Potilasannoksen seurannan turvallisuusjärjestelmän reaaliaikaisen EPID-pohjaisen potilasannoksen seurannan tutkimus paikkakohtaisia valvontarajoja käyttäen
Tiedonkeruu- ja valintamenetelmä
Potilaan hoidon reaaliaikaista todentamisjärjestelmää, jota kutsutaan nimellä ”Watchdog” (Valvontakoira) käytettiin alunperin potilashoitojen aikana passivoivasti kauttakulkua mittaavien EPID-kuvausten ottamiseksi. Mitään toimenpidetoimia tai muuta ei suoritettu potilaiden hoidon aikana. Paikallinen ihmistutkimuksen eettinen komitea hyväksyi tämän tutkimuksen. Tietojen kerääminen jaettiin kahteen vaiheeseen: 1) koulutustietojen keruu alempien valvontarajojen (eli kynnysarvojen tai toimintatasojen) määrittämiseksi ja 2) tietojen keruu järjestelmän suorituskyvyn arvioimiseksi.
Alempien valvontarajojen (LCL) määrittämiseksi (ks. kohta 2.3) käytettiin kaikkien potilaiden osalta kahta ensimmäistä fraktiota, koska ne olivat ajallisesti lähimpänä referenssitilannetta (simulaatio), ja näin ollen niissä oli vähemmän todennäköistä, että niissä tapahtuisi anatomisia muutoksia, kuten painonpudotusta ja kasvaimen kutistumista. Samanlainen oletus on tehty myös muissa tutkimuksissa, joissa ensimmäisestä fraktiosta otettuja mitattuja EPID-kuvia käytettiin vertailutietoaineistona seuraavien fraktioiden vertailua varten. Valittuja tietoja käytettiin ”harjoitteluaineistona”, ja näin varmistettiin, ettei toimituksessa, kuvien hankinnassa tai suunnitelman luomisessa ollut merkittäviä virheitä. Tämän varmistamiseksi harjoitusaineiston valinnassa käytettiin kolmea keskeistä rajoitusta. Aluksi valittiin kaksi ensimmäistä fraktiota LCL:n määrittämiseksi. Toiseksi poissuljettiin kaikki kentät, joiden lopullinen kumulatiivinen χ läpäisyaste (eli integroidun kentän läpäisyaste) oli alle 97 prosenttia. Kolmanneksi poissuljettiin myös kaikki tiedot, jotka sisälsivät tunnettuja Watchdog-järjestelmään liittyviä järjestelmävirheitä ja/tai inhimillisiä virheitä (esim. virheellinen kuvanottoprosessi). Näiden rajoitusten tuloksena harjoitusaineisto koostui 137 potilaan hoitojaksosta (18 peräsuolipotilasta, 82 eturauhaspotilasta ja 37 HN-potilasta). Kaikki hoidot suunniteltiin Eclipse-ohjelman (Varian Medical Systems, Palo Alto, CA) versiolla 11.
Watchdog: reaaliaikainen EPID-pohjainen potilasannoksen seurantaan perustuva turvajärjestelmä
Lähetysjärjestelmä ja kuvien otto
Kaikki hoidot suoritettiin yhdellä neljästä Clinac Trilogy -lineaarikiihdyttimestä (linaakista) (Varian Medical Systems, Palo Alto, CA), jotka oli varustettu Milleniumin 120-levyisillä monilehtisillä kollillaattoreilla (multi-leaf collimators, MLC). Annostelussa käytettiin dynaamista liukuvan ikkunan IMRT-menetelmää, jossa käytettiin 6 MV:n fotoneja nimellisannosnopeudella 400 MU/min. Megavoltti (MV) -kuvat otettiin aS1000 EPID:llä, joka toimi integroidussa kuvaustilassa ja jota ohjattiin 4D Integrated Treatment Console (4DITC) PC:n kliinisen hoito-ohjelmistomoduulin avulla. Kaikki kuvat korjattiin automaattisesti pimeäkenttä- ja tulvakenttäkorjauksella, ja ne otettiin 150 cm:n etäisyydellä lähteestä ilmaisimesta (SDD). Pääsy sekä MV- että kV-kuviin tapahtui 4DITC:n ja Varian On-Board Imager (OBI) -tietokoneiden portteihin kytketyillä kamerakaapeleilla. Nämä oli kytketty aputietokoneeseen, joka oli varustettu kaksikantaisella kuvankaappauskortilla (Matrox Solios SOL 2 M EV CLB). Gantryn kiertokulmat johdettiin kilojännitelähteen (kV) kiertotiedoista, jotka Varian OBI -laite koodasi kV:n ”pimeiden” kuvakehysten otsikkoon. Huomaa, että kV-lähde ei ollut päällä kV-kuvien ottamisen aikana. Potilaat eivät saaneet lisäannosta tästä tutkimuksesta. Raakakuvakaappaustiedot rekonstruoitiin matriisikuvamuotoon käyttämällä talon omaa Matlab/C#-koodia (MathWorks, Natick, MA, USA). Tämä järjestelmä keräsi sekä MV- että kV-kuvakehyksiä kuvanopeuksilla 7,455 fps ja 10,92 fps.
