Onderzoek naar een real-time EPID-gebaseerd veiligheidssysteem voor patiëntdosisbewaking met gebruikmaking van locatiespecifieke controlegrenzen
Gegevensverzameling en selectiemethode
Het real-time patiëntbehandelingscontrolesysteem, bekend als “Watchdog”, werd aanvankelijk passief bediend tijdens patiëntbehandelingen om doorvoer-EPID-beelden te verwerven. Tijdens de behandeling van de patiënten werden geen interventies of andere handelingen verricht. Deze studie werd goedgekeurd door de plaatselijke ethische commissie voor menselijk onderzoek. Het verzamelen van gegevens was verdeeld in twee fasen: 1) verzameling van trainingsgegevens voor het bepalen van de onderste controlegrenzen (d.w.z. drempels of actieniveaus), en 2) verzameling van gegevens voor de evaluatie van de prestaties van het systeem.
Om de onderste controlegrenzen (LCL) te bepalen (zie paragraaf 2.3), werden de eerste twee fracties voor alle patiënten gebruikt, aangezien deze in de tijd het dichtst bij de referentieconditie (simulatie) lagen en het daarom minder waarschijnlijk was dat er anatomische veranderingen zoals gewichtsverlies en krimpen van de tumor zouden optreden. Een soortgelijke veronderstelling is gemaakt in andere studies waar de gemeten EPID-beelden van de eerste fractie werden gebruikt als referentiegegevensset voor vergelijking in de volgende fracties. De geselecteerde gegevens werden gebruikt als “opleidingsgegevens” en zo werd gecontroleerd of er geen substantiële fouten waren in de toediening, de verwerving of het genereren van het plan. Om dit te garanderen werden drie belangrijke restricties gehanteerd bij de selectie van de opleidingsgegevens. In de eerste plaats werden de eerste twee fracties geselecteerd om de LCL te bepalen. Ten tweede werden ook alle velden met een cumulatief eindcijfer voor de χ (d.w.z. het slaagpercentage voor het geïntegreerde veld) van minder dan 97 % uitgesloten. Ten derde werden ook alle gegevens uitgesloten die bekende Watchdog-gerelateerde systeemfouten en/of menselijke fouten bevatten (b.v. onjuiste beeldverwervingsprocedure). Deze beperkingen resulteerden in de trainingsgegevens bestaande uit 137 patiëntbehandelingen (18 rectumpatiënten, 82 prostaatpatiënten en 37 HN-patiënten). Alle behandelingen werden gepland met Eclipse (Varian Medical Systems, Palo Alto, CA) versie 11.
Watchdog: real-time EPID-based patient dose monitoring safety system
Delivery system and image acquisition
Alle behandelingen werden uitgevoerd met een van de vier Clinac Trilogy Linear Accelerators (linacs) (Varian Medical Systems, Palo Alto, CA) uitgerust met Millenium 120-leaf multi-leaf collimators (MLCs). De toediening was dynamische schuifvenster IMRT met 6 MV fotonen bij een nominale doseringssnelheid van 400 MU/min. Megavoltage (MV) beelden werden verkregen met een aS1000 EPID die werkte in de geïntegreerde acquisitiemodus, gecontroleerd door de klinische behandelingssoftwaremodule binnen de 4D Integrated Treatment Console (4DITC) PC. Alle beelden werden automatisch gecorrigeerd voor donkerveld en hoogwaterveld en werden verkregen met een bron-naar-detector afstand (SDD) van 150 cm. De toegang tot zowel MV als kV individuele beeldframes gebeurde via camera-link kabels naar poorten op de 4DITC en Varian On-Board Imager (OBI) computers. Deze waren verbonden met een aanvullende PC uitgerust met een dual-base frame-grabber kaart (Matrox Solios SOL 2 M EV CLB). Gantry rotatiehoeken werden afgeleid van kilovoltage (kV) bron rotatie-informatie gecodeerd in de header van kV “donkere” beeld frames door de Varian OBI. Merk op dat de kV-bron niet aan stond tijdens de verwerving van de kV-frames. Patiënten ontvingen geen extra dosis als gevolg van deze studie. De ruwe frame grabber gegevens werden gereconstrueerd in matrix beeldformaat met behulp van een in-house aangepaste Matlab / C # (MathWorks, Natick, MA, USA) code. Dit systeem verwierf zowel MV als kV beeldframes met beeldsnelheden van respectievelijk 7,455 fps en 10,92 fps.
