Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker prostat merupakan masalah kesehatan yang umum terjadi pada pria di seluruh dunia. Diagnosis dini dan akurat sangat penting untuk pengobatan yang efektif. Spektroskopi Raman (RμS) menawarkan teknik yang menjanjikan untuk menganalisis sampel jaringan dan berpotensi membedakan antara jaringan prostat jinak dan ganas. Studi ini menyelidiki kemanjuran algoritma Machine Learning dalam mengklasifikasikan kanker prostat menggunakan data RS dari spesimen biopsi. Data Spektrum Raman yang digunakan berasal dari penelitian di Kanada yang dikumpulkan dari tiga kelompok Cohort yakni Centre Hospitalier de l’Universit´e de Montr´eal (CHUM) sebagai Cohort training, serta University Health Network (UHN) dan Centre Hospitalier de l’Universite de Montreal (CHUQc-UL) sebagai Cohort testing. Spektrum ini, yang mewakili komposisi kimia jaringan (Raw Spectra), digunakan untuk training dan model evaluation Machine Learning.Untuk membantu menganalisis komposisi kimia data RμS yang akurat, diperlukan algoritma Machine Learning dalam mengklasifikasikan BPH dan PC. Dua algoritma yang digunakan adalah Support Vector Machine (SVM) dan Extreme Gradient Boosting (XGBoost). Data RμS dilakukan training dan testing menggunakan data yang berbeda yang menghasilkan nilai metrik klasifikasi dari dua algoritma yang dibandingkan dalam mengklasifikasikan sampel BPH atau PC. Ternyata, algoritma XGBoost memiliki kemampuan klasifikasi yang kurang unggul daripada SVM, hal ini dibuktikan dengan SVM memiliki rata-rata Akurasi sebesar 83,3%, Sensitivitas sebesar 96.,7%, Spesifisitas sebesar 46,4%, F1-Score sebesar 98,1%, dan ROC-AUC sebesar 87,7%. Sementara, XGBoost menunjukkan Akurasi sebesar 78%, Sensitivitas sebesar 80%, Spesifisitas sebesar 75%, F1-Score sebesar 78%, dan ROC-AUC sebesar 85%.Selain itu kedua algoritma juga bisa menentukan titik Feature Importance pada grafik Spektra Raman, yang ditunjukkan dengan beberapa fitur vibrasi molekul untuk BPH dan PC berdasarkan algoritma SVM dan XGBoost, yakni 720 cm−1, 828 cm−1, dan 931 cm−1 sebagai karakteristik jaringan BPH, dan 1.431 cm−1 dan 1.470 cm−1 sebagai jaringan PC.

---

Prostate cancer is a common health problem in men worldwide. Early and accurate diagnosis is essential for effective treatment. Raman spectroscopy (RμS) offers a promising technique to analyze tissue samples and potentially differentiate between benign and malignant prostate tissue. This study investigated the efficacy of a Machine Learning algorithm in classifying prostate cancer using RS data from biopsy specimens. The Raman Spectrum data used were from a Canadian study collected from three cohort groups, namely the Centre Hospitalier de l’Universit´e de Montr´eal (CHUM) as the training Cohort, and the University Health Network (UHN) and Centre Hospitalier de l’Universit´e de Montreal (CHUQc-UL) as the testing Cohort. This spectrum, which represents the chemical composition of the tissue (Raw Spectra), is used for training and model evaluation Machine Learning.

To help analyze the chemical composition of accurate RμS data, a Machine Learning algorithm is needed to classify BPH and PC. The two algorithms used are Support Vector Machine (SVM) and Extreme Gradient Boosting (XGBoost). The RμS data is trained and tested using different data that produces classification metric values from the two algorithms that are compared in classifying BPH or PC samples. It turns out that the XGBoost algorithm has a classification capability that is less superior than SVM, this is evidenced by SVM having an average Accuracy of 83.3%, Sensitivity of 96.7%, Specificity of 46.4%, F1-Score of 98.1%, and ROC-AUC of 87.7%. Meanwhile, XGBoost showed Accuracy of 78%, Sensitivity of 80%, Specificity of 75%, F1-Score of 78%, and ROC-AUC of 85%. In addition, both algorithms can also determine the Feature Importance point on the Raman Spectra graph, which is indicated by several molecular vibration features for BPH and PC based on the SVM and XGBoost algorithms, namely 720 cm−1, 828 cm−1, and 931 cm−1 as characteristics of BPH tissue, and 1.431 cm−1 and 1.470 cm−1 as PC tissue."

