Hasil Pencarian  ::  Simpan CSV :: Kembali

"Durasi yang lama dan prediksi dosis distribusi yang kurang optimal sering menjadi permasalahan utama dalam treatment planning kanker paru-paru secara manual. Model machine learning berbasis Gradient-Boosted Trees dapat dimanfaatkan untuk mempercepat proses dan menstandarisasi distribusi dosis treatment planning. Penelitian ini memanfaatkan 60 set data treatment planning kanker paru-paru yang diamati dan dikumpulkan oleh MRCCC Siloam Hospitals Semanggi yang dijadikan sebagai set data klinis. Set data yang telah diperoleh dibagi ke dalam 2 kelompok yaitu, 42 set data sebagai data training model machine learning dan 18 set data sebagai data testing model machine learning. Dalam penelitian ini, proses treatment planning memprediksi distribusi dosis yang telah dinormalisasi untuk organ PTV dan OAR. Organ PTV memiliki fitur dosis D2, D50, dan D98. Sementara itu, OAR terdiri atas paru-paru kanan, paru-paru kiri, jantung, dan sumsum tulang belakang. Setiap OAR memiliki fitur dosis yang terdiri atas dosis rata-rata (Dmean) dan dosis maksimum (Dmax). Data prediksi treatment planning menggunakan machine learning kemudian dibandingkan dengan data treatment planning klinis. Perbandingan hasil treatment planning tersebut ditampilkan menggunakan diagram boxplot nilai dosis distribusi PTV dan OAR yang telah dinormalisasi. Kemampuan Gradient-Boosted Trees dalam memprediksi dosis distribusi untuk PTV dan OAR dilihat dari nilai kesalahan mutlak rata-rata terhadap data klinis. Prediksi dosis distribusi PTV memiliki nilai kesalahan mutlak rata-rata sebesar 0,015 (D2), 0,017 (D50), dan 0,022 (D98). Setiap OAR memiliki nilai kesalahan mutlak rata-rata untuk masing-masing fitur dosis rata-rata dan maksimumnya, yaitu sebesar 0,153 (Dmean) dan 0,254 (Dmax) untuk paru-paru kanan, 0,167 (Dmean) dan 0,294 (Dmax) untuk paru-paru kiri, 0,1 (Dmean) dan 0,252 (Dmax) untuk jantung, serta 0,044 (Dmean) dan 0,136 (Dmax) untuk sumsum tulang belakang. Oleh karena itu, prediksi model Gradient-Boosted Trees bekerja lebih baik untuk PTV karena memiliki nilai kesalahan mutlak rata-rata yang lebih kecil dibandingkan dengan OAR.

---

Timeconsuming duration and suboptimal distribution dose prediction become the frequently-happened problems during the manual treatment planning for lung cancer. Gradient-Boosting model can be used for easing treatment planning’s process and standardising its distribution dose. This research uses 60 clinical datasets of lung cancer’s treatment planning that has been collected and processed by Semanggi Siloam Hospitals’ MRCCC. Those datasets are divided into two groups, the training data with 42 datasets and the testing data with 18 datasets. In this research, treatment planning predicts the distribution doses that have been normalised for each PTV’s and OARs’ features. The PTV dose features consist of D2, D50 and D98. Meanwhile, OARs consist of right lung, left lung, heart and spinal cord. Each OAR has mean dose (Dmean) and maximum dose (Dmax) as its dose features. The comparison is shown using boxplot diagrams with normalised dose as its value. The results of the treatment planning prediction using Gradient-Boosting model are then compared to the clinical data. The ability of the Gradient-Boosting model in predicting the distribution dose is calculated based on every Mean Absolute Error (MAE) of the PTV’s and OARs’ dose features. The PTV has 0,015 (D2), 0,017 (D50) and 0,022 (D98) as its MAEs. The OARs’ MAEs consist of 0,153 (Dmean) and 0,254 (Dmax) for right lung, 0,167 (Dmean) and 0,294 (Dmax) for left lung, 0,1 (Dmean) and 0,252 (Dmax) for heart, also 0,044 (Dmean) and 0,136 (Dmax) for spinal cord. In conclusion, Gradient-Boosting model works better for predicting PTV’s distribution dose than the OARs since MAEs for PTV dose features are much smaller compared to the OAR."

