Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini mengembangkan model estimasi kadar hemoglobin non-invasif menggunakan sinyal photoplethysmography (PPG) tiga panjang gelombang (hijau, inframerah, merah) dari sensor MAXM86161. Data dikumpulkan dari 52 subjek (pria, wanita nonhamil, wanita hamil), dengan 49 fitur diekstraksi dari setiap sinyal. Fitur diseleksi menggunakan enam metode (Correlation, Corr+ReliefF, Lasso, MI, MI+Lasso, ReliefF+MI) dan diuji pada empat model regresi (Random Forest, XGBoost, SVR, MLP). Kombinasi ReliefF+MI dengan 15 fitur menghasilkan performa terbaik pada Random Forest (MAE test 0,49 g/dL, R² test 0,93) dan XGBoost (MAE test 0,51 g/dL, R² test 0,93). Fitur utama meliputi ch1_h1_power dan ch3_dyn_component dari kanal hijau dan merah, serta variabel demografis (usia, gender, trimester), sedangkan kanal inframerah kurang berkontribusi. SVR menghasilkan MAE test >1,84 g/dL dan R² test <0,20, sementara MLP menunjukkan overfitting (R² val < -1,18). Prediksi mencapai akurasi 97% namun kurang akurat pada hemoglobin ekstrem (<12 g/dL atau >16 g/dL, Absolute Error ≥1,2 g/dL). Rekomendasi meliputi perluasan dataset dan optimasi regularisasi model untuk meningkatkan generalisasi sebelum penerapan klinis.

---

This study developed a model for estimating non-invasive hemoglobin levels using a three-wavelength photoplethysmography (PPG) signal (green, infrared, red) from a MAXM86161 sensor. Data were collected from 52 subjects (men, non-pregnant women, pregnant women), with 49 features extracted from each signal. Features were selected using six methods (Correlation, Corr+ReliefF, Lasso, MI, MI+Lasso, ReliefF+MI) and tested on four regression models (Random Forest, XGBoost, SVR, MLP). The combination of ReliefF+MI with 15 features yields the best performance on Random Forest (MAE test 0.49 g/dL, R² test 0.93) and XGBoost (MAE test 0.51 g/dL, R² test 0.93). Key features include the ch1_h1_power and ch3_dyn_component of the green and red channels, as well as demographic variables (age, gender, trimester), while the infrared channel contributes less. The SVR produced an MAE test >1.84 g/dL and an R² test <0.20, while the MLP showed overfitting (R² val < -1.18). The prediction achieved 97% accuracy but was less accurate at extreme hemoglobin (<12 g/dL or >16 g/dL, Absolute Error ≥1.2 g/dL). Recommendations include expanding the dataset and optimizing the regularization of the model to improve generalization before clinical application. "

"Pemeriksaan hemoglobin umum dilakukan secara invasif menggunakan berbagai metode, seperti automated hematology analyzer dan hemoglobinometer. Akan tetapi metode tersebut memakan waktu, biaya, dan menyakitkan bagi pasien. Pemeriksaan hemoglonin secara invasif juga tidak memungkinkan untuk dilakukan secara real-time dalam situasi mendesak. Akurasi dan ketepatan pembacaan menjadi tantangan dalam pengembangan sistem pengukur konsentrasi hemoglobin non-invasif. Pada penelitian ini dilakukan pengembangan dua desain sistem pengukur hemoglobin non-invasif (desain prototipe A dan desain prototipe B) menggunakan prinsip photoplethysmography (PPG) menggunakan sensor MAX30102 dan Arduino Uno sebagai mikrokontroler. Pengembangan prototipe dibuat berbasis machine learning dengan menggunakan model Dense Neural Network (DNN) dan menunjukkan akurasi paling maksimal menggunakan MSE loss function sebesar 92,31% untuk desain prototipe A dan 94,70% untuk desain prototipe B. Didapatkan juga hasil pengukuran reliabilitas alat ukur untuk desain prototipe A dan B masing-masing sebesar 84,90% dan 97,30%. Meski sudah memiliki tingkat akurasi yang cukup baik, penelitian ini masih perlu dikembangkan dari segi pemilihan alat referensi pemeriksaan Hb invasif, pengambilan dan pengolahan data yang lebih bervariasi mencakup usia, warna kulit, dan penyakit yang sedang dialami.

