Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Tujuan penelitian ini untuk menentukan model terbaik dengan menggunakan fungsi sum of exponential (SOE) untuk menggambarkan biodistribusi dari radiofarmaka 111In-DOTATATE, mengevaluasi pengaruh dataset terhadap seleksi model, dan mengevaluasi pengaruh dari model error intraindividual terhadap perhitungan AUC pada radioterapi molekular. Penelitian ini menggunakan data sekunder berupa data biokinetik tumor pasien PRRT dari 4 pasien tumor meningioma dan 5 neuroendokrin setelah injeksi pra-terapi 111In-DOTATATE. Dari data tersebut dilakukan digitasi, dan data hasil digitasi di-fitting menggunakan 16 fungsi SOE. Model terbaik ditentukan dengan kriteria goodness of fit dan nilai pembobotan Corrected Akaike Information Criterion (AICc). Kemudian, dilakukan metode jackknife dengan menghilangkan data 1 pasien dan menentukan model terbaiknya. Kemudian, semua data di-fitting menggunakan model terbaik dengan beberapa model error, terdiri dari error konstan, proporsional dan eksponensial. Hasil model terbaik yang dapat menggambarkan biodistribusi radiofarmaka 111In-DOTATATE pada tumor ditunjukkan fungsi dengan pembobotan AICc 94,7%. Perubahan dataset tidak terlalu mempengaruhi seleksi model, sebagian besar hasil jackknife menunjukkan f3b sebagai model terbaik = 77,78% dan bukan model terbaik = 22,22%. Selain itu, Semua model error di-fitting dengan model terbaik menghasilkan nilai AUC yang hampir sama yaitu konstan = (3,09±2,70) nmol·min, proporsional = (3,09±2,69) nmol·min, dan eksponensial = (3,09±2,70) nmol·min. Berdasarkan hasil penelitian yang diperoleh, seleksi model dengan NLME menunjukkan hasil yang cukup stabil dan bentuk error konstan, proporsional dan eksponensial dapat digunakan dengan baik untuk menentukan AUC pada pasien PRRT yang diinjeksi dengan radiofarmaka 111In-DOTATATE. ......The aim of the study was to determine the best model using the sum of exponential (SOE) function to describe the biodistribution of 111In-DOTATATE radiopharmaceuticals, evaluate the effect of the dataset on model selection, and evaluate the effect of the intraindividual error model on AUC calculations in molecular radiotherapy. This study used secondary data in the form of tumor biokinetic data from PRRT patients from 4 meningioma and 5 neuroendocrine tumor patients after pre-therapy 111In-DOTATATE Injection. The data was digitized, and the digitized data was fitted using 16 SOE functions. The best model was determined by the goodness of fit criteria and the Corrected Akaike Information Criterion (AICc) weighting. Next, the jackknife method was carried out by removing 1 patient's data and the best model was determined. Then, all the data was fitted using the best function with several error models, consisting of constant, proportional, and exponential errors. The result obtained was the best model that can describe the biodistribution of 111In-DOTATATE radiopharmaceuticals in tumors which is shown by the function with an AICc weighting of 94,7%. The results showed that there is an influence of the dataset on model selection. In general, the jackknife results showed f3b as the best function = 77,78% and not the best function = 22,22%. In additional, all error model fitted with the best function tent to be similar in the AUC calculation, i.e. constant = (3,09±2,70) nmol·min, proportional = (3,09±2,69) nmol·min, and exponential = (3,09±2,70) nmol·min. Based on the results of the study, model selection with NLME showed quite stable results and constant, proportional and exponential error forms could be used well to determine AUC in PRRT patients injected with 111In-DOTATATE radiopharmaceutical.