"Penelitian ini menyelidiki penerapan spektroskopi Raman pada sampel jaringan kanker kolorektal menggunakan pendekatan machine learning pada komputer klasik dan kuantum. Kanker kolorektal, salah satu penyebab utama kematian akibat kanker, memerlukan metode diagnostik yang akurat dan efisien. Studi ini menggunakan data spektroskopi Raman dari penelitian sebelumnya dan mengimplementasikan algoritma machine learning seperti XGBoost, LightGBM, Fully Connected Neural Network (FCNN), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Network (GRU) pada komputer klasik. Selain itu, penelitian ini juga memperkenalkan pendekatan baru dengan mengaplikasikan Hybrid Quantum Neural Network (QNN). Hasil penelitian menunjukkan bahwa model XGBoost pada komputer klasik mencapai F1-Score tertinggi sebesar 64,311%, sedangkan model Hybrid Classical-Quantum Classifier menunjukkan F1-Score terendah, sebesar 55.263%. Meskipun model Hybrid Classical-Quantum Classifier memperoleh skor terendah, penelitian ini menunjukkan potensi penerapan komputasi kuantum dalam meningkatkan akurasi diagnosis kanker kolorektal di masa depan. Namun, keterbatasan perangkat keras komputer kuantum saat ini menjadi kendala signifikan yang perlu diatasi melalui penelitian lebih lanjut.

---

This study investigates the application of Raman spectroscopy to colorectal cancer tissue samples using classical and quantum computer machine learning approaches. Colorectal cancer, one of the leading causes of cancer deaths, requires accurate and efficient diagnostic methods. This study utilizes Raman spectroscopy data from previous research and implements machine learning algorithms such as XGBoost, LightGBM, Fully Connected Neural Network (FCNN), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Network (GRU) on classical computers. In addition, this research also introduces a new approach by applying a hybrid quantum neural network (QNN). The results showed that the XGBoost model on classical computers achieved the highest F1-Score of 64.311%, while the Hybrid Classical-Quantum Classifier model showed the lowest F1-Score, at 55.263%. Despite the lowest score, this study shows the potential of applying quantum computing in improving the accuracy of colorectal cancer diagnosis in the future. However, the current hardware limitations of quantum computers are a significant obstacle that needs to be overcome through further research."

"Pada tahun 2018, kanker prostat merupakan penyakit ganas kedua terbanyak pada pria secara global setelah kanker paru-paru. IDC-P merupakan varian agresif dari kanker prostat yang sering sering disalahinterpretasikan dengan proliferasi intraduktal seperti HGPIN yang dapat mempengaruhi perawatan pasien laki-laki pengidap kanker prostat. Teknik analisis spektroskopi Raman merupakan teknik molekuler berprospek untuk menganalisa jaringan biologis yang telah banyak digunakan dalam mencoba untuk mengidentifikasi berbagai macam jenis kanker. Sayangnya, spektroskopi Raman menghasilkan sinyal yang lemah dan mudah dipengaruhi oleh noise dan latar belakang floresens. Penelitian ini bertujuan untuk mengembangkan pipeline yang mencakup tahapan prapengolahan dan klasifikasi terhadap spektra Raman dari spesies IDC-P dan HGPIN untuk mendapatkan hasil metrik evaluasi yang optimal. Tujuan ini dicapai dengan menemukan nilai parameter optimal pada tahapan prapengolahan (smoothing, baseline correction, normalisasi), dan klasifikasi untuk menghasilkan hasil klasifikasi yang terbaik. Dihasilkan sebuah pipeline yang mencakup tahapan prapengolahan dan klasifikasi dengan kemampuan untuk meng- hasilkan hasil evaluasi metrik yang tinggi untuk metrik evaluasi F1 Test, accuracy, dan AUC-ROC masing-masing bernilai : 98.8%, 97.9%, dan 98.8%. Berdasarkan hasil anali- sis ANOVA, ditemukan bahwa perbedaan pada parameter window length dan polynomial order pada tahapan Savitzky-Golay smoothing tidak memiliki signifikansi terhadap hasil evaluasi metrik (p > 0.05). Sebaliknya, metode baseline correction beserta nilai polynomial degree yang berbeda cenderung memberikan signifikansi ke hasil evaluasi metrik (p < 0.05).

