Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar belakang: Menurut Global Cancer Statistics 2020 (GLOBOCAN), kanker kolorektal masih menduduki posisi ke-3 pada penyebab kanker tersering di dunia, dan posisi ke-2 pada penyebab kematian tersering akibat kanker (9.4%). Evaluasi histopatologi dari hasil biopsi jaringan kolorektal yang merupakan baku emas dalam diagnosis saat ini pun masih memiliki berbagai keterbatasan. Penentuan derajat keparahan dari kanker kolorektal, dilakukan secara subjektif oleh ahli patologi anatomik melalui observasi mikroskop, sehingga data yang dimiliki bersifat kualitatif. Studi menggunakan prinsip spektrofotometri sudah pernah dilakukan dalam upaya diagnostik kanker sebelumnya. Namun, hingga saat ini masih belum ada studi yang menggunakan spektrofotometer reflektansi VIS-NIR sebagai metode diagnostik kuantitatif dan objektif untuk kanker kolorektal.Tujuan: Penelitian ini adalah studi pendahuluan untuk mengetahui potensi dan kemampuan dari spektrofotometer reflektansi VIS-NIR dalam membedakan jaringan normal, prekanker, dan radang pada blok parafin jaringan kolon mencit.Metode: Penelitian ini memiliki desain eksperimental yang menggunakan sampel blok parafin jaringan kolorektal mencit Mus musculus. Sampel diklasifikasikan oleh ahli patologi anatomi menjadi tiga kategori berdasarkan derajat lesinya, yaitu normal, radang, dan prekanker. Sebanyak 30 sampel tersebut diukur intensitas cahaya reflektansinya pada 454 panjang gelombang berbeda yang termasuk dalam spektrum VIS-NIR. Hasil pengukuran dianalisis dengan perangakat lunak SPSS 26.0 untuk uji komparatif dan perangkat lunak Orange Data Mining untuk pengujian machine learning dalam pegelompokan sampel berdasarkan derajat lesinya.Hasil dan Pembahasan: Hasil uji komparatif membuktikan bahwa 429 dari 454 panjang gelombang cahaya VIS-NIR memiliki perbedaan intensitas cahaya reflektansi yang bermakna antarkelompok derajat lesi (p<0.05). Machine learning yang terbaik dalam pengelompokan sampel menurut derajat lesi berdasarkan data intensitas cahaya reflektansi adalah model SVM dengan nilai Area under the Curve (AUC) 98.3%, Classification Accuracy (CA) 86.7%, Skor F1 0.862, Precision 86.9%, Recall 86.7%, sensitivitas 70-100%, dan spesifisitas 90-95%.Kesimpulan: Spektrofotometri Reflektansi VIS-NIR dapat membedakan jaringan normal, radang dan prekanker kolorektal pada mencit Mus musculus dengan sensitivitas dan spesifisitas yang baik

---

Background: According to the Global Cancer Statistics 2020 (GLOBOCAN), colorectal cancer is still the 3rd most common cause of cancer in the world and the 2nd most common cause of cancer death (9.4%). Histopathological evaluation of colorectal tissue biopsy results, which is currently still the gold standard in colorectal cancer diagnosis, has its limitations. Determining the severity of colorectal cancer is done subjectively by anatomical pathologists through microscopic observation. Results from this evaluation are qualitative data which can contribute to the high level of false positive and negatives of the diagnosis. Studies using spectrophotometric principles have been carried out in previous diagnostic efforts. However, to date, there are still no studies using the VIS-NIR reflectance spectrophotometer as a quantitative and objective diagnostic tool for colorectal cancer.

Objective: This is a pilot study to determine the potential and ability of the VIS-NIR reflectance spectrophotometer in differentiating normal, precancerous, and inflammatory parrafin-block of mouse colorectal tissues.

Method: This experimental study uses paraffin-block samples of colorectal tissue from Mus musculus mice. Samples were classified by anatomical pathologists into three categories based on the degree of lesion, namely normal, inflammatory, and precancerous. A total of 30 samples were measured by their light intensity reflectance at 454 different wavelengths included in the VIS-NIR spectrum. Results are evaluated using SPSS 26.0 for comparative testing and Orange Data Mining for machine learning to evaluate their competence in differentiating samples based on the degree of lesion.

Results and Discussion: Comparative test results proved that 429 of the 454 wavelengths in the VIS-NIR light spectrum had a significant difference in light intensity reflectance between the three degree groups of lesion (p<0.05). The best machine learning in differentiating samples according to the degree of lesions based on light reflectance intensity is the SVM model with the value of Area Under the Curve (AUC) 98.3%, Classification Accuracy (CA) 86.7%, F1 score 0.862, Precision 86.9%, Recall 86.7%, sensitivity 70-100%, and specificity 90-95%.

Conclusion: VIS-NIR Reflectance spectrophotometry can distinguish normal, inflammatory, and precancerous colorectal tissue in Mus musculus mice with good sensitivity and specificity."