"Kanker merupakan pertumbuhan sel abnormal di dalam tubuh yang tidak terkendali. Ketika kanker dimulai di paru-paru, hal ini dinamakan sebagai kanker paru-paru. Terdapat faktor-faktor tertentu yang meningkatkan risiko seseorang yang mengidap penyakit ini, yaitu dengan merokok (termasuk perokok pasif), riwayat kanker paru-paru dalam keluarga, terpapar radiasi, dan infeksi HIV. Penyakit ini dapat didiagnosis melalui image tests, diantaranya yaitu chest x-ray, CT scan, MRI scan, PET scan, dan bone scan. Meskipun diagnosa telah dilakukan dengan banyak cara, namun masih terdapat banyak kesalahan dalam mendiagnosa penyakit tersebut. Untuk mengatasi dan membantu hal tersebut, klasifikasi penyakit kanker paru-paru dapat dilakukan dengan menggunakan metode machine learning. Dataset yang akan digunakan untuk mengklasifikasikan penyakit ini berupa CT Scan yang didapatkan dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Metode klasifikasi yang digunakan adalah Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), dimana Particle Swarm Optimization-Genetic Algorithm (PSO-GA) digunakan untuk mengoptimisasi parameter pada Support Vector Machine (SVM). Untuk mengevaluasi hasil kinerja metode tersebut, akan dilihat nilai akurasi, presisi, recall, dan f1-score dan dibandingkan dengan metode SVM tanpa optimisasi. Dari hasil yang didapat, klasifikasi dengan menggunakan Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.

---

Cancer is an uncontrolled growth of abnormal cells in the body. When cancer starts in the lungs, it is referred as lung cancer. There are certain factors that increase a person's risk of this disease, such as smoking (including passive smoker), a family history of lung cancer, exposure to radiation, and HIV infection. This disease can be diagnosed through image tests, including chest x-ray, CT scan, MRI scan, PET scan, and bone scan. Although diagnosis has been made in many ways, there are still many errors in diagnosing the disease. To overcome and help this problem, the classification of lung cancer can be done by using machine learning method. The dataset that used to classify this disease is CT Scan obtained from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The classification method that will be used is Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), where Particle Swarm Optimization-Genetic Algorithm (PSO-GA) was used to optimize the parameters of the Support Vector Machine (SVM). To evaluate the results of the performance of the method, values of accuracy, precision, recall, and f1-score will be seen and it will be compared with SVM without the optimization. From the results obtained, classification using Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO- GA-SVM) produces better performance compared to Support Vector Machine (SVM) without parameter optimization."

"Penelitian ini berfokus pada pengaplikasian teknologi deep learning, secara khusus menggunakan Residual Network (ResNet101) dalam prediksi perencanaan dosis untuk pasien kanker paru-paru. Tiga variasi input data diproses untuk dilatih dan diuji menggunakan ResNet, dan kemudian dievaluasi untuk menentukan variasi input yang paling akurat. Tujuan utama penelitian ini adalah memahami mekanisme kerja deep learning dalam prediksi perencanaan dosis, mengevaluasi akurasi prediksi menggunakan ResNet, dan menganalisis kinerja model pada masing-masing variasi input data. Metodologi yang digunakan melibatkan penggunaan model input dan output untuk menghasilkan kurva distribusi-volume dosis (DVH) prediksi dan aktual. DVH merupakan kurva yang digunakan untuk mengukur seberapa besar dosis yang diterima dalam persentase volume pada organ tertentu. Evaluasi dilakukan menggunakan metode Mean Absolute Error (MAE) dari persentase volume prediksi dan referensi masing-masing pasien pada rentang dosis yang ditentukan yaitu 0-60 Gy dengan lebar bin sebesar 0,25 Gy. Hasil evaluasi menunjukkan bahwa variasi data input A memberikan nilai MAE sebesar 11,24% ± 10,58%, variasi data input B memberikan MAE sebesar 12,79% ± 11,27%, dan variasi data input C memberikan MAE sebesar 12,22% ± 12,13%. Hasil tersebut memperlihatkan bahwa variasi data input A memiliki tingkat akurasi terbaik dengan nilai error dan standar deviasi terendah. Evaluasi juga melibatkan penggunaan train-val loss untuk masing-masing model yang dilatih. Temuan ini menunjukkan bahwa penggunaan citra CT sebagai channel 1, gabungan ROI tanpa ROI target sebagai channel 2, dan ROI target sebagai channel 3 memberikan prediksi perencanaan dosis yang paling akurat untuk pasien kanker paru-paru.

