Kaedah Berasaskan Populasi Untuk Menentukan Aktiviti Bersepadu Masa dalam Radioterapi Molekul
Mar 20, 2022
Deni Hardiansyah1, Ade Riana1, Peter Kletting2,3,Nouran RR Zaid2,Matthias Eiber4,Supriyanto A. Pawiro1, Ambros J. Beer3, dan Gerhard Glatting2,3*
Abstrak
latar belakang:Pengiraan aktiviti bersepadu masa (TIA) untuk tumor dan organ diperlukan untuk dosimetri dalam radioterapi molekul. Ketepatan TIA yang dikira sangat bergantung pada fungsi kaki yang dipilih. Oleh itu pemilihan fungsi yang mencukupi adalah sangat penting. Walau bagaimanapun, pemilihan model (iaitu fungsi) berfungsi dengan lebih tepat apabila lebih banyak data biokinetik tersedia daripada biasanya diperoleh dalam satu pesakit. Dalam analisis retrospektif ini, kami, oleh itu, membangunkan kaedah untuk pemilihan model berasaskan populasi yang boleh digunakan untuk penentuan aktiviti bersepadu masa individu (TIA). Kaedah ini ditunjukkan pada contoh [177Lu]Lu-PSMA-I&Tbuah pinggangbiokinetik. Ia berdasarkan kesesuaian populasi dan berfaedah khusus untuk kes dengan bilangan data biokinetik yang tersedia bagi setiap pesakit yang rendah.
Kaedah:Biokinetik buah pinggang [177Lu]Lu-PSMA-I&T daripada tiga belas pesakit dengan kanser prostat tahan kastrasi metastatik yang diperoleh melalui pengimejan planar telah digunakan. Dua puluh fungsi eksponen diperoleh daripada pelbagai parameterisasi fungsi mono dan dwi-eksponen. Parameter fungsi telah dipasang (dengan kombinasi berbeza parameter bersama dan individu) kepada data biokinetik semua pesakit. Kebaikan kesesuaian diandaikan sebagai boleh diterima berdasarkan pemeriksaan visual keluk yang dipasang dan pekali variasi CV<50%. the="" akaike="" weight="" (based="" on="" the="" corrected="" akaike="" information="" criterion)="" was="" used="" to="" select="" the="" theft="" function="" most="" supported="" by="" the="" data="" from="" the="" set="" of="" functions="" with="" acceptable="" goodness="" of="">
Keputusan:Fungsi A1 e−(- 1 plus -Phys)t campur A1(1 − )e−(Phys)t dengan parameter dikongsi telah dipilih sebagai fungsi yang paling disokong oleh data dengan berat Akaike sebanyak 97 peratus . Parameter A1 dan -1 telah dipasang secara individu untuk setiap pesakit manakala parameter dipasang sebagai parameter dikongsi dalam populasi yang menghasilkan nilai 0.9632±0.0037. Kesimpulan: Pemilihan model berasaskan populasi yang dibentangkan membolehkan bilangan parameter yang lebih tinggi bagi fungsi kaki yang disiasat yang membawa kepada kesesuaian yang lebih baik. Ia juga mengurangkan ketidakpastian pemberat Akaike yang diperolehi dan fungsi ft terbaik yang dipilih berdasarkannya. Penggunaan parameter kongsi yang ditentukan populasi untuk pesakit masa depan membolehkan pemasangan fungsi yang lebih sesuai juga untuk pesakit yang hanya mempunyai bilangan data individu yang rendah.
Kata kunci:TIA, Dos yang diserap, Pemilihan model
Kenalan: ali.ma@wecistanche.com
Latar belakang
Perancangan rawatan individu adalah wajar untuk terapi radionuklid untuk memaksimumkan dos yang diserap tumor sambil menyelamatkan organ berisiko [1-3]. Dos yang diserap ditentukan untuk bahagian terbesar oleh aktiviti bersepadu masa (TIA) [4, 5]. TIA adalah sama dengan bilangan perpecahan radionuklid yang digunakan dalam organ yang dipertimbangkan. Untuk mengira TIA, fungsi matematik mula-mula dipasang pada data biokinetik terukur yang diperoleh daripada pengimejan 2D atau 3D pada berbilang titik masa [6-9], dan fungsi ini kemudiannya disepadukan dari masa sifar hingga infiniti. Nilai TIA yang dikira berdasarkan kaedah pemasangan ini bergantung pada fungsi kaki yang dipilih [10]. Oleh itu, menggunakan fungsi kaki "optimum" [11] adalah penting untuk penentuan tepat dan tepat bagi TIA dan seterusnya dos yang diserap. Kriteria yang relevan untuk fungsi ft optimum ialah.
(1) fungsi yang disiasat sesuai dengan data, iaitu kebaikan kesesuaian adalah memuaskan, dan
(2) fungsi paling disokong oleh data yang diperhatikan. "Kebanyakan" di sini merujuk kepada satu set fungsi munasabah yang ditakrifkan oleh penyiasat.