"Kanker kolorektal terus menyumbang jumlah kasus kanker dan kematian yang tinggi setiap tahunnya. Salah satu metode diagnosis progresi kanker ini adalah dengan interpretasi biopsi dari ahli patologi anatomi. Akan tetapi, seringkali terjadi misinterpretasi antar patolog karena lesinya yang kurang spesifik. Maka dari itu, perlunya ada alat bantu yang dapat menunjang pekerjaan ahli patologi anatomi dalam menginterpretasi progresi kanker kolorektal. Penelitian ini bertujuan untuk melihat kemampuan spektrofotometer untuk mengklasifikasikan jaringan kolorektal mencit. Data jaringan mencit yang sudah diklasifikasikan menurut ahli PA diuji menggunakan cahaya tampak dan akan dibaca oleh spektrofotometer reflektansi. Hasil dari spektrofotometer kemudian akan dibaca oleh Theremino Spectrophotometer. Semua data kemudian diuji normalitas menggunakan uji Saphiro Wilk, dilanjutkan dengan uji ANOVA atau Kruskal-Wallis, kemudian uji Post Hoc atau Mann-Whitney. Data juga dianalisis menggunakan supervised dan unsupervised machine learning. Dari uji hipotesis hanya didapatkan 2 panjang gelombang yang dapat membedakan jaringan normal dan prekanker secara signifikan (696,7 dan 699.8 nm). Sedangkan yang lainnya kurang dapat membedakan jaringan normal, radang, dan prekanker. Hasil dari machine learning menunjukkan sensitivitas, spesifisitas, AUC, akurasi, dan presisi yang rendah. Maka dari itu, dapat disimpulkan dari penelitian ini bahwa metode spektrofotometri reflektans cahaya tampak kurang cocok digunakan untuk membedakan jaringan kolon normal, radang, dan prekanker pada sediaan preparat mencit.

---

Colorectal cancer continues to account for a high number of cancer cases and deaths every year. The gold standard of diagnosing this cancer progression is by interpretation of a biopsy from an anatomical pathologist. However, there is often misinterpretation among pathologists due to their unspesific lesions. Therefore, it is required to have a tool that can support the work of anatomical pathologists in interpreting the progression of colorectal cancer. This study aims to see the ability of the spectrophotometer to classify the colorectal tissue of mice. Mice tissue data that has been classified according to PA experts was tested using visible light and would be read by a reflectance spectrophotometer. The results of the spectrophotometer will then be read by the Theremino Spectrophotometer. All data were then tested for normality using the Saphiro Wilk test, followed by the ANOVA or Kruskal-Wallis test, then the Post Hoc or Mann-Whitney test. Data were also analyzed using supervised and unsupervised machine learning. From the hypothesis test, only 2 wavelengths were found that could significantly differentiate normal and precancerous tissue (696.7 and 699.8 nm). While others are less able to distinguish normal, inflammatory, and precancerous tissue. The results from machine learning show low sensitivity, specificity, AUC, accuracy, and precision to distinguish between the three categories. Therefore, it can be concluded from this research that the visible light reflectance spectrophotometric method is not suitable for distinguishing normal, inflammatory, and precancerous colonic tissue in mice preparations."

"Latar belakang: Diagnosis memiliki peranan yang sangat penting dalam penatalaksanaan kanker usus halus. Namun, pemeriksaan sebelumnya memiliki kekurangan, yaitu; sensitivitas rendah, operator dependent, dan lama. Sehingga akan diobservasi spektrofotometri autofluorosensi menggunakan blok parafin yang memiliki sensitivitas, spesifisitas, akurasi, dan presisi dengan nilai yang baik. Metode: Studi ini mengukur perbedaan intensitas cahaya fluorosensi menggunakan spektrofotometri autofluorosensi cahaya UV pada blok parafin jaringan kanker usus halus mencit dalam panjang gelombang dari 420.2nm sampai 762.9nm. Hasil uji dianalisis menggunakan dua perangkat lunak, yaitu SPSS 26.0 serta Orange Data Mining. Dalam melakukan analisis Orange Data Mining (kualitatif), data akan dianalisis menggunakan PCA dan 7 jenis PC. Sedangkan machine learning (analisis kuantitatif) dengan cross validation kelipatan 5. Hasil: Dari 511 panjang gelombang yang menunjukkan adanya perbedaan signifikan intensitas cahaya pada ketiga kelompok sampel, perbedaan intensitas cahaya dapat dibedakan secara signifikan pada (panjang gelombang); 495 pada kelompok normal-prekanker, 495 pada kelompok normal-radang, 454 pada kelompok radang-prekanker. Selain itu, dalam hasil analis Machine Learning menunjukkan bahwa Neural Network memiliki performa terbaik dalam menganalisis klasifikasi derajat lesi kanker usus halus. Kesimpulan: Spektrofotometri autofluorosensi memiliki kemampuan mengklasifikasikan jaringan normal, radang, serta pre-kanker pada usus halus mencit dengan nilai sensitivitas dan spesifititas baik, namun masih terdapat kesulitan membedakan jaringan radang.