---

In 2018, prostate cancer was the second most common malignant disease in men globally, following lung cancer. IDC-P is an aggressive variant of prostate cancer often misinterpreted as intraductal proliferation like HGPIN, which can impact the treatment of male patients with prostate cancer. Raman spectroscopy analysis is a promising molecular technique for analyzing biological tissues and has been extensively used in attempts to identify various types of cancer. Unfortunately, Raman spectroscopy produces weak signals that are easily influenced by noise and fluorescent backgrounds. This research aims to develop a pipeline that includes preprocessing and classification stages for Raman spectra of IDC-P and HGPIN species to achieve optimal evaluation metric results. This goal is achieved by finding the optimal parameter values in preprocessing stages (smoothing, baseline correction, normalization) and classification to produce the best classification results. A pipeline was created that includes preprocessing and classification stages capable of producing high evaluation metric results for the F1 Test, accuracy, and AUC-ROC metrics, respectively valued at 98.8%, 97.9%, and 98.8%. Based on ANOVA analysis, it was found that differences in the ’window length’ and ’polynomial order’ parameters in the Savitzky-Golay smoothing stage do not significantly affect the evaluation metric results (p > 0.05). Conversely, the baseline correction method and different ’polynomial degree’ values tend to significantly impact the evaluation metric results (p < 0.05)."

"Tujuan: Untuk mengetahui bagaimana upaya diagnosis kanker prostat yang dilakukan oleh spesialis urologidi Indonesia. Metode: Dilakukan pembagian kuesioner yang dirancang sendiri kepada Spesialis Urologi di Indonesia. Kuesioner berisi 11 pertanyaan tentang jenis dan indikasi pemeriksaan yang dilakukan, serta fasilitas yang tersedia di tempat responden dalam penegakan diagnosis kanker prostat. Hasil: Sebanyak 65 (36%) dari 182 (saat penelitian ini dilakukan) spesialis urologi di Indonesia mengembalikan formulir kuesioner. Dari jenis RS primer tempat bekerja terbanyak berasal dari RS swasta (35%), disusul RS pendidikan utama Fakultas Kedokteran (32%). Seluruh responden menjadikan lower urinary tract symptoms (LUTS) sebagai indikasi untuk melakukan pemeriksaan colok dubur. Selain itu 83% responden juga menjawab, peningkatan PSA sebagai salah satu indikasi pemeriksaan colok dubur. Pemeriksaan PSA dilakukan oleh 72% responden pada penderita dengan kecurigaan kanker prostat tanpa melihat usia. Sebanyak 66% responden mengerjakan sendiri pemeriksaan transrectal ultrasonografi (TRUS) dan biopsi, 18% merujuk pada sejawat lain di propinsi yang sama dan 15% tidak memiliki fasilitas TRUS dan biopsi di propinsi tempat bekerja. Sebanyak 75% responden memiliki fasilitas bone scan di Rumah Sakit primer, atau tersedia di RS pada propinsi yang sama. Indikasi tersering melakukan biopsi prostat adalah pada PSA lebih dari 10 ng/ml tanpa melihat usia. Sebanyak 86% responden melakukan biopsi pada kecurigaan kanker prostat melalui colok dubur tanpa melihat usia. Sembilan puluh persen responden menggunakan antibiotik profilaksis golongan Kuinolon untuk biopsi prostat. Sebanyak 46% menggunakan analgesia oral atau suppositoria atau kombinasi keduanya sebagai analgesia dalam biopsi prostat. Kesimpulan: Dalam mendiagnosis kanker prostat, spesialis urologi di Indonesia melakukan pemeriksaan colok dubur, PSA dan TRUS biopsi prostat, namun masih terdapat perbedaan pendapat tentang indikasi dan waktu dilakukannya masing-masing pemeriksaan. Ketersediaan fasilitas diagnostik juga berpengaruh dalam diagnostik kanker prostat di Indonesia. Belum tersedianya guideline Nasional pada saat penelitian ini dilakukandiduga menyebabkan perbedaan pendapat tersebut.

