验证一种新的数据驱动算法,用于检测放射治疗中的非典型处方
Connor Thropp1,2, Jaroslaw Hepel1,2, Timothy Leech1,2
1Department of Medical Physics, Brown University, Providence, Rhode Island.
Advances in radiation oncology
|June 23, 2025
概括
一个新的数据驱动模型有效地识别了不同机构和不同癌症类型的异常放射治疗 (RT) 处方. 这种经过验证的模型通过帮助检测潜在的RT处方错误来提高患者的安全性.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 医疗信息学 医疗信息学
背景情况:
- 错误的放射治疗 (RT) 处方对患者的安全构成重大风险,可能导致严重伤害或死亡.
- 以前开发了一种利用相似性学习的新型数据驱动模型,用于在一个机构内识别非典型的RT处方.
- 之前的研究的原型分析仅限于一个治疗地点,需要在不同的环境中进行验证.
研究的目的:
- 验证基于数据的模型的稳定性和通用性,用于识别非典型的放射治疗处方.
- 评估模型在多个疾病部位 (大脑和胸部癌症) 和不同的医疗机构的性能.
- 确认该模型在各种临床场景中检测潜在的处方错误时的实用性.
主要方法:
- 对布朗大学健康 (1995-2021) 对脑癌和胸癌患者的历史RT治疗记录进行了查询.
- 创建了数据库,包括RT处方和患者特定特征;模拟的异常模仿了潜在的错误.
- 数据驱动模型是使用这些数据库进行训练和测试的,性能是使用F1分数进行评估的.
主要成果:
- 大脑部位的高F1得分:99% (强度调节RT),90% (立体RT/放射性手术) 和94% (3D-RT).
- 对胸部部位观察到可比的F1得分:95% (强度调节RT),90% (立体RT/放射外科手术) 和95% (3D-RT).
- 统计分析证实模型的预测与实际情况之间没有显著差异,这表明准确度很高.
结论:
- 该模型证明了在各种疾病部位和医疗机构中应用的可行性,证实了它的稳定性.
- 这个经过验证的模型可以作为一个有价值的工具,医生和物理学家在同行评审图表轮.
- 该模型有助于积极检测潜在的放射治疗处方错误,从而提高患者的安全.