---

Background: Diagnosis has a very important role in the management of small bowel cancer. The previous examination, on the other hand, had drawbacks, including low sensitivity, operator dependence, and a long time.So that autofluorescence spectrophotometry will be observed using a paraffin block that has good sensitivity, specificity, accuracy, and precision. Method: This study measured the difference in fluorescence intensity using UV light autofluorescence spectrophotometry on paraffin blocks of mouse small intestine cancer tissue at wavelengths from 420.2 nm to 762.9 nm. The test results were analyzed using two software programs, namely SPSS 26.0 and Orange Data Mining. Data will be analyzed using PCA and 7 different types of PCs in the orange data mining analysis (qualitative).while using machine learning (quantitative analysis) with a total of 5 cross-validations. Results: Of the 511 wavelengths that show a significant difference in light intensity in the third sample group, the difference in light intensity can be significantly different at 495 in the normal-precancer group, 495 in the normal-inflammation group, and 454 in the inflammatory-precancer group. In addition, the results of machine learning analysis show that the neural network has the best performance into analyze the classification of small intestine cancer lesion degrees. Conclusion: Autofluorescence spectrophotometry has the ability to classify normal, inflammatory, and precancerous tissues in the small intestine of mice with good sensitivity and specificity, but there are still difficulties in differentiating tissue inflammation"

"Latar belakang: Kanker lambung bertanggung jawab atas lebih dari 1.000.000 kasus kanker baru pada tahun 2020 dan diperkirakan 769.000 kematian atau sama dengan satu dari setiap 13 kematian secara global. Deteksi dini menjadi kunci penurunan angka kematian dan perbaikan prognosis, dengan baku emas berupa avaluasi histopatologi dari hasil biopsi endoskopi. Tetapi subjektivitas pemeriksan tersebut berpotensi menimbulkan kesalahan diagnosis terutama akibat kesalahan interpretasi ahli patologi. Untuk itu, diperlukan metode diagnostik kuantitatif yang dapat menilai secara objektif lesi prekanker atau inflamasi pada dinding lambung. Metode autofluoresensi sebelumnya sudah digunakan dalam upaya diagnostik kanker lambung. Namun, saat ini belum ada studi terkait penggunaan spektrofotometri autofluoresensi sebagai metode diagnostik kuantitatif dan objektif untuk kanker lambung. Tujuan: Studi ini dilakukan untuk mengetahui kemampuan spektrofotometri autofluoresensi dalam mengidentifikasi jaringan lambung normal, inflamasi dan prekanker berdasarkan intensitas fluoresensi jaringan.Metode: Studi ini menggunakan sediaan blok parafin jaringan lambung mencit (Mus musculus) normal, inflamasi dan prekanker. Intensitas fluoresensi jaringan diukur pada 640 panjang gelombang menggunakan spektrofotometer autofluoresensi sederhana dengan sumber cahaya ultraviolet. Analisis data dilakukan dengan SPSS untuk uji normalitas, homogenitas dan hipotesis. Dilanjutkan dengan pengelompokkan data secara kualitatif dengan Principal Component Analysis (PCA) dan secara kuantitatif dengan machine learning dengan 3-fold cross validation. Hasil analisis dengan PCA dinilai dengan scatter plot. Hasil pengolahan data secara kuantitatif dinilai dengan Area under the Curve (AUC),Classification Accuracy (CA), precision, recall, F1-score, sensitivitas dan spesifisitas. Hasil: Ditemukan dua panjang gelombang dengan intensitas fluoresensi bermakna untuk tiga kelompok jaringan dan 554 panjang gelombang yang bermakna untuk dua kelompok jaringan. Dalam pengelompokkan tiga variabel, ditemukan nilai AUC 0,900, CA 0,833, Skor F1 0,831, Precision 0,802, dan Recall 0,800. Dalam pengelompokkan dua variabel, ditemukan sensitivitas dan spesifisitas 100% untuk membedakan jaringan prekanker dengan normal. Sensitivitas 100% dan spesifisitas 80% untuk jaringan prekanker dengan inflamasi. Serta sensitivitas 80% dan spesifisitas 90% untuk jaringan inflamasi dengan normal. Kesimpulan: Spektrofotometeri autofluoresensi dapat membedakan jaringan lambung normal, inflamasi dan prekanker mencit Mus musculus dengan sensitivitas dan spesifisitas yang baik.

---

Introduction: Gastric cancer was responsible for more than 1,000,000 new cancer cases in 2020 and an estimated 769,000 deaths or equal to one in every 13 deaths globally. Early detection is the key to reducing mortality and improving prognosis, with histopathological evaluation of endoscopic biopsy results as gold standard. However, the subjectivity of the examination has the potential to cause misdiagnosis, mainly due to the pathologist's misinterpretation. For this reason, quantitative diagnostic methods are needed that can objectively assess precancerous or inflammatory lesions in the gastric wall. The autofluorescence method has previously been used in the diagnostic effort of gastric cancer. However, there are currently no studies related to the use of autofluorescence spectrophotometry as a quantitative and objective diagnostic method for gastric cancer Objective: This study was conducted to determine the ability of autofluorescence spectrophotometry to identify normal, inflammatory and precancerous gastric tissue based on the intensity of tissue fluorescence.Method: This study used a paraffin block preparation of normal, inflammatory and precancerous mice (Mus musculus) gastric tissue. The intensity of tissue autofluorescence was measured at 640 wavelengths using simple autofluorescence spectrophotometer with ultraviolet light source. Data analysis was performed using SPSS to test for normality, homogeneity and hypotheses. Followed by grouping the data qualitatively with Principal Component Analysis (PCA) and quantitatively with machine learning with 3-fold cross validation. The results of the PCA analysis were assessed using a scatter plot. The results of quantitative data processing were assessed by Area under the Curve (AUC), Classification Accuracy (CA), precision, recall, F1-score, sensitivity and specificity. Result: Two wavelengths with significant fluorescence intensity were found for three tissue groups and 554 significant wavelengths for two tissue groups. In grouping the three variables, the AUC value was 0.900, CA 0.833, F1 score 0.831, Precision 0.802, and Recall 0.800. In grouping the two variables, 100% sensitivity and specificity were found to differentiate between precancerous and normal tissues. 100% sensitivity and 80% specificity for precancerous tissue with inflammation. As well as 80% sensitivity and 90% specificity for normal inflammatory tissue. Conclusion: Autofluorescence spectrophotometry can differentiate normal, inflammatory and precancerous gastric tissue in mice Mus musculus with good sensitivity and specificity."

