数学モデリングを用いたリアルタイム臨床データによる放射線治療患者の転帰の予測【JST・京大機械翻訳】

Browning Alexander P.; Lewin Thomas D.; Baker Ruth E.; Maini Philip K.; Moros Eduardo G.; Caudell Jimmy; Byrne Helen M.; Enderling Heiko

プレプリント

J-GLOBAL ID：202202218331112798 整理番号：22P0024338

数学モデリングを用いたリアルタイム臨床データによる放射線治療患者の転帰の予測【JST・京大機械翻訳】

Predicting radiotherapy patient outcomes with real-time clinical data using mathematical modelling

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (8件)： , , , , , , ,
資料名：
発行年： 2022年01月06日プレプリントサーバーでの情報更新日： 2023年12月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

頭頚部癌患者からの縦腫瘍容積データは,同程度の前処理サイズとステージの腫瘍が,同じ放射線療法分画プロトコルと非常に異なって応答することを示した。数学モデルは,この状況における治療結果を予測するためにしばしば提案され,臨床意思決定をガイドし,個人化された分別プロトコルを知らせる可能性がある。この文脈におけるモデルの効果的な使用は,可能な患者応答の全範囲を生成するのに必要なモデルの複雑さと並置した臨床測定のスパース性である。本研究では,相対的単純さにもかかわらず,腫瘍容積と腫瘍組成のコンパートメントモデルを提示し,広範囲の患者応答を作り出すことができる。次に,新しい統計的方法論を開発し,既存の臨床データのコホートを活用し,腫瘍容積進行の予測モデルと,患者の治療経過を通して進化する不確実性の関連レベルを作成した。患者間変動性を捉えるために,すべてのモデルパラメータは,事前知識として訓練データのセットをモデル化するために開発されたブートストラップ粒子フィルタ様Bayesアプローチで,患者特異的である。著者らは,このアプローチを非セエンデータの部分集合に対して検証し,訓練されたモデルとその限界の予測能力の両方を実証した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

腫ようの放射線療法 , 腫ようの治療一般

, , , , ,

前のページに戻る