Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pendahuluan: Gangguan pendengaran sensorineural (GPSN) merupakan penyakit kronis yang insidennya meningkat seiring dengan pertambahan usia. Implantasi koklea menjadi tatalaksana utama dengan kalibrasi menggunakan prosedur baku emas yaitu audiometer nada murni (PTA) yang bersifat subjektif. Akan tetapi, PTA tidak dapat dilakukan pada pasien yang kurang kooperatif dan kebingungan akibat demensia, seperti pada pasien geriatrik sebagai mayoritas pasien GPSN. Pengukuran objektif lainnya dapat dilakukan dengan mendeteksi auditory evoked potential (AEP) yang direkam pada batang otak menggunakan stimulus listrik (E-ABR) dan kortikal melalui perekaman local field potential (LFP). Namun, belum terdapat penelitian yang merekam AEP menggunakan elektrode intrakortikal serta membandingkan dan mengkorelasikan ambangnya dengan respons batang otak. Penelitian ini bertujuan sebagai pemodelan awal kasus tuli didapat dengan implan koklea untuk mengevaluasi ambang respons auditorik pada batang otak, korteks auditorik primer (A1), dan posterior auditory field (PAF) menggunakan hewan coba kucing. Selain itu, penelitian ini juga bertujuan untuk mencari perbedaan bermakna antara ambang respons auditorik kortikal menggunakan metode perbandingan amplitudo pre-stimulus-post-stimulus (Z-score) dan inter-trial phase coherence (ITPC). Metode: Perekaman dilakukan pada 5 ekor kucing dengan implan koklea yang ditulikan terlebih dahulu dengan injeksi neomisin interskalar. Respons auditorik batang otak direkam menggunakan elektrode permukaan, sedangkan respons auditorik kortikal direkam menggunakan elektrode intrakortikal dalam kondisi teranestesi isoflurane. Ambang respons auditorik ditetapkan menggunakan metode Z-score dan ITPC, sedangkan ambang respons auditorik batang otak ditetapkan dengan metode ITPC karena kurangnya data pre-stimulus. Hasil: Tidak terdapat perbedaan bermakna pada ambang respons auditorik kortikal menggunakan metode Z-score dan ITPC (p = 0,455). Terdapat perbedaan bermakna antara ambang respons auditorik batang otak dan kortikal (p<0,001), dengan median paling kecil pada batang otak dan terbesar pada PAF. Korelasi positif yang bermakna juga ditemukan antar keseluruhan titik perekaman, dengan korelasi terbesar secara kortikokortikal A1 dan PAF (r=0.835, p<0.001). Kesimpulan: Penelitian ini menunjukkan bahwa pengukuran ambang respons auditorik batang otak dan kortikal secara objektif memiliki potensi dalam aplikasi klinis untuk menilai kesuksesan implantasi koklea pasien tuli didapat. Peningkatan ambang respons auditorik sepanjang jaras pendengaran menunjukkan kompleksitas jaras pendengaran. ......Introduction: Sensorineural hearing loss (SNHL) is a chronic disease whose incidence increases with age. The primary treatment of SNHL is cochlear implantation with the subjective pure-tone audiometer (PTA) as the gold standard calibration procedure. However, PTA cannot be performed on patients who are less cooperative and confused due to dementia, such as geriatric patients, who make up the majority of SNHL patients. Another objective test is to detect auditory evoked potentials (AEP) recorded in the brainstem (E-ABR) and auditory cortex via the brain local field potential (LFP) using electric stimulus. However, no studies have used intracortical electrodes to record AEP as well as compare and correlate its threshold with auditory brainstem response. This study aims as an early model of acquired deafness with cochlear implant to evaluate auditory responses in the brainstem, primary auditory cortex (A1), and posterior auditory field (PAF) using cats as an animal model. In addition, this study also aims to compare the cortical auditory response threshold determined using the pre-stimulus-post-stimulus amplitude comparison (Z-score) and inter-trial phase coherence (ITPC) methods. Method: Recording was performed on 5 cochlear implanted cats, previously deafened using interscalar neomycin injection. Brainstem auditory responses were recorded using surface electrodes, while cortical auditory responses were recorded using intracortical electrodes under isoflurane anaesthetic. The auditory response threshold was determined using the Z-score and ITPC methods, while the brainstem auditory response threshold was determined using the ITPC method due to the lack of pre-stimulus data. Result: There was no significant difference in the cortical auditory response threshold using the Z-score and ITPC methods (p = 0.455). There was a significant difference between the brainstem and cortical auditory response thresholds (p<0.001), with the smallest median in the brainstem and the largest in PAF. A significant positive correlation was also found at all recording points, with the largest positive correlation found between A1 and PAF (r=0.835, p<0.001). Conclusion: This study demonstrates that objective measurements of brainstem and cortical auditory response thresholds have the potential to be used to evaluate the success of cochlear implantation in patients with acquired hearing loss. An increase in the auditory response threshold along the auditory pathway indicates complexity in the auditory pathway.

