Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar belakang: Kanker lambung bertanggung jawab atas lebih dari 1.000.000 kasus kanker baru pada tahun 2020 dan diperkirakan 769.000 kematian atau sama dengan satu dari setiap 13 kematian secara global. Deteksi dini menjadi kunci penurunan angka kematian dan perbaikan prognosis, dengan baku emas berupa avaluasi histopatologi dari hasil biopsi endoskopi. Tetapi subjektivitas pemeriksan tersebut berpotensi menimbulkan kesalahan diagnosis terutama akibat kesalahan interpretasi ahli patologi. Untuk itu, diperlukan metode diagnostik kuantitatif yang dapat menilai secara objektif lesi prekanker atau inflamasi pada dinding lambung. Metode autofluoresensi sebelumnya sudah digunakan dalam upaya diagnostik kanker lambung. Namun, saat ini belum ada studi terkait penggunaan spektrofotometri autofluoresensi sebagai metode diagnostik kuantitatif dan objektif untuk kanker lambung. Tujuan: Studi ini dilakukan untuk mengetahui kemampuan spektrofotometri autofluoresensi dalam mengidentifikasi jaringan lambung normal, inflamasi dan prekanker berdasarkan intensitas fluoresensi jaringan.Metode: Studi ini menggunakan sediaan blok parafin jaringan lambung mencit (Mus musculus) normal, inflamasi dan prekanker. Intensitas fluoresensi jaringan diukur pada 640 panjang gelombang menggunakan spektrofotometer autofluoresensi sederhana dengan sumber cahaya ultraviolet. Analisis data dilakukan dengan SPSS untuk uji normalitas, homogenitas dan hipotesis. Dilanjutkan dengan pengelompokkan data secara kualitatif dengan Principal Component Analysis (PCA) dan secara kuantitatif dengan machine learning dengan 3-fold cross validation. Hasil analisis dengan PCA dinilai dengan scatter plot. Hasil pengolahan data secara kuantitatif dinilai dengan Area under the Curve (AUC),Classification Accuracy (CA), precision, recall, F1-score, sensitivitas dan spesifisitas. Hasil: Ditemukan dua panjang gelombang dengan intensitas fluoresensi bermakna untuk tiga kelompok jaringan dan 554 panjang gelombang yang bermakna untuk dua kelompok jaringan. Dalam pengelompokkan tiga variabel, ditemukan nilai AUC 0,900, CA 0,833, Skor F1 0,831, Precision 0,802, dan Recall 0,800. Dalam pengelompokkan dua variabel, ditemukan sensitivitas dan spesifisitas 100% untuk membedakan jaringan prekanker dengan normal. Sensitivitas 100% dan spesifisitas 80% untuk jaringan prekanker dengan inflamasi. Serta sensitivitas 80% dan spesifisitas 90% untuk jaringan inflamasi dengan normal. Kesimpulan: Spektrofotometeri autofluoresensi dapat membedakan jaringan lambung normal, inflamasi dan prekanker mencit Mus musculus dengan sensitivitas dan spesifisitas yang baik.

---

Introduction: Gastric cancer was responsible for more than 1,000,000 new cancer cases in 2020 and an estimated 769,000 deaths or equal to one in every 13 deaths globally. Early detection is the key to reducing mortality and improving prognosis, with histopathological evaluation of endoscopic biopsy results as gold standard. However, the subjectivity of the examination has the potential to cause misdiagnosis, mainly due to the pathologist's misinterpretation. For this reason, quantitative diagnostic methods are needed that can objectively assess precancerous or inflammatory lesions in the gastric wall. The autofluorescence method has previously been used in the diagnostic effort of gastric cancer. However, there are currently no studies related to the use of autofluorescence spectrophotometry as a quantitative and objective diagnostic method for gastric cancer Objective: This study was conducted to determine the ability of autofluorescence spectrophotometry to identify normal, inflammatory and precancerous gastric tissue based on the intensity of tissue fluorescence.Method: This study used a paraffin block preparation of normal, inflammatory and precancerous mice (Mus musculus) gastric tissue. The intensity of tissue autofluorescence was measured at 640 wavelengths using simple autofluorescence spectrophotometer with ultraviolet light source. Data analysis was performed using SPSS to test for normality, homogeneity and hypotheses. Followed by grouping the data qualitatively with Principal Component Analysis (PCA) and quantitatively with machine learning with 3-fold cross validation. The results of the PCA analysis were assessed using a scatter plot. The results of quantitative data processing were assessed by Area under the Curve (AUC), Classification Accuracy (CA), precision, recall, F1-score, sensitivity and specificity. Result: Two wavelengths with significant fluorescence intensity were found for three tissue groups and 554 significant wavelengths for two tissue groups. In grouping the three variables, the AUC value was 0.900, CA 0.833, F1 score 0.831, Precision 0.802, and Recall 0.800. In grouping the two variables, 100% sensitivity and specificity were found to differentiate between precancerous and normal tissues. 100% sensitivity and 80% specificity for precancerous tissue with inflammation. As well as 80% sensitivity and 90% specificity for normal inflammatory tissue. Conclusion: Autofluorescence spectrophotometry can differentiate normal, inflammatory and precancerous gastric tissue in mice Mus musculus with good sensitivity and specificity."