---

Hemoglobin examination is commonly conducted invasively using various methods such as automated hematology analyzers and hemoglobinometers. However, these methods are time-consuming, costly, and painful for patients. Invasive hemoglobin examinations also do not allow real-time measurements in urgent situations. Accuracy and precision of readings pose challenges in the development of non-invasive hemoglobin concentration measurement systems. In this study, the development of two designs of non-invasive hemoglobin measurement systems (prototype design A and prototype design B) using photoplethysmography (PPG) principle with MAX30102 sensor and Arduino Uno as the microcontroller was conducted. Prototype development was based on machine learning using a Dense Neural Network (DNN) model and achieved maximum accuracy using MSE loss function of 92,31% for prototype design A and 94,70% for prototype design B. The measurement reliability of the measurement device was also obtained, with 84,90% for prototype design A and 97,30% for prototype design B, respectively. Although the study already achieved a relatively good level of accuracy, further development is still needed in terms of selecting invasive Hb examination reference devices, obtaining and processing more diverse data including age, skin color, and existing diseases."

"Pemeriksaan hemoglobin umum dilakukan secara invasif menggunakan berbagai metode, seperti automated hematology analyzer dan hemoglobinometer. Akan tetapi metode tersebut memakan waktu, biaya, dan menyakitkan bagi pasien. Pemeriksaan hemoglonin secara invasif juga tidak memungkinkan untuk dilakukan secara real-time dalam situasi mendesak. Akurasi dan ketepatan pembacaan menjadi tantangan dalam pengembangan sistem pengukur konsentrasi hemoglobin non-invasif. Pada penelitian ini dilakukan pengembangan dua desain sistem pengukur hemoglobin non-invasif (desain prototipe A dan desain prototipe B) menggunakan prinsip photoplethysmography (PPG) menggunakan sensor MAX30102 dan Arduino Uno sebagai mikrokontroler. Pengembangan prototipe dibuat berbasis machine learning dengan menggunakan model Dense Neural Network (DNN) dan menunjukkan akurasi paling maksimal menggunakan MSE loss function sebesar 92,31% untuk desain prototipe A dan 94,70% untuk desain prototipe B. Didapatkan juga hasil pengukuran reliabilitas alat ukur untuk desain prototipe A dan B masing-masing sebesar 84,9% dan 97,3%. Meski sudah memiliki tingkat akurasi yang cukup baik, penelitian ini masih perlu dikembangkan dari segi pemilihan alat referensi pemeriksaan Hb invasif, pengambilan dan pengolahan data yang lebih bervariasi mencakup usia, warna kulit, dan penyakit yang sedang dialami.

---

Hemoglobin examination is commonly conducted invasively using various methods such as automated hematology analyzers and hemoglobinometers. However, these methods are time-consuming, costly, and painful for patients. Invasive hemoglobin examinations also do not allow real-time measurements in urgent situations. Accuracy and precision of readings pose challenges in the development of non-invasive hemoglobin concentration measurement systems. In this study, the development of two designs of non-invasive hemoglobin measurement systems (prototype design A and prototype design B) using photoplethysmography (PPG) principle with MAX30102 sensor and Arduino Uno as the microcontroller was conducted. Prototype development was based on machine learning using a Dense Neural Network (DNN) model and achieved maximum accuracy using MSE loss function of 92,31% for prototype design A and 94,7% for prototype design B. The measurement reliability of the measurement device was also obtained, with 84,9% for prototype design A and 97,3% for prototype design B, respectively. Although the study already achieved a relatively good level of accuracy, further development is still needed in terms of selecting invasive Hb examination reference devices, obtaining and processing more diverse data including age, skin color, and existing diseases."