Katsaus Watchdog-järjestelmään
Watchdog-järjestelmää testattiin aiemmin käyttäen kliinisiä dynaamisia IMRT-kenttiä, jotka annettiin antropomorfiselle eturauhasfantomille, ja se otettiin käyttöön kliinistä käyttöä varten . Ennustetut EPID-kuvat laskettiin peräkkäisille annoslisäyksille käyttäen Chytykin ym. fysiikkaan perustuvaa mallia . Ennustetut EPID-kuvat luotiin ennalta määrätyin kontrollipisteiden (CP) välein kutakin hoitosuunnitelmatiedostoa varten, jolloin saatiin koko säteen annostelua koskeva kuvasarja, kuten on kuvattu . IMRT-toimituksissa käytetään synkronointimenetelmää, jossa käytetään ennustetuista ja mitatuista kuvista poimittuja MLC-lehtien sijainteja. Järjestelmää käytettiin kumulatiivisten ennustettujen ja integroitujen mitattujen kuvien vertaamiseen synkronointipisteeseen asti (ns. kumulatiivinen kuvavertailu). Mitattujen kuvien koko muutettiin ½-resoluutioon (512 × 384 pikseliä), ja 2D-vertailut arvioitiin käyttämällä nopeaa χ-vertailua 4 %, 4 mm -kriteereillä . Järjestelmän keskimääräinen reaaliaikainen χ läpäisyaste oli 91,1 % 4 %/4 mm:n kriteereillä . Watchdog-järjestelmän rakenne on esitetty tiivistetysti ja havainnollisesti kuvassa 1. Kuvauksen ja analyysin jälkeen ennustetut ja mitatut EPID-kuvat tallennetaan tietokantaan, samoin kuin reaaliaikainen tarkistustulos ja mahdolliset käyttäjän manuaalisesti syöttämät kommentit.
Watchdog-järjestelmän yleiskuvaus
Statistinen prosessinohjaus valvontarajojen johtamista varten
Säätörajojen määrittäminen. alemman valvontarajan (LCL)
SPC:n valvontarajojen soveltaminen auttaa luokittelemaan normaalit ja osoitettavissa olevat (erityiset) vaihtelun syyt prosessissa koulutustietojen perusteella . Rajat tätä luokittelua varten asetetaan laskemalla prosessin mittarin keskiarvo (μ) ja keskihajonta (σ), kun prosessi on vakaassa toiminnassa. SPC:ssä käytetään tavallisesti kahta tilastollista valvontarajaa ja keskilinjaa (CL), mukaan lukien ylempi valvontaraja (UCL) ja alempi valvontaraja (LCL). Tässä sovelluksessa reaaliaikainen verifiointitulos (eli χ-vertailun läpäisyprosentti) ei kuitenkaan voi ylittää 100 %, joten UCL poistetaan ja otetaan huomioon vain LCL.
Kun linassin annosnopeus kasvaa nopeasti säteilyn kytkemisen jälkeen, EPID:n keskiakselin annosvaste kasvaa nopeasti, usein pienellä yliaallolla, ja vakiintuu sitten noin kahden sekunnin kuluttua. Tämän annosnopeuden epävakauden alueen välttämiseksi valvontarajojen laskentamenetelmässä jätettiin pois kaksi ensimmäistä hoitosekuntia. CL- ja LCL-arvot määritettiin kumulatiiviselle χ-läpäisynopeudelle kolmelle hoitokohdalle: eturauhaselle, HN:lle ja peräsuolelle yhtälöiden 1 ja 2 avulla.
Jossa \( {\mu}_{t\ge 2s} \) on keskimääräinen kumulatiivinen annosvertailun läpäisykerroin kahden sekunnin käsittelyn jälkeen ja \( {\sigma}_{t\ge 2s} \) on kumulatiivisen annosvertailun läpäisykerroin kahden sekunnin käsittelyn jälkeen saatujen annosvertailun läpäisykerroin keskiarvoinen poikkeama. Tämän jälkeen valvontakaavio rakennetaan tietylle hoitopaikalle määritellyn LCL:n perusteella.
