Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar belakang: Penilaian usia tulang dengan metode Greulich and Pyle merupakan metode yang paling sering digunakan. Namun metode ini bersifat subjektif dan ahli yang dapat membaca usia tulang dengan metode ini belum tersebar merata. Saat ini, penilaian usia tulang melalui metode deep learning artificial intelligence mulai banyak digunakan. Metode ini dinilai lebih objektif dan memiliki akurasi yang setara atau lebih baik dibandingkan metode Greulich and Pyle.Tujuan: Penelitian ini bertujuan untuk mengetahui akurasi deep learning artificial intelligence dibandingkan Greulich and Pyle dalam menilai usia tulang.Metode: Penelitian merupakan studi potong lintang yang dilakukan di Rumah Sakit Cipto Mangunkusumo menggunakan foto tangan dan pergelangan tangan di Divisi Pencitraan yang diambil pada Desember 2022 sampai November 2023. Subjek yang diteliti adalah anak berusia 1 – 18 tahun yang diindikasikan untuk dilakukan pemeriksaan usia tulang. Akurasi dinilai melalui korelasi, perbedaan rerata, dan kesesuaian antara dua metode.Hasil: Sebanyak 275 foto dalam kurun waktu 12 bulan dimasukkan ke dalam penelitian dengan nilai tengah 9,5 tahun. Korelasi antara kedua metode pembacaan usia tulang adalah 0,971 (IK95% 0,963 – 0,977 ; p < 0,001) yang berarti memiliki korelasi positif kuat. Perbedaan rerata hasil pembacaan kedua metode adalah 0,53 tahun (IK95% 0,45 – 0,62; p < 0,001). Walaupun bermakna secara statistik, perbedaan rerata ini tidak bermakna secara klinis karena usia tulang yang abnormal harus lebih dari 2 standar deviasi. Kesesuaian pembacaan usia tulang antara kedua metode baik dengan nilai kappa 0,752 (IK95% 0,675 – 0,828; p < 0,001).Kesimpulan: Penilaian usia tulang dengan metode deep learning artificial intelligence memiliki akurasi yang sama dengan metode Greulich and Pyle.

---

Background: Bone age assessment using the Greulich and Pyle method is the most frequently used. However, this method is subjective and experts who can read bone age using this method are not evenly distributed. Currently, bone age assessment using deep learning artificial intelligence methods is starting to be widely used. This method is considered more objective and has equivalent or better accuracy.

Objective: This study aims to determine the accuracy of deep learning artificial intelligence compared to Greulich and Pyle in assessing bone age.

Method: This was a cross-sectional study conducted at Cipto Mangunkusumo Hospital using radiology of the hands and wrists in the Imaging Division taken from December 2022 to November 2023. The subjects studied were children aged 1 – 18 years who were indicated for bone age examination. Accuracy was assessed through correlation, mean difference, and agreement between the two methods.

Results: A total of 275 photos over a 12 month period were included in the study with a median value of 9.5 years. The correlation between the two bone age assessment methods was 0.971 (95% CI 0.963 – 0.977; p < 0.001), which showed a strong positive correlation. The mean difference between the two methods was 0.53 years (95% CI 0.45 – 0.62; p < 0.001). Although it had statistically significant, this mean difference was not clinically significant because the abnormal bone age must be more than 2 standard deviations. The agreement between bone age readings between the two methods was good with a kappa value of 0.752 (95% CI 0.675 – 0.828; p < 0.001).

Conclusion: Bone age assessment using the deep learning artificial intelligence method has the same accuracy as the Greulich and Pyle method."

"Latar Belakang: Perubahan kualitas dan kuantitas tulang akan terjadi pada wanita yang memasuki masa lanjut usia yang dipengaruhi oleh berbagai faktor. Salah satu metode pengukuran kuantitas tulang adalah dengan mengukur lebar tulang kortikal sudut mandibula melalui radiograf panoramik menggunakan indeks morfometrik Gonial Index (GI). Pengukuran lebar tulang rahang dapat digunakan sebagai deteksi terhadap perubahan kualitas dan kuantitas struktur tulang. Tujuan: Mengetahui nilai rata-rata GI pada kelompok wanita usia 45-59 tahun dengan kelompok usia 60-70 tahun di RSKGM FKG UI dan untuk mengetahui apakah terdapat perbedaan nilai GI yang bermakna antara kedua kelompok usia. Metode: Studi dilakukan pada 184 gambar radiografik panoramik digital dari pasien wanita berusia 45-70 tahun yang dikelompokkan menjadi dua kelompok usia (1 = usia 45 – 59; 2 = usia 60 – 70). Pengukuran GI dilakukan pada kedua sisi untuk mengukur lebar tulang kortikal pada sudut mandibula. Analisis statistik dilakukan dengan uji Mann-Whitney (p > 0.05). Hasil: Nilai rata-rata GI pada kelompok usia prelansia (45-59 tahun) adalah 1.08 mm dan untuk kelompok usia lansia (60-70 tahun) adalah 0.62 mm. Kesimpulan: Terdapat perbedaan bermakna antara nilai GI pada subjek prelansia dan lansia, di mana terjadi penurunan nilai rerata lebar kortikal sudut mandibula pada kelompok usia lansia.

