วิธีการตามประชากรเพื่อกำหนดกิจกรรมที่รวมเวลาในการฉายรังสีระดับโมเลกุล

Deni Hardiansyah¹, Ade Riana¹, Peter Kletting^2,3,Nouran RR Zaid^2,Matthias Eiber^4,สุปรียันโต เอ ปาวิโร¹, Ambros J. เบียร์³และ Gerhard Glatting^2,3*

เชิงนามธรรม

พื้นหลัง:การคำนวณกิจกรรมที่รวมเวลา (TIA) สำหรับเนื้องอกและอวัยวะเป็นสิ่งจำเป็นสำหรับการวัดปริมาณรังสีในการฉายรังสีระดับโมเลกุล ความแม่นยำของ TIA ที่คำนวณได้นั้นขึ้นอยู่กับฟังก์ชัน ft ที่เลือกเป็นอย่างมาก การเลือกหน้าที่ที่เหมาะสมจึงมีความสำคัญสูง อย่างไรก็ตาม การเลือกแบบจำลอง (เช่น ฟังก์ชัน) จะทำงานได้อย่างแม่นยำมากขึ้นเมื่อมีข้อมูลชีวจลนศาสตร์มากกว่าปกติในผู้ป่วยรายเดียว ในการวิเคราะห์ย้อนหลังนี้ เราจึงได้พัฒนาวิธีการสำหรับการเลือกแบบจำลองตามประชากร ซึ่งสามารถใช้สำหรับการกำหนดกิจกรรมที่รวมเวลา (TIA) แต่ละรายการได้ วิธีการนี้แสดงให้เห็นในตัวอย่างของ [177Lu]Lu-PSMA-I&Tไตชีวจลนศาสตร์ โดยอิงตามความเหมาะสมของประชากรและเป็นประโยชน์โดยเฉพาะสำหรับกรณีที่มีข้อมูลชีวจลนศาสตร์ที่มีอยู่จำนวนน้อยต่อผู้ป่วยแต่ละราย

วิธีการ:ใช้ชีวจลนศาสตร์ของไตของ [177Lu]Lu-PSMA-I&T จากผู้ป่วย 13 รายที่เป็นมะเร็งต่อมลูกหมากที่ทนต่อการแพร่กระจายของมะเร็งต่อมลูกหมากซึ่งได้จากการถ่ายภาพในระนาบ ฟังก์ชันเลขชี้กำลัง 20 ฟังก์ชันได้มาจากการกำหนดพารามิเตอร์ต่างๆ ของฟังก์ชันโมโนและฟังก์ชันเลขชี้กำลังสอง พารามิเตอร์ของฟังก์ชันได้รับการติดตั้ง (ด้วยพารามิเตอร์ที่ใช้ร่วมกันและพารามิเตอร์ส่วนบุคคลที่แตกต่างกัน) กับข้อมูลชีวจลนศาสตร์ของผู้ป่วยทั้งหมด ความพอดีถือว่ายอมรับได้ โดยพิจารณาจากการตรวจสอบด้วยสายตาของเส้นโค้งที่พอดีและค่าสัมประสิทธิ์ของการเปลี่ยนแปลง 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="">

ผลลัพธ์:ฟังก์ชัน A1 e−(- 1 บวก -Phys)t บวก A1(1 − )e−(Phys)t พร้อมพารามิเตอร์ที่ใช้ร่วมกัน ได้รับเลือกให้เป็นฟังก์ชันที่ได้รับการสนับสนุนมากที่สุดโดยข้อมูลที่มีน้ำหนัก Akaike 97 เปอร์เซ็นต์ พารามิเตอร์ A1 และ -1 ถูกปรับพอดีแยกกันสำหรับผู้ป่วยทุกรายในขณะที่พารามิเตอร์ถูกพอดีเป็นพารามิเตอร์ที่ใช้ร่วมกันในประชากรซึ่งให้ค่าเป็น 0.9632±0.0037 สรุป: การเลือกแบบจำลองตามประชากรที่นำเสนอช่วยให้มีพารามิเตอร์ของฟังก์ชัน ft ที่ตรวจสอบจำนวนมากขึ้น ซึ่งจะทำให้มีความเหมาะสมมากขึ้น นอกจากนี้ยังลดความไม่แน่นอนของตุ้มน้ำหนัก Akaike ที่ได้รับและฟังก์ชัน ft ที่ดีที่สุดที่เลือกตามน้ำหนักเหล่านั้น การใช้พารามิเตอร์ที่ใช้ร่วมกันที่กำหนดโดยประชากรสำหรับผู้ป่วยในอนาคตช่วยให้สามารถปรับการทำงานที่เหมาะสมยิ่งขึ้นสำหรับผู้ป่วยที่มีข้อมูลเฉพาะจำนวนน้อยเท่านั้น

คำสำคัญ:TIAs, ปริมาณการดูดซึม, การเลือกรุ่น

ติดต่อ: ali.ma@wecistanche.com

พื้นหลัง

การวางแผนการรักษาเฉพาะบุคคลเป็นสิ่งที่พึงปรารถนาสำหรับการบำบัดด้วยนิวไคลด์กัมมันตภาพรังสีเพื่อเพิ่มขนาดยาที่เนื้องอกดูดซึมได้มากที่สุด ในขณะที่ช่วยประหยัดอวัยวะที่มีความเสี่ยง [1–3] ปริมาณการดูดซึม Te จะถูกกำหนดสำหรับส่วนที่ใหญ่ที่สุดโดยกิจกรรมที่รวมเวลา (TIAs) [4, 5] TIA เท่ากับจำนวนการสลายตัวของนิวไคลด์กัมมันตรังสีที่ใช้ในอวัยวะที่พิจารณา ในการคำนวณ TIA ฟังก์ชันทางคณิตศาสตร์จะพอดีกับข้อมูลชีวจลนศาสตร์ที่วัดได้จากการถ่ายภาพ 2 มิติหรือ 3 มิติที่จุดเวลาหลายจุด [6–9] จากนั้นฟังก์ชันนี้จะรวมเข้าด้วยกันจากเวลาศูนย์ถึงอนันต์ ค่า TIA ที่คำนวณตามวิธีการติดตั้งนี้ขึ้นอยู่กับฟังก์ชัน ft ที่เลือก [10] ดังนั้น การใช้ฟังก์ชันฟุตที่ "เหมาะสมที่สุด" [11] จึงมีความสำคัญอย่างยิ่งต่อการกำหนด TIA ที่แม่นยำและแม่นยำ และต่อมาคือปริมาณที่ดูดซึม เกณฑ์ที่เกี่ยวข้องสำหรับฟังก์ชัน ft ที่เหมาะสมที่สุดคือ

(1) หน้าที่ตรวจสอบเหมาะสมกับข้อมูล คือ ความพอดีเป็นที่น่าพอใจ และ

(2) ฟังก์ชั่นได้รับการสนับสนุนมากที่สุดโดยข้อมูลที่สังเกตได้ "ส่วนใหญ่" ในที่นี้หมายถึงชุดของหน้าที่ที่เหมาะสมซึ่งกำหนดโดยผู้วิจัย

ในขณะที่รายการ (1) สามารถตรวจสอบได้อย่างง่ายดายโดยใช้เกณฑ์มาตรฐาน เช่น การตรวจสอบด้วยสายตาของกราฟที่พอดี การประเมินเชิงปริมาณโดยใช้ค่าสัมประสิทธิ์การแปรผันของพารามิเตอร์ที่ติดตั้ง (< 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,="">

