Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Kurangnya melatonin pada anak-anak dengan Autisme menyebabkan mereka sulit tidur dibandingkan dengan anak-anak lain. Akibatnya, masalah gangguan tidur ini meningkatkan perilaku menyimpang anak-anak dengan autisme. Polisomnografi menjadi salah satu alternatif yang dapat dilakukan untuk mendiagnosis gangguan tidur mereka. Untuk mengatasi masalah ini, kami mengembangkan sistem yang dapat secara otomatis mengklasifikasikan tahap tidur. Penelitian ini juga mengusulkan metode baru untuk klasifikasi tahap tidur, yang disebut metode FastConvolutional. Metode yang diusulkan dievaluasi terhadapdataset yang dikumpulkan di Rumah Sakit Mitra Keluarga Kemayoran, Indonesia. Berdasarkan penelitian yang telah dilakukan, FastConvolutional memiliki kinerja terbaik dibandingkan dengan semua classifier untuk dataset Autisme. F-measure -nya adalah 51,33 . Metode FastConvolutional bekerja dengan baik pada dataset yang diuji. Metode ini mencapai hasil dengan F-measure yang tinggi dan running time yang efisien. Dengan demikian, metode ini dapat menjadi classifier yang menjanjikan untuk klasifikasi tahap tidur.

---

ABSTRACT
A lack of the melatonin in children with Autism causes them difficult to sleep compared with other children. As a result, the sleep disorder increases the deviant behavior of children with Autism. Polysomnography becomes one of the alternatives that can be done to diagnose their sleep disorders. To overcome this problem, we developed a system that can automatically classify sleep stages. This study also proposes a new method for sleep stage classification, called the FastConvolutional method. The proposed method was evaluated against a sleep datasets that were collected in Mitra Keluarga Kemayoran. Based on research that has been done, the FastConvolutional had the best performance compared to all the classifier for Autism dataset. Its F-measure was 51.33 . The FastConvolutional method worked well on the tested datasets. It achieved a high F-measure result and an efficient running time. Thus, it can be considered a promising tool for sleep stage classification.

Abstrak :
Latar belakang: Kejadian obstructive sleep apnea (OSA) dipengaruhi kebiasaan tidur dan pekerjaan. Profesi perawat berhubungan dengan rotasi kerja yang mempengaruhi waktu tidur. Penelitian ini bertujuan mengetahui prevalens dan faktor-faktor yang berhubungan dengan OSA pada perawat RS Persahabatan Jakarta menggunakan kuesioner penapisan dan polisomnografi (PSG). Metode: Perawat dilakukan penapisan OSA menggunakan kuesioner Berlin dan STOP-Bang dan dilakukan pemeriksaan PSG untuk mengetahui prevalens OSA. Karakterisik demografis, pekerjaan dan kebiasaan dianalisis untuk mengetahui faktor yang berhubungan dengan OSA. Hasil: Penelitian yang melibatkan 168 perawat ini menunjukkan prevalens OSA adalah 32,74% (55/168) berdasarkan kuesioner Berlin dan 16,67% (28/168) berdasarkan kuesioner STOP-Bang. Indeks massa tubuh, lingkar leher (LL) dan status gizi merupakan faktor risiko OSA berdasarkan penapisan Berlin. Indeks massa tubuh, LL, status gizi, jenis kelamin, tingkat pendidikan, jam kerja dan jam tidur merupakan faktor risiko OSA berdasarkan penapisan STOP-Bang. Subjek dengan risiko OSA berdasarkan kuesioner Berlin menunjukkan hasil skor STOP-Bang lebih besar terhadap subjek tanpa risiko OSA dengan skor >2 (p<0,000). Pemeriksaan PSG menunjukkan 10 subjek menderita OSA. Kesimpulan: Prevalensi OSA adalah 32,74% berdasarkan kuesioner Berlin dan 16,67% berdasarkan kuesioner STOP-Bang. Indeks massa tubuh, LL dan status gizi merupakan faktor risiko OSA berdasarkan kedua kuesioner tersebut. Subjek dengan risiko OSA berdasarkan kuesioner Berlin menunjukkan skor STOP-Bang >2. ......Background: Obstructive sleep apnea (OSA) is associated with sleep habits and occupation. Nurses are subject to lengthy night working shift which deprives sleep. This study reveals the prevalence and the related factors of OSA among the nurses of Persahabatan Hospital Jakarta using screening questionnaire and polysomnography (PSG). Methods: Nurses were screened for OSA using Berlin and STOP-Bang questionnaires and were examined using PSG to reveal the prevalence of OSA. Demographic, work and habitual characteristics were analyzed to reveal related factor of OSA. Results: The study, involved 168 nurses, shows prevalence of OSA is 32.74% (55/168) based on Berlin questionnaire and 16.67% (28/168) based on STOP-Bang questionnaire. Body mass index, neck circumference (NC) and nutrition status (NUT) is shown as risk factor of OSA from Berlin questionnaire. Body mass index, NC, NUT, sex, education level, working hour and sleeping hour is shown as risk factor of OSA from STOP-Bang questionnaire. Subjects with risk of OSA, as determined by Berlin questionnaire, exhibits STOP-Bang score >2 compared to subjects without risk of OSA (p<0.000). The PSG shows 10 subjects are OSA. Conclusions: Prevalence of OSA is 32.74% based on Berlin questionnaire and 16.67% based on STOP-Bang questionnaire. Body mass index, NC and NUT serves as OSA risk factors from both of these questionnaires. Subject with risk of OSA, as determined by Berlin questionnaire, tends to exhibit STOP-Bang score >2.