Hasil Pencarian  ::  Simpan CSV :: Kembali

"Prevalensi stroke di Indonesia berdasarkan diagnosis tenaga kesehatan sebesar 7? dan yang mempunyai riwayat gejala sebesar 12,1?. Pemeriksaan awal menggunakan CT Scan menimbulkan dampak radiasi serta membutuhkan biaya operasional yang tinggi, sedangkan prevalensi stroke berdasarkan diagnosis atau gejala lebih tinggi pada kuintil indeks kepemilikan terbawah (13,1?) dan menengah bawah (12,6?).Penelitian ini mencoba melakukan analisis sinyal EEG secara otomatis berdasarkan data EEG pasien normal dan pasien stroke iskemik akut dengan pemrosesan sinyal digital berupa transformasi Wavelet serta jaringan saraf tiruan jenis feedforward dengan algoritma Extreme Learning Machine (ELM). Jordan mengemukakan bahwa elektroensefalografi dapat membantu mengkonfirmasi atau mendeteksi adanya stroke iskemik akut yang ditunjukkan dengan adanya perlambatan gelombang serta adanya ketidaksimetrisan antara gelombang otak kanan dan kiri.Penelitian ini menggunakan nilai Delta/Alpha Ratio (DAR), (Delta+Theta)/(Alpha+Beta) Ratio (DTABR) dan Brain Symmetry Index (BSI) sebagai nilai fitur masukan ELM yang diperoleh dengan transformasi Wavelet (Daubechies 4) serta metode Welch untuk mengidentifikasi stroke iskemik akut. Hasil penelitian ini diperoleh nilai akurasi di atas 85% dengan nilai sensitivitas di atas 86%

---

The prevalences of stroke in Indonesia are 7? based on the health professionals? statement and 12.1? based on patients' symptoms' history. Early examination using CT scan causes radiation effects and spent high operational cost while the prevalence of stroke based on diagnosis or symptoms were higher in the lowest (13.1 ?) and mid lower (12.6 ?) quintile of ownership index.

This study tried to analyze the signals of EEG automatically based on training data sets from normal patients and patients with acute ischemic stroke (AIS) using digital signal processing such as Wavelet transform and feedforward type of neural network with Extreme Learning Machine (ELM) algorithm. It was claimed that electroencephalography could help to confirm or detect acute ischemic stroke which is shown by the presence of the slow wave and the asymmetrical wave of right and left hemisphere.

This study uses Delta Alpha Ratio (DAR), (Delta+Theta)/(Alpha+Beta) Ratio (DTABR) and Brain Symmetry Index (BSI)'s value as the ELM input feature score which were obtained by Wavelet (Daubechies 4) transformation and Welch's method to identify acute ischemic stroke. In this study, the average performances of system test accuracy were above 85% with 86% sensitivity."

"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."

"Sinyal Electroencephalogram (EEG) merupakan sinyal yang merepresentasikan aktifitas otak manusia. Berbagai metoda telah digunakan untuk menganalisa sinyal EEG. Tulisan ini bertujuan untuk menganalisa hasil deteksi sinyal hits dan lapses EEG dengan menggunakan transfonnasi wavelet diskrit maju level 3 dan jaringan saraf tiruan baclqaropagalion neural network (BPNN). Dimana kondisi lapses adalah kondisi seorang pasien yang pada saat sebelum pemeriksaau. (sehari sebelumnya) melakukan aktifitas yang berat. Sedangkan hits adalah kondisi dimana sehari sebelum pemeriksaan pasien melakukan aktifitas ringan.Tahapan simulasi yang dilakukan adalah pembangan sinyal EEG, selanjutnya sinyal didekomposisi dengan menggunakan transformasi wavelet daubechies 4 level 3 untuk diketahui komponennya lalu komponen-komponen sinyal hasil dekomposisi dilatih dengan menggunakan 3 lapisan BPNN dengan target sebuah sinyal lapses.Simulasi dilakukan dengan 500 kali pelatihan dan 100 kali pelatihan. Pada 500 kali pelatihan (training epoch), dilakukan deteksi terhadap keluaran BPNN yang masukannya adalah sinyal detail 1, detail 2, detail 3, dan aproksimasi transformasi wavelet diskrit maju level 3. Hasil simulasi menunjukkan pendeteksian terbaik didapat dari masukan sinyal detail 2 tmnsformasi wavelet. Dari simulasi didapat bahwa jumlah pelatihan berkaitan dengan keekuratan deteksi, semakin banyak pelatihan maka deteksi akan semakin akurat."