"[ABSTRAKLatar Belakang: Nilai hemoglobin masih dijadikan parameter dalam menentukan transfusi atau tidak walaupun tidak mengabaikan pertimbangan klinis. Namun, pada kenyataannya pemeriksaan nilai hemoglobin pascaoperasi sulit dilakukan karena keterbatasan alat dan membutuhkan waktu yang cukup lama sehingga ketika hasil pemeriksaan nilai hemoglobin didapatkan sudah tidak sesuai dengan kondisi terkini. Oleh karena itu dibutuhkan pendekatan berupa perkiraan dalam menetukan nilai hemoglobin pascaoperasi. Nilai perkiraan hemoglobin selama ini hanya terpaku dengan berapa jumlah perdarahan yang terjadi, padahal ada faktor lain yang memengaruhi, salah satunya pemberian cairan intraoperasi.Metode: Penelitian ini merupakan desain analitik retrospektif dengan pengambilan data dari status pasien yang menjalani prosedur Modified Radical Mastectomy (MRM) di RSUPN Cipto Mangunkusumo sejak 1 Januari 2012 sampai 31 Desember 2014. Dilakukan pencatatan berupa identitas, umur, jenis kelamin, berat badan, nilai hemoglobin praoperasi, jumlah perdarahan intraoperasi, jumlah cairan intraoperasi, jumlah urin output intraoperasi, dan nilai hemoglobin pascaoperasi. Dilakukan analisis bivariat untuk masing-masing variabel dan kemudian akan dilanjutkan dengan analisis multivariat regresi linier.Hasil: Dari 103 sampel penelitian didapatkan hubungan bermakna antara asupan cairan intraoperasi dengan perubahan nilai hemoglobin pascaoperasi (p=0.208, r=0.035) dan jumlah perdarahan intraoperasi dengan perubahan nilai hemoglobin pascaoperasi (p=0.297, r=0.002). Pada uji ANOVA didapatkan nilai p sebesar 0.039. Sebenarnya rumus layak untuk dibuat. Namun nilai Adjusted R square sebesar 3 % yang artinya persamaan yang diperoleh hanya mampu menjelaskan perubahan nilai hemoglobin pascaoperasi sebesar 3 %.Simpulan: Perubahan nilai hemoglobin pascaoperasi tidak dapat dapat diprediksi dari asupan cairan dan perdarahan pada Modified Radical Mastectomy (MRM) di RSUPN Cipto Mangunkusumo.

---

ABSTRACTBackground: Hemoglobin level is still a valid parameter to help decision in blood transfusion, eventhough its use is in conjunction with clinical decision. In reality, postoperative hemoglobin level is difficult to be done because of two reasons: the limitation of the tools and time consuming. At the moment the result is obtained, its result is different with current clinical condition. Therefore, we need tools to predict postoperative hemoglobin level. At present, hemoglobin prediction level is only looks at bleeding volume, eventhough there is still other factor such as intraoperative fluid intake.Methods: This study is a retrospective analytic design using data from medical record of the patients undergo the Modified Radical Mastectomy (MRM) procedure at Cipto Mangunkusumo hospital since January 1, 2012 to December 31, 2014. We record the identity, age, sex, weight, preoperative hemoglobin level, the volume of intraoperative blood loss, the volume of intraoperative fluids, the volume of intraoperative urine output, and postoperative hemoglobin level. Each variable will be analyzed using bivariate analysis, and then continued with multivariate linear regression analysis.Results: Data from 103 samples showed a significant relationship between intraoperative fluid intake with the value of the postoperative hemoglobin (p = 0.208, r = 0.035), and the number of intraoperative blood loss with the value of the postoperative hemoglobin (p = 0.297, r = 0.002). ANOVA shows p value of 0.039. Eventhough the formula could be made, the Adjusted R square value of 3%, means the equation only could explain 3%changes in postoperative hemoglobin level.Conclusions: Postoperative hemoglobin value changes can not predicted with fluid intake and blood loss in Modified Radical Mastectomy (MRM) at Cipto mangunkusumo hospital., Background: Hemoglobin level is still a valid parameter to help decision in blood transfusion, eventhough its use is in conjunction with clinical decision. In reality, postoperative hemoglobin level is difficult to be done because of two reasons: the limitation of the tools and time consuming. At the moment the result is obtained, its result is different with current clinical condition. Therefore, we need tools to predict postoperative hemoglobin level. At present, hemoglobin prediction level is only looks at bleeding volume, eventhough there is still other factor such as intraoperative fluid intake.Methods: This study is a retrospective analytic design using data from medical record of the patients undergo the Modified Radical Mastectomy (MRM) procedure at Cipto Mangunkusumo hospital since January 1, 2012 to December 31, 2014. We record the identity, age, sex, weight, preoperative hemoglobin level, the volume of intraoperative blood loss, the volume of intraoperative fluids, the volume of intraoperative urine output, and postoperative hemoglobin level. Each variable will be analyzed using bivariate analysis, and then continued with multivariate linear regression analysis.Results: Data from 103 samples showed a significant relationship between intraoperative fluid intake with the value of the postoperative hemoglobin (p = 0.208, r = 0.035), and the number of intraoperative blood loss with the value of the postoperative hemoglobin (p = 0.297, r = 0.002). ANOVA shows p value of 0.039. Eventhough the formula could be made, the Adjusted R square value of 3%, means the equation only could explain 3%changes in postoperative hemoglobin level.Conclusions: Postoperative hemoglobin value changes can not predicted with fluid intake and blood loss in Modified Radical Mastectomy (MRM) at Cipto mangunkusumo hospital.]"

