ตัวทำนายความล้มเหลวการทำประกันคุณภาพก่อนฉายรังสี ในผู้ป่วยที่วางแผนการรักษา ด้วยเครื่องฉายรังสีแบบเกลียวหมุน
คำสำคัญ:
การฉายรังสีด้วยเครื่องฉายรังสีแบบเกลียวหมุน,การประกันคุณภาพก่อนการฉายรังสี (DQA), การวางแผนการรักษาด้วยเทคนิคปรับความเข้ม (IMRT), แบบจำลองการทำประกันคุณภาพก่อนการฉายรังสีบทคัดย่อ
หลักการและเหตุผล: การฉายรังสีด้วยเครื่องฉายรังสีแบบเกลียวหมุน ต้องประกันคุณภาพก่อนการฉายรังสี (DQA) เพื่อตรวจสอบความถูกต้องของแผนการรักษา ในกรณีที่ไม่สามารถทำได้ เช่น ผู้ป่วยที่ต้องฉายรังสีเพื่อหยุดการไหลของเลือด ผู้ป่วยที่ต้องฉายรังสีเพื่อบรรเทาอาการปวด และผู้ป่วยที่ต้องฉายรังสีตามระยะเวลาที่กำหนดที่ไม่สามารถรอทำประกันคุณภาพก่อนฉายได้ ซึ่งต้องวางแผนการรักษาแล้วฉายรังสีทันที
วัตถุประสงค์: เพื่อศึกษาตัวทำนายที่ทำให้การประกันคุณภาพก่อนฉายรังสีล้มเหลว และสร้างแบบจำลองการประกันคุณภาพก่อนฉายรังสี
วัสดุและวิธีการ: เก็บข้อมูลย้อนหลังจากแผนการรักษาที่ถูกเก็บไว้ในโปรแกรม Accuray Precision ได้แก่ treatment sites: head and neck, brain, chest, abdomen และ pelvis, fraction dose, target volume, field width: 1 cm, 2.5 cm, 5 cm, pitch, modulation factor (planned and actual), gantry rotations, gantry period, beam on time, couch travel, couch speed, fraction MUs, leaf open time(max), leaf open time(min), leaf open time(mean), leaf open time(mode) และ leaf open time(std) ภานในหน่วยรังสีรักษา กลุ่มงานรังสีวิทยา โรงพยาบาลพุทธชินราช พิษณุโลก ตั้งแต่ มกราคม 2563 ถึง ธันวาคม 2566 วิเคราะห์ตัวแปรทำนายการทำประกันคุณภาพก่อนการฉายรังสีล้มเหลวด้วย odds ratio, OR จาก logistic regression analysis ผ่านวิธี stepwise backward selection
ผลการศึกษา: ตัวทำนายที่เพิ่มโอกาสให้การทำประกันคุณภาพก่อนการฉายรังสีล้มเหลว จนเป็นเหตุให้ต้องทำการวางแผนการรักษาใหม่ ได้แก่ treatment sites: pelvis (OR 2.91, 95% CI 1.52-5.57), field width 2.5 cm (OR 0.25, 95% CI 0.07-0.91), beam on time (OR 0.99, 95% CI 0.99-0.99), Couch speed (mm/sec) (OR 0.14, 95% CI 0.03-0.60), leaf open time (mode) (ms) (OR 0.99, 95% CI 0.99-1.00) และ leaf open time (std) (ms) (OR 1.02, 95% CI 1.01-1.04)
ข้อสรุป: ตัวทำนายที่ได้จากการศึกษานี้สามารถนำไปประยุกต์ใช้เพื่อเพิ่มประสิทธิภาพในการวางแผนการรักษา ลดความจำเป็นในการทำประกันคุณภาพก่อนการฉายรังสีซ้ำ และลดระยะเวลารอคอยในกรณีที่ต้องวางแผนใหม่ โดยเฉพาะในสถานการณ์เร่งด่วนที่ไม่สามารถทำประกันคุณภาพได้ จึงเป็นเครื่องมือสนับสนุนการตัดสินใจทางคลินิกได้อย่างรวดเร็วและแม่นยำยิ่งขึ้น
เอกสารอ้างอิง
Mackie TR, Balog J, Ruchala K, Shepard D, Aldridge S, Fitchard E, et al. Tomotherapy. Seminars in radiation oncology. 1999;9:108–17.
Chang KH, Ji Y, Kwak J, Kim SW, Jeong C, Cho B, et al. Clinical Implications of High Definition Multileaf Collimator (HDMLC) Dosimetric Leaf Gap (DLG) Variations. Prog Med Phys. 2016;27:111.