Manakala item (1) boleh disemak dengan mudah dengan menggunakan kriteria standard seperti pemeriksaan visual graf yang dipasang, penilaian kuantitatif menggunakan pekali variasi parameter yang dipasang (< 50%)="" and="" the="" constraints="" for="" the="" correlation="" matrix="" elements="" (absolute="" values="" being="" lower="" than="" 0.8)="" [8],="" item="" (2)="" requires="" model="" (or="" function)="" selection="" based="" on="" quantitative="" analysis="" of="" the="" corrected="" akaike="" information="" criterion="" (aicc)="" [11,="">
Pemilihan model mempunyai dua input: Di satu pihak set model dan di sisi lain data yang diperhatikan. Yang pertama, bagaimanapun, bergantung pada yang kedua, kerana beberapa data hanya membenarkan penggunaan model (atau fungsi yang sepadan) dengan beberapa parameter.
Dalam perubatan nuklear, pengukuran biokinetik selalunya hanya dilakukan pada beberapa titik masa. Oleh itu, daripada menggunakan data hanya pesakit tunggal, iaitu pemilihan model berasaskan individu (IBMS), termasuk data pesakit tambahan dengan penyakit yang sama yang dirawat dengan radiofarmaseutikal yang sama mungkin penting untuk menentukan fungsi ft yang optimum (item ( 2) di atas). Pemilihan model berasaskan populasi (PBMS) sedemikian meningkatkan nisbah bilangan data yang diperhatikan yang digunakan sebagai input kepada bilangan parameter anggaran dan dengan itu mengurangkan ketidakpastian dalam pemilihan model. Selain itu, ia membenarkan penggunaan set model yang diperluaskan, kerana fungsi dengan bilangan parameter yang lebih tinggi menjadi mungkin. Di samping itu, maklumat tentang bentuk fungsi keluk aktiviti masa pesakit terdahulu mungkin digunakan untuk pesakit masa depan.
Dalam kerja ini, kami, oleh itu, membentangkan kaedah umum untuk menambah baik pengiraan TIA menggunakan data biokinetik populasi dan bukannya pesakit tunggal sahaja. Kaedah melaksanakan pemilihan model yang diperlukan berdasarkan pendekatan PBMS dan dibentangkan pada contohbuah pinggangbiokinetik dalam terapi radioligan Lu-PSMA-I&T [177Lu]. Untuk tujuan ini, satu set model atau fungsi matematik ditakrifkan, ft berasaskan populasi dilakukan dan fungsi yang paling disokong oleh data dipilih menggunakan kaedah pemberat Akaike. Kaedah yang dibangunkan boleh digunakan untuk menentukan TIA individu pesakit masa depan menggunakan fungsi terbaik yang diperoleh daripada populasi yang diukur sebelum ini.
Bahan dan kaedah
Data biokinetik [177Lu]Lu‑PSMA‑I&T dalam buah pinggang
Tiga belas pesakit dengan kanser prostat tahan kastrasi metastatik dimasukkan dalam analisis retrospektif ini [13, 14]. Semua pesakit menjalani [177Lu] terapi radioligan Lu-PSMA-I&T (RLT) dan scintigrafi seluruh badan planar selepas terapeutik. Data biokinetik (data aktiviti masa) [177Lu]Lu-PSMA-I&T RLT dalambuah pinggangtelah dikira daripadabuah pinggangkawasan yang diminati menggunakan min geometri kiraan anterior dan posterior dengan pembetulan latar belakang. Daripada tiga belas pesakit, 3 pesakit mempunyai 5-data titik masa, 1 pesakit mempunyai 4-data titik masa dan 9 pesakit mempunyai 3-data titik masa. Data biokinetik diperoleh pada (1.1±0.7) h, (20.7±2.3) h, (51.0±10.1) h, (92.3±47.2) h, (163.8± 2.1) h pi
Set fungsi eksponen yang diselidiki
Jumlah fungsi eksponen dengan kerumitan yang semakin meningkat telah digunakan dalam set model yang disiasat, kerana fungsi matematik tersebut biasanya digunakan untuk menerangkan proses biologi [6–9]:
dengan fia ialah fungsi ft dengan parameter I, Ai Lebih besar daripada atau sama dengan 0 ialah prefactor, Phys ialah pemalar pereputan fizikal radionuklid yang dikira daripada separuh hayat T1/2 177Lu {{5} }Fizi=ln (2)/T1/2- dan -1 dan -2 menerangkan kadar pelepasan biologi radiofarmaseutikal. Di samping itu, fungsi berikut juga digunakan yang ditakrifkan dalam analogi dengan kes nilai eigen yang merosot untuk pengayun terlembap (perhatikan faktor tambahan t):
Tiga fungsi (10)–(12) diterbitkan daripada Pers. (9) dengan mengurangkan bilangan parameter ft. Sebagai tambahan kepada fungsi dalam Pers. (1)-(12), kami meneliti fungsi di bawah menggunakan semua data biokinetik populasi pesakit dan pendekatan parameter yang dikongsi. Parameter yang dikongsi diandaikan sama untuk semua pesakit dan dianggarkan untuk semua data dalam populasi pesakit bersama-sama. Parameter lain dianggarkan secara individu daripada data. Semua fungsi berikut diperoleh daripada fungsi f3a (Pers. (6)) dengan parameter kongsi yang berbeza (Pers. (13)–(15)) dan parameterisasi yang berbeza (Pers. (16)–(18)):
dengan parameter ialah sumbangan pecahan bagi eksponen yang sepadan dengan nilai yang dikekang antara 0 dan 1. Indeks S merujuk kepada parameter yang dikongsi. Untuk kesempurnaan, fungsi eksponen berikut dengan satu dan empat parameter anggaran turut dianalisis:
Pemasangan data Semua fungsi (Persamaan (1)–(20)) telah dipasang pada data biokinetik bagibuah pinggangmenggunakan pendekatan IBMS dan PBMS dengan semua parameter dihadkan kepada nilai positif. Kelengkapan telah dilakukan menggunakan analisis simulasi dan perisian pemodelan SAAMII v.2.3 (Te Epsilon Group, Charlottesville, VA, USA) [15]. Tetapan pengiraan berikut digunakan untuk pemasangan: Algoritma Rosenbrock, kriteria penumpuan 10–4, dan model varians berasaskan mutlak dengan sisihan piawai pecahan 0.15 [15].