---

Purpose: To get information on diagnosis of prostate cancer conducted by urologist in Indonesia.

Method: A self-constructed questionnare of 11 questions about the type and indication of the tests, as well as the available facilities at the place of the respondents to diagnose prostate cancer distributed to Indonesian Urologist.

Result: As much as 65 (36%) from 182 (when the survey was conducted) Indonesian Urologist returned the questionnare. Most of them worked in Private Hospital (35%), followed by Medical School Hospital (32%). All respondents performed DRE in patients with Lower Urinary Tract Symptoms (LUTS). Elevated PSA was also indication for conducting DRE in 83% respondents. PSA level was tested by 72% respondents in patients with suspicion of prostate cancer regardless of age. As much as 66% respondents did Trans Rectal Ultrasound (TRUS) and prostate biopsy by themselves, 18% referred to other urologists in the same province and 15% didn?t have TRUS and prostate biopsy facilities in their province. Bone scan was available in the Primary Hospital or another hospital in the province of 75% respondents. Main indication to perform prostate biopsy was elevated PSA level above 10ng/ml regardless of the age. Meanwhile, 86% respondents did prostate biopsy in suspiciousness of prostate cancer by DRE regardless of age. Most respondents (90%) chose Quinolon as prophylaxis antibiotic in prostate biopsy and 46% respondents used oral analgesia or suppository or both in prostate biopsy.

Conclusions: In diagnosing prostate cancer, Indonesian Urologists performed DRE, PSA serum analysis and TRUS biopsy of the prostate. But the Indonesian Urologists still had different opinions about the indications and timing of the procedure. The availability of diagnostic equipment and unavailability of National Guideline of Prostate Cancer when this study was conducted played a role of how the prostate cancer diagnosed in Indonesia."

"Kematian yang disebabkan oleh kanker diperkirakan akan terus meningkat, terutama untuk kanker prostat. Penyakit ini adalah jenis kanker yang paling umum untuk pria di dunia. Jumlah kematian dapat dikurangi dengan deteksi dini menggunakan machine learning. Salah satunya adalah klasifikasi data kanker prostat. Data kanker yang digunakan memiliki berbagai fitur, tetapi tidak semua fitur adalah fitur penting. Dalam penelitian ini, kami menggunakan Support Vector Machine-Recursive Feature Elimination (SVM-RFE) dan One Dimensional Naïve Bayes Classifier (1-DBC) sebagai metode seleksi fitur. Dalam kedua metode itu akan mendapatkan peringkat untuk setiap fitur. Penggunaan kedua metode ini dalam klasifikasi data kanker prostat menghasilkan tingkat evaluasi yang tinggi. Kedua metode ini dapat menghasilkan tingkat akurasi 100%, precision 100%, dan recall 100% pada metode klasifikasi Random Forest. Dan menghasilkan tingkat akurasi 95%, precision 100%, dan recall 94,11% pada metode klasifikasi SVM. Dalam evaluasi tambahan, SVM-RFE memiliki running time lebih rendah dari 1-DBC.

---

Death caused by cancer is expected to continue to increase, especially for prostate cancer. This disease is the most common type of cancer for men in the world. The number of deaths can be reduced by early detection using machine learning. One of them is the classification of prostate cancer data. Cancer data used has various features, but not all features are essential features. In this study, we use Support Vector Machine-Recursive Feature Elimination (SVM-RFE) and One Dimensional Naïve Bayes Classifier (1-DBC) as a feature selection method. In both methods, it will get a rating for each feature. The use of these two methods in the classification of prostate cancer data produces a high level of evaluation. Both of these methods can produce 100% accuracy, 100% precision, and 100% recall in the Random Forest classification method. And it produces 95% accuracy, 100% precision, and 94.11% recall in the SVM classification method. In the additional evaluation, SVM-RFE has a running time lower than 1-DBC."