"Latar belakang: Diagnosis memiliki peranan yang sangat penting dalam penatalaksanaan kanker usus halus. Namun, pemeriksaan sebelumnya memiliki kekurangan, yaitu; sensitivitas rendah, operator dependent, dan lama. Sehingga akan diobservasi spektrofotometri autofluorosensi menggunakan blok parafin yang memiliki sensitivitas, spesifisitas, akurasi, dan presisi dengan nilai yang baik. Metode: Studi ini mengukur perbedaan intensitas cahaya fluorosensi menggunakan spektrofotometri autofluorosensi cahaya UV pada blok parafin jaringan kanker usus halus mencit dalam panjang gelombang dari 420.2nm sampai 762.9nm. Hasil uji dianalisis menggunakan dua perangkat lunak, yaitu SPSS 26.0 serta Orange Data Mining. Dalam melakukan analisis Orange Data Mining (kualitatif), data akan dianalisis menggunakan PCA dan 7 jenis PC. Sedangkan machine learning (analisis kuantitatif) dengan cross validation kelipatan 5. Hasil: Dari 511 panjang gelombang yang menunjukkan adanya perbedaan signifikan intensitas cahaya pada ketiga kelompok sampel, perbedaan intensitas cahaya dapat dibedakan secara signifikan pada (panjang gelombang); 495 pada kelompok normal-prekanker, 495 pada kelompok normal-radang, 454 pada kelompok radang-prekanker. Selain itu, dalam hasil analis Machine Learning menunjukkan bahwa Neural Network memiliki performa terbaik dalam menganalisis klasifikasi derajat lesi kanker usus halus. Kesimpulan: Spektrofotometri autofluorosensi memiliki kemampuan mengklasifikasikan jaringan normal, radang, serta pre-kanker pada usus halus mencit dengan nilai sensitivitas dan spesifititas baik, namun masih terdapat kesulitan membedakan jaringan radang.

---

Background: Diagnosis has a very important role in the management of small bowel cancer. The previous examination, on the other hand, had drawbacks, including low sensitivity, operator dependence, and a long time.So that autofluorescence spectrophotometry will be observed using a paraffin block that has good sensitivity, specificity, accuracy, and precision. Method: This study measured the difference in fluorescence intensity using UV light autofluorescence spectrophotometry on paraffin blocks of mouse small intestine cancer tissue at wavelengths from 420.2 nm to 762.9 nm. The test results were analyzed using two software programs, namely SPSS 26.0 and Orange Data Mining. Data will be analyzed using PCA and 7 different types of PCs in the orange data mining analysis (qualitative).while using machine learning (quantitative analysis) with a total of 5 cross-validations. Results: Of the 511 wavelengths that show a significant difference in light intensity in the third sample group, the difference in light intensity can be significantly different at 495 in the normal-precancer group, 495 in the normal-inflammation group, and 454 in the inflammatory-precancer group. In addition, the results of machine learning analysis show that the neural network has the best performance into analyze the classification of small intestine cancer lesion degrees. Conclusion: Autofluorescence spectrophotometry has the ability to classify normal, inflammatory, and precancerous tissues in the small intestine of mice with good sensitivity and specificity, but there are still difficulties in differentiating tissue inflammation"

