Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Latar Belakang:  Masalah infertilitas merupakan salah satu masalah yang cukup besar pada masyarakat Indonesia. Salah satu penyebab utama dari masalah infertilitas adalah menurunnya cadangan ovarium pada wanita. Terapat beberapa teknik untuk memprediksi cadangan ovarium pada wanita seperti dengan pengukuran kadar serum FSH, estradiol, inhibin B, dan AMH. Pada perkembangannya, terdapat aplikasi berbasis android dan iphone disebut IKO yang mampu untuk memprediksi jumlah cadangan ovarium dengan menggunakan kadar AMH. Kemampuan untuk memprediksi jumlah cadangan ovarium memungkinkan wanita untuk melakukan perencanaan reproduksi yang lebih baik dan meningkatkan kualitas hidup wanita. Oleh karena itu, penelitian ini ditujukan untuk melihat dampak penggunaan aplikasi IKO terhadap pemilihan teknologi reproduksi. Tujuan: Tujuan penelitian ini adalah untuk mengembangkan aplikasi Indonesian Kalkulator of Oocytes (IKO) sebagai peramal usia biologis. Metode: Desain dari studi ini merupakan potong lintang pada 106 subjek yang memenuhi kriteria inklusi dan eksklusi. Data yang diambil pada penelitian ini adalah usia biologis sesuai dengan aplikasi IKO, mengetahui terhadap usia biologis, mengetahui mengenai marker untuk menilai usia biologis, dan metode reproduksi yang dipilih subjek. Hasil: 145 Sampel dikumpulkan dengan berbagai macam karakteristik, dengan rentang usia kronologis 20-40 tahun dan rentang usia biologis 18-50 tahun. Perbedaan usia kronologis dan usia biologis dengan rentang antara minus 26 sampai 19 tahun. Karakteristik subjek penelitian menunjukan bahwa terdapat kecenderungan pemilihan teknologi reproduksi pada wanita dengan usia yang lebih muda. Pada uji komparasi pemilihan teknologi reproduksi pada hasil usia biologis pada aplikasi IKO menunjukan hasil yang tidak signifikan (P>0,05). Meskipun demikian, subjek penelitian yang memilih menggunakan teknologi reproduksi memiliki usia yang lebih muda dengan selisih median 9 tahun. Lebih lagi didapatkan perbedaan yang sinifikan dari kelompok usia biologis dibawah 35 tahun dan diatas 35 tahun dengan nilai median 6 tahun. Kesimpulan: Tidak terdapat hubungan antara usia biologis yang didapatkan dari aplikasi IKO, mengetahui mengenai usia reproduksi, dan mengetahui mengenai marker untuk menentukan usia biologis dengan pemilihan teknologi reproduksi. Namun median dari subjek dengan usia biologis yang memilih dan tidak memilih teknologi reproduksi cukup tinggi dengan perbedaan 9 tahun, dan juga didapatkan perbedaan bermakna diantara kelompok usia kronologis dibawah dan diatas 35 tahun. ......Background: Infertility problem is one of the main reproductive problem in Indonesia. One of the major cause of infertility is depletion of ovarian reserve in woman. Ovarian reserve in women can be estimated by quantification of serum FSH, estradiol, inhibin B, and AMH. Development have been made to use android and iphone based application called IKO to predict ovarian reserve count with serum AMH level. The knowledge of ovarian reserve count will enable woman to have a better pregnancy planning that will increase quality of life. Objective: The objective of this study is to observe the effect of IKO application on the choice of reproductive technology. Method: This study is a cross-sectional study with 106 subjects which is eligible to inclusion and exclusion criteria. This study will obtain biological age prediction calculated from AMH serum with IKO application, biological age knowledge, marker of biological age knowledge, and reproductive technology choice. Results : In this study, 145 samples were collected with varied characteristics, with chronological age range of 20 to 40 years and biological age range of 18-50 years. Difference in chronological age with biological age range between minus 26 to 19 years. Subject characteristic shows preference of reproductive technology in younger woman. Comparative analysis of reproductive technology choice on biological age from IKO application shows no significant result (P>0,05). Even so, the median of the biological ages of subjects who chose reproductive technology and did not choose reproductive technology was quite high with a difference of 9 years. More over, there are a significant differences between the biological ages in the chronological age group below 35 years and above 35 years, which is 6 years differences in median data. Study shows subject which choose reproductive technology has younger biological age. Another comparative study of reproductive technology choice on knowledge of biological age also shows no significant result. Conclusion: Although there are no relation between biological age from IKO application, knowledge of biological age, and knowledge of biological age marker to the choice of reproductive technology. Even so, the median of the biological ages of subjects who chose reproductive technology and did not choose reproductive technology was quite high with a difference of 9 years and significant differences between chronological age group below 35 years and above 35 years.