"Umumnya, acute ischaemic stroke AIS didiagnosis menggunakan MRI Magnetic Resonance Imaging, CT Computed Tomography atau fMRI Functional MRI. Namun, MRI, fMRI dan CT tidak tersedia di rumah sakit komunitas rumah sakit tipe C, PUSKESMAS. Selain itu, MRI, fMRI dan CT tidak dapat mengukur untuk waktu yang lama atau tidak mungkin melakukan continuous scanning. Di sebagian besar rumah sakit komunitas, mereka memiliki mesin EEG Electroencephalogram untuk merekam gelombang otak. Sasaran dari penelitian ini adalah kemungkianan mengdiagnossa stroke iskemik dengan menggunakan EEG. Ada beberapa metode yang tersedia untuk mendeteksi AIS, yaitu BSI Brain Symmetry Index, DAR delta/alpha dan DTABR delta theta/alpha beta yang menganalisis rasio gelombang otak dari seluruh otak. Metode-metode ini perlu disempurnakan. Oleh karena itu, penulis mencoba menggunakan metode baru: specific asymmetry BSI. Metode ini membandingkan frekuensi bukan untuk 1-25 Hz melainkan mencari frekuensi band tertentu gelombang otak dari otak kanan dan kiri. Untuk mengembangkan sistem pendeteksian stroke, penulis menggunakan algoritma Extreme Machine Learning ELM karena ELM memberikan data akurat dengan kecepatan tinggi yang susah dibaca oleh mata manusia. Semua data diperoleh dari RS PON Rumah Sakit Pusat Otak Nasional, Jakarta dalam format edf. Ada 66 data pasien strke dan normal dan dianalisis dengan Matlab. BSI dan BSI asimetri spesifik dihitung menggunakan metode pwelch, dan DARs dan DTABR dihitung menggunakan wavelet db4. Algoritma ELM dikonfirmasi menggunakan CT-scan, yang didiagnosis oleh dokter. Diharapkan bahwa metode ini akan berguna untuk mendeteksi AIS di rumah sakit komunitas. Hasil penelitian ini diperoleh nilai akurasi deteksi stroke di atas 87.5.

---

Generally, acute ischaemic stroke AIS are diagnosed using MRI Magnetic Resonance Imaging, CT Computed Tomography or fMRI Functional MRI. However, MRI, fMRI and CT are not available in community hospitals C type hospitals, PUSKESMAS. In addition, MRI, fMRI and CT cannot measure for a long time or are unlikely to do continuous scanning. In most community hospitals, they have EEG Electroencephalogram machines to record brain waves. There are several methods available for detecting AIS, namely BSI Brain symmetry Index, DAR delta alpha and DTABR delta theta alpha beta that analyze the power ratio of brain waves from whole brain. These methods need to be refined. Therefore, authors attempt to use new method specific asymmetry BSI. This method compares the frequencies not for 1 25 Hz like BSI method, but looking for specific frequency band and the power ratio of brain wave from right and left hemisphere. To develop a stroke detection system, author uses the algorithm Extreme Machine Learning ELM because ELM provides accurate data with high speed rather read by human eye. All data were obtained from RS PON Rumah Sakit Pusat Otak Nasional, Jakarta in edf format. There were 66 voluntary subjects and analyzed with Matlab. The BSIs and specific asymmetry BSIs were calculated using pwelch methods, and the DARs and DTABRs were calculated using wavelet db4. The ELM algorithm was confirmed using CT scan, which was diagnosed by qualified doctors. It is expected that this method would be useful for detecting AIS in community hospitals. This research obtained 87.5 accuracy for detecting stroke."

