Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar Belakang: Penyakit akibat coronavirus jenis baru (SARS-CoV-2) yang muncul sejak Desember 2019 sudah menjadi pandemi global, termasuk di Indonesia. Hingga saat ini, beberapa negara sudah mempublikasikan laporan terkait penyakit ini. Namun di Indonesia, informasi karakteristik dan luaran pasien dengan COVID-19, terutama pasien yang menjalani perawatan di ruang intensif dengan dan tanpa ventilator berdasarkan sebaran usia masih terbatas. Metode: Studi dilakukan pada pasien dewasa yang dirawat di ruang intensif (HCU dan ICU) RSCM dan RSUI selama Maret – Desember 2020. Data yang dikumpulkan melalui rekam medis meliputi karakteristik dasar pasien, pemeriksaan penunjang laboratorium dan radiologi, terapi, komplikasi, dan luaran. Hasil: Terdapat 682 pasien yang menjalani perawatan di ruang intensif RSCM dan RSUI. Pada semua kelompok usia, sebagian besar pasien adalah pria. Pada kelompok usia muda (18–29, 30–39, 40–49 tahun), mayoritas bergejala awal sesak dan menggunakan suplementasi oksigen dengan nasal kanul (37%, 33%, dan 29,6%). Pada kelompok usia 50–64 tahun suplementasi oksigen terbanyak dengan ventilator invasif (33,5%). Rasio PF terendah sebesar 120 terdapat pada kelompok usia ≥65 tahun, dengan penggunaan ventilator pada 49,7% pasien. Prevalensi komorbid tertinggi terdapat pada kelompok usia ≥65 tahun (95,6%) di antaranya hipertensi, penyakit jantung koroner, diabetes melitus, dan CKD. Koinfeksi bakteri paling banyak terjadi pada kelompok usia 50–64 tahun. Kelompok usia ≥65 tahun memiliki median neutrofil dan D-dimer paling tinggi (4.210 μg/L) serta limfosit paling rendah. Angka komplikasi tertinggi terjadi pada 75,6% pasien kelompok usia ≥65 tahun, dengan komplikasi tersering adalah ARDS (50,9%), syok sepsis (50,3%), dan AKI (38,4%). Angka kematian tertinggi terdapat pada kelompok usia 50–64 dan ≥65 tahun yaitu sebesar 46,9% dan 46,5%. Angka kematian pada kelompok pasien yang menggunakan ventilator lebih tinggi pada semua kelompok usia, dengan persentase mortalitas tertinggi terdapat pada kelompok usia 50–64 tahun yang menggunakan ventilator (74,63%). Kesimpulan: Seiring dengan bertambahnya usia, terdapat peningkatan jumlah pasien dengan komorbiditas (hipertensi, penyakit jantung koroner, diabetes melitus, dan CKD); penurunan parameter fungsi oksigenasi paru; penurunan limfosit; peningkatan jumlah neutrofil, D-dimer, ureum dan kreatinin; dan peningkatan angka kematian. Pada pasien yang dirawat di ruang intensif, mortalitas tertinggi terjadi pada kelompok usia 50–64 tahun dan terutama pada penggunaan ventilator.

---

Background: The disease due to the novel coronavirus (SARS-CoV-2) emerging in December 2019 has since become a global pandemic, including in Indonesia. To date, several countries have reported about this disease. However, in Indonesia, limited information was available about the characteristics and outcomes of COVID-19 patients according to age, notably those in intensive care units with and without ventilation.

Methods: The study was conducted on adult patients in the intensive care units (HCU and ICU) of RSCM and RSUI between March – December 2020. Data was collected from medical records, including basic patient characteristics, laboratory and radiology results, treatments, complications, and

outcomes.

