Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu tata laksana yang dapat dilakukan dalam mengatasi penyakit kanker otak adalah dengan tindakan pembedahan. Tindakan pembedahan otak berupa kraniotomi yaitu dengan membuka bagian dari tulang tengkorak untuk mengangkat tumor atau untuk mengakses bagian otak.tindakan kraniotomi tersebut memiliki risiko efek samping yang mungkin terjadi. risiko efek samping selain penurunan motoric dan sesorik juga terdapat perubahan kognitif dan perilaku sementara. Pasien memerlukan bantuan dalam mengatasi masalah kognitif tersebut. Penerapan teori modelling and role modelling (MRM) dari helen c. erickson, evelyn tomlin, & mary ann p. swain dapat membantu mengatasi masalah kebutuhan pasien yang belum terpenuhi tersebut, karena perawat perlu memberikan asuhan secara menyeluruh yang didalmnya terdapat cakupan yang mengkaji dan intervensi untuk pasien dengan masalah kognitif. Residen mengaplikasikan evidence based practice pada pasien paska kraniotomi yang mengalami gangguan kognitif. EBN yang digunakan untuk mengatasi masalah kognitif tersebut adalah dengan brain gym. Intervensi brain gym dalam pengelolaan lima kasus kelolaan berpengaruh signifikan dalam meningkatkan kognitif pasien. Perawat onkologi yang merawat pasien dengan masalah gangguan kognitif paska kraniotomi dapat menggunakan teori pendekatan modeling and role modeling (MRM) helen c. erickson, evelyn tomlin, & mary ann p. swain.

---

One of the treatments that can be done to treat brain cancer is surgery. Brain surgery is in the form of a craniotomy, namely by opening part of the skull bone to remove the tumor or to access parts of the brain. This craniotomy action carries a risk of possible side effects. The risk of side effects, apart from motor and bodily impairment, is also temporary cognitive and behavioral changes. Patients need help in overcoming these cognitive problems. Application of modeling and role modeling (MRM) theory from Helen C. erickson, evelyn tomlin, & mary ann p. swain can help overcome the problem of unmet patient needs, because nurses need to provide comprehensive care which includes assessment and intervention for patients with cognitive problems. Residents apply evidence based practice to post-craniotomy patients who experience cognitive impairment. The EBN used to overcome these cognitive problems is the brain gym. The brain gym intervention in the management of five managed cases had a significant effect in improving the patient's cognitive abilities. Oncology nurses who care for patients with post-craniotomy cognitive impairment problems can use Helen C's modeling and role modeling (MRM) approach theory. erickson, evelyn tomlin, & mary ann p. Swains"

"ABSTRAKKanker merupakan salah satu penyebab kematian terbesar di seluruh dunia. Secara khusus, kanker otak adalah kanker yang terjadi pada sistem saraf pusat. Salah satu hal yang dapat dilakukan untuk penelitian kanker otak menggunakan machine learning adalah melakukan pendeteksian jenis kanker otak dengan memanfaatkan microarray data. Permasalahan tersebut merupakan masalah klasifikasi multikelas. Dengan menggunakan pendekatan one versus one, akan terbentuk sebanyak k k-1 /2 masalah dua kelas, di mana k menunjukkan jumlah kelas. Karena data kanker otak memiliki fitur yang sangat banyak, perlu dilakukan seleksi fitur. Pada penelitian ini, akan diimplementasikan metode Multiple Multiclass Support Vector Machine Recursive Feature Elimination MMSVM-RFE sebagai metode seleksi fitur, dan Twin Support Vector Machine TWSVM sebagai metode klasifikasi. Pada metode MMSVM-RFE dilakukan pelatihan SVM-RFE pada setiap masalah dua kelas, sehingga setiap masalah dua kelas memiliki pengurutan fitur masing-masing. Sebagai metode klasifikasi, TWSVM memiliki tujuan untuk mencari hyperplane masing ndash; masing kelas sedemikian sehingga data kelas satu sedekat mungkin terhadap suatu hyperplane namun sejauh mungkin dengan hyperplane lainnya. Rata-rata akurasi tertinggi pada simulasi menggunakan kernel linear pada MMSVM-RFE dan kernel linear pada TWSVM adalah 95,33 dengan menggunakan 200 fitur. Rata-rata akurasi tertinggi pada simulasi menggunakan kernel linear pada MMSVM-RFE dan kernel RBF pada TWSVM adalah 87 dengan 70 fitur. Sedangkan apabila proses validasi juga dilakukan pada seleksi fitur, rata-rata akurasi tertinggi yang diperoleh adalah 90,67 dengan menggunakan 90 fitur.