"Dataset yang digunakan pada penelitian ini didapat dari paper yang berjudul “Attenuated total reflection FTIR dataset for identification of type 2 diabetes using saliva” yang ditulis oleh Sanchez-Brito et al. pada tahun 2022. Dataset tersebut berhubungan dengan spektrum ATR-FTIR dari 1040 saliva pasien. Dataset ini kemudian digunakan pada penelitian ini untuk melatih suatu model Machine Learning menggunakan algoritma SVM dan XGBoost. Sebelum dijadikan dataset acuan untuk keperluan pelatihan model, data terlebih dahulu melalui proses pre-processing yang meliputi proses pemotongan data agar terfokus pada region Biological Fingerprint, normalisasi protein amida I, dan penurunan orde satu. Untuk keperluan cross validation, dataset terlebih dahulu dipisah menjadi data train dan data test, kemudian data train akan kembali dipisah menjadi subset train untuk tiap fold dan subset validation yang dilatih sambil melewati stratified cross validation sebanyak 10 fold. Performa model akan didapat dari hasil prediksi model terhadap subset validation yang dihasilkan di semua 10 fold, serta hasil prediksi model terhadap data test yang menunjukkan performa keseluruhan model. Didapat bahwa performa model XGBoost melampaui performa model SVM dengan nilai accuracy sebesar 91,8%; sensitivity sebesar 93,6%; dan specificity sebesar 89,9%. Performa ini berhasil mendekati performa metode diagnosis diabetes tipe 2 yang masih bersifat invasif, yaitu tes HbA1c.

---

The dataset used in this study was obtained from the paper titled “Attenuated Total Reflection FTIR Dataset for Identification of Type 2 Diabetes Using Saliva” written by Sanchez-Brito et al. in 2022. This dataset pertains to the ATR-FTIR spectrum of saliva from 1040 patients. It was used in this research to train a machine learning model using the SVM and XGBoost algorithms. Before being used as a reference dataset for model training, the data underwent preprocessing, which included data trimming to focus on the Biological Fingerprint region, protein amide I normalization, and first-order derivative processing. For cross-validation purposes, the dataset was first split into training and testing data. The training data was further divided into train and validation subsets for each fold and trained using 10-fold stratified cross-validation. The model's performance was evaluated based on predictions on the validation subsets from all 10 folds, as well as predictions on the test data, reflecting the overall model performance. It was found that the XGBoost model outperformed the SVM model with an accuracy of 91.8%, sensitivity of 93.6%, and specificity of 89.9%. This performance approaches that of the invasive HbA1c test used for diagnosing type 2 diabetes."

"Telah diketahui bahwa estrogen dan reseptor estrogen sangat berpengaruh pada sistem reproduksi, perkembangan payudara dan pembentukan kanker pada wanita. Namun efek estrogen pada sistem reproduksi pria serta mekanisme estrogen pada terjadinya kanker pada pria, khususnya kanker prosat masih belum jelas. Dari sekumpulan penelitian didapatkan kemungkinan estrogen dan reseptor estrogen berperan pada terjadinya kanker pada pria, terutama kanker prosat Reseptor estrogen dapat ditemukan pada stroma dan sel epitel prostat.

---

It is known that estrogen and estrogen receptors have a great influence on the reproductive system, breast development and the formation of cancer in women. However, the effect of estrogen on the male reproductive system and the mechanism of estrogen in the occurrence of cancer in men, especially prostate cancer, is still unclear. From a set of studies, it is possible that estrogen and estrogen receptors play a role in the occurrence of cancer in men, especially prostate cancer Estrogen receptors can be found in the stroma and epithelial cells of the prostate."