การเลือกแบบจำลองมีสองอินพุต: ด้านหนึ่งเป็นชุดของแบบจำลอง และอีกด้านหนึ่งเป็นข้อมูลที่สังเกตได้ อย่างไรก็ตาม แบบแรกนั้นขึ้นอยู่กับรุ่นหลัง เนื่องจากมีข้อมูลเพียงเล็กน้อยที่อนุญาตให้ใช้แบบจำลอง (หรือฟังก์ชันที่เกี่ยวข้อง) โดยมีพารามิเตอร์เพียงเล็กน้อยเท่านั้น

ในเวชศาสตร์นิวเคลียร์ การวัดค่าชีวจลนศาสตร์มักดำเนินการในช่วงเวลาไม่กี่ครั้ง ดังนั้น แทนที่จะใช้ข้อมูลของผู้ป่วยเพียงรายเดียว กล่าวคือ การเลือกแบบจำลองแบบอิงรายบุคคล (IBMS) รวมถึงข้อมูลของผู้ป่วยเพิ่มเติมที่เป็นโรคเดียวกันที่รับการรักษาด้วยเภสัชรังสีเดียวกันอาจมีความสำคัญในการพิจารณาการทำงานของฟุตที่เหมาะสม (รายการ ( 2) ข้างต้น) การเลือกแบบจำลองตามประชากร (PBMS) ดังกล่าวจะเพิ่มอัตราส่วนของจำนวนข้อมูลที่สังเกตได้ซึ่งใช้เป็นอินพุตต่อจำนวนพารามิเตอร์ที่ประมาณการ ดังนั้นจึงช่วยลดความไม่แน่นอนในการเลือกแบบจำลอง ยิ่งไปกว่านั้น ยังอนุญาตให้ใช้ชุดแบบจำลองที่ขยายเพิ่มเติม เนื่องจากฟังก์ชันที่มีพารามิเตอร์จำนวนมากขึ้นจะเป็นไปได้ นอกจากนี้ อาจมีการใช้ข้อมูลเกี่ยวกับรูปร่างการทำงานของเส้นกราฟเวลา-กิจกรรมของผู้ป่วยก่อนหน้าสำหรับผู้ป่วยในอนาคต

ในงานนี้ เราจึงนำเสนอวิธีการทั่วไปในการปรับปรุงการคำนวณ TIA โดยใช้ข้อมูลชีวจลนศาสตร์ของประชากรแทนผู้ป่วยเพียงรายเดียว วิธีการดำเนินการเลือกแบบจำลองที่จำเป็นตามแนวทาง PBMS และนำเสนอในตัวอย่างของไตชีวจลนศาสตร์ในการบำบัดด้วยรังสีลิแกนด์ Lu-PSMA-I&T [177Lu] เพื่อจุดประสงค์นี้ ชุดของแบบจำลองทางคณิตศาสตร์หรือฟังก์ชันถูกกำหนด ค่า ft แบบประชากรจะถูกดำเนินการ และเลือกฟังก์ชันที่ข้อมูลสนับสนุนมากที่สุดโดยใช้วิธี Akaike weights วิธีการที่พัฒนาขึ้นนี้สามารถนำมาใช้เพื่อกำหนด TIA แต่ละรายการของผู้ป่วยในอนาคตโดยใช้ฟังก์ชันที่ดีที่สุดที่ได้รับจากประชากรที่วัดได้ก่อนหน้านี้

วัสดุและวิธีการ

ข้อมูลทางชีวภาพของ [ 177Lu]Lu‑PSMA‑I&T ในไต

ผู้ป่วยสิบสามคนที่เป็นมะเร็งต่อมลูกหมากที่ดื้อต่อระยะแพร่กระจายถูกรวมไว้ในการวิเคราะห์ย้อนหลังนี้ [13, 14] ผู้ป่วยทุกรายได้รับการบำบัดด้วยรังสีลิแกนด์ Lu-PSMA-I&T (RLT) และการทำ scintigraphies ทั่วร่างกายหลังการรักษา ข้อมูลชีวจลนศาสตร์ (ข้อมูลกิจกรรมเวลา) ของ [ 177Lu]Lu-PSMA-I&T RLT ในไตคำนวณจากไตพื้นที่ที่น่าสนใจโดยใช้ค่าเฉลี่ยเรขาคณิตของการนับหน้าและหลังพร้อมการแก้ไขพื้นหลัง จากผู้ป่วยสิบสามราย ผู้ป่วย 3 รายมี 5-ข้อมูลจุดเวลา ผู้ป่วย 1 รายมีข้อมูลจุดเวลา 4- และผู้ป่วย 9 รายมีข้อมูลจุดเวลา 3- ได้รับข้อมูลชีวจลนศาสตร์ที่ (1.1±0.7) h, (20.7±2.3) h, (51.0±10.1) h, (92.3±47.2) h, (163.8± 2.1) ชั่วโมง pi

ชุดของฟังก์ชันเลขชี้กำลังที่ตรวจสอบแล้ว

ผลรวมของฟังก์ชันเลขชี้กำลังที่มีความซับซ้อนเพิ่มขึ้นถูกนำมาใช้ในชุดแบบจำลองที่ศึกษา เนื่องจากฟังก์ชันทางคณิตศาสตร์ดังกล่าวมักใช้เพื่ออธิบายกระบวนการทางชีววิทยา [6–9]

โดยที่ fia เป็นฟังก์ชัน ft ที่มีพารามิเตอร์ I, Ai ที่มากกว่าหรือเท่ากับ 0 คือพรีแฟกเตอร์ Phys คือค่าคงที่การสลายตัวทางกายภาพของ radionuclide ที่คำนวณจากครึ่งชีวิต T1/2 ของ 177Lu {{5} }กายภาพ=ln (2)/T1/2- และ -1 และ -2 อธิบายอัตราการชำระทางชีวภาพของเภสัชรังสี นอกจากนี้ ฟังก์ชันต่อไปนี้ยังถูกใช้ซึ่งถูกกำหนดโดยเปรียบเทียบกับกรณีของค่าลักษณะเฉพาะที่เสื่อมโทรมสำหรับออสซิลเลเตอร์แบบหน่วง (สังเกตปัจจัยเพิ่มเติม t):

ฟังก์ชันทั้งสาม (10)–(12) มาจากสมการ (9) โดยการลดจำนวนพารามิเตอร์ฟุต นอกจากฟังก์ชันในสมการแล้ว (1)–(12) เราตรวจสอบฟังก์ชันด้านล่างโดยใช้ข้อมูลชีวจลนศาสตร์ทั้งหมดของประชากรผู้ป่วยและวิธีการพารามิเตอร์ที่ใช้ร่วมกัน พารามิเตอร์ที่ใช้ร่วมกันของ Te จะถือว่าเหมือนกันสำหรับผู้ป่วยทุกราย และประมาณการสำหรับข้อมูลทั้งหมดในประชากรผู้ป่วยร่วมกัน พารามิเตอร์อื่น ๆ ถูกประเมินเป็นรายบุคคลจากข้อมูล ฟังก์ชันต่อไปนี้ทั้งหมดได้มาจากฟังก์ชัน f3a (Eq. (6)) ที่มีพารามิเตอร์ที่ใช้ร่วมกันต่างกัน (Eqs. (13)–(15)) และการกำหนดพารามิเตอร์ที่แตกต่างกัน (Eqs. (16)–(18)):

