 3 jenis penyensoran, yaitu:
1. Left-censored, observasi dikatakan left-cencored jika objek yang diobservasi mengalami peristiwa di bawah waktu yang telah ditetapkan atau ketika masa observasi belum selesai
2. Right-censored, obsevasi dikatakan right-cencored jika objek masih hidup atau masih beroperasi ketika masa observasi telah selesai
3. Interval-censored, ketika objek mengalami peristiwa diantara interval waktu tertentu maka observasi dikatakan interval-censored
Menurut Lee dan Wang (2003) ada 3 tipe penyensoran data, yaitu:
1. Tipe I, jika objek-objek diobservasi selama waktu tertentu, namun ada beberapa objek yang mengalami peristiwa setelah periode atau masa observasi selesai, dan sebagian lagi mengalami peristiwa diluar yang ditetapkan
2. Tipe II, masa observasi selesai setelah sejumlah objek yang diobservasi diharapkan mengalami peristiwa yang ditetapkan, sedang objek yang tidak mengalami peristiwa disensor
3. Tipe III, jika waktu awal dan waktu berhentinya observasi dari objek berbeda-beda. Sensor tipe III ini sering disebut sebagai random-censored
Pada penelitian ini jenis penyensoran yang digunakan ialah right-cencored, yaitu ketika waktu kesintasan objek tidak lengkap di sisi kanan masa follow-up, ketika penelitian berakhir objek masih bertahan atau objek hilang pada masa follow-up atau dikeluarkan dari penelitian.
2.1.2 Fungsi Kesintasan dan Fungsi Hazard
Pada analisis kesintasan ada 2 hal yang mendasar yaitu fungsi kesintasan dan fungsi hazard. Fungsi kesintasan merupakan dasar dari analisis ini, karena meliputi probabilitas kesintasan dari waktu yang berbeda-beda yang memberikan informasi penting tentang data kesintasan. Secara teori, fungsi kesintasan dapat digambarkan dengan kurva mulus dan memiliki karakteristik sebagai berikut (Kleinbaum dan Klein, 2005):
2. Untuk 𝑡 = 0, 𝑆 𝑡 = 𝑆 0 = 1 adalah awal dari penelitian, karena tidak ada objek yang mengalami peristiwa, probabilitas waktu kesintasan 0 adalah 1
3. Untuk 𝑡 = ∞, 𝑆 𝑡 = 𝑆 ∞ = 0; secara teori, jika periode penelitian meningkat tanpa limit maka tidak ada satu pun yang bertahan sehingga kurva kesintasan mendekati nol 𝑆 0 = 1 𝑆 𝑡 1 𝑆 ∞ = 0 0 ∞ t
Gambar 2.2 Kurva Fungsi Kesintasan
Berbeda dengan fungsi kesintasan yang fokus pada tidak terjadinya peristiwa, fungsi hazard fokus pada terjadinya peristiwa. Oleh karena itu fungsi hazard dapat dipandang sebagai pemberi informasi yang berlawan dengan fungsi kesintasan. Sama halnya dengan kurva fungsi kesintasan, kurva fungsi hazard juga memiliki karakteristik, yaitu (Kleinbaum dan Klein, 2005):
1. Selalu nonnegatif, yaitu sama atau lebih besar dari nol 2. Tidak memiliki batas atas
Selain itu fungsi hazard juga digunakan untuk alasan: 1. Memberi gambaran tentang keadaan failure rate 2. Mengidentifikasi bentuk model yang spesifik
ℎ 𝑡
0 𝑡
Gambar 2.3 Kurva Fungsi Hazard
Misalkan T melambangkan waktu kesintasan dari waktu awal sampai terjadinya peristiwa yang merupakan variabel acak yang memiliki karakteristik fungsi kesintasan dan fungsi hazard. Jika fungsi kesintasan dinotasikan dengan 𝑆 𝑡 , didefinisikan sebagai probabilitas suatu objek yang bertahan lebih dari 𝑡 waktu, maka (Le, 2003): 𝑆 𝑡 = 𝑃𝑟 𝑇 > 𝑡 , 𝑡 ≥ 0 (2.1) 𝑆 𝑡 dikenal juga sebagai rata-rata kesintasan, dan fungsi hazard merupakan laju failure atau kegagalan sesaat dengan asumsi objek telah bertahan sampai waktu ke-t, yang didefinisikan sebagai berikut :
ℎ 𝑡 =𝑓(𝑡)𝑆(𝑡) (2.2)
dengan f(t) adalah fungsi kepadatan probabilitas T. Sekarang misalkan 𝐹 𝑡 = Pr 𝑇 ≤ 𝑡 = 𝑓(𝑥)𝑑𝑥0𝑡 , 𝑡 ≥ 0 adalah fungsi distribusi kumulatif dari T, maka fungsi kesintasan menjadi (Korosteleva, 2003):
𝑆 𝑡 = 𝑃𝑟 𝑇 > 𝑡 = 𝑓(𝑥)𝑡∞ 𝑑𝑥 = 1 − 𝐹 𝑡 , 𝑡 ≥ 0 (2.3) dan fungsi hazard kumulatif 𝐻 𝑡 , didefinisikan sebagai:
2.2 Kaplan-Meier
Telah diketahui bahwa salah satu tujuan dari analisis kesintasan ialah mengestimasi dan menginterpretasi fungsi kesintasan dan fungsi hazard. Banyak metode yang digunakan untuk mengestimasi fungsi kesintasan, diantaranya Nelson-Aalen estimator, metode life-table (acturial), metode Kaplan-Meier, AFT, bayessian, counting procces dan lain-lain. Namun dalam penelitian ini metode yang digunakan adalah metode Kaplan-Meier. Penelitian ini ialah penelitian statistik nonparametrik dengan data tersensor, sehingga penggunaan metode Kaplan-Meier adalah yang paling baik.