"Kanker prostat berkontribusi terhadap 366.000 kematian laki-laki setiap tahun. Radiasi merupakan salah satu modalitas tatalaksana dalam pengobatan kanker prostat. Adenokarsinoma prostat merupakan jenis kanker prostat yang paling banyak dan diketahui memiliki radioresistensi yang tinggi. Asam galat merupakan salah satu jenis asam fenolik yang dapat ditemukan secara alamiah pada berbagai macam tanaman. Asam galat dilaporkan memiliki berbagai macam karakteristik biologis yang berperan dalam membunuh cell line dan xenograf kanker. Tujuan dari penelitian ini adalah untuk meninjau potensi asam galat sebagai radiosensitizer pada cell line dan xenograf kanker prostat. Penelitian ini merupakan penelitian tinjauan sistematis yang ditulis berdasarkan pada panduan Preferred Reporting Items for Systematic Reviews and Meta-analyses(PRISMA). Pencarian artikel dilakukan di PubMed, EBSCO, dan Scopus. Tinjauan sistematis ini berfokus pada studi preklinik karena belum adanya uji klinis pada topik terkait. Populasi yang dipelajari pada studi ini adalah berbagai cell line dan xenograf kanker prostat manusia. Intervensi yang ditinjau adalah pemberian asam galat pada berbagai dosis dan durasi. Pembanding yang digunakan adalah kelompok kontrol yang menerima intervensi kontrol atau plasebo dan penggunaan cell line prostat normal yang representatif. Luaran yang dinilai adalah penurunan kemampuan bertahan hidup cell line dan xenograf yang diukur melalui berbagai parameter yang meliputi kematian sel, pertumbuhan sel, apoptosis, migrasi sel, pembentukan ROS, hambatan siklus sel,dan kerusakan DNA. Pencarian literatur dilakukan menggunakan kata kunci yang berdasarkan pada pertanyaan PICO dan ditulis menggunakan operator Boolean.Sebanyak 11 artikel penelitian yang menggunakan berbagai macam cell line dan xenograf kanker prostat manusia meliputi DU145, PC-3, LNCaP, dan xenograf 22Rv1 disertakan pada studi ini. Asam galat memiliki potensi sebagai radiosensitizer dengan melibatkan berbagai mekanisme yang berujung pada penurunan viabilitas sel, proliferasi sel, migrasi sel, invasi sel, peningkatan apoptosis, hambatan siklus sel, kerusakan DNA, dan pembentukan ROS. Mekanisme kerja utama asam galat sebagai radiosensitizer yang potensial yaitu dengan meningkatkan aktivasi caspase-3 dan caspase-9 yang menyebabkan apoptosis serta menurunkan kadar CDK, cyclin, dan cdc25 fosfatase yang menyebabkan siklus sel terhambat pada fase G2-M. Asam galat memiliki potensi untuk digunakan sebagai radiosensitizer dalam penatalaksanaan kanker prostat. Dibutuhkan Universitas Indonesia viii studi klinis lebih lanjut menggunakan derivat asam galat dengan lipofilisitas yang lebih baik.

---

Prostate cancer contributes to 366.000 mortality of men every year. Radiation is one of the available modalities widely used in the treatment of prostate cancer. Prostate adenocarcinoma accounts for majority of prostate cancer cases, and it was found to be highly radioresistant. Radioresistance of prostate cancer is contributed by many different factors, including resistance to reactive oxygen species (ROS),increased DNA repair activation, and the expression of differentially expressed genes including INHBA, CD22, and MAP2K5. Gallic acid is a phenolic acid naturally occurring in many plants and it is reported to exhibit biological activities in eliminating cancer cell lines and xenografts. The purpose of this study is to review gallic acid as a potential radiosensitizer in prostate cancer cell line and xenograft. This study is a systematic review written in adherence to the Preferred Reporting Items for Systematic Reviews and Meta-analyses (PRISMA) guidelines. Article search was conducted in PubMed, EBSCO, and Scopus. The systematic review focused on preclinical studies in regards to the absence of clinical trial done on the topic. The populations for the review include different types of human prostate cancer cell line and xenograft.Intervention reviewed in the study is gallic acid administration in different dosages and duration. Comparators in the study are control group receiving control treatment or placebo and representative normal prostate cell line. The outcome is the inhibition of the cancer cell and xenograft survivability measured in various parameters including cell death, cell growth, apoptosis, cell migration, ROS formation, cell cycle arrest, and DNA breakage. The literature search was done using keywords based on the PICO question and utilizing Boolean operators as needed. A total of 11 studies using different cell lines including DU145, PC-3, LNCaP, and 22Rv1 xenograft of human prostate cancer were reviewed in this paper. Gallic acid has potential as a radiosensitizer by involving various mechanisms that resulted in decreased cell viability, cell proliferation, cell migration, cell invasion, angiogenesis, and increased apoptosis, cell cycle arrest, DNA damage, and ROS formation. Gallic acid exerts its radiosensitizer characteristic mainly by increasing caspase-3 and caspase-9 activation resulting in apoptosis, while also reducing intracellular CDKs, cyclins, and cdc25 phosphatases ultimately causing G2-M cell cycle arrest. Gallic acid has a potential to be a new radiosensitizer compound in prostate cancer treatment. Additional clinical studies using gallic acid derivatives with higher lipophilicity are needed. "