Cho B. Intensity-modulated radiation therapy: a review with a physics perspective. Radiat Oncol J. 2018;31;36:1–10.
Chang KH, Lee S, Jung H, Choo YW, Cao YJ, Shim JB, et al. Development of a 3D optical scanner for evaluating patientspecific dose distributions. Physica Medica. 2015;31:553–9.
Thiyagarajan R, Nambiraj A, Sinha SN, Yadav G, Kumar A, Subramani V, et al. Analyzing the performance of ArcCHECK diode array detector for VMAT plan. Rep Pract Oncol Radiother. 2016;21:50–6.
Cao YJ, Lee S, Chang KH, Shim JB, Kim KH, Park YJ, et al. Patient performancebased plan parameter optimization for prostate cancer in tomotherapy. Medical Dosimetry. 2015;40:285–9.
Shimizu H, Sasaki K, Tachibana H, Tomita N, Makita C, Nakashima K, et al. Analysis of modulation factor to shorten the delivery time in helical tomotherapy. J Appl Clin Med Phys. 2017;18:83–7.
Skórska M, Piotrowski T. Optimization of treatment planning parameters used in tomotherapy for prostate cancer patients. Physica Medica. 2013;29:273–85.
De Kerf G, Van Gestel D, Mommaerts L, Van den Weyngaert D, Verellen D. Evaluation of the optimal combinations of modulation actor and pitch for Helical TomoTherapy plans made with TomoEdge using Pareto optimal fronts. Radiat Oncol. 2015;10:191.
Binny D, Lancaster CM, Harris S, Sylvander SR. Effects of changing modulation and pitch parameters on tomotherapy delivery quality assurance plans. J Appl Clin Med Phys. 2015;16:87–105.
Thomas SJ, Geater AR. Implications of leaf fluence opening factors on transfer of plans between matched helical tomotherapy machines. Biomed Phys Eng Express. 2017;4:017001.
Boyd R, Jeong K, Tomé WA. Determining efficient helical IMRT modulation factor from the MLC leaf-open time distribution on precision treatment planning system. J Appl Clin Med Phys. 2019;20:64–74.
Binny D, Lancaster CM, Byrne M, Kairn T, V. Trapp J, Crowe SB. Tomotherapy treatment site specific planning using statistical process control. Physica Medica. 2018;53:32–9.
Chang KH, Lee YH, Park BH, et al. Statistical analysis of treatment planning parameters for prediction of delivery quality assurance failure for helical tomotherapy. Technol Cancer Res Treat. 2020; 19:1533033820979692.
Valdes G, Scheuermann R, Hung CY, Olszanski A, Bellerive M, Solberg TD. A mathematical framework for virtual IMRT QA using machine learning. Med Phys. 2016;43:4323–4334.
Lam D, Zhang X, Li H, Yang D, Schott B, Zhao T, et al. Predicting gamma passing rates for portal dosimetry–based IMRT QA using machine learning. Med Phys. 2019;46:4666–4675.
Bresciani S, Miranti A, Di Dia A, Maggio A, Bracco C, Poli M, Di Spirito D, Gabriele P, Stasi M. A pre-treatment quality assurance survey on 384 patients treated with helical intensity-modulated radiotherapy. Radiother Oncol. 2016;119:60–65.
Westerly DC, Soisson E, Chen Q, Woch K, Schubert L, Olivera G, Mackie TR. Treatment planning to improve delivery accuracy and patient throughput in helical tomotherapy. Int J Radiat Oncol Biol Phys. 2009;74:1290–1297.
Kim J, Kay CS, Jang HS, Kang YN. Analysis of the Effect of Tomotherapy Plan Parameters on Patient-Specific Delivery Quality Assurance (DQA). J Korean Phys Soc. 2019;75:1043–1047.
Binny D, Lancaster CM, Byrne M, Kairn T, Trapp JV, Crowe SB. Tomotherapy treatment site specific planning using statistical process control. Phys Medica. 2018; 53:32–39.
Levin R, Aravkin AY, Kim M. Patientspecific Quality Assurance Failure Prediction with Deep Tabular Models medRxiv. 2022 Oct 4.
Cavinato S, Bettinelli A, Dusi F, Fusella M, Germani A, Marturano F, Paiusco M, Pivato N, Rossato MA, Scaggion A.Prediction models as decision-support tools for virtual patient-specific quality assurance of helical tomotherapy plans. Physics and Imaging in Radiation Oncology. 2023;26:100435
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 สมาคมรังสีรักษาและมะเร็งวิทยาแห่งประเทศไทย
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสารมะเร็งวิวัฒน์ ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับ และบุคคลากรท่านอื่น ๆ ใน สมาคมฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