Abstrak :
Penuaan adalah proses alami yang secara bertahap menurunkan kondisi fisik dan menyebabkan kemunculan berbagai penyakit, yang pada akhirnya dapat mengurangi rentang hidup makhluk hidup serta berujung pada kematian. Dalam konteks ini, usia biologis berperan sebagai indikator penting yang mampu mengevaluasi proses penuaan dan prediksi penyakit lebih efektif dibandingkan dengan usia kronologis. Hal ini dikarenakan usia biologis juga memperhatikan kondisi fisiologis individu, bukan hanya mengukur lamanya hidup seseorang sejak lahir. Penelitian ini berfokus pada proses penuaan alami yang tidak dipengaruhi oleh penyakit. Dengan demikian, model ini dapat dijadikan alat untuk mengidentifikasi individu yang jalur penuaannya menyimpang dari jalur penuaan yang sehat. Penelitian ini menggunakan metode Support Vector Regression dan Principal Component Analysis untuk memprediksi usia biologis berdasarkan biomarker klinis yang berkontribusi terhadap proses penuaan. Data yang digunakan pada penelitian ini adalah data medis yang berasal dari Kementerian Kesehatan Republik Indonesia. Pada dataset, dilakukan data preprocessing yang meliputi pengubahan tipe data, penghapusan kolom yang tidak digunakan, penyaringan usia partisipan, pembentukan data sintetis, dan pemisahan dataset pria dan wanita. Selanjutnya, dilakukan feature selection, uji multikolinearitas, dan pembentukan model menggunakan metode Support Vector Regression dan Principal Component Analysis. Performa dari model yang dibentuk, dievaluasi menggunakan Root Mean Squared Error dan Coefficient of Determination. Untuk model yang menggunakan metode Support Vector Regression, didapatkan nilai RMSE = 5, 228 dan r2 = 0, 807 pada model pria, serta nilai RMSE = 1, 798 dan r2 = 0, 959 pada model wanita. Sementara itu, model yang menggunakan metode Principal Component Analysis didapatkan nilai RMSE = 6, 835 dan r2 = 0, 751 pada model pria dan nilai RMSE = 5, 35 dan r2 = 0, 874 pada model wanita. Berdasarkan analisis kinerja model yang dilakukan pada penelitian ini, model dengan metode Support Vector Regression lebih unggul dalam memprediksi usia biologis dibandingkan dengan metode Principal Component Analysis. ......Aging is a natural process that gradually deteriorates physical condition and leads to the emergence of various diseases, ultimately reducing the lifespan of living beings and leading to death. In this context, biological age acts as an important indicator capable of evaluating the aging process and predicting diseases more effectively than chronological age. This is because biological age also considers an individual's physiological condition, not just measuring the length of time of person's life since birth. This research focuses on the natural aging process that is not influenced by disease. Thus, this model can be used as a tool to identify individuals whose aging path deviates from a healthy aging trajectory. This study uses Support Vector Regression and Principal Component Analysis methods to predict biological age based on clinical biomarkers that contribute to the aging process. The data used in this study are medical data from the Ministry of Health of the Republic of Indonesia. In the dataset, data preprocessing is performed, which includes changing data types, removing unused columns, filtering participant ages, forming synthetic data, and separating datasets for men and women. Next, feature selection, tests of multicollinearity, and model formation using the Support Vector Regression and Principal Component Analysis methods are conducted. The model formed is evaluated using Root Mean Squared Error and Coefficient of Determination. For the model using the Support Vector Regression method, RMSE=5,228 and r^2=0,807 were obtained for the men model, while an RMSE=1,798 and r^2=0,959 were obtained for the women model. Conversely, for the model using the Principal Component Analysis method, an RMSE=6,835 and r^2=0,751 were obtained for the men model, and an RMSE=5,35 and r^2=0,874 for the women model. Based on the performance analysis conducted in this study, the model using the Support Vector Regression method outperforms the Principal Component Analysis method in predicting biological age.