โดยที่พารามิเตอร์เป็นส่วนสนับสนุนเศษส่วนของเลขชี้กำลังที่สัมพันธ์กันโดยมีค่าจำกัดระหว่าง 0 และ 1 ดัชนี S อ้างถึงพารามิเตอร์ที่ใช้ร่วมกัน เพื่อความสมบูรณ์ ยังได้วิเคราะห์ฟังก์ชันเลขชี้กำลังต่อไปนี้ที่มีพารามิเตอร์ประมาณหนึ่งและสี่พารามิเตอร์ด้วย:

การปรับข้อมูลให้เหมาะสม ฟังก์ชันทั้งหมด (สมการ (1)–(20)) ถูกปรับให้เข้ากับข้อมูลชีวจลนศาสตร์ของไตโดยใช้แนวทางของ IBMS และ PBMS โดยที่พารามิเตอร์ทั้งหมดถูกจำกัดให้เป็นค่าบวก อุปกรณ์ได้ดำเนินการโดยใช้ซอฟต์แวร์วิเคราะห์แบบจำลองและแบบจำลอง SAAMII v.2.3 (Te Epsilon Group, Charlottesville, VA, USA) [15] การตั้งค่าการคำนวณต่อไปนี้ถูกใช้สำหรับอุปกรณ์: อัลกอริทึม Rosenbrock, เกณฑ์การบรรจบกัน 10–4 และโมเดลความแปรปรวนแบบอิงสัมบูรณ์ที่มีค่าเบี่ยงเบนมาตรฐานเศษส่วน 0.15 [15]

ความดีของการโจรกรรมถูกตรวจสอบโดยการตรวจสอบด้วยสายตาของกราฟที่ติดตั้ง ค่าสัมประสิทธิ์การแปรผัน CV ของพารามิเตอร์ที่ติดตั้ง (<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.="">

การเลือกรุ่น

ในการเลือกฟังก์ชันที่ข้อมูลสนับสนุนมากที่สุด เกณฑ์ Akaike Information Criterion AICc ที่แก้ไขแล้ว ซึ่งได้รับการแก้ไขในอัตราส่วนที่ต่ำของจำนวนข้อมูล N ต่อจำนวนพารามิเตอร์ K เช่น N/K<40 [11],="" and="" the="" corresponding="" akaike="" weights="" [11]="" were="" calculated="" as="">

โดยที่ P คือฟังก์ชันวัตถุประสงค์โดยประมาณที่ลดขนาดลงสำหรับชุดติดตั้ง AICcmin คือค่า AICc ต่ำสุดของฟังก์ชันที่ติดตั้งทั้งหมด i คือผลต่างระหว่าง AICci ของฟังก์ชัน I และ AICcmin F คือจำนวนฟังก์ชันทั้งหมดที่ตรวจสอบและวิธีที่ CCI เป็น Akaike น้ำหนักของฟังก์ชัน i. ตุ้มน้ำหนัก Akaike บ่งบอกถึงความน่าจะเป็นที่โมเดลจะดีที่สุดในบรรดาโมเดลที่พิจารณาทั้งชุด [11]

From those functions which passed the goodness-of-fit test ("Data fitting" section), the functions with an Akaike weight>0.05 ถูกเลือกให้เป็นฟังก์ชันที่ข้อมูลสนับสนุนมากที่สุด สิ่งเหล่านี้ถูกใช้เพื่อกำหนดพื้นที่ใต้เส้นโค้งของกราฟกิจกรรมเวลาของ [ 177Lu]Lu-PSMA-I&T RLT ในไต.

เวิร์กโฟลว์

ในวิธี PBMS ที่เสนอ พารามิเตอร์ของสมการ (1)–(12) พอดีกับไตข้อมูลชีวจลนศาสตร์ของประชากร (ผู้ป่วย 13 ราย) เพื่อตรวจสอบว่าข้อมูลของผู้ป่วยสามารถอธิบายได้ด้วยพารามิเตอร์ที่ใช้ร่วมกันหรือไม่ ได้ดำเนินการปรับประชากรเพื่อประมาณค่าพารามิเตอร์ของฟังก์ชันในสมการ (13) ถึง (18) พร้อมการประมาณค่าพารามิเตอร์ที่ใช้ร่วมกัน การเลือกแบบจำลองดำเนินการโดยใช้ตุ้มน้ำหนัก Akaike (ส่วน "การปรับข้อมูลให้เหมาะสม")

นอกจากวิธี PBMS แล้ว เรายังดำเนินการตามวิธีของ IBMS [8, 9] โดยใช้ฟังก์ชันในสมการ (1)–(12) สำหรับผู้ป่วย P1, P3 และ P4 สำหรับผู้ที่มีจุดข้อมูลการวัดทางชีวจลนศาสตร์ห้าจุด จำนวนจุดข้อมูลขั้นต่ำสำหรับการเลือกแบบจำลองตาม AICc เท่ากับจำนวนพารามิเตอร์ที่ปรับได้ Kmax บวก 2 ตามที่เห็นจากสมการ (21) ดังนั้นสำหรับผู้ป่วย 3 รายนี้เท่านั้นจึงสามารถใช้ฟังก์ชันทั้งหมดที่มีพารามิเตอร์ได้ถึง 3 ตัว แบบจำลองที่ดีที่สุดที่ได้รับจากวิธีการของผู้ป่วยเหล่านี้ของ IBM ได้ถูกนำมาใช้ในการคำนวณ TIA ของ [ 177Lu]Lu-PSMA-I&T ในผู้ป่วยทั้งหมด 13 ราย ประสิทธิภาพของฟังก์ชันที่เลือกได้รับการสนับสนุนมากที่สุดโดยข้อมูลโดยใช้วิธี PBMS และ IBMS ตามลำดับ ได้รับการประเมินโดยพิจารณาจากการตรวจสอบด้วยสายตาของกราฟที่ติดตั้ง นอกจากนี้ยังเปรียบเทียบและวิเคราะห์ค่าเบี่ยงเบนสัมพัทธ์ RD ระหว่าง TIA จากทั้งสองวิธี วิธี Jackknife ใช้ในการวิเคราะห์ความเสถียรของแบบจำลองที่ดีที่สุดที่เลือกผ่านการเลือกแบบจำลอง [11, 16]: เพื่อจุดประสงค์นี้ วิธีการแบบปล่อยครั้งเดียวใช้ 13 ครั้งกับผู้ป่วยเพียง 12 คนสำหรับการคำนวณน้ำหนัก Akaike มีการใช้ Te Jackknife เพื่อตรวจสอบว่าผลลัพธ์ของการเลือกแบบจำลองจากทั้ง PBMS และ IBMS จะเปลี่ยนไปสำหรับชุดข้อมูลที่แตกต่างกัน (เช่น ปล่อยให้ผู้ป่วยรายหนึ่งออกไป 13 ครั้ง) ที่ใช้ในการวิเคราะห์หรือไม่

