Hasil Pencarian  ::  Simpan CSV :: Kembali

"Astrositoma merupakan salah satu tumor otak primer terbanyak dengan mortalitas yang tinggi. Pemeriksaan MRI dan ADC dapat membantu menentukan derajat astrositoma sebelum dilakukan biopsi histopatologi sehingga edukasi mengenai tatalaksana dan prognosis pasien dapat dilakukan lebih dini. Metode: Penelitian potong lintang ini menggunakan data sekunder MRI kepala pasien dengan histopatologi astrositoma. Penilaian astrositoma dilakukan berdasarkan gambaran MRI menggunakan kriteria Dean dkk dan pengukuran ADC untuk seluruh bagian tumor (Ab) dan bagian tumor padat yang menyangat kontras (Ap) serta beberapa sampel (Ar) pada satu potongan terbesar di ADC map. Analisis data dilakukan untuk mendapatkan nilai diagnostik gambaran MRI dan ADC untuk menentukan derajat astrositoma berdasarkan sensitivitas, spesifisitas, dan kurva receiver operating characteristic (ROC). Hasil: Parameter gambaran astrositoma pada MRI yang bermakna untuk menentukan astrositoma derajat rendah dan tinggi adalah batas, perdarahan, dan heterogenitas. Penggunaan jumlah skoring kriteria Dean dkk pada gambaran astrositoma dengan nilai batas 7 serta penilaian gambaran astrositoma pada MRI untuk menentukan astrositoma derajat rendah dan tinggi memiliki sensitivitas 90,9% dan spesifisitas 87,5%. ADC dengan menggunakan nilai rerata, minimum, dan maksimum pada Ap serta nilai rerata dan minimum pada Ar berbeda bermakna untuk menentukan astrositoma derajat rendah dan tinggi dengan nilai sensitivitas dan spesifisitas masing-masing mencapai 90,9% dan 87,5%. Kesimpulan: MRI dan ADC memiliki sensitivitas dan spesifisitas tinggi untuk menentukan astrositoma derajat rendah dan tinggi.

---

Astrocytoma is the most frequent primary brain tumor with high mortality. MRI and ADC could determine astrocytoma grading before histopathological biopsy performed, hence patient education for treatment and prognosis could be established more early.

Method: A cross-sectional research is performed using brain MRI of patients with astrocytoma as histopathological diagnosis. Astrocytoma evaluation using MRI image with Dean et al criteria and ADC measurement for all part of tumor (Ab), single (Ap) and multiple (Ar) solid part of tumor that enhance with contrast administration in one axial section of the largest part of the tumor. Data analysis is performed to obtain diagnostic value of MRI image and ADC to determine astrocytoma grade based on sensitivity, specificity, and receiver operating characteristic (ROC) curve.

Result: MRI image parameters that is significant to determine low and high grade astrocytoma are border, hemorrhage, and heterogeneity. The sum of astrocytoma image scoring of Dean et al criteria with cut-off value of 7 and the evaluation of astrocytoma image in MRI to determine low and high grade astrocytoma has 90,9% sensitivity and 87,5% specificity. ADC, for Ap and Ar, is significant to determine low and high grade astrocytoma with sensitivity up to 90,9% and specificity up to 87,5%.

Conclusion: MRI and ADC has high sensitivity and specificity to determine low and high grade astrocytoma."

"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."