Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pasien kanker kolorektal (KKR) dengan stadium yang sama dapat mengalami hasil luaran berbeda, yang disebabkan berbagai faktor antara lain faktor imunitas pasien (sel T-CD3 dan CD8) dan lingkungan mikrotumor (tumor budding). Tujuan dari penelitian ini adalah menganalisis hubungan densitas sel T-CD3 dan CD8, status MMR, TB dengan gambaran klinikopatologi (usia, jenis kelamin, diferensiasi, lokasi, kedalaman invasi tumor, penyebaran kelenjar getah bening), metastasis dan kesintasan KKR. Penelitian observasional, kohort, retrospektif selama 36 bulan, menggunakan 68 blok parafin kasus KKR yang menjalani pengangkatan tumor sebagai pengobatan pertama. Pemeriksaan imunohistokimia digunakan untuk menentukan densitas sel T-CD3, CD8, MLH1, MSH6 dan TB. Pasien laki-laki lebih banyak dari perempuan, rerata usia 56,2 tahun. TB dengan kedalaman invasi tumor (pT), penyebaran kelenjar getah bening dan metastasis ditemukan hubungan bermakna. Selain itu ditemukan hubungan bermakna usia dengan status MMR, metastasis dengan TB, kesintasan dengan pT dan kesintasan dengan metastasis. Densitas sel T-CD8 dan metastasis dapat digunakan sebagai faktor prognostik kesintasan pasien KKR. Densitas sel T-CD8 tinggi dan metastasis organ dapat dipakai sebagai faktor prognosis kesintasan pada pasien KKR. TB tinggi sesuai dengan kedalaman invasi tumor, penyebaran kelenjar getah bening dan metastasis organ. Status MMR tidak berhubungan dengan gambaran klinikopatologi tapi dapat digunakan untuk menentukan jenis pengobatan.

---

Colorectal cancer (CRC) patients with the same stage produce different outcomes, which are caused by various factors including patient immunity factors (CD3 and CD8-T cells) and the microenvironment tumor (tumor budding). The purpose of this study was to analyze the relationship between CD3 and T-CD8 cell density, MMR status, TB with clinicopathological features, metastasis and CRC survival. This study is observational, cohort, 36 months retrospective on 68 Formalin-Fixed Paraffin-Embedded (FFPE) of CRC, who underwent tumor removal as the first treatment. Immunohistochemical examination was used to determine T-CD3 cells, CD8, MLH1, MSH6 and TB. There were more male patients than female patients, the average age was 56.2 years.TB with the depth of tumor invasion (pT), lymph node and metastasis were significantly related. There was a significant relationship between age and MMR status, metastasis with TB, survival with pT and survival with metastasis. T-CD8 cell density and metastasis used as prognostic factors for survival of CRC patients. High CD8 T-cell density and metastasis used as prognostic factors for survival in CRC patients. High TB in accordance with the depth of tumor invasion, lymph node and metastasis. MMR status is not related to clinicopathological features but used to determine the appropriate treatment."

"Stroke merupakan penyebab utama kematian dan kecacatan di Indonesia. Mengingat sempitnya jendela waktu pengobatan stroke iskemik hiperakut dan potensi komplikasi yang terkait dengan intervensi trombolisis, prognostikasi yang akurat esensial dalam memastikan terapi yang cepat dan tepat. Penelitian ini memanfaatkan pembelajaran mesin, khususnya Random Forest (RF), bertujuan untuk mengembangkan model yang mampu memprediksi hasil klinis (Δ NIHSS) pasien stroke iskemik hiperakut setelah trombolisis, berdasarkan CT scan otak, data klinis, dan nilai laboratorium. Klasifikasi Δ NIHSS menggunakan tiga skenario berbeda —CT, CT + Data klinis, dan CT + Data klinis + Data lab— dan dikategorikan menjadi 2 dan 3 kelas yang akan digunakan dalam pemantauan model prediksi mana yang memberikan performa paling optimal. Pengumpulan data studi kohort ini diperoleh saat kedatangan awal pasien, terdiri dari data klinis, laboratorium, dan data CT otak non-kontras dari rekam medis dan Picture Archiving Communication System (PACS) Rumah Sakit Cipto Mangunkusumo Jakarta dengan periode 10 tahun sejak November 2014 hingga Februari 2023 dan total 145 pasien. Arsitektur dari Bacchi et al.1 yakni convolutional neural network (CNN) dan model pembelajaran mesin konvensional lainnya juga dianalisis sebagai pendekatan alternatif. Hasil penelitian menunjukkan bahwa algoritma RF (2 kelas) menggunakan data validasi dan skenario CT + Data klinis + Data lab menampilkan akurasi tertinggi (75%) dan unggul dalam sensitivitas dan spesifisitas (0,61 dan 0,59). Performa metrik juga menunjukkan tren peningkatan dari setiap skenario. Model ini diharapkan dapat meningkatkan efisiensi penatalaksanaan stroke iskemik hiperakut dengan memberikan informasi tambahan kepada klinisi dalam pengambilan keputusan terkait intervensi trombolisis.