ผลลัพธ์

โดยใช้วิธีการ PBMS พารามิเตอร์ของฟังก์ชันเลขชี้กำลังในสมการ (1)– (20) ถูกปรับให้เข้ากับข้อมูลชีวจลนศาสตร์ของไตในผู้ป่วยทุกราย ชุดติดตั้งไม่ผ่านเกณฑ์ความดีของฟุตสำหรับ 14 หน้าที่ตรวจสอบ กล่าวคือ การติดตั้งล้มเหลวโดยพิจารณาจากการตรวจสอบด้วยสายตาของกราฟที่พอดีหรือความดีที่ไม่เพียงพอของฟุต (ตารางที่ 1) ไม่สามารถติดตั้งฟังก์ชัน f4 ที่มี 4 พารามิเตอร์สำหรับผู้ป่วยที่มีข้อมูลสำหรับ

เพียง {0}} จุดเวลา จาก 5 ฟังก์ชันที่เหลือ f3aS4 ได้รับเลือกให้เป็นฟังก์ชันที่สนับสนุนมากที่สุดโดยข้อมูลในแนวทาง PBMS โดยพิจารณาจากน้ำหนัก Akaike ที่ 97 เปอร์เซ็นต์ (ตารางที่ 1) ค่าโดยประมาณของ ซึ่งถูกปรับให้เป็นพารามิเตอร์ที่ใช้ร่วมกันในผู้ป่วยทุกราย คือ (0.9632±0.0037) จากวิธี Jackknife ผลลัพธ์ของวิธี PBMS สำหรับฟังก์ชัน f3aS4 นั้นเสถียรมาก (น้ำหนักเฉลี่ยของ Akaike อยู่ที่ 97 เปอร์เซ็นต์ โดยมีช่วง 33 เปอร์เซ็นต์ -100 เปอร์เซ็นต์ ตารางที่ 1)

โดยใช้วิธีการของ IBM พารามิเตอร์ของฟังก์ชันเลขชี้กำลังในสมการ (1)– (12) ถูกใส่ทีละตัวกับข้อมูลชีวจลนศาสตร์ของไตในผู้ป่วย P1, P3 และ P4 ไม่ผ่านเกณฑ์ความพอดีสำหรับ 8 หน้าที่ (ตารางที่ 2) ฟังก์ชัน f2b ได้รับเลือกให้เป็นโมเดลที่ดีที่สุดในแนวทางของ IBM โดยพิจารณาจากค่าน้ำหนัก Akaike ที่ 100 เปอร์เซ็นต์ , 60 เปอร์เซ็นต์ และ 100 เปอร์เซ็นต์ สำหรับ P1, P3 และ P4 ตามลำดับ (ตารางที่ 2) วิธี Jackknife ไม่ได้ดำเนินการสำหรับเทคนิค IBMS เนื่องจากการลดจำนวนข้อมูลลงเหลือ 4 สำหรับผู้ป่วย P1, P3 และ P4 ทำให้สามารถคำนวณน้ำหนัก AICc ได้เฉพาะสำหรับฟังก์ชันที่มี 2 พารามิเตอร์ (Eq. (21))

รูปที่ 1 แสดงการเปรียบเทียบฟังก์ชัน f3aS4 ที่ได้จากแนวทาง PBMS และฟังก์ชัน f2b จากแนวทางของ IBM ในการอธิบายข้อมูลชีวจลนศาสตร์ที่ตรวจสอบของไต. การตรวจสอบกราฟในรูปที่ 1 ด้วยสายตาแสดงให้เห็นว่าฟังก์ชัน f3aS4 มีประสิทธิภาพที่ดีขึ้นหรือเทียบเท่ากับฟังก์ชัน f2b เป็นอย่างน้อย รูปที่ 2 แสดงกิจกรรมที่รวมเวลา (TIAs) ที่สอดคล้องกัน

การอภิปราย

ในงานนี้ เราใช้การเลือกแบบจำลองตามประชากรเพื่อคำนวณ TIA แต่ละรายการ การกำหนดที่แม่นยำซึ่งเป็นสิ่งสำคัญสำหรับการวัดปริมาณรังสีและการวางแผนการรักษาแต่ละครั้ง การใช้ขั้นตอนการเลือกแบบจำลองนั้นได้เปรียบเพราะจะเพิ่มความสามารถในการทำซ้ำของผลลัพธ์โดยการเลือกฟังก์ชั่น ft จากชุดของฟังก์ชัน (แบบจำลอง) อย่างเป็นกลาง ตรงกันข้ามกับการใช้กฎของนิ้วหัวแม่มือ [7] หรือเพียงแค่การคาดเดาโดยผู้ใช้ การเลือกแบบจำลองทางคณิตศาสตร์ที่ดี (เช่น ฟังก์ชัน) สำหรับการคำนวณ TIA เป็นสิ่งสำคัญ เนื่องจากการใช้ฟังก์ชันที่ไม่เหมาะสมจะทำให้ผลลัพธ์เป็นโมฆะหรืออย่างน้อยก็ทำให้ผลลัพธ์แย่ลง ดังนั้น การเลือกแบบจำลองจึงเป็นแง่มุมที่สำคัญและสำคัญของการวิเคราะห์ข้อมูลทางวิทยาศาสตร์ [12]

ข้อมูลประชากรที่มีอยู่ในเวชศาสตร์นิวเคลียร์มักจะต่างกันและเบาบาง วิธีการที่นำเสนอสามารถใช้กับสถานการณ์ทั่วไปนี้ได้ ข้อมูลทางเภสัชจลนศาสตร์ของข้อมูลที่ต่างกันสามารถได้มาจากประชากรและนำมาใช้เพื่อความเหมาะสมของแต่ละบุคคล ข้อดีของวิธีการของเราทำได้โดยการปรับปรุงอินพุตทั้งสอง เช่น (1) ข้อมูลและ (2) ชุดแบบจำลองที่เลือกสิ่งที่ดีที่สุด สิ่งนี้ยังช่วยปรับปรุงผลลัพธ์อีกด้วย

(1) ข้อมูลของประชากรแทนที่จะเป็นเพียงผู้ป่วยรายเดียวถูกใช้สำหรับขั้นตอนการเลือกแบบจำลอง ในตัวอย่างของเรา [ 177Lu]การบำบัดด้วยเรดิโอลิแกนด์ Lu-PSMA-I&T การใช้ฟังก์ชัน f2b เป็นกรณีที่วิธีการของ PBMS และ IBMS เหมือนกัน จากตารางที่ 1 น้ำหนัก Akaike กล่าวคือ ความน่าจะเป็นที่ f2b จะเป็นฟังก์ชันที่ดีที่สุด ต่ำกว่าปัจจัยที่มากกว่า 3247 เมื่อเทียบกับฟังก์ชัน f3aS4 ซึ่งบ่งชี้ว่าเหมาะสมกว่าอย่างเห็นได้ชัด นอกจากนี้ f2b ยังเป็นฟังก์ชันที่มีความน่าจะเป็นต่ำสุดของฟังก์ชันทั้งหมดโดยมีค่า ft ที่ยอมรับได้ การประเมินความเสถียรของขั้นตอนการเลือกแบบจำลองจำเป็นต้องใช้วิธี Jackknife [11, 16]: สำหรับฟังก์ชันที่ดีที่สุดของ PBMS f3aS4 ให้นำผู้ป่วยออกหนึ่งราย การมีจุดข้อมูล 5, 4 หรือ 3 จุดส่งผลให้อัตราส่วน N/K เท่ากับ 41/25≈1.64, 42/25≈1.68, 43/25≈1.72 ตามลำดับ อัตราส่วนเหล่านี้แตกต่างเพียงเล็กน้อยจากประชากรผู้ป่วยทั้งหมด: N/K=46/27≈1.70 สำหรับฟังก์ชันที่ดีที่สุดของ IBMS f2a จะต้องลบจุดข้อมูลหนึ่งจุดของผู้ป่วยที่อยู่ในการพิจารณาออกเพื่อประเมินความเสถียร ดังนั้น การลบจุดข้อมูลหนึ่งจุดสำหรับผู้ป่วยที่มีจุดข้อมูล 5, 4 หรือ 3 จุดจะส่งผลให้อัตราส่วน N/K เป็น 4/2=2, 3/2=1.5, 2/2=1, ตามลำดับ อย่างไรก็ตาม จากสมการ (21) ตามด้วยการคำนวณ AICc ที่ Kmax=N−2 ดังนั้น การประเมินความเสถียรของวิธี IBMS จึงเป็นไปไม่ได้สำหรับผู้ป่วยที่มีจุดข้อมูลเพียง 4 หรือ 3 จุด และมีแนวโน้มมากที่สุดที่ไม่เสถียรสำหรับผู้ป่วยที่มีจุดข้อมูล 5 จุด

