Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indonesia masuk kedalam 20 besar Negara terbanyak tekonfirmasi kasus COVID-19. Hingga 17 Mei 2021, sudah tercatat lebih dari 1 juta kasus COVID-19 terkonfirmasi dengan jumlah kematian mencapai lebih dari 48 ribu orang. tes Reverse transcriptionpolymerase chain reaction (RT-PCR) merupakan standarisasi alat pendeteksian dini COVID-19. Namun, tes RT-PCR membutuhkan waktu waktu yang lama dan biaya yang mahal dalam mengidentifikasi tahap awal kasus COVID-19. Hal ini mengakibatkan peningkatan jumlah pasien COVID-19 terjadi terus menerus secara eksponensial dan terjadi antrian panjang dalam menggunakan Intensive Care Unit (ICU) pada rumah sakit. Oleh karena itu, dibutuhkan alat pendeteksian dini yang cepat dan akurat salah satunya menggunakan citra chest X-ray. Deep learning merupakan salah satu metode klasifikasi citra yang populer dan terbukti baik dalam melakukan klasifikasi citra medis, salah satunya adalah Capsule Network (CapsNet) yang merupakan pengembangan dari Convolutional Neural Network (CNN). Pada penelitian ini, penulis menggunakan model CapsNet berbasis Inception V3 dengan optimasi AdaBelief (Adapting Stepsizes by the Belief in Observed Gradients) untuk mengklasifikasikan citra chest X-ray COVID-19. Data yang digunakan dalam penelitian ini diambil dari situs kaggle yang berisi citra chest X-ray COVID-19. Selanjutnya, dilakukan tahap pra-pengolahan pada citra seperti resize dan menerapkan normalisasi agar semua citra dapat diinput ke dalam model dengan ukuran yang sama serta meningkatkan kinerja model. Hasil penelitian ini menunjukkan model CapsNet berbasis Inception V3 dengan optimasi AdaBelief pada dataset citra chest X-ray COVID-19 dapat mengklasifikasikan data menjadi dua kelas, yaitu normal dan COVID-19, sehingga dapat membantu untuk mendiagnosis COVID-19 dengan baik. Selain itu, hasil terbaik juga diperoleh oleh model CapsNet berbasis Inception V3 dengan optimasi AdaBelief berdasarkan nilai loss sebesar 0,2703 dan akurasi 88,75% dibandingkan metode CapsNet tradisional dan berbagai optimasi lainnya untuk mengklasifikasikan dataset citra chest X-ray COVID-19.

---

Indonesia is in the top 20 countries with the most confirmed cases of COVID-19. As of May 17, 2021, there have been more than 1 million confirmed cases of COVID-19 with the death toll reaching more than 48 thousand people. Reverse transcription polymerase chain reaction (RT-PCR) test is a standardization tool for early detection of COVID-19. However, the RT-PCR test takes a long time and is expensive to identify early stages of COVID-19 cases. This resulted in an exponential increase in the number of COVID-19 patients and long queues for using the Intensive Care Unit (ICU) at the hospital. Therefore, a fast and accurate early detection tool is needed, one of which is using chest X-ray images. Deep learning is one of the popular image classification methods and has proven good in classifying medical images, one of which is the Capsule Network (CapsNet) which is the development of the Convolutional Neural Network (CNN). In this study, the authors used the Inception V3-based CapsNet model with AdaBelief optimization (Adapting Stepsizes by the Belief in Observed Gradients) to classify COVID-19 chest X-ray images. The data used in this study was taken from the kaggle site which contains COVID-19 chest Xray images. Furthermore, pre-processing is carried out on the image such as resizing and applying normalization so that all images can be inputted into the model with the same size and improve model performance. The results of this study show that the Inception V3-based CapsNet model with AdaBelief optimization on the COVID-19 chest X-ray image dataset can classify data into two classes, namely normal and COVID-19, so that it can help to diagnose COVID-19 properly. In addition, the best results were also obtained by the Inception V3-based CapsNet model with AdaBelief optimization based on a loss value of 0,2703 and 88,75% accuracy compared to traditional CapsNet methods and various other optimizations to classify COVID-19 chest X-ray image datasets."

