Untersuchung eines Echtzeit-EPID-basierten Sicherheitssystems zur Überwachung der Patientendosis unter Verwendung ortsspezifischer Kontrollgrenzwerte

Methode zur Datenerfassung und -auswahl

Das als „Watchdog“ bezeichnete System zur Überprüfung der Patientenbehandlung in Echtzeit wurde zunächst passiv während der Patientenbehandlung betrieben, um EPID-Bilder im Durchgang zu erfassen. Während der Behandlung der Patienten wurden keine Eingriffe oder sonstige Maßnahmen vorgenommen. Diese Studie wurde von der örtlichen Ethikkommission für Humanforschung genehmigt. Die Datenerfassung war in zwei Phasen unterteilt: 1) Sammlung von Trainingsdaten zur Bestimmung der unteren Kontrollgrenzen (d. h. Schwellenwerte oder Aktionsstufen) und 2) Sammlung von Daten zur Bewertung der Systemleistung.

Zur Bestimmung der unteren Kontrollgrenzen (LCL) (siehe Abschnitt 2.3) wurden für alle Patienten die ersten beiden Fraktionen verwendet, da diese zeitlich am nächsten an der Referenzbedingung (Simulation) liegen und daher weniger wahrscheinlich anatomische Veränderungen wie Gewichtsverlust und Tumorschrumpfung aufweisen. Eine ähnliche Annahme wurde in anderen Studien getroffen, in denen die gemessenen EPID-Bilder der ersten Fraktion als Referenzdatensatz für den Vergleich mit den folgenden Fraktionen verwendet wurden. Die ausgewählten Daten wurden als „Trainingsdaten“ verwendet, so dass sichergestellt werden konnte, dass weder bei der Übertragung noch bei der Erfassung oder der Planerstellung wesentliche Fehler auftraten. Um dies zu gewährleisten, wurden bei der Auswahl der Trainingsdaten drei wesentliche Einschränkungen berücksichtigt. Zunächst wurden die ersten beiden Fraktionen ausgewählt, um die LCL zu bestimmen. Zweitens wurden alle Felder mit einer endgültigen kumulativen χ-Bestehensrate (d. h. der Bestehensrate für das integrierte Feld) von weniger als 97 % ebenfalls ausgeschlossen. Drittens wurden alle Daten ausgeschlossen, die bekannte Watchdog-bezogene Systemfehler und/oder menschliche Fehler (z. B. fehlerhafte Bilderfassung) enthalten. Diese Einschränkungen führten dazu, dass die Trainingsdaten aus 137 Patientenbehandlungen bestanden (18 Rektum-, 82 Prostata- und 37 HN-Patienten). Alle Behandlungen wurden mit Eclipse (Varian Medical Systems, Palo Alto, CA) Version 11 geplant.

Watchdog: Echtzeit-EPID-basiertes Sicherheitssystem zur Überwachung der Patientendosis

Lieferungssystem und Bildakquisition

Alle Behandlungen wurden mit einem von vier Clinac Trilogy-Linearbeschleunigern (Linacs) (Varian Medical Systems, Palo Alto, CA) durchgeführt, die mit Millenium 120-Blatt-Multi-Leaf-Kollimatoren (MLCs) ausgestattet waren. Die Bestrahlung erfolgte mit dynamischer Sliding-Window-IMRT unter Verwendung von 6 MV-Photonen bei nominalen Dosisleistungen von 400 MU/min. Megavoltage-Bilder (MV) wurden mit einem aS1000 EPID im integrierten Erfassungsmodus aufgenommen, der durch das klinische Behandlungssoftwaremodul der 4D Integrated Treatment Console (4DITC) PC gesteuert wurde. Alle Bilder waren automatisch dunkelfeld- und flutfeldkorrigiert und wurden mit einem Quelle-Detektor-Abstand (SDD) von 150 cm aufgenommen. Der Zugriff auf die MV- und kV-Einzelbilder erfolgte über Kamera-Link-Kabel zu den Anschlüssen der 4DITC- und Varian On-Board Imager (OBI)-Computer. Diese waren mit einem zusätzlichen PC verbunden, der mit einer Dual-Base-Frame-Grabber-Karte (Matrox Solios SOL 2 M EV CLB) ausgestattet war. Die Rotationswinkel der Gantry wurden aus den Rotationsinformationen der kV-Quelle abgeleitet, die im Header der kV-Dunkelbilder des Varian OBI kodiert waren. Beachten Sie, dass die kV-Quelle während der Aufnahme der kV-Bilder nicht eingeschaltet war. Die Patienten erhielten bei dieser Studie keine zusätzliche Dosis. Die Framegrabber-Rohdaten wurden mithilfe eines firmeneigenen Matlab/C#-Codes (MathWorks, Natick, MA, USA) in ein Matrixbildformat rekonstruiert. Dieses System erfasste sowohl MV- als auch kV-Bilder mit Bildwechselfrequenzen von 7,455 fps bzw. 10,92 fps.

