Un enfoque de series temporales para la garantía de calidad específica del paciente de los planes de radiocirugía...

Área de la Ciencia:

• Física médica
• Radiología Oncológica
• Aprendizaje automático

Sus antecedentes:

• La radiocirugía estereotáctica (SRS) para las metástasis cerebrales múltiples ofrece distribuciones de dosis conformes.
• Los planes de SRS requieren una modulación extrema de los parámetros de la máquina, lo que aumenta el riesgo de fallo de la garantía de calidad específica del paciente (PSQA).

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático (ML) para predecir el resultado PSQA (tasa de aprobación gamma, GPR) para los planes de SRS.
• Mejorar la eficiencia y fiabilidad de la PSQA para los tratamientos de SRS.

Principales métodos:

• Se utilizaron datos de 592 pacientes tratados entre 2020 y 2024.
• Se extrajeron 15 métricas de complejidad del plan como características de entrada.
• Utilizó la división de datos estratificados y de series temporales para la capacitación, la validación y la prueba de modelos ML.

Principales resultados:

• El modelo ML obtuvo un error medio absoluto del 2,6% en el conjunto de ensayos.
• Se ha demostrado una alta sensibilidad (93%) y especificidad (56%) en la predicción de GPR.
• Se identificó una tendencia a la sobreestimación de los valores más bajos de GPR medidos.

Conclusiones:

• Los modelos de aprendizaje automático pueden integrarse eficazmente en la práctica clínica para el control virtual de la calidad del SRS.
• Este enfoque facilita estrategias de calidad de servicio más eficientes y específicas.
• Mejora la seguridad y eficacia de la administración de SRS para las metástasis cerebrales.