---

This study focuses on the application of deep learning technology, specifically using Residual Network (ResNet101), to predict dosage planning for lung cancer patients. Three variations of input data were processed for training and testing using ResNet, and then evaluated to determine the most accurate input variation. The primary objectives of this research are to understand the mechanism of deep learning in dosage planning prediction, evaluate prediction accuracy using ResNet, and analyze model performance for each input data variation. The methodology involved using input and output models to generate predicted and actual dose-volume histogram (DVH) curves. DVH is a curve used to measure the dose received as a volume percentage in a specific organ. Evaluation was conducted using the Mean Absolute Error (MAE) method from the volume percentage prediction and reference for each patient within a dose range of 0-60 Gy with a bin width of 0,25 Gy. The evaluation results showed that input data variation A yielded an MAE of 11,24% ± 10,58%, input data variation B yielded an MAE of 12,79% ± 11,27%, and input data variation C yielded an MAE of 12,22% ± 12,13%. These results indicate that input data variation A had the best accuracy with the lowest error and standard deviation. Evaluation also included using train-val loss for each trained model. These findings suggest that using CT images as channel 1, a combination of ROIs excluding the target ROI as channel 2, and the target ROI as channel 3 provides the most accurate dosage planning prediction for lung cancer patients."

"Penjaminan mutu dalam radioterapi adalah proses yang penting agar penggunaan radiasi memberikan manfaat yang maksimal. Saat ini sedang berkembang implementasi machine learning (ML) dalam proses penjaminan mutu treatment planning. Pada penelitian ini, 34 treatment plan intensity-modulated radiation therapy (IMRT) optimal dan 10 treatment plan IMRT suboptimal dari Rumah Sakit Siloam MRCCC Semanggi digunakan dalam pemelajaran model ML berjenis autoencoder untuk pendeteksian anomali yang dikembangkan menggunakan PyTorch. Terdapat empat tahap dalam penelitian ini yaitu tahap persiapan, tahap pengembangan, tahap validasi, dan tahap evaluasi. Pada tahap pengembangan, data mentah disiapkan agar siap digunakan untuk pemelajaran model. Pada tahap pengembangan, model dibuat menggunakan PyTorch dan dilakukan optimisasi hyperparameter. Akurasi hasil pemelajaran model akan dianalisis pada tahap validasi. Terakhir, pada tahap evaluasi, kemampuan model dievaluasi dengan melakukan uji statistik Mann-Whitney U test pada parameter dose-volume histogram (DVH), fitur radiomics, dan metrik DVH (conformity index dan homogeneity index). Model menggunakan 161 fitur radiomics dengan konfigurasi paling optimal adalah epochs sebanyak 1.250 iterasi, konfigurasi hidden layers 150-50-17, dan learning rate sebesar 0,2. Hasilnya menunjukkan akurasi sebesar 30% dengan 7% fitur radiomics, 50% parameter DVH, dan homogeneity index berbeda secara signifikan. Setelah dilakukan pembersihan yaitu membuang data dengan nilai conformity index di bawah satu, didapat akurasi sebesar 17% dengan 12% fitur radiomics, 45% parameter DVH, dan kedua metrik DVH berbeda secara signifikan. Jika hanya digunakan fitur radiomics yang berbeda secara signifikan, didapat akurasi naik menjadi 90%. Dari hasil ini, disimpulkan bahwa fitur radiomics kurang mampu mengkarakterisasi kualitas treatment plan. Selain itu, segmentasi planning target volume (PTV) beserta kelompok fitur radiomics firstorder adalah pembeda utama antara treatment plan optimal dengan suboptimal.