Sebenarnya metode table sama dengan Kaplan-Meier, namun pada life-table objek diklasifikasi berdasarkan karakteristik tertentu yang masing-masing karakteristik disusun dengan interval dengan menganggap peluang terjadinya efek selama masa interval adalah konstan, sehingga data yang diperoleh akan lebih umum. Sedangkan pada metode Kaplan-Meier objek dianalisis sesuai dengan waktu aslinya masing-masing. Hal ini mengakibatkan proporsi kesintasan yang pasti karena menggunakan waktu kesintasan secara tepat sehingga diperoleh data yang lebih akurat. Selain itu Kaplan-Meier merupakan metode yang digunakan ketika tidak ada model yang layak untuk data kesintasan. Selama hampir 4 dekade metode estimasi Kaplan-Meier merupakan salah satu dari kunci metode statistika untuk analisis data kesintasan tersensor, estimasi Kaplan-Meier dikenal juga dengan estimasi product-limit.
Misalkan sebanyak k waktu kesintasan diobsevasi, yang diatur dalam urutan meningkat yaitu 𝑡1 < 𝑡2 < ⋯ < 𝑡𝑘, andaikan waktu kesintasan diobservasi secara jelas pada sampel berukuran n dari sebuah populasi yang homogen dengan fungsi kesintasan 𝑆 𝑡 (𝑘 ≤ 𝑛𝑖 ), 𝑛𝑖 objek yang beresiko namun masih bertahan pada 𝑡𝑖 (1 ≤ 𝑖 ≤ 𝑘), dan 𝑑𝑖 menyatakan jumlah objek yang mati pada 𝑡𝑖 , maka pengestimasi dari fungsi kesintasan 𝑆 𝑡 ialah (Le, 2003):
𝑆 𝑡 = 1 −𝑑𝑖 𝑛𝑖
𝑖; 𝑡𝑖≤𝑡 , 𝑡 ≥ 0 (2.5)
1.3 Uji Log Rank
Pada statistika, uji log rank (uji mantel-cox) ialah sebuah uji kemaknaan untuk membandingkan fungsi kesintasan diantara 2 kelompok. Uji ini merupakan uji statistik nonparametrik dan sesuai digunakan ketika data tidak simetris yaitu data miring ke kanan. Selain itu uji log rank banyak digunakan dalam uji klinis untuk melihat efisiensi dari suatu perawatan baru yang dibandingkan dengan perawatan yang lama apabila yang diukur adalah waktu hingga terjadi sebuah peristiwa (Wikipedia, 29 November 2010). Uji log rank diperluas untuk analisis stratifikasi, sebagai contoh, pengaruh variabel prognostik yang patut diperhitungkan, dan untuk membandingkan 3 kelompok atau lebih (Machin et al, 2006).
