Hasil Pencarian  ::  Simpan CSV :: Kembali

"For more than twenty years, Choices has been the leading source-book for cancer patients and their families. Fully revised to cover the latest medical and technological breakthroughs, Choices, Fourth Edition, provides the most up-to-date and essential facts on cancer, from diagnosis to recovery -- medication and nutrition, symptoms and stages, and all available surgical and nonsurgical treatments -- in an accessible, easy-to-use Q&A format. The book also includes checklists of essential questions for your doctor; useful Internet resources; a state-by-state listing of cancer-related programs, organizations, and services; reviews of complementary and alternative therapies; updated listings of chemotherapy drugs and their side effects; the facts on common misconceptions regarding cancer treatments; and advice on practical living concerns for both survivors and caregivers. Recommended by health-care professionals nationwide, Choices is a unique and invaluable reference. Marion Morra and Eve Potts's clear, compassionate advice is on every page, offering reassurance with the informed knowledge every cancer patient needs to make the right decisions throughout the treatment process."

"ABSTRAK Kanker merupakan salah satu masalah kesehatan masyarakat. Kanker membutuhkanpenanganan yang lama dan berkelanjutan. Terhadap kondisi tersebut, ketersediaan data daninformasi bagi penyedia layanan dan pasien kanker membutuhkan penyelenggaraan rekammedis. Kanker memelurkan manajemen data khusus selain yang sudah terdapat dalam rekammedis. Sehingga, Rancangan Kesehatan Elektronik (RKE) Oncology menjadi salah satuupaya untuk mengelola data kanker dan alur kerjanya. Penelitian ini menggunakan metodepenilaian sistem atau system assesment dengan teknik wawancara, observasi, dan telaahdokumen untuk membuat rancangan rekam kesehatan elektronik pada pasien kanker di RSHermina Depok. Dari hasil pengumpulan data, dilakukan analisis sistem yang meliputi input,proses, output, analisis kebutuhan sistem. Penelitian juga membuat rancangan prototipedalam bentuk antarmuka aplikasi. Hasil dari penelitian menunjukkan bahwa adanya peluangdalam rancangan kesehatan elektronik pada pasien kanker. Dengan prototipe RancanganRekam Kesehatan Elektronik, proses pengumpulan data menjadi lebih cepat danmenghasilkan informasi yang lebih berkualitas. Selain itu, diharapkan dapat menyediakandata yang dibutuhkan untuk layanan kanker.

---

ABSTRACT Cancer is a public health problem. Cancer treatment requires a long and sustained. Againtsthese conditions, the availability of data and information for service providers and cancerpatients in need of medical record implementation. Cancer require specialized datamanagement beyond those already contained in the medical record. Thus, design of electronichealth record become one of the efforts to manage data of cancer and workflow too. Thisstudy uses a method or system assessment by interview, observation, and document analysisto makes design of electronic health record for cancer patient in Hermina Hospital Depok.From the results of data collection, analysis system that includes input, process, output,system requirements analysis. The research also makes design of a prototype applicationinterface. Results of the the study indicate that there are opportunities in the design ofelectornic health record for cancer patient. With a prototype design of electronic healthrecord, data collection process becomes faster and produce higher quality information. Inaddition, is expected to provide the data required for cancer services."

"

Kanker hati merupakan penyebab utama kematian akibat kanker di seluruh dunia. Di Indonesia, kanker hati menempati angka kejadian tertinggi kedua untuk laki laki yaitu sebesar 12,4 per 100.000 penduduk dengan rata-rata kematian 7,6 per 100.000 penduduk. Pada tugas akhir ini, dibahas mengenai kanker hati primer dengan jenis hepatocellular carcinoma. Metode Twin Support Vector Machines (Twin SVM) diimplementasikan untuk mengklasifikasikan data kanker hati berdasarkan hasil CT scan. Data yang digunakan adalah data numerik hasil CT scan pasien yang menderita kanker hati dan diperoleh dari Laboratorium Radiologi RSUPN Cipto Mangunkusumo. Metode Twin SVM adalah pengembangan dari metode SVM yang menggunakan dua hyperplane dalam mengklasifikasikan sampel. Pada tugas akhir ini, kernel yang digunakan pada metode Twin SVM adalah polinomial dan radial basis function (RBF). Berdasarkan hasil perbandingan, klasifikasi data kanker hati menggunakan metode Twin SVM dengan kernel Polinomial menghasilkan akurasi tertinggi sebesar 77,30% pada penggunaan data testing sebesar 10% dan data training 90%. Selain itu, nilai akurasi terendah terdapat pada kernel RBF menghasilkan sebesar 60,10% pada penggunaan data testing sebesar 90% dan data training 10% dan nilai parameter 𝐶 = 1. Jika dibandingkan, klasifikasi data kanker hati dengan menggunakan metode Twin SVM dengan kernel polinomial menghasilkan nilai akurasi yang lebih baik.

---

Liver cancer is the main cause of cancer death in the worldwide. In Indonesia, the incidence rate of liver cancer is the second highest for men, that is 12.4 per 100,000 population with the average death rate is 7.6 per 100,000 population. This final project discusses primary liver cancer with a type of hepatocellular carcinoma. The Twin Support Vector Machines (Twin SVM) method was implemented to classify liver cancer data based on CT scan results. The data used are numerical data from CT scan results of patients suffering from liver cancer and obtained from the Radiology Laboratory of Cipto Mangunkusumo Hospital. The Twin SVM method is the development of the SVM method that uses two hyperplane in classifying samples. In this final project, the kernel used in the Twin SVM method is polynomial and radial basis function (RBF). Based on the comparison results, the classification of liver cancer data using the Twin SVM method with a polynomial kernel produces the highest accuracy of 77.30% on the use of testing data of 10% and training data of 90%. In addition, the lowest accuracy value is found in the RBF kernel resulting in 60.10% on the use of testing data of 90% and training data of 10% and the parameter value of C=1. When compared, the classification of liver cancer data using the Twin SVM method with a polynomial kernel produces better accuracy values.