Abstrak :
Penuaan biologis mencerminkan kondisi kesehatan fisik yang sebenarnya karena menilai fungsi organ dan sistem tubuh yang sebenarnya pada setiap individu, berbeda dengan usia kronologis. Penelitian ini mengeksplorasi prediksi usia biologis menggunakan metode Support Vector Regression (SVR) dan Klemera-and-Doubal Method (KDM), yang berfokus pada pengaruh biomarker dan faktor eksternal pada proses penuaan. Pembangunan model memanfaatkan data pemeriksaan medis dari Kementerian Kesehatan Indonesia pada tahun 2011 dimana keterbaharuan dari penelitian ini adalah melibatkan semua fitur yang berperngaruh terhadap usia biologis, termasuk faktor eksternal, tidak hanya biomarker saja. Kemudian, dilakukan pemanfaatan seluruh dataset tanpa membedakan subjek sehat dan tidak sehat. Pada dataset dilakukan data preprocessing agar dataset siap digunakan dengan melakukan filtering usia di atas 30 tahun, pemisahan dataset pria dan wanita, menghapus fitur yang tidak relevan, mengubah tipe data yang tidak sesuai, mengidentifikasi dan melakukan penanganan missing value serta outliers, dan melakukan encoding untuk data beripe kategorikal. Kemudian, dilakukan feature selection dengan menggunakan Spearman’s rank Coefficient Corelation dan pembangunan model SVR dan KDM. Hasil penelitian menunjukkan bahwa terpilih 5 fitur untuk pria dan 6 fitur untuk wanita yang digunakan untuk membangun model SVR dan KDM. KDM menunjukkan performa evaluasi yang cukup baik dalam interpretasi variasi data dengan skor performa RMSE 1,39; R2 0,97; dan Adjusted R2 0,97 untuk pria dan RMSE 1,00; R2 0,99; dan Adjusted R2 0,99 untuk wanita. Metode ini lebih unggul daripada SVR yang cenderung menunjukkan performa yang kurang memuaskan dimana memiliki skor performa RMSE 6,36; R2 0,44; dan Adjusted R2 0,36 untuk pria dan RMSE 5,90; R2 0,57; dan Adjusted R2 0,53 untuk wanita. Berdasarkan hasil analisis dari berbagai teknik analisis yang dilakukan (analisis evaluasi performa, analisis hubungan usia kronologis dengan usia biologis, dan analisis evaluasi dengan melihat pola hasil estimasi) terlihat bahwa metode KDM lebih unggul dalam memprediksi usia biologis dibandingkan dengan SVR, terutama dalam hal konsistensi dan akurasi. Selain itu, analisis hubungan setiap fitur dengan usia biologis untuk tiap model menggambarkan pengaruh fitur-fitur tersebut terhadap fungsi organ tubuh seseorang. ......The biological aging reflects the actual physical health condition as it assesses the real function of organs and body systems in each individual, different from chronological age. This research explores the prediction of biological age using the Support Vector Regression (SVR) method and the Klemera-and-Doubal Method (KDM), focusing on the influence of biomarkers and external factors on the aging process. The model development utilized medical examination data from the Indonesian Ministry of Health in 2011, where the novelty of this research is involving all features that affect biological age, including external factors, not just biomarkers. Then, the entire dataset was utilized without distinguishing between healthy and unhealthy subjects. In the dataset, data preprocessing was performed to make the dataset ready to use by filtering ages above 30 years, separating datasets for men and women, removing irrelevant features, changing inappropriate data types, identifying and handling missing values and outliers, and encoding for categorical data. Subsequently, feature selection was conducted using Spearman's Rank Coefficient Correlation, and then the SVR and KDM models were built. The research results showed that 5 features for men and 6 features for women were selected to build the SVR and KDM models. KDM showed fairly good evaluation performance in interpreting data variations with performance scores of RMSE 1.39, R^2 0.97, and Adjusted R^2 0.97 for men and RMSE 1.00, R^2 0.99, and Adjusted R^2 0.99 for women. This method outperformed SVR, which tended to show less satisfactory performance with performance scores of RMSE 6.36, R^2 0.44, and Adjusted R^2 0.36 for men and RMSE 5.90, R^2 0.57, and Adjusted R^2 0.53 for women. Based on the analysis results from various techniques performed (performance evaluation analysis, analysis of the relationship between chronological age and biological age, and evaluation analysis by looking at the pattern of estimation results), it appears that the KDM method is superior in predicting biological age compared to SVR, especially in terms of consistency and accuracy. In addition, the analysis of the relationship of each feature with biological age for each model illustrates the influence of these features on the organ function of an individual.