"Latar belakang: Kasus kanker terus meningkat setiap tahunnya. Begitu pula dengan kanker kolon. Selain itu, belum terdapat penelitian mengenai pendeteksian kanker kolon menggunakan spektrofotometri autofluoresensi. Tujuan: Penelitian bertujuan untuk mengetahui perbedaan panjang gelombang dan intensitas cahaya reflektans pada sediaan preparat blok parafin jaringan kolon normal, radang, dan prekanker mencit menggunakan spektrofotometri autofluoresensi dengan menilai sensitivitas dan akurasinya. Metode: Penelitian ini mengukur panjang gelombang dan intensitas cahaya reflektans pada jaringan kolon normal, radang, dan prekanker mencit dengan spektrofotometri autofluoresensi bersumber cahaya ultraviolet (UV) pada panjang gelombang 420,2—762,9 nm. Kemudian dianalisis dengan menggunakan SPSS untuk menguji hipotesis dan normalitas data serta Orange Data Mining yang ditinjau dengan machine learning untuk mengetahui sensitivitas, spesifisitas, akurasi, precision, serta recall. Hasil: Tidak terdapat perbedaan signifikan panjang gelombang reflektans antara 3 kelompok jaringan kolon (normal, radang, dan prekanker) dengan akurasi 56,7% dan tidak ditemukan perbedaan signifikan panjang gelombang reflektans antara 2 kelompok jaringan (radang dengan prekanker) dengan sensitivitas 66,67% dan nilai diagnosis buruk. Namun, ditemukan 175 panjang gelombang reflektans dengan perbedaan signifikan dalam membedakan jaringan kolon normal dengan radang atau prekanker dengan sensitivitas 72,73%—100% dan nilai diagnosis baik hingga sangat baik. Kesimpulan: Spektrofotometri autofluoresensi bersumber cahaya ultraviolet (UV) dapat mengklasifikasikan 2 kelompok jaringan kolon, yakni jaringan kolon normal dengan jaringan kolon radang atau prekanker. Namun, tidak dapat mengklasifikasikan 3 kelompok jaringan kolon, yakni jaringan kolon normal, radang, dan prekanker serta 2 kelompok jaringan kolon radang dengan prekanker.

---

Introduction: Cancer cases are increasing annually, including colon cancer. Furthermore, early detection of colon cancer using autofluorescence spectrophotometry also hasn't been done before. Objectives: This research aims to comprehend the difference between reflectance wavelength and light intensity in normal, inflammation, and precancerous mice's colon tissues in paraffin block samples using autofluorescence spectrophotometry by assessing its accuracy and sensitivity. Method: This research measured reflectance wavelength and light intensity of normal, inflammation, and precancerous mice's colon tissue using autofluorescence spectrophotometry with ultraviolet light, in the range of 420.2—762.9 nm. Afterward, it was analyzed by SPSS to test the hypothesis and data normality, also Orange Data Mining's machine learning to determine its sensitivity, specificity, accuracy, precision, and recall. Result: There was no significant difference in reflectance wavelength between 3 groups of colon tissues (normal, inflammation, and precancerous) with accuracy valued at 56.7%, also between 2 groups of colon tissues (inflammation and precancerous) with sensitivity valued at 66.67% and "poor" diagnostic value. Nonetheless, there were 175 significantly different reflectance wavelengths to differentiate normal with inflammation or precancerous colon tissue with sensitivity valued at 72.73%—100% and "good" to "excellent" diagnostic value. Conclusion: Autofluorescence spectrophotometry with ultraviolet (UV) light can classify 2 groups of colon tissue, i.e. normal with inflammation or precancerous colon tissue. Otherwise, it cannot classify 3 groups of colon tissue (normal, inflammation, precancerous) at a time and 2 groups of colon tissue (inflammation and precancerous)."

"Latar belakang: Kanker payudara merupakan kanker paling umum yang terjadi pada wanita dan urutan kedua paling umum terjadi secara umum (2.089.000 kasus per tahun 2018), dengan salah satu mortalitas tertinggi (627.000 kematian per tahun 2018). Namun begitu, metode diagnosis histopatologi, standar baku emas penemuan kanker payudara, masih bersifat subjektif terhadap operator peneliti yang mengakibatkan rawannya terjadi diagnosis negatif palsu dan positif palsu. Beberapa studi kemudian meneliti aplikasi dari metode spektrofotometri autofluoresensi sebagai alat diagnosis tambahan dari beragam kanker dengan hasil yang memiliki sensitivitas tinggi dan periode akuisisi data yang singkat. Terlepas hasilnya yang menjanjikan, hingga saat ini belum ada studi aplikasi spektrofotometri autofluoresensi dalam klasifikasi derajat lesi kanker payudara. Penelitian ini dilakukan untuk mengetahui potensi spektrofotometer autofluoresensi sebagai metode klasifikasi jaringan payudara mencit normal, prekanker, dan kanker dalam sediaan blok parafin. Metode: Dalam penelitian ini diukur 640 panjang gelombang mulai dari 420.2–762.9nm terhadap 30 total sampel blok parafin jaringan payudara mencit normal, prekanker, dan kanker. Data autofluoresensi kemudian dianalisis melalui perangkat lunak SPSS untuk uji komparatif dan Orange Data Mining untuk analisis machine learning. Hasil: Terdapat 583 dari 640 panjang gelombang yang dapat menunjukan perbedaan intensitas cahaya antar derajat lesi, dengan 3 di antaranya dapat menunjukkan perbedaan yang bermakna. Logistic Regression merupakan machine learning dengan performa terbaik untuk mengklasifikasi derajat lesi jaringan kanker payudara berdasarkan skor AUC (91,2%), akurasi (83,3%), presisi (83,3%), recall (83,3%), F1 (82.9%), spesifisitas (77,8-100%), dan sensitivitas (87,5%-100%). Kesimpulan: Spektrofotometri autofluoresensi menunjukan performa yang cukup baik dalam aplikasinya mengklasifikasi jaringan payudara mencit normal, prekanker, dan kanker.