Results: A total of 682 patients were treated in the intensive care units of RSCM and RSUI. In all age groups, most patients were male. In younger age groups (18–29, 30–39, 40–49 years), the majority of patients presented initially with shortness of breath and were supplemented with oxygen through nasal cannula (37.0%, 33.0%, and 29.6%). In the age group of 50–64 years, oxygen was supplemented mostly using invasive ventilators (33.5%). The lowest PF ratio of 120 was observed in the age group of 65 years and above, with ventilators being used in 49.7% of the patients. The highest prevalence of comorbidities was found in the age group of 65 years and above (95.6%), among which were hypertension, coronary artery diseases, diabetes mellitus, and CKD. Bacterial co-infection was found primarily in the age group of 50–64 years. The age group of 65 years and above had the highest median neutrophil and D-dimer levels (4.210 μg/L) and the lowest lymphocyte count. The highest complication rate at 75.6% was observed in the age group of 65 years and above, with the most common complications being ARDS (50.9%), septic shock (50.3%), and AKI (38.4%). The highest mortality rates were found in the age groups of 50–64 and 65 years and above, at 46.9% and 46.5% respectively. Mortality was higher in ventilated patients across all age groups, with the highest rate found in the age group of 50–64 years (74.63%).

Conclusion: With increasing age, the following were observed: increased comorbidities (hypertension, coronary artery diseases, diabetes mellitus, CKD); a decline in functional parameters for lung oxygenation; decreased lymphocyte count; increased neutrophil count, D-dimer, urea and creatinine levels; and increased mortality rate. In intensive care unit patients, the highest mortality rate was observed in ventilated patients aged 50–64 years."

"ABSTRAKAmeloblastoma merupakan aspek penting dalam patologi mulut dan maksilofasial.Frekuensi dan distribusi ameloblastoma bervariasi di setiap negara, namun masihsangat sedikit penelitian mengenai hal ini yang dilakukan di Indonesia. Penelitian inibertujuan mengetahui frekuensi dan distribusiameloblastoma di RSUPN Dr. CiptoMangunkusumo periode Januari 2008-September 2014. Analisis dilakukan pada 98kasus ameloblastoma. Frekuensi dan distribusi dilihat berdasarkan usia, jeniskelamin, dan tipe histopatologis. Mayoritas pasien berusia 30-39 tahun (33.67%) danberjenis kelamin laki-laki (59.18%) dengan perbandingan 1.45:1 terhadapperempuan. Tipe histopatologis yang paling banyak ditemukan adalah tipe campuranpleksiform dan folikuler (18.37%).

---

ABSTRACTAmeloblastoma constitutes an important aspect of oral and maxillofacial pathology.Frequency and distribution of ameloblastoma varies in different countries, howeververy few studies have been done in Indonesia. This study aims to evaluate thefrequency and distribution of ameloblastoma cases in Dr. Cipto MangunkusumoGeneral Hospital from January 2008-September 2014. 98 ameloblastoma cases wereanalyzed. Frequency and distribution was analyzed based on age, gender, andhisopathologic type. Most of the patients were 30-39 years old in age (33.67%) andmen were more involved than women (59.18%) with ratio 1.45:1. The most frequenthistopathologic type that was found is plexiform and follicular mixed type (18.37%)."

"Upaya kesehatan perlu dilakukan oleh seorang apoteker sebagai tenaga kesehatan dalam rangka mewujudkan derajat kesehatan masyarakat setinggi-tingginya. Salah satu pekerjaan kefarmasian yang dapat dilaksanakan oleh apoteker adalah penyaluran atau pendistribusian sediaan farmasi di fasilitas distribusi. Fasilitas distribusi yang digunakan sebagai sarana pendistribusian sediaan farmasi adalah Pedagang Besar Farmasi (PBF). Dalam pelaksanaan seluruh kegiatannya, PBF dan PBF Cabang wajib menerapkan Cara Distribusi Obat yang Baik (CDOB), yang mana CDOB ini menjadi standar kefarmasian pada sarana distribusi yang ditetapkan oleh Menteri. Apoteker di Pedagang Besar Farmasi (PBF) harus memahami penerapan CDOB yang merujuk pada Peraturan Badan Pengawasan Obat dan Makanan (BPOM) Nomor 6 Tahun 2020, dimana pada tugas khusus ini menganalisis terkait implementasi BAB X, XI, dan XII. Tujuan dari tugas khusus ini yaitu mengamati dan menganalisa terkait penerapan dan implementasi PerBPOM No. 6 Tahun 2020 tentang Cara Distribusi Obat yang Baik (CDOB) terkait penanganan bahan obat, produk rantai dingin (cold chain product), serta narkotika, psikotropika, dan prekursor farmasi di KFTD Cabang Jakarta 2. Metode yang digunakan dalam pengerjaan tugas khusus ini adalah dengan menggunakan studi literatur dan observasi. Hasil diperoleh bahwa proses distribusi obat yang dilaksanakan di KFTD Cabang Jakarta 2, terkait dengan penanganan bahan obat, produk rantai dingin (cold chain product), serta narkotika, psikotropika, dan prekursor farmasi telah berpedoman pada CDOB yang diatur dalam Peraturan BPOM No. 6 Tahun 2020.