"Latar belakang: Gangguan psikiatri depresi memiliki prevalensi yang tinggi pada pasien kanker leher rahim, yaitu 33 - 71,3% di dunia. Depresi yang dialami oleh pasien disebabkan oleh beberapa faktor, diantaranya adalah usia, kondisi sosial ekonomi, pendidikan, dan stadium kanker. Pasien dengan gangguan depresi memiliki kemungkinan perburukan prognosis yang lebih tinggi terkait kondisi kanker. Oleh sebab itu, penting dilakukan skrining depresi sehingga intervensi dini dapat dilakukan. Tujuan: Menghitung prevalensi dan faktor yang mempengaruhi gejala gangguan psikiatri depresi pada pasien kanker leher rahim Metode: Desain studi yang digunakan adalah studi potong lintang (cross-sectional). Pengambilan sampel dilakukan secara consecutive sampling dan gangguan depresi didiagnosis dengan kuesioner MINI ICD-10. Pengolahan data dilakukan menggunakan SPSS versi 20. Uji bivariat menggunakan uji Chi Square dan Fisher’s exact test yang selanjutnya dilakukan uji multivariat regresi logistik. Hasil: Dari 44 subjek penelitian, 28 subjek menderita depresi. Faktor yang memengaruhi, yaitu usia, pendidikan, pendapatan, dan stadium tidak memiliki hubungan yang signifikan secara statistik (p>0,05). Stadium lanjut memiliki risiko depresi 1,642 lebih tinggi dibandingkan dengan stadium awal (OR=1,642; CI95%: 0,463 – 5,828). Usia > 50 tahun, tamat SMA, dan pendapatan ≥ Rp2.500.000 merupakan faktor protektif terhadap kejadian depresi. Simpulan: Prevalensi depresi pada pasien kanker leher rahim adalah 63,6%. Faktor usia, pendidikan, pendapatan, dan stadium tidak memiliki hubungan yang signifikan dengan kejadian depresi

---

Background: Depressive psychiatric disorders have a high prevalence in cervical cancer patients, about 33 – 71,3% globally. Depression experienced by patients is caused by several factors, including age, sosioeconomic conditions, educational level, and cancer stage itself. Patients with depressive disorder have a higher probability of worsening cancer prognosis. Therefore, it is essential to make an early diagnosis so that intervention can be done. Objectives: To investigate the prevalence of depression symptoms in cervical cancer patients and analyze its risk factors. Methods: This study uses a cross-sectional study design. The sample is obtained by consecutive sampling, and depressive disorders were diagnosed using the MINI ICD-10 questionnaire. Data will be processed using SPSS version 20. Statistical analysis test used in this study are bivariate test using the Chi-Square test and Fisher's exact test, which was then carried out by the multivariate logistic regression test. Results: Of 44 research subjects, 28 patients suffered from depressive disorders. Factors affecting depression, namely age, education, income, and stage, are statistically insignificant (p>0,05). The OR result in the stage cancer variable implies that the advanced stage has a 1,642-fold risk to increase the incidence of depression in cervical cancer patients (OR = 1.642; 95% CI: 0.463 - 5.828). Age above 50 years old, graduated from high school, and monthly income ≥ IDR 2,500,000 are the protective factors against depression. Conclusion: The prevalence of depression in cervical cancer patients is 63,6%. Associated factors such as age, education, monthly income, and cancer stage are statistically insignificant with the incidence of depression in cervical cancer patients"