Abstrak :
Tujuan penelitian ini untuk menentukan model fungsi sum of exponential (SOE) terbaik dan membandingkan parameter fixed effect, random effect dan Area Under Curve (AUC) yang diperoleh pada NONMEM dan Matlab. Penelitian ini menggunakan data dari 10 pasien kanker prostat yang menerima injeksi ~3 GBq. Setlah diinjeksikan, dilakukan pemeriksaan menggunakan SPECT/CT pada waktu 1, 24, 48, 72, dan 168 jam. Data tersebut di-fitting menggunakan 54 fungsi SOE. Model fungsi terbaik ditentukan dengan kriteria nilai pembobotan Corrected Akaike Information Criterion (AICc). Fungsi terbaik yang dapat mendeskripsikan distribusi biokinetik data pada Organ at Risk (OAR) ditunjukkan fungsi f6f untuk ginjal, fungsi f4c untuk kelenjar ludah, dan fungsi f5g untuk hati. Perbedaan nilai parameter yang di fitting antara NONMEM dan Matlab memiliki nilai yang relatif besar hingga 1070%. Namun, perbedaan AUC pada NONMEM dan Matlab memiliki nilai yang kecil yaitu di bawah 1.5%. ......The purpose of this study was to determine the best sum of exponential (SOE) function model and compare the fixed effect, random effect and Area Under Curve (AUC) parameters obtained in NONMEM and Matlab. This study used data from 10 prostate cancer patients who received ~3 GBq injection. After injection, SPECT/CT was performed at 1, 24, 48, 72, and 168 hours. The data were fitted using 54 SOE functions. The best function model was determined by weighting the Corrected Akaike Information Criterion (AICc). The best function that can describe the biokinetic distribution of data on Organ at Risk (OAR) is shown by the function f6f for kidney, function f4c for salivary gland, and function f5g for liver. The difference in the fitted parameter values between NONMEM and Matlab has a relatively large value of up to 1070%. However, the difference in AUC in NONMEM and Matlab has a small value which is below 1.5%.

Abstrak :
Dalam melakukan klasifikasi, tidak jarang terdapat data dengan jumlah anggota kategori yang tidak seimbang. Khususnya dalam dunia kesehatan dimana kategori yang diamati umumnya lebih jarang terjadi. Jika ketidakseimbangan ini tidak ditangani terlebih dahulu maka dapat memberikan hasil klasifikasi yang bias dan kurang akurat. Terdapat beberapa metode rebalancing konvensional untuk menanganinya seperti random oversampling dan random undersampling, namun keduanya diklaim memiliki beberapa kelemahan sehingga beberapa metode yang lebih kompleks dikembangkan. Namun jumlah metode yang dapat digunakan untuk menangani data kategorik selain metode konvensional tersebut masih minim. Salah satu metode yang dapat menangani data kategorik adalah synthetic minority over sampling-technique nominal continuous atau SMOTE-NC yang merupakan ekstensi dari SMOTE yang dikembangkan untuk menangani dataset dengan variabel campuran. Skripsi ini membahas perbandingan dari metode random oversampling dan SMOTE-NC juga metode gabungannya dengan undersampling yaitu random oversampling + undersampling dan SMOTE-NC + undersampling untuk menangani ketidakseimbangan data. Masing-masing metode tersebut akan diterapkan untuk klasifikasi tingkat keparahan COVID-19 berdasarkan urgensi perawatan rumah sakit dengan menggunakan metode random forest dimana selanjutnya dapat dilihat kombinasi metode yang menghasilkan performa terbaik. Penelitian ini juga bertujuan untuk melihat faktor-faktor manakah yang paling penting dalam memprediksi tingkat keparahan COVID-19 berdasarkan urgensi rumah sakit. Digunakan metode Leave-One-Out Cross-Validation untuk mengukur konsistensi model. Diperoleh hasil bahwa metode SMOTE-NC dengan undersampling memberikan performa terbaik dengan komorbid paru-paru, kadar c-reactive protein dan prokalsitonin merupakan variabel terpenting dalam model. Selain itu diperoleh kesimpulan bahwa pemilihan metode rebalancing yang tepat bergantung pada karakteristik data yang dimiliki. ...... In conducting classification, it is not uncommon for data with an unbalanced number of category members. Especially in the world of health where the categories we observe are generally less common. If this imbalance is not handled first, it can give biased and less accurate classification results. There are several conventional rebalancing methods to handle it, such as random oversampling and random undersampling, but both are claimed to have several weaknesses so that several more complex methods were developed. However, the number of methods that can be used to handle categorical data other than the conventional methods is still minimal. One method that can handle categorical data is synthetic minority over sampling-technique nominal continuous or SMOTE-NC which is an extension of SMOTE which was developed to handle datasets with mixed variables. This thesis discusses the comparison of random oversampling and SMOTE-NC methods as well as their combined methods with undersampling, namely random oversampling + undersampling and SMOTE-NC + undersampling to handle data imbalances. These methods will be applied to the classification of the severity of COVID-19 based on the urgency of hospital care using the random forest method, wherein the combination of methods that produces the best performance will be seen. This study also aims to see which factors are the most important in predicting the severity of COVID-19 based on hospital urgency. The Leave-One-Out Cross-Validation method is used to measure the consistency of the model. It was found that the SMOTE-NC method with undersampling gave the best performance with lung comorbidities, c-reactive protein and procalcitonin levels were the most important variables in the model. In addition, it can be concluded that the selection of the right rebalancing method depends on the characteristics of the data held.