---

Health efforts need to be carried out by a pharmacist as a health worker in order to realize the highest degree of public health. One of the pharmaceutical jobs that can be carried out by pharmacist is the distribution or distribution on pharmaceutical dosage form in distribution facilities. The distribution facility used as a means of distributing pharmaceutical dosage form is the Pharmaceutical Wholesaler (PBF). In carrying out all its activities, PBF and PBF branches are required to apply CDOB, where this CDOB becomes a pharmaceutical standard in distribution facilities determined by the Minister. Pharmacists at PBF need to understand the application of CDOB which refers to the Regulation of the PerBPOM No. 6 Tahun 2020, where on this task analyses the implementation of X, XI, and XII chapters. The aim of this task is to observe and analyze related to the implementation and implementation of PerBPOM No. 6 Tahun 2020 concerning CDOB related to handling drug ingredients, cold chain product, as well as narcotics, psychotropics, and pharmaceutical precursors at KFTD Jakarta 2. The method used in working on this task is to use literature studies an dobservation. The results obtained that the drug distribution process carried out at KFTD Jakarta 2, related to the handling of grug ingredients, cold chain products, as well as narcotics, psychotropics, and pharmaceutical precursors has been guided by CDOB regulated in PerBPOM Nomor 6 Tahun 2020."

"In order to characterize the distribution patten of rotifers Brachionus spp.in North Sulawesi,sample collections have been conducted at four locations,two at east coast and other two at West coast of North Sulawesi peninsula,which are connected to Maluku and Sulawesi Seas,respectively...."

"In order to understand biodiversity,distribution and abundance among the tropical anguillid eels in the Indonesian waters,inshore migration mechanism of the juvenile anguillid eel (glas eel) to the estuaries of western,central and eastern region of Indonesian waters were examined using both morphology and genetic analysis...."