Menurut Armitage dan Berry (1987) langkah pengerjaan uji ini ialah menyusun waktu kesintasan, mengurutkan kedua kelompok yang diobservasi. Misalkan ada 2 kelompok A dan B, jika 𝑡𝑖 menyatakan waktu ada 𝑑𝑖 objek yang mengalami peristiwa misalnya kematian dan 𝑛𝐴, 𝑛𝐵 masing-masing menyatakan jumlah objek yang memiliki resiko namun masih bertahan dari grup A dan B, maka ekspektasi dan varians banyaknya objek yang mengalami peristiwa ialah:
𝐸 𝑑𝑖𝐴 = 𝑛𝑖𝐴𝑑𝑖
𝑛𝑖 (2.6) 𝑉𝑎𝑟 𝑑𝑖𝐴 =𝑑𝑖 𝑛𝑖 − 𝑑𝑖 𝑛𝐴𝑛𝐵
𝑛𝑖2 𝑛
𝑖 − 1 (2.7) Uji statistik untuk kesamaan rata-rata peristiwa (misalnya kematian) dari kedua kelompok ialah dengan:
𝜒22 = 𝑑𝑖𝐴 − 𝐸 𝑑𝑖𝐴 2
𝐸 𝑑𝑖𝐴 +
𝑑𝑖𝐵 − 𝐸 𝑑𝑖𝐵 2
𝐸 𝑑𝑖𝐵 (2.8)
2.3 Cox Proportional Hazard
Fungsi kesintasan dan fungsi hazard merupakan analisis yang digunakan untuk melihat perbedaan antara 2 kelompok atau lebih. Namun bila ada variabel-variabel kovariat yang ingin dikontrol atau bila menggunakan beberapa variabel penjelas dalam menjelaskan hubungan antara waktu kesintasan maka regresi cox lah yang
digunakan. Jadi regresi cox merupakan model yang menggambarkan hubungan antara waktu kesintasan sebagai variabel dependen dengan 1 set variabel independen. Variabel independen ini bisa kontinu maupun kategorik.
Cox proportional hazard ialah pemodelan yang digunakan dalam analisis kesintasan yang merupakan model semiparametrik. Regresi cox proportional hazard ini digunakan bila outcome yang diobservasi adalah panjang waktu suatu kejadian. Pada mulanya pemodelan ini digunakan pada cabang statistika khususnya biostatistika yaitu digunakan untuk menganalisis kematian atau harapan hidup seseorang. Namun seiring perkembangan zaman pemodelan ini banyak dimanfaatkan di berbagai bidang. Diantaranya bidang akademik, kedokteran, sosial, science, teknik, pertanian dan sebagainya.
Ketika menyelidiki suatu kasus di bidang kedokteran contohnya kasus pasien yang menderita penyakit tertentu, dibutuhkan hubungan antara waktu kesintasan pasien dengan karakteristik-karakteristik klinis yang didapatkan dari data medis pasien. Menurut Machin et al (2006) dengan menotasikan rata-rata fungsi hazard ℎ0(𝑡) dapat menentukan hazard ℎ 𝑡 pasien tertentu, dengan:
ℎ 𝑡 = 𝜆(𝑡)ℎ0(𝑡) (2.9) Dengan 𝜆(𝑡) adalah fungsi yang mungkin berubah sesuai dengan waktu t. Kemudian persamaan di atas dapat ditulis sebagai rasio dari hazard pasien tertentu atau dikatakan sebagai hazard relative, yaitu:
𝜆 𝑡 =ℎℎ 𝑡
0(𝑡) (2.10)
ketika 𝜆 𝑡 tidak berubah maka ℎ 𝑡 = ℎ, dengan h adalah konstanta.
Formula model Cox merupakan perkalian dari dua besaran yaitu fungsi baseline hazard dan bentuk eksponensial untuk penjumlahan linier dari 𝛽𝑖𝑋𝑖, yaitu penjumlahan dari 𝑝 variabel independen 𝑋 (Kleinbaum dan Klein, 2005).
ℎ0 𝑡 × ℯ 𝑝𝑖=1𝛽𝑖𝑋𝑖 baseline hazard Eksponensial
melibatkan 𝑡 melibatkan 𝑋 tetapi tidak 𝑋 tetapi tidak 𝑡
Pada model regresi umum, fungsi hazard h tergantung pada t dan kovariat dependen 𝑥1 𝑡 , 𝑥2 𝑡 , … , 𝑥𝑚(𝑡). Dan pada model cox proportional hazard sederhana, dengan kovariat 𝑥1, 𝑥2, … , 𝑥𝑚 tidak tergantung pada t maka fungsi hazardnya adalah sebagai berikut:
ℎ 𝑡, 𝑥1, 𝑥2, … , 𝑥𝑚, 𝛽1, 𝛽2, … , 𝛽𝑚 = ℎ0 𝑡 𝑒𝑥𝑝 𝛽1𝑥1+ 𝛽2𝑥2+ ⋯ + 𝛽𝑚𝑥𝑚 (2.11) fungsi ℎ0 𝑡 dikatakan sebagai fungsi baseline hazard, yaitu ketika fungsi hazard dari objek yang nilai semua kovariatnya adalah nol (biasanya sebagai hipotesis) dan 𝑒𝑥𝑝 𝛽1𝑥1+ 𝛽2𝑥2+ ⋯ + 𝛽𝑚𝑥𝑚 ialah bentuk resiko relatif dari objek dengan kovariat 𝑥1, 𝑥2, … , 𝑥𝑚 (Korosteleva, 2003).