"Kanker prostat adalah penyakit progresif yang menghasilkan moribiditas dan mortalitas yng tinggi. Penelitian ini berutujuan untuk menilai ketepatan dari Indonesian Prostate Cancer Risk Calculator IPCRC dalam memprediksi risiko kanker prostate. Data penelitian didapatkan secara retrospektif selama periode Agustus 2014 hingga Desember 2015 dari rekam medis pasien terduga kanker prostat. Pemeriksaan colok dubur, Prostate specific antigen PSA, dan volume prostat digunakan sebagai parameter prediktif dalam IPCRC. Biopsi prostat digunakan sebagai standar baku. Akurasi IPCRC divalidasi dengan menggunakan analisis ROC. Penelitian ini memiliki 127 subjek penelitian dengan median usia pasien BPH dan pasien kanker prostat adalah 66 52-85 dan 69.5 50-100 tahun. Pemeriksaan colok dubur yang tidak normal ditemukan pada 2 pasien 2. Median dari PSA dari pasien BPH dan kanker prostat dalah 10.2 1.6-203.1 dan 74.06 6.94-1412. Volume prostate pasien BPH memiliki median sebesar 47.9 13.774-108 dibandingkan 50.25 19.2-107 pada pasien kanker prostate. Area tersebesar dibawah kurva probabilitas kanker prostat adalah 0.907 95 CI 0.84-0.97. Jika probabilitas kanker prostate lebih dari 15 pada IPCRC, sensitivitas IPCRC mencapai 88.5 dan spesifitas IPCRC mencapai 81.8, dimana bila ditemukan probabilitas kanker prostate lebih dari 20 dengan menggunakan IPCRC, sensitivitasnya mencapai 80.8 dengan spesifitas sebesar 89.9. Dan bila probabilitas kanker prostate lebih dari 25 dalam IPCRC, sensitivitas sebesar 65.4 dan spesifisitas sebesar 89.9. Sehingga, dapat disimpulkan IPCRC merupakn perangkat yang akurat dalam prediksi kanker prosate pada populasi ini. Validasi lebih lanjut masih dibutuhkan pada populasi lain.

---

Prostate cancer is a progressive disease resulting in morbidity and mortality. The aim of this study is to assess the accuracy of Indonesian Prostate Cancer Risk Calculator IPCRC in predicting prostate cancer risk. Data were obtained retrospectively during August 2014 to December 2015 from medical records of suspected prostate cancer patients. Digital rectal examination, Prostate Specific Antigen PSA, and prostate volume PV were used as predictive parameters in IPCRC. Prostate biopsy was used as the diagnostic gold standard. The accuracy of IPCRC was validated using the ROC analysis. Our study included 127 subjects. Median age of BPH patients and prostate cancer patients were 66 52-85 and 69.5 50-100. The digital rectal examination was found abnormal in 2 patients 2. Median of PSA of BPH patients and prostate cancer patients were 10.2 1.6-203.1 and 74.06 6.94-1412 respectively. The prostate volume of BPH patients 47.9 13.74-108 median compared to prostate cancer patients 50.25 19.2-107 median. The largest area under the curve of the probability of prostate cancer using IPCRC is 0.907 95 CI 0.84-0.97. If the probability of prostate cancer more than 15 using IPCRC, the sensitivity is 88.5 and specificity is 81.8, besides, if the probability of prostate cancer more than 20 using IPCRC, the sensitivity is 80.8 and specificity is 89.9 and if the probability of prostate cancer more than 25 using IPCRC, the sensitivity is 65.4 and specificity is 89.9 IPCRC is accurate for predicting prostate cancer in our population. Further validation is needed in other population. "