"Pendahuluan: Kekerasan yang dilakukan pasien dengan gangguan kejiwaan merupakan tantangan bagi tenaga kesehatan maupun orang di sekitar pasien. Karena itu, kemampuan dan pengetahuan psikiater memberikan tata laksana tindak kekerasan berperan penting dalam mencegah potensi keberbahayaan. Edukasi manajemen kekerasan pasien dengan gangguan jiwa dapat meningkatkan kepercayaan diri dan sikap tenaga kesehatan serta polisi menghadapi kekerasan. Penelitian ini bertujuan untuk mengetahui hubungan edukasi dengan tingkat pengetahuan psikiater menangani kekerasan. Metode: Penelitian ini menggunakan desain eksperimental analitik dengan metode pretest-posttest yang diujikan pada sampel pada dua waktu berbeda, yaitu sebelum dan sesudah edukasi. Uji analisis bivariat dilakukan menggunakan SPSS 20. Hasil: Hasil analisis menujukan bahwa ada hubungan bermakna antara edukasi dan peningkatan pengetahuan psikiater(p=0.03). Selain itu, ditemukan juga hubungan bermakna pengetahuan awal dengan beberapa data latar belakang psikiater, yaitu jenjang pendidikan tertinggi(0.039) secara negatif, juga materi kurikulum pendidikan spesialis(0.028) dan penilaian diri menangani kasus kekerasan psikis(p=0.025) secara positif. Kesimpulan: Pemberian edukasi berpengaruh untuk meningkatkan pengetahuan psikiater akan tata laksana kekerasan pasien. Dokter spesialis kejiwaan yang mendapatkan materi penanganan kekerasan dalam kurikulum pendidikannya, percaya diri dalam menangani kekerasan psikis, dan belum mendapatkan jenjang pendidikan lanjutan memiliki pengetahuan awal yang lebih baik sebelum edukasi.

---

Introduction: Violence in patients with psychiatric disorders is a challange for health workers and those involved with the patient. Thus, psychiatrists comprehension and skill to provide a proper violence management are crucial in preventing further harm. Education of violence management can improve the confidence and attitudes of both health workers and the police in dealing with violence abroad. This study aims to determine the relationship of education with the comprehension level of Indonesian psychiatrists dealing with violence.

Methods: This study used an analytical experimental design with a pretest-posttest method, tested on samples before and after education by violence management workshop. The bivariate analysis test was performed using SPSS 20.

Results: Analysis showed a significant effect of education in increasing psychiatrists' comprehension at managing violence (p = 0.03). Some additional findings was observed, namely the association between initial knowledge and samples background. Highest level of education (0.039) impacted pretest negatively, while violence management in specialist education curriculum material (0.028) and self-assessment handling cases of psychological violence (p = 0.025) had a positive impact.

Conclusion: Education significantly increase psychiatrists comprehension of patients violence management. Psychiatric specialists who were given more material of handling violence in their educational curriculum, more confident in dealing with psychological violence, and have not received postgraduate degree past psychiatric residency have better initial knowledge prior to education."

"Latar Belakang: Persalinan preterm adalah penyebab kematian perinatal terbesar di Indonesia, baik secara langsung maupun tidak langsung. Persalinan preterm adalah penyebab utama sepsis neonatus awitan dini dan juga morbiditas jangka pendek dan jangka panjang lainnya. Sayangnya, tidak ada kepustakaan yang mendukung salah satu manajemen lebih unggul daripada lainnya dalam menurunkan kematian perinatal sekaligus morbiditas lainnya. Penelitian ini bertujuan untuk mencari manajemen persalinan preterm yang dapat memberikan luaran maternal dan neonatal terbaik, terutama di RSCM.Methode: Dari kohort total sampling menggunakan data rekam medik pasien persalinan preterm yang masuk RSCM antara tanggal 1 januari hingga 31 Desember 2014, didapatkan 300 subjek yang terdiri dari 132 subjek persalinan preterm dengan ketuban intak dan 168 subjek ketuban pecah dini preterm. Masing-masing kategori lalu dibagi lagi berdasarkan perlakuan yang diberikan, yakni tanpa manajemen, manajemen konservatif, dan manajemen aktif. Luaran utama yang diteliti adalah kejadian sepsis neonatus.Hasil: Prevalensi persalinan preterm di RSCM antara 1 Januari hingga 31 Desember 2014 adalah 32,9 . Pada subjek persalinan preterm tanpa ketuban pecah di usia kehamilan preterm dini, manajemen konservatif menunjukkan penurunan bermakna kejadian sepsis neonatus dibandingkan tanpa manajemen [14 vs 43 , p=0,004, RR 0,65 IK 95 0,48-0,88 ]. Tidak ada perbedaan kejadian sepsis neonatus yang bermakna pada kelompok lainnya. Namun, manajemen aktif pada kelompok ketuban pecah dini preterm tampak menurunkan kematian perinatal secara bermakna dibandingkan tanpa manajemen [0 vs 23 , p=0,038, RR 0,77 IK 95 0,67-0,88 ].Diskusi: Pada pasien persalinan preterm dengan ketuban intak, manajemen konservatif disepakati merupakan tatalaksana terpilih. Sementara, tatalaksana bagi pasien ketuban pecah dini preterm masih diperdebatkan. Penelitian ini menunjukkan bahwa manajemen aktif dapat menurunkan kematian perinatal dan dapat dijadikan tatalaksana terpilih.