---

ABSTRACTCancer is one of main causes of death worldwide. Brain cancer is a type of cancer which occurs at central nervous system. Taking advantage from microarray data, machine learning methods can be applied to help brain cancer prediction according to its types. This problem can be referred as a multiclass classification problem. Using one versus one approach, the multiclass problem with k classes can be transformed into k k 1 2 binary class problems. The huge amount of features makes it necessary to use feature selection. In this research, Multiple Multiclass Support Vector Machine Recursive Feature Elimination MMSVM RFE method is implemented as the feature selection method, and Twin Support Vector Machine TWSVM method is implemented as the classification method. The main concept of MMSVM RFE is to train SVM RFE at each binary problem so that each binary problem will have their own arrangements of feature. As a classification method, TWSVM is trained to find two hyperplanes, each representative of its own class. The data of one class must be as near as possible from its representative hyperplane while also must be as far as possible from the other hyperplane. In the simulation which uses linear kernel on MMSVM RFE and linear kernel on TWSVM, the highest average accuracy is 95,33 , using 200 features. In the simulation which uses linear kernel on MMSVM RFE and RBF kernel on TWSVM, the highest average accuracy is 87 , using 70 features. In the case where the feature selection process is included in doing validation, the highest average accuracy is 90,67 , using 90 features."

"Optimasi dosis radiasi pada perencanaan klinis menggunakan Treatment Planning System (TPS) untuk pasien radioterapi sangat penting untuk mencapai keseimbangan antara efektivitas terapi dan keselamatan pasien. Namun, proses ini memakan waktu dan sangat bergantung pada keahlian fisikawan medis. Pada penelitian ini dilakukan prediksi dosis menggunakan machine learning pada Planning Target Volume (PTV) dan Organ at Risk (OAR) untuk kasus kanker otak dengan teknik perencanaan Volumetric Modulated Arc Therapy (VMAT). Data DICOM perencanaan di ekstraksi menggunakan 3D slicer untuk mendapatkan nilai radiomic dan dosiomic yang akan digunakan pada penelitian ini dengan menggunakan model algoritma random forest. Hasil evaluasi model menunjukkan bahwa peforma model random forest dalam memprediksi dosis memiliki nilai Mean Square Error (MSE) sebesar 0,018. Nilai Homogeneity Index (HI) dan Conformity Index (CI) untuk data klinis adalah 0,136±0,134 dan 0,939±0,131 secara berturut-turut, sementara hasil prediksinya adalah 0,136±0,039 dan 0,949±0,006, dengan nilai p-value untuk fitur PTV dan OAR > 0,05. Dengan demikian, dapat disimpulkan bahwa model random forest efektif dalam memprediksi dosis untuk PTV kanker otak dan OAR, dan dapat digunakan sebagai referensi dalam proses perencanaan.

---

Optimizing radiation doses in clinical planning using a Treatment Planning System (TPS) for radiotherapy patients is crucial to achieving a balance between therapeutic effectiveness and patient safety. However, this process is timeconsuming and highly dependent on the expertise of medical physicists. In this study, dose prediction using machine learning for the Planning Target Volume (PTV) and Organ at Risk (OAR) in brain cancer cases was performed using the Volumetric Modulated Arc Therapy (VMAT) planning technique. DICOM planning data was extracted using 3D Slicer to obtain radiomic and dosiomic values, which were then used in this study with a random forest algorithm model. Model evaluation results showed that the random forest model's performance in predicting doses had a Mean Square Error (MSE) of 0.018. The Homogeneity Index (HI) and Conformity Index (CI) values for clinical data were 0.136±0.134 and 0.939±0.131, respectively, while the predicted results were 0.136±0.039 and 0.949±0.006, with p-values for PTV and OAR features > 0.05. Therefore, it can be concluded that the random forest model is effective in predicting doses for brain cancer PTV and OAR and can be used as a reference in the planning process."