Overzicht van watchdog systeem
Het Watchdog systeem werd eerder getest met klinische dynamische IMRT velden geleverd aan een antropomorf prostaat fantoom en werd geïmplementeerd voor klinisch gebruik. Voorspelde EPID-beelden werden berekend voor opeenvolgende dosisstijgingen met behulp van het fysisch-gebaseerde model van Chytyk et al. De voorspelde EPID-beelden werden gegenereerd op vooraf bepaalde intervallen van controlepunten (CP) voor elk behandelingsplanbestand, waardoor een opeenvolging van beelden werd verkregen voor de gehele bundeltoediening, zoals beschreven in . Voor IMRT-afleveringen wordt een synchronisatiemethode toegepast waarbij gebruik wordt gemaakt van MLC-bladposities die uit voorspelde en gemeten beelden worden geëxtraheerd. Het systeem werd gebruikt om cumulatief voorspelde en geïntegreerde gemeten beelden te vergelijken tot aan een synchronisatiepunt (een cumulatieve beeldvergelijking genoemd). De gemeten beelden werden verkleind tot een ½ resolutie (512 × 384 pixels) en de 2D-vergelijkingen werden geëvalueerd met behulp van een snelle χ-vergelijking met 4 %, 4 mm criteria . Het systeem behaalde een gemiddelde real-time χ passingsnelheid van 91,1 % voor 4 %/4 mm criteria. Het raamwerk van het Watchdog-systeem is samengevat en geïllustreerd in Fig. 1. Na acquisitie en analyse worden de voorspelde en gemeten EPID-beelden opgeslagen in een database, evenals het real-time verificatieresultaat en eventuele handmatig door de operator ingevoerde commentaren.
Watchdog-systeemoverzicht
Statistische procesbesturing voor het afleiden van regelgrenzen
Bepaling van de onderste controlegrens (LCL)
De toepassing van SPC-controlegrenzen helpt bij de classificatie van normale en toewijsbare (speciale) oorzaken van variatie in een proces op basis van trainingsgegevens . De grenzen voor deze classificatie worden vastgesteld door berekening van het gemiddelde (μ) en de standaardafwijking (σ) van een procesgrootheid wanneer het proces stabiel loopt. SPC maakt normaliter gebruik van twee statistische controlegrenzen en een middellijn (CL), waaronder een bovenste controlegrens (UCL) en een onderste controlegrens (LCL). In deze toepassing kan de real-time controleoutput (d.w.z. χ vergelijking pass-rate) echter niet groter zijn dan 100%, zodat de UCL wordt geëlimineerd en alleen de LCL in aanmerking wordt genomen.
Als het dosistempo van de linac snel toeneemt na het aanstralen, neemt de dosisresponsie op de centrale as van de EPID snel toe, vaak met een kleine overschrijding, en stabiliseert zich vervolgens na ongeveer twee seconden . Om dit gebied van instabiliteit van het dosistempo te vermijden, werden bij de methode die werd gebruikt om de controlegrenzen te berekenen, de eerste twee seconden van de behandeling buiten beschouwing gelaten. De CL’s en LCL’s werden bepaald voor het cumulatieve χ-doorgangsdebiet voor drie behandelingsplaatsen: prostaat, HN en rectum, met gebruikmaking van de vergelijkingen 1 en 2.
Waarbij \( {\mu}_{t\ge 2s}) de gemiddelde cumulatieve dosisvergelijkingspassage is na twee seconden behandeling, en \( {\sigma}_{t\ge 2s}) de standaardafwijking van de cumulatieve dosisvergelijkingspassage na twee seconden. Daarna wordt de controlekaart geconstrueerd op basis van de gedefinieerde LCL voor de specifieke behandelingsplaats.