Karakteristik penting dari formula ini ialah mengenai asumsi proportional hazard yaitu baseline hazard ialah fungsi dari 𝑡 tetapi tidak melibatkan variabel 𝑋. Berbeda dengan bentuk eksponensial yang melibatkan variabel 𝑋 tetapi tidak melibatkan 𝑡. 𝑋 dikatakan time-independent (tidak tegantung waktu). Asumsi pada model cox proportional hazard ialah hazard ratio yang membandingkan 2 kategori dari variabel independen adalah konstan pada setiap waktu atau tidak tergantung pada waktu. Apabila asumsi ini tidak dipenuhi maka model yang digunakan ialah extended cox model. Karakteristik penting lainnya dari model cox ialah baseline hazard, ℎ0 𝑡 , ialah fungsi yang tidak ditentukan. Inilah yang membuat cox proportional hazard merupakan model semiparametrik.
Model cox proportional hazard merupakan pemodelan yang sangat terkenal pada analisis kesintasan. Menurut Kleinbaum dan Klein (2005) hal yang menyebabkan model ini terkenal dan digunakan secara luas antara lain:
2. Dapat mengestimasi hazard ratio tanpa perlu diketahui ℎ0 𝑡 atau baseline hazard function
3. Dapat mengestimasi ℎ0 𝑡 , ℎ 𝑡, 𝑋 , dan fungsi kesintasan walaupun ℎ0 𝑡 tidak spesifik
4. Merupakan model robust sehingga hasil dari model cox hampir sama dengan hasil model parametrik
5. Model yang aman dipilih ketika berada dalam keraguan untuk menentukan model parametriknya, sehingga tidak ada ketakutan tentang pilihan model parametrik yang salah
6. Lebih baik daripada model logistik ketika tersedianya informasi tentang waktu kesintasan dan adanya penyensoran
2.5 Kanker Serviks 2.5.1 Pengertian
Kanker serviks atau kanker leher rahim ialah sejenis kanker yang 99,7% disebabkan oleh Human Papilloma Virus onkogenik yang menyerang leher rahim. Kanker ini dapat hadir dengan pendarahan vagina (American Cancer Society, 2010). Kanker serviks merupakan silent killer (pembunuh diam-diam), karena pada stadium awal kanker ini tidak memperlihatkan gejala. Gejala baru terlihat ketika sudah sampai pada stadium lanjut.
Berdasarkan data American Cancer Society tahun 2010, data terbaru untuk kanker serviks di Amerika Serikat tahun 2010 didiagnosa muncul sekitar 12.200 kasus baru, dan 4.210 wanita mati diakibatkan kanker ini. Kanker serviks merupakan salah satu kasus terbanyak yang menyebabkan kematian pada wanita Amerika. Diantara tahun 1955 dan 1992, kematian diakibatkan kanker serviks berkurang hampir 70%. Ini diakibatkan meningkatnya penggunaan pap test. Tingkat kematian kanker serviks terus berkurang mendekati 3% tiap tahunnya.
Faradina (2009), melakukan penelitian di RSUP. H. Adam Malik untuk data rekam medis penderita kanker serviks pada tahun 2002-2006. Dalam kurun waktu tersebut, dijumpai sebanyak 136 kasus kanker serviks yang terdiri dari 37 kasus
stadium awal (27,2%) dan 99 kasus stadium lanjut (72,8%). Berdasarkan penelitian di Rumah Sakit Umum Dr. Pirngadi Medan, selama kurun waktu 2003-2007, jumlah penderita kanker serviks yang dirawat inap, yaitu tahun 2003 sebesar 55 kasus, tahun 2004 sebesar 61 kasus, tahun 2005 sebesar 69 kasus, tahun 2006 sebesar 84 kasus dan tahun 2007 sebesar 68 kasus (Nasution, 2008). Di tahun yang sama Melva melakukan penelitian tentang kanker serviks di RSUP. H. Adam Malik dengan jumlah penderita 120 orang dari Juni 2007 sampai Maret 2008, diperoleh 23,3% berusia di bawah 40 tahun, 76,7% usia di atas 40 tahun.