ความเสถียรที่สูงขึ้นของผลลัพธ์ PBMS เมื่อเทียบกับ IBMS จะเห็นได้เมื่อเปรียบเทียบผลลัพธ์ในตารางที่ 1 และ 2: ในขณะที่วิธี PBMS น้ำหนัก Akaike สำหรับฟังก์ชันที่ดีที่สุดคือ 97.4 เปอร์เซ็นต์ (ตารางที่ 1) โดยมีค่ามัธยฐาน 97 เปอร์เซ็นต์ และ ช่วงจาก 33 ถึง 100 เปอร์เซ็นต์ สำหรับวิธีการของ IBMS ฟังก์ชัน ft ที่ดีที่สุดของผู้ป่วยรายหนึ่ง (P3, ตารางที่ 2) ค่อนข้างไม่แน่นอนโดยมีน้ำหนักเพียง 60 เปอร์เซ็นต์ และที่สำคัญที่สุดคือวิธี Jackknife ในการคำนวณความไม่แน่นอนสำหรับตุ้มน้ำหนัก Akaike เป็นไปไม่ได้สำหรับผู้ป่วยทั้งสามราย (2) ชุดของโมเดลที่เลือกอันที่ดีที่สุดนั้นถูกจำกัดด้วย Kmax=(N−2) [8, 9, 11, 12] ด้วย ดังนั้น ในตัวอย่างของเรา โดยหลักการแล้ววิธีการ PBMS จะอนุญาตให้รวมฟังก์ชันชุดแบบจำลองที่มีพารามิเตอร์ได้มากถึง 44 ตัว เห็นได้ชัดว่า ฟังก์ชันที่ซับซ้อนมากขึ้นเรื่อยๆ ในฟังก์ชันช่วยให้ผลการเลือกแบบจำลองดีขึ้น และสะท้อนถึงชีวจลนศาสตร์ที่แท้จริงได้ดีขึ้น ในทางตรงกันข้าม การเลือกรุ่นแต่ละรุ่น (เช่น สำหรับผู้ป่วยที่มีจุดข้อมูลสามจุด) เป็นไปได้เฉพาะสำหรับฟังก์ชันโดยขึ้นอยู่กับพารามิเตอร์เดียวเท่านั้น อย่างไรก็ตาม หน้าที่ดังกล่าวจะไม่สามารถสะท้อนถึงชีวจลนศาสตร์ได้อย่างเพียงพอ

ข้อดีอีกประการของวิธีการ PMBS คือความเป็นไปได้ในการใช้ฟังก์ชันที่มีพารามิเตอร์ร่วมกันในประชากร สำหรับประชากรผู้ป่วยของเรา เราให้ฟังก์ชันสำหรับการประมาณค่าของไตTIA ที่มี =0.9632. ผลลัพธ์นี้สามารถนำไปใช้กับผู้ป่วยในอนาคตได้โดยใช้พารามิเตอร์ที่ใช้ร่วมกันเป็นพารามิเตอร์คงที่และประมาณค่า A1 และ -1 สำหรับผู้ป่วยที่ตามมาเท่านั้น ดังนั้น เมื่อมีการระบุแบบจำลองที่ดีที่สุดแล้ว โมเดลนี้สามารถใช้สำหรับผู้ป่วยรายต่อไปที่มีพารามิเตอร์คงที่ที่สอดคล้องกัน แม้แต่ผู้ป่วยที่มีข้อมูลน้อยกว่าก็สามารถติดตั้งได้โดยใช้พารามิเตอร์ที่ใช้ร่วมกันเช่นพารามิเตอร์คงที่

ปัญหาทั่วไปในการวัดปริมาณรังสีทางคลินิกคือไม่มีความชัดเจนว่าฟังก์ชันใดเหมาะสมกับข้อมูล สิ่งนี้เป็นจริงแม้กระทั่งกับกรณีที่มีข้อมูลจำนวนมากต่ออวัยวะ แต่มีความเกี่ยวข้องมากกว่าสำหรับกรณีเหล่านั้นที่มีข้อมูลเพียงเล็กน้อย นี่เป็นปัญหาในการทำซ้ำ เนื่องจากผู้ใช้ทุกคนอาจใช้ฟังก์ชันอื่นที่ให้ผลลัพธ์ที่แตกต่างกันมาก อย่างไรก็ตาม วิธีการที่เรานำเสนอจะทำซ้ำได้มากกว่าเดิมมากเนื่องจากเหตุผลสองประการ: ก่อนอื่น เราใช้ฟังก์ชันมากมายและเลือกสิ่งที่ดีที่สุด (การเลือกรุ่น): วิธีนี้จะลดความแปรปรวนในผลลัพธ์ที่ได้รับจากผู้ใช้ที่แตกต่างกันไปแล้ว ประการที่สอง การเลือกแบบจำลองยังมีความไม่แน่นอน ซึ่งอาจเป็นไปไม่ได้ที่จะคำนวณในขณะที่เราแสดงสำหรับ IBMS ในตัวอย่างของเรา หากนำไปใช้กับข้อมูลของผู้ป่วยเพียงรายเดียว ความไม่แน่นอนนี้ลดลงอย่างมากในแนวทาง PBMS โดยการเพิ่มข้อมูลที่มีอยู่ในประชากรของผู้ป่วยที่คล้ายคลึงกัน (ตารางที่ 1, 2)

สำหรับตัวอย่างของเรา เราจะเห็นได้อย่างชัดเจนจากกราฟในรูปที่ 1 ว่าฟังก์ชัน f3aS4 ที่ได้รับจากแนวทาง PBMS มีประสิทธิภาพที่ดีกว่าหรือใกล้เคียงกันเมื่อเทียบกับฟังก์ชัน f2b ซึ่งเป็นที่ต้องการของแนวทางของ IBM รูปที่ 2 แสดงให้เห็นถึงผลกระทบอย่างมากที่ฟังก์ชัน ft ที่เลือกอาจมีสำหรับ TIA ของผู้ป่วยบางราย (เช่น P6)