"Kualitas perencanaan terapi radiasi sangat bervariasi untuk setiap Fisikawan Medik, bergantung pada pengalaman yang dimilikinya. Proses optimasi dan iterasi yang melibatkan trial-and-error diperlukan untuk mencapai tujuan perencanaan terapi yaitu pemberian dosis optimal ke planning target volume (PTV) dan pemberian dosis serendah mungkin ke organ at risk (OAR), sehingga cukup memakan waktu dan tidak efektif. Penggunaan kecerdasan buatan (AI) dapat mengurangi subjektifitas kualitas perencanaan terapi dan meningkatkan efisiensi waktu yang dibutuhkan. Pada penelitian ini, digunakan model Backpropagation Neural Network dengan 5-fold cross validation untuk melakukan prediksi dosis pada kasus kanker otak dengan menggunakan teknik terapi VMAT. Data perencanaan terapi yang digunakan berupa DICOM CT yang berisi citra CT pasien, DICOM RTStructure yang berisi struktur organ yang telah didelineasi, dan DICOM RTDose yang memiliki informasi terkait sebaran dosis yang diterima oleh organ. Evaluasi dilakukan dengan menggunakan parameter statistik Mean Squared Error (MSE) dan uji-T berpasangan untuk mendapatkan nilai p sehingga dapat diketahui signifikansi perbedaan dosis klinis dan prediksi untuk parameter kualitas perencanaan terapi, yaitu Homogeneity Index (HI) dan Conformity Index (CI). Data hasil yang diperoleh menunjukkan tidak ada perbedaan nilai dosis yang signifikan, dimana nilai p untuk fitur radiomic prediksi yang diperoleh besar dari 0.005. rerata nilai HI dan CI prediksi secara berurutan adalah 0.084±0.036 dan 0.938±0.107. Dapat disimpulkan bahwa model Backpropagation Neural Network memiliki kemampuan untuk melakukan prediksi dosis terapi VMAT untuk kanker otak yang cukup baik jika dibandingkan dengan perencanaan klinis.

---

The quality of radiation treatment planning varies significantly among medical physicist, depending on their experience. The optimization and iteration process, which involves trial and error, is required to achieve the treatment planning obejctives of delivering optimal dose to the planning target volume (PTV) and the lowest dose possible to the organ at risk (OAR). This process is time-consuming and inefficient. The use of artificial intelligence (AI) can reduce the subjectivity in therapy planning quality and increase the efficinency of the process. In this study, a Backpropagation Neural Network (BPNN) model with 5-fold cross validation was used to predict doses in brain cancer using VMAT therapy technique. The therapy planning data included DICOM CT, which contains patient CT images, DICOM RTStructure, which contains delineated organ structures, and DICOM RTDose, which contains information about the dose distribution received by the organs. Evaluation was performed usign the statistical parameter Mean Squared Error (MSE) and paired t-test to obtain the p-value, thus determining the significance of the differences between clinical and predicted doses for treatment planning qualiry parameteres, namely Homogeneity Index (HI) and Conformity Index (CI). The results showed no significant difference in dose values, with the p-value for the predicted radiomic features being greater thatn 0.005. the mean predicted HI and CI values were 0.084±0.036 and 0.938±0.107, respectively. It can be concluded that the BPNN model has the capability to predict VMAT therapy doses for brain cancer with good accuracy compared to clinical planning. "

"Kanker otak adalah pertumbuhan sel-sel abnormal di organ otak yang bersifat ganas. Salah satu cara untuk mengurangi perkembangan penyakit ini adalah melakukan pendeteksian dini menggunakan machine learning. Metode machine learning yang digunakan adalah AdaBoost Support Vector Machines untuk klasifikasi. AdaBoost Support Vector Machines adalah metode ensemble antara AdaBoost dengan base classifier Support Vector Machines. Data kanker otak direpresentasikan dalam bentuk matriks berupa ekspresi gen yang disebut DNA microarray. Data DNA microarray yang berdimensi tinggi akan direduksi dengan pemilihan fitur Signal-to-noise Ratio. Pemilihan fitur bekerja untuk menemukan fitur-fitur yang informatif dan membuang fitur-fitur yang tidak sesuai. Pertama, data diklasifikasi menggunakan AdaBoost Support Vector Machines tanpa pemilihan fitur, dilanjutkan klasifikasi menggunakan AdaBoost Support Vector Machines dengan pemilihan fitur. Pendekatan one vs one digunakan untuk menyelesaikan masalah multi kelas. Setelah melakukan pengujian, hasil akurasi terbaik adalah 91,111 pada data training 90 dengan menggunakan pemilihan fitur sebanyak 60 fitur. Hasil tersebut lebih baik dibandingkan klasifikasi tanpa pemilihan fitur yaitu 86,667 pada data training 90.