2.5.2 Faktor Penyebab
Penyebab kanker serviks sampai saat ini belum diketahui, namun berdasarkan kebanyakan penelitian menemukan bahwa infeksi Human Papilloma Virus (HPV) bertanggung jawab untuk semua kasus kanker serviks. Virus ini memiliki lebih dari 100 tipe, sebagian besar diantaranya tidak berbahaya dan akan lenyap dengan sendirinya oleh kekebalan tubuh. Namun Human Papilloma Virus (HPV) tipe 16 dan 18 merupakan penyebab utama pada 70% kasus kanker serviks di dunia. Virus ini menyebabkan perubahan pada sel-sel leher rahim, jika virus ini ditemukan dini, kanker serviks dapat dicegah dengan menghapus atau membunuh sel-sel yang berubah sebelum mereka dapat menjadi sel-sel kanker. Perjalanan infeksi virus ini hingga menjadi kanker serviks memakan waktu yang cukup lama, yaitu sekitar 10 hingga 20 tahun (Wikipedia, 20 April 2011). Namun proses penginfeksian ini seringkali tidak disadari oleh para penderita, karena proses HPV menjadi pra-kanker serviks sebagian besar berlangsung tanpa gejala (Wikipedia, 20 April 2011).
2.5.3 Faktor Resiko
Faktor resiko adalah faktor yang meningkatkan terjadinya sesuatu. Austin Bradford Hill membuat 9 kriteria dari suatu faktor sehingga faktor tersebut dapat dikatakan sebagai faktor yang mempunyai hubungan kausal atau merupakan faktor resiko yaitu :
1. Kekuatan hubungan
2. Temporal
Kausal mendahului akibat. 3. Respon terhadap dosis
Makin besar paparan, makin tinggi kejadian penyakit. 4. Reversibilitas
Penurunan paparan akan diikuti penurunan kejadian penyakit. 5. Konsistensi
Kejadian yang sama akan berulang pada waktu, tempat dan penelitian yang lain. 6. Kelayakan biologis
Sesuai dengan konsep biologi. 7. Spesifitas
Satu penyebab menimbulkan satu Akibat. 8. Analogi
Ada kesamaan untuk penyebab dan akibat yang serupa. 9. Bukti eksperimen
Beberapa orang yang mengatakannya sangat diperlukan untuk menyimpulkan kausal.
Obat untuk penyakit kanker belum bisa diketahui secara pasti. Itu sebabnya pencegahan primer dengan menghindari faktor resiko adalah yang paling mungkin untuk dilakukan. Adapun faktor resiko seorang wanita terkena kanker serviks, diantaranya ialah:
1. Usia
Menurut Sirait et al (2003) frekuensi usia tertinggi penderita kanker serviks di RS Kanker Dharmais Jakarta ialah usia 40-49 tahun (35,9%) dan usia 50-59 tahun (28,3%). Hasil ini juga sesuai dengan hasil penelitian Nasution (2008) yang menyatakan penderita kanker serviks terbanyak dijumpai di RSU. Dr. Pirngadi Medan berusia antar 40-49 tahun yaitu 47,5%.
2. Usia menikah
Usia pertama kali menikah atau usia pertama kali melakukan hubungan seksual merupakan salah satu faktor yang cukup penting. Semakin muda seorang wanita melakukan hubungan seksual semakin besar resiko untuk terkena kanker serviks.
Berdasarkan hasil penelitian, terlihat bahwa banyak responden yang menderita kanker serviks menikah pada usia ≥ 20 tahun sebanyak 57,1% (2008) dan 59,1% (2009) (Arumugam, 2010). Setyarini (2009), menyatakan bahwa penderita kanker serviks yang menikah usia ≤ 20 tahun beresiko untuk terkena kanker serviks 5 kali lebih besar daripada pasien yang menikah pada usia > 20 tahun.
3. Stadium klinis
Stadium klinis merupakan proses untuk mengetahui seberapa jauh penyebaran kanker. Gejala kanker serviks tergantung pada tingkat stadiumnya. Pada tahap dini (pra-kanker), sering tidak menimbulkan gejala sama sekali kecuali keluhan seperti gangguan menstruasi, keputihan, kadang ditemukan adanya pendarahan vagina di luar masa haid, keluhan sakit pendarahan sewaktu melakukan hubungan suami istri, dan adanya infeksi pada saluran kandung kemih. Pada stadium lanjut mengakibatkan rasa sakit pada panggul, pendarahan yang berbau amis, nafsu makan berkurang, berat badan menurun, dan anemia karena pendarahan.
Penentuan stadium klinis kanker serviks yang sering digunakan yaitu sistem FIGO (International Federation of Gynecology and Obstetric). Klasifikasi kanker serviks berdasarkan FIGO dapat dilihat pada tabel di bawah ini (American Cancer Society, 2010).