---

Quality assurance in radiotherapy is an important process so that the use of radiation provides maximum benefits. Currently, the implementation of machine learning in the quality assurance of treatment planning is growing. In this study, 34 optimal intensity- modulated radiation therapy (IMRT) treatment plans and 10 suboptimal IMRT treatment plans obtained from Siloam MRCCC Semanggi Hospital were used to train a machine

learning model called autoencoder for anomaly detection developed using PyTorch. There were four stages in this study, namely the preparation stage, development stage, validation stage, and evaluation stage. At the development stage, the raw data was

prepared so that it is ready to be used for training. At the development stage, the model was developed and a hyperparameter optimization was performed. The accuracy of the

model was analyzed at the validation stage. Finally, at the evaluation stage, the model performance was evaluated by performing Mann-Whitney U test on dose volume histogram (DVH) parameters, radiomics features, and DVH metrics (conformity index and homogeneity index). The model used 161 radiomics features with an epochs of 1,250 iterations, 150-50-17 hidden layers configuration, and a learning rate of 0.2 being the most optimal configuration. The results showed an accuracy of 30% with 7% of radiomics

features, 50% of DVH parameters, and the homogeneity index being different

significantly. After refinement, that is removing data with conformity index below one, the accuracy became 17% with 12% of radiomics features, 45% of DVH parameters, and both DVH metrics being different significantly. If the radiomics features used are those

that were significantly different, the accuracy increased to 90%. From these results, it can be concluded that the radiomics features are unable to characterize the quality of the

treatment plan. In addition, planning target volume (PTV) segment along with the firstorder radiomics feature group is the main differentiator between optimal and suboptimal treatment plans. "

"ABSTRAKLatar Belakang: Debu kayu sebagai telah lama dicurigai sebagai salah satu penyebab karsinoma pada paru. Makalah ini bertujuan memberikan bukti adanya hubungan antara pajanan debu kayu di tempat kerja dengan kanker paru pada seorang perajin furnitur.Metode: Dilakukan pencarian artikel berbasis online pada PubMed dan Google Scholar pada Juli 2018 dengan kata kunci wood dust dan lung cancer kemudian ditelaah secara kritis menurut kriteria penelitian egaraic yang relevan dari Oxford Center for Evidence Based Medicine.Hasil: Telaah kritis dilakukan atas 2 studi. Yang pertama kajian meta analisis tahun 2015, menyebutkan terdapat peningkatan risiko yang signifikan antara pajanan debu kayu dengan kanker paru (RR 1,21; 95% CI 1.05 - 1,39, n=33). Sebaliknya, ditemukan risiko rendah (RR 0,63; 95% CI 0,39-0,99 n = 5) pada studi yang berasal dari egara-negara Nordik yang karakter kayunya adalah kayu lunak. Meta-analisis ini memberikan bukti kuat hubungan antara pajanan debu kayu dan kanker paru, yang sangat dipengaruhi oleh wilayah geografis penelitian. Alasan untuk perkiraan efek wilayah ini masih harus diklarifikasi, tetapi mungkin menunjukkan efek diferensial untuk debu kayu keras dan kayu lunak. Studi terakhir berdesain cross sectional melakukan 2 buah penelitian dan menemukan peningkatan risiko kanker paru-paru untuk pajanan kumulatif substansial terhadap debu kayu (OR 1,4; 95% CI 1,0-2,0) dan (OR 1,7; 95% CI 1,1- 2,7).Kesimpulan: Kedua studi yang terpilih menyatakan bahwa pajanan debu kayu meningkatkan risiko terjadinya kanker paru. Perlu adanya upaya pengendalian risiko pada pajanan debu kayu di tempat kerja.