Abstrak :
Latar belakang: Prevalensi meibomian gland dysfunction (MGD) dilaporkan bervariasi pada rentang 3,6-69,3% karena modalitas diagnostik yang tersedia saat ini masih belum terstandar secara baku. Penilaian meibomian gland (MG) dropout secara manual masih terbatas oleh subjektivitas penilai dalam identifikasi MG, kurang akurat dalam menilai perubahan longitudinal, serta memerlukan waktu dan biaya yang lebih besar. Penelitian ini bertujuan untuk mengetahui apakah performa diagnostik dari penilaian MGD melalui meibografi dengan bantuan AI setara dengan penilaian MG dropout oleh klinisi menggunakan ImageJ. Metode: Penelitian dilakukan dengan desain cross-sectional dari pasien rawat jalan Rumah Sakit Dr. Cipto Mangunkusumo (RSCM) Kirana, Jakarta Pusat. Pengolahan data citra meibografi dilakukan dengan dua tahap preprocessing dan pengembangan model artificial intelligence (AI). Pengembangan model AI yang dilakukan menggunakan image embedding VGG16 dan model multilayer perceptron (MLP) pada Orange v3.32.0.  Hasil: Dari 35 subjek penelitian dengan rerata usia 60,29±2,28 tahun, terdapat 136 data citra meibografi yang dianalisis. Nilai cut-off MG dropout yang terbaik pada nilai 33% yang mana terdapat 107 citra MGD dan 29 citra normal. Model AI menunjukkan performa AUC 83,2%, sensitivitas 89,7%, dan spesifisitas 58,6%.  Kesimpulan: Penilaian meibografi dengan bantuan AI memiliki performa diagnostik yang baik dalam deteksi MGD. Pendekatan dengan AI dapat digunakan sebagai alat skrining potensial yang efektif dan efesien dalam praktik klinis. ......Introduction: The prevalence of meibomian gland dysfunction (MGD) is reported to vary in the range of 3.6-69.3% because the currently available diagnostic modalities have not been standardized. Manual assessment through meibomian gland (MG) dropout is still has many limitations, such as the subjectivity of the assessor in identifying MG, less accuracy in assessing longitudinal abnormalities and requires more time and costs. This study aims to determine whether the diagnostic performance of MGD assessment through AI-assisted meibography is equivalent to MG dropout assessment by the clinician using ImageJ.  Methods: The study was conducted with a cross-sectional design from outpatients at Dr. Cipto Mangunkusumo Hospital (RSCM) Kirana, Central Jakarta. The meibography image processing is conducted in two stages preprocessing and the development of artificial intelligence (AI) models. AI model development uses Orange v3.32.0 with VGG16 as image embedding and a multilayer perceptron (MLP) model.  Results: From 35 subjects with a mean age of 60.29±2.28 years, a meibography dataset was built from 136 eyelid images. Using the MG dropout cut-off value of 33%, there are 107 MGD images and 29 normal images. The AI model showed an AUC performance of 83.2%, a sensitivity of 89.7%, and a specificity of 58.6%.  Conclusion: AI-assisted meibography assessment has good diagnostic performance in MGD detection. The AI approach has promising potential as an effective and efficient screening tool in clinical practice.

Abstrak :
Latar belakang: Beban tuberkulosis (TB) Indonesia yang tinggi semakin memburuk dengan keadaan pandemi yang mengurangi angka notifikasi TB. Salah satu penyebab utama adalah keresahan masyarakat untuk mendatangi fasilitas kesehatan dengan adanya resiko penularan yang tinggi. Pemeriksaan diagnostik TB memerlukan pasien untuk datang berulang kali ke fasilitas kesehatan. Selain itu, belum ada metode untuk menyimpan atau membagikan data auskultasi dengan menggunakan stetoskop konvensional. Penggunaan stetoskop digital Stemoscope untuk mendiagnosis TB dengan mengidentifikasi suara paru khusus dapat menjadi solusi untuk kedua masalah tersebut. Metode: Penelitian ini membandingkan gejala ronki saat auskultasi Stemoscope dengan hasil test cepat molekuler (TCM) Genexpert sebagai baku emas. Rekaman suara paru diambil dari pasien terduga TB yang mendatangi Rumah Sakit Umum Pusat Persahabatan (RSUPP) selama Oktober 2022. Rekaman ini kemudian diinterpretasikan oleh dokter spesialis paru. Pasien juga memberikan sampel sputum untuk dilakukan pemeriksaan laboratorium. Data hasil diagnosis test cepat molekuler (TCM) Genexpert dikumpulkan kemudian hari. Hasil: Penelitian mendapatkan 25 pasien terduga TB dengan 13 terkonfirmasi positif TB dan 12 negatif TB berdasarkan hasil TCM GeneXpert. Dari sampel tersebut, 13 memiliki suara nafas tambahan ronki dan 12 pasien lainnya tidak. Didapatkan nilai sensitivitas Stemoscope 62% sedangkan spesifisitas 58% Kesimpulan: Stemoscope tidak valid digunakan sebagai alat bantu diagnostik TB berdasarkan kehadiran suara nafas ronki. Penelitian lebih lanjut dapat dirancang untuk meminimalkan faktor perancu dan/ integrasi dengan klasifikasi otomatis artificial intelligence. ......Introduction: Indonesia’s high tuberculosis (TB) burden