---

Background Preterm labor is the largest direct or indirect cause of perinatal death in Indonesia and in the world. Preterm labor is the main cause of early onset neonatal sepsis and also other short term and long term morbidities. Unfortunately, there are no evidence that support single management to be superior than others in reducing perinatal death and preventing short term and long term morbidities altogether. This study was aimed to find which preterm labor management that give the best maternal and neonatal outcome, especially in RSCM.Methods A total sampling historical cohort was conducted using medical record of preterm labor patient admitted in RSCM from Januari 1st until December 31st, 2014. From 300 subjects included, 132 of it was preterm labor with intact membrane, and 168 was preterm premature rupture of membrane. From each arm we categorize further based on one of three management given no management, conservative management, or active management. The primary outcome studied is neonatal sepsis.Results The preterm labor rate from any cause in RSCM from January 1st until December 31st 2014 was 32,9 . On subjects with preterm labor with intact membrane in early preterm gestational age, conservative management showed significant reduction of neonatal sepsis compared to no management. 14 vs 43 , p 0,004, RR 0,65 CI 95 0,48 0,88 . No significant reduction was observed among other managements, gestational age category, or amniotic membrane status. However, active management showed mildly significant reduction of perinatal death compared to no management 0 vs 23 , p 0,038, RR 0,77 CI 95 0,67 0,88.Discussion In preterm labor patients with intact membrane, conservative management was unquestionably the treatment of choice. In the other hand, management for patients with preterm premature rupture of membrane is still largely debatable. This study showed that active management seems to be beneficial in reducing perinatal mortality, thus can be the treatment of choice in preterm premature rupture of membrane patients."

"Latar belakang: Korelasi antara indeks volume akhir diastolik ventrikel kiri IVADVKi preoperasi dengan luaran jangka pendek pasca operasi penutupan defek septum atrial sekundum DSAS belum pernah dieksplorasi. Bertujuan untuk mencari korelasi antara IVADVKi preoperasi dengan luaran jangka pendek pasca operasi penutupan DSAS. Tujuan: Untuk mencari korelasi antara IVADVKi preoperasi dengan luaran jangka pendek pasca operasi penutupan DSAS. Metode: Kami analisis semua pasien yang dilakukan operasi penutupan DSAS yang diperiksa dengan magnetic resonance imaging MRI kardiak preoperasi dengan Philips Medical System Scanner 1,5 T dengan 32-elements phase sense torso cardiac coil antara Januari 2013-Desember 2017. Hasil: Terdapat 30 pasien yang memenuhi kriteria inklusi eksklusi dengan nilai IVADVKi yang berkorelasi negatif lemah signifikan r= -0,365, p=0,048 dengan lama rawat ruang intensif hari pasca operasi, korelasi negatif lemah atau sangat lemah nonsignifikan dengan beberapa luaran lainnya. Kesimpulan: IVADVKi berkorelasi negatif lemah dengan lama rawat ICU pasca operasi penutupan DSAS dan berkorelasi negatif sangat lemah dengan luaran lainnya.