---

ABSTRACTIntroduction: Wood dust has long been suspected as a cause of lung cancer. This paper provides evidence of a relationship between wood dust exposure at work and lung cancer in a furniture craftsman.Method: Related articles were searched online on PubMed and Google Scholar in July 2018 with the keywords wood dust and lung cancer. Both were examined according to relevant etiologic research criteria from the Oxford Center for Evidence Based Medicine.Results: Critical study was carried out on 2 studies. The first meta-analysis study in 2015 mentioned a significant increase in risk between exposure to wood dust with lung cancer (RR 1,21; 95% CI 1,05 - 1,39, n=33). Conversely, a low risk was found (RR 0,63; 95% CI 0,39 -0,99 n = 5) in studies originating from the Nordic countries where the wood character is soft wood. This meta-analysis provides strong evidence of a relationship between wood dust exposure and lung cancer, which is strongly influenced by the geographic area of ​​the study. The reason for estimating the specific effects of this area remains to be clarified, but it might show a differential effect for hardwood and softwood dust. The last cross sectional design study conducted 2 studies and found an increased risk of lung cancer for substantial cumulative exposure to wood dust with cancer control (OR 1,4 95% CI 1,0-2,0) and (OR 1,7 with 95% CI 1,1-2,7).Conclusion: Both selected studies state that exposure to wood dust increases the risk of lung cancer, for this reason, efforts are needed to control wood dust exposure in the workplace."

"Latar belakang: Trombosis vena dalam merupakan komplikasi tersering yang dijumpai pada keganasan. Insidens trombosis vena dalam pada kanker paru sangatlah tinggi bila dibandingkan dengan populasi umum. Saat ini belum ada pedoman alur diagnosis yang dapat menegakkan diagnosis trombosis vena dalam pada kanker paru. Selain itu, penelitian serupa juga belum pernah dilakukan di Indonesia sehingga hasil penelitian ini dapat menjadi penelitian pendahuluan yang menitikberatkan pada trombosis vena dalam pada kanker paru.Tujuan: Tujuan penelitian ini adalah untuk menilai proporsi trombosis vena dalam menggunakan kriteria klinis yaitu skor Wells’ pada pasien kanker paru yang dirawat di RS Persahabatan.Metode: Desan penelitian ini menggunakan metode potong lintang. Kami melakukan pemeriksaan pada pasien kanker paru yang dirawat sejak September 2012 hingga Februari 2013. Kami menyingkirkan pasien kanker paru dengan penyakit infeksi serta pasien kanker paru dengan sediaan histopatologi yang belum tegak. Pemeriksaan fungsi hemostasis seperti PT, APTT dan D-dimer tetap dilakukan bersama dengan penggunaan kriteria klnis skor Wells’. Diagnosis trombosis vena dalam ditentukan apabila skor Wells berat.Hasil: Subjek dalam penelitian ini terbanyak adalah laki-laki (69,2%) dengan kelompok usia terbanyak yaitu kelompok usia 51-60 tahun (33,3%). Jenis histopatologi yang terbamyak ditemukan adalah jenis adenokarsinoma (57,7%). Hampir sebagian besar pasien yaitu 64 pasien (82,1%) memiliki D-dimer >500 dan hanya 14 pasien (17,9%) dengan D-dimer normal. Penelitian ini mengungkapkan proporsi trombosis vena dalam menggunakan skor Wells adalah 23,1%.%. Faktor-faktor seperti jenis kelamin, usia, riwayat merokok, jenis tumor, stadium tumor, status penampilan, serta fungsi hemostasis tidak berpengaruh terhadap trombosis vena dalam namun nilai D-dimer >500 berpengaruh terhadap trombosis vena dalam.Kesimpulan: Proporsi trombosis vena dalam pada pasien kanker paru di RS Persahabatan hampir sama jumlahnya dengan penelitian-penelitian di negara lain yaitu sekitar 21%. Penelitian ini menunjukkan bahwa skor Wells masih mempunyai peran penting dalam menentukan trombosis vena dalam mengingat penggunaannya mudah dan praktis. Penelitian selanjutnya diperlukan untuk menilai metode yang mudah dan sederhana digunakan dalam praktek sehari-hari bersama dengan skor Wells dalam menentukan trombosis vena dalam pada kanker paru.

---

Background: Deep vein trombosis (DVT) is the common complication found in malignancy. Its incidence in lung cancer is much higher than in general population. Since there were no current diagnosis guideline which could help identify DVT in lung cancer and there were no similar study conducted before in Indonesia, thus this study could be a pilot study for further research focusing DVT in lung cancer.