Virheiden havaitseminen
Monitorointi pelkän LCL:n avulla on kuitenkin herkkä erittäin ohimeneville tapahtumille, ja sen vuoksi otettiin käyttöön toinen parametri kliinisesti merkittävien virheiden paremman tunnistamisen mahdollistamiseksi. Toisessa parametrissa käytetään prosessin arviointitekniikkaa, joka auttaa virheiden havaitsemisessa.
Prosessin arvioinnissa käytetään prosessin kyvykkyysindeksiä \( \left({C}_{pml}\right) \) \), joka edustaa prosessin kykyä tuottaa LCL:n mukaisia tietoja. Koulutusdatajoukon avulla prosessikykyindeksi lasketaan yhtälön 3 avulla.
Jossa \( {\mu}_t \) ja \( {\sigma}_t \) ovat kumulatiivisen annosvertailun läpäisynopeuden keskiarvo ja keskihajonta kahden sekunnin kuluttua hoidon jälkeen toimituspisteeseen asti. Vakiota 1,46 suositellaan yksipuoliselle spesifikaatiorajalle, ja T on prosessin tavoitearvo, jonka voidaan olettaa olevan kumulatiivisen annosvertailun läpäisynopeuden keskiarvo tai yhtälössä 1 esitetty keskiviiva. On huomattava, että ei ole olemassa yhtä ainoaa ihanteellista arvoa \( {C}_{pml} \), joka varmistaisi, että prosessi toimii optimaalisesti. Tyypillisesti \( {C}_{pml}=1,33 \) käytetään hyväksyttävästi toimivan prosessin alarajana ja osoittaa laadukkaan laadunvarmistusprosessin.
Toimitus luokiteltiin ”epäonnistuneeksi”, kun molemmat seuraavista kahdesta ehdosta täyttyivät:
-
reaaliaikainen kumulatiivinen χ läpäisyprosentti oli pienempi kuin toimipaikkakohtainen LCL
-
Prosessin kyvykkyysindeksi, \( {C}_{pml} \) oli pienempi kuin 1.33
Herkkyystestaus
Testattiin ja arvioitiin johdettujen valvontarajojen herkkyyttä eri virhelähteille. Tämä tehtiin käyttämällä kahta eturauhaspotilaiden aineistoa. Simuloidut virheluokat otettiin käyttöön muuttamalla potilaan CT-kuvaustietoja tai hoitosuunnitelman parametreja, minkä jälkeen ennustettu EPID-kuvasarja laskettiin uudelleen. Taulukossa 1 esitetään luettelo herkkyystestauksessa käytetyistä testitapauksista ja simulointiparametreista. Tämän jälkeen ennustettujen ja mitattujen läpikulkukuvien vertailu suoritettiin reaaliaikaisen verifiointijärjestelmän offline-simulaattorilla.
Virhelähteiden luokittelu
Potilaiden hoidon arvioinnissa käytettiin tässä alustavassa selvityksessä viittä satunnaisotannalla valittua potilasta, joille oli annettu eturauhas-, hormonaalisen nivelrikon (HHN) ja rektaalisen peräsuolen (rectum) IMRT-käsittely. Johdettuja hoitopaikkakohtaisia kontrollirajoja käytettiin kliinisten reaaliaikaisten verifiointitulosten tutkimiseen ja luokitteluun valitulla potilastietoaineistolla, joka sisälsi kaikki fraktiot kustakin hoitopaikasta. ”Fail” laukeaa, kun yksittäisen hoidon arviointi ylittää virheen havaitsemisen ehdon (kumulatiivinen χ-vertailu < LCL ja Cpml < 1,33). Jokainen todentamisen aikana tapahtunut epäonnistuminen aiheutti lisäanalyysin virheen lähteen luokittelemiseksi ja määrittämiseksi.
Virheiden havaitsemiskykyä järjestelmän avulla tutkittiin ja luokiteltiin kahteen pääluokkaan; kliinisiin ja Watchdog-järjestelmään liittyviin lähteisiin . Kliinisten virhelähteiden osalta on kaksi alaluokkaa; potilaaseen liittyvät toimitusvirheet sekä tiedonsiirto- ja linac-virheet. Kolme alaluokkaa liittyy muihin kuin kliinisiin virhelähteisiin, mukaan lukien EPID:n hankintavirheet, Watchdog-järjestelmän virheet ja Watchdog-käyttäjän virheet. Havaintoparametrit on esitetty taulukossa 2.
Leave a Reply