Survival Analysis of Heart Failure Patients Using the Cox Proportional Hazards Model

This study applies the Cox Proportional Hazards model to analyze survival outcomes in heart failure patients using the Heart Failure Clinical Records dataset. Kaplan–Meier analysis used to estimate survival probabilities, Cox regression employed to identify significant clinical risk factors. The fitted full-cohort model yielded apparent Concordance Index of 0.7408, whereas held-out test evaluation from stratified 75:25 train–test split yielded a mean time-dependent AUC of 0.7506 and Integrated Brier Score of 0.1658. Age, serum creatinine, high blood pressure, anaemia, creatinine phosphokinase, and ejection fraction were identified as significant predictors of mortality. The results indicate that survival analysis provides more comprehensive prognostic information than binary classification because it estimates both mortality risk and patient survival probability. This approach also support patient risk stratification and facilitate more targeted clinical decision-making. This approach provides interpretable framework for patient risk profiling and individualized survival estimation, but external validation is required before clinical use. Penelitian ini menerapkan model Cox Proportional Hazards untuk menganalisis ketahanan hidup pasien gagal jantung menggunakan dataset Heart Failure Clinical Records. Analisis Kaplan–Meier digunakan untuk mengestimasi probabilitas ketahanan hidup, regresi Cox digunakan untuk mengidentifikasi faktor risiko klinis yang signifikan. Model full-cohort menghasilkan apparent Concordance Index sebesar 0,7408, evaluasi pada held-out test set dari stratified 75:25 train–test split menghasilkan mean time-dependent AUC sebesar 0,7506 dan Integrated Brier Score sebesar 0,1658. Usia, serum creatinine, hipertensi, anemia, creatinine phosphokinase, dan ejection fraction menjadi prediktor signifikan terhadap mortalitas. Hasil penelitian menunjukkan bahwa analisis survival memberikan informasi prognosis yang lebih komprehensif dibandingkan klasifikasi biner karena mampu mengestimasi risiko kematian dan probabilitas ketahanan hidup. Pendekatan ini juga dapat mendukung stratifikasi risiko pasien serta pengambilan keputusan klinis yang lebih terarah. Pendekatan ini memberikan kerangka yang dapat diinterpretasikan untuk profil risiko dan estimasi survival individual, tetapi memerlukan validasi eksternal sebelum digunakan untuk mendukung keputusan klinis.