---

Brain cancer is the growth of abnormal cells in the brain organ malignantly. One way to reduce the progression of this disease is to do early detection using machine learning. Machine learning method used is AdaBoost Support Vector Machines for classification. AdaBoost Support Vector Machines is an ensemble method between AdaBoost and base classifier Support Vector Machines. Brain cancer data is represented in the form of matrix of gene expression called DNA microarray. The high dimensional DNA microarray data will be reduced by Signal to noise Ratio feature selection.

Feature selection works to find informative features and discard irrelevant features. Firts, the data is classified using AdaBoost Support Vector Machines without feature selection, further classified using AdaBoost Support Vector Machines with feature selection. The one vs one approach is used to solve multi class problems. After testing, the best accuracy result is 91,111 in 90 training data by using feature selection of 60 features. The result is better than the classification without feature selection that is 86,667 in 90 data training."

"Penelitian ini bertujuan untuk memprediksi dosis radiasi pada kanker otak menggunakan model Support Vector Regression (SVR) dan membandingkan hasilnya dengan dosis radiasi klinis, kemudian menghitung perbedaan dari kedua nilai tersebut. Data yang digunakan merupakan 178 data perencanaan radioterapi yang meliputi file DICOM yang berisi citra CT simulator dan citra kontur CT simulator. Data diekstraksi menggunakan 3D Slicer yang memberikan informasi mengenai data radiomik dan dosiomik pada setiap OAR (mata, saraf optik, lensa mata, dan batang otak) dan PTV. Data dosiomik dinormalisasi terhadap volume PTV dan dosis preskripsi dari masing-masing pasien. Data radiomik dan dosiomik yang telah dinormalisasi akan menjadi input data untuk model SVR. Pada model SVR digunakan kernel radial basis function (RBF) dengan 2 parameter yaitu epsilon dan C. Dalam penelitian ini didapatkan nilai parameter yang optimal dengan menggunakan gridsearch yaitu epsilon = 0,01 dan C = 1, dengan k-fold validasi bernilai 5. Hasil yang didapatkan pada PTV D98% dan HI menunjukkan nilai p value < 0,05 yang artinya terdapat perbedaan yang signifikan antara nilai klinis dengan nilai prediksi SVR. Sedangkan pada nilai CI, OAR, PTV D2%, dan PTV D50% didapatkan nilai p value > 0,05 yang artinya tidak terdapat perbedaan nilai yang signifikan.

---

This study aims to predict the radiation dose for brain cancer using the SVR model and compare it with the clinical radiation dose, then calculate the difference between the two values. The data used consists of 178 radiotherapy planning datasets, including DICOM files containing CT simulator images and CT simulator contour images. The data is extracted using 3D Slicer, which provides information on radiomic and dosiomic data for each OAR (eyes, optic nerves, lenses, and brainstem) and PTV. The dosiomic data is normalized against the PTV volume and each patient's prescription dose. The normalized radiomic and dosiomic data will serve as input data for the SVR model. The SVR model uses a radial basis function (RBF) kernel with two parameters, epsilon and C. The study found the optimal parameter values using gridsearch, which are epsilon = 0.01 and C = 1, with a k-fold validation value of 5. The results for PTV D98% and HI showed a p value < 0.05, indicating a significant difference between the clinical values and the SVR model predictions. For CI, OAR, PTV D2%, and PTV D50%, the p value was > 0.05, indicating no significant difference between the values."

