Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Latar Belakang: COVID-19 merupakan penyakit infeksi yang menjadi sebuah pandemi global dalam waktu singkat. Radiologi memegang peranan penting menggunakan modalitas radiografi toraks untuk identifikasi COVID-19 dengan melihat gambaran ground glass opacity (GGO) dan konsolidasi. Melakukan interpretasi radiografi toraks dengan benar masih menjadi tantangan dimana akurasi tertinggi dipegang oleh dokter spesialis radiologi divisi toraks. LUNIT INSIGHT CXR merupakan salah satu sistem artificial intelligence (AI) yang dikembangkan untuk meningkatkan efisiensi dan akurasi pembacaan radiografi toraks. Hingga saat ini berlum ada sistem AI lain di RSUPN Cipto Mangunkusumo yang dapat menginterpretasi radiografi toraks. Penelitian ini bertujuan untuk mengevaluasi manfaat sistem AI LUNIT INSIGHT CXR dalam membantu dokter radiologi mendeteksi GGO dan konsolidasi yang merupakan gambaran radiografi toraks paling sering pada pasien COVID-19. Metode: Studi ini merupakan studi retrospektif menggunakan gambaran radiografi toraks pasien tersangka COVID-19. Radiografi toraks diinterpretasi oleh dokter radiologi umum tanpa dan dengan bantuan sistem AI dibandingkan dengan interpretasi dokter radiologi divisi toraks menggunakan variabel ada atau tidaknya lesi, interpretasi GGO, interpretasi konsolidasi serta interpretasi berdasarkan lokasi lapangan paru yang terlibat. Hasil: Kelainan paling banyak ditemukan adalah GGO dengan lokasi di lapangan bawah kedua paru baik oleh dokter radiologi umum dan dokter radiologi divisi toraks. Ditemukan konkordans penilaian GGO yang rendah (< 0,8) sedangkan penilaian konsolidasi ditemukan konkorans baik (> 0,8). Berdasarkan lokasi ditemukan konkordans terendah di lapangan tengah paru kanan (0,773) pada kelompok dengan bantuan sistem AI. Konkordans pada lokasi lain ditemukan baik (> 0,8). Tidak ditemukan perbedaan signifikan pada konkordans antara tanpa dan dengan bantuan sistem AI. Simpulan: Dalam studi ini tidak ditemukan perbedaan kesesuaian penilaian GGO maupun konsolidasi pada radiografi toraks antara dokter radiologi tanpa dan dengan bantuan sistem AI LUNIT INSIGHT CXR ......Background: COVID-19 is an infectious disease that quickly became a global pandemic. Radiology holds an important role in COVID-19 early detection using chest radiograph by evaluating ground glass opacity (GGO) and consolidation. Correctly interpreting chest radiograph is still a challenge where chest division radiologists holds the highest accuracy. LUNIT INSIGHT CXR is an artificial intelligence (AI) system that created to increase efficiency and accuracy in interpreting chest radiograph. Until now there are no other AI system in Cipto Mangunkusumo National General Hospital that can interpret chest radiograph. This study aims to evaluate the benefit of LUNIT INSIGHT CXR AI system to help radiologists detect GGO and consolidation, the most common findings in COVID-19 patients. Method: This study is a retrospective study using chest radiograph image of suspected COVID-19 patients. Chest radiograph will be interpreted by general radiologist with and without AI system’s aid, compared with interpretation by chest division radiologist using presence of lesion, GGO interpretation, consolidation interpretation and location of the lesion as variables. Result: Most common findings are GGO with lower lung as the most common location by all interpreter. Concordance of GGO interpretation is low (< 0,8) whereas concordance of consolidation interpretation is good (> 0,8). Based on location, the lowest concordance is on the mid right lung (0,773) in the group with AI system’s aid. Concordance in other locations are good (> 0,8). There is no significant difference of concordance between with and without AI system groups. Conclusion: There are no difference in concordance of GGO and consolidation interpretation in chest radiograph between radiologists with and without LUNIT INSIGHT CXR system’s aid.

Abstrak :
Latar belakang: Prevalensi meibomian gland dysfunction (MGD) dilaporkan bervariasi pada rentang 3,6-69,3% karena modalitas diagnostik yang tersedia saat ini masih belum terstandar secara baku. Penilaian meibomian gland (MG) dropout secara manual masih terbatas oleh subjektivitas penilai dalam identifikasi MG, kurang akurat dalam menilai perubahan longitudinal, serta memerlukan waktu dan biaya yang lebih besar. Penelitian ini bertujuan untuk mengetahui apakah performa diagnostik dari penilaian MGD melalui meibografi dengan bantuan AI setara dengan penilaian MG dropout oleh klinisi menggunakan ImageJ. Metode: Penelitian dilakukan dengan desain cross-sectional dari pasien rawat jalan Rumah Sakit Dr. Cipto Mangunkusumo (RSCM) Kirana, Jakarta Pusat. Pengolahan data citra meibografi dilakukan dengan dua tahap preprocessing dan pengembangan model artificial intelligence (AI). Pengembangan model AI yang dilakukan menggunakan image embedding VGG16 dan model multilayer perceptron (MLP) pada Orange v3.32.0.  Hasil: Dari 35 subjek penelitian dengan rerata usia 60,29±2,28 tahun, terdapat 136 data citra meibografi yang dianalisis. Nilai cut-off MG dropout yang terbaik pada nilai 33% yang mana terdapat 107 citra MGD dan 29 citra normal. Model AI menunjukkan performa AUC 83,2%, sensitivitas 89,7%, dan spesifisitas 58,6%.  Kesimpulan: Penilaian meibografi dengan bantuan AI memiliki performa diagnostik yang baik dalam deteksi MGD. Pendekatan dengan AI dapat digunakan sebagai alat skrining potensial yang efektif dan efesien dalam praktik klinis. ......Introduction: The prevalence of meibomian gland dysfunction (MGD) is reported to vary in the range of 3.6-69.3% because the currently available diagnostic modalities have not been standardized. Manual assessment through meibomian gland (MG) dropout is still has many limitations, such as the subjectivity of the assessor in identifying MG, less accuracy in assessing longitudinal abnormalities and requires more time and costs. This study aims to determine whether the diagnostic performance of MGD assessment through AI-assisted meibography is equivalent to MG dropout assessment by the clinician using ImageJ.  Methods: The study was conducted with a cross-sectional design from outpatients at Dr. Cipto Mangunkusumo Hospital (RSCM) Kirana, Central Jakarta. The meibography image processing is conducted in two stages preprocessing and the development of artificial intelligence (AI) models. AI model development uses Orange v3.32.0 with VGG16 as image embedding and a multilayer perceptron (MLP) model.  Results: From 35 subjects with a mean age of 60.29±2.28 years, a meibography dataset was built from 136 eyelid images. Using the MG dropout cut-off value of 33%, there are 107 MGD images and 29 normal images. The AI model showed an AUC performance of 83.2%, a sensitivity of 89.7%, and a specificity of 58.6%.  Conclusion: AI-assisted meibography assessment has good diagnostic performance in MGD detection. The AI approach has promising potential as an effective and efficient screening tool in clinical practice.