Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTujuan: Penelitian ini bertujuan untuk menyusun Algoritma Stroke Gadjah Mada (ASGM), yaitu suatu strategi klinik yang akurat, cepat, mudah, aman, dan murah, untuk membedakan stroke perdarahan intraseserbri dengan stroke iskemik akut atau stroke infark, sebagai tes diagnostik pengganti pemeriksaan CT-scan kepala.

---

ABSTRACTObjective: to develop a Gadjah Mada Stroke Algorithm as a clinical strategy for distinguishing intracerebral haemorrhage from acute ischaemic or infraction stroke afteronset pof stroke with simplicity, accuracy, speed, safety, and at no cost in a setting where computerised tomography brain scans (CT-scan) are not readily available"

"Stroke atau cerebrovascular accident(CVA) merupakan penyebab kematian nomor tiga di Amerika Serikat dan salah satu penyebab kematian dan kecacatan neurologis yang utama di Indonesia. Stroke merupakan penyakit kronis yang bersifat menetap dan tidak dapat pulih secara total yang disebabkan oleh adanya gangguan peredaran darah otak (GPDO) (Mansjoer et al, 2000; Taylor, 1999). Efek yang ditimbulkan dari CVA beragarn, tergantung pada daerah otak yang terganggu. Selain kelumpuhan, kesulitan berbicara, dan memori yang terganggu, gangguan yang sering rnuncul adalah afasia yaitu gangguan pada kemampuan menggunakan kata-kata (Davison & Neale, 1996).Gangguan bahasa (Afasia) merupakan salah satu akibat dari kerusakan hemisfer kiri pada pasien stroke yang kinan. Salah satu alat diagnostik untuk melakukan pengukuran dalam bidang neuropsikologi yaitu TADIR (Tes afasia, diagnosa, inforrnasi, dan rehabilitasi). Melalui TADIR dapat dilihat sindrom afasia yang diderita oleh pasien. Pembagian sindrom-sindrom afasia dalam TADIR menggunakan klasiiikasi Boston yang dibuat oleh Goodglass dan Kaplan. Atas dasar aspek-aspek penamaan, kelancaran, peniruan dan pernahaman auditif, makaGoodglass 3: Kaplan (dalam Dharmaperwira-Prins, 2002) menyusun klasifikasi sindrom-sindrom afasia. Setiap sindrom afasia dihubungkan dengan suatu tempat kerusakan tertentu di otak. Salah satu tujuan pemeriksaan ialah menenlukan letak kerusakan. Penelitian yang dilakukan oleh Kertesz (dalam Dharmaperwira-Prius, 2002) dengan menggunakan CT-scan, secara garis besar membenarkan lokalisasi sindrom afasia klasifikasi Boston (Dharmaperwira-Pnns, 2002).Sementara itu dibidang kedokteran, khusuanya secara neurologis, untuk diagnostik lebih lanjut yang menunjukkan tempat kerusakan di otak dapat dimanfaatkan teknologi tertentu seperti penggunaan CT-scan dan MRI.Hasil penelitian yang telah dilakukan di luar negeri dengan menggunakan CT-scan, secara garis besar telah membenarkan lokalisasi sindrom afasia yang klasifikasi Boston. Sedangkan pembagian sindrom-sindrom afasia dalam TADIR menggunakan klasifikasi Boston yang dibuat oleh Goodglass dan Kaplan. Hal ini yang membuat peneliti tertarik untuk meneliti kembali hasil penelitian itu, terutama di Indonesia. Tujuan dari penelitian ini adalah untuk mengetahui hubungan antara hasil CT-scan/MRI tentang lokasi kerusakan di otak dengansindrom afasia yang diderita pasien berdasarkan hasil tes TADIR.Di dalam penelitian ini digunakan data sekunder dari bagian Fungsi Luhur, Neurologi RSCM selama tahun 2003. Untuk menghitung korelasi antara hasil CT-scan/MRI tentang lokasi kerusakan di otak dengan sindrom afasia yang diderita pasien berdasarkan hasil tes TADIR, digunakan teknik Cramer Coejicient C dan diolah dengan menggunakan program SPSS 10.0 for Windows.Hasil penelitian menunjukkan bahwa terdapat korelasi yang signifikan antara hasil CT-scan/MRI tentang lokasi kerusakan di otalc dengan sindrom afasia yang diderita pasien berdasarlcan hasil tes TADIR. Dengan demikian hasil penelitian ini akan memperkuat teori klasifikasi Boston yang dibuat oleh Goodglass & Kaplan (dalam Dharmapenvira-Prius, 2002) yang menyusun klasifikasi sindrom-sindrom afasia dimana tiap sindrom afasia dihubungkandengan suatu tempat kerusakan tertentu di otak. Selain itu hasil penelitian ini jugamendukung penelitian sebelumnya yang dilakukan Kertesz (dalam Dharmaperwira-Prins, 2002) dengan menggunakan CT-scan yang secara garis besar membenarkan lokalisasi sindrom afasia berdasarkan klasifikasi Boston.Sebagai penutup, diberikan saran-saran untuk penelitian selanjutnya. Untuk penelitian lanjutan dapat memperbanyak sampel, hal ini terkait dengan generalisaai hasil pada populasi. Selain itu secara statistik, dengan sampel besar diharapkan agar semua kategori dalam perhitungan dapat diolah dan tidak ada kategori yang hilang. Perlunya penelitian lanjutan akan afasia terkait dengan aspek psikososial yang ditimbulkannya, dimana seseorang yang terkena afasia akan mempunyai kesulitan besar atau kecil dalam penggunaan bahasanya. Dampak dari perubahan itu tidak hanya dirasakan oleh pasien tetapi juga keluarga dan lingkungan sekitarnya. Perlunya kerjasama lebih lanjut antara bidang neurologi, psikologi, logopedi dan Iinguistik dalam menangani gangguan bahasa atau afasia. Hasil penelitian ini dapat dijadikan sebagai masukan informasi bagi para dokter, perawat, psikolog, terapis wicara, dan pihak lain yang terkait bahwa selain CT-scan dan MRI, tes TADIR dapat digunakan untuk mendeteksi lokasi kerusakan di otak, serta merupakan salah satu pilihan dari alat diagnostik gangguan bahasa (Afasia) dengan biaya yang relatif tenjangkau dan pelaksanaannya tidak memakan banyak waktu."