Objective: The objective of this study is to find deep vein trombosis proportion among lung cancer patients which is determined by clinical criteria such as Wells’ score in Persahabatan Hospital.

Method: The study design is using a cross-sectional method. We examined the lung cancer patients who were hospitalized within September 2012 to Februari 2013. We excluded the lung cancer patients with infection comorbidity or who had not yet had histopathological confirmation. The hemostatis work up included PT, APTT, and D-dimer were conducted along with clinical Wells’ score criteria. Deep vein trombosis among the patients is determined by severe Wells’ score.

Results: Subjects in this study were mostly male (69,2%) with predominant age group of 51-60 years old (33,3%). Predominant histopathologic sub type was adenocarcinoma (57,7%). Mostly, 64 patients (82,1%) had D-dimer >500 and only 14 patients (17,9%) with normal D-dimer. This study found that deep vein trombosis proportion is 23,1% using Wells’ score. Clinical characteristics such as sex, age, smoking history, tumor cell type, tumor staging, performance status and hemostasis function does not have correlation with DVT but score of D-dimer >500 have correlation with DVT.

Conclusion: The DVT proportion among lung cancer patients in Persahabatan Hospital is similar found in some studies in other countries which is approximately 21%. This study revealed that the simple and practical application of Wells’ score in determining DVT is still have valueable role. Further study is needed to find the best simple and easy methods along with Wells’ score in determining DVT in daily practice."

"Penyakit masih menjadi permasalahan yang serius di seluruh dunia, tidak terkecuali Indonesia. Salah satu jenis penyakit yang menjadi penyebab kematian manusia nomor satu di dunia adalah kanker, dengan kanker paru-paru yang menduduki peringkat pertama. Untuk mengetahui kondisi seseorang memiliki sel kanker atau tidak di dalam tubuhnya, diperlukan pemeriksaan seperti pemeriksaan fisik, CT-Scans dan MRI. Pemeriksaan ini digunakan oleh dokter dalam melakukan diagnosa pasien terhadap penyakit kanker. Walaupun telah dilakukan pemeriksaan secara detail, masih sering ditemukan kekeliruan atau kesalahan yang dilakukan oleh dokter dalam memberikan diagnosa. Oleh karena itu, semakin berkembangnya zaman banyak metode yang dapat digunakan dalam mengatasi permasalahan tersebut, salah satunya dengan metode Convolutional Neural Networks. Metode ini merupakan perkembangan dari metode Neural Networks dan akan digunakan dalam melakukan klasifikasi kanker paru-paru berdasarkan data citra MRI. Convolutional Neural Networks memiliki performa yang lebih baik daripada Neural Networks dalam mengklasifikasikan serta memprediksi data kanker paru-paru berdasarkan citra MRI. Hal ini dibuktikan dengan nilai akurasi yang diperoleh dari metode Convolutional Neural Networks lebih besar daripada nilai akurasi metode Neural Networks, yaitu 90% untuk Convolutional Neural Networks dan 66.7% untuk Neural Networks.

---

Disease still a serious problem throughout the world, include Indonesia. One types of diseases that is the number one cause of human death in the world is cancer, with lung cancer ranked first. To find out the condition of a person has cancer cells or not in the body, it requires examinations such as physical examination, CT-Scans and MRI. This examination is used by doctors in diagnosing patients for cancer. Although a detailed examination has been carried out, it is still often found errors was made by the doctor in provided a diagnosis. Therefore, the development of this era, many methods that can be used to overcome these problems, one of them is the Convolutional Neural Networks method. This method is a development of the Neural Networks method and will be used in classifying lung cancer based on MRI image data. Convolutional Neural Networks has better performance than Neural Networks in classifying and predicting lung cancer data based on MRI images. This is evidenced by the accuracy value obtained from the Convolutional Neural Networks method greater than the accuracy value of the Neural Networks method, which is 90% for Convolutional Neural Networks and 66.7% for Neural Networks."