ข้อดีของการใช้ PBMS เหนือ IBMS สันนิษฐานว่าจลนศาสตร์ในประชากรมีความคล้ายคลึงกันที่เหมาะสมซึ่ง PBMS ตรวจพบอย่างถูกต้อง ด้วยเหตุนี้ จึงจำเป็นอย่างยิ่งที่จะต้องรวมฟังก์ชันที่ "ถูกต้อง" ไว้ในชุดของฟังก์ชันที่ตรวจสอบ ตัวอย่างเช่น หากเราไม่ได้รวมฟังก์ชัน f3aS4 ไว้ในชุดฟังก์ชันของเรา ฟังก์ชัน f3aS3 จะถูกเลือกให้เป็นฟังก์ชันที่ดีที่สุดโดยมีน้ำหนัก Akaike ที่ 98.1 เปอร์เซ็นต์ (ซึ่งสูงกว่าฟังก์ชัน f3aS4) ดังนั้น เมื่อพิจารณาจากน้ำหนัก Akaike เพียงอย่างเดียว เราจึงไม่สามารถสรุปได้ว่าฟังก์ชันนั้นดีมาก ดังนั้น จึงต้องให้ความสำคัญอย่างยิ่งในการรวมฟังก์ชันที่เกี่ยวข้องทั้งหมดไว้ในชุดแบบจำลอง

ข้อมูลชีวจลนศาสตร์ของไตใน [177Lu]การรักษาด้วยรังสีลิแกนด์ Lu-PSMA-I&T ถูกนำมาใช้เพื่อสาธิตขั้นตอน อย่างไรก็ตาม วิธีนี้สามารถใช้และนำไปใช้กับอวัยวะต่างๆ และสำหรับเนื้องอกได้ ขั้นตอนเดียวที่อาจจำเป็นต้องปรับให้เข้ากับอวัยวะต่าง ๆ ที่เกี่ยวข้องกับชุดของหน้าที่ เนื่องจากชุดนี้ควรมีฟังก์ชันที่เหมาะสมที่สามารถอธิบายชีวจลนศาสตร์ของอวัยวะที่นำมาพิจารณาได้เป็นอย่างดี ตัวอย่างเช่น หากเนื้องอกมีระยะการสะสมที่ยาวนาน เราจะต้องรวมฟังก์ชันที่เหมาะสมไว้ในชุดฟังก์ชันเพื่อให้ฟังก์ชันที่สนับสนุนได้ดีที่สุดโดยข้อมูลจะอธิบายเกี่ยวกับชีวจลนศาสตร์ที่สอดคล้องกันเป็นอย่างดี

การป้อนข้อมูล การประมวลผล และผลลัพธ์ของวิธี PBMS ที่เสนอในการศึกษานี้มีข้อจำกัดดังต่อไปนี้

สำหรับการป้อนข้อมูลของ PBMS:

1. ความไม่แน่นอนของข้อมูลเชิงปริมาณอาจส่งผลต่อการเลือกแบบจำลอง ข้อมูลเชิงปริมาณที่แม่นยำและแม่นยำเป็นสิ่งสำคัญในการป้อนข้อมูลสำหรับการคำนวณ TIA [17] และนำหลักการ "ขยะในถังขยะออก" มาใช้ เนื่องจากวัตถุประสงค์หลักของการศึกษานี้คือเพื่อแนะนำวิธี PBMS การนำวิธีการไปใช้ในบางกรณี เช่น การใช้งานในอวัยวะต่างๆ หรือการวิเคราะห์ผลของการหาปริมาณของภาพ อยู่นอกเหนือขอบเขตของการศึกษานี้

2. จำนวนข้อมูลที่ใช้ในการศึกษาของเราค่อนข้างต่ำ ในบทความนี้ เรานำเสนอวิธีการที่มีความจำเป็นในกรณีที่มีข้อมูลไม่มากนัก ดังนั้นจึงเป็นเรื่องสำคัญที่จะต้องนำเสนอวิธีการนี้สำหรับผู้ป่วยที่มีข้อมูลจำกัดเท่านั้น แน่นอนว่าข้อมูลที่มากขึ้นจะนำไปสู่ผลลัพธ์ที่แม่นยำและแม่นยำยิ่งขึ้น แม้ว่าข้อมูลจำนวนน้อยจะจำกัดความสำคัญของผลลัพธ์โดยธรรมชาติ แต่ในทางกลับกัน ผลลัพธ์แสดงให้เห็นว่าวิธีการของเราใช้ได้ผล

3. การเลือกแบบจำลองที่ใช้ในการศึกษาของเราขึ้นอยู่กับวิธีการเฉพาะ เช่น AICc นอกจากนี้ยังมีวิธีอื่นๆ ในการเลือกแบบจำลอง เช่น F-Test [11, 18] และ Bayesian Information Criterion (BIC, [11, 19]) อย่างไรก็ตาม วิธีการ AICc แสดงให้เห็นว่าเป็นแนวทางที่มีประสิทธิผลและประสิทธิผล ใช้ได้กับแบบจำลองที่ซ้อนกันและไม่ซ้อนกัน [11]

4. ผลรวมของฟังก์ชันเลขชี้กำลังที่มีความซับซ้อนเพิ่มขึ้นถูกนำมาใช้ในชุดแบบจำลองที่ศึกษา เนื่องจากฟังก์ชันทางคณิตศาสตร์ดังกล่าวมักใช้เพื่ออธิบายกระบวนการทางชีววิทยา [6–9] ในทุกหน้าที่ การสลายตัวทางกายภาพถูกนำมาใช้เป็นปัจจัย เนื่องจากแสดงให้เห็นว่าวิธีการดังกล่าวให้ผลลัพธ์ที่ดีกว่าหาก I มากกว่าหรือเท่ากับ 0 ถูกสันนิษฐานเพิ่มเติม [20, 21] อย่างไรก็ตาม ไม่มีกฎทั่วไปที่ทำหน้าที่รวมไว้ในชุดของฟังก์ชันแบบจำลอง ยกเว้นว่าควรใช้ข้อมูลเชิงทฤษฎีและเชิงประจักษ์ที่มีอยู่ทั้งหมดเพื่อกำหนดชุดของแบบจำลองตัวเลือกที่เหมาะสมตามลำดับความสำคัญ [11] นี่เป็นผลสืบเนื่องมาจาก AICc เท่านั้นที่สามารถเลือกรูปแบบที่ดีที่สุดของ Kullback–Leibler จากแบบจำลองตัวเลือก "ถ้าผู้สมัครทุกรุ่นไม่ดี AICc จะเลือกรูปแบบการประมาณที่ดีที่สุด แต่ก็ยังแย่อยู่ดี" [11].