---

Introduction: Being the most common cancer in women and the second most common in general (2,089,000 cases on 2018), Breast cancer also has one of the highest mortality rate (627,000 deaths on 2018). However, despite the histopathological diagnosis method being the gold standard for breast cancer detection, it is still very subjective to the operator, making it prone to false negative and false positive diagnoses. Several studies investigating the application of the autofluorescence spectrophotometric method as an additional diagnostic tool for various cancers shows high sensitivity results with short data acquisition period. Despite the promising results, until today, there has not been a study of the application of autofluorescence spectrophotometry in the classification of the breast cancer lesions. This study was conducted to determine the potential of the autofluorescence spectrophotometer as a method of classifying normal, precancerous, and cancerous mice breast tissue in paraffin block samples. Method: In this study, 640 wavelengths ranging from 420.2–762.9nm were measured against a total of 30 paraffin block samples of normal, precancerous, and cancer mice breast tissue. The autofluorescence data was then analyzed using SPSS software for comparative testing and Orange Data Mining for machine learning analysis. Result: There are 583 of 640 wavelengths that able to show differences in light intensity between the degrees of lesions, with 3 of them showing significant differences. Logistic Regression is a machine learning with the best performance to classify the degree of breast cancer tissue lesions based on the AUC score (91.2%), accuracy (83.3%), precision (83.3%), recall (83.3%), F1 (82.9%), specificity (77.8-100%), and sensitivity (87.5%- 100%). Conclusion: Autofluorescence spectrophotometry shows a fairly good performance in its application to classify normal, precancerous, and cancerous mice breast tissue."

"Kanker kolorektal terus menyumbang jumlah kasus kanker dan kematian yang tinggi setiap tahunnya. Salah satu metode diagnosis progresi kanker ini adalah dengan interpretasi biopsi dari ahli patologi anatomi. Akan tetapi, seringkali terjadi misinterpretasi antar patolog karena lesinya yang kurang spesifik. Maka dari itu, perlunya ada alat bantu yang dapat menunjang pekerjaan ahli patologi anatomi dalam menginterpretasi progresi kanker kolorektal. Penelitian ini bertujuan untuk melihat kemampuan spektrofotometer untuk mengklasifikasikan jaringan kolorektal mencit. Data jaringan mencit yang sudah diklasifikasikan menurut ahli PA diuji menggunakan cahaya tampak dan akan dibaca oleh spektrofotometer reflektansi. Hasil dari spektrofotometer kemudian akan dibaca oleh Theremino Spectrophotometer. Semua data kemudian diuji normalitas menggunakan uji Saphiro Wilk, dilanjutkan dengan uji ANOVA atau Kruskal-Wallis, kemudian uji Post Hoc atau Mann-Whitney. Data juga dianalisis menggunakan supervised dan unsupervised machine learning. Dari uji hipotesis hanya didapatkan 2 panjang gelombang yang dapat membedakan jaringan normal dan prekanker secara signifikan (696,7 dan 699.8 nm). Sedangkan yang lainnya kurang dapat membedakan jaringan normal, radang, dan prekanker. Hasil dari machine learning menunjukkan sensitivitas, spesifisitas, AUC, akurasi, dan presisi yang rendah. Maka dari itu, dapat disimpulkan dari penelitian ini bahwa metode spektrofotometri reflektans cahaya tampak kurang cocok digunakan untuk membedakan jaringan kolon normal, radang, dan prekanker pada sediaan preparat mencit.