---

Background: Correlation between preoperative left ventricular end diastolic volume index LVEDVi with short term postoperative outcome after surgical secundum atrial septal defect ASD closure has never been explored. Our aim is to determine the correlation between preoperative LVEDVi and short term postoperative outcome after surgical ASD closure.

Objective: To determine the correlation between preoperative LVEDVi and short term postoperative outcome after ASD closure.

Methods: We analyzed all consecutive surgical ASD closure patients who underwent cardiac magnetic resonance imaging MRI previously with 1.5 T Philips Medical System Scanner with 32 elements phase sense torso cardiac coil between January 2013 December 2017.

Results: There were 30 patients who fulfilled inclusion and exclusion criteria who had weak negative correlation but significant r 0,365, p 0,048 between LVEDVi and with postoperative intensive care unit ICU length of stay LOS days , nonsignificant weak or very weak negative correlations with other outcomes.

Conclusion: LVEDVi had a weak negative correlation with ICU LOS post surgical closure of secundum ASD and a very weak negative correlation with other outcomes."

"Coronavirus Disease 2019 (COVID-19) pertama kali diidentifikasi di Wuhan, Thiongkok pada akhir Desember 2019. COVID-19 disebabkan oleh coronavirus baru yaitu The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Sejak 11 Maret 2020, WHO secara resmi menyatakan pandemi COVID-19. COVID-19 ini menginfeksi saluran pernapasan manusia yaitu sel epitel alveolus paru-paru yang menyebabkan pneumonia. Dengan bantuan metode dari Deep learning yaitu Convolutional Neural Network (CNN) dapat digunakan dalam mendeteksi kasus COVID-19 melalui tanda-tanda pneumonia pada data citra Chest X-ray. Deteksi dini kasus COVID-19 sangat diperlukan sebagai langkah meminimalkan penularan dan mengurangi resiko kematian pasien. Oleh karena itu, penelitian ini membangun metode CNN transfer learning model DenseNet121, MobileNet dan ResNet50 dengan pendekatan pseudo-colouring (RGB) dalam mengklasifikasi kasus COVID-19 ke dalam tiga kelas yaitu: COVID-19 pneumonia, sehat dan viral pneumonia. Pendekatan pseudo-colouring (RGB) dilakukan pada tahap praproses dengan memanipulasi warna pada data citra Chest X-ray sebagai sarana untuk membantu meningkatkan hasil akurasi, presisi dan sensitivitas. Hasil evaluasi pada terbaik terdapat pada model DenseNet121 menunjukkan peningkatan akurasi total 99%, presisi total 99% dan sensitivitas total 99%. Pada model MobileNet menunjukkan peningkatan pada akurasi total 97%, presisi total 97% dan sensitivitas total 95% dan pada model ResNet50 menunjukkan peningkatan pada akurasi total 97%, presisi total 98% dan sensitivitas total 94%.

---

Coronavirus Disease 2019 (COVID-19) was first identified in Wuhan, China at the end of December 2019. COVID-19 is caused by a new coronavirus, namely The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Since March 11, 2020, WHO has officially declared a COVID-19 pandemic. This COVID-19 infects the human respiratory tract, namely the alveolar epithelial cells of the lungs which causes pneumonia. With the help of methods from Deep learning, the Convolutional Neural Network (CNN) can be used to detect cases of COVID-19 through signs of pneumonia in Chest X-ray image data. Early detection of COVID-19 cases is important to minimize transmission and reduce the risk of patient death. Therefore, this study builds the CNN transfer learning model DenseNet121, MobileNet and ResNet50 with a pseudo-coloring (RGB) approach in classifying COVID-19 cases into three classes, namely: COVID-19 pneumonia, healthy and viral pneumonia. The pseudo-coloring (RGB) approach at the preprocessing stage by manipulating the colors in the Chest X-ray image data as a means to help improve accuracy, precision and sensitivity results. The evaluation results on the DenseNet121 model showed an increase in total accuracy of 99%, total precision of 99% and total sensitivity of 99%. The MobileNet model showed an increase in total accuracy of 97% , total precision of 97% and total sensitivity of 95% and the ResNet50 model showed an increase in total accuracy of 97%, total precision of 98% and total sensitivity of 94%."