"

"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."

"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."

"Kanker kolorektal adalah penyakit neoplasma ganas yang tumbuh dan berkembang pada saluran usus besar dan atau rektum. Terapi anti EGFR menggunakan agen biologis antibodi monoklonal cetuximab dan panitumumab diketahui memberikan tingkat penyembuhan yang baik pada pasien kanker kolorektal. Pasien dengan mutasi pada gen NRAS dan KRAS cenderung resisten terhadap terapi anti EGFR, sehingga penting dilakukan pemeriksaan kedua gen tersebut sebelum pemberian terapi. Pemeriksaan gen NRAS belum tersedia di Indonesia karena minimnya data mengenai mutasi gen tersebut pada populasi Indonesia. Penelitian dilakukan untuk mengetahui profil mutasi pasien gen NRAS pada 58 sampel pasien kanker kolorektal di Jakarta. Pemeriksaan mutasi dilakukan pada exon 2(codon 12 & 13) dan exon 3 (codon 61) gen NRAS menggunakan metode sekuensing. Analisis elektroferogram sekuensing menunjukan mutasi gen NRAS ditemukan pada 6,9% (n=58) sampel uji. Hasil uji statistik fischer exact test dua arah menunjukan tidak adanya asosiasi mutasi gen dengan kelompok usia pasien dan jenis kelamin. Gen NRAS ditemukan termutasi pada codon 12 (1,7 %) dan codon 61 (5.2%). Tidak ditemukan adanya mutasi pada codon 13 gen NRAS.

---

Colorectal cancer is a neoplasm disease that arise in inner lining of colon or rectum. Anti EGFR therapy such as cetuximab and panitumumab were widely used to suppress metastases colorectal cancer in patient and decided as gold standard therapy. Mutation either KRAS or NRAS gene will reduced effectifity of anti EGFR therapy, hence genotyping of KRAS and NRAS gene must be executed before. NRAS genotyping test not yet available in Indonesia due to lack of information about this gene. This study was subjected to understanding profile of NRAS gene mutation in Jakartans colorectal cancer patient. Mutation screening was perform by sequencing method, notably exon 2 (codon 12&13) and exon 3 (codon 61). Electropherograms analysis shows that NRAS mutation found in 6,9% samples (n=58). NRAS mutation found in codon 12 (1,7%), codon 61 (5,2%), and there was no mutation found in codon 13. Fischer exact test statistical analysis summarized that there was no significant association of NRAS mutation with both sex and age."

"ABSTRAKNama : Tina MawardikaProgram Studi : Magister Ilmu Keperawatan Universitas IndonesiaJudul :Perbedaan Kebutuhan Perawatan Suportif Pasien Kanker Ginekologi di Rawat Inap dan Rawat Jalan. Pelayanan kesehatan yang diterima di rawat inap dan rawat jalan dapat memunculkan perbedaan kebutuhan perawatan suportif. Penelitian cross-sectional ini bertujuan untuk mengidentifikasi perbedaan antara kebutuhan perawatan suportif pada pasien kanker ginekologi di rawat inap dan rawat jalan. Tehnik consecutive sampling diakukan untuk memilih 200 pasien kanker ginekologi. Hasil penelitian menunjukkan bahwa sebagian besar 83 pasien di rawat inap memerlukan kebutuhan perawatan suportif terutama pada domain fisik 80 dan domain psikologi 84 dan 40 pasien di rawat jalan memerlukan kebutuha perawatan terutama pada domain sistem informasi kesehatan 78 . Terdapat perbedaan yang signifikan secara statistik antara kebutuhan perawatan pada pasien kanker ginekologi di rawat inap dan rawat jalan ? value = 0,000 p le; 0,05 dan nilai OR 43,9, maka dapat disimpulkan pasien di rawat inap kebutuhan perawatan suportifnya meningkat 43,9 kali dibandingkan dengan pasien di rawat jalan. Penilaian kebutuhan perawatan suportif berguna untuk mengevaluasi kebutuhan perawatan suportif pasien kanker ginekologi di rawat inap maupun rawat jalan sehingga intervensi yang diberikan tepat guna dan tepat sasaran. Kata Kunci: Kebutuhan perawatan suportif, status perawatan, kanker ginekologi.

---

ABSTRACTName Tina MawardikaProgram Study Faculty Of Nursing Indonesia UniversityTittle The difference of Supportive Care Needs in inpatient and outpatient gynecologic cancer patient. Health services that performed at inpatient and outpatient care can cause different supportive care needs. This cross sectional study aims to identify the differences of supportive care needs in inpatient and outpatient gynecologic cancer patient. Consecutive sampling techniques were undertaken to select 200 gynecological cancer patients. The results showed that of patients undergoing hospitalization required supportive care needs, especially in the physical 80 and pshycologic domain 84 , 40 of patients who underwent outpatient care require treatment especially in the information system domain 78 . Acording to statistical result, there was a different between inpatients and outpatients supportive care needs value 0,000 p le 0.05 OR 43,9. It means that inpatient rsquo s supportive care needs increase 43,9 compared with outpatient supportive care needs. Assessment of care needs is useful to evaluate the supportive care needs of gynecological cancer patients not only inpatient but also outpatient. That rsquo s way the intervention is given efficient and on target. Key Words Supportive Care Needs, Care Status, Gynecology Cancer. "