---

Colorectal cancer continues to account for a high number of cancer cases and deaths every year. The gold standard of diagnosing this cancer progression is by interpretation of a biopsy from an anatomical pathologist. However, there is often misinterpretation among pathologists due to their unspesific lesions. Therefore, it is required to have a tool that can support the work of anatomical pathologists in interpreting the progression of colorectal cancer. This study aims to see the ability of the spectrophotometer to classify the colorectal tissue of mice. Mice tissue data that has been classified according to PA experts was tested using visible light and would be read by a reflectance spectrophotometer. The results of the spectrophotometer will then be read by the Theremino Spectrophotometer. All data were then tested for normality using the Saphiro Wilk test, followed by the ANOVA or Kruskal-Wallis test, then the Post Hoc or Mann-Whitney test. Data were also analyzed using supervised and unsupervised machine learning. From the hypothesis test, only 2 wavelengths were found that could significantly differentiate normal and precancerous tissue (696.7 and 699.8 nm). While others are less able to distinguish normal, inflammatory, and precancerous tissue. The results from machine learning show low sensitivity, specificity, AUC, accuracy, and precision to distinguish between the three categories. Therefore, it can be concluded from this research that the visible light reflectance spectrophotometric method is not suitable for distinguishing normal, inflammatory, and precancerous colonic tissue in mice preparations."

"Latar belakang: Menurut Global Cancer Statistics 2020 (GLOBOCAN), kanker kolorektal masih menduduki posisi ke-3 pada penyebab kanker tersering di dunia, dan posisi ke-2 pada penyebab kematian tersering akibat kanker (9.4%). Evaluasi histopatologi dari hasil biopsi jaringan kolorektal yang merupakan baku emas dalam diagnosis saat ini pun masih memiliki berbagai keterbatasan. Penentuan derajat keparahan dari kanker kolorektal, dilakukan secara subjektif oleh ahli patologi anatomik melalui observasi mikroskop, sehingga data yang dimiliki bersifat kualitatif. Studi menggunakan prinsip spektrofotometri sudah pernah dilakukan dalam upaya diagnostik kanker sebelumnya. Namun, hingga saat ini masih belum ada studi yang menggunakan spektrofotometer reflektansi VIS-NIR sebagai metode diagnostik kuantitatif dan objektif untuk kanker kolorektal.Tujuan: Penelitian ini adalah studi pendahuluan untuk mengetahui potensi dan kemampuan dari spektrofotometer reflektansi VIS-NIR dalam membedakan jaringan normal, prekanker, dan radang pada blok parafin jaringan kolon mencit.Metode: Penelitian ini memiliki desain eksperimental yang menggunakan sampel blok parafin jaringan kolorektal mencit Mus musculus. Sampel diklasifikasikan oleh ahli patologi anatomi menjadi tiga kategori berdasarkan derajat lesinya, yaitu normal, radang, dan prekanker. Sebanyak 30 sampel tersebut diukur intensitas cahaya reflektansinya pada 454 panjang gelombang berbeda yang termasuk dalam spektrum VIS-NIR. Hasil pengukuran dianalisis dengan perangakat lunak SPSS 26.0 untuk uji komparatif dan perangkat lunak Orange Data Mining untuk pengujian machine learning dalam pegelompokan sampel berdasarkan derajat lesinya.Hasil dan Pembahasan: Hasil uji komparatif membuktikan bahwa 429 dari 454 panjang gelombang cahaya VIS-NIR memiliki perbedaan intensitas cahaya reflektansi yang bermakna antarkelompok derajat lesi (p<0.05). Machine learning yang terbaik dalam pengelompokan sampel menurut derajat lesi berdasarkan data intensitas cahaya reflektansi adalah model SVM dengan nilai Area under the Curve (AUC) 98.3%, Classification Accuracy (CA) 86.7%, Skor F1 0.862, Precision 86.9%, Recall 86.7%, sensitivitas 70-100%, dan spesifisitas 90-95%.Kesimpulan: Spektrofotometri Reflektansi VIS-NIR dapat membedakan jaringan normal, radang dan prekanker kolorektal pada mencit Mus musculus dengan sensitivitas dan spesifisitas yang baik

---

Background: According to the Global Cancer Statistics 2020 (GLOBOCAN), colorectal cancer is still the 3rd most common cause of cancer in the world and the 2nd most common cause of cancer death (9.4%). Histopathological evaluation of colorectal tissue biopsy results, which is currently still the gold standard in colorectal cancer diagnosis, has its limitations. Determining the severity of colorectal cancer is done subjectively by anatomical pathologists through microscopic observation. Results from this evaluation are qualitative data which can contribute to the high level of false positive and negatives of the diagnosis. Studies using spectrophotometric principles have been carried out in previous diagnostic efforts. However, to date, there are still no studies using the VIS-NIR reflectance spectrophotometer as a quantitative and objective diagnostic tool for colorectal cancer.

Objective: This is a pilot study to determine the potential and ability of the VIS-NIR reflectance spectrophotometer in differentiating normal, precancerous, and inflammatory parrafin-block of mouse colorectal tissues.