"Masalah kesehatan mental semakin menjadi perhatian utama dalam masyarakat saat ini, sehingga manajemen stres menjadi sangat penting untuk menjaga kesejahteraan. Berbagai teknologi untuk mendeteksi stres telah dikembangkan, salah satu metode yang menjanjikan adalah penggunaan imaging photoplethysmography (iPPG) yang diperoleh dari video wajah yang direkam menggunakan kamera konvensional. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi stres dengan memanfaatkan sinyal iPPG berbasis kamera web. Dalam penelitian ini, diusulkan dua pendekatan baru pada tahap pra-pemrosesan untuk meningkatkan kualitas deteksi stres. Pendekatan pertama adalah pemilihan Region of Interest (ROI), yang berfokus pada empat area wajah: dahi, pipi kiri, pipi kanan, dan seluruh wajah. Pendekatan kedua adalah penerapan metode frame alignment untuk mengatasi artefak gerakan yang sering kali mempengaruhi kualitas sinyal. Untuk mendeteksi stres, digunakan teknik pembelajaran mesin sebagai metode klasifikasi, dengan parameter utama penanda stres berupa heart rate (HR) dan variabilitas detak jantung heart rate variability (HRV). Data yang digunakan dalam penelitian ini merupakan data primer yang diperoleh dari video wajah 80 peserta, dengan rentang usia 18 hingga 25 tahun. Tugas aritmatika digunakan sebagai pemicu stres, di mana peserta diminta menyelesaikan soal matematika. Proses pengambilan data dilakukan di laboratorium dengan kondisi pencahayaan sebesar 220 lux. Kamera web yang digunakan adalah kamera laptop dengan kecepatan 30 frame per detik (fps). Sebanyak 265 fitur yang berkaitan dengan stres berhasil diekstraksi dari video tersebut, dan data kemudian disegmentasi menggunakan validasi silang 5-fold. Untuk mengurangi noise akibat artefak gerakan, diterapkan metode frame alignment yang menunjukkan perbaikan signifikan dalam mengoreksi noise. Hasil penelitian menunjukkan adanya perbedaan signifikan dalam rata-rata HR antara kondisi stres dan non-stres. Pada parameter HRV, perubahan signifikan ditemukan pada frekuensi rendah Low-Frequency (LF), yang sering dikaitkan dengan respon stres. Beberapa algoritma pembelajaran mesin diuji untuk klasifikasi, dan memberikan hasil akurasi yang tinggi. Decision Tree memperoleh akurasi 0,955 dengan waktu proses 3,13 ms. K-Nearest Neighbors (KNN) akurasi 0,981 dengan waktu proses 2,54 ms, dan Logistic Regression mencapai akurasi 0,985 dengan waktu proses 4,181 ms. Algoritma lain seperti Naïve Bayes akurasi 0,97, waktu 2,659 ms, Support Vector Machine (SVM) akurasi 0,985, waktu 6,71 ms, Random Forest akurasi 0,958, waktu 27,07 ms, dan RBF SVM akurasi 0,985, waktu 9,637 ms juga dievaluasi. Di antara algoritma tersebut, Logistic Regression menunjukkan akurasi klasifikasi tertinggi sebesar 0,985 dengan waktu inferensi 4,181 ms, menjadikannya model yang paling efisien untuk deteksi stres. Metode deteksi stres yang dikembangkan berhasil mendeteksi stres menggunakan kamera RGB dengan mengatasi masalah artefak gerakan melalui frame alignment. Selain itu, pemilihan empat ROI wajah yang spesifik memberikan informasi stres yang lebih andal dibandingkan dengan penggunaan ROI seluruh wajah. Sistem ini merupakan langkah maju yang signifikan dalam deteksi stres non-invasif berbasis kamera web, dengan potensi aplikasi dalam manajemen kesehatan mental dan penilaian stres. Pengembangan di masa mendatang dapat mengeksplorasi peningkatan resolusi video untuk menghasilkan sinyal yang lebih presisi, serta penggabungan model pembelajaran mendalam untuk deteksi stres yang lebih akurat. Penerapan sistem ini pada kamera mobile juga dapat menjadi solusi yang lebih praktis untuk pemantauan stres secara real-time dalam kehidupan sehari-hari.