"COVID-19 adalah penyakit infeksi menular yang disebabkan oleh virus SARS-CoV-2 dan dapat menyebabkan gangguan pada sistem pernapasan. Pencitraan X-Ray dapat menjadi alternatif dalam mendeteksi COVID-19 karena mampu menggambarkan kondisi paru-paru pasien. Deep learning dapat digunakan untuk menganalisis pola pada citra medis secara otomatis. Untuk itu, digunakan Convolutional Neural Network dengan teknik transfer learning menggunakan arsitektur Xception, EfficientNetB3, dan ensemble dari kedua model secara paralel untuk deteksi COVID-19 dan tingkat keparahannya dari citra X-Ray dada secara otomatis. Klasifikasi COVID-19 dilakukan untuk empat jenis kelas, yaitu: positif COVID-19, normal, pneumonia bakteri dan pneumonia virus. Pada klasifikasi COVID-19, ketiga model classifier yang diusulkan mencapai akurasi keseluruhan untuk semua kelas sebesar 94,44% untuk classifier Xception, 95,28% untuk classifier EfficientNetB3, dan 94,44% untuk classifier paralel. Nilai akurasi tersebut lebih tinggi dari nilai akurasi classifier lain. Klasifikasi tingkat keparahan COVID-19 dilakukan untuk tiga jenis kelas yaitu: ringan, sedang, dan parah. Pada klasifikasi tingkat keparahan COVID-19, ketiga model classifier yang diusulkan mencapai akurasi keseluruhan untuk semua kelas sebesar 70,00% untuk classifier Xception, 67,50% untuk classifier EfficientNetB3 dan paralel. Nilai akurasi tersebut lebih tinggi dari nilai akurasi classifier lain. Secara keseluruhan, ketiga classifier yang diusulkan dapat direkomendasikan sebagai alat yang dapat membantu ahli radiologi dan praktisi klinis dalam diagnosis dan tindak lanjut kasus COVID-19.

---

COVID-19 is a contagious infectious disease caused by the SARS-CoV-2 virus and can cause disorders of the respiratory system. X-Ray imaging can be an alternative in detecting COVID-19 because it is able to describe the condition of the patient's lungs. Deep learning can be used to analyze patterns in medical images automatically. For this reason, Convolutional Neural Network is used with transfer learning techniques using Xception, EfficientNetB3 architecture, and an ensemble of both models in parallel for the detection of COVID-19 and its severity level from Chest X-Ray images automatically. The classification of COVID-19 is carried out for four types of classes, namely: positive COVID-19, normal, bacterial pneumonia, and viral pneumonia. In the COVID-19 classification, the three proposed classifier models achieve overall accuracy for all classes of 94.44% for the Xception classifier, 95.28% for the EfficientNetB3 classifier, and 94.44% for the parallel classifier. The accuracy value is higher than the other classifier accuracy values. The classification of the severity level of COVID-19 is carried out for three types of classes, namely: mild, moderate, and severe. In the classification of the severity level of COVID-19, the three proposed classifier models achieve overall accuracy for all classes of 70.00% for the Xception classifier, 67.50% for the EfficientNetB3 classifier and parallel. The accuracy value is higher than the other classifier accuracy values. Overall, the three proposed classifiers can be recommended as tools that can assist radiologists and clinical practitioners in the diagnosis and follow-up of COVID-19 cases."