Method: This experimental study uses paraffin-block samples of colorectal tissue from Mus musculus mice. Samples were classified by anatomical pathologists into three categories based on the degree of lesion, namely normal, inflammatory, and precancerous. A total of 30 samples were measured by their light intensity reflectance at 454 different wavelengths included in the VIS-NIR spectrum. Results are evaluated using SPSS 26.0 for comparative testing and Orange Data Mining for machine learning to evaluate their competence in differentiating samples based on the degree of lesion.

Results and Discussion: Comparative test results proved that 429 of the 454 wavelengths in the VIS-NIR light spectrum had a significant difference in light intensity reflectance between the three degree groups of lesion (p<0.05). The best machine learning in differentiating samples according to the degree of lesions based on light reflectance intensity is the SVM model with the value of Area Under the Curve (AUC) 98.3%, Classification Accuracy (CA) 86.7%, F1 score 0.862, Precision 86.9%, Recall 86.7%, sensitivity 70-100%, and specificity 90-95%.

Conclusion: VIS-NIR Reflectance spectrophotometry can distinguish normal, inflammatory, and precancerous colorectal tissue in Mus musculus mice with good sensitivity and specificity."

"Latar Belakang: Data GLOCOBAN tahun 2018 menunjukkan bahwa kanker lambung merupakan penyebab kematian akibat kanker nomor tiga di dunia. Hingga saat ini, belum terdapat deteksi dini untuk kanker lambung. Kanker lambung sering ditemukan dalam kondisi yang sudah berat, karena 25,8% kasus tidak terdiagnosis ketika dilakukan upper endoscopy. Sejumlah penelitian menunjukkan bahwa spektrofotometri dapat digunakan dalam mendeteksi jaringan kanker, antara lain spektroskopi Raman dan optik. Hingga saat ini belum ada penelitian yang mendeteksi jaringan kanker lambung berdasarkan spektrofotometri sederhana.Tujuan: Studi ini dilakukan untuk mengetahui ambang batas perbedaan panjang gelombang reflektansi pada jaringan kanker normal dengan jaringan pra-kanker dan jaringan kanker lambung serta menganalisis akurasi spektrofotometer dalam klasifikasi jaringan..Metode: Reflektansi jaringan mencit Mus musculus diukur menggunakan spektrofotometer konvensional pada panjang gelombang 431.5-705.2 mm. Hasil reflektansi kemudian digunakan dalam model machine learning untuk menentukan klasifikasi berdasarkan reflektansi.Hasil: Machine learning Tree menggunakan panjang gelombang 431,5, 494,2, dan 502.5 nm. Analisis Principal Component Analysis menunjukkan adanya penumpukkan antara jaringan prekanker dengan jaringan kanker. Metode Random Forest (CA: 0.857, precision: 0.872, recall: 0.857) lebih baik dalam mengklasifikasikan jaringan kanker lambung dibandingkan metode Tree (CA;0,607, precision:0,619, dan recall:0,607) dan logistic regression (CA:0,750, precision: 0,739, dan recall:0,750). Spektrofotometri reflektans sederhana memiliki sensitivitas sebesar 68.42%-89.47% dan spesifisitas sebesar 44-88.89% dalam mendeteksi jaringan pra-kanker dan jaringan kanker.Kesimpulan: Dengan rentang panjang gelombang 431,5, 494,2, dan 502.5 nm, spektrofotometri sederhana tidak dapat membedakan jaringan pra-kanker dan kanker karena terdapat penumpukan protein seperti miglobin, dan juga tingkat sensitivitas dan spesifisitas yang baik dalam membedakan jaringan normal dan tidak normal.

---

Background: GLOCOBAN in 2018 shows that gastric cancer is the third leading cause of death for cancer-related disease. Until now, there’s no early detection for gastric cancer. This causes gastric cancer to be diagnosed at a later stage, because 25,8% gastric cancer cases are undiagnosed even with upper endoscopy 3 years before diagnosis.A number of study has shows that spectrophotometry can be used for detecting gastric cancer, such as Raman spectroscopy and optical. Until now, there is no research that detect gastric cancer using conventional spectrophotometer.

Objectives This study aims to understand the difference between wavelength of the reflectance from the normal gastric tissue, precancerous gastric tissue, and gastric cancer tissue and analyze the accuracy of conventional spectrophotometer to classify the tissues.