---

Mental health issues have increasingly become a major concern in today's society, making stress management crucial for maintaining well-being. Various technologies for stress detection have been developed, and one promising method is the use of imaging photoplethysmography (iPPG) obtained from facial videos recorded using conventional cameras. This study aims to improve the accuracy of stress classification by utilizing iPPG signals derived from webcam-based recordings. In this research, two novel approaches are proposed at the preprocessing stage to enhance stress detection quality. The first approach is the selection of Regions of Interest (ROI), focusing on four facial areas: the forehead, left cheek, right cheek, and the entire face. The second approach involves the application of frame alignment methods to address motion artifacts, which often affect signal quality. Machine learning techniques were employed as the classification method for stress detection, with key stress indicators including heart rate (HR) and heart rate variability (HRV). The data used in this study comprises primary data obtained from facial videos of 80 participants aged 18 to 25 years. Arithmetic tasks were employed as stressors, requiring participants to solve mathematical problems. Data collection was conducted in a laboratory under lighting conditions of 220 lux. The webcam used was a laptop camera operating at a speed of 30 frames per second (fps). A total of 265 stress-related features were successfully extracted from the videos, and the data was segmented using 5-fold cross-validation. To reduce noise caused by motion artifacts, a frame alignment method was applied, demonstrating significant improvement in noise correction. The results revealed significant differences in average HR between stressed and non-stressed conditions. For HRV parameters, significant changes were observed in Low-Frequency (LF) components, often associated with stress responses. Several machine learning algorithms were tested for classification, yielding high accuracy results. Decision Tree achieved an accuracy of 0.955 with a processing time of 3.13 ms, K-Nearest Neighbors (KNN) achieved 0.981 with 2.54 ms, and Logistic Regression reached 0.985 with 4.181 ms. Other algorithms such as Naïve Bayes (accuracy 0.97, time 2.659 ms), Support Vector Machine (SVM) (accuracy 0.985, time 6.71 ms), Random Forest (accuracy 0.958, time 27.07 ms), and RBF SVM (accuracy 0.985, time 9.637 ms) were also evaluated. Among these, Logistic Regression demonstrated the highest classification accuracy of 0.985 with an inference time of 4.181 ms, making it the most efficient model for stress detection. The developed stress detection method successfully detected stress using RGB cameras by addressing motion artifact issues through frame alignment. Additionally, selecting specific facial ROIs provided more reliable stress information compared to using the entire face as an ROI. This system represents a significant advancement in non-invasive webcam-based stress detection, with potential applications in mental health management and stress assessment. Future developments could explore higher video resolution to yield more precise signals and integrate deep learning models for more accurate stress detection. Implementing this system on mobile cameras could also offer a more practical solution for real-time stress monitoring in daily life."