"ABSTRAKNama : Selly MarisdinaProgram Studi : Kajian Administrasi Rumah SakitJudul : Manajemen lean terhadap proses pelaksanaan CT Scan kepalapasien stroke iskemik di Instalasi Gawat Darurat RSUP Dr. Moh.Hoesin PalembangWaktu tunggu proses pelaksanaan CT Scan kepala pasien stroke iskemik diIntalasi Gawat Darurat RSUP Dr. Moh Hoesin belum standar. Tujuan penelitianadalah menerapkan manajemen lean terhadap proses pelaksanaan CT Scan kepalapasien stroke iskemik di IGD. Penelitian ini menggunakan metode operationalresearch. Hasil penelitian didapatkan lead time Current Visual Stream Map VSM adalah 175,41 menit. Pada Simulated VSM didapatkan penurunan lead timeyang signifikan menjadi 30,09 menit, peningkatan persentase Value AddedActivities dan penurunan Non Value Added activites. Disimpulkan bahwapenerapan manajemen lean telah berhasil memperbaiki waktu tunggu prosespelaksanaan CT Scan kepala pasien stroke iskemik di IGD.Kata kunci: lean, value added, non value added but neccessary, non value added,current, lead time value streaming map, simulated value streaming map

---

ABSTRACTName Selly MarisdinaStudy Progam Hospital Adiministration ProgramJudul Lean management in Head CT Scan Proses of Ischemic StrokePatients inMohammad Hoesin Hospital PalembangThe waiting time of head CT Scan prosess of ischemic stroke patient inEmergency Departement of Mohammad Hoesin Hospital Palembang has not beenstandard yet. The objectives was to apply lean management in this process byoperational research. We found that lead time of Current Visual Stream Map is175,41 minutes and in Simulated VSM, there were a significant decrease of leadtime to 30,09 minutes, increase of Value added Activites percentage and decreaseof Non Value Added Activites. Lean management has been successfully improvedthe waiting time of head CT Scan proses of ischemic stroke patient in ED.Key word lean, value added, non value added but neccessary, non value added,current, lead time value streaming map, simulated value streaming map"

"Stroke adalah penyebab kematian tertinggi di Indonesia. Elektroensefalografi kuantitatif qEEG adalah suatu modalitas untuk mendeteksi stroke pada pasien dengan pemantauan berkelanjutan. Tapi, EEG membutuhkan banyak kanal sehingga semakin lama durasi komputasi dan fitur berlebih. Studi ini mengajukan Extreme Gradient Boosting XGBoost dengan reduksi fitur dan kanal; analisis komponen utama PCA atau algoritma genetik GA . Klasifikasi berdasarkan tingkat keparahan stroke dari nilai National Institutes of Health Stroke Scale NIHSS . Hasil menunjukkan PCA meningkatkan akurasi lebih tinggi dari GA; akurasi pengujian 78.67 dengan 8 kanal F7-F8, C3-C4, T1-T2, O1-O2 . Dari evaluasi nilai NIHSS, kanal-kanal perlu merepresentasikan paling utama lobus temporal dan frontal.