Kebaikan kecurian telah diperiksa dengan pemeriksaan visual graf yang dipasang, pekali variasi CV parameter yang dipasang (<0.5), and="" the="" off-diagonal="" values="" of="" the="" correlation="" matrix=""><><0.8 for="" most="" elements)="" according="" to="" the="" compilation="" in="" table="" 1="" in="" ref.="">
Pemilihan model
Untuk memilih fungsi yang paling disokong oleh data, Akaike Information Criterion AICc yang diperbetulkan, yang diperbetulkan untuk nisbah rendah bilangan data N kepada bilangan parameter K, iaitu N/K<40 [11],="" and="" the="" corresponding="" akaike="" weights="" [11]="" were="" calculated="" as="">
di mana P ialah anggaran fungsi objektif yang diminimumkan untuk pemasangan, AICcmin ialah nilai AICc paling rendah bagi semua fungsi dipasang, i ialah perbezaan antara AICci fungsi I dan AICcmin, F ialah jumlah bilangan fungsi yang disiasat dan cara CCI ialah Akaike berat fungsi i. Pemberat Akaike menunjukkan kebarangkalian bahawa model itu adalah yang terbaik di antara keseluruhan set model yang dipertimbangkan [11].
From those functions which passed the goodness-of-fit test ("Data fitting" section), the functions with an Akaike weight>0.05 telah dipilih sebagai fungsi yang paling disokong oleh data. Ini digunakan untuk menentukan kawasan di bawah lengkung keluk aktiviti masa [177Lu]Lu-PSMA-I&T RLT dalambuah pinggang.
Aliran kerja
Dalam kaedah PBMS yang dicadangkan, parameter Persamaan. (1)–(12) telah dipasang padabuah pinggangdata biokinetik populasi (13 pesakit). Untuk menyiasat sama ada data pesakit boleh diterangkan oleh parameter yang dikongsi, pemasangan populasi dilakukan untuk menganggarkan parameter fungsi dalam Persamaan. (13) hingga (18) dengan anggaran parameter dikongsi. Pemilihan model dilakukan menggunakan pemberat Akaike (bahagian "Pemasangan data").
Sebagai tambahan kepada kaedah PBMS, kami juga melaksanakan kaedah IBMS [8, 9] menggunakan fungsi dalam Persamaan. (1)–(12) untuk pesakit P1, P3, dan P4, yang lima titik data pengukuran biokinetik tersedia. Bilangan titik data minimum untuk pemilihan model berasaskan AICc adalah sama dengan bilangan parameter boleh laras Kmax tambah 2 seperti yang dilihat dari Pers. (21). Oleh itu, hanya untuk 3 pesakit ini, semua fungsi dengan sehingga 3 parameter boleh digunakan. Model terbaik yang diperoleh daripada kaedah IBM bagi pesakit ini kemudiannya digunakan untuk mengira TIA bagi [177Lu]Lu-PSMA-I&T dalam kesemua tiga belas pesakit. Prestasi fungsi yang dipilih sebagai paling disokong oleh data menggunakan pendekatan PBMS dan IBMS, masing-masing, dinilai berdasarkan pemeriksaan visual graf yang dipasang. Di samping itu, sisihan relatif RD antara TIA daripada kedua-dua pendekatan juga dibandingkan dan dianalisis. Kaedah Jackknife digunakan untuk menganalisis kestabilan model terbaik yang dipilih melalui pemilihan model [11, 16]: Untuk tujuan ini, kaedah leave-one-out telah digunakan 13 kali dengan hanya 12 pesakit untuk pengiraan pemberat Akaike. Te Jackknife telah digunakan untuk menyemak sama ada output pemilihan model daripada kedua-dua PBMS dan IBMS akan berubah untuk set data yang berbeza (iaitu meninggalkan seorang pesakit keluar 13 kali) yang digunakan dalam analisis.