"Latar belakang: Kasus kanker terus meningkat setiap tahunnya. Begitu pula dengan kanker kolon. Selain itu, belum terdapat penelitian mengenai pendeteksian kanker kolon menggunakan spektrofotometri autofluoresensi. Tujuan: Penelitian bertujuan untuk mengetahui perbedaan panjang gelombang dan intensitas cahaya reflektans pada sediaan preparat blok parafin jaringan kolon normal, radang, dan prekanker mencit menggunakan spektrofotometri autofluoresensi dengan menilai sensitivitas dan akurasinya. Metode: Penelitian ini mengukur panjang gelombang dan intensitas cahaya reflektans pada jaringan kolon normal, radang, dan prekanker mencit dengan spektrofotometri autofluoresensi bersumber cahaya ultraviolet (UV) pada panjang gelombang 420,2—762,9 nm. Kemudian dianalisis dengan menggunakan SPSS untuk menguji hipotesis dan normalitas data serta Orange Data Mining yang ditinjau dengan machine learning untuk mengetahui sensitivitas, spesifisitas, akurasi, precision, serta recall. Hasil: Tidak terdapat perbedaan signifikan panjang gelombang reflektans antara 3 kelompok jaringan kolon (normal, radang, dan prekanker) dengan akurasi 56,7% dan tidak ditemukan perbedaan signifikan panjang gelombang reflektans antara 2 kelompok jaringan (radang dengan prekanker) dengan sensitivitas 66,67% dan nilai diagnosis buruk. Namun, ditemukan 175 panjang gelombang reflektans dengan perbedaan signifikan dalam membedakan jaringan kolon normal dengan radang atau prekanker dengan sensitivitas 72,73%—100% dan nilai diagnosis baik hingga sangat baik. Kesimpulan: Spektrofotometri autofluoresensi bersumber cahaya ultraviolet (UV) dapat mengklasifikasikan 2 kelompok jaringan kolon, yakni jaringan kolon normal dengan jaringan kolon radang atau prekanker. Namun, tidak dapat mengklasifikasikan 3 kelompok jaringan kolon, yakni jaringan kolon normal, radang, dan prekanker serta 2 kelompok jaringan kolon radang dengan prekanker.

---

Introduction: Cancer cases are increasing annually, including colon cancer. Furthermore, early detection of colon cancer using autofluorescence spectrophotometry also hasn't been done before. Objectives: This research aims to comprehend the difference between reflectance wavelength and light intensity in normal, inflammation, and precancerous mice's colon tissues in paraffin block samples using autofluorescence spectrophotometry by assessing its accuracy and sensitivity. Method: This research measured reflectance wavelength and light intensity of normal, inflammation, and precancerous mice's colon tissue using autofluorescence spectrophotometry with ultraviolet light, in the range of 420.2—762.9 nm. Afterward, it was analyzed by SPSS to test the hypothesis and data normality, also Orange Data Mining's machine learning to determine its sensitivity, specificity, accuracy, precision, and recall. Result: There was no significant difference in reflectance wavelength between 3 groups of colon tissues (normal, inflammation, and precancerous) with accuracy valued at 56.7%, also between 2 groups of colon tissues (inflammation and precancerous) with sensitivity valued at 66.67% and "poor" diagnostic value. Nonetheless, there were 175 significantly different reflectance wavelengths to differentiate normal with inflammation or precancerous colon tissue with sensitivity valued at 72.73%—100% and "good" to "excellent" diagnostic value. Conclusion: Autofluorescence spectrophotometry with ultraviolet (UV) light can classify 2 groups of colon tissue, i.e. normal with inflammation or precancerous colon tissue. Otherwise, it cannot classify 3 groups of colon tissue (normal, inflammation, precancerous) at a time and 2 groups of colon tissue (inflammation and precancerous)."