---

Stroke is the most leading cause of death in Indonesia. Quantitative electroencephalography qEEG was one of modality to detect stroke on inward patients with continuous monitoring. However, EEG used many channels that caused longer computation and redundant features. This study proposed Extreme Gradient Boosting XGBoost with feature and channel reduction principle component analysis PCA or genetic algorithm GA . Stroke classification was based on severity from National Institutes of Health Stroke Scale NIHSS . The result showed that PCA gained higher accuracy than GA 78.67 with 8 channels F7 F8, C3 C4, T1 T2, O1 O2 . From NIHSS score evaluation, channels should represent mostly frontal and temporal lobes."

"Stroke merupakan penyebab utama kematian dan kecacatan di Indonesia. Mengingat sempitnya jendela waktu pengobatan stroke iskemik hiperakut dan potensi komplikasi yang terkait dengan intervensi trombolisis, prognostikasi yang akurat esensial dalam memastikan terapi yang cepat dan tepat. Penelitian ini memanfaatkan pembelajaran mesin, khususnya Random Forest (RF), bertujuan untuk mengembangkan model yang mampu memprediksi hasil klinis (Δ NIHSS) pasien stroke iskemik hiperakut setelah trombolisis, berdasarkan CT scan otak, data klinis, dan nilai laboratorium. Klasifikasi Δ NIHSS menggunakan tiga skenario berbeda —CT, CT + Data klinis, dan CT + Data klinis + Data lab— dan dikategorikan menjadi 2 dan 3 kelas yang akan digunakan dalam pemantauan model prediksi mana yang memberikan performa paling optimal. Pengumpulan data studi kohort ini diperoleh saat kedatangan awal pasien, terdiri dari data klinis, laboratorium, dan data CT otak non-kontras dari rekam medis dan Picture Archiving Communication System (PACS) Rumah Sakit Cipto Mangunkusumo Jakarta dengan periode 10 tahun sejak November 2014 hingga Februari 2023 dan total 145 pasien. Arsitektur dari Bacchi et al.1 yakni convolutional neural network (CNN) dan model pembelajaran mesin konvensional lainnya juga dianalisis sebagai pendekatan alternatif. Hasil penelitian menunjukkan bahwa algoritma RF (2 kelas) menggunakan data validasi dan skenario CT + Data klinis + Data lab menampilkan akurasi tertinggi (75%) dan unggul dalam sensitivitas dan spesifisitas (0,61 dan 0,59). Performa metrik juga menunjukkan tren peningkatan dari setiap skenario. Model ini diharapkan dapat meningkatkan efisiensi penatalaksanaan stroke iskemik hiperakut dengan memberikan informasi tambahan kepada klinisi dalam pengambilan keputusan terkait intervensi trombolisis.

---

Stroke is the leading cause of both mortality and disability in Indonesia. Given the narrow time frame for treating acute ischemic stroke and the potential complications associated with thrombolysis intervention, accurate prognostication is essential to ensure a prompt and appropriate treatment. The National Institutes of Health Stroke Scale (NIHSS) can be utilized to identify individuals who may benefit from reperfusion therapy. The data for this cohort study acquired during the initial presentation, comprising clinical, laboratory, and non-contrast brain CT data from the medical records and Picture Archiving Communication System (PACS) of Cipto Mangunkusumo Hospital Jakarta. The study included 145 patients who experienced acute ischemic stroke and received thrombolysis treatment from November 2014 to February 2023. Currently, there is no clinical outcome prediction model for hyperacute ischemic stroke using data from Indonesia. By utilizing machine learning, specifically Random Forest, the author aims to develop a model capable of predicting the clinical outcome (Δ NIHSS) of hyperacute ischemic stroke patients following thrombolysis, based on brain CT scans, clinical data, and laboratory values. The classification of Δ NIHSS used three distinctive scenarios —CT, CT + Clinic, and CT + Clinic + Lab— and is categorized by 2 and 3 classes will be used in monitoring which prediction model gives optimal performance. Architecture derived from the research conducted by Bacchi et al.1 employed a convolutional neural network (CNN) and other conventional machine learning models were also analyzed as alternative approach. Result revealed that RF algorithm (2 classes) using data validation and CT + Clinic + Lab scenario displays the highest accuracy (75%) and excels in sensitivity and specificity (0,61 and 0,59). The performance metrics show continuous improvement, indicating that this model can enhance hyperacute ischemic stroke management by providing clinicians with additional decision-making support for thrombolysis intervention."