Übersicht über das Watchdog-System

Das Watchdog-System wurde zuvor mit klinischen dynamischen IMRT-Feldern an einem anthropomorphen Prostataphantom getestet und für den klinischen Einsatz implementiert. Die vorhergesagten EPID-Bilder wurden für sequenzielle Dosisinkremente unter Verwendung des physikalisch basierten Modells von Chytyk et al. berechnet. Die vorhergesagten EPID-Bilder wurden in vorgegebenen Kontrollpunktintervallen (CP) für jede Behandlungsplandatei generiert, so dass eine Abfolge von Bildern für die gesamte Strahlabgabe zur Verfügung stand, wie in beschrieben. Für IMRT-Bestrahlungen wird eine Synchronisationsmethode verwendet, bei der die Positionen der MLC-Blätter aus den vorhergesagten und gemessenen Bildern extrahiert werden. Das System wurde verwendet, um kumulative vorhergesagte und integrierte gemessene Bilder bis zu einem Synchronisationspunkt zu vergleichen (als kumulativer Bildvergleich bezeichnet). Die gemessenen Bilder wurden auf ½ Auflösung (512 × 384 Pixel) verkleinert, und die 2D-Vergleiche wurden anhand eines schnellen χ-Vergleichs mit 4 %, 4 mm-Kriterien bewertet. Das System erreichte eine mittlere Echtzeit-χ-Bestätigungsrate von 91,1 % für 4 %/4 mm-Kriterien. Der Aufbau des Watchdog-Systems ist in Abb. 1 zusammengefasst und dargestellt. Nach der Erfassung und Analyse werden die vorhergesagten und gemessenen EPID-Bilder in einer Datenbank gespeichert, ebenso wie das Ergebnis der Echtzeitüberprüfung und alle vom Bediener manuell eingegebenen Kommentare.

Übersicht über das Watchdog-System

Statistische Prozesskontrolle zur Ableitung von Kontrollgrenzen

Bestimmung der unteren Kontrollgrenze (LCL)

Die Anwendung von SPC-Kontrollgrenzen hilft bei der Klassifizierung von normalen und zuordenbaren (besonderen) Ursachen für Abweichungen in einem Prozess auf der Grundlage von Trainingsdaten. Die Grenzen für diese Klassifizierung werden durch Berechnung des Mittelwerts (μ) und der Standardabweichung (σ) einer Prozesskennzahl bei stabilem Betrieb festgelegt. Bei der SPC werden normalerweise zwei statistische Kontrollgrenzen und eine Mittellinie (CL) verwendet, einschließlich einer oberen Kontrollgrenze (UCL) und einer unteren Kontrollgrenze (LCL). In dieser Anwendung kann die Echtzeit-Verifizierungsleistung (d. h. die χ-Vergleichsdurchlaufrate) jedoch 100 % nicht überschreiten, so dass die UCL entfällt und nur die LCL berücksichtigt wird.

Wenn die Linac-Dosisleistung nach dem Einschalten schnell ansteigt, erhöht sich die EPID-Mittelachsendosisleistung schnell, oft mit einem kleinen Überschwingen, und stabilisiert sich dann nach etwa zwei Sekunden. Um diesen Bereich der Dosisleistungsinstabilität zu vermeiden, wurden bei der Berechnung der Kontrollgrenzwerte die ersten zwei Sekunden der Behandlung ausgeschlossen. Die CLs und LCLs wurden für die kumulative χ-Durchlassrate für drei Behandlungsorte bestimmt: Prostata, HN und Rektum unter Verwendung der Gleichungen 1 und 2.

Wobei \( {\mu}_{t\ge 2s} \) die durchschnittliche kumulative Dosisvergleichsdurchgangsrate nach zwei Sekunden Behandlung ist, und \( {\sigma}_{t\ge 2s} \) die Standardabweichung der kumulativen Dosisvergleichsdurchgangsrate nach zwei Sekunden ist. Danach wird die Kontrollkarte auf der Grundlage der definierten LCL für die spezifische Behandlungsstelle erstellt.