Keputusan
Menggunakan pendekatan PBMS, parameter bagi fungsi eksponen dalam Pers. (1)– (20) telah dipasang pada data biokinetik bagibuah pinggangdalam semua pesakit. Kelengkapan tidak melepasi kriteria kebaikan kaki untuk 14 daripada fungsi yang disiasat, iaitu pemasangan gagal berdasarkan pemeriksaan visual graf yang dipasang atau kebaikan kaki yang tidak mencukupi (Jadual 1). Fungsi f4 dengan 4 parameter tidak dapat dipasang untuk pesakit yang mempunyai data
hanya {{0}}mata masa. Daripada baki 5 fungsi, f3aS4 dipilih sebagai fungsi yang paling disokong oleh data dalam pendekatan PBMS berdasarkan berat Akaike sebanyak 97 peratus (Jadual 1). Nilai anggaran , yang dipasang sebagai parameter dikongsi dalam semua pesakit, ialah (0.9632±0.0037). Berdasarkan kaedah Jackknife, hasil kaedah PBMS untuk fungsi f3aS4 adalah sangat stabil (median berat Akaike 97 peratus dengan julat 33 peratus -100 peratus , Jadual 1).
Menggunakan pendekatan IBM, parameter fungsi eksponen dalam Pers. (1)– (12) telah dipasang secara individu kepada data biokinetik bagibuah pinggangpada pesakit P1, P3, dan P4. Kriteria good-of-fit tidak diluluskan untuk 8 fungsi (Jadual 2). Fungsi f2b dipilih sebagai model terbaik dalam pendekatan IBM berdasarkan nilai pemberat Akaike masing-masing 100 peratus, 60 peratus, dan 100 peratus, untuk P1, P3 dan P4 (Jadual 2). Kaedah Jackknife tidak dilakukan untuk teknik IBMS kerana pengurangan bilangan data kepada 4 untuk pesakit P1, P3, dan P4 membenarkan pengiraan berat AICc hanya untuk fungsi dengan 2 parameter (Pers. (21)).
Rajah 1 menunjukkan perbandingan fungsi f3aS4 yang diperolehi daripada pendekatan PBMS dan fungsi f2b daripada pendekatan IBM dalam menjelaskan data biokinetik yang disiasat bagibuah pinggang. Pemeriksaan visual graf dalam Rajah 1 menunjukkan bahawa fungsi f3aS4 mempunyai prestasi yang agak lebih baik atau sekurang-kurangnya setara dengan fungsi f2b. Rajah 2 menunjukkan aktiviti bersepadu masa (TIA) yang sepadan.
Perbincangan
Dalam kerja ini, kami menggunakan pemilihan model berasaskan populasi untuk mengira TIA individu, penentuan tepat yang penting untuk dosimetri individu dan perancangan rawatan. Penggunaan prosedur pemilihan model adalah berfaedah kerana ia meningkatkan kebolehulangan hasil dengan memilih fungsi ft secara objektif daripada set fungsi (model), berbeza dengan penerapan peraturan ibu jari [7] atau hanya meneka pengguna. Pemilihan model matematik yang baik (iaitu fungsi) untuk pengiraan TIA adalah penting, kerana menggunakan fungsi yang tidak betul akan membatalkan atau sekurang-kurangnya merosot hasilnya. Oleh itu, pemilihan model adalah aspek penting dan kritikal dalam analisis data saintifik [12].
Data populasi yang tersedia dalam perubatan nuklear biasanya heterogen dan jarang. Kaedah yang dibentangkan boleh digunakan untuk situasi biasa ini. Maklumat farmakokinetik data heterogen boleh diperoleh daripada populasi dan diperkenalkan untuk kesesuaian individu. Kelebihan kaedah kami dicapai dengan menambah baik kedua-dua input, iaitu (1) data dan (2) set model yang mana yang terbaik dipilih. Ini seterusnya juga meningkatkan hasilnya.
(1) Data populasi dan bukannya hanya seorang pesakit digunakan untuk prosedur pemilihan model. Dalam [ 177Lu] terapi radioligan Lu-PSMA-I&T sebagai contoh kami, penggunaan fungsi f2b adalah kes yang kedua-dua pendekatan PBMS dan IBMS adalah sama. Seperti yang dilihat dari Jadual 1, berat Akaike, iaitu kebarangkalian untuk f2b menjadi fungsi terbaik, adalah lebih rendah dengan faktor lebih besar daripada 3247 berbanding dengan fungsi f3aS4, yang menunjukkan padanan yang lebih baik. Juga, f2b ialah fungsi dengan kebarangkalian paling rendah bagi semua fungsi dengan kebaikan kaki yang boleh diterima. Menilai kestabilan prosedur pemilihan model memerlukan penggunaan kaedah Jackknife [11, 16]: Untuk fungsi terbaik PBMS f3aS4, mengeluarkan seorang pesakit mempunyai 5, 4, atau 3 titik data menghasilkan nisbah N/K masing-masing 41/25≈1.64, 42/25≈1.68, 43/25≈1.72. Nisbah ini hanya berbeza sedikit daripada jumlah populasi pesakit: N/K=46/27≈1.70. Untuk fungsi terbaik IBMS f2a, satu titik data pesakit yang sedang dipertimbangkan mesti dialih keluar untuk penilaian kestabilan. Oleh itu, mengalih keluar satu titik data untuk pesakit yang mempunyai 5, 4 atau 3 titik data menghasilkan nisbah N/K sebanyak 4/2=2, 3/2=1.5, 2/2=1, masing-masing. Walau bagaimanapun, daripada Pers. (21), berikut untuk pengiraan AICc bahawa Kmax=N−2. Oleh itu, menilai kestabilan kaedah IBMS menjadi mustahil untuk pesakit yang mempunyai hanya 4 atau 3 titik data dan kemungkinan besar tidak stabil untuk pesakit yang mempunyai 5 titik data yang tersedia.