"Latar belakang: Kanker payudara merupakan kanker paling umum yang terjadi pada wanita dan urutan kedua paling umum terjadi secara umum (2.089.000 kasus per tahun 2018), dengan salah satu mortalitas tertinggi (627.000 kematian per tahun 2018). Namun begitu, metode diagnosis histopatologi, standar baku emas penemuan kanker payudara, masih bersifat subjektif terhadap operator peneliti yang mengakibatkan rawannya terjadi diagnosis negatif palsu dan positif palsu. Beberapa studi kemudian meneliti aplikasi dari metode spektrofotometri autofluoresensi sebagai alat diagnosis tambahan dari beragam kanker dengan hasil yang memiliki sensitivitas tinggi dan periode akuisisi data yang singkat. Terlepas hasilnya yang menjanjikan, hingga saat ini belum ada studi aplikasi spektrofotometri autofluoresensi dalam klasifikasi derajat lesi kanker payudara. Penelitian ini dilakukan untuk mengetahui potensi spektrofotometer autofluoresensi sebagai metode klasifikasi jaringan payudara mencit normal, prekanker, dan kanker dalam sediaan blok parafin. Metode: Dalam penelitian ini diukur 640 panjang gelombang mulai dari 420.2–762.9nm terhadap 30 total sampel blok parafin jaringan payudara mencit normal, prekanker, dan kanker. Data autofluoresensi kemudian dianalisis melalui perangkat lunak SPSS untuk uji komparatif dan Orange Data Mining untuk analisis machine learning. Hasil: Terdapat 583 dari 640 panjang gelombang yang dapat menunjukan perbedaan intensitas cahaya antar derajat lesi, dengan 3 di antaranya dapat menunjukkan perbedaan yang bermakna. Logistic Regression merupakan machine learning dengan performa terbaik untuk mengklasifikasi derajat lesi jaringan kanker payudara berdasarkan skor AUC (91,2%), akurasi (83,3%), presisi (83,3%), recall (83,3%), F1 (82.9%), spesifisitas (77,8-100%), dan sensitivitas (87,5%-100%). Kesimpulan: Spektrofotometri autofluoresensi menunjukan performa yang cukup baik dalam aplikasinya mengklasifikasi jaringan payudara mencit normal, prekanker, dan kanker.

---

Introduction: Being the most common cancer in women and the second most common in general (2,089,000 cases on 2018), Breast cancer also has one of the highest mortality rate (627,000 deaths on 2018). However, despite the histopathological diagnosis method being the gold standard for breast cancer detection, it is still very subjective to the operator, making it prone to false negative and false positive diagnoses. Several studies investigating the application of the autofluorescence spectrophotometric method as an additional diagnostic tool for various cancers shows high sensitivity results with short data acquisition period. Despite the promising results, until today, there has not been a study of the application of autofluorescence spectrophotometry in the classification of the breast cancer lesions. This study was conducted to determine the potential of the autofluorescence spectrophotometer as a method of classifying normal, precancerous, and cancerous mice breast tissue in paraffin block samples. Method: In this study, 640 wavelengths ranging from 420.2–762.9nm were measured against a total of 30 paraffin block samples of normal, precancerous, and cancer mice breast tissue. The autofluorescence data was then analyzed using SPSS software for comparative testing and Orange Data Mining for machine learning analysis. Result: There are 583 of 640 wavelengths that able to show differences in light intensity between the degrees of lesions, with 3 of them showing significant differences. Logistic Regression is a machine learning with the best performance to classify the degree of breast cancer tissue lesions based on the AUC score (91.2%), accuracy (83.3%), precision (83.3%), recall (83.3%), F1 (82.9%), specificity (77.8-100%), and sensitivity (87.5%- 100%). Conclusion: Autofluorescence spectrophotometry shows a fairly good performance in its application to classify normal, precancerous, and cancerous mice breast tissue."

"Kanker kolorektal merupakan keganasan sel yang tumbuh dari jaringan usus besar, seperti kolon dan rektum. Kasus kanker kolorektal di Indonesia menempati urutan ketiga dengan 12,8 insiden per 100.000 penduduk usia dewasa dan memiliki nilai mortalitas sebesar 9,5% dari seluruh kasus jenis kanker. Lambatnya diagnosis kanker sejak dini dan prognosis yang buruk menyebabkan tingginya mortalitas kanker kolorektal di Indonesia dibandingkan pada beberapa negara maju. Oleh karena itu, diperlukan identifikasi biomarker, seperti deteksi ekspresi RNA yang berfungsi sebagai pemberi informasi genetik dan subjek regulasi transkripsi, untuk memahami jalur pensinyalan karsinogenesis kolorektal dalam meningkatkan prognosis dan prediksi respons terapeutik terhadap pasien. Telomerase Reverse Transcriptase (hTERT) merupakan subunit utama dari enzim telomerase yang memiliki peran dalam menjaga kestabilan kromosom, sehingga mengindikasi adanya pengaruh ekspresi hTERT yang tinggi terhadap perkembangan kanker kolorektal. Penelitian ini menggunakan sampel jaringan normal dan kanker kolorektal yang diperoleh dari pasien pengidap kanker kolorektal dengan nilai ekspresi gen hTERT diperoleh menggunakan reverse transcription-quantitative polymerase chain reaction (RT-qPCR). Nilai Cycle Threshold (CT) diperoleh dan dilakukan analisis statistik menggunakan aplikasi JAMOVI. Berdasarkan rumus ekspresi gen 2-IICT, ekspresi meningkat jika memiliki perhitungan ekspresi <1 dan ekspresi menurun jika memiliki perhitungan ekspresi 1<. Hasil menunjukkan bahwa sebesar 50% pasien pengidap kanker kolorektal mengalami peningkatan ekspresi gen hTERT RNA, sedangkan 50% lainnya mengalami penurunan ekspresi. Peningkatan ekspresi gen hTERT RNA pada jaringan kanker adalah sebesar 18,97 kali lebih tinggi dibandingkan jaringan normal. Namun, berdasarkan analisis statistik, ekspresi hTERT tidak menunjukkan perbedaan yang signifikan antara jaringan normal dan kanker dikarenakan jumlah sampel yang sedikit.