"ABSTRACTThe overall objectives of this study is to examine whether a population of healthy University of Indonesia students have different hemoglobin distribution from that of American population and if there was difference whether it is appropriate to set up a new cut-off point for anemia as a screening tools for iron deficiency in population. This study is designed as a cross-sectional study using convenience sampling procedure. A total of 214 males and 190 females were studied from January to February 1997. After data cleaning, 203 healthy Indonesian males and 170 females were eligible for data analysis. Blood samples of the subjects was drawn to analyze hemoglobin and hematocrit level, red and white blood cell count, erythrocyte sedimentation rate, serum iron concentration and total iron binding capacity, serum ferritin and zinc protoporphyrin concentration. A structured questionnaire was administered to investigate factors that could influence hemoglobin level. The mean hemoglobin was compared with that of the United States population using results of NHANES III. The result showed that the mean hemoglobin of Indonesian male was the same with the American population in NHANES Ill. While for female there are difference in mean hemoglobin between the Indonesian and American, which could lead to different cutoff criteria for anemia. However when specificity and sensitivity of the new cutoff (Hb < 11.3 g/dl) and the WHO cutoff (Hb < 12 g/dI) were compared, the result showed that the latest had a more favorable sensitivity and specificity. Thus, this survey confirmed that there is no need to develop different cutoff points for anemia as a tool for iron deficiency screening."

"Ruang Lingkup dan Cara Penelitian: Populasi Melayu di propinsi Sumatera Selatan memiliki frekuensi pembawa sifat thalassemia-R sebesar 9% (tertinggi di Indonesia) dan frekuensi Hb E sebesar 6% (Sofro, 1995). Oleh karena itu diperlukan program pencegahan thalassemia-3 berupa skrining pembawa sifat yang efektif dan efisien dengan biaya relatif murah serta spesifik untuk populasi Melayu di Sumatera Selatan, konsultasi genetik, dan diagnosis prenatal. Dengan latar belakang tersebut, dilakukan penelitian yang bertujuan untuk: (1) Menentukan nilai MCV dan MCH yang paling optimal untuk skrining pembawa sifat thalassemia-P pada populasi Melayu di Sumatera Selatan, (2) Mengetahui spektrum mutasi pembawa sifat thalassemia-P pada populasi Melayu di Sumatera Selatan, dan (3) Memperoleh kemampuan untuk memprediksi jenis mutasi thalassemia-R hanya berdasarkan nilai hematologi dan hasil analisis Hb. Pendekatan yang dilakukan terdiri dari skrining dan pengelompokan data nilai hematologi dan analisis Hb, analisis DNA dengan menggunakan teknik PCR﷓RFLP, ARMS, dan sekuensing, serta analisis korelasi terhadap hasil pemeriksaan.Hasil dan kesimpulan: Frekuensi pembawa sifat thalassemia-P pada populasi Melayu di Sumatera Selatan didapatkan sebesar 8% (termasuk Hb E). Hasil ini mengoreksi studi Sofro yang pemah dilaporkan sebelumnya. Pada penelitian ini direkomendasikan nilai MCV < 80 fL dan MCH < 27 pg untuk skrining pembawa sifat thalassemia-p pada populasi Melayu di Sumatera Selatan. Spektrum mutasi thalassemia-P pada populasi Melayu di Sumatera Selatan didominasi oleh Hb E (36,3%) dan Hb Malay (34,1%) yang merupakan jenis mutasi thalassemia-R+ ringan sehingga permasalahan thalassemia-p di propinsi Sumatera Selatan tidak sebesar yang diperkirakan. Nilai MCV dan MCH juga dapat digunakan untuk prediksi jenis mutasi thalassemia-43. Sedangkan kadar Hb A2 tidak dapat digunakan untuk prediksi jenis mutasi thalassemia-P. Kadar Hb tidak berperan dalam skrining pembawa sifat thalassemia-II."