Fehlererkennung

Die Überwachung mit der LCL allein ist jedoch empfindlich gegenüber hochgradig transienten Ereignissen, weshalb ein zweiter Parameter eingeführt wurde, um eine bessere Identifizierung klinisch signifikanter Fehler zu ermöglichen.

Bei der Prozessbewertung wird ein Prozessfähigkeitsindex \( \left({C}_{pml}\right) \) verwendet, der die Fähigkeit eines Prozesses darstellt, Daten zu erzeugen, die die LCL erfüllen. Unter Verwendung des Trainingsdatensatzes wird der Prozessfähigkeitsindex anhand von Gleichung 3 berechnet.

Wobei \( {\mu}_t \) und \( {\sigma}_t \) der Mittelwert und die Standardabweichung der kumulativen Dosisvergleichsdurchgangsrate nach zwei Sekunden Behandlung bis zum Abgabepunkt sind. Die Konstante 1,46 wird für eine einseitige Spezifikationsgrenze empfohlen, und T ist der Prozesszielwert, der als Mittelwert der kumulativen Dosisvergleichsdurchlassrate oder als Mittellinie gemäß Gl. 1 angenommen werden kann. Es ist zu beachten, dass es keinen idealen Wert für \( {C}_{pml} \) gibt, der sicherstellt, dass ein Prozess optimal funktioniert. In der Regel wird \( {C}_{pml}=1,33 \) als unterer Grenzwert für einen akzeptabel funktionierenden Prozess verwendet und weist auf einen qualitativ hochwertigen QS-Prozess hin.

Die Lieferung wurde als „nicht bestanden“ eingestuft, wenn die beiden folgenden Bedingungen zutrafen:

1. Die kumulative χ-Bestehensrate in Echtzeit war geringer als die standortspezifische LCL

2. Der Prozessfähigkeitsindex, \( {C}_{pml} \) war geringer als 1.33

Sensitivitätstests

Die Empfindlichkeit der abgeleiteten Kontrollgrenzen gegenüber verschiedenen Fehlerquellen wurde getestet und bewertet. Dazu wurden zwei Datensätze von Prostatapatienten herangezogen. Simulierte Fehlerklassen wurden eingeführt, indem die CT-Scandaten des Patienten oder die Parameter des Behandlungsplans geändert wurden und dann der vorhergesagte EPID-Bildsatz neu berechnet wurde. Tabelle 1 enthält eine Liste der Testfälle und Simulationsparameter, die für die Empfindlichkeitsprüfung verwendet wurden. Ein Vergleich zwischen den vorhergesagten und den gemessenen Transitbildern wurde dann mit einem Offline-Simulator des Echtzeit-Verifikationssystems durchgeführt.

Klassifizierung der Fehlerquellen

Fünf zufällig ausgewählte Patienten für Prostata-, HN- und Rektum-IMRT-Behandlungen wurden in dieser Voruntersuchung für die Bewertung der Patientenbehandlung verwendet. Die abgeleiteten ortsspezifischen Kontrollgrenzen wurden verwendet, um die klinischen Echtzeit-Verifizierungsergebnisse mit dem ausgewählten Patientendatensatz einschließlich aller Fraktionen von jedem Behandlungsort zu untersuchen und zu klassifizieren. Ein „fail“ wird ausgelöst, wenn die individuelle Behandlungsbewertung die Bedingung der Fehlererkennung überschreitet (kumulativer χ-Vergleich < LCL und Cpml < 1,33). Jeder Fehler während der Überprüfung veranlasste eine weitere Analyse, um die Fehlerquelle zu klassifizieren und zu bestimmen.

Die Fähigkeit der Fehlererkennung durch das System wurde untersucht und in zwei Hauptkategorien eingeteilt; klinische und Watchdog-System bezogene Quellen . Bei den klinischen Fehlerquellen gibt es zwei Unterkategorien: patientenbezogene Übergabefehler und Datenübertragungs- und Linac-Fehler. Drei Unterkategorien beziehen sich auf nicht-klinische Fehlerquellen, darunter EPID-Erfassungsfehler, Watchdog-Systemfehler und Watchdog-Benutzerfehler. Die Beobachtungsparameter sind in Tabelle 2 aufgeführt.