Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Latar Belakang: Perubahan kualitas dan kuantitas tulang akan terjadi pada wanita yang memasuki masa lanjut usia yang dipengaruhi oleh berbagai faktor. Salah satu metode pengukuran kuantitas tulang adalah dengan mengukur lebar tulang kortikal sudut mandibula melalui radiograf panoramik menggunakan indeks morfometrik Gonial Index (GI). Pengukuran lebar tulang rahang dapat digunakan sebagai deteksi terhadap perubahan kualitas dan kuantitas struktur tulang. Tujuan: Mengetahui nilai rata-rata GI pada kelompok wanita usia 45-59 tahun dengan kelompok usia 60-70 tahun di RSKGM FKG UI dan untuk mengetahui apakah terdapat perbedaan nilai GI yang bermakna antara kedua kelompok usia. Metode: Studi dilakukan pada 184 gambar radiografik panoramik digital dari pasien wanita berusia 45-70 tahun yang dikelompokkan menjadi dua kelompok usia (1 = usia 45 – 59; 2 = usia 60 – 70). Pengukuran GI dilakukan pada kedua sisi untuk mengukur lebar tulang kortikal pada sudut mandibula. Analisis statistik dilakukan dengan uji Mann-Whitney (p > 0.05). Hasil: Nilai rata-rata GI pada kelompok usia prelansia (45-59 tahun) adalah 1.08 mm dan untuk kelompok usia lansia (60-70 tahun) adalah 0.62 mm. Kesimpulan: Terdapat perbedaan bermakna antara nilai GI pada subjek prelansia dan lansia, di mana terjadi penurunan nilai rerata lebar kortikal sudut mandibula pada kelompok usia lansia. ......Background: The changes in quality and quantity of bone structure level occur in elderly women and are caused by some of risk factors. One of the methods to measure bone thickness is by measuring the width of mandible cortical bone using Gonial Index (GI) in radiograph panoramic. The average value of GI can be used as detection to quality and quantity changes of bone structures. Objectives: to obtain average value of GI between 45-59 years old and 60-70 years old women in RSKGM FKG UI and to identify if there is a significant difference of GI average value between two age groups. Method: The study included 184 digital panoramic radiographic images of 45 – 70 years old female patients that were grouped into two age groups (1 = age 45 – 59; 2 = age 60 – 70). The measurement of Gonial Index (GI) were done bilaterally to measure the cortical width of mandibular angle. Statistical analysis was performed with Mann-Whitney test (p > 0.05). Results: The average value of GI of 45-59 years old age group is 1.08 mm and the GI average value of 60-70 years old age group is 0.62 mm. Conclusion: There’s a significant difference of GI value between women at age 45 – 59 years old and 60 – 70 years old, the average value of cortical width of mandible angle decreases in women at age 60 – 70 years old.

Abstrak :
Latar belakang: Penilaian usia tulang dengan metode Greulich and Pyle merupakan metode yang paling sering digunakan. Namun metode ini bersifat subjektif dan ahli yang dapat membaca usia tulang dengan metode ini belum tersebar merata. Saat ini, penilaian usia tulang melalui metode deep learning artificial intelligence mulai banyak digunakan. Metode ini dinilai lebih objektif dan memiliki akurasi yang setara atau lebih baik dibandingkan metode Greulich and Pyle. Tujuan: Penelitian ini bertujuan untuk mengetahui akurasi deep learning artificial intelligence dibandingkan Greulich and Pyle dalam menilai usia tulang. Metode: Penelitian merupakan studi potong lintang yang dilakukan di Rumah Sakit Cipto Mangunkusumo menggunakan foto tangan dan pergelangan tangan di Divisi Pencitraan yang diambil pada Desember 2022 sampai November 2023. Subjek yang diteliti adalah anak berusia 1 – 18 tahun yang diindikasikan untuk dilakukan pemeriksaan usia tulang. Akurasi dinilai melalui korelasi, perbedaan rerata, dan kesesuaian antara dua metode. Hasil: Sebanyak 275 foto dalam kurun waktu 12 bulan dimasukkan ke dalam penelitian dengan nilai tengah 9,5 tahun. Korelasi antara kedua metode pembacaan usia tulang adalah 0,971 (IK95% 0,963 – 0,977 ; p < 0,001) yang berarti memiliki korelasi positif kuat. Perbedaan rerata hasil pembacaan kedua metode adalah 0,53 tahun (IK95% 0,45 – 0,62; p < 0,001). Walaupun bermakna secara statistik, perbedaan rerata ini tidak bermakna secara klinis karena usia tulang yang abnormal harus lebih dari 2 standar deviasi. Kesesuaian pembacaan usia tulang antara kedua metode baik dengan nilai kappa 0,752 (IK95% 0,675 – 0,828; p < 0,001). Kesimpulan: Penilaian usia tulang dengan metode deep learning artificial intelligence memiliki akurasi yang sama dengan metode Greulich and Pyle. ......Background: Bone age assessment using the Greulich and Pyle method is the most frequently used. However, this method is subjective and experts who can read bone age using this method are not evenly distributed. Currently, bone age assessment using deep learning artificial intelligence methods is starting to be widely used. This method is considered more objective and has equivalent or better accuracy. Objective: This study aims to determine the accuracy of deep learning artificial intelligence compared to Greulich and Pyle in assessing bone age. Method: This was a cross-sectional study conducted at Cipto Mangunkusumo Hospital using radiology of the hands and wrists in the Imaging Division taken from December 2022 to November 2023. The subjects studied were children aged 1 – 18 years who were indicated for bone age examination. Accuracy was assessed through correlation, mean difference, and agreement between the two methods. Results: A total of 275 photos over a 12 month period were included in the study with a median value of 9.5 years. The correlation between the two bone age assessment methods was 0.971 (95% CI 0.963 – 0.977; p < 0.001), which showed a strong positive correlation. The mean difference between the two methods was 0.53 years (95% CI 0.45 – 0.62; p < 0.001). Although it had statistically significant, this mean difference was not clinically significant because the abnormal bone age must be more than 2 standard deviations. The agreement between bone age readings between the two methods was good with a kappa value of 0.752 (95% CI 0.675 – 0.828; p < 0.001). Conclusion: Bone age assessment using the deep learning artificial intelligence method has the same accuracy as the Greulich and Pyle method.