Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Cancer Survival Analysis01:21

Cancer Survival Analysis

645
Cancer survival analysis focuses on quantifying and interpreting the time from a key starting point, such as diagnosis or the initiation of treatment, to a specific endpoint, such as remission or death. This analysis provides critical insights into treatment effectiveness and factors that influence patient outcomes, helping to shape clinical decisions and guide prognostic evaluations. A cornerstone of oncology research, survival analysis tackles the challenges of skewed, non-normally...
645

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

3D Printing a Clinically Available Solution From Plaster-Based Positives in Superficial Radiation Therapy.

Journal of medical radiation sciences·2026
Same author

Radiomic correlates with overall survival in glioblastoma: amide proton transfer (APT) imaging-based feature analysis and integration of clinical factors.

Physical and engineering sciences in medicine·2026
Same author

A component-wise commissioning and validation framework for non-transit electronic portal imaging device patient-specific quality assurance.

Physics and imaging in radiation oncology·2026
Same author

PSA persistence in the PSMA PET era: reassessing a risk factor after radical prostatectomy.

Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology·2026
Same author

Emerging Outcome Trends From Proton Therapy for Pediatric CNS Tumors: A Systematic Review.

International journal of particle therapy·2026
Same author

Local Salvage Therapy Alone for Local Recurrence of Prostate Cancer After Radiotherapy: A Systematic Review and Meta-Analysis.

JAMA oncology·2026

Video Experimental Relacionado

Updated: Jan 15, 2026

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
06:46

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery

Published on: September 27, 2024

640

Predicción de la recurrencia del cáncer de próstata mediante un modelo de probabilidad de control tumoral basado en

Kazi Ridita Mahtaba1, Martin A Ebert2,3,4, Jeremy Booth1,5

  • 1Institute of Medical Physics, School of Physics, The University of Sydney, Camperdown, New South Wales, Australia.

Medical physics
|January 14, 2026
PubMed
Resumen

Este estudio desarrolló un modelo basado en atlas para predecir la recurrencia del cáncer de próstata después de la radioterapia. El modelo mejorado identificó con precisión las áreas de alto riesgo, lo que podría permitir un tratamiento personalizado para reducir la recurrencia sin aumentar la toxicidad.

Palabras clave:
recurrencia de cáncer de próstataparámetros de radiosensibilidadprobabilidad de control tumoral

Más Videos Relacionados

Author Spotlight: Advancing Prostate Cancer Research Through Improved Tissue Sampling and Biobanking
07:34

Author Spotlight: Advancing Prostate Cancer Research Through Improved Tissue Sampling and Biobanking

Published on: November 17, 2023

1.1K
Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
07:13

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

485

Videos de Experimentos Relacionados

Last Updated: Jan 15, 2026

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
06:46

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery

Published on: September 27, 2024

640
Author Spotlight: Advancing Prostate Cancer Research Through Improved Tissue Sampling and Biobanking
07:34

Author Spotlight: Advancing Prostate Cancer Research Through Improved Tissue Sampling and Biobanking

Published on: November 17, 2023

1.1K
Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
07:13

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

485

Área de la Ciencia:

  • Oncología
  • Radioterapia Oncológica
  • Física Médica

Sus antecedentes:

  • La recurrencia del cáncer de próstata (PCa) después de la radioterapia (RT) es un desafío clínico importante.
  • La escalada de dosis en RT mejora el control tumoral pero aumenta la toxicidad.
  • La identificación de subvolúmenes radioresistentes podría permitir la RT personalizada para reducir el riesgo de fallo del tratamiento.

Objetivo del estudio:

  • Evaluar un modelo de probabilidad de control tumoral (TCP) basado en atlas para predecir la recurrencia de PCa.
  • Integrar retrospectivamente datos de RT y de histopatología específicos del paciente.
  • Mejorar la predicción de recurrencia utilizando ajustes segmentados al modelo TCP.

Principales métodos:

  • Se utilizaron datos de nueve pacientes con recurrencia local confirmada por biopsia después de RT definitiva.
  • Se registraron de forma deformable atlas CD y TP basados en población en los contornos de próstata del paciente.
  • Se segmentaron atlas basados en histopatología, se derivaron parámetros de radiosensibilidad (relaciones α/β) y se evaluaron tres enfoques de ajuste.

Principales resultados:

  • El enfoque combinado de densidad celular y ajuste dependiente de la puntuación de Gleason (GS) α/β redujo significativamente el TCP general (p=0.004).
  • Este enfoque alineó las regiones de TCP más bajas con el 78% de los sitios de tumores con recaía.
  • El análisis a nivel de vóxel confirmó diferencias significativas de TCP entre las regiones del volumen tumoral bruto (GTV) y las regiones no GTV (p=0.003).

Conclusiones:

  • El modelo TCP basado en atlas, mejorado con datos de histopatología, muestra ser prometedor para predecir la recurrencia de PCa.
  • Este enfoque puede guiar potencialmente la RT personalizada optimizando la distribución de la dosis para minimizar el riesgo de recurrencia.
  • Las relaciones α/β derivadas se alinean con los valores establecidos para el PCa.