"Penelitian ini bertujuan untuk mendapatkan kombinasi parameter yang optimal dalam simulasi pemeriksaan kranial, toraks, dan abdomen menggunakan sistem digital radiography (DR). Optimasi dilakukan menggunakan phantom in-house dengan objek kontras pada DR Siemens Luminos Agile Max. Pasien pediatrik dipisahkan menjadi empat kelompok usia; grup A (0-1 tahun), grup B (1-5 tahun), grup C (5-10 tahun), dan grup D (10-15 tahun). Kombinasi lapisan PMMA dan cork dengan ketebalan total yang berbeda digunakan untuk mensimulasikan pasien yang termasuk dalam setiap kelompok usia untuk wilayah anatomis yang berbeda (kranial, toraks, dan abdomen). Optimasi dilakukan dalam tiga langkah; kVp, diikuti oleh mAs, dan kemudian optimasi filter tambahan. Semua langkah optimasi dilakukan berdasarkan nilai FOM (figure of merit) yang dihitung sebagai rasio SDNR (signal difference to noise ratio) kuadrat dan entrance surface dose dengan FOM tertinggi yang mewakili kondisi optimum. Hasil dari optimasi ini dievaluasi berdasarkan FOM tertinggi yang dihasilkan dari setiap eksposi. Adapun MTF dan CV digunakan sebagai parameter pembanding terhadap nilai FOM yang rancu. Dalam pemeriksaan kranial, FOM tertinggi dihasilkan oleh faktor eksposi 44 kV, 3.2 mAs, dan 0 mmCu atau tanpa filter (A), 46 kV, 5.6 mAs, dan 0.1 mmCu (B), 49 kV, 7.1 mAs, dan 0.2 mmCu (C) dan 50 kV, 9 mAs, dan 0.1 mmCu (D). Untuk pemeriksaan toraks, nilai FOM tertinggi dihasilkan oleh faktor eksposi 45 kV, 2,5 mAs, dan 0,2 mmCu (A), 45 kV, 4 mAs, dan 0.2 mmCu (B), 46 kV, 5.6 mAs, dan 0.2 mmCu (C), dan 47 kV, 6.3 mAs, dan 0.2 mmCu (D). Untuk pemeriksaan abdomen, nilai FOM tertinggi dihasilkan oleh faktor eksposi 48 kV, 4 mAs, dan 0.1 mmCu (A), 50 kV, 6.3 mAs, dan 0.2 mmCu (B), 53.5 kV, 8 mAs, dan 0 mmCu (C), dan 58.5 kV, 8 mAs, dan 0 mmCu (D).

---

This study was aimed to obtain optimum parameter combination in simulated cranial, thorax, and abdominal examinations using digital radiography (DR) systems. Optimization was performed using in-house phantom with contrast objects on Siemens Luminos Agile Max DR. Paediatric patients were separated into four age groups; group A (0-1 year), group B (1-5 years), group C (5-10 years), and group D (10-15 years). Slab phantoms consisted of PMMA and cork with different total thickness were used to simulate patients belonging to each age group for different anatomical region (cranial, thorax, and abdomen). Optimization were performed in three steps; first kVp, followed by mAs, and then additional filter optimization. All the steps of optimization were performed based on FOM (figure of merit) values calculated as ratio of squared SDNR (signal difference to noise ratio) and entrance surface dose with the highest FOM representing the optimum condition.

The results of this optimization were evaluated based on the highest FOM generated from each exposure. For this DR, optimum parameters (i.e. highest FOM) are different for each age group and anatomical region. In cranial examination, the highest FOM are generated by exposure factors of 44 kV, 3.2 mAs, and 0 mmCu filter (A), 46 kV, 5.6 mAs, and 0.1 mmCu filter (B), 49 kV, 7.1 mAs, and 0.2 mmCu filter (C) and 50 kV, 9 mAs, and 0.1 mmCu filter (D). For thorax examination, the highest FOM value is generated by exposure factor 45 kV, 2.5 mAs, and 0.2 mmCu (A), 45 kV, 4 mAs, and 0.2 mmCu (B), 46 kV, 5.6 mAs, and 0.2 mmCu (C), and 47 kV, 6.3 mAs, and 0.2 mmCu (D). For abdominal examination, the highest FOM value is produced by exposure factor 48 kV, 4 mAs, and 0.1 mmCu (A), 50 kV, 6.3 mAs, and 0.2 mmCu (B), 53.5 kV, 8 mAs, and 0 mmCu (C), and 58.5 kV, 8 mAs, and 0 mmCu (D)."