"ABSTRACTNilai indeks gamma yang dihasilkan antara satu perencanaan dengan perencanaan lainnya berbeda. Perbedaan ini mungkin dipengaruhi oleh banyak hal seperti detektor yang digunakan, kasus kanker yang berbeda, dll. Akan tetapi, terdapat passing criteria yang direkomendasikan oleh AAPM TG 119, sehingga seharusnya nilai indeks gamma tidak akan bernilai jauh dari passing criteria yang telah direkomendasikan. Oleh karena itu, pada penelitian ini akan dilakukan evaluasi konsistensi verifikasi yang dilakukan di RS MRCCC Siloam Hospital Semanggi dengan cara melihat perbedaan nilai rata-rata indeks gamma setiap tahunnya selama 8 tahun sejak tahun 2011-2018. Uji statistika juga dilakukan untuk menganalisis perbedaan dan pengaruh antara detektor yang berbeda, kasus kanker yang berbeda, serta teknik penyinaran yang berbeda terhadap nilai indeks gamma yang dihasilkan. Peralatan yang digunakan dalam penelitian ini adalah Pesawat LINAC Varian Clinac iX dengan TPS Eclipse versi 8.6-13, detektor 2D array bilik ionisasi MatriXXEvolution , EPID serta software Portal Dosimetry, Omni Pro I rsquo;mRT dan SPSS. Secara umum, metode penelitian dibagi menjadi beberapa tahap yaitu : pencatatan data pasien, verifikasi perencanaan, evaluasi indeks gamma, uji statistika dan analisis. Uji statistika yang digunakan merupakan uji Kruskal-Wallis, Mann-Whitney dan Wilcoxon. Uji Kruskal Wallis digunakan untuk melihat perbedaan rata-rata nilai indeks gamma setiap tahunnya. Uji Mann Whitney digunakan untuk melihat perbedaan rata-rata nilai indeks gamma antara kanker otak dan kanker prostat serta melihat perbedaan rata-rata nilai indeks gamma yang dihasilkan antara teknik IMRT dan VMAT. Uji Wilcoxon digunakan untuk melihat perbedaan rata-rata nilai indeks gamma detektor MatriXX dan EPID. Hasil penelitian menunjukkan perbedaan yang signifikan secara statistika pada nilai rata-rata indeks gamma antara dua detektor, dua teknik IMRT dan VMAT, serta antara dua kasus kanker yang berbeda, sedangkan nilai rata-rata indeks gamma per tahun tidak signifikan secara statistika. Secara keseluruhan, nilai rata-rata indeks gamma setiap tahunnya konsisten. Oleh karena itu, disimpulkan bahwa verifikasi yang dilakukan di RS MRCCC Siloam selama 8 tahun konsisten secara statistika.

---

ABSTRACTThe gamma index value generated between one plan and another is normally different. This can be affected by many factors such as the usage of different detectors, different type of cancer cases, etc. However, there is certain passing criteria recommended by AAPM TG 119, thus the gamma index value ideally should not be much far from the recommended passing criteria. Therefore, this study will evaluate the verification consistency conducted at MRCCC Siloam Hospital Semanggi by looking at the difference between the mean value of gamma index every year for 8 years since 2011 2018. Statistical tests were also performed to analyze differences and effects between different detectors, different cancer cases, and different irradiation techniques on the resulting gamma index values. The equipment used in this research was LINAC Varian Clinac iX with TPS Eclipse version 8.6 13, 2D detector MatrixEvolution ionization array, EPID and Dosimetry Portal software, Omni Pro I 39 mRT and SPSS. In general, the study method is divided into several stages patient data recording, planning verification, gamma index evaluation, statistical test run, and analysis. The statistical test used is Kruskal Wallis, Mann Whitney and Wilcoxon test. The Kruskal Wallis test was used to see the average difference in the gamma index value annually. In addition, Mann Whitney test was used to see the difference in gamma index mean values between brain cancer and prostate cancer and to see the difference in gamma index mean values generated between IMRT and VMAT techniques. Furthermore, Wilcoxon test was used to see the difference in gamma index mean values of MatriXX and EPID detectors. The results showed statistically significant differences on the gamma index mean values between two detectors, two IMRT and VMAT techniques, and between two different cancer cases, while the difference between gamma index mean value per year was not statistically significant. Overall, the average value of the gamma index each year is consistent. Therefore, the verification performed at MRCCC Siloam Hospital for over 8 years is consistent statistically."