Methods The reflectance of the tissue of Mus musculus is evaluated using conventional spectrophotometer at the wavelength of 431.5-705.2 mm. The resulting data will then be used in a machine learning model to help classify the tissue based on the reflectance

Result: Wavelengths used by Tree is 431,5, 494,2, dan 502.5 nm. Analysis using Principal Component Analysis shows a grouping formed by the gastric precancer tissue and gastric cancer tissue. Random Forest (CA: 0.857, precision: 0.872, recall: 0.857) is proven to be better for classifying the tissue based on the reflectance compared to Tree (CA;0,607, precision:0,619, and recall:0,607) and Logistic regression (CA:0,750, precision: 0,739, and recall:0,750). Conventional reflectance spectrophotometry yielded a 68.42%-89.47% sensitivity and 44-88,89% specificity in differentiating normal gastric tissue with abnormal gastric tissue.

Conclusion: Within the wavelength of 431,5, 494,2, dan 502.5 nm, conventional spectrophotometer cannot differentiate precancerous lesion with gastric cancer tissue due to the abundance of protein such as myoglobin, and having a good sensitivity and specificity in differentiating normal and abnormal tissue."

"Latar Belakang: Karsinoma gaster merupakan tumor ganas yang paling sering di daerah gastrointestinal atas. Menurut data epidemiologi adenokarsinoma gaster menunjukkan perkembangan kanker tipe intestinal dan kanker tipe difus melalui jalur kausa yang berbeda dan juga akhir-akhir ini pengobatan terapi target untuk adenokarsinoma telah diketahui dan dikembangkan. Penelitian ini bertujuan untuk mengetahui hubungan antara ekspresi HER2 dengan tipe histopatologik menurut klasifikasi Lauren dan derajat diferensiasi pada adenokarsinoma gaster.Bahan dan cara kerja: Penelitian dilakukan di Departemen Patologi Anatomik FKUI RSCM Jakarta, dengan melakukan analisis ekspresi HER2 untuk melihat hubungannya dengan tipe histopatologik dan derajat diferensiasi adenokarsinoma gaster yang diperoleh secara reseksi dan biopsi sejak tahun 2007-2011. Penilaian tipe histopatologik dengan menggunakan pulasan Hematoxillin Eosin dan penilaian ekspresi HER2 dengan menggunakan pulasan imunohistokimia HER2.Hasil: Dari tahun 2007-2011 diperoleh 55 kasus (76,4% laki-laki dan 23,6% wanita). Rata-rata umur penderita 50,55 tahun (rentang umur 29-73 tahun). Ekspresi HER2 3+, 2+, dan 1+ didapatkan pada 14,5%, 34,5%, dan 25,5% sampel. Sebanyak 25,5% sampel tidak menunjukkan ekspresi HER2. Ekspresi berlebih HER2 (3+) didapatkan pada 8 kasus (14,5%) adenokarsinoma gaster, yang seluruhnya adalah tipe intestinal .Kesimpulan: Terdapat hubungan yang bermakna antara ekspresi HER2 dengan tipe histopatologik (p= 0,021). Tidak terdapat hubungan yang bermakna antara ekspresi HER2 dengan derajat diferensiasi tumor (p=0,253).

---

Background: Gastric carcinoma is the most common malignant tumor in upper gastrointestinal. According to epidemiologic data, gastric adenocarcinoma intestinal type and diffuse type showed different carcinogenesis. Recently, targeting therapy for adenocarcinoma has established. The aim of the study to know the relationship between HER2 expression and histopathologic type according to Lauren's classification and grading of gastric adenocarcinoma.Patient and method: This study has done in Anatomical Pathology department of medicine University Indonesia/ Cipto Mangunkusumo National Hospital, Jakarta. HER2 expression is analyzed to see the relationship with histopathologic type and differentiation of gastric adenocarcinoma. The specimens were from resection and biopsy (2007-2011). Histopathologic type evaluated with Hematoxylin Meyer's staining. HER2 expression evaluated with immunostaining with HER2 antibody.Results: We found 55 cases from 2007 until 2011 (76,4% men and 23,6% women). The mean age is 50,55 years (the range of age 29-73 years). HER2 expression 3+,2+ and 1+ are 14,5%, 34,5%, and 25,5% sampling. 25% sample did not show HER2 expression. We found overexpression HER2 (3+) in 8 cases (14,5%) of adenocarcinoma gastric intestinal type.Conclusion: There is a significant relation between HER2 expression with histopathologic type (p=0,021). There is no significant relation between HER2 with grading (p=0,253)."

