Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker prostat dan kanker otak adalah salah satu penyebab utama kematian pada penderita kanker. Hasil penelitian menunjukkan bahwa aktivasi dan penurunan jumlah reseptor EphA2 dan X pada sel-sel kanker otak dan kanker prostat dapat mengurangi proliferasi sel dan pembentukan tumor. Reseptor EphA2 diekspresikan pada sel kanker prostat, PC-3, dan reseptor X diexpresikan pada sel kanker prostat, LNCaP. Reseptor EphA2 juga diekspresikan pada sel-sel kanker otak, U-251. Proyek ini ditujukan untuk melihat kemampuan ikatan antara sel kanker dan antibodi bispecific (BsAb), 4B3-X, yang disusun dengan cara menggabungkan fragmen antibodi 4B3-scFv (khusus mengikat pada reseptor EphA2) dengan fragmen antibodi X-scFv (khusus mengikat pada reseptor X). Pada susunan BsAb ini, satu sisi antibodi akan mengikat EphA2 dan sisi lainnya akan mengikat reseptor X. Studi ikatan ini dilakukan menggunakan flow cytometry dan hasil studi menunjukkan bahwa 4B3-X berhasil mengikat pada reseptor EphA2 dan X yang diekspresikan pada sel kanker. 4B3-X berhasil terikat pada sel kanker prostat PC-3 yang megekspresikan reseptor EphA2 dan sel kanker prostat LNCaP yang mengekspresikan reseptor X, juga pada sel kanker otak U-251 yang mengekspresikan reseptor EphA2. Yang menarik, fragmen antibodi X-scFv (yang khusus mengikat pada reseptor X) juga terbukti terikat pada sel kanker otak, U-251; ini menunjukkan bahwa sel-sel ini mengekspresikan reseptor X dan EphA2 secara bersamaan. Dengan ini dapat disimpulkan bahwa 4B3-X berhasil mengikat pada kedua reseptor EphA2 dan X. Hal ini dapat menjadi sarana yang berpotensial untuk mengaktivasi reseptor ganda dan mengurangi jumlah reseptor EphA2 dan X pada sel kanker dan membunuh sel kanker tersebut.

---

Prostate and brain cancers are among the leading causes of cancer-related deaths. Studies have revealed that the activation and subsequent reduction of the EphA2 and X receptors on advanced brain and prostate cancer cells reduce cell proliferation and tumourigenesis. EphA2 and X are overexpressed on prostate cancer cells PC-3 and LNCaP, respectively. EphA2 is also overexpressed in U-251brain cancer cells. This project assesses the binding of a bispecific antibody (BsAb), 4B3-X, which were created by separately combining the 4B3 scFv antibody fragments (targeting EphA2) with the X scFv fragment, targeting X. In the BsAb format, one arm binds EphA2 and the other binds X receptors. Binding studies using flow cytometry showed that 4B3-X BsAb binding to EphA2 and X receptors was maintained; 4B3-X BsAb successfully bound to EphA2 -expressing PC-3 cells and X-expressing LNCaP cells as well as U-251. Interestingly, the X scFv (specific for X) was shown to bind to U-251 cells, indicating that these cells express X, as well as overexpressing EphA2. In summary, the 4B3-X BsAb, that binds both EphA2 and X, may provide potential means of dual receptor activation and subsequent reduction of the EphA2 and X receptors in cancer cells. "

"Salah satu tata laksana yang dapat dilakukan dalam mengatasi penyakit kanker otak adalah dengan tindakan pembedahan. Tindakan pembedahan otak berupa kraniotomi yaitu dengan membuka bagian dari tulang tengkorak untuk mengangkat tumor atau untuk mengakses bagian otak.tindakan kraniotomi tersebut memiliki risiko efek samping yang mungkin terjadi. risiko efek samping selain penurunan motoric dan sesorik juga terdapat perubahan kognitif dan perilaku sementara. Pasien memerlukan bantuan dalam mengatasi masalah kognitif tersebut. Penerapan teori modelling and role modelling (MRM) dari helen c. erickson, evelyn tomlin, & mary ann p. swain dapat membantu mengatasi masalah kebutuhan pasien yang belum terpenuhi tersebut, karena perawat perlu memberikan asuhan secara menyeluruh yang didalmnya terdapat cakupan yang mengkaji dan intervensi untuk pasien dengan masalah kognitif. Residen mengaplikasikan evidence based practice pada pasien paska kraniotomi yang mengalami gangguan kognitif. EBN yang digunakan untuk mengatasi masalah kognitif tersebut adalah dengan brain gym. Intervensi brain gym dalam pengelolaan lima kasus kelolaan berpengaruh signifikan dalam meningkatkan kognitif pasien. Perawat onkologi yang merawat pasien dengan masalah gangguan kognitif paska kraniotomi dapat menggunakan teori pendekatan modeling and role modeling (MRM) helen c. erickson, evelyn tomlin, & mary ann p. swain.