"Di Indonesia, stroke merupakan penyakit dengan angka kematian tertinggi yaitu menempati urutan pertama selamalebih dari dua dekade, 1990-2017. Stroke dibagi menjadi dua jenis, iskemik dan hemoragik, namun 87% penderitastroke adalah stroke iskemik. Sementara itu, jika pasien menderita stroke iskemik dan hal tersebut baru pertama kaliterjadi, maka penderita harus segera mungkin mendapatkan penanganan. Hal ini dikarenakan adanya golden periodpada penanganan stroke yaitu selama 4.5 jam, agar penderita dapat tertolong dan mengurangi risiko kematian ataukecacatan permanen. Oleh karena itu, penting adanya deteksi dini, sehingga banyak penelitian yang dilakukankhususnya di bidang teknologi untuk melakukan diagnosis otomatis guna membantu dokter. Machine learning dandeep learning adalah metode yang sering digunakan karena kemampuannya memberikan hasil prediksi dengan akurasi tinggi. Pada penelitian ini penulis akan memberikan pembaruan dalam pendeteksian stroke iskemik berdasarkan CT scan pasien dengan mengganti peran neural networks untuk klasifikasi pada CNN dengan random forest, support vector machines and k-nearest neighbors. Berdasarkan metode yang dirancang, akurasi pada data training didapatkan 100% untuk RF dan SVM. Dalam validasi data, RF (94,07%) menghasilkan akurasi yang lebih tinggi pada nilai rata-rata dibandingkan dengan SVM (93,20%) dan kNN (79,01%).

---

In Indonesia, stroke is a disease with the highest mortality rate, which ranks first for more than two decades, 1990-

2017. Stroke is divided into two types, ischemic and hemorrhagic, but 87% of stroke patients are ischemic stroke.

Meanwhile, if the patient suffers from an ischemic stroke and this is the first time it has happened, then the patient

should get treatment as soon as possible. This is because there is a golden period in stroke treatment, which is 4.5

hours, so that patients can be helped and reduce the risk of death or permanent disability. Therefore, early detection is important, so that a lot of research has been carried out, especially in the field of technology to carry out automatic diagnosis to help doctors. Machine learning and deep learning are methods that are often used because of their ability to provide predictive results with high accuracy. In this study, the authors will provide an update in the detection of ischemic stroke based on CT scans of patients by replacing the role of neural networks for classification on CNN with random forests, support vector machines and k-nearest neighbors. Based on the designed method, the accuracy of the training data is 100% for RF and SVM. In data validation, RF (94.07%) resulted in higher accuracy in the average value compared to SVM (93.20%) and kNN (79.01%)."

"Latar belakang: Pentoksifilin belum memberikan hasil yang konsisten pada pasien stroke iskemik akut sehingga pada penelitian ini dipakai suatu penanda spesifik untuk melihat efektifitas terapi yaitu adanya hiperviskositas darah. Metode: Penelitian ini merupakan penelitian uji klinis acak tersamar tunggal. Pasien stroke iskemik akut onset kurang dari 72 jam yang mengalami hiperviskositas darah diacak menjadi kelompok perlakuan n=22 dan kontrol n=22 . Terapi standar stroke akut diberikan pada semua subyek. Kelompok perlakuan mendapat terapi tambahan berupa pentoksifilin 1.200mg/hari intravena selama lima hari dan dilanjutkan dosis oral 2x400mg per hari selama 23 hari setelahnya. Pemeriksaan viskositas darah dan interleukin-6 dilakukan pada hari pertama dan ketujuh perawatan. Luaran klinis dinilai dengan menggunakan national institute of health stroke scale NIHSS , modified rankin score mRS dan indeks barthel pada hari ketujuh dan juga pada hari ke-30. Hasil: Kadar viskositas darah seluruh subyek mengalami penurunan pada hari ketujuh dan ketiga puluh. Pada kelompok perlakuan, rerata penurunan viskositas darah memiliki perbedaan bermakna pada subyek dengan faktor risiko merokok dan dislipidemia. Tidak didapatkan penurunan kadar interleukin-6 pada kedua kelompok. Kelompok perlakuan memiliki perbaikan defisit neurologis sebesar 32 risiko relatif [RR]1,00; 95 interval kepercayaan [IK] 0,421-3,556; p = 1,00 . Disabilitas dan kemandirian fungsional yang baik didapatkan pada 67 kelompok perlakuan RR 1,026; 95 IK 0,656-1,605; p = 0,9 . Pada kelompok perlakuan, luaran klinis berbeda bermakna pada subyek yang memiliki sakit jantung dan diabetes melitus. Kesimpulan: Setelah pemberian pentoksifilin didapatkan penurunan kadar viskositas dan perbaikan luaran klinis. Studi lanjutan dibutuhkan dengan kriteria yang lebih spesifik dan jumlah sampel yang lebih besar.

