良性甲状腺疾病的I疗法:使用基于人口的模型选择与非线性混合效应建模的灵活单次时间点剂量计
Deni Hardiansyah1, Ade Riana1,2, Heribert Hänscheid3
1Medical Physics and Biophysics, Physics Department, Faculty of Mathematics and Natural Sciences, Universitas Indonesia, Depok, Indonesia.
非线性混合效应建模 (NLMEM) 与基于人群的模型选择 (PBMS) 提供了对良性甲状腺疾病中-131的时间综合活性 (TIA) 的精确的单一时间点 (STP) 估计,给予120小时后是最优的.
科学领域:
- 核医学就是核医学.
- 医学物理 医学物理
- 内分泌学 在内分泌学.
背景情况:
- 精确的剂量测量对于有效的放射性治疗至关重要.
- 用于估计时间集成活动 (TIA) 的单个时间点 (STP) 方法比多个时间点的方法提供了潜在的效率增长.
- 非线性混合效应建模 (NLMEM) 与基于人口的模型选择 (PBMS) 结合,为药物动力学分析提供了强大的框架.
研究的目的:
- 在良性甲状腺疾病患者中使用NLMEM和PBMS评估STPTIA估计的准确性.
- 为了比较不同的STP剂量测量方法,包括基于EANM SOP的方法.
- 在这个患者队列中确定STP剂量测量的最佳时间点.
主要方法:
- 从73名患有良性甲状腺疾病的患者中收集了-131 (131I) 的生物动力学数据.
- 使用NLMEM与PBMS识别四个参数的最佳指数和函数 (SOEF).
- 在不同时间点应用了基于NLMEM的STP剂量测量,并将结果与从完整NLMEM匹配中获得的参考TIA进行了比较.
主要成果:
- 发现STP剂量测量的最佳时间点是注射后120小时.
- 在120小时后,使用最好的SOEF模型进行基于NLMEM的STP TIA估计 (s1TIA) 显示了较低的偏差 (平均RD2%±4%,RMSE4%,MAPE3%,%RD5 25%,%RD10 0%).
- 120小时的EANM SOP方法 (hTIA) 导致偏差更高 (平均 RD -3% ± 5%,RMSE 6%,MAPE 5%,RD5 55%,RD10 0%).
结论:
- 使用PBMS和最佳SOEF模型的NLMEM提供了对良性甲状腺疾病中131ITIA的令人满意和合理的STP估计.
- 一般来说,s1TIA方法的TIA估计比EANM SOP的hTIA更好.
- 使用NLMEM与EANM SOP SOEF (s2TIAs) 的STP剂量测量低于HTIA方法.
更多相关视频
09:49A Whole Body Dosimetry Protocol for Peptide-Receptor Radionuclide Therapy PRRT: 2D Planar Image and Hybrid 2D+3D SPECT/CT Image Methods
Published on: April 24, 2020
03:55Computer-Aided Three-Dimensional Visualization in the Treatment of Locally Advanced Thyroid Cancer
Published on: June 9, 2023
相关概念视频
One-Compartment Open Model for IV Bolus Administration: General Considerations
The drug's presence in the body is defined by an equation representing the difference between the rates of drug entry and exit. Key parameters—elimination rate constant,...
One-Compartment Open Model for IV Bolus Administration: Estimation of Elimination Rate Constant, Half-Life and Volume of Distribution
Dosage Regimens: Designs and Approaches
Drug Accumulation During Multiple Dosing: Repetitive IV Injections
Determination of Multiple Dosing Parameters: Loading and Maintenance Doses
Pharmacodynamic Models: Additive and Proportional Drug Effect Model