---

Colorectal cancer is a malignancy that grows from the tissues of the large intestine, such as the colon and rectum. Colorectal cancer cases in Indonesia ranks third with 12.8 incidents per 100,000 adult population and has a mortality rate of 9.5% of all cancer cases. The delay in early cancer diagnosis and poor prognosis lead to higher colorectal cancer mortality in Indonesia compared to some developed countries. Therefore, it is necessary to identify biomarkers, such as detection of RNA expression that serves as a genetic information provider and transcriptional regulatory subject, to understand the signaling pathways of colorectal carcinogenesis in improving prognosis and predicting therapeutic response in patients. Human Telomerase Reverse Transcriptase (hTERT) is the main subunit of the telomerase enzyme that has a role in maintaining chromosome stability, thus indicating the effect of high hTERT expression on the development of colorectal cancer. This study used normal tissue samples and colorectal cancer obtained from patients with colorectal cancer with hTERT gene expression values ​​obtained using reverse transcription-quantitative polymerase chain reaction (RT-qPCR). Cycle Threshold (CT) values ​​were obtained, and statistical analysis was performed using the JAMOVI application. Based on the 2-IICT gene expression formula, the expression increased if it had an expression count <1 and the expression decreased if it had an expression count of 1<. The results showed that 50% of patients with colorectal cancer had an increased expression of the hTERT RNA gene, while the other 50% had decreased expression. The increase in hTERT RNA gene expression in cancer tissue was 18.97 times higher than normal tissue. However, based on statistical analysis, hTERT expression did not show a significant difference between normal and cancer tissues due to the small number of samples."

"Udara di tulang temporal mempunyai fungsi yang bervariasi, terutama sebagai cadangan udara telinga tengah. Gangguan fungsi tuba Eusthacius akan menyebabkan udara di tulang temporal berfungsi sehingga tidak terbentuk tekanan negatif yang disebabkan penyerapan udara oleh mukosa telinga tengah. Hal ini mencegah terjadinya perubahan mukosa telinga tengah dan mencegah terjadinya otitis media.Tujuan penelitian ini adalah untuk menilai kesesuaian klasifikasi pneumatisasi mastoid berdasarkan struktur sinus sigmoid terhadap volume akurat sel-sel udara mastoid menggunakan MSCT Scan Spiral di Rumah Sakit Cipto Mangunkusumo berupa 158 mastoid dari 78 pasien (40 laki-laki dan 38 perempuan) dengan rentang umur 18 sampai 60 tahun tanpa kelainan atau malformasi pada gambaran CT Scan. Data sekunder diambil dari raw data yang telah direkonstruksi menggunakan pesawat CT scan Somatom spiral scanner (Siemens Medical Systems) dengan tebal irisan 2,0 mm, Filter Kernel H 70 very sharp, mastoid window (window width 4.000 HU, window level 600 HU), densitas antara – 1.000HU sampai dengan +70HU di dalam Compact Disc.Klasifikasi pneumatisasi mastoid ditentukan berdasarkan tiga garis paralel dengan kemiringan 45◦ yang diletakkan pada posisi garis melewati bagian paling anterior dari sinus sigmoid pada persimpangannya dengan tulang petrosus, bagian paling lateral di sepanjang bidang transversal sigmoid groove dan paling posterior dari sinus sigmoid.Statistik deskriptif (SPSS 17.0) disajikan berupa analisis volume sel-sel udara mastoid berdasarkan kelompok pneumatisasi menggunakan uji Kruskal Wallis dilanjutkan analisis Post Hoc dengan hasil rerata volume sel-sel udara masingmasing kelompok pneumatisasi berbeda bermakna dengan kelompok lainnya, dengan batas kemaknaan (α) 0,05, dan ROC (Receiver operator curve) menunjukkan bahwa masing-masing kelompok pneumatisasi mempunyai sensitivitas dan spesifisitas tinggi.

