AbstractBackground and purposeSever

Abstract
Background and purpose

Severe acute mucositis commonly results from head and neck (chemo)radiotherapy. A predictive model of mucositis could guide clinical decision-making and inform treatment planning. We aimed to generate such a model using spatial dose metrics and machine learning.

Materials and methods

Predictive models of severe acute mucositis were generated using radiotherapy dose (dose–volume and spatial dose metrics) and clinical data. Penalised logistic regression, support vector classification and random forest classification (RFC) models were generated and compared. Internal validation was performed (with 100-iteration cross-validation), using multiple metrics, including area under the receiver operating characteristic curve (AUC) and calibration slope, to assess performance. Associations between covariates and severe mucositis were explored using the models.

Results

The dose–volume-based models (standard) performed equally to those incorporating spatial information. Discrimination was similar between models, but the RFCstandard had the best calibration. The mean AUC and calibration slope for this model were 0.71 (s.d. = 0.09) and 3.9 (s.d. = 2.2), respectively. The volumes of oral cavity receiving intermediate and high doses were associated with severe mucositis.

Conclusions

The RFCstandard model performance is modest-to-good, but should be improved, and requires external validation. Reducing the volumes of oral cavity receiving intermediate and high doses may reduce mucositis incidence.

Keywords
Oral mucositis; NTCP modelling; Dose–response modelling; Machine learning; Spatial dose metrics; Head and neck radiotherapy

ผลลัพธ์ (ไทย) 1:

บทคัดย่อพื้นหลังและวัตถุประสงค์Mucositis รุนแรงเฉียบพลันมักเกิดจากหัว และคอ (chemo) ฉายแสง แบบจำลองการคาดการณ์ของ mucositis สามารถแนะนำการตัดสินใจทางคลินิก และแจ้งแผนการรักษา เรามุ่งที่จะสร้างแบบจำลองโดยใช้การวัดปริมาณเชิงพื้นที่และเรียนรู้ของเครื่องวัสดุและวิธีการการณ์ของ mucositis เฉียบพลันที่รุนแรงถูกสร้างโดยใช้ปริมาณรังสี (ปริมาณ – ปริมาณและวัดปริมาณ spatial) และข้อมูลทางคลินิก ลงโทษการถดถอยโลจิสติก ประเภทสนับสนุนเวกเตอร์ และสุ่มป่าจำแนก (RFC) รุ่นถูกสร้างขึ้น และเปรียบเทียบ ดำเนินการตรวจสอบภายใน (มี 100 ซ้ำข้ามตรวจสอบ), ใช้วัดหลาย รวมพื้นที่ภายใต้โค้ง (AUC) และการสอบเทียบความลาดชัน ตัวรับสัญญาณเพื่อประเมินประสิทธิภาพการ ความสัมพันธ์ระหว่าง covariates และ mucositis รุนแรงถูกสำรวจโดยใช้แบบจำลองผลลัพธ์ปริมาณ – ปริมาณตามแบบ (มาตรฐาน) ดำเนินการอย่างเท่าเทียมกันให้กับผู้ที่ผสมผสานข้อมูลเชิงพื้นที่ เลือกปฏิบัติก็คล้ายคลึงกันระหว่างรุ่น แต่ RFCstandard ที่มีการปรับเทียบที่ดีที่สุด ความลาดชันเฉลี่ยของ AUC และการสอบเทียบสำหรับรุ่นนี้ถูก 0.71 (s.d. = 0.09) และ 3.9 (s.d. = 2.2), ตามลำดับ ปากรับปริมาณระดับกลาง และสูงในปริมาณเกี่ยวข้องกับ mucositis รุนแรงได้บทสรุปประสิทธิภาพการทำงานแบบ RFCstandard เจียมเนื้อเจียมตัวไปดี แต่ควรปรับปรุง และต้องตรวจสอบภายนอก ลดปริมาณของปากรับปริมาณระดับกลาง และสูงอาจลดอุบัติการณ์ mucositisคำสำคัญปาก mucositis สร้างแบบจำลอง NTCP – ตอบสนองยาสร้างแบบจำลอง จักรการเรียนรู้ การวัดปริมาณเชิงพื้นที่ รังสีที่ศีรษะและลำคอ