"Satu parameter distribusi Lindley (𝜃) telah banyak digunakan di berbagai bidang seperti Biologi, teknik, medis, dan industri. Distribusi Lindley mampu memodelkan data dengan tingkat bahaya monoton yang meningkat. Namun, dalam kehidupan nyata, ada situasi di mana tingkat bahaya bukan monoton. Oleh karena itu, untuk meningkatkan kemampuan distribusi Lindley untuk pemodelan data, suatu modifikasi dapat digunakan dengan menggunakan metode transformasi Alpha Power. Hasil dari modifikasi distribusi Lindley biasa disebut distribusi Alpha Power Transformed Lindley (APTL) yang memiliki dua parameter (𝛼, 𝜃). Distribusi APTL baru ini sesuai dalam memodelkan data dengan bentuk pdf menurun atau unimodal dan meningkatkan, mengurangi, dan bak terbalik berbentuk tingkat bahaya. Berbagai sifat dari distribusi yang diusulkan dibahas termasuk kepadatan probabilitas fungsi, fungsi distribusi kumulatif, fungsi survival, fungsi tingkat bahaya, fungsi momen, dan momen r.Parameter model diperoleh dengan menggunakan metode kemungkinan maksimum. Data waktu tunggu digunakan "sebagai ilustrasi untuk menggambarkan kegunaan distribusi APTL"Satu parameter distribusi Lindley (𝜃) telah banyak digunakan di berbagai bidang seperti Biologi, teknik, medis, dan industri. Distribusi Lindley mampu memodelkan data dengan tingkat bahaya monoton yang meningkat. Namun, dalam kehidupan nyata, ada situasi di mana tingkat bahaya bukan monoton. Oleh karena itu, untuk meningkatkan kemampuan distribusi Lindley untuk pemodelan data, suatu modifikasi dapat digunakan dengan menggunakan metode transformasi Alpha Power. Hasil dari modifikasi distribusi Lindley biasa disebut distribusi Alpha Power Transformed Lindley (APTL) yang memiliki dua parameter (𝛼, 𝜃). Distribusi APTL baru ini sesuai dalam memodelkan data dengan bentuk pdf menurun atau unimodal dan meningkatkan, mengurangi, dan bak terbalik berbentuk tingkat bahaya. Berbagai sifat dari distribusi yang diusulkan dibahas termasuk kepadatan probabilitas fungsi, fungsi distribusi kumulatif, fungsi survival, fungsi tingkat bahaya, fungsi momen, dan momen r.Parameter model diperoleh dengan menggunakan metode kemungkinan maksimum. Data waktu tunggu digunakan " sebagai ilustrasi untuk menggambarkan kegunaan distribusi APTL. Satu parameter distribusi Lindley (𝜃) telah banyak digunakan di berbagai bidang seperti Biologi, teknik, medis, dan industri. Distribusi Lindley mampu memodelkan data dengan tingkat bahaya monoton yang meningkat. Namun, dalam kehidupan nyata, ada situasi di mana tingkat bahaya bukan monoton. Oleh karena itu, untuk meningkatkan kemampuan distribusi Lindley untuk pemodelan data, suatu modifikasi dapat digunakan dengan menggunakan metode transformasi Alpha Power. Hasil dari modifikasi distribusi Lindley biasa disebut distribusi Alpha Power Transformed Lindley (APTL) yang memiliki dua parameter (𝛼, 𝜃). Distribusi APTL baru ini sesuai dalam memodelkan data dengan bentuk pdf menurun atau unimodal dan meningkatkan, mengurangi, dan bak terbalik berbentuk tingkat bahaya. Berbagai sifat dari distribusi yang diusulkan dibahas termasuk kepadatan probabilitas fungsi, fungsi distribusi kumulatif, fungsi survival, fungsi tingkat bahaya, fungsi momen, dan momen r.Parameter model diperoleh dengan menggunakan metode kemungkinan maksimum. Data waktu tunggu digunakan sebagai ilustrasi untuk menggambarkan kegunaan distribusi APTL.

---

One Lindley distribution parameter (𝜃) has been widely used in fields such as Biology, engineering, medical, and industry. The Lindley distribution is able to model data with an increased level of monotonous danger. However, in real life, there are situations where the level of danger Therefore, to improve Lindleys distribution capabilities for data modeling, a modification can be used using the Alpha Power transformation method. The results of the Lindley distribution modification are commonly called the Alpha Power Transformed Lindley distribution (APTL) which has two parameters (𝛼 , 𝜃) This new APTL distribution is suitable for modeling pdf data in a declining or unimodal form and increasing, reducing, and inverted body in the form of hazard level.The various properties of the proposed distribution are discussed including probability density functions, cumulative distribution functions, survival functions, functions danger level, moment function, and moment r. Parameter model is obtained uh using the maximum likelihood method. Wait time data is used as an illustration to illustrate the usefulness of the APTL distribution. One Lindley distribution parameter (𝜃) has been widely used in fields such as Biology, engineering, medical, and industry. Distribution Lindley is capable modeling data with an increased level of monotonous danger. However, in real life, there are situations where the level of danger is not monotonous. Therefore, to improve Lindleys distribution capabilities for data modeling, a modification can be used using the Alpha Power transformation method. The result of the modification of the Lindley distribution is called the Alpha Power Transformed Lindley (APTL) distribution which has two parameters (𝛼, 𝜃). This new APTL distribution is suitable in modeling data in pdf format in a declining or unimodal form and increasing, reducing, and inverted like a hazard level. Various properties of the proposed distribution are discussed including the probability density function, cumulative distribution function, survival function, hazard level function, moment function, and moment r. Parameter models are obtained using the maximum likelihood method. The waiting time data is used as an illustration to illustrate the usefulness of the APTL distribution. One Lindley distribution parameter (𝜃) has been widely used in fields such as Biology, engineering, medical, and industry. The Lindley distribution is able to model data with an increased level of monotonous danger. However, in real life, there are situations where the level of danger is not monotonous. Therefore, to improve Lindleys distribution capabilities for data modeling, a modification can be used using the Alpha Power transformation method. The result of the modification of the Lindley distribution is called the Alpha Power Transformed Lindley (APTL) distribution which has two parameters (𝛼, 𝜃). This new APTL distribution is suitable in modeling data in pdf format in a declining or unimodal form and increasing, reducing, and inverted like a hazard level. Various properties of the proposed distribution are discussed including the probability density function, cumulative distribution function, survival function, hazard level function, moment function, and moment r. Parameter models are obtained using the maximum likelihood method. Wait time data is used as an illustration to illustrate the usefulness of the APTL distribution. "