Tabel 2.1 Klasifikasi Stadium Klinis Kanker Serviks Menurut FIGO
Stadium Patologi
0 Karsinoma in situ (kanker pranvasif)
I Kanker serviks yang terbatas hanya pada serviks (penyebaran ke corpus diabaikan)
I a Invasi kanker didiagnosa dengan mikroskopi
I a1 Invasi minimal, semua lesi yang dapat dilihat dengan mikroskop
I a2 Kedalaman invasi stroma 3,00 mm atau kurang dan 7,00 mm atau kurang pada penyebaran yang mendatar
dan 7,00 mm atau kurang pada penyebaran yang mendatar
I b1 Secara klinis lesi dapat dilihat 4,00 cm atau kurang dengan pembesaran maksimal
I b2 Secara klinis lesi dapat dilihat 4,00 atau lebih denganpembesaran maksimal
II
Karsinoma menyerang di luar serviks tetapi belum meluas ke dinding pelvis dan 1
3 distal vagina
II a Tanpa ada keterlibatan parametrium yang nyata II b Melibatkan parametrium nyata
III Tumor meluas ke dinding pelvis dan/atau meliputi 1
3 distal vagina dan/atau menyebabkan hydronephrosis atau tidak berfungsi ginjal III a Tumor meluas ke 1
3 distal vagina, tidak menyebar ke dinding pelvis
III b Tumor menyebar ke dinding pelvis dan/atau menyebabkan hydroneprosis atau tidak berfungsinya ginjal
IV a
Tumor myerang mukosa dari kandung kemih atau rectum dan/atau sudah keluar dari pelvis. Edema bulosa pada kandung kemih saja tidak boleh dimasukkan pada stadium T4
IV b Menyerang ke organ yang lain Sumber: American Cancer Society, 2010
Nasution (2008) melaporkan stadium klinis yang memiliki proporsi tertinggi pada penderita kanker seviks ialah stadium lanjut (IIb-IVb) 57,9% dan penderita kanker serviks dengan stadium dini (0-IIa) 42,1%. Sama halnya dengan hasil penelitian yang dilakukan oleh Sirait et al (2003), penderita kanker serviks di RS Kanker Dharmais Jakarta kebanyakan datang pada stadium IIIb sebesar 38,0% yang diikuti stadium IIb sekitar 25,5%.
4. Tingkat pendidikan
Dari hasil penelitian, terlihat bahwa banyak penderita kanker serviks mempunyai tingkat pendidikan yang rendah sebanyak 54,3% (2008) dan 62,5% (2009) (Arumugam, 2010). Hasil yang hampir sama juga terlihat pada penelitian di RSU. Dr. Pirngadi diperoleh penderita kanker serviks yang berpendidikan rendah sebesar
50,3%, berpendidikan menengah 38,8% dan berpendidikan tinggi sebesar 10,9% (Nasution, 2008).
5. Kontrasepsi
Berdasarkan hasil penelitian, terlihat bahwa banyak responden yang menderita kanker serviks tidak pernah menggunakan kontrasepsi sebanyak 71,4% (2008) dan 64,8% (2009) (Arumugam, 2010). Setyarini (2009), mengatakan bahwa penggunaan kontrasepsi dalam jangka > 4 tahun meningkatkan resiko kanker serviks sebesar 0,20 kali lebih besar daripada penggunaan kontrasepsi ≤ 4 tahun.
6. Paritas
Berdasarkan hasil penelitian Arumugam (2010), terlihat bahwa banyak responden yang menderita kanker serviks mempunyai jumlah paritas ≥ 3 sebanyak 80% (2008) dan 59,1% (2009). Menurutnya, peningkatan infeksi semakin besar pada persalinan melebihi 3 kali, diperkirakan risiko 3 – 5 kali lebih besar pada wanita yang sering melahirkan untuk terjadi kanker serviks. Sama halnya dengan hasil penelitian yang dilakukan oleh Melva (2008), proporsi terbesar terjadi pada wanita yang mempunyai paritas ≥ 3.
7. Frekuensi ganti pasangan
Berdasarkan hasil penelitian, terlihat bahwa banyak responden yang menderita kanker serviks hanya menikah 1 kali sebanyak 87,1%.(2008) dan 71,6% (2009) (Arumugam, 2010). Menurut Melva (2008), resiko seseorang untuk terkena kanker serviks dengan menikah lebih dari 1 kali ialah 1,48 kali lebih tinggi dari wanita dengan frekuensi pernikahan 1 kali.
8. Merokok
Beberapa penelitian melaporkan bahwa resiko terkena kanker seviks akan menjadi lebih tinggi pada wanita perokok dibanding tidak merokok. Rokok membuat daya tahan tubuh menurun sehingga rentan terhadap infeksi HPV. Namun ada anggapan bahwa zat-zat yang terkandung dalam asap rokok seperti nikotin dan tar dapat mempengaruhi sel-sel selaput lendir (mukosa) saluran pernapasan dan juga saluran organ lain dalam tubuh manusia termasuk mukosa leher rahim wanita (Melva, 2008).