---

Stroke is the leading cause of both mortality and disability in Indonesia. Given the narrow time frame for treating acute ischemic stroke and the potential complications associated with thrombolysis intervention, accurate prognostication is essential to ensure a prompt and appropriate treatment. The National Institutes of Health Stroke Scale (NIHSS) can be utilized to identify individuals who may benefit from reperfusion therapy. The data for this cohort study acquired during the initial presentation, comprising clinical, laboratory, and non-contrast brain CT data from the medical records and Picture Archiving Communication System (PACS) of Cipto Mangunkusumo Hospital Jakarta. The study included 145 patients who experienced acute ischemic stroke and received thrombolysis treatment from November 2014 to February 2023. Currently, there is no clinical outcome prediction model for hyperacute ischemic stroke using data from Indonesia. By utilizing machine learning, specifically Random Forest, the author aims to develop a model capable of predicting the clinical outcome (Δ NIHSS) of hyperacute ischemic stroke patients following thrombolysis, based on brain CT scans, clinical data, and laboratory values. The classification of Δ NIHSS used three distinctive scenarios —CT, CT + Clinic, and CT + Clinic + Lab— and is categorized by 2 and 3 classes will be used in monitoring which prediction model gives optimal performance. Architecture derived from the research conducted by Bacchi et al.1 employed a convolutional neural network (CNN) and other conventional machine learning models were also analyzed as alternative approach. Result revealed that RF algorithm (2 classes) using data validation and CT + Clinic + Lab scenario displays the highest accuracy (75%) and excels in sensitivity and specificity (0,61 and 0,59). The performance metrics show continuous improvement, indicating that this model can enhance hyperacute ischemic stroke management by providing clinicians with additional decision-making support for thrombolysis intervention."

"ABSTRAK Latar belakang: Anak dengan penyakit jantung rematik memiliki risiko untukterjadinya morbiditas dan mortalitas yang tinggi. Hal tersebut merupakan masalahbesar dan menimbulkan beban ekonomi pada negara berkembang. Berbagai faktorprediktor telah diketahui memengaruhi prognosis anak dengan penyakit jantungrematik, namun belum ada penelitian yang spesifik menilai faktor-faktor prediktortersebut pada anak di Indonesia. Tujuan: (1)Mengetahui angka morbiditas berat pada anak dengan penyakitjantung rematik. (2)Mengetahui prediktor terjadinya morbiditas berat pada anakdengan penyakit jantung rematik. Metode: Penelitian kohort retrospektif dilakukan pada 100 anak dengan penyakitjantung rematik usia 4-15 tahun yang terdiagnosis pertama kali pada Juli 2010Juni2015. Manifestasi klinis berupa kelas gagal jantung, jumlah katup jantungyang terkena, kepatuhan menjalani profilaksis sekunder, jenis serangan demamrematik dan pemanjangan interval PR dievaluasi untuk menilai hubungan denganterjadinya morbiditas berat dan luaran fatal. Faktor prediktor dianalisis secaramultivariat dengan uji Cox regression.Hasil: Angka morbiditas berat pada anak dengan penyakit jantung rematiksebesar 54/100 (54%). Pada analisis multivariat didapatkan faktor prediktorterjadinya morbiditas berat berupa kelas gagal jantung NYHA II (p=0,009; HR15,3; IK95% 2-119,3), kelas gagal jantung NYHA III-IV (p=0,004; HR 21,2;IK95% 2,7-167), keterlibatan 3 katup jantung (p=0,005; HR 7; IK95% 1,8-27,6)dan keterlibatan 4 katup jantung (p=0,008; HR 5,7; IK95% 1,6-20,9).Simpulan: Angka morbiditas berat pada anak dengan penyakit jantung rematiksebesar 54%. Faktor prediktor terjadinya morbiditas berat pada anak denganpenyakit jantung rematik adalah kelas gagal jantung ≥ NYHA II dan jumlah kelainan katup jantung ≥ 3. ;ABSTRACT Background: Children with rheumatic heart disease are at risk of severe

morbidity and mortality. These problems become a major concern and economic

burden in developing countries. Multiple predictors may affect the prognosis of

children with rheumatic heart disease, however there is no specific study

regarding these predictors in Indonesian children.

Aim: (1)To determine the incidence of severe morbidity in children with

rheumatic heart disease (2)To determine the predictor of severe morbidity in

children with rheumatic heart disease.

Methods: A retrospective cohort study was performed in 100 children who have

been diagnosed with rheumatic heart disease from July 2010 to June 2015.

Clinical symptoms in regards to the severity of NYHA, number(s) of cardiac

valve(s) involvement, compliance of prophylactic treatment, type of rheumatic

attack and prolonged P-R interval were evaluated in relation to severity of

rheumatic heart disease and fatal outcome. Predictors were analyzed using Cox

regression model.

Result: Severe morbidity rate was 54/100 (54%). In multivariate analysis,

predictors of severe morbidity were heart failure NYHA class II (p=0,009; HR

15,3; 95%CI 2-119,3), heart failure NYHA class III-IV (p=0,004; HR 21,2;

95%CI 2,7-167), involvement of 3 heart valve (p=0,005; HR 7; 95%CI 1,8-27,6)

and involvement of 4 heart valve (p=0,008; HR 5,7; 95%CI 1,6-20,9).

Conclusion: The severe morbidity rate in children with rheumatic heart disease

was 54%. Predictors of severe morbidity related to rheumatic heart disease were

functional class of heart failure ≥ NYHA II and number of valve involvement ≥ 3."