worsens during the COVID-19 pandemic with the decrease of TB case notification. One of the main causes is public unrest to visit health facilities with a high risk of transmission. The many diagnostic tests of TB require patients to repeatedly visit the health facility. Furthermore, there is no method to store or share auscultation data using a conventional stethoscope. Use of digital stethoscope Stemoscope to diagnose TB by identifying specific lung sounds can be a solution to both problems. Method: This study compares the performance of Stemoscope with GeneXpert molecular test as a golden standard. A positive TB result from lung auscultation is given if a rhonchi and/ crackles sound is detected. Lung sound recordings are taken from suspected TB patients that visited Persahabatan General Hospital during October 2022. The recordings are later interpreted by a specialist. The patients are also asked to give a sputum sample for a lab test. The diagnostic results of GeneXpert are later compiled. Result: A total of 25 patients are accumulated for this study where 13 are confirmed positive TB and 12 are negative TB based on GeneXpert results. From those samples, 13 patients had additional rhonchi and crackle sounds while the other 12 patients did not. The Stemoscope sensitivity value is 62% while the specificity is 58%. Conclusion: Stemoscope is not valid to be used as a TB diagnostic aid based on the presence of rhonchi and crackle breath sounds. Further research can be designed to minimize confounding factors and/or integration with artificial intelligence automatic classification.

Abstrak :
Tuberkulosis (TB) adalah penyakit menular dan dapat berakibat fatal, terutama di negara berkembang. WHO merekomendasikan penggunaan screening yang sistematis dan luas, salah satunya menggunakan citra X-ray dada. Sayangnya, jumlah ahli radiologi masih kurang dan belum terdistribusi dengan baik di negara berkembang seperti Indonesia. Oleh karena itu, penelitian ini mengembangkan sistem Computer-Aided Detection (CAD) untuk membantu mendeteksi TB menggunakan analisis tekstur. Terdapat tiga tahap pada sistem, yaitu segmentasi otomatis, koreksi segmentasi manual, dan deteksi lesi TB. Hasil akhir sistem memberikan visualisasi heatmap berdasarkan probabilitas lesi TB pada citra X-ray dada. Penelitian ini fokus pada tahap deteksi lesi TB. Analisis tekstur diimplementasi menggunakan berbagai kombinasi dari fitur tekstur Hogeweg, Gray-Level Co-occurrence matrix (GLCM), dan Gabor. Selain itu, metode reduksi dimensi juga diimplementasikan untuk mendapatkan representasi optimal. Analisis tekstur ini digunakan pada area lokal patch melalui perhitungan probabilitas untuk klasifikasi patch lesi TB dan patch normal. Klasifikasi ini dilatih menggunakan Logistic Regression, Support Vector Machine (SVM), dan Multilayer Perceptron (MLP). Hasil terbaik dicapai oleh Logistic Regression dengan kombinasi fitur Hogeweg, GLCM, dan Gabor yang diimplementasikan PCA yang mampu mencapai nilai 0.734 sensitivity. Dokter spesialis radiologi menilai bahwa beberapa visualisasi model ini cukup baik dalam mengenali lesi TB, namun masih ada beberapa kesalahan dalam mendeteksi area normal sebagai lesi TB. ......Tuberculosis (TB) is an infectious disease and can be fatal, especially in developing countries. WHO recommends the use of systematic and broad screening, one of which is using chest X-ray images. Unfortunately, the number of radiologists is still lacking and not well distributed in developing countries such as Indonesia. Therefore, this study developed a Computer-Aided Detection (CAD) system to help detect TB using texture analysis. There are three stages in the system, they are automatic segmentation, manual segmentation correction, and TB lesion detection. The final result of the system provides a heatmap visualization based on the probability of TB lesions on a chest X-ray image. This study focused on the stage of TB lesion detection. Texture analysis was implemented using various combinations of Hogeweg texture features, Gray-Level Co- occurrence matrix (GLCM), and Gabor. In addition, the dimensional reduction method is also implemented to obtain the optimal representation. This texture analysis is applied to the local area of the patch by calculating the probability for the classification of the TB lesion patch and the normal patch. This classification is trained using Logistic Regression, Support Vector Machine (SVM), and Multilayer Perceptron (MLP). The best result was achieved by Logistic Regression with a combination of Hogeweg, GLCM, and Gabor features implemented by PCA which was able to reach a value of 0.734 sensitivity. Radiology specialists considered that some of the visualizations of this model were quite good in recognizing TB lesions, but there were still some errors in detecting normal areas as TB lesions.