在接受救援放射治疗的前列腺癌患者中,一种基于多中心机器学习的急性毒性预测模型 (ICAROS研究)

科学领域:

• 在瘤学瘤学.
• 辐射疗法 辐射疗法
• 机器学习 机器学习

背景情况:

• 在前列腺切除术后接受救援放射治疗 (SRT) 的前列腺癌患者可能会出现急性胃肠道 (GI) 和尿道 (GU) 毒性.
• 需要预测模型来识别患有这些毒性更高风险的患者.

研究的目的:

• 开发急性GI和GU毒性的预测模型,用于前列腺癌的SRT.
• 使用机器学习识别影响毒性的关键预后因素.

主要方法:

• 一项针对454名用SRT治疗的前列腺癌患者的多中心回顾性分析.
• 最小绝对收缩和选择操作员 (LASSO) 回归和分类和回归树 (CART) 建模被用于识别等级≥2毒性的预测因素.
• 分析的变量包括手术技术,临床目标体积 (CTV) 到计划目标体积 (PTV) 边缘,淋巴切除术程度,放射治疗技术和雄激素剥夺疗法 (ADT).

主要成果:

• 急性GI和GU毒性 (等级≥2) 相对较低,没有等级≥4事件和<1%的等级3事件.
• 手术技术是主要预测因素;与腹腔镜/机器人方法相比,开放性前列腺切除与显著更高的GI和GU毒性有关.
• 一个CTV-PTV边缘≥10毫米和广泛的淋巴切除术进一步增加了毒性风险.

结论:

• 救援放射治疗 (SRT) 在前列腺癌患者中表现出极好的耐受性.
• 手术技术,CTV-to-PTV差额和治疗参数是急性毒性的关键预测因素.
• 整合手术和放射治疗因素的个性化治疗策略对于最小化毒性和优化结果至关重要.