"ABSTRAKAnalisis Praktik Residensi Keperawatan Medikal Bedah pada Kanker Lambung dengan Pendekatan Model Adaptasi Roy di Rumah Sakit Kanker Dharmais dan Cipto Mangunkusumo Jakarta Karya ilmiah ini bertujuan memberikan gambaran analisis praktik residensi Keperawatan Medikal Bedah selama 2 semester tentang penerapan teori model keperawatan dalam studi kasus, dan analisis hasil penerapan tindakan mandiri keperawatan berbasis pembuktian ilmiah (evidence based nursing practice), serta analisis hasil inovasi kelompok terhadap fenomena yang ditemui selama praktik residensi. Penerapan peran perawat profesional dalam proses asuhan keperawatan dengan menggunakan teori adaptasi Roy dilakukan pada kasus karsinoma nasofaring dan berbagai kasus keganasan lainnya terbukti bermanfaat membantu dan meningkatkan kemampuan adaptasi pasien terhadap stimulus internal dan esternal yang dialami. Kegiatan aplikasi tindakan mandiri keperawatan berdasarkan pembuktian ilmiah pelaksanaan guided imagery dan progressive muscle relaxation bukti bermanfaat untuk mengurangi nyeri dan meningkatkan kualitas hidup pasien. Pada proyek inovasi manajemen nyeri pada pasien kanker yang menjalani kemoterapi di ruang rawat inap dengan memfasilitasi pembuatan multi media video guided imagery dan progressive muscle relaxation perawat dalam manajemen nyeri. Peran perawat profesional dapat dijalankan dalam setiap tahap kegiatan praktik residensi keperawatan medikal bedah peminatan onkologi secara holistik dan komprehensif meliputi upaya promotif, reventif, kuratif, dan rehabilitatif. Kata kunci: Adaptasi Roy, kanker, guided imagery dan progressive muscle relaxation, Manajemen nyeri.

---

ABSTRACTractice Analysis of Medical Surgical Nursing Surgery on Stomach Cancer with Roy's Adaptation Model Approach at Dharmais Cancer Hospital and Cipto Mangunkusumo Jakarta This paper aims to provide an overview of residency medical Surgical Nursing residency analysis for 2 semesters on the application of nursing model theory in case study, and analysis of the results of the implementation of scientifically based nursing based action (evidence based nursing practice), and analysis of group innovation results on the phenomenon encountered during residency practice. The application of the role of professional nurses in the nursing care process using Roy's adaptation theory was done in cases of nasopharyngeal carcinoma and other malignant cases proved helpful in improving the patient's adaptability to internal and esternal stimuli. The activities of self-directed nursing action based on scientific proof of guided imagery and progressive muscle relaxation are useful to reduce pain and improve patient's quality of life. In the pain management innovation project in cancer patients undergoing chemotherapy in the inpatient room by facilitating the creation of multi media video guided imagery and progressive muscle relaxation nurses in pain management. The role of professional nurse can be carried out in every stage of medical residency practice of medical surgical treatment of oncology specialization holistically and comprehensively covering promotive, reventif, curative and rehabilitative efforts. Keywords: Roy's adaptation, cancer, guided imagery and progressive muscle relaxation, pain management"

"Kanker lambung adalah penyebab paling umum kedua kematian terkait kanker secara global. kejadian global diprediksi naik sebagai akibat dari pertumbuhan penduduk, ditandai dengan variasi geografis dalam kejadian kanker lambung. Penelitian ini bertujuan untuk mengetahui pemberian nutrisi melalui drip atau continous feeding untuk menghindari gejala gastro-oesophageal reflux dapat diterapkan pada pasien gastrektomi untuk mengatasi kekurangan nutrisi pada pasien. Metode studi kasus dengan pendekatan evidenced based practice yaitu menggunakan penelitian sebagai dasar dalam praktik asuhan keperawatan pada klien dengan gastrektomi dapat mengurangi gejala gastro-oesophageal reflux yaitu mual dan muntah sehingga evidence based practice tersebut bisa diterapkan pada pemberian nutrisi enteral pada klien gastrektomi sehingga ketidakseimbangan nutrisi kurang dari kebutuhan tubuh b.d mual dan muntah dapat teratasi.

---

Gastric cancer is the second most common cause of cancer-related deaths globally. Global incidence is predicted to increase as a result of population growth, characterized by geographical variation in the incidence of gastric cancer. This study aims to determine the provision of nutrition or continuous drip feeding through to avoid the symptoms of gastro-oesophageal reflux in patients with gastrectomy can be applied to address nutritional deficiencies in patients.

The case study method with evidenced based practice approach is to use research as a basis for the practice of nursing care to clients with gastrectomy may reduce symptoms of gastro-oesophageal reflux are nausea and vomiting so that evidence-based practice can be applied to enteral nutrition on the client so that the imbalance nutrition less gastrectomy than body requirements; nausea and vomiting can be resolved."