ฟังก์ชันเพิ่มเติม (ไม่ใช่เลขชี้กำลัง) สามารถเพิ่มลงในชุดของฟังก์ชันที่ทดสอบแล้วในการวิเคราะห์ของเรา อย่างไรก็ตาม สิ่งนี้ไม่ได้รับการสนับสนุนจากความรู้เชิงประจักษ์ก่อนหน้านี้ เนื่องจากฟังก์ชันเลขชี้กำลังเพียงพอที่จะอธิบายชีวจลนศาสตร์ส่วนใหญ่ได้ จากข้อมูลทางชีวจลนศาสตร์ที่แสดงในรูปที่ 1 การเพิ่มผลรวมของเลขชี้กำลังที่มีพารามิเตอร์มากกว่าจะไม่ได้ผล แม้ว่าเราจะสามารถได้รับความมั่นใจมากขึ้นในผลลัพธ์ของการเลือกแบบจำลองของเราโดยการทดสอบฟังก์ชันจำนวนมากขึ้น แต่สิ่งนี้จะเพิ่มปริมาณงานโดยให้ผลลัพธ์ที่เหมือนกันมากที่สุดสำหรับฟังก์ชันที่ได้รับการสนับสนุนอย่างดีที่สุดจากข้อมูล

5. ในการศึกษานี้ เราเสนอวิธีการตามข้อมูลที่มีอยู่เท่านั้น เห็นได้ชัดว่าการตรวจสอบผลกระทบของตารางเวลาที่แตกต่างกันต่อการปรับปรุงเมื่อใช้วิธีนี้ก็น่าสนใจเช่นกันแต่อยู่นอกเหนือขอบเขตของการศึกษานี้

สำหรับการประมวลผล PMBS: ซอฟต์แวร์บางอย่าง เช่น SAAMII ใช้สำหรับการวิเคราะห์ความเหมาะสม อย่างไรก็ตาม เพื่อให้ฟุตสามารถทำซ้ำได้ ข้อมูลอินพุตเดียวกัน ฟังก์ชันวัตถุประสงค์เดียวกัน และอัลกอริธึมตามอำเภอใจ ซึ่งจะพบฟังก์ชันวัตถุประสงค์ขั้นต่ำสุดก็เพียงพอแล้ว ดังนั้น ซอฟต์แวร์ใดๆ ก็ตามที่สามารถใช้อัลกอริธึมดังกล่าวได้ก็จะให้ผลลัพธ์เช่นเดียวกัน ซอฟต์แวร์ที่ใช้อัลกอริธึมเดียวกัน เช่น ซอฟต์แวร์ NUKFIT [8] ซึ่งให้บริการฟรีสำหรับใช้ในเชิงวิชาการ สำหรับผลลัพธ์ของ PBMS: ในกรณีที่เลวร้ายที่สุด ข้อมูลประชากรที่มีอยู่ในฟังก์ชันที่ดีที่สุดที่ได้รับโดยใช้วิธี PBMS อาจไม่เหมาะสำหรับการกำหนด TIA ที่ถูกต้องของผู้ป่วยรายต่อไป อย่างไรก็ตาม ไม่น่าจะเกิดขึ้นได้ดังที่แสดงในการศึกษาจำนวนมากว่าการนำข้อมูลประชากรไปใช้สามารถปรับปรุงความถูกต้องของการคำนวณ TIA [3, 22]

บทสรุป

ในการวิเคราะห์ย้อนหลังนี้ เราขอเสนอวิธีการดำเนินการเลือกแบบจำลองสำหรับประชากรผู้ป่วยเพื่อประมาณ TIA แต่ละรายการสำหรับผู้ป่วยที่ตามมา ด้วยการใช้วิธีการที่เสนอ เราจะได้รับฟังก์ชันที่ดีกว่าสำหรับการกำหนด TIA เนื่องจากการเลือกแบบจำลองขึ้นอยู่กับประชากรของผู้ป่วย กล่าวคือ จากข้อมูลเพิ่มเติม แทนที่จะเป็นเพียงผู้ป่วยรายเดียว ด้านหนึ่งมีข้อมูลเพิ่มเติม ทำให้มีจำนวนพารามิเตอร์ของฟังก์ชัน ft ที่ตรวจสอบมากขึ้น จึงเป็นการเพิ่มพื้นที่ของฟังก์ชัน fit ที่สามารถรวมไว้ในชุดของฟังก์ชันสำหรับการเลือกรุ่นได้ ในทางกลับกัน จะลดความไม่แน่นอนของตุ้มน้ำหนัก Akaike ที่ได้รับ และทำให้ความไม่แน่นอนในฟังก์ชัน ft ที่รองรับมากที่สุดที่เลือกไว้ แนวทางนี้มีความสำคัญอย่างยิ่งหาก—ซึ่งมักจะเป็นกรณีในเวชศาสตร์นิวเคลียร์ทางคลินิก—มีข้อมูลชีวจลนศาสตร์ต่อผู้ป่วยจำนวนน้อยเท่านั้นที่มีอยู่ในประชากรผู้ป่วยที่พิจารณา

ประโยชน์ของ cistanche และผลข้างเคียง คลิกที่นี่เพื่อทราบข้อมูลเพิ่มเติม

ABBreviatiบนs

AICc: แก้ไขเกณฑ์ข้อมูล Akaike; IBMS: การเลือกแบบจำลองตามรายบุคคล PBMS: การเลือกแบบจำลองตามประชากร RD: ส่วนเบี่ยงเบนสัมพัทธ์; RLT: การบำบัดด้วยรังสี TIA: กิจกรรมที่รวมเวลา

Authoอาร์เอส' cบนไตรบูTiบนs

DH ออกแบบการวิเคราะห์ย้อนหลัง ดำเนินการวิจัย และเขียนต้นฉบับ AR ได้ทำการวิจัยและเขียนต้นฉบับ ฉันมีส่วนร่วมในการรวบรวมข้อมูลผู้ป่วยและเขียนต้นฉบับ NZ, SAP และ AJB ตรวจสอบและเขียนต้นฉบับ PK และ GG ออกแบบการวิเคราะห์ย้อนหลังและเขียนต้นฉบับ ผู้เขียนทั้งหมดอ่านและได้รับการอนุมัติต้นฉบับสุดท้าย.

Funding

เงินทุน Open Access เปิดใช้งานและจัดโดย Projekt DEAL งานนี้ได้รับการสนับสนุนโดยทุนวิจัยร่วมกันจาก Universitas Indonesia โดยมีสัญญาหมายเลข NKB-1947/UN2.R3.1/HKP.05.00/2019 และ Ulm University ประเทศเยอรมนีเป็นพันธมิตรสำหรับการวิจัยนี้ . NRRZ รับทราบถึงการระดมทุนจาก DAAD (บริการแลกเปลี่ยนทางวิชาการของเยอรมัน ทุนวิจัย โครงการปริญญาเอกในเยอรมนี 2018/19-57381412)

เอวาilอะบีility of data และ mateริaลส

ข้อมูลที่ใช้มีให้จากผู้เขียนที่เกี่ยวข้องตามคำขอที่สมเหตุสมผล

Declaratiบนs

Ethics แอปroval และ cออนเซ็นt to ปะrticiปะte

คณะกรรมการจริยธรรมของมหาวิทยาลัยเทคนิคมิวนิกอนุมัติการวิเคราะห์ย้อนหลัง (ใบอนุญาต 115/18 S) และข้อกำหนดในการขอรับความยินยอมได้รับการยกเว้น

คอนsent for ผับหลี่catiบน

ผู้เขียนทุกคนอ่านต้นฉบับและยินยอมให้ตีพิมพ์

โคmวิชาพลศึกษาtiงึ interests

ผู้เขียนประกาศว่าพวกเขาไม่มีส่วนได้เสียในการแข่งขัน

Author รายละเอียด

1 แผนกฟิสิกส์การแพทย์และชีวฟิสิกส์ ภาควิชาฟิสิกส์ คณะคณิตศาสตร์และวิทยาศาสตร์ธรรมชาติ มหาวิทยาลัยอินโดนีเซีย 16424 Depok ประเทศอินโดนีเซีย 2 Medical Radiation Physics, Department of Nuclear Medicine, Ulm University, Albert-Einstein-Allee 23, 89081 Ulm, Germany. 3 ภาควิชาเวชศาสตร์นิวเคลียร์ Ulm University, 89081 Ulm ประเทศเยอรมนี 4 Department of Nuclear Medicine, Klinikum rechts der Isar, Technische Universität München, 81675 มิวนิก ประเทศเยอรมนี

อ้างอิง

1. Lassmann M, Chiesa C, Flux G, Bardiès M, คณะกรรมการ ED เอกสารคำแนะนำของคณะกรรมการการวัดปริมาณรังสี EANM: แนวปฏิบัติที่ดีของการรายงานการวัดปริมาณรังสีทางคลินิก การถ่ายภาพ Eur J Nucl Med Mol 2011;38(1):192–200.