"[ABSTRAKLatar Belakang: Penghitungan Estimated Blood Loss (EBL) berdasarkan rumus Allowable Blood Loss (ABL) dengan target hemoglobin tertentu, kerap dijadikan panduan untuk memutuskan secara cepat transfusi intraoperatif. Penghitungan EBL mengandalkan penilaian visual sulit untuk distandardisasi. Seiring perkembangan teknologi, Point of Care Testing (POCT) makin memudahkan pemeriksaan hemoglobin. Penelitian ini bertujuan membandingkan akurasi penghitungan hemoglobin intraoperatif antara EBL dan POCT, dibandingkan dengan Hematology Analyzer yang merupakan pengukuran baku di laboratorium. Metode: Penelitian ini menggunakan Uji Bland-Altman pada pengukuran hemoglobin intraoperatif terhadap pasien yang menjalani operasi elektif yang diperkirakan mengalami banyak perdarahan dan memerlukan transfusi, di Instalasi Bedah Pusat (IBP) RSUPN Cipto Mangunkusumo, antara Desember 2014 hingga Maret 2015. Subjek penelitian dipilih dengan metode consecutive sampling. Saat penghitungan EBL mencapai ABL dengan target Hb 7 g/dL sebelum transfusi diberikan, sampel darah diambil untuk pengukuran hemoglobin dengan Sysmex XE-2100® sebagai Hematology Analyzer dan HemoCue® Hb 201+ sebagai POCT. Hasil: Sebanyak 43 subjek diikutsertakan dalam penelitian. Uji Bland-Altman Hb ABL (7 g/dL) terhadap Hb Sysmex. Interval yang dianggap akurat terhadap kadar Hb 7 g/dL adalah -1 hingga 1, diperoleh limits of agreement yang besar yaitu -2,267 hingga 2,467. Uji Bland-Altman Hb HemoCue terhadap Hb Sysmex, diperoleh limits of agreement yang kecil yaitu -0.418 hingga 0.372. Simpulan: Terdapat perbedaan bermakna dalam akurasi penghitungan hemoglobin intraoperatif antara EBL dengan Hematology Analyzer, sedangkan pengukuran dengan HemoCue® Hb 201+ sebagai perangkat POCT, mempunyai keakuratan yang baik. EBL berdasarkan rumus ABL dengan target Hb 7 g/dL tidak bisa digunakan untuk pengambilan keputusan transfusi intraoperatif karena tidak mempunyai keakuratan yang baik.

---

ABSTRACTBackground: Measurement of Estimated Blood Loss (EBL) based on the Allowable Blood Loss (ABL) formula with certain hemoglobin target is often used as a guidance to make a fast decision for intraoperative transfusion. Measurement of EBL relies on visual assessment is difficult to standardized and a new technique called Point of Care Testing (POCT) offered easier way to measure haemoglobin. This study aimed to compare the accuracy of the intraoperative hemoglobin measurement by EBL and POCT with Hematology Analyzer in the laboratory as a golden standard. Methods: This study used a Bland-Altman test on intraoperative hemoglobin measurement in patients undergoing elective surgery which was expected to experience a lot of bleeding and require blood transfusions in Center Operating Theater of Cipto Mangunkusumo Hospital from December 2014 until March 2015. Subjects were selected by consecutive sampling method. When EBL had reached ABL with a Hb level target 7 g / dL before transfusion was given, blood samples were taken for measurement of hemoglobin with Sysmex XE-2100® as Hematology Analyzer and HemoCue® Hb 201+ as POCT. Results: A total of 43 subjects were included in the study. Bland-Altman analysis of Hb EBL (7 g / dL) to Hb Hematology Analyzer with interval considered as accurate for Hb 7 g / dL was -1 to 1, revealed wide limits of agreement (-2.267 to 2.467). Bland-Altman analysis of Hb POCT to Hb Hematology Analyzer revealed narrow limits of agreement (-0418 to 0372). Conclusion: There was a significant difference in the accuracy of intraoperative hemoglobin measurement by EBL compared to Hematology Analyzer, while the measurement by POCT device had good accuracy. EBL based on the formula ABL with a Hb level target 7 g / dL could not be used for intraoperative transfusion decision making because it did not has good accuracy., Background: Measurement of Estimated Blood Loss (EBL) based on the formulaAllowable Blood Loss (ABL) with certain hemoglobin target, is often used as aguidance to make a quick decision for intraoperative transfusion. Measurement ofEBL relies on visual assessment cannot be standardized. As developingtechnology, Point of Care Testing (POCT) makes hemoglobin measurementeasier. This study aimed to compare the accuracy of the intraoperativehemoglobin measurement by EBL and POCT with Hematology Analyzer in thelaboratory as a golden standard.Methods: This study used a Bland-Altman test on intraoperative hemoglobinmeasurement in patients undergoing elective surgery that was expected toexperience a lot of bleeding and need transfusion in Center Operating Theater ofCipto Mangunkusumo Hospital from December 2014 until March 2015. Subjectswere selected by consecutive sampling method. When EBL had reached ABLwith a Hb level target 7 g / dL before transfusion was given, blood samples weretaken for measurement of hemoglobin with Sysmex XE-2100® as HematologyAnalyzer and HemoCue® Hb 201+ as POCT.Results: A total of 43 subjects were included in the study. Bland-Altman analysisof Hb EBL (7 g / dL) to Hb Hematology Analyzer with interval considered asaccurate for Hb 7 g / dL was -1 to 1, revealed wide limits of agreement (-2.267 to2.467). Bland-Altman analysis of Hb POCT to Hb Hematology Analyzer revealednarrow limits of agreement (-0418 to 0372).Conclusion: There was a significant difference in the accuracy of intraoperativehemoglobin measurement by EBL compared to Hematology Analyzer, while themeasurement by POCT device had good accuracy. EBL based on the formulaABL with a Hb level target 7 g/dL could not be used for intraoperative transfusion decision making because it did not has good accuracy.]"

