Hasil Pencarian  ::  Simpan CSV :: Kembali

"Estimasi dosimetri ginjal yang akurat sangat penting dalam terapi [177Lu]Lu-PSMA-617 pada pasien kanker prostat. Oleh karena itu, Penelitian ini bertujuan untuk mengembangkan model farmakokinetika populasi berbasis Non-Linear Mixed-Effect Modeling (NLMEM) serta mengevaluasi akurasi estimasi dosimetri berbasis pengukuran biokinetik tunggal, atau dapat disebut juga Single-Time-Point (STP), menggunakan metode Generalized Additive Model (GAM), NLMEM, Machine Learning (ML), dan gabungan NLMEM + ML. Data aktivitas ginjal dikumpulkan dari 101 pasien pada lima time point (TP) pasca injeksi. Enam fungsi sum-of-exponentials (SOE) dengan parameterisasi berbeda diujikan menggunakan pendekatan Population-Based Model Selection (PBMS) NLMEM, dan fungsi terbaik dipilih berdasarkan evaluasi goodness-of-fit dan bobot Akaike. Fungsi SOE terpilih digunakan untuk menghitung Time-Integrated Activity Coefficient (TIAC) referensi. Empat metode dosimetri STP dibandingkan: (1) STP berbasis metode GAM (STPGAM), (2) STP berbasis NLMEM dengan fungsi SOE optimal (STPNLMEM), (3) STP berbasis metode ML dengan Support Vector Regression (SVR) (STPML), dan (4) metode hibrida yang menggabungkan metode NLMEM dan ML (STPNLMEM+ML). Untuk metode berbasis ML, variabel covariate pasien, serta hyperparameter model ML diseleksi secara sistematis. Evaluasi akurasi dilakukan dengan menghitung persentase Relative Deviation (%RD), persentase Root-Mean-Square Error (%RMSE) dan Mean Absolute Percentage Error (MAPE) terhadap TIAC referensi. Hasil menunjukkan bahwa fungsi SOE dengan tujuh parameter memberikan kecocokan terbaik dalam pendekatan PBMS NLMEM. Metode STPGM memiliki performa terendah di seluruh time point. Selanjutnya, STPNLMEM dan STPML memiliki peforma yang setara dan lebih baik dari STPGM. Sementara itu, metode gabungan STPNLMEM+ML menunjukkan kinerja terbaik secara konsisten, dengan nilai %RMSE (MAPE) yang paling rendah, yakni 21,72% (15,54%), 12,56% (9,08%), 12,88% (9,00%), 13,72% (10,23%), dan 17,80% (13,56%) dari TP1 hingga TP5. Kesimpulannya, kombinasi model farmakokinetika populasi berbasis NLMEM dan pendekatan ML terbukti mampu meningkatkan akurasi estimasi dosis ginjal hanya dengan pengukuran biokinetik tunggal. Metode gabungan STPNLMEM+ML menunjukkan akurasi tertinggi secara konsisten di semua time point, menjadikannya solusi yang efisien dan dapat diandalkan untuk penerapan dosimetri STP dalam praktik klinis terapi radionuklida.