---

Background: The changes in quality and quantity of bone structure level occur in elderly women and are caused by some of risk factors. One of the methods to measure bone thickness is by measuring the width of mandible cortical bone using Gonial Index (GI) in radiograph panoramic. The average value of GI can be used as detection to quality and quantity changes of bone structures. Objectives: to obtain average value of GI between 45-59 years old and 60-70 years old women in RSKGM FKG UI and to identify if there is a significant difference of GI average value between two age groups. Method: The study included 184 digital panoramic radiographic images of 45 – 70 years old female patients that were grouped into two age groups (1 = age 45 – 59; 2 = age 60 – 70). The measurement of Gonial Index (GI) were done bilaterally to measure the cortical width of mandibular angle. Statistical analysis was performed with Mann-Whitney test (p > 0.05). Results: The average value of GI of 45-59 years old age group is 1.08 mm and the GI average value of 60-70 years old age group is 0.62 mm. Conclusion: There’s a significant difference of GI value between women at age 45 – 59 years old and 60 – 70 years old, the average value of cortical width of mandible angle decreases in women at age 60 – 70 years old.

"

"ABSTRAKDalam beberapa tahun terakhir, new psychoacytive substances NPS telah berkembang cepat dalam pasaran sebagai alternatif legal obat yang diatur oleh dunia internasional dengan potensi resiko kesehatan serius. Pada tahun 2016, sebanyak 21 senyawa diantara 56 jenis NPS yang beredar di Indonesia telah teridentifikasi merupakan turunan kanabinoid. Namun, hanya 43 dari 56 NPS yang sudah diatur dalam Peraturan Menteri Kesehatan Nomor 2 tahun 2017. Kemudian diperkirakan NPS akan terus bertambah. Penelitian ini bertujuan untuk memperoleh metode yang paling baik untuk mengklasifikasi senyawa baru golongan kanabinoid dengan menggunakan deep learning untuk meningkatkan performa analisis in silico. Penelitian ini membandingkan metode deep learning dan pemodelan farmakofor. fingerprint dua dimensi dan deskriptor sifat fisikokimia digunakan sebagai bahan pembelajaran metode deep learning. Kedua model yang dihasilkan oleh dua metode akan digunakan untuk mengklasifikasikan golongan senyawa kanabinoid baru. Didapatkan deep learning menggunakan fingerprint dua dimensi sebagai metode terbaik. Metode ini memberikan hasil akurasi dan Kohen Kappa dengan nilai 0,9904 dan 0,9876 secara berurutan. Namun, metode deep learning menggunakan deskriptor dan pemodelan farmakofor memberikan nilai akurasi 0.8958 dan 0,68 dan Kohen Kappa 0,8622 dan 0,396 . Dapat disimpulkan dari nilai akurasi dan Kohen Kappa bahwa metode deep learning fingerprint memiliki potensi untuk digunakan sebagai instrumen untuk mengklasifikasi NPS.

---

ABSTRACTIn recent years, new psychoactive substances NPS have rapidly emerged in market purportedly as legal alternatives to internationally controlled drugs, with potential to pose serious health risks. In 2016, from 56 substances which were found in Indonesia, 21 among them were found as cannabinoid derivates. However, there only 43 out of 56 NPS which have been regulated by Ministry of Health Republic of Indonesia, yet NPS expected to increase. The purpose of this study was to gain the best method to classify new cannabinoid class substances using deep learning to enhance performance of in silico analysis. This study will compared deep learning and pharmacophore modeling methods. Two dimentional fingerprint and physicochemical properties descriptor will be used as learning parameters for deep learning method. The two models produced by two methods will be used to classify new cannabinoid substances class. Deep learning with two dimentional fingerprint was found as the best method. This method shows the highest accuracy and Cohen Kappa scores, with values of 0.9904 and 0.9876 consecutively. However, deep learning method with descriptor and pharmacophore modeling method gave accuracy 0.8958 and 0.68 and Cohen Kappa 0.8622 and 0.396 . These results conclude that deep learning method with two dimentional fingerprint gives an alternative method to be used as an instrument for NPS classification. "

"Salah satu analisis yang dapat dilakukan untuk mendeteksi adanya gangguan perkembangan anak adalah dengan membandingkan umur skeletal dengan umur nyata dari anak. Umur skeletal dapat dicari dengan melihat umur tulang tangan. Metode penilaian umur tulang dapat dilakukan dengan pendekatan artificial intellgence. Dengan adanya AI diharapkan dapat mengotomatisasi perhitungan umur tulang berdasarkan citra X-Ray tulang tangan anak. Salah satu metode yang dapat digunakan untuk melakukan prediksi umur tulang adalah deep learning menggunakan arsitektur Convolutional Neural Network (CNN). Model CNN dapat melakukan berbagai hal, seperti segmentasi semantik, key point detection dan regresi. Hasil pengujian menunjukkan bahwa dengan menggunakan preprocessing berupa segmentasi semantik, key point detection dan transformasi z-score terhadap umur tulang berhasil mendapatkan nilai RMSE 10.076 bulan dan MAE 7.735 bulan, lebih kecil jika dibandingkan dengan human-level performance yang memiliki MAE 8.76 bulan

---

One method of analysis that can be done to detect growth hormone deficiency is to compare the skeletal age to the real age of the child. The skeletal age of a subject can be found by estimating the hand bone age. The estimation of hand bone age can be done using artificial intelligence approach. With the presence of AI, we can automate the estimation of bone age using X-Ray images of a child’s hand. One method that we can use to estimate bone age is deep learning using Convolutional Neural Network (CNN) architecture. CNN can do many things, such as semantic segmentation, key point detection, and regression. We found that using preprocessing such as semantic segmentation, key point detection and z-score transformation of the bone age can achieve 10.076 months RMSE and 7.735 months MAE, that is lower than the human-level performance which has 8.76 months MAE."