---

Background: The role of pentoxifylline in acute ischemic stroke lacks objective markers of its efficacy. Therefore, we used blood viscosity to determine the efficacy of pentoxifylline.

Method: This was a randomized single blind, controlled trial. Acute ischemic stroke patients with blood hyperviscosity within 3 day onset were randomly allocated to the study n 22 or control n 22 group. All subjects received a standard treatment for acute ischemic stroke. The study group was administered with intravenous pentoxifylline 1,200 mg day for five consecutive days and continued with oral 800 mg in two divided doses for next twenty three days. Blood viscosity and interleukin 6 IL 6 were evaluated at the first and seventh day. Clinical outcomes were measured using the National Institutes of Health Stroke Scale NIHSS, modified Rankin Scale mRS, and barthel index BI at the seventh and thirtieth day.

Result: The level of blood viscosity of all subjects tends to be decreased on the seventh and thirtieth day. In study group, the decrement of blood viscosity was significant for smoking and dyslipidemic subject. There was no decrement of the IL 6 on both group. The improvement of NIHSS in study group was 32 relative risk RR 1,00 95 CI 0,421 3,556 p 1,00 . At 1 month follow up, 67 of study group had a good functional outcome RR 1,026 95 CI 0,656 1,605 p 0,9 and the good functional outcome was statistically significant for diabetes mellitus and heart disease subject.

Conclusion The decrement of blood viscosity and the improvement of clinical outcome were seen after pentoxifylline administration. "

"Di dunia kesehatan, tenaga medis dituntut untuk mengatasi berbagai jenis penyakit dengan gejala yang beragam. Oleh karena itu, diperlukan suatu teknologi untuk membantu mereka menyelesaikannya dengan baik. Penelitian ini mendukung mereka dengan menggunakan machine learning sebagai pemecah masalah. Metode machine learning yang digunakan pada penelitian ini adalah metode klasifikasi. Penulis membahas tentang stroke yang merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Penelitian ini mengamati perubahan densitas pada otak penderita stroke iskemik. Stroke iskemik merupakan salah satu jenis stroke yang terjadi ketika pembuluh darah tersumbat oleh trombus atau emboli. Penelitian ini menggunakan data CT scan dari Departemen Radiologi, Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Data yang berupa citra CT scan diubah menjadi data numerik dengan metode Gray Level Co-Occurrence Matrix dan Local Binary Pattern yang dibandingkan performanya pada saat melakukan proses klasifikasi. Penelitian ini menerapkan Support Vector Machines sebagai metode klasifikasi. Didapatkan hasil bahwa Support Vector Machines dengan Local Binary Pattern menghasilkan performa yang lebih baik dibandingkan Support Vector Machines dengan Gray Level Co-Occurrence Matrix.

---

In the health sector, the medical staffs are challenged to overcome many types of diseases with various symptoms. Therefore, a technology is needed to help them solving it well. This study is supporting them by using a machine learning as the problem solver. The machine learning method that is used in this study is classification method. The author discusses about stroke which is one of the diseases with the highest mortality rate in the world. This study observed the density changes in the brain of ischemic stroke sufferers. Ischemic stroke is one of the stroke types that occurs when the arteries are blocked by thrombus or embolism. This study used data of CT scan from Department of Radiology, Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The image data of the CT scan is changed into a numerical data by using the Gray Level Co-Occurrence Matrix method and the Local Binary Pattern which is being compared when processing the classification. This study applies Support Vector Machines as the classification method. The results showed that Support Vector Machines with Local Binary Pattern has a better performance than Support Vector Machines with Gray Level Co-Occurrence Matrix."