Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar belakang: Penilaian usia tulang dengan metode Greulich and Pyle merupakan metode yang paling sering digunakan. Namun metode ini bersifat subjektif dan ahli yang dapat membaca usia tulang dengan metode ini belum tersebar merata. Saat ini, penilaian usia tulang melalui metode deep learning artificial intelligence mulai banyak digunakan. Metode ini dinilai lebih objektif dan memiliki akurasi yang setara atau lebih baik dibandingkan metode Greulich and Pyle.Tujuan: Penelitian ini bertujuan untuk mengetahui akurasi deep learning artificial intelligence dibandingkan Greulich and Pyle dalam menilai usia tulang.Metode: Penelitian merupakan studi potong lintang yang dilakukan di Rumah Sakit Cipto Mangunkusumo menggunakan foto tangan dan pergelangan tangan di Divisi Pencitraan yang diambil pada Desember 2022 sampai November 2023. Subjek yang diteliti adalah anak berusia 1 – 18 tahun yang diindikasikan untuk dilakukan pemeriksaan usia tulang. Akurasi dinilai melalui korelasi, perbedaan rerata, dan kesesuaian antara dua metode.Hasil: Sebanyak 275 foto dalam kurun waktu 12 bulan dimasukkan ke dalam penelitian dengan nilai tengah 9,5 tahun. Korelasi antara kedua metode pembacaan usia tulang adalah 0,971 (IK95% 0,963 – 0,977 ; p < 0,001) yang berarti memiliki korelasi positif kuat. Perbedaan rerata hasil pembacaan kedua metode adalah 0,53 tahun (IK95% 0,45 – 0,62; p < 0,001). Walaupun bermakna secara statistik, perbedaan rerata ini tidak bermakna secara klinis karena usia tulang yang abnormal harus lebih dari 2 standar deviasi. Kesesuaian pembacaan usia tulang antara kedua metode baik dengan nilai kappa 0,752 (IK95% 0,675 – 0,828; p < 0,001).Kesimpulan: Penilaian usia tulang dengan metode deep learning artificial intelligence memiliki akurasi yang sama dengan metode Greulich and Pyle.

---

Background: Bone age assessment using the Greulich and Pyle method is the most frequently used. However, this method is subjective and experts who can read bone age using this method are not evenly distributed. Currently, bone age assessment using deep learning artificial intelligence methods is starting to be widely used. This method is considered more objective and has equivalent or better accuracy.

Objective: This study aims to determine the accuracy of deep learning artificial intelligence compared to Greulich and Pyle in assessing bone age.

Method: This was a cross-sectional study conducted at Cipto Mangunkusumo Hospital using radiology of the hands and wrists in the Imaging Division taken from December 2022 to November 2023. The subjects studied were children aged 1 – 18 years who were indicated for bone age examination. Accuracy was assessed through correlation, mean difference, and agreement between the two methods.

Results: A total of 275 photos over a 12 month period were included in the study with a median value of 9.5 years. The correlation between the two bone age assessment methods was 0.971 (95% CI 0.963 – 0.977; p < 0.001), which showed a strong positive correlation. The mean difference between the two methods was 0.53 years (95% CI 0.45 – 0.62; p < 0.001). Although it had statistically significant, this mean difference was not clinically significant because the abnormal bone age must be more than 2 standard deviations. The agreement between bone age readings between the two methods was good with a kappa value of 0.752 (95% CI 0.675 – 0.828; p < 0.001).

Conclusion: Bone age assessment using the deep learning artificial intelligence method has the same accuracy as the Greulich and Pyle method."

"Latar belakang: Giant Cell Tumor of Bone (GCT tulang) adalah tumor tulang primer yang bersifat jinak-agresif dan dapat bermetastasis. Rentang usia pasien GCT tulang adalah antara 13 sampai 69 tahun. Tumor ini sering ditemukan di bagian distal femur, distal radius, dan proximal tibia. Berdasarkan tipe tulang, GCT tulang sering ditemukan pada ujung tulang panjang. Namun, GCT tulang juga dapat ditemukan pada tipe tulang lainya. Pada beberapa keganasan tulang, seperti osteosarcoma, terdapat korelasi antara usia dengan lokasi tumor. Namun, untuk GCT tulang korelasi ini masih belum diketahui. Penelitian ini bertujuan untuk melihat adanya korelasi usia dengan lokasi pada GCT tulangMetode: Peneliti mengambil data rekam medis pasien GCT tulang di RSUPN dr.Cipto Mangunkusumo dari tahun 2016 sampai 2020. Kemudian, data usia dengan lokasi (topografi dan tipe tulang) dianalisis menggunakan tabel baris kolom.Hasil: Pada kelompok usia 10-39 tahun ditemukan 52 kasus pada tulang apendikular dan 1 kasus pada tulang axial. Pada kelompok usia 40-69 tahun ditemukan 29 kasus pada tuang apendikular dan 4 kasus pada tulang axial. Korelasi antara usia dan lokasi topografis tidak bermakna (p>0.05). Pada kelompok usia 10-39 tahun ditemukan 49 kasus pada tipe tulang panjang dan 4 kasus pada tipe tulang lainnya. Pada kelompok usia 40-69 tahun, ditemukan 27 kasus pada tulang panjang dan 6 kasus pada tipe tulang lainnya. Korelasi antara usia dengan lokasi tipe tulang tidak bermakna (p>0.05).Kesimpulan: Tidak ada hubungan bermakna antara usia dengan lokasi tumor (topografi dan tipe tulang) pada kasus GCT tulang

---

Introduction: Giant cell tumor of bone (GCTB) is a primary bone tumor with benign- aggressive behavior and capacity to metastasize. The age range for GCTB is 13 to 69 years old. GCTB is commonly in distal femur, distal radius, and proximal tibia. Based on bone type, GCTB is frequently found on meta epiphyseal site of long bone. Although, some GCTB can be found on other bone type such as flat bone, short bone, and irregular bone. In some bone neoplasms, like osteosarcoma, there is a correlation between age and tumor site. Unfortunately for GCTB, this correlation is still unknown. This study aims to determine the correlation between age and tumor site of GCTB

Method: Medical record of patients with the diagnosis of GCTB in RSUPN dr.Cipto Mangukusumo from 2016 to 2020 is included in this study. Age at diagnosis and tumor site (topographically and bone type) of patient are analyzed using cross tabulation. Result: For age group 10-39 years old, there are 52 cases of GCTB in appendicular skeleton and one case in axial skeleton. For age group 40-69 years old there are 29 cases of GCTB in appendicular skeleton and 4 cases in axial skeleton. The correlation between age and tumor topographic site is statistically not significant (p > 0.05). For the bone type, there are 49 cases of GCTB in long bone and 4 cases in other bone type for age group 10- 39 years old. For age group 40-69 years old, there are 27 cases of GCTB in long bone and 6 cases in other bone type. The correlation between age and bone type is statistically not significant (p> 0.05)

Conclusion: There are no significant correlation between age and tumor site (topographically and bone type) in GCTB"