"Pendahuluan: Kanker prostat adalah keganasan terbanyak pada pria, penyebab kematian kedua terbesar akibat keganasan. Colok dubur adalah pemeriksaan dasar dan deteksi dini untuk mendiagnosis kanker prostat. Saat ini pemeriksaan Prostate-Specific Antigen (PSA) dianggap sebagai tumor marker yang paling bermanfaat untuk mendeteksi kanker prostat. The American Cancer Society dan American Urologic Association merekomendasikan penyaringan kanker prostat setiap tahun dengan pemeriksaan colok dubur dan PSA. Tujuan: Tujuan penelitian ini adalah untuk mengetahui hubungan antara pemeriksaan colok dubur dan nilai PSA pada pasien kanker prostat di RSUP DR Sardjito Yogyakarta periode Januari 2011 sampai Desember 2011. Metode Penelitian: Penelitian ini adalah kasus kontrol. Data dikumpulkan secara retrospektif dari catatan medis RSUP DR Sardjito pada pasien dengan colok dubur yang abnormal atau colok dubur normal dengan nilai PSA ≥ 10 ng/dl selama periode Januari 2011 sampai Desember 2011. Hasil pemeriksaan colok dubur dan nilai PSA didapatkan pada saat kunjungan pertama pasien ke rumah sakit. Analisis data nominal menggunakan Chi Square dengan SPSS 18. Hasil: Terdapat 87 pasien yang berhasil dikumpulkan selama periode Januari 2011 sampai Desember 2011 yang memiliki hasil pemeriksaan colok dubur abnormal atau colok dubur normal dengan nilai PSA ≥ 10 ng/dl. Pasien memiliki usia rata-rata 70 tahun, nilai median PSA 10,9 ng/dl. Pada pasien ini ditemukan colok dubur abnormal 43 (49,4%), colok dubur normal 44 (50,6%), PSA ≥ 10 ng/dl 69 (79,3%) dan PSA < 10 ng/dl 18 (20,7%). Pemeriksaan colok dubur dan PSA dinilai signifikan secara statistik untuk mendeteksi kanker prostat, hasil secara berurutan 67,2% vs 32,8% (p < 0,001) and 71,9% vs 28,1% (p = 0,002. Semua pasien dengan colok dubur abnormal dan PSA ≥ 10 ng/dl terdiagnosis kanker prostat (p < 0,001). Simpulan: Pemeriksaan colok dubur dan Prostate Specific Antigen (PSA) adalah prediktor terbaik untuk kanker prostat.

---

Introduction: Prostate cancer is the most frequent form of cancer in males, being also second cause of death by cancer. Digital Rectal Examination (DRE) is the basic examination and early diagnosis for prostate cancer. The Prostate-Specific Antigen (PSA) assay is currently considered the most useful tumor marker for detecting prostate cancer. Both the American Cancer Society and American Urologic Association recommended annual cancer screening with both Digital Rectal Examination (DRE) and PSA.

Objective: The objective of this study is to understand the correlation between DRE and PSA level in prostate cancer at Sardjito General Hospital Yogyakarta during januari 2011 until december 2011.

Research Method: This is a case control study. The data were retrospectively collected from medical record in sardjito general hospital who had abnormal DRE or normal DRE with PSA ≥ 10 ng/dl during januari 2011 until December 2011. The DRE and PSA value were examined in the first time they came to the hospital. A chi-square was performed to analyzed the nominal data with SPSS 18.

Result: There are 87 patients were collected during januari 2011 until December 2011 who had abnormal DRE or normal DRE with PSA ≥ 10 ng/dl. The median age was 70 years, median PSA level was 10,9 ng/dl. Of these patient, we found abnormal DRE in 43 (49,4%), normal DRE in 44 (50,6%), PSA ≥ 10 ng/dl was 69 (79,3%) and PSA < 10 ng/dl was 18 (20,7%). Digital Rectal Examination and PSA was statistically significant to detected prostate cancer, 67,2% vs 32,8% (p < 0,001) and 71,9% vs 28,1% (p = 0,002), respectively. All patient who had abnormal DRE and PSA ≥ 10 ng/dl were diagnosed with prostate cancer (p < 0,001).

Conclusion: Digital Rectal Examination (DRE) and Prostate Specific Antigen (PSA) are the best predictor for prostate cancer. "