"Merokok merupakan masalah kesehatan masyarakat di dunia, menurut World Health Organization (WHO 1988), kebiasaan merokok cenderung meningkat akhir-akhiir ini yaitu 50% pada laki-laki dan 8% pada wanita. Rokok adalah faktor risiko dari strok yang dapat dicegah (klasifikasi serebro vascular diasease III 1990), akan tetapi mekanisme rokok sebagai penyebab strok masih kontroversi. Barigarımenteria (1993) pada penelitianya menganggap rokok sebagai faktor risiko strok yang dapat menurunkan kadar protein S. Penelitian ini bertujuan untuk melihat pengaruh rokok terhadap penurunan kadar protein S pada strok iskemik fase akut. Penelitian dilakukan di Bagian Penyakit Saraf RSUPN-CM sejak bulan Mei 1996 sampai dengan Februari 1997 dengan disain kanıs kontrol pada 45 penderita strok iskemik akut perokok dan 45 penderita strok iskemik akut non perokok yang memenuhi kriteria inklusi. Semua penderita Paki-laki dengan rentang usia seluruh penderita 40 74 tahun. Pemeriksaan protein S dilakukan pada fase akut selambat-lambatnya hari keenam setelah serangan, menggunakan metode koagulometrik. Nilai standard protein 3 untuk orang Indonesia 76% 121,2%. Penilaian hasil aktifitas kadar protein S menurun bila nilai kurang dari 76%. Rerata usia pada kasus 57,2 ± 7,5, tahun dan rerata usia kontrol 56,9 ± 7,9 tidak terdapat perbedaan yang bermakna antara usia kasus dan kontrol (p=0,421). Rerata lama merokok 15,6 ± 8 talaan, 71% (32 orang) merokok lebih dari 10 tahun dan 28,8% (13 orang), merokok kurang dari 10 tahun, didapatkan perbedaan yang bermakna penurunan aktifitas protein S antara kasus dan kontrol (X 11,37, p- 0,0018; Ratio Odds 11,2). Rerata jumlah rokok yang dikonnanai perhari 15 ± 8 batang perhari, 35,5% (16 orang) merokok lebih dari 20 batang perhari, 64,4% (29 orang) merokok kurang dari 20 batang perhari (X²-4,45; p 0,0349, Ratio Odds-7,89). Semua penderita perokok kretek, 26,78% (12 orang) perokok kretek filter dan 73,3% (33 orang) perokok kretek non filter. Tidak didapatkan perbedaan bermakna perokok kretek filter dan non kretek filter (X=0,72; p = 0,403). Didapatkan penurunan aktifitas kadar protein S yang bermakna pada kasus dibanding dengan kontrol (Ratio Odds 14,3). Rata-rata aktifitas kadar protein S pada kasus 50,6% dan rata-rata pada kontrol 85,5%, terlihat perbedaan yang bermakna dengan uji t-test 7,5; p 0,0001. Tujub puluh lima persentil aktifitas kadar protein S menurun dibawah nilai standard normal pada kasus dan hanya lima belas persentil pada kontrol. Lama merokok dan jumlah rokok yang dikonsumsi setiap hari mempunyai pengaruh yang bermakna terhadap penurunan aktifitas kadar protein S (t-test-4,25; p- 0,0001; 95% CI 15,5-45,7) dan (t-test = 2,65; p=0,011; 95% CT 4,1-30,2.

---

Smoking is a public health problem in the world, according to the World Health Organization (WHO 1988), smoking habits tend to increase recently, namely 50% in men and 8% in women. Cigarettes are a risk factor for preventable stroke (cerebro vascular disease classification III 1990), however the mechanism of smoking as a cause of stroke is still controversial. Barigarımenteria (1993) in his research considered smoking as a risk factor for stroke which can reduce protein S levels. This study aims to see the effect of smoking on reducing protein S levels in the acute phase of ischemic stroke. The research was conducted in the Neurological Diseases Department of RSUPN-CM from May 1996 to February 1997 with a control design on 45 acute ischemic stroke sufferers who were smokers and 45 sufferers of acute ischemic stroke who were non-smokers who met the inclusion criteria. All Paki sufferers were male with an age range of 40 to 74 years. Protein S examination is carried out in the acute phase no later than the sixth day after the attack, using the coagulometric method. The standard value of protein 3 for Indonesians is 76% 121.2%. Assessment of activity results means S protein levels decrease if the value is less than 76%. The mean age of cases was 57.2 ± 7.5 years and the mean age of controls was 56.9 ± 7.9. There was no significant difference between the ages of cases and controls (p=0.421). The average number of cigarettes consumed per day was 15 ± 8 cigarettes per day, 35.5% (16 people) smoked more than 20 cigarettes per day, 64.4% (29 people) smoked less than 20 cigarettes per day (X²-4.45; p 0.0349, Odds Ratio-7.89). All sufferers were kretek smokers, 26.78% (12 people) were filter kretek smokers and 73.3% (33 people) were non-filter kretek smokers. There was no significant difference between filtered kretek and non-filtered kretek smokers (X=0.72; p = 0.403). There was a significant decrease in the activity of protein S levels in cases compared to controls (Odds Ratio 14.3). The average activity level of protein S in cases was 50.6% and the average in controls was 85.5%, showing a significant difference using the t-test of 7.5; p 0.0001. Seventy-fifth percentile activity levels of protein S decreased below normal standard values ​​in cases and only fifteen percentiles in controls. Length of smoking and the number of cigarettes consumed each day had a significant influence on reducing the activity of protein S levels (t-test-4.25; p-0.0001; 95% CI 15.5-45.7) and (t-test = 2.65; p=0.011; 95% CT 4.1-30.2."

"

Elektroensefalografi (EEG), sebagai metode rekaman neurofisiologis yang telah dimanfaatkan secara luas, terutama dalam penelitian dasar tentang fungsi otak dan pemantauan pasien dengan gangguan neurologis. serta sistem Brain Computer Interface (BCI) untuk menerjemahkan sinyal menjadi perintah atau fungsi tertentu. Dalam perekaman sinyal EEG, terdapat tantangan interferensi dan noise akibat amplitudo sinyal yang sangat kecil (mikrovolt [V]) dan frekuensi rendah. Penelitian ini mengeksplorasi pengembangan elektroda aktif sebagai solusi untuk menguatkan sinyal EEG sehingga dapat meminimalisir noise yang mungkin ada. Elektroda aktif dirancang menggunakan filter aktif Sallen & Key orde 2 dengan respon butterworth menggunakan OPA378 sebagai operational amplifier dengan frekuensi cut-off 0 hingga 100 Hz. Untuk meminimalisir jumlah kabel, diterapkan operasi single-supply sehingga hanya 3 kabel yang diperlukan untuk mengoperasikan elektroda aktif. Prototype elektroda aktif diuji menggunakan EEG simulator NETECH MiniSim 330 dan direkam menggunakan ADS1299 PDK sebagai ADC dan Raspberry Pi 4 Model B untuk menyimpan file rekaman. Hasilnya, elektroda aktif mampu melakukan penguatan sinyal sebesar 22 kali dengan cukup stabil pada rentang frekuensi 20 hingga 100 Hz dengan error sebesar 3.53% dari target penguatan yang diinginkan.

---

Elektroensefalografi (EEG) is a widely used method for recording neurophysiological signals, primarily for research on brain functions and monitoring patients with neurological disorders. The development of active electrodes is being explored as a solution to improve the quality of EEG signals, which are characterized by very low amplitude (microvolts [μV]) and low frequency. The active electrode is designed using Sallen & Key filter or Butterworth filter with OPA378 as the operational amplifier with a cut-off frequency range of 0 Hz to 100 Hz. To minimize the number of wires, single-supply operation is applied, requiring only three wires to operate the active electrode. The prototype of the active electrode was tested using a NETECH MiniSim 330 EEG simulator and recorded using an ADS1299 PDK as an ADC and a Raspberry Pi 4 Model B to save the recorded file. The results show that active electrodes can provide signal attenuation up to 22 times with sufficient stability in the 20 Hz to 100 Hz frequency range, with an error of 3.35% from the expected

"

"LATAR EELAKANGKejadian stroke menimbulkan kerusakan sel otak. Berbagai faktor risiko telah dikenal meliputi faktor risiko mayor dan minor. Kadar magnesium endogen sebagai salah satu faktor risiko kerusakan set otak masih belum banyak dianalisa dengan berbagai hasil penelitian yang masih kontroversial.METODEPenelitian ini merupakan penelitian prospektif longitudinal (retreated measurement design) dengan data printer diperoleh dari penderita stroke iskemik yang berobat ke RSCM yang memenuhi kriteria inklusi dan eksklusi. Diagnosis stroke iskemik dilakukan melalui pemeriksaan klinis dan CT Scan atau MRI kepala. Dilakukan pemeriksaan laboratorium darah, analisa urin, EKG, dan foto thoraks pada saat masuk. Dilakukan pemeriksaan magnesium serum, plasma, eritrosit pada hari ke-2, ke-4 dan ke-7 dan skor NIHSS pada hari dan saat yang sama.HASILJumlah objek penelitian 53 orang. Sebagian besar rerata magnesium serum dan plasma dalam batas normal (1,4-2,0 mmEq/l) pada tiap hari pengambilan (Mg serum 67,9% - 90,6%, Mg plasma 75-5% - 88,7%) sedangkan ditemukan hipoMg eritrosit pada hari ke-4 dan ke-7 onset stroke (81,1 % dan 73,6%). Ditemukan hubungan sangat bermakna antara Mg serum dengan Mg plasma pada tiap hari pengambilan (p=0,000) dan hubungan bermakna antara Mg serum dengan Mg eritrosit (p=0,02) dan Mg plasma dan Mg eritrosit (p=0,033) pada hari ke-4. Ditemukan hubungan bermakna independen antara Mg plasma hari ke-4 dengan NIHSS hari ke-4 (p=0,005) di samping faktor risiko riwayat stroke /TIA, aritmia jantung dan hiperkoleslerolemia dengan NIHSS.KESIMPULANPenderita iskemik serebral menunjukkan perubahan kadar Mg serum, plasma, eritrosit yang dipengaruhi berbagai faktor risiko lain dan hubungan bermakna antara kadar Mg plasma dan skor NIHSS hari ke-4.KATA KUNCI: Stroke iskemik, hipertensi, magnesium serum, plasma, eritrosit, NIHSS.

---

PREFACE

Stroke causes damage to brain cells. Many risk factors of stroke are known like mayor and minor risk factors. Endogen magnesium level as one of risk factor of brain cell damage is analyzed rarely with the controversially results of its studies.

METHOD

The design of this study was repeated measurement with its primary data were collected from ischemic stroke patients in Cipto Mangunkusumo hospital who fulfilled inclusion and exclusion criteria. Diagnosis of stroke was made by physical exam, CT scan or head MRI and completed by blood and urine analysis, echocardiography and chest photo. Serum, plasma and erythrocyte Mg were collected on the 2nd, 4th, aid 7th days after onset and compared with NIHSS scores at the same times.

RESULT

There are 53 persons of subjects studied. Almost all means of the serum Mg and plasma Mg were in normal limits (1,4-2,0 mEq/l) on every days of data collection (serum Mg : 67,6%-90,6%, plasma Mg : 75,5%-88,7%), but there were erythrocyte hipoMg on the 4th and 7th days of stroke onset (81,1% and 73,6%). There were very significant relationship between serum Mg with plasma Mg (p=0,000) on every days of data collection and significant relationship between serum Mg with erythrocyte Mg (p=0,02) and plasma Mg with erythrocyte Mg (p 1,033) on the 4th day onset. There were significant independent relationship between plasma Mg on the 4th day onset with NIHSS in the same day (p=0,005), besides between the history of stroke/TIA, aritmia and hypercholesterolemia with NIHSS.

CONCLUSION

Cerebral ischemic patients showed changes of serum, plasma and erythrocyte Mg levels which were influenced by other risk factors and there was significant relationship between plasma Mg and NIHSS score in the 4th day."

"ABSTRAKBerdasarkan data WHO tahun 2012, stroke merupakan penyebab kematian pertama di Indonesia dan kedua di dunia. Hasil Riset Kesehatan Dasar tahun 2013 menunjukkan peningkatan penderita stroke dibandingkan tahun 2007. Sebagian besar kasus stroke yang terjadi merupakan kasus iskemia. Elektroensefalografi EEG memiliki keuntungan biaya yang lebih murah dan resolusi temporal yang baik. Kerusakan jaringan di otak menyebabkan perubahan synchrony dan variabilitas sinyal EEG. Analisis synchrony yang direpresentasikan phase synchronization index PSI diperoleh dengan metode phase synchronization. Sedangkan, analisis variabilitas melalui dua scaling exponent diperoleh dengan detrended fluctuation analysis DFA . Extreme learning machine digunakan sebagai pengklasifikasi stroke iskemia dan normal. Tujuan riset ini adalah mengetahui performa synchrony dan variabilitas sinyal EEG dalam deteksi stroke iskemia. Deteksi berdasarkan synchrony sinyal EEG diperoleh akurasi 84,52 , sensitivitas 76,67 dan F-score adalah 0,84. Sedangkan, deteksi berdasarkan variabilitas sinyal EEG diperoleh akurasi 89,05 , sensitivitas 95,00 dan F-score adalah 0,91. Deteksi berdasarkan gabungan dari keduanya diperoleh akurasi 80,95 , sensitivitas 75,00 dan F-score adalah 0,81. Deteksi stroke iskemia ringan, sedang, berat dan normal berdasarkan variabilitas sinyal EEG diperoleh akurasi 62,88 .

