Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKLatar Belakang: Pemeriksaan kolonoskopi memerlukan persiapan dan usaha yang kompleks dengan melibatkan modifikasi diet dan pemilihan laksatif untuk meningkatkan kualitas bersihan kolon. Penggunaan berbagai regimen dan cara pemberian pencahar masih menjadi bahan diskusi para ahli hingga sekarang. Polyethylene glycol merupakan salah satu regimen pencahar yang dapat diberikan dalam dosis terbagi maupun dosis tunggal dalam satu waktu.Tujuan: Mengetahui perbedaan bersihan kolon pada polyethylene glycol dosis tunggal dengan dosis terbagi pada persiapan kolonoskopiMetode: Uji klinis acak tersamar tunggal dilakukan di Divisi Gastroenterologi, Departemen Ilmu Penyakit Dalam Rumah Sakit dr. Cipto Mangunkusumo pada periode Juni hingga Agustus 2018. Pasien yang dilakukan tindakan kolonoskopi dijadikan sampel dengan pemilihan secara konsekutif. Pasien dengan obstruksi kolon, penyakit jantung, gangguan fungsi ginjal, gangguan fungsi hati berat, riwayat reseksi usus besar, alergi terhadap polyehtylene glycol, dan pasien yang tidak bersedia mengikuti penelitian tidak diikutsertakan dalam penelitian. Penilaian bersihan kolon dilakukan oleh beberapa staf gastroenterologi yang telah ditunjuk menggunakan Boston Bowel Preparation Score (BBPS) tanpa mengetahui cara pemberian preparat saat persiapan kolonoskopi pasien.Hasil: Sebanyak 76 subyek penelitian, 38 pada kelompok pemberian dosis tunggal dan 38 pada kelompok pemberian dosis terbagi, diikutsertakan dalam uji klinis. Tidak terdapat perbedaan bermakna antara metode pemberian polyethylene glycol terhadap tingkat bersihan kolon pada pasien kolonoskopi.Simpulan: Bersihan kolon pada regimen pemberian polyethylene glycol dosis terbagi dan dosis tunggal pada persiapan kolonoskopi memiliki nilai efikasi yang sama.

---

ABSTRACTIntroduction: Colonoscopic examination is a unique examination requiring various plans and efforts including diet modifications and laxative choices in order to maximize colon adequacy. A plethora of regiments and methods have been served as a discussion topic for experts. Polyethylene glycol is one of the laxative regiments used in multiple administration method, either split dose or single doseAim: Comparing bowel cleanliness between polyehtylene glycol given in single dose and split dose on patients undergoing colonoscopic preparation.Methods: Single blinded study was done in Gastroenterology Division, Internal Medicine Department of Doctor Cipto Mangunkusumo National General Hospital during June to August 2018. Patients undergoing colonoscopic preparations weree chosen as research samples using consecutive method. Patients with colon obstruction, heart disease, kidney function decline, severe liver damage, history of colon resection, allergic to polyehtylene glycol, or disagree to join the study was excluded. Bowel cleanliness was assessed by multiple gastroenterologist staff using Boston Bowel Preparation Score (BBPS) without knowing patients laxative regimentResults: There were 76 study samples, 38 of each study groups, included in this study. There were no significant difference of efficacy between polyehtylene glycol administration method with bowel cleanliness in colonoscopic examination patients.Conclusion: Bowel cleanliness on polyehtylene glycol given in split dose and single dose were of similar efficacy"

"Telemedicine adalah praktek kesehatan melalui aplikasi dengan memakai komunikasi audio, visual dan data, termasuk perawatan, diagnosis, konsultasi dan pengobatan serta pertukaran data medis jarak jauh. Berdasarkan hasil analisis sentimen pada aplikasi telemedicine, sering ditemukan adanya ketidakseimbangan data/imbalance data. Oleh karena itu perlu dilakukan pengembangan dengan memasukan teknik Imbalance Data dalam melakukan analisis sentimen agar mendapatkan hasil akurasi lebih baik dari penelitian sebelumnya. Tujuan penelitian ini adalah untuk mengidentifikasi penggunaan SVM-SMOTE dan EasyEnsemble dalam meningkatkan kinerja klasifikasi XGBoost pada imbalance data sentimen pada Telemedicine. Identifikasi dilakukan dengan memasukkan metode SVM-SMOTE dan EasyEnsemble Dalam Meningkatkan Kinerja Klasifikasi XGBoost menggunakan data yang diperoleh dari aplikasi Halodoc. Hasil penelitian menunjukkan bahwa penggunaan SVM SMOTE dan EasyEnsamble untuk dataset yang tidak seimbang dengan pembagian skema data 75% data training dan 25% data testing dapat meningkatkan kinerja klasifikasi XGBoost.  Hasil uji menggunakan data yang telah dilakukan balancing dengan SVM-SMOTE, EasyEnsamble dan kombinasi keduanya didapat model terbaik yang layak digunakan dalam melakukan peningkatan pada kinerja klasifikasi imbalance data sentimen pada aplikasi kesehatan. Setelah dilakukan balancing pada dataset, diperoleh nilai tertinggi AUC 0.9254 dan GMeans 0.9249, sedangkan hasil yang diperoleh dengan data set yang tidak seimbang, diperoleh nilai AUC 0.8577 dan GMeans 0.8480. Maka dapat disimpulkan bawah penggunaan SVM-SMOTE, EasyEnsemble atau kombinasi keduanya dapat meningkatkan kinerja klasifikasi pada XGBoost.

---

Telemedicine is the practice of healthcare through applications using audio, visual, and data communication, including remote care, diagnosis, consultation, treatment, and the exchange of medical data. Sentiment analysis on telemedicine applications often experiences data imbalance issues. Therefore, it is necessary to implement Imbalance Data techniques into sentiment analysis to achieve better accuracy than previous studies. This research aims to identify the use of SVM-SMOTE and EasyEnsemble to enhance the performance of XGBoost classification on imbalanced sentiment data in telemedicine. The identification is carried out by applying SVM-SMOTE and EasyEnsemble methods to improve XGBoost classification performance using data obtained from the Halodoc application. The research results show that using SVM-SMOTE and EasyEnsemble for imbalanced datasets, with a data split of 75% for training and 25% for testing, can enhance XGBoost classification performance. Tests conducted with balanced data using SVM-SMOTE, EasyEnsemble, and the combination resulted in the best model suitable for improving classification performance on imbalanced sentiment data in health applications. After balancing the dataset, the highest AUC value achieved was 0.9254 and GMeans was 0.9249, whereas, with the imbalanced dataset, the AUC was 0.8577 and GMeans was 0.8480. Thus, it can be concluded that the use of SVM-SMOTE, EasyEnsemble, or the combination can improve classification performance in XGBoost."