"Aerosol karbon hitam menimbulkan risiko potensial bagi kesehatan manusia. Karbon hitam telah dilaporkan menjadi penyebab penting bagi beberapa penyakit kardiovaskular dan pernapasan manusia. International Agency for Research on Cancer (IARC) menyatakan bahwa klasifikasi karbon hitam adalah 2b, yaitu berpotensi menyebabkan kanker. Ini menandakan bahwa efek karsinogenik karbon hitam untuk manusia masih kontroversial. Laporan kasus berikut ini memaparkan kasus kanker paru-paru akibat pajanan karbon hitam dan meninjau literatur laporan kasus okupasi untuk mendapatkan jawaban tentang efek pajanan karbon hitam dan meningkatnya risiko kanker paru-paru di antara pekerja yang terpajan karbon hitam. Pencarian literatur dilakukan untuk menjawab pertanyaan klinis melalui database elektronik: PubMed dan Google Scholar. Kata kunci yang digunakan adalah 'karbon hitam' DAN 'kanker paru-paru' DAN 'pekerja'. Kriteria inklusi dari strategi pencarian ini adalah pekerja yang terpapar karbon hitam, studi meta analisis, kasus control,prosfektif kohort. Kriteria pengecualian dari artikel ini adalah artikel yang tidak dapat diakses, RCTs yang telah digunakan dalam systemic review. Artikel yang dipilih kemudian dianalisa kritis menggunakan kriteria yang relevan oleh Oxford Center for Evidence-based Medicine. Penelitian ini mengulas literatur oleh Rota Matteo, et all 2014; Bukti epidemiologis tentang karbon hidro poliaromatik (PAH) tinggi terpapar, studi kohort perspektif oleh Delli LD, et all 2015 dan studi kasus kontrol oleh Marie EPt, dkk 1996. Ketiga penelitian menunjukkan bahwa potensi karsinogenik hitam karbon sama dengan pernyataan monograf IARC bahwa studi epidemiologi karbon hitam memberikan bukti karsinogenisitas yang kurang memadai (Kelompok 2B).

---

Carbon black aerosol has potential risks on human health. Carbon black has been reported to be an important cause for several human cardiovascular and respiratory diseases. International Agency for Research on Cancer (IARC) stated that carbon black classification is 2b, that is carcinogenic. This report explains a case of lung cancer due to carbon black exposure and reviews the literature of occupational cases to get the answers about the effects of carbon black exposure and the increasing risk of lung cancer among carbon black exposed workers. The literature search was performed to answer the clinical question via electronic databases: PubMed and Google Scholar. The keywords used were ‘carbon black’ AND ‘lung cancer’ AND ‘workers’. The inclusion criteria of this searching strategy were the workers which exposed to carbon black, meta analysis, randomizes controlled trial, systematic reviews, cohort. The exclusion criteria of this article were inaccessible articles, RCTs that have been used in recent systematic review. The selected articles were then critically appraised using relevant criteria by the Oxford Center for Evidence-based Medicine. This study reviews the literature by Rota Matteo, et all 2014; The epidemiological evidence on the polyaromatic hydro carbon (PAH) high exposed, perspective cohort study by Delli LD, et all 2015 and the control case study by Marie EPt, et al 1996. The three researches showed that carbon black carcinogenic potential is the same with the IARC monograph statement that the epidemiological studies of carbon black provide inadequate evidence of carcinogenicity (Group of 2B)."

"Aim: to assess the quality of life (QOL) of lung cancer patients.Subject and methods: Twenty-four subjects were interviewed, and questionnaires were filled to evaluate the subjective quality of life of the patients. Objective evaluation was conducted using the Karnofsky Performance Status (KPS). Subjective evaluation included physical, social, and spiritual dimensions. Evaluation was conducted at the time of diagnosis (initial phase, 24 subjects), and reevaluation was conducted during the adaptive phase (21 subjects).Time and place: the Department of Internal Medicine, Faculty of Medicine of the University of Indonesia, Dr. Cipto Mangunkusumo National Central General Hospital and Dharmais Cancer Hospital, Jakarta, from January 2001 to January 2002.Results: At the time of diagnosis 1 subject had poor QOL, 18 (75%) had moderate QOL, and 5 had high QOL. At the reevaluation, 8 had mild QOL and 13 had high QOL.Conclusions: There was a significant increment of quality of life from the time of diagnosis to the second evaluation.Abbreviations: (QOL) quality oflife,(KPS)Karnofsky Perfomance Status"