Kestabilan keputusan PBMS yang lebih tinggi ini berbanding dengan IBMS juga dilihat apabila membandingkan keputusan dalam Jadual 1 dan 2: Manakala bagi kaedah PBMS berat Akaike untuk fungsi terbaik ialah 97.4 peratus (Jadual 1) dengan median 97 peratus dan julat dari 33 hingga 100 peratus , untuk kaedah IBMS fungsi kaki terbaik bagi seorang pesakit (P3, Jadual 2) agak tidak pasti dengan berat hanya 60 peratus dan—paling penting—kaedah Jackknife untuk mengira ketidakpastian bagi pemberat Akaike adalah mustahil untuk ketiga-tiga pesakit. (2) Set model, yang mana yang terbaik dipilih, juga dikekang oleh Kmax=(N−2) [8, 9, 11, 12]. Oleh itu, dalam contoh kami, kaedah PBMS pada dasarnya membenarkan untuk memasukkan dalam fungsi set model dengan sehingga 44 parameter. Jelas sekali, fungsi yang semakin kompleks dalam fungsi membenarkan hasil pemilihan model yang lebih baik dan dengan itu juga lebih mencerminkan biokinetik sebenar. Sebaliknya, pemilihan model individu (cth untuk pesakit dengan tiga titik data) hanya boleh dilakukan untuk fungsi bergantung pada hanya satu parameter. Walau bagaimanapun, fungsi sedemikian tidak akan dapat menggambarkan biokinetik dengan secukupnya.
Satu lagi kelebihan kaedah PMBS ialah kemungkinan untuk menggunakan fungsi dengan parameter yang dikongsi dalam populasi. Untuk populasi pesakit kami, kami menghasilkan fungsi untuk anggaranbuah pinggangTIA dengan =0.9632. Keputusan ini boleh digunakan untuk pesakit akan datang dengan menggunakan parameter dikongsi sebagai parameter tetap dan menganggarkan A1 dan -1 hanya untuk pesakit berikutnya. Oleh itu, apabila model terbaik telah dikenal pasti, model ini boleh digunakan untuk pesakit berikutnya dengan parameter tetap yang sepadan. Malah pesakit yang mempunyai data yang lebih sedikit boleh dipasang menggunakan parameter yang dikongsi sebagai parameter tetap.
Masalah umum dalam dosimetri klinikal ialah tidak jelas fungsi mana yang sesuai dengan data. Ini juga berlaku untuk kes dengan banyak data bagi setiap organ, tetapi lebih relevan untuk kes dengan hanya beberapa data. Ini juga merupakan isu kebolehulangan, kerana setiap pengguna mungkin akan menggunakan fungsi lain yang menghasilkan hasil yang sangat berbeza. Kaedah yang dicadangkan kami bagaimanapun akan lebih boleh dihasilkan semula kerana dua sebab: pertama, kami menggunakan banyak fungsi dan memilih yang terbaik (pemilihan model): Ini telah mengurangkan kebolehubahan dalam hasil yang diperoleh oleh pengguna yang berbeza. Kedua, pemilihan model juga mempunyai ketidakpastian, yang mungkin mustahil untuk dikira seperti yang kami tunjukkan untuk IBMS dalam contoh kami jika digunakan pada data hanya satu pesakit. Ketidakpastian ini dikurangkan dengan banyak dalam pendekatan PBMS dengan menambah maklumat yang terkandung dalam populasi pesakit yang serupa (Jadual 1, 2).
Untuk contoh kita, kita boleh melihat dengan jelas daripada graf dalam Rajah 1 bahawa fungsi f3aS4 yang diperoleh daripada pendekatan PBMS mempunyai prestasi yang lebih baik atau serupa berbanding dengan fungsi f2b yang diutamakan oleh pendekatan IBM. Rajah 2 menunjukkan kesan besar fungsi kaki yang dipilih untuk TIA sesetengah pesakit (cth P6).
Kelebihan besar menggunakan PBMS berbanding IBMS mengandaikan bahawa kinetik dalam populasi mempunyai persamaan yang sesuai yang dikesan dengan betul oleh PBMS. Untuk ini, adalah perlu untuk memasukkan fungsi "betul" dalam set fungsi yang diperiksa. Sebagai contoh, jika kami tidak memasukkan fungsi f3aS4 dalam set fungsi kami, fungsi f3aS3 akan dipilih sebagai fungsi terbaik dengan berat Akaike sebanyak 98.1 peratus (yang lebih tinggi daripada fungsi f3aS4). Oleh itu, berdasarkan berat Akaike sahaja, kita tidak boleh membuat kesimpulan bahawa fungsi adalah sangat baik. Akibatnya, penekanan yang besar mesti diberikan pada memasukkan semua fungsi yang berkaitan dalam set model.