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ
ความเป็นมาและวัตถุประสงค์mucositis เฉียบพลันรุนแรงโดยทั่วไปเป็นผลมาจากศีรษะและลำคอ (คีโม) การรักษาด้วยรังสี แบบจำลองการคาดการณ์ของ mucositis สามารถให้คำแนะนำทางคลินิกการตัดสินใจและการแจ้งวางแผนการรักษา เรามีวัตถุประสงค์เพื่อสร้างรูปแบบดังกล่าวโดยใช้ตัวชี้วัดปริมาณเชิงพื้นที่และการเรียนรู้เครื่อง. วัสดุและวิธีการแบบจำลองทำนายของ mucositis รุนแรงที่ถูกสร้างขึ้นโดยใช้ปริมาณรังสี (ปริมาณปริมาณและเชิงพื้นที่ปริมาณตัวชี้วัด) และข้อมูลทางคลินิก Penalised ถดถอยโลจิสติก, การจัดหมวดหมู่เวกเตอร์สนับสนุนและการจำแนกป่าสุ่ม (RFC) รุ่นที่ถูกสร้างขึ้นและเมื่อเทียบกับ การตรวจสอบภายในได้ดำเนินการ (100-ย้ำการตรวจสอบข้าม) โดยใช้ตัวชี้วัดหลายรวมถึงพื้นที่ภายใต้การดำเนินงานรับเส้นโค้งลักษณะ (AUC) และการสอบเทียบความลาดชันเพื่อประเมินผลการปฏิบัติงาน ความสัมพันธ์ระหว่างตัวแปรและอักเสบรุนแรงได้สำรวจโดยใช้รูปแบบ. ผลการค้นหารูปแบบยาตามปริมาณ (มาตรฐาน) ดำเนินการอย่างเท่าเทียมกันกับผู้ที่ข้อมูลเชิงพื้นที่ผสมผสาน การเลือกปฏิบัติมีความคล้ายคลึงระหว่างรูปแบบ แต่ RFCstandard ฯ มีการสอบเทียบที่ดีที่สุด ค่าเฉลี่ย AUC และการสอบเทียบความลาดชันสำหรับรุ่นนี้เป็น 0.71 (SD = 0.09) และ 3.9 (SD = 2.2) ตามลำดับ ปริมาณของช่องปากที่ได้รับในปริมาณที่สูงระดับกลางและมีความสัมพันธ์กับ mucositis รุนแรง. สรุปผลการดำเนินงานรูปแบบเจียมเนื้อเจียมตัว RFCstandard คือการที่ดี แต่ควรมีการปรับปรุงและต้องใช้การตรวจสอบภายนอก การลดปริมาณของช่องปากที่ได้รับในปริมาณที่สูงระดับกลางและอาจลดอุบัติการณ์ mucositis. คำmucositis ช่องปาก; การสร้างแบบจำลอง NTCP; การสร้างแบบจำลองปริมาณการตอบสนอง; การเรียนรู้เครื่อง; ตัวชี้วัดปริมาณเชิงพื้นที่ ศีรษะและลำคอการรักษาด้วยรังสี

ผลลัพธ์ (ไทย) 3:

บทคัดย่อประวัติความเป็นมา และวัตถุประสงค์ผลเฉียบพลันจากมนุษย์ปกติ ศีรษะและคอ ( คีโม ) รังสีรักษา เป็นแบบจำลองของมนุษย์อาจคู่มือการตัดสินทางคลินิกและแจ้งการวางแผน เรามุ่งที่จะสร้างเป็นรูปแบบการใช้ตัวชี้วัดเชิงปริมาณและการเรียนรู้เครื่องวัสดุและวิธีการแบบจำลองเพื่อทำนายเฉียบพลันรุนแรงขึ้นการใช้รังสีรักษา 5 ขนาด ( ปริมาณ ) และตัวชี้วัดเชิงปริมาณ dose ) และข้อมูลทางคลินิก ลงโทษ ถดถอยโลจิสติกสนับสนุนการจำแนกและการจำแนกป่าเวกเตอร์สุ่ม ( RFC ) พบว่าแบบจำลองที่สร้างขึ้นและเปรียบเทียบ การตรวจสอบความถูกต้องภายในกำหนด ( 100 ซ้ำข้ามการตรวจสอบ ) , ใช้หลายวัดรวมทั้งพื้นที่ใต้โค้งลักษณะงาน ( รับยา ) และการปรับความลาดชันของพื้นที่ เพื่อประเมินประสิทธิภาพ ความสัมพันธ์ระหว่างความรู้ และมนุษย์ที่รุนแรงถูกสํารวจโดยใช้แบบจำลองผลลัพธ์ขนาดและแบบตามปริมาณ ( มาตรฐาน ) การปฏิบัติอย่างเท่าเทียมกันที่ผสมผสานข้อมูลเชิงพื้นที่ การเลือกปฏิบัติที่คล้ายคลึงกันระหว่างรุ่น แต่ rfcstandard มีการสอบเทียบที่ดีที่สุด ค่าเฉลี่ยของค่าและสอบเทียบลาดสำหรับรุ่นนี้คือ 0.71 ( S.D . = 0.41 ) และ 3.9 ( S.D . = 2.2 ) ตามลำดับ ปริมาณช่องปากรับกลางและปริมาณสูง มีความสัมพันธ์กับมนุษย์อย่างรุนแรงสรุปการแสดงแบบ rfcstandard เจียมเนื้อเจียมตัวดี แต่ควรปรับปรุง และต้องมีการตรวจสอบภายนอก การลดปริมาณช่องปากรับกลางและปริมาณสูงอาจลดอุบัติการณ์ 5 .คำสำคัญเยื่อบุช่องปากอักเสบ ; ntcp modelling ; ปริมาณการตอบสนองและการ การเรียนรู้เครื่อง เชิงปริมาณการวัด รังสีรักษาบริเวณศีรษะและคอ