---

ABSTRACTBased on WHO rsquo s data in 2012, stroke is the first in Indonesia and the second causes of death in the world. Results of Basic Health Research in 2013 showed an increase in stroke patients compared to 2007. Ischemic stroke accounts for most of all stroke cases. Electroencephalography EEG offers cheaper cost and good temporal resolution. Tissue damage in the brain cause changes synchrony and variability of EEG signals. Synchrony analysis through the phase synchronization index PSI is obtained by phase synchronization. Whereas, Detrended fluctuation analysis DFA through two scaling exponent used to analyze variability. Extreme learning machine is used as a classifier of ischemic stroke patients and normal subjects. The aim of this research is to investigate synchrony and variability capabilities to perform ischemic stroke detection. Detection based on synchrony of EEG signal was obtained 84,52 for accuracy, 76,67 for sensitivity and 0,84 for F score. Meanwhile, detection based on variability of EEG signal was obtained 89.05 for accuracy, 95.00 for sensitivity and 0,91 for F score. Detection based synchrony and variability of signal EEG was obtained 80.95 for accuracy, 75.00 for sensitivity and 0,81 for F score. Detection of mild, moderate, severe ischemic stroke and normal based on variability of EEG signal was obtained 62.88 accuracy."

"Tujuan Kadar plasminogen activator inhibitor-1 (PAI-1) yang tinggi menyebabkan penurunan aktivitas sistem fibrinolisis. Saat ini kadar PAI-1 yang tinggi diketahui merupakan faktor risiko penyakit jantung iskemik tetapi pada penderita stroke iskemik hal ini masih belum jelas. Pada penelitian ini ingin diketahui hubungan antara kadar PAI-1 dengan stroke iskemik. Metode Dengan menggunakan desain kasus kontrol, kami melibatkan 38 subjek penderita stroke iskemik dan 38 subjek kontrol yang memenuhi kriteria penelitian. Kadar PAI-1 diperiksa dengan metode ELISA menggunakan reagen Asserachrom PAI-1 dari Stago. Hasil Kadar PAI-1 yang tinggi ditemukan lebih sering pada penderita stroke iskemik daripada subjek kontrol (21.1% vs. 7.9 % dengan OR 3.1; 95 % CI 0.757 ? 12.790). Analisa terhadap semua subjek yang diteliti menunjukkan adanya hubungan negatif yang lemah namun bermakna antara kadar PAI-1 dengan usia (r = - 0.4; P = 0.000). Kadar PAI-1 yang tinggi ditemukan lebih sering pada subjek berusia muda (40 ? 58 tahun) daripada subjek berusia lebih tua ( 60 ? 84 tahun) (20 vs. 9.8 %) (P = 0.004). Kesimpulan Dari hasil penelitian pendahuluan ini diduga ada hubungan antara kadar PAI-1 dengan stroke iskemik pada usia muda. Penelitan lebih lanjut dengan jumlah subjek yang lebih besar diperlukan untuk memastikan keadaan ini.

---

AbstractAim Recently, increased plasminogen activator inhibitor-1 (PAI-1) has been known a risk factor for ischemic heart disease. However, the association of increased PAI-1 level with ischemic stroke remains unclear. The aim of this study was to analyze the association of PAI-1 level with ischemic stroke. Methods By case control design we involved 38 ischemic stroke and 38 risky-matched control subjects who fulfilled the criteria. The PAI-1 level was determined by ELISA method using Asserachrom PAI-1 from Stago. Results High PAI-1 level was found more frequent in ischemic stroke subjects than in control subjects (21.1% vs. 7.9 % with OR 3.1; 95 % CI 0.757 ? 12.790). The analysis of all studied subjects showed that there was a weak negative correlation between PAI-1 level and age (r = -0.4; P = 0.000). High PAI-1 level was found more frequent in younger (40 ? 58 years old) than in the older subjects (60 ? 84 years old) (20% vs. 9.8 %) (p=0.004). Conclusion The result of this preliminary study suggested an association between PAI-1 level and ischemic stroke in younger age. Further study with larger subjects is recommended to confirm this association."