Data biokinetik daripadabuah pinggangdalam [177Lu] terapi radioligan Lu-PSMA-I&T digunakan untuk menunjukkan prosedur. Walau bagaimanapun, kaedah ini boleh digunakan dan dilaksanakan untuk organ yang berbeza dan juga untuk tumor. Satu-satunya bahagian prosedur yang mungkin perlu disesuaikan dengan organ yang berbeza adalah berkaitan dengan set fungsi, kerana set ini harus mengandungi fungsi yang sesuai yang boleh menggambarkan biokinetik organ dalam pertimbangan. Sebagai contoh, jika tumor mempunyai fasa pengumpulan yang panjang, seseorang itu perlu memasukkan fungsi yang sesuai dalam set fungsi supaya fungsi yang paling baik disokong oleh data sebenarnya menggambarkan biokinetik yang sepadan dengan baik.
Input, pemprosesan, dan output kaedah PBMS yang dicadangkan dalam kajian ini mempunyai batasan seperti berikut.
Untuk input PBMS:
1. Ketidakpastian data kuantitatif mungkin menjejaskan pemilihan model. Telah ditunjukkan bahawa data kuantitatif yang tepat dan tepat adalah penting sebagai input untuk pengiraan TIA [17] dan prinsip "sampah di dalam sampah keluar" terpakai. Oleh kerana tujuan utama kajian ini adalah untuk memperkenalkan kaedah PBMS, pelaksanaan kaedah untuk kes-kes tertentu, contohnya pelaksanaan dalam organ yang berbeza atau menganalisis kesan kuantifikasi imej, adalah di luar skop kajian ini.
2. Bilangan data yang digunakan dalam kajian kami adalah agak rendah. Dalam kertas ini, kami membentangkan kaedah yang diperlukan terutamanya dalam kes di mana tidak banyak data tersedia. Oleh itu, adalah penting bahawa kaedah itu dibentangkan untuk pesakit dengan data terhad sahaja. Sudah tentu, lebih banyak data akan membawa kepada keputusan yang lebih tepat dan tepat. Walaupun bilangan data yang rendah secara semula jadi mengehadkan kepentingan keputusan kami, sebaliknya, keputusan menunjukkan bahawa pendekatan kami berfungsi.
3. Pemilihan model yang digunakan dalam kajian kami adalah berdasarkan kaedah tertentu, iaitu AICc. Terdapat juga kaedah lain untuk pemilihan model seperti Ujian-F [11, 18] dan Kriteria Maklumat Bayesian (BIC, [11, 19]). Walau bagaimanapun, kaedah AICc telah ditunjukkan sebagai pendekatan yang berkesan dan cekap, boleh digunakan untuk model bersarang dan tidak bersarang [11].
4. Jumlah fungsi eksponen dengan kerumitan yang semakin meningkat telah digunakan dalam set model yang disiasat, kerana fungsi matematik sedemikian biasanya digunakan untuk menerangkan proses biologi [6–9]. Dalam semua fungsi, pereputan fizikal dilaksanakan sebagai faktor, kerana telah ditunjukkan bahawa pendekatan sedemikian menghasilkan hasil yang lebih baik jika I Lebih besar daripada atau sama dengan 0 diandaikan tambahan [20, 21]. Walau bagaimanapun, tiada peraturan am yang berfungsi untuk dimasukkan ke dalam set fungsi model, kecuali seseorang itu harus menggunakan semua maklumat teori dan empirikal yang ada untuk menentukan set model calon yang mencukupi secara priori [11]. Ini adalah akibat daripada AICc hanya dapat memilih model terbaik Kullback–Leibler daripada model calon. "Jika semua model calon adalah lemah, AICc akan memilih anggaran terbaik, tetapi model yang lemah". [11].
Fungsi tambahan (bukan eksponen) boleh ditambah pada set fungsi yang diuji dalam analisis kami. Ini bagaimanapun tidak disokong oleh pengetahuan empirikal terdahulu kerana fungsi eksponen adalah mencukupi untuk menerangkan kebanyakan biokinetik. Berdasarkan data biokinetik yang dibentangkan dalam Rajah 1, juga penambahan jumlah eksponen dengan lebih banyak parameter tidak akan berkesan. Walaupun kami boleh memperoleh keyakinan yang lebih tinggi dalam hasil pemilihan model kami dengan menguji bilangan fungsi yang lebih besar, ini akan meningkatkan beban kerja yang memberikan kemungkinan besar hasil yang sama untuk fungsi yang paling disokong oleh data.
5. Dalam kajian ini, kami mencadangkan kaedah berdasarkan data yang ada sahaja. Jelas sekali, penyiasatan tentang kesan jadual masa yang berbeza terhadap penambahbaikan apabila menggunakan kaedah ini juga akan menarik tetapi di luar skop kajian ini.
