Berdasarkan hasil pengukuranRiset Kesehatan Dasar (Riskesdas) 2013, prevalensi tekanan darah di Indonesia yaitu sebesar 26,5%. Menurut profil kesehatan Dinkes Tangerang tahun 2016 prevalensi hipertensi pada 2016 yaitu sebesar 48.662 (49,7%) orang penduduk. Penelitian ini bertujuan untuk mengetahui gambaran hipertensi di Kecamatan Kresek dan Tegal Angus Mei 2018. Metode penelitian menggunakan metode analitik cross sectional. Populasi dalam penelitian ini adalahsemua masyarakat yang berusia >17 tahun di Kecamatan Kresek dan Tegal Angus, Kabupaten Tangerang, Provinsi Banten tahun 2018.Sampel penelitian dilakukan dengan Quota Sampling sebanyak 115 orang. Pengumpulan data dalam penelitian inidengan menggunakan kuesioner.Hasil penelitian yang didapatkan dari 115 responden yaitu rata-rata usia pada rentang usia 18-40 tahun (61,7%), perempuan sebanyak (50,4%), pendidikan rendah (60 %), mayoritas pekerjaan yaitu ibu rumah tangga (34,8%) dan mayoritas tempat tinggal di Tegal Angus (53,9%). Analisis univariate hipertensi sebanyak 66 (57,4%) dan tidak hipertensi 49 (42,6%). Analisis bivariate hubungan antara usia dengan kejadian hipertensi p-value 0,00. Terdapat hubungan antara usia dengan kejadian hipertensi di Kecamatan Kresek and Tegal Angus, Kabupaten Tangerang, Banten.
The COVID-19 pandemic, the growth of smartphones, and the internet have driven the use of technology for monitoring TB patients. Innovation in management of TB patients is needed to improve treatment outcomes. The study was conducted to obtain a predictive model of medication safety and solution model for at-risk patients, and to improve medication safety through mobile applications. The research was conducted in 4 stages, namely qualitative, quantitative (cross-sectional), qualitative, and quantitative (quasi-experimental, post-test group control design). Data were taken at the Public Health Center in Jakarta, Indonesia. Samples were taken by cluster random sampling. For quantitative research, 2nd phase (n = 114) and 4th phase (n = 96) were analyzed using logistic regression. This study analyzed predictors of medication safety to assist in monitoring patients undergoing treatment. At-risk patients were educated using an algorithm programmed in the application.
20 November 2024 in Korean Journal of Family Medicine
Kader merupakan anggota masyarakat yang sangat potensial untuk membantu kesuksesan pengobatan pasien tuberculosis (TB). Salah satu kendala pengobatan TB adalah ketidakpatuhan pengobatan. Kader perlu dibekali dengan kemampuan untuk memprediksi ketidakpatuhan pasien dan memberi pendampingan spesifik sesuai karakteristik pasien. Pelatihan ini menggunakan metode diskusi interaktif, pelatihan langsung dalam penggunaan aplikasi monitoring kepatuhan, dan diskusi kelompok. Peserta pelatihan adalah kader TB di Jakarta Pusat sebanyak 40 orang. Didapatkan kenaikan pengetahuan kader pada saat postes dibandingkan dengan pretes. Akan tetapi saat dilakukan monitoring sebulan setelahnya, pengetahuan kader menurun. Hal ini disebabkan karena mayoritas peserta berusia di atas 40 tahun sehingga retensi ingatan relatif lebih lemah. Berdasarkan evaluasi tersebut, disarankan untuk melakukan refreshing materi yang telah disampaikan.
Background Major Depressive Disorder (MDD) can occur in patients with tuberculosis. The purpose of this research was to develop an early detection system for MDD and conduct an accuracy test. Methods The MOODMIND application uses Natural Language Processing (NLP) with sentiment analysis techniques. MOODMIND offers both speech and text options and is available in Indonesian/English. The screening results were compared with those of the doctor’s autoanamnesis test. Single blinding is used so that doctors are unaware of the application test. Results The app asks open- and closed-ended questions for MDD identification based on the DSM-5. The test results were divided into non-depressive (none or at-risk) and suspected depression groups. MOODMIND showed 67% sensitivity and 100% specificity. Conclusions Ease is advantageous because the steps are simple. MOODMIND has sufficient accuracy, but it can be improved by adding words related to depression in the lexicon adjustment.