BAB 3
METODOLOGI PENELITIAN
3.1 Jenis dan Rancangan Penelitian
Jenis penelitian ini termasuk penelitian desain khusus yaitu penelitian kesintasan. Penelitian kesintasan merupakan penelitian yang bertujuan untuk mengetahui suatu kejadian yang dikaitkan dengan kapan waktu terjadinya. Rancangan penelitian yang digunakan ialah penelitian retrospektif yang bersifat observasional (tidak ada manipulasi atau perlakuan terhadap objek yang diteliti) mengikuti perjalanan penyakit ke arah belakang untuk melihat hubungan faktor resiko dengan terjadinya suatu peristiwa.
3.2 Lokasi dan Waktu Penelitian
Lokasi yang dipilih untuk melakukan penelitian ialah RSUP. H. Adam Malik Medan, yaitu di bagian rekam medis. Lokasi ini dipilih karena RSUP. H. Adam Malik Medan merupakan rumah sakit pusat rujukan regional Sumatera Bagian Utara dan Sumatera Bagian Tengah kelas A yang memiliki data rekam medis yang baik. Penelitian dilaksanakan dengan mengumpulkan data rekam medis mulai dari Maret hingga April 2011.
3.3 Populasi dan Sampel 3.3.1 Populasi
Populasi dalam penelitian ini ialah seluruh pasien rawat inap di instalasi rindu B RSUP. H. Adam Malik Medan yang datang pada bulan Januari 2009 hingga Desember 2009.
3.3.2 Sampel
Sampel dalam penelitian ini ialah pasien rawat inap di instalasi rindu B RSUP. H. Adam Malik Medan yang datang pada bulan Januari 2009 hingga Desember 2009. Pemilihan sampel dilakukan dengan metode total sampling. Sampel penelitian yang diambil ialah pasien yang memiliki data rekam medis yang lengkap sesuai dengan tujuan penelitian yang ingin dicapai.
3.4 Variabel dan Definisi Operasional 3.4.1 Variabel
Variabel dependen pada penelitian ini ialah waktu kesintasan penderita kanker serviks dimulai dari awal didiagnosa menderita kanker serviks dengan satuan hari. Variabel independen yang digunakan dalam penelitian ini ialah variabel yang tersedia dari data rekam medis dan mengarah kepada faktor resiko yaitu:
1. Usia 2. Pendidikan 3. Pekerjaan 4. Stadium klinis 5. Penggunaan kontrasepsi 6. Usia menikah
7. Penyakit yang menyertai
Baik variabel dependen maupun variabel independen diukur berdasarkan data rekam medis penderita kanker serviks.
3.4.2 Definisi Operasional
Variabel dependen pada penelitian ini ialah waktu kesintasan penderita kanker serviks dimulai dari awal didiagnosa menderita kanker serviks sampai pengamatan 1 tahun. Setelah 1 tahun dilakukan pengecekan terhadap status kehidupan penderita. Status ini dilihat dari data rekam medis penderita. Penderita dikatakan mengalami peristiwa (kematian) apabila ada surat keterangan dari rumah sakit yang menyatakan bahwa penderita telah meninggal. Untuk penderita yang tidak diketahui statusnya pada akhir pengamatan dikatakan tersensor (hidup) dan lama waktu kesintasannya dihitung dari awal terdiagnosa menderita kanker serviks sampai waktu kunjungan terakhir ke rumah sakit.
Hasil : waktu kesintasan (hari)
Skala : nominal
Status : mengalami peristiwa (kematian) = 1
tersensor (hidup) = 0
Variabel independen pada penelitian ini ialah:
Usia
Perhitungan usia berdasarkan waktu kelahiran hingga pada saat datang pertama kali ke RSUP. H. Adam Malik Medan berdasarkan status penderita kanker serviks yang dirawat inap yang tercantum pada data rekam medis.
Hasil : usia (tahun)
Skala : nominal
Status : 31 − 40 = 1 41 − 50 = 2 51 − 60 = 3 > 60 = 4
Pendidikan
Pendidikan formal tertinggi yang pernah dienyam oleh penderita sesuai dengan yang tertera pada data rekam medis.
Hasil : pendidikan (≤ SD, SLTP, SLTA, PT) Skala : nominal Status : ≤ SD = 1 SLTP = 2 SLTA = 3 PT = 4 Pekerjaan
Kegiatan rutin yang dilakukan penderita sehari-hari.
Hasil : ibu rumah tangga, PNS/wiraswasta, dan lainnya (petani, pensiunan)
Skala : nominal
Status : ibu rumah tangga = 1 PNS/wiraswasta = 2 lainnya = 3 Stadium Klinis
Keadaan penderita ketika pertama kali didiagnosa oleh petugas kesehatan RSUP. H. Adam Malik Medan.