---

Accurate renal dosimetry estimation is essential in [177Lu]Lu-PSMA-617 therapy for prostate cancer patients. Therefore, this study aims to develop a population pharmacokinetic model based on Non-Linear Mixed-Effect Modeling (NLMEM) and to evaluate the accuracy of Single-Time-Point (STP) dosimetry using various approaches: Generalized Additive Model (GAM), NLMEM, Machine Learning (ML), and a hybrid method combining NLMEM and ML. Renal activity data were collected from 101 patients at five post-injection time points: TP1 (1.94 ± 0.75 h), TP2 (18.90 ± 1.02 h), TP3 (43.12 ± 1.53 h), TP4 (66.41 ± 1.43 h), and TP5 (165.79 ± 24.68 h). Six different parameterizations of sum-of-exponentials (SOE) functions were evaluated using a Population-Based Model Selection (PBMS) approach within NLMEM, and the best-performing function was selected based on goodness-of-fit and Akaike weights. The selected SOE function was then used to calculate reference Time-Integrated Activity Coefficient (TIAC). Four STP dosimetry methods were compared: (1) GAM-based STP (STPGAM), (2) NLMEM-based STP using the optimal SOE function (STPNLMEM), (3) ML-based STP using Support Vector Regression (STPML), and (4) a hybrid method combining NLMEM and ML (STPNLMEM+ML). For ML-based methods, patient-specific covariates and ML hyperparameters were systematically selected. Accuracy evaluation was performed by calculating the percentage of Relative Deviation (%RD), Root-Mean-Square Error (%RMSE), and Mean Absolute Percentage Error (MAPE) against the reference TIAC. The results showed that the seven-parameter SOE function provided the best fit under the PBMS-NLMEM approach. STPGM demonstrated the lowest performance across all time points, while NLMEM and ML performed similarly and better than STPGM. The hybrid STPNLMEM+ML method consistently outperformed all other methods, achieving the lowest %RMSE (MAPE) values of 21.72% (15.54%), 12.56% (9.08%), 12.88% (9.00%), 13.72% (10.23%), and 17.80% (13.56%) from TP1 to TP5, respectively. In conclusion, combining NLMEM-based population pharmacokinetic modeling with machine learning approaches significantly improves the accuracy of renal dose estimation using a single biokinetic measurement. The hybrid STPNLMEM+ML method demonstrated consistently superior accuracy across all time points, making it an efficient and reliable solution for clinical implementation of STP dosimetry in radionuclide therapy."

"[177 Lu] Lu-PSMA-617 telah digunakan sebagai pendekatan yang menjanjikan dalam terapi molekuler pada kasus kanker prostat. Hal ini berkat kemampuannya dalam mengirimkan radiasi ke sel kanker dengan meminimalisir dampak terhadap jaringan sehat di sekitarnya. Namun, penting juga untuk memperhatikan kebutuhan pencitraan dalam proses dosimetri. Pencitraan pada late time point seringkali meningkatkan beban biaya dan waktu bagi pasien. Oleh karenanya, penelitian ini bertujuan untuk mengevaluasi apakah pencitraan pada late time point dapat dihilangkan tanpa mengurangi akurasi dosimetri. Hasil menunjukkan bahwa penghilangan late time point ini bisa untuk dilakukan berdasarkan pada nilai RMSE dihasilkan yang berada di bawah 10 %. Pengurangan hingga dua time point juga mungkin untuk dilakukan namun penting untuk memperhatikan data populasi yang digunakan dalam proses fitting NLME agar dapat mempertahankan akurasi dosimetri.

---

[177 Lu] Lu-PSMA-617 has been used as a promising approach in molecular therapy for prostate cancer due to its ability to deliver radiation directly to cancer cells while minimizing damage to surrounding healthy tissue. However, it is also crucial to consider the imaging requirements in the dosimetry process. Imaging at late time points often increases the burden of costs and time for patients. Therefore, this study aims to evaluate whether imaging at late time points can be omitted without compromising dosimetric accuracy. The results indicate that omitting late time points is feasible, based on RMSE values below 10%. Reducing to two time points is also possible, but it is important to consider the population data used in the NLME fitting process to maintain dosimetric accuracy."

"Telah dilakukan verifikasi dosis organ target dan jaringan sehat di sekitar target dengan menempatkan TLD Rod LiF100 dan film Gafchromic EBT2 di lubang slab bagian pelvis dari phantom Rando Alderson untuk simulasi kanker prostat. TLD dievaluasi menggunakan TLD Reader Harshaw, sementara Film Gafchromic EBT2 dipindai menggunakan scanner Epson Perfection V700 dengan mode transmisi, red channel dan resolusi 72 dpi. Pengukuran dosis titik dilakukan dengan membandingkan antara dosis yang direncanakan TPS Eclipse ver. 11 dan dosis yang diukur pada target organ target dan organ beresiko menggunakan teknik IMRT dan VMAT. Hasilnya adalah deviasi dosis pada organ target menggunakan teknik IMRT dan VMAT adalah kurang dari 5%. Demikian pula, deviasi dosis pada bladder dan rectum untuk kedua teknik juga kurang dari 5% karena posisinya sangat dekat dengan target volume. Di sisi lain, deviasi dosis di femoral head lebih dari 5% untuk kedua teknik karena lokasinya pada gradien dosis rendah. Selanjutnya, deviasi dosis organ target untuk teknik IMRT cenderung lebih kecil dari teknik VMAT baik untuk TLD dan Film. Perbedaan dosis pada dosis titik organ target antara IMRT dan VMAT kurang dari 1% tetapi terjadi pada dosis yang random untuk organ beresiko. Adapun dosis permukaan pada teknik IMRT cenderung lebih kecil dari teknik VMAT jika kita menggunakan TLD, tetapi dosis pada film EBT2 cenderung sama antara teknik IMRT dan VMAT.