"Latar Belakang: Protokol ERAS (Enhanced Recovery After Surgery) adalah sebuah strategi perioperatif berbasis bukti, yang terbukti dapat menurukan lama perawatan pascaoperas dan angka komplikasi pada kasus pembedahan di bidang kolorektal. Penerapan ERAS terdiri atas 15 komponen, namum evaluasi penerapan komponen ini bila dihubungkan dengan luaran masih belum jelas. Metode: Studi retrospektif dilakukan kepada 63 pasien yang telah menjalani operasi elektif kolorektal berbasis protokol ERAS dari Januari 2015 hingga Desember 2017 di Rumah Sakit Cipto Mangunkusumo. Karakteristik pasien, demografi, termuan klinis dan lama perawatan dikumpulkan dari rekam medis. Hubungan antara jumlah komponen ERAS yang diterapkan dikaitkan dengan lama rawat dianalisis. Hasil: Semua pasien diterapkan jumlah komponen ERAS hingga maksimal 11 komponen dari total 15 komponen. Usia rata-rata pasien adalah 53 tahun; 46% pasien laki-laki, dan 54% perempuan. Tidak ditemukan angka mortalitas. Angka morbiditas sebesar 7,9%, disebabkan oleh infeksi luka operasi 1,6%, pneumonia 1,6%, dan retensi urin 4,8%. Lokasi tersering dari tumor kolorektal adalah sigmoid (47%). Prosedur operasi yang paling sering dikerjakan adalah tutup kolostomi (25,4%). Terdapat hubungan yang bermakna antara jumlah penerapan komponen protokol ERAS dan lama perawatan pasca operasi. (p<0.01, r = 0,568). Kesimpulan: Semakin banyak jumlah komponen ERAS yang diterapkan ke satu pasien, semakin singkat lama perawatan pasca operasi. Kata kunci: Enhanced Recovery After Surgery, Evaluasi, Kolorektal 

---

Background. The enhanced recovery after surgery (ERAS) protocol in colorectal surgery has proven to be effective in reducing postoperative length of stay and perioperative complications rates in hospital. At Cipto Mangunkusumo Hospital, ERAS protocol for colorectal surgery has been known since 2015. However, there has never been a program evaluation of the ERAS components that has been applied in relation to outcomes.

Method. Sixty-three colorectal patients who underwent surgical procedures from 2015 to 2017 were retrospectively evaluated for complete implementation of ERAS protocol. Complete implementation is defined as the ability to accomplish 15 ERAS components. Demographic, clinical data, and length of stay (LOS) were also collected from medical records.

Results. Up to 11 out of 15 ERAS components were implemented to 63 patients. The proportion of male was 46% compare to female was 54%. The average age was 53 years old; mortality rates 0%, morbidity rates 7,9% (surgical site infection 1,6%; pneumonia 1,6%; and urinary retention 4,8%). The most common location of tumor and procedure were sigmoid (47,6%), colostomy closure (25,4%). It is found that there is a relationship between the total number of components that are corresponding to ERAS protocol per subject and the average length of stay. The more number of ERAS components that are fulfilled per subject, the shorter the average length of subject visits became (p<0,01, r = 0,568).

Conclusion. Cipto Mangunkusumo Hospital does not yet have an ERAS protocol for colorectal surgery, but has implemented 11 ERAS components out of a total of 15 ERAS components from Toronto as a perioperative management. The greater number of ERAS components that are applied to one subject, the shorter the postoperative care.

Keyword: Colorectal, enhanced recovery after surgery, evaluation"