Untuk pemprosesan PMBS: Perisian tertentu, iaitu SAAMII, digunakan untuk analisis pemasangan. Walau bagaimanapun, agar ft boleh dihasilkan semula, data input yang sama, fungsi objektif yang sama, dan algoritma arbitrari, yang akan mencari minimum fungsi objektif, adalah mencukupi. Oleh itu, mana-mana perisian yang mampu menggunakan algoritma sedemikian akan menghasilkan keputusan yang sama. Perisian yang menggunakan algoritma yang sama ialah, contohnya, perisian NUFIT [8], yang percuma untuk kegunaan akademik. Untuk keluaran PBMS: Dalam kes yang paling teruk, maklumat populasi yang terkandung dalam fungsi terbaik yang diperoleh menggunakan kaedah PBMS mungkin tidak sesuai untuk penentuan tepat TIA pesakit berikutnya. Walau bagaimanapun, ini tidak mungkin berlaku kerana ia telah ditunjukkan dalam banyak kajian bahawa pelaksanaan maklumat populasi boleh meningkatkan ketepatan pengiraan TIA [3, 22].
Kesimpulan
Dalam analisis retrospektif ini, kami mencadangkan kaedah untuk melaksanakan pemilihan model untuk populasi pesakit untuk menganggarkan TIA individu untuk pesakit berikutnya. Dengan menggunakan kaedah yang dicadangkan, kita boleh mendapatkan fungsi yang lebih wajar untuk penentuan TIA, kerana pemilihan model adalah berdasarkan populasi pesakit, iaitu pada lebih banyak data, bukannya hanya pada satu pesakit. Lebih banyak data, di satu pihak, membenarkan bilangan parameter yang lebih tinggi bagi fungsi kaki yang disiasat dan dengan itu meningkatkan ruang fungsi muat yang boleh disertakan dalam set fungsi untuk pemilihan model. Sebaliknya, ia mengurangkan ketidakpastian pemberat Akaike yang diperoleh dan dengan itu ketidakpastian dalam fungsi kaki yang paling disokong yang dipilih. Pendekatan ini amat penting jika—seperti yang sering berlaku dalam perubatan nuklear klinikal—hanya bilangan data biokinetik yang rendah bagi setiap pesakit tersedia dalam populasi pesakit yang sedang dipertimbangkan.
manfaat cistanche dan kesan sampingan , klik di sini untuk mengetahui maklumat lanjut
Abbreviatipadas
AICc: kriteria maklumat Akaike diperbetulkan; IBMS: Pemilihan model berasaskan individu; PBMS: Pemilihan model berasaskan populasi; RD: Sisihan relatif; RLT: Terapi radioligand; TIA: Aktiviti bersepadu masa.
Authors' cpadatributipadas
DH merancang analisis retrospektif, melakukan penyelidikan, dan menulis manuskrip. AR melakukan penyelidikan dan menulis manuskrip. Saya terlibat dalam pengumpulan data pesakit dan menulis manuskrip. NZ, SAP, dan AJB menyemak dan menulis manuskrip. PK dan GG mereka bentuk analisis retrospektif dan menulis manuskrip. Semua pengarang membaca dan meluluskan manuskrip akhir.
Funding
Pembiayaan Open Access didayakan dan dianjurkan oleh Projekt DEAL. Kerja ini disokong oleh geran penyelidikan kerjasama dari Universitas Indonesia dengan Nombor Kontrak NKB-1947/UN2.R3.1/HKP.05.00/2019 dan Universiti Ulm, Jerman sebagai rakan kongsi untuk penyelidikan ini . NRRZ amat menghargai pembiayaan daripada DAAD (Perkhidmatan Pertukaran Akademik Jerman, Geran Penyelidikan, Program Kedoktoran di Jerman 2018/19-57381412).
Availability of data dan materials
Data yang digunakan boleh didapati daripada pengarang yang berkaitan atas permintaan yang munasabah.
Declaratipadas
Ethics aplikasirovuml dan consent to participate
Jawatankuasa Etika Universiti Teknikal Munich meluluskan analisis retrospektif (permit 115/18 S), dan keperluan untuk mendapatkan persetujuan termaklum telah diketepikan.
Consent for publicatipada
Semua pengarang membaca manuskrip dan bersetuju dengan penerbitannya.
Competing interests
Penulis mengisytiharkan bahawa mereka tidak mempunyai kepentingan bersaing.
Author Butiran
1 Bahagian Fizik dan Biofizik Perubatan, Jabatan Fizik, Fakulti Matematik dan Sains Alam, Universiti Indonesia, 16424 Depok, Indonesia. 2 Fizik Sinaran Perubatan, Jabatan Perubatan Nuklear, Universiti Ulm, Albert-Einstein-Allee 23, 89081 Ulm, Jerman. 3 Jabatan Perubatan Nuklear, Universiti Ulm, 89081 Ulm, Jerman. 4 Jabatan Perubatan Nuklear, Klinikum rechts der Isar, Technische Universität München, 81675 Munich, Jerman.
