Penyakit paru merupakan salah satu masalah kesehatan yang berkaitan dengan risiko kematian pasien. Pemanfaatan data rekam medis membuka peluang untuk memahami pola ketahanan hidup pasien dan mengidentifikasi faktor-faktor yang berkaitan dengan risiko mortalitas. Tim peneliti Institut Teknologi Kalimantan mengembangkan pemodelan risiko mortalitas pasien penyakit paru menggunakan dua pendekatan, yaitu Cox Proportional Hazards Regression dan Gradient Boosting Survival, dengan studi kasus di RS Pertamina Balikpapan.
Penelitian menggunakan data rekam medis 1.119 pasien rawat inap penyakit paru selama periode 2024-2025. Dari jumlah tersebut, 102 pasien tercatat mengalami kejadian kematian, sedangkan 1.017 pasien merupakan data tersensor, yaitu tidak tercatat mengalami kejadian kematian hingga akhir pengamatan atau akhir waktu observasi yang tersedia. Diagnosis yang tercakup meliputi pneumonia, tuberkulosis, penyakit paru obstruktif kronik (PPOK), gagal napas, gangguan pernapasan, dan pneumonitis.
Tahap analisis diawali dengan deskripsi karakteristik pasien, estimasi Kaplan-Meier untuk menggambarkan probabilitas survival, serta uji Log-rank. Selanjutnya, model Cox digunakan untuk mengidentifikasi faktor yang berhubungan dengan hazard kematian, sementara Gradient Boosting Survival digunakan untuk memodelkan risiko dan menilai kontribusi relatif variabel prediktor. Evaluasi model menggunakan concordance index (C-index), yaitu ukuran kemampuan model membedakan urutan risiko antarindividu.
Hasil estimasi Kaplan-Meier menunjukkan bahwa probabilitas survival pasien menurun secara bertahap. Probabilitas survival pada hari ke-100 sebesar 94,85%, hari ke-300 sebesar 91,33%, dan hari ke-700 sekitar 70,89%. Uji Log-rank tidak menemukan perbedaan survival yang signifikan antara pasien laki-laki dan perempuan (p-value 0,8945).
Gambar 1. Kurva Kaplan-Meier Survival Pasien Penyakit Paru
Dalam pemodelan Cox, variabel usia dan jumlah kunjungan dikeluarkan karena tidak memenuhi asumsi proportional hazards pada model awal. Model akhir mengidentifikasi tiga variabel yang signifikan, yaitu indeks massa tubuh (IMT), tekanan darah diastolik, dan PPOK. Setiap kenaikan IMT sebesar 1 kg/m² berkaitan dengan penurunan hazard kematian sekitar 9% (hazard ratio 0,91), sedangkan kenaikan tekanan darah diastolik sebesar 1 mmHg berkaitan dengan peningkatan hazard sekitar 5% (hazard ratio 1,05), dengan variabel lain dianggap tetap. Pasien PPOK memiliki hazard lebih rendah dibandingkan pasien gagal napas sebagai kategori referensi (hazard ratio 0,25); hasil ini tidak berarti PPOK bersifat protektif secara umum. Model Cox menghasilkan C-index sebesar 0,6500.
Pada Gradient Boosting Survival, data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Model dioptimasi melalui Grid Search dan validasi silang lima lipatan. Model terbaik menghasilkan C-index validasi silang 0,6094, C-index pelatihan 0,6576, dan C-index pengujian 0,5575. Nilai pada data pengujian yang lebih rendah menunjukkan keterbatasan kemampuan diskriminasi model ketika digunakan pada data yang tidak dilibatkan dalam pelatihan.
Analisis feature importance menunjukkan bahwa IMT (0,3885), tekanan darah diastolik (0,2805), dan tekanan darah sistolik (0,2427) memberikan kontribusi relatif terbesar terhadap pembentukan model Gradient Boosting Survival, disusul saturasi oksigen (SPO2) dan PPOK. Nilai tersebut menggambarkan kontribusi dalam model, bukan arah pengaruh terhadap risiko kematian.
Gambar 2. Feature Importance Model Gradient Boosting Survival
Pada model Cox, tiga variabel yang signifikan adalah IMT (HR 0,91), tekanan darah diastolik (HR 1,05), dan PPOK (HR 0,25 relatif terhadap gagal napas). Grafik berikut menampilkan estimasi HR tanpa interval kepercayaan karena interval tersebut tidak tercantum dalam tabel laporan.
Gambar 3. Hazard Ratio Variabel Signifikan pada Model Cox
Ringkasan nilai C-index memperlihatkan Cox sebesar 0,6500, sedangkan Gradient Boosting Survival (GBS) menghasilkan 0,6576 pada data training dan 0,5575 pada data testing. Angka-angka ini tidak dapat digunakan untuk menyimpulkan keunggulan prediksi langsung antarmodel karena dasar evaluasinya tidak sama.
Gambar 4. Ringkasan C-index Model Cox dan Gradient Boosting Survival