"Indonesia terdiri dari beribu pulau yang berpenghuni.Belum ada deteksi kanker paru yang non-invasif, sederhana, murah dan efektif sehingga diperlukan suatu inovasi. Deteksi metilasi DNA dengan sampel dalam kertas saring yang dapat dikirim melalui pos dan analisis kromatografi napas hembusan yang ditampung dalam balon karet adalah salah satu metode yang akan diujicoba dan diteliti. Penelitian ini bertujuan menemukan metode baru untuk deteksi kanker paru yang dapat dilakukan oleh tenaga kesehatan di berbagai daerah di seluruh Indonesia dengan mengirim sampel melalui pos. Metode yang digunakan dalam penelitian berupa studi ekperimental dengan mendeteksi dan mengukur konsentrasi DNA serta menentukan status metilasi gen promoter spesifik APC RASSF1A dari sampel napas-hembusan pasien kanker paru yang ditampung dalam balon karet terkondensasi, dibandingkan dengan sampel-sampel sediaan sitologi, darah dan sputum menggunakan metode PCR-MSP, serta menganalisis sampel napas- hembusan menggunakan GCMS pasien kanker paru dengan kontrol orang normal. Hasil penelitian ini membuktikan bahwa DNA dapat dideteksi, diamplifikasi dan diukur konsentrasinya dari napas-hembusan pasien kanker paru yang ditampung menggunakan balon karet. Konsentrasi DNA dari napas-hembusan secara statistik tidak berbeda bermakna dibanding konsentrasi DNA dalam sampel darah dan sputum, tetapi berbeda bermakna dibanding sediaan sitologi. Sebagian besar status metilasi gen APC RASSF1A adalah tidak termetilasi. Analisis uap napas menggunakan GCMS terbukti memperlihatkan senyawa-senyawa spesifik yang hanya dijumpai pada napas-hembusan pasien kanker paru. Dari penelitian dapat disimpulkan bahwa DNA dapat dideteksi dari napas-hembusan pasien kanker paru yang ditampung dalam balon karet, dengan konsentrasi yang tidak berbeda bermakna dengan konsentrasi dalam darah dan sputum. Status metilasi gen APC RASSF1A tidak dapat dijadikan biomarker diagnosis kanker paru.Deteksi DNA sebagai sampel genetik dan analisis GCMS dari napas-hembusan yang ditampung dalam balon karet berpotensi dapat dijadikan metode deteksi kanker paru yang non-invasif.

---

Indonesia has more than 14,000 islands and access to health facilities has been challenging. Despite lung cancer is the leading cause of death, Indonesia has high prevalence of cigarette smokers and there has been no effective screening so far. Non invasive, simple, accurate and affordable tools for lung cancer detection is needed.

The method of this study is experimental study of which samples from sputum, blood, cytology and exhaled breath was analyzed using PCR MSP method to detect DNA methylation. In addition, exhaled breath samples were collected in latex balloons and profiled with GC MS.

The result of this study that DNA can be extracted, isolated and amplified from exhaled breath of lung cancer patients that had been collected in the latex balloons. Exhaled breath DNA concentration, statistically was not different with DNA concentration from blood and sputum, but lower and statistically different with tissue cytology samples. PCR MSP results revealed that the methylation status of APC and RASSF1A gene promoters were not methylated in the majority of samples. GC MS analyses showed that there were some chemical components specifically detected only in lung cancer patients and were absent in normal or healthty subjects.

The conclusion of this study that DNA can be extracted from exhaled breath with simple technique using balloons reservoir from lung cancer subjects and detection of methylation status of APC and RASSF1A promoter genes from this samples could be done. However, APC and RASSF1 methylation status may not be useful marker for lung cancer screening. On the other hand, analyses of chemical compounds obtained from exhaled breath in lung cancer patients had promising potential for new innovative detection of lung cancer with non invasive procedure."