---

The air in the temporal bone has various functions. In particular, it serves as the air reservoir of the middle ear. When the function of the Eustachian tube deteriorates, the air in the temporal bone acts to prevent negative pressure from developing due to absorption of air by the middle ear mucosa, and thus prevents changes of the middle ear mucosa, as well as progression of otitis media.The aim of this paper is to evaluate The Conformity Classification of Mastoid Pneumatization in Normal Adult based on Sigmoid Sinus with the Mastoid Air Cells Volume using Spiral MSCT Scan in Cipto Mangunkusumo Hospital of One hundred and fifty six mastoids of 78 subjects (40 males and 38 males) ranged in age from 18 years to 60 years without impairment or malformation of temporal bone CT scan were eligible for enrolment in this study.Secondary data drawn from raw data in Compact Disc that has been reconstructed using Somatom spiral scanner (Siemens Medical Systems) with 0,2 cm slice thickness, filter Kernel very sharp and mastoid window (window width 4.000HU and window level 600HU). We used -1.000 to + 70 HU.Classification of mastoid pneumatization is determined based on three parallel lines angled at 45◦ in the anterolateral direction which each line crossed the most anterior point of the sigmoid sinus at the junction with the petrous bone, the most lateral aspect along the transverse plane of the sigmoid groove, and the most posterior point of the sigmoid sinus, respectively.Descriptive statistics (SPSS 17.0) are presented in the form of air cells mastoid volume based on Classification of mastoid pneumatization using Kruskal Wallis test and followed by Post Hoc analysis with the volume of the mastoid air cells of each group differ significantly with other groups, significance limit of 0.05, and ROC (Receiver operator curve) showed that each group has a high sensitivity and specificity."

"Teknologi bahan berubah fasa (BBF) atau phase change material (PCM) merupakansalah satu teknologi rekayasa bahan sangat luas manfaat dan perannya dalam aplikasipenggunaan fitur manajemen termal yang dikenal dengan istilah “bahan cerdas”. Salahsatu teknik pembuatan BBF pengkondisi pasif berkinerja tinggi adalah denganmenggabungkan bahan dasar BBF dengan bahan nano oksida logam TiO2 yang memilikisifat stabilitas termal yang sangat tinggi.Tujuan penelitian ini untuk menganalisa perbandingan karakteristik sifat termal utamanano komposit BBF parafin/TiO2 yang dibuat dengan proses in situ mekanik dengansurfaktan sebagai pemacu dispersi karena variasi pengaruh waktu dan pengadukan padakecepatan tinggi.Penelitian ini menggunakan prosedur eksperimental melalui pencampuran mekanik insitu BBF berbasis parafin dan rutil Titanium dioksida (TiO2) 4 wt% untuk membentukNano Komposit Bahan berubah fasa (NKB) dengan variasi pengadukan kecepatan tinggi(700, 900 dan 1100 rpm pada 90°C selama 45, 60, dan 90 menit) dan dicampur denganNatrium Dodesil Sulfat (Sodium Dodecyl Sulphate (SDS)) sebagai dispersan denganmengaplikasikan premixing larutan polar (distilasi H20 + 4 wt% SDS dispersan) kelarutan berbasis parafin non-polar (lilin parafin + 4 wt% TiO2) dengan perbdaningan 1:4,kemudian didinginkan secara alami. Spektrum Fourier Transient Infrared (FTIR) dan polaX-Ray Diffraction (XRD) menunjukkan ciri khas sistem komposit. tidak ada sistemmaterial baru yang tersusun. Bilangan gelombang khas komposit PW + TiO2 (2918 cm-1,2851cm-1, 1471 cm-1, 720cm-1 dan 469 cm-1) terlihat pada FTIR, sedangkan puncakintensitas tinggi 2θ = 21,4° dan 23,8 dan puncak intensitas rendah 27,4° dan 36,1°, polaXRD dapat dikaitkan dengan kristal parafin monoklinik dengan difraksi bidang tipikal(110) dan (200) dan TiO2. Sifat termal komposit diukur dengan menggunakanKalorimetri Pemindaian Diferensial. Temuan menunjukkan bahwa BBFberbasis parafinmemiliki kapasitas penyimpanan termal yang lebih tinggi sebesar 144,3 J/g dibandingkandengan nilai umumnya 104,5 J/g. Dengan Persamaan Patel diperoleh nilai konduktifitasNKB-MY2 (Nano Komposit BBF Parafin/TiO2- Mekanik - 900rpm- 60 menit), sebesar0,41 W/m.K dan NKB-SY2 (Nano Komposit BBF Parafin/TiO2- SDS- 900rpm -60menit), sebesar 0,43 W/m.K yaitu meningkat 69% dan 75,6% dari BBF Parafin murni.Pengamatan Scanning Electron Microscope menunjukkan dispersi cluster TiO2 yanglebih baik (mengkilap, halus, bulat, dan menyebar). Hal ini menunjukan bahwa kecepatanpengadukan dan suhu yang tepat dapat meningkatkan kapasitas untuk mengisolasi suhu.