2. Glatting G, Bardiès M, Lassmann M. การวางแผนการรักษาในการฉายรังสีระดับโมเลกุล ซี เมด ฟิส 2013;23(4):262–9.

3. Hardiansyah D, Maass C, Attarwala AA, Müller B, Kletting P, Mottaghy FM และอื่น ๆ บทบาทของการวางแผนการรักษาตามผู้ป่วยในการบำบัดด้วยเรดิโอนิวไคลด์ตัวรับเปปไทด์ การถ่ายภาพ Eur J Nucl Med Mol 2016;43(5):871–80.

4. Hardiansyah D, Kletting P, Begum NJ, Eiber M, เบียร์ AJ, Pawiro SA และอื่น ๆ พารามิเตอร์ทางเภสัชจลนศาสตร์ที่สำคัญสำหรับการรักษาเฉพาะบุคคลด้วย 177 Lu-PSMA: การวิเคราะห์ความไวทั่วโลกสำหรับแบบจำลองเภสัชจลนศาสตร์ทางสรีรวิทยา แพทยศาสตร์. 2021;48(2):556–68.

5. Zvereva A, Kamp F, Schlattl H, Zankl M, Parodi K. ผลกระทบของความแปรปรวนของผู้ป่วยในการประเมินปริมาณอวัยวะตาม MIRD schema: การวิเคราะห์ความไม่แน่นอนและความไวตามความแปรปรวน แพทยศาสตร์. 2018;45(7):3391–403.

6. Strand SE, Zanzonico P, Johnson TK. แบบจำลองทางเภสัชจลนศาสตร์ แพทยศาสตร์. 1993;20(2 พอยต์ 2):515–27.

7. Siegel JA, Thomas SR, Stubbs JB, Stabin MG, Hays MT, Koral KF และอื่น ๆ แผ่นพับ MIRD เลขที่ 16: เทคนิคสำหรับการได้มาซึ่งข้อมูลการกระจายทางชีวภาพของเภสัชรังสีเชิงปริมาณและการวิเคราะห์เพื่อใช้ในการประมาณการปริมาณรังสีของมนุษย์ เจ นุค เมด. 1999;40(2):37S-61ซ.

8. Kletting P, Schimmel S, Kestler HA, Hänscheid H, Luster M, Fernandez M, et al. รังสีบำบัดระดับโมเลกุล: ซอฟต์แวร์ NUKFIT สำหรับคำนวณค่าสัมประสิทธิ์กิจกรรมแบบรวมเวลา แพทยศาสตร์. 2013;40(10):102504.

9. Kletting P, Schimmel S, Hänscheid H, Luster M, Fernandez M, Nosske D, et al. ซอฟต์แวร์ NUKDOS สำหรับการวางแผนการรักษาในการฉายรังสีระดับโมเลกุล ซี เมด ฟิส 2015;25:264–74.

10. Konijnenberg M. จากการถ่ายภาพไปจนถึงการวัดปริมาณรังสีและผลกระทบทางชีวภาพ QJ Nucl Med Mol การถ่ายภาพ 2011;55(1):44–56.

11. Glatting G, Kletting P, Reske SN, Hohl K, Ring C. การเลือกฟังก์ชัน ft ที่เหมาะสมที่สุด: การเปรียบเทียบเกณฑ์ข้อมูล Akaike และการทดสอบ F แพทยศาสตร์. 2007;34(11):4285–92.

12. Burnham KP, แอนเดอร์สัน DR. การเลือกแบบจำลองและการอนุมานแบบหลายรุ่น นิวยอร์ก: สปริงเกอร์; 2002.

13. Begum NJ, Thieme A, Eberhardt N, Tauber R, D'Alessandria C, เบียร์ AJ และอื่น ๆ ผลของปริมาตรเนื้องอกทั้งหมดต่อขนาดยาที่มีผลทางชีวภาพต่อเนื้องอกและไตสำหรับเปปไทด์ PSMA ที่ติดฉลาก Lu 177 รายการ เจ นุค เมด. 2018;59(6):929–33.

14. Kletting P, Thieme A, Eberhardt N, Rinscheid A, D'Alessandria C, Allmann J, และคณะ การสร้างแบบจำลองและการทำนายการตอบสนองของเนื้องอกในการรักษาด้วยรังสีลิแกนด์ เจ นุค เมด. 2019;60(1):65–70.

15. Barrett PH, Bell BM, Cobelli C, Golde H, Schumitzky A, Vicini P, et al. SAAM II: ซอฟต์แวร์การจำลอง การวิเคราะห์ และการสร้างแบบจำลองสำหรับการศึกษาการติดตามและเภสัชจลนศาสตร์ เมแทบอลิซึม 1998;47(4):484–92.

16. Shao J, Tu D. มีดแม่แรงและรองเท้าบู๊ต นิวยอร์ก: สปริงเกอร์; 1995.

17. Glatting G, Lassmann M. การวัดปริมาณยานิวเคลียร์: การถ่ายภาพเชิงปริมาณและการคำนวณขนาดยา ซี เมด ฟิส 2011;21(4):246–7.

18. Sachs L. Angewandte Statistik. อันเวนดุง statistischer Methoden. ฉบับที่ 9 เบอร์ลิน: สปริงเกอร์; 2542. พี. 887.

19. Schwarz G. การประมาณขนาดของแบบจำลอง แอน สเตท 1978;6(2):461–4.

20. Glatting G, Reske SN. การรักษาการสลายตัวของกัมมันตภาพรังสีในแบบจำลองทางเภสัชจลนศาสตร์: อิทธิพลต่อการประมาณค่าพารามิเตอร์ในหัวใจ 13 N-PET แพทยศาสตร์. 1999;26(4):616–21.

21. Williams LE, Odom-Maryon TL, Liu A, Chai A, Raubitschek AA, Wong JY, และคณะ ว่าด้วยการแก้ไขการสลายตัวของกัมมันตภาพรังสีในแบบจำลองทางเภสัชจลนศาสตร์ แพทยศาสตร์. 1995;22(10):1619–26.

22. Maass C, Sachs JP, Hardiansyah D, Mottaghy FM, Kletting P, Glatting G. การพึ่งพาความแม่นยำในการวางแผนการรักษาในการบำบัดด้วยเรดิโอนิวไคลด์ของตัวรับเปปไทด์ตามกำหนดการสุ่มตัวอย่าง ความละเอียด EJNMMI 2016;6(1):30