---

One of the treatments that can be done to treat brain cancer is surgery. Brain surgery is in the form of a craniotomy, namely by opening part of the skull bone to remove the tumor or to access parts of the brain. This craniotomy action carries a risk of possible side effects. The risk of side effects, apart from motor and bodily impairment, is also temporary cognitive and behavioral changes. Patients need help in overcoming these cognitive problems. Application of modeling and role modeling (MRM) theory from Helen C. erickson, evelyn tomlin, & mary ann p. swain can help overcome the problem of unmet patient needs, because nurses need to provide comprehensive care which includes assessment and intervention for patients with cognitive problems. Residents apply evidence based practice to post-craniotomy patients who experience cognitive impairment. The EBN used to overcome these cognitive problems is the brain gym. The brain gym intervention in the management of five managed cases had a significant effect in improving the patient's cognitive abilities. Oncology nurses who care for patients with post-craniotomy cognitive impairment problems can use Helen C's modeling and role modeling (MRM) approach theory. erickson, evelyn tomlin, & mary ann p. Swains"

"ABSTRAKKanker merupakan salah satu penyebab kematian terbesar di seluruh dunia. Secara khusus, kanker otak adalah kanker yang terjadi pada sistem saraf pusat. Salah satu hal yang dapat dilakukan untuk penelitian kanker otak menggunakan machine learning adalah melakukan pendeteksian jenis kanker otak dengan memanfaatkan microarray data. Permasalahan tersebut merupakan masalah klasifikasi multikelas. Dengan menggunakan pendekatan one versus one, akan terbentuk sebanyak k k-1 /2 masalah dua kelas, di mana k menunjukkan jumlah kelas. Karena data kanker otak memiliki fitur yang sangat banyak, perlu dilakukan seleksi fitur. Pada penelitian ini, akan diimplementasikan metode Multiple Multiclass Support Vector Machine Recursive Feature Elimination MMSVM-RFE sebagai metode seleksi fitur, dan Twin Support Vector Machine TWSVM sebagai metode klasifikasi. Pada metode MMSVM-RFE dilakukan pelatihan SVM-RFE pada setiap masalah dua kelas, sehingga setiap masalah dua kelas memiliki pengurutan fitur masing-masing. Sebagai metode klasifikasi, TWSVM memiliki tujuan untuk mencari hyperplane masing ndash; masing kelas sedemikian sehingga data kelas satu sedekat mungkin terhadap suatu hyperplane namun sejauh mungkin dengan hyperplane lainnya. Rata-rata akurasi tertinggi pada simulasi menggunakan kernel linear pada MMSVM-RFE dan kernel linear pada TWSVM adalah 95,33 dengan menggunakan 200 fitur. Rata-rata akurasi tertinggi pada simulasi menggunakan kernel linear pada MMSVM-RFE dan kernel RBF pada TWSVM adalah 87 dengan 70 fitur. Sedangkan apabila proses validasi juga dilakukan pada seleksi fitur, rata-rata akurasi tertinggi yang diperoleh adalah 90,67 dengan menggunakan 90 fitur.

---

ABSTRACTCancer is one of main causes of death worldwide. Brain cancer is a type of cancer which occurs at central nervous system. Taking advantage from microarray data, machine learning methods can be applied to help brain cancer prediction according to its types. This problem can be referred as a multiclass classification problem. Using one versus one approach, the multiclass problem with k classes can be transformed into k k 1 2 binary class problems. The huge amount of features makes it necessary to use feature selection. In this research, Multiple Multiclass Support Vector Machine Recursive Feature Elimination MMSVM RFE method is implemented as the feature selection method, and Twin Support Vector Machine TWSVM method is implemented as the classification method. The main concept of MMSVM RFE is to train SVM RFE at each binary problem so that each binary problem will have their own arrangements of feature. As a classification method, TWSVM is trained to find two hyperplanes, each representative of its own class. The data of one class must be as near as possible from its representative hyperplane while also must be as far as possible from the other hyperplane. In the simulation which uses linear kernel on MMSVM RFE and linear kernel on TWSVM, the highest average accuracy is 95,33 , using 200 features. In the simulation which uses linear kernel on MMSVM RFE and RBF kernel on TWSVM, the highest average accuracy is 87 , using 70 features. In the case where the feature selection process is included in doing validation, the highest average accuracy is 90,67 , using 90 features."