"Distribusi Generalized Exponential diperkenalkan oleh Rameshwar D. Gupta dan Debasis Kundu pada tahun 2007. Distribusi Generalized Exponential tersebut merupakan hasil transformasi generalized dari distribusi Exponential. Skripsi ini menjelaskan distribusi Generalized Exponential Marshall Olkin yang merupakan hasil dari perluasan distribusi Generalized Exponential menggunakan metode Marshall Olkin. Distribusi Generalized Exponential Marshall Olkin lebih fleksibel dari distribusi sebelumnya terutama pada fungsi hazardnya yang memiliki berbagai bentuk, baik monoton (naik atau turun) maupun non monoton (bathub atau upside down bathup) sehingga dapat memodelkan data survival dengan lebih baik. Sifat fleksibelitas ini disebabkan karena penambahan parameter baru ke dalam distribusi Generalized Exponential. Selanjutnya dijelaskan beberapa karakteristik dari distribusi Generalized Exponential Marshall Olkin antara lain fungsi kepadatan peluang (fkp), fungsi distribusi kumulatif, fungsi survival, fungsi hazard, momen ke-n, mean, dan variansi. Penaksiran parameter dilakukan dengan metode maximum likelihood. Pada bagian aplikasi ditunjukkan data survival yang berasal dari data Aarset (1987) berdistribusi Generalized Exponential Marshall Olkin. Selanjutnya distribusi Generalized Exponential Marshall Olkin dibandingkan dengan distribusi Alpha Power Weibull untuk mencari distribusi mana yang lebih cocok dalam memodelkan data Aarset (1987). Dengan menggunakan AIC dan BIC distribusi Generalized Exponential Marshall Olkin lebih cocok dalam memodelkan data Aarset (1987).

---

Generalized Exponential distribution was introduced by Rameshwar D. Gupta and Debasis Kundu in 2007. Generalized Exponential distribution was generated by generalized transformation of the Exponential distribution. This thesis explained the Generalized Exponential Marshall-Olkin distribution which is the result of the expansion of the Generalized Exponential distribution using the Marshall-Olkin method. The Generalized Exponential Marshall Olkin distribution has a more flexible form than the previous distribution, especially in its hazard function which has various forms that it can represent survival data better. The flexibility characteristic is due to the addition of new parameters to the Generalized Exponential distribution. Futhermore, some characteristics of the Generalized Exponential Marshall Olkin distribution was explained such as, the probability density function (PDF), cumulative distribution function, survival function, hazard function, moment, mean, and variance. Parameter estimation was conducted by using the maximum likelihood method. In the application section was shown survival data from Aarset data (1987) which distributed Generalized Exponential Marshall-Olkin distribution. Futhermore, Generalized Exponential Marshall Olkin distribution was compared with Alpha Power Weibull distribution to decided the prominent distribution in modeling Aarset data (1987). Using AIC and BIC, Generalized Exponential Marshall Olkin distribution more suitable in modeling Aarset data (1987)."