Hasil : stadium I sampai IV
Skala : nominal
Status : stadium dini (0-IIa) = 1 stadium lanjut (IIb-IVb) = 2
Penggunaan Kontrasepsi
Penggunaan kontrasepsi seperti pil KB, injeksi KB, dan spiral oleh penderita sesuai dengan yang tercantum pada data rekam medis.
Hasil : pernah dan tidak pernah
Skala : nominal
Status : pernah = 1 tidak pernah = 2 Usia Menikah
Usia penderita kanker serviks pasien di RSUP. H. Adam Malik Medan ketika melakukan ikatan resmi pertama kali dengan seorang pria sesuai dengan yang tecantum pada data rekam medis.
Hasil : ≤ 20 dan > 20 Skala : nominal
Status : ≤ 20 = 1 > 20 = 2 Penyakit yang Menyertai
Penyakit yang diderita pasien selain kanker serviks, diantaranya diabetes mellitus, anemia, kanker ovarium, hipertensi, mioma, TB, tumor uterus, pneumonia, hidroneprosis, tumor abdomen, kista, hemodialisa, uremic syndrome, leucopenia, endrometrium, leukositosis, hepatitis C dan lain-lain.
Hasil : ada dan tidak ada penyakit
Skala : nominal
Status : ada = 1
3.5 Pengumpulan Data
Data yang digunakan ialah data sekunder yang diperoleh dari data rekam medis penderita kanker serviks pasien yang rawat inap di RSUP. H. Adam Malik Medan tahun 2009 yang diikuti selama 1 tahun sampai Desember 2010. Data rekam medis penderita kanker serviks yang dipilih sebagai sampel, dikumpul dan dilakukan pencatatan sesuai dengan variabel yang akan diteliti.
3.6 Pengolahan Data
Pengolahan data dilakukan dengan langkah-langkah berikut:
1. Editing, yaitu mengkaji dan meneliti data yang telah terkumpul dari hasil data rekam medis
2. Coding, yaitu pemberian kode pada data untuk mempermudah proses memasukkan data ke dalam program komputer
3. Entry, yaitu memasukkan data ke dalam program komputer untuk dilakukan analisis lebih lanjut
4. Tabulating, yaitu setelah data tersebut masuk ke dalam program komputer kemudian direkap dan disusun dalam bentuk tabel agar dapat dibaca dengan jelas
3.7 Analisis Data
Analisis data dilakukan dengan bantuan software statistik SPSS versi 17,0 dan Microsoft exel untuk menggambarkan karakteristik data. Adapun analisis yang akan dilakukan ialah analisis univariat, bivariat dan multivariat.
1. Analisis univariat merupakan analisis distribusi variabel tunggal. Pada analisis univariat akan digambarkan karakteristik data masing-masing variabel dependen dan variabel independen penderita kanker serviks. Analisis ini hanya menghasilkan distribusi dan persentase dari tiap variabel. Untuk mendukung karakteristik penderita kanker serviks disajikan dalam bentuk diagram.
2. Analisis bivariat digunakan untuk melihat hubungan antara 1 variabel independen dengan variabel dependen. Pada analisis ini digunakan metode Kaplan-Meier untuk menentukan estimasi fungsi kesintasan 1 tahun penderita kanker serviks. Selanjutnya untuk menentukan apakah ada perbedaan fungsi kesintasan antara variabel independen digunakan uji log rank. Jika didapat 𝑝 > 0,05 maka tidak ada perbedaan antara variabel independen dengan fungsi kesintasan atau dapat dilihat dari kurva kesintasan yang saling berpotongan yang menandakan tidak adanya perbedaan antara variabel independen dengan fungsi kesintasan.
3. Analisis multivariat digunakan untuk mengetahui seberapa besar hubungan beberapa variabel independen secara serentak terhadap variabel dependennya. Regresi cox proportional hazard digunakan untuk analisis ini.
Pada analisis ini langkah awal yang harus dilakukan ialah menentukan variabel kandidat yang akan diikutsertakan pada analisis multivariat. Variabel yang akan diikutsertakan merupakan variabel yang memiliki pengaruh dengan waktu kesintasan yaitu ketika nilai 𝑝 < 0,25 (Sirait et. al, 2003) pada analisis bivariat. Diantara variabel kandidat tersebut ditentukan variabel independen yang berpengaruh terhadap waktu (𝑝 < 0,05). Selanjutnya dilakukan pengujian interaksi antara variabel independen dengan menggunakan uji ratio likelihood, jika nilai 𝑝 < 0,05 berarti interaksi tersebut masuk dalam model. Namun jika nilai 𝑝 > 0,05 maka variabel interaksi tidak dimasukkan dalam model.
