机器学习和精益六西格玛用于体积调制弧线治疗计划的针对性患者特异性质量保证
Nicola Lambri1,2, Damiano Dei1,2, Giulia Goretti3
1IRCCS Humanitas Research Hospital, Radiotherapy and Radiosurgery Department, via Manzoni 56, 20089 Rozzano, Milan, Italy.
Physics and imaging in radiation oncology
|September 3, 2024
概括
机器学习和精益六西格玛通过识别复杂的计划来简化放射治疗质量保证. 这种有针对性的方法减少了工作量,并通过优化治疗计划提高了患者的安全性.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 卫生系统工程 卫生系统工程
背景情况:
- 过度复杂的放射治疗计划与增加的不确定性和较差的患者特异性质量保证 (PSQA) 结果相关.
- 与基于测量的PSQA相关的高工作负载可能会阻碍放射治疗工作流程的效率.
研究的目的:
- 使用机器学习 (ML) 和精益六西格玛来实施有针对性的PSQA方法,以减少工作量和失败风险.
- 监测和管理放射治疗计划的复杂性及其对质量保证的影响.
主要方法:
- 精益六西格玛的DMAIC方法被应用来分析69,811个体积调制弧度疗法 (VMAT) 弧.
- 开发了一种ML模型,以根据计划复杂度指标预测马通过率 (GPR).
- 创建了一个决策支持系统,以标记针对目标PSQA的异常复杂性或低预期GPR的计划.
主要成果:
- 在1722个前性监测的VMAT计划中,29个 (1.7%) 被确定为PSQA失败的高风险.
- 针对系统警报的计划重新优化导致预期GPR中位数从97.4%增加到98.2%.
- 异常值复杂性的发生率保持稳定,这表明有效的监测没有增加整体复杂性.
结论:
- 在临床实践中,ML和精益六西格玛的整合使得有针对性的,基于测量的PSQA战略成为可能.
- 这种方法有效地识别出有失败风险的计划,提高整体放射治疗质量和患者安全.