Foutdetectie
Monitoring met gebruikmaking van LCL alleen is echter gevoelig voor zeer voorbijgaande gebeurtenissen en daarom werd een tweede parameter geïntroduceerd om een betere identificatie van klinisch significante fouten mogelijk te maken. De tweede parameter maakt gebruik van een procesevaluatietechniek om bij de foutdetectie te helpen
De procesevaluatie maakt gebruik van een procescapaciteitsindex \( \left({C}_{pml}right) \), die het vermogen van een proces weergeeft om gegevens te produceren die aan de LCL voldoen. Met behulp van de trainingsgegevens wordt de procescapaciteitsindex berekend met behulp van Eq. 3.
Waarbij ( {mu}_t \) en ( {sigma}_t \) het gemiddelde en de standaardafwijking zijn van de cumulatieve dosisvergelijking doorgangssnelheid na twee seconden behandeling tot aan het afleverpunt. De constante 1,46 wordt aanbevolen voor een eenzijdige specificatiegrens en T is de processtreefwaarde die kan worden verondersteld het gemiddelde te zijn van het cumulatieve dosisvergelijkingsdebiet of de middellijn die in Eq. 1 is aangegeven. Merk op dat er niet één ideale waarde van \( {C}_{pml} \) is die garandeert dat een proces optimaal werkt. Gewoonlijk wordt ( {C}_{pml}=1,33) gebruikt als ondergrens voor een acceptabel presterend proces en duidt op een QA proces van hoge kwaliteit.
De levering werd als “fail” geclassificeerd als aan beide volgende voorwaarden werd voldaan:
-
De real-time cumulatieve χ pass rate was lager dan de locatie-specifieke LCL
-
De procescapaciteitsindex, \( {C}_{pml} \) was lager dan 1.33
Gevoeligheidstests
De gevoeligheid van de afgeleide controlegrenzen voor verschillende foutenbronnen werd getest en geëvalueerd. Dit werd uitgevoerd met behulp van twee reeksen prostaatpatiëntengegevens. Gesimuleerde foutklassen werden geïntroduceerd door de CT-scangegevens van de patiënt of de parameters van het behandelingsplan te wijzigen, en vervolgens de voorspelde EPID-beeldreeks te herberekenen. Tabel 1 bevat de lijst van testgevallen en simulatieparameters die voor de gevoeligheidstests zijn gebruikt. Vervolgens werd een vergelijking tussen de voorspelde en gemeten transitbeelden uitgevoerd met behulp van een offline simulator van het real-time verificatiesysteem.
Classificatie van foutbronnen
Vijf willekeurig geselecteerde patiënten voor prostaat-, HN-, en rectum IMRT-behandelingen werden gebruikt voor de evaluatie van de patiëntenbehandeling in dit voorlopige onderzoek. De afgeleide plaats-specifieke controlegrenzen werden gebruikt om de klinische real-time verificatieresultaten te onderzoeken en te classificeren met de geselecteerde patiëntengegevensreeks die alle fracties van elke behandelingsplaats omvat. Een “fail” wordt geactiveerd wanneer de individuele behandelingsevaluatie de voorwaarde voor foutdetectie overschrijdt (cumulatieve χ vergelijking < LCL en Cpml < 1,33). Elke mislukking tijdens de verificatie leidde tot verdere analyse om de bron van de fout te classificeren en te bepalen.
Het vermogen van foutdetectie met behulp van het systeem werd onderzocht en geclassificeerd in een van de twee hoofdcategorieën; klinische en Watchdog systeem gerelateerde bronnen . Voor klinische foutbronnen zijn er twee subcategorieën; patiëntgerelateerde toedieningsfouten en gegevensoverdracht- en linac-fouten. Drie subcategorieën zijn gerelateerd aan niet-klinische foutbronnen, waaronder EPID acquisitiefouten, Watchdog systeemfouten, en Watchdog gebruikersfouten. De observatieparameters zijn weergegeven in tabel 2.
Leave a Reply