Rujukan
1. Lassmann M, Chiesa C, Fluks G, Bardiès M, Jawatankuasa ED. Dokumen panduan Jawatankuasa Dosimetri EANM: amalan baik pelaporan dosimetri klinikal. Pengimejan Eur J Nucl Med Mol. 2011;38(1):192–200.
2. Glatting G, Bardiès M, Lassmann M. Perancangan rawatan dalam radioterapi molekul. Z Med Fizik. 2013;23(4):262–9.
3. Hardiansyah D, Maass C, Attarwala AA, Müller B, Kletting P, Mottaghy FM, et al. Peranan perancangan rawatan berasaskan pesakit dalam terapi radionuklid reseptor peptida. Pengimejan Eur J Nucl Med Mol. 2016;43(5):871–80.
4. Hardiansyah D, Kletting P, Begum NJ, Eiber M, Beer AJ, Pawiro SA, et al. Parameter farmakokinetik penting untuk individualisasi terapi 177 Lu-PSMA: analisis kepekaan global untuk model farmakokinetik berasaskan fisiologi. Med Phys. 2021;48(2):556–68.
5. Zvereva A, Kamp F, Schlattl H, Zankl M, Parodi K. Kesan kebolehubahan antara pesakit pada anggaran dos organ mengikut skema MIRD: ketidakpastian dan analisis sensitiviti berasaskan varians. Med Phys. 2018;45(7):3391–403.
6. Strand SE, Zanzonico P, Johnson TK. Pemodelan farmakokinetik. Med Phys. 1993;20(2 Pt 2):515–27.
7. Siegel JA, Thomas SR, Stubbs JB, Stabin MG, Hays MT, Koral KF, et al. risalah MIRD no. 16: teknik untuk pemerolehan dan analisis data pengagihan biofarmaseutikal radiofarmaseutikal kuantitatif untuk digunakan dalam anggaran dos sinaran manusia. J Nucl Med. 1999;40(2):37S-61S.
8. Kletting P, Schimmel S, Kestler HA, Hänscheid H, Kilau M, Fernandez M, et al. Radioterapi molekul: perisian NUFIT untuk mengira pekali aktiviti bersepadu masa. Med Phys. 2013;40(10):102504.
9. Kletting P, Schimmel S, Hänscheid H, Lustre M, Fernandez M, Nosske D, et al. Perisian NUKDOS untuk perancangan rawatan dalam radioterapi molekul. Z Med Fizik. 2015;25:264–74.
10. Konijnenberg M. Daripada pengimejan kepada dosimetri dan kesan biologi. Pengimejan QJ Nucl Med Mol. 2011;55(1):44–56.
11. Glatting G, Kletting P, Reske SN, Hohl K, Ring C. Memilih fungsi ft optimum: perbandingan kriteria maklumat Akaike dan ujian-F. Med Phys. 2007;34(11):4285–92.
12. Burnham KP, Anderson DR. Pemilihan model dan inferens berbilang model. New York: Springer; 2002.
13. Begum NJ, Thieme A, Eberhardt N, Tauber R, D'Alessandria C, Beer AJ, et al. Kesan jumlah isipadu tumor pada dos berkesan secara biologi kepada tumor danbuah pingganguntuk 177 peptida PSMA berlabel Lu. J Nucl Med. 2018;59(6):929–33.
14. Kletting P, Thieme A, Eberhardt N, Rinscheid A, D'Alessandria C, Allmann J, et al. Pemodelan dan meramalkan tindak balas tumor dalam terapi radioligand. J Nucl Med. 2019;60(1):65–70.
15. Barrett PH, Bell BM, Cobelli C, Golde H, Schumitzky A, Vicini P, et al. SAAM II: perisian simulasi, analisis dan pemodelan untuk kajian pengesan dan farmakokinetik. Metabolisme. 1998;47(4):484–92.
16. Shao J, Tu D. Pisau jack dan tali but. New York: Springer; 1995.
17. Glatting G, Lassmann M. Dosimetri perubatan nuklear: pengimejan kuantitatif dan pengiraan dos. Z Med Fizik. 2011;21(4):246–7.
18. Sachs L. Angewandte Statistik. Anwendung statistik Methoden. ed ke-9. Berlin: Springer; 1999. hlm. 887.
19. Schwarz G. Menganggar dimensi model. Ann Stat. 1978;6(2):461–4.
20. Glatting G, Reske SN. Rawatan pereputan radioaktif dalam pemodelan farmakokinetik: pengaruh pada anggaran parameter dalam jantung 13 N-PET. Med Phys. 1999;26(4):616–21.
21. Williams LE, Odom-Maryon TL, Liu A, Chai A, Raubitschek AA, Wong JY, et al. Mengenai pembetulan untuk pereputan radioaktif dalam pemodelan farmakokinetik. Med Phys. 1995;22(10):1619–26.
22. Maass C, Sachs JP, Hardiansyah D, Mottaghy FM, Kletting P, Glatting G. Kebergantungan ketepatan perancangan rawatan dalam terapi radionuklid reseptor peptida pada jadual pensampelan. EJNMMI Res. 2016;6(1):30