"Tujuan pengobatan dalam merawat penderita diabetes melitus (DM) adalah untuk mendapatkan kadar glukosa darah yang tetap normal atau mendekati normal. Hal ini berdasarkan anggapan bahwa kontrol diabetik optimal merupakan sarana untuk mencegah atau menunda komplikasi DM jangka panjang seperti penyakit jantung dan pembuluh darah, ginjal, kebutaan dan amputasi. The American Diabetes Association dan Perkumpulan Endokrinologi Indonesia menganjurkan pemeriksaan kadar HbA1c untuk mengontrol penderita diabetes. Kadar hemoglobin glikat (HbAlc) telah digunakan selama hampir dua dekade terakhir sebagai petanda kontrol glikemik jangka panjang pada penderita diabetes. Pengukuran kadar HbAlc dirasakan makin penting dan sekarang HbA1c dianggap sebagai baku emas untuk kontrol metabolisme pada penderita diabetes. Kontrol glikemik yang membaik, seperti tercermin dari nilai HbA1c yang mendekati normal dapat mencegah berkembangnya komplikasi mikrovaskuler pada penderita diabetes. Pengukuran kadar HbA lc dapat memperlihatkan adanya perbaikan kontrol metabolik yang berhubungan dengan pencegahan komplikasi diabetes. Saat ini di Indonesia tidak semua fasilitas kesehatan atau laboratorium klinik dapat melakukan pemeriksaan kadar HbA1c dan pemeriksaan ini bukan pemeriksaan yang rutin dikerjakan tiap hart Hemoglobin glikat (HbA1c) biasanya diperiksa dari sampel darah vena, dapat pula dilakukan dan darah kapiler. Pengambilan sampel darah vena memerlukan penderita untuk datang ke laboratorium, disamping itu pengambilan sampel darah vena kadang sukar dilakukan pada anak-anak dan dewasa gemuk. Dikatakan, bila darah kapiler disimpan dan dikirim dalam bentuk larutan, korelasi antara kadar HbA1c darah vena dan kapiler akan meningkat. Oleh karena bahan cair sulit dibawa oleh pasien, maka diperlukan cara yang lebih mudah yaitu dengan melakukan pengiriman sampel darah kapiler pada kertas saring."

"ABSTRAKTerapi radiasi nerupakan salahsatu cara mengobati penyakit kanker. Telah banyak usaha untuk memperbaiki teknik ini setiap waktunya terutama untuk mengurangi efek samping yang mungkin timbul selama pengobatan. Maka, pasien selama pengobatan radiasi diamati keadaan umum dan status nutrisinya, termasuk meninjau berat badan dan nilai hemoglobinnya."