---

Phase change material (PCM) technology is one of the most widely used materialsengineering technologies and its role in the application of thermal management featuresknown as "smart materials". One of the techniques for making high-performance passiveconditioning PCM is by combining PCM base material with TiO2 metal oxide nanomaterial which has very high thermal stability properties.The purpose of this study was to analyze the comparison of the main thermalcharacteristics of PCM paraffin / TiO2 nano composites made with a mechanical in situprocess using surfactants as dispersion promoters due to variations of time and at highspeed stirring.This study used an experimental procedure through in situ mechanical mixing of paraffinbasedPCM and 4 wt% rutile titanium dioxide (TiO2) to form nano composite PCM withhigh-speed stirring variations (700, 900 and 1100 rpm at 90° c for 45, 60, and 90 minutes)and mixed with Sodium. Dodecyl Sulphate (SDS) as a dispersant by applying a polarsolution premixing (distillation H20 + 4 wt% SDS dispersant) to a non-polar paraffinbasedsolution (paraffin wax + 4 wt% TiO2) in a ratio of 1: 4, then cooled naturally.Fourier Transient Infrared (FTIR) spectra and X-Ray Diffraction (XRD) patterns showedthe characteristics of a composite system. no new material system was composed. Thetypical wave numbers of the PW + TiO2 composite (2918 cm-1, 2851cm-1, 1471 cm-1,720cm-1 and 469 cm-1) were observed in FTIR, while the high intensity peaks were 2θ =21.4°, 23.8° and low intensity peaks of 27.4°, 36.1°, XRD patterns were attributed tomonoclinic paraffin crystals with typical plane diffraction (110) and (200) and TiO2. Thethermal properties of the composites were measured using Differential ScanningCalorimetry. The findings indicated that paraffin-based PCM had a higher thermalstorage capacity of 144.3 J/g compared to the typical value of 104.5 J/g. With the Patelequation, the conductivity value of NKB-MY2 (Nano Composite PCM Paraffin / TiO2-Mechanical - 900rpm- 60 minutes) is 0.41 W / mK and NKB-SY2 (Nano CompositePCM Paraffin / TiO2- SDS- 900rpm - 60min), is 0.43 W / mK, which is an increase of69% and 75,6% of pristine Paraffin PCM. Scanning Electron Microscope observationsshow better TiO2 cluster dispersion (shiny, smooth, round, and diffuse). This showed thatthe stirring speed and the right temperature can increase the capacity to isolatetemperatures"

"Kanker kolorektal adalah jenis kanker pada kolon dan rektum usus besar yang disebabkan oleh pertumbuhan abnormal. Kasus kanker kolorektal di Indonesia merupakan kasus kanker tertinggi urutan ketiga dan mengalami peningkatan setiap tahunnya. Oleh karena itu, deteksi kanker kolorektal diperlukan untuk diagnosis dan prognosis kanker kolorektal. Salah satu metode deteksi yang digunakan adalah deteksi ekspresi RNA untuk mengetahui gen yang diekspresikan secara berlebih atau sebaliknya pada jalur perkembangan kanker kolorektal yang terpengaruh. Ekspresi heparanase (HPSE) diketahui menginduksi perkembangan kanker kolorektal. Penelitian ini bertujuan untuk mengetahui tingkat ekspresi HPSE pada jaringan normal dan kanker kolorektal. Penelitian ini menggunakan sepuluh sampel untuk masing-masing jaringan normal dan kanker kolorektal dari pasien kanker kolorektal. Nilai ekspresi HPSE diukur dengan reverse transcription-quantitative polymerase chain reaction (RT-qPCR). Selanjutnya, analisis statistik dilakukan menggunakan aplikasi SPSS. Hasil RT-qPCR menunjukkan bahwa ekspresi HPSE RNA pada jaringan kanker 6,912 kali lebih tinggi dibandingkan pada jaringan normal. Berdasarkan nilai perbandingan ekspresi gen relatif yang diatur dengan nilai 1. Ekspresi HPSE untuk setiap individu pasien dikelompokkan menjadi ekspresi meningkat (>1) dan menurun (<1). Berdasarkan hasil qPCR, ekspresi HPSE tidak terdeteksi pada tiga sampel pasien yang ditunjukkan dengan tidak terjadinya amplifikasi. Hasil ini diduga disebabkan oleh template RNA yang digunakan mengalami degradasi. Analisis statistik menunjukkan ekspresi HPSE pada jaringan kanker kolorektal tidak memiliki perbedaan secara signifikan dengan jaringan normal berdasarkan nilai p > 0,05.

---

Colorectal cancer is a type of cancer of the colon and rectum of the large intestine caused by abnormal growth. Colorectal cancer cases in Indonesia are the third highest cancer cases and are increasing every year. Therefore, detection of colorectal cancer is needed for the diagnosis and prognosis of colorectal cancer. One of the detection methods used is RNA expression detection to determine which genes are overexpressed or otherwise in the affected colorectal cancer development pathway. The expression of heparanase (HPSE) is known to induce the development of colorectal cancer. This study aims to determine the level of HPSE expression in normal tissue and colorectal cancer. This study used ten samples for each of normal and colorectal cancer tissue from colorectal cancer patients. Relative expression value HPSE measured by reverse transcription-quantitative polymerase chain reaction (RT-qPCR). Furthermore, statistical analysis was performed using the SPSS application. RT-qPCR results showed that HPSE expression in cancer tissue was 6,912 higher than in normal tissue. Based on the comparative value of relative gene expression, which was set to a value of 1. The HPSE expression for each individual patient was grouped into increased (>1) and decreased (<1) expressions. Based on the results of RT-qPCR, HPSE expression was not detected in three patient samples as indicated by the absence of amplification. This result was thought to be caused by the degradation of the template RNA. HPSE in colorectal cancer tissue did not differ significantly from normal tissue based on p > 0.05."