---

Have been done the dose verification of the target and healthy tissues around by placing the TLD Rod LiF100 and EBT2 Gafchromic film at slab hole of pelvic part of the Alderson Rando phantom for prostate cancer simulation. The Exposed TLDs was evaluated using the TLD Reader Harshaw, while Gafchromic Film EBT2 was scanned using Epson Perfection V700 scanner with transmission mode, red channel and resolution 72 dpi. The point dose measurements were compared between planned dose TPS Eclipse ver. 11 and measured dose at target volume organ and organ at risk for IMRT and VMAT techniques. The result is the dose difference at target volume for IMRT and VMAT are less than 5%. Similarly, the dose difference at Bladder and Rectum for both techniques are also less than 5% due to the position of OAR is very close to target volume. On the other hand, the dose difference at Femoral head are more than 5% for both techniques because the location of OAR already in low gradient dose. Furthermore, the difference dose of the target volume for IMRT technique is tends to be smaller than VMAT either for TLD and film detectors. The dose difference at point dose of target volume between IMRT and VMAT techniqe are less than 1% but it occur in random number for organ at risk. More over, the surface dose of IMRT tend to be smaller than VMAT dose if we are using TLDs, but the dose of EBT2 films tend to be similar between IMRT and VMAT techniques."

"Tujuan penelitian ini untuk menentukan model fungsi sum of exponential (SOE) terbaik dan membandingkan parameter fixed effect, random effect dan Area Under Curve (AUC) yang diperoleh pada NONMEM dan Matlab. Penelitian ini menggunakan data dari 10 pasien kanker prostat yang menerima injeksi ~3 GBq. Setlah diinjeksikan, dilakukan pemeriksaan menggunakan SPECT/CT pada waktu 1, 24, 48, 72, dan 168 jam. Data tersebut di-fitting menggunakan 54 fungsi SOE. Model fungsi terbaik ditentukan dengan kriteria nilai pembobotan Corrected Akaike Information Criterion (AICc). Fungsi terbaik yang dapat mendeskripsikan distribusi biokinetik data pada Organ at Risk (OAR) ditunjukkan fungsi f6f untuk ginjal, fungsi f4c untuk kelenjar ludah, dan fungsi f5g untuk hati. Perbedaan nilai parameter yang di fitting antara NONMEM dan Matlab memiliki nilai yang relatif besar hingga 1070%. Namun, perbedaan AUC pada NONMEM dan Matlab memiliki nilai yang kecil yaitu di bawah 1.5%.

---

The purpose of this study was to determine the best sum of exponential (SOE) function model and compare the fixed effect, random effect and Area Under Curve (AUC) parameters obtained in NONMEM and Matlab. This study used data from 10 prostate cancer patients who received ~3 GBq injection. After injection, SPECT/CT was performed at 1, 24, 48, 72, and 168 hours. The data were fitted using 54 SOE functions. The best function model was determined by weighting the Corrected Akaike Information Criterion (AICc). The best function that can describe the biokinetic distribution of data on Organ at Risk (OAR) is shown by the function f6f for kidney, function f4c for salivary gland, and function f5g for liver. The difference in the fitted parameter values between NONMEM and Matlab has a relatively large value of up to 1070%. However, the difference in AUC in NONMEM and Matlab has a small value which is below 1.5%."

"Tujuan penelitian ini untuk menentukan model terbaik dengan menggunakan fungsi sum of exponential (SOE) untuk menggambarkan biodistribusi dari radiofarmaka 111In-DOTATATE, mengevaluasi pengaruh dataset terhadap seleksi model, dan mengevaluasi pengaruh dari model error intraindividual terhadap perhitungan AUC pada radioterapi molekular. Penelitian ini menggunakan data sekunder berupa data biokinetik tumor pasien PRRT dari 4 pasien tumor meningioma dan 5 neuroendokrin setelah injeksi pra-terapi 111In-DOTATATE. Dari data tersebut dilakukan digitasi, dan data hasil digitasi di-fitting menggunakan 16 fungsi SOE. Model terbaik ditentukan dengan kriteria goodness of fit dan nilai pembobotan Corrected Akaike Information Criterion (AICc). Kemudian, dilakukan metode jackknife dengan menghilangkan data 1 pasien dan menentukan model terbaiknya. Kemudian, semua data di-fitting menggunakan model terbaik dengan beberapa model error, terdiri dari error konstan, proporsional dan eksponensial. Hasil model terbaik yang dapat menggambarkan biodistribusi radiofarmaka 111In-DOTATATE pada tumor ditunjukkan fungsi dengan pembobotan AICc 94,7%. Perubahan dataset tidak terlalu mempengaruhi seleksi model, sebagian besar hasil jackknife menunjukkan f3b sebagai model terbaik = 77,78% dan bukan model terbaik = 22,22%. Selain itu, Semua model error di-fitting dengan model terbaik menghasilkan nilai AUC yang hampir sama yaitu konstan = (3,09±2,70) nmol·min, proporsional = (3,09±2,69) nmol·min, dan eksponensial = (3,09±2,70) nmol·min. Berdasarkan hasil penelitian yang diperoleh, seleksi model dengan NLME menunjukkan hasil yang cukup stabil dan bentuk error konstan, proporsional dan eksponensial dapat digunakan dengan baik untuk menentukan AUC pada pasien PRRT yang diinjeksi dengan radiofarmaka 111In-DOTATATE.

---

The aim of the study was to determine the best model using the sum of exponential (SOE) function to describe the biodistribution of 111In-DOTATATE radiopharmaceuticals, evaluate the effect of the dataset on model selection, and evaluate the effect of the intraindividual error model on AUC calculations in molecular radiotherapy. This study used secondary data in the form of tumor biokinetic data from PRRT patients from 4 meningioma and 5 neuroendocrine tumor patients after pre-therapy 111In-DOTATATE Injection. The data was digitized, and the digitized data was fitted using 16 SOE functions. The best model was determined by the goodness of fit criteria and the Corrected Akaike Information Criterion (AICc) weighting. Next, the jackknife method was carried out by removing 1 patient's data and the best model was determined. Then, all the data was fitted using the best function with several error models, consisting of constant, proportional, and exponential errors. The result obtained was the best model that can describe the biodistribution of 111In-DOTATATE radiopharmaceuticals in tumors which is shown by the function with an AICc weighting of 94,7%. The results showed that there is an influence of the dataset on model selection. In general, the jackknife results showed f3b as the best function = 77,78% and not the best function = 22,22%. In additional, all error model fitted with the best function tent to be similar in the AUC calculation, i.e. constant = (3,09±2,70) nmol·min, proportional = (3,09±2,69) nmol·min, and exponential = (3,09±2,70) nmol·min. Based on the results of the study, model selection with NLME showed quite stable results and constant, proportional and exponential error forms could be used well to determine AUC in PRRT patients injected with 111In-DOTATATE radiopharmaceutical.

"

"Metode Bayesian memungkinkan kita mampu memperhitungkan nilai ketidakpastian dari hasil perhitungan berdasarkan data pengukuran OTP. Adanya nilai ketidakpastian dalam pengukuran menunjukkan bahwa nilai pengukuran tersebut memiliki tingkat kepercayaan tertentu. Adapun tujuan dari penelitian ini untuk mengetahui tingkat akurasi dari model OTP dengan menggunakan metode bayesian, dan untuk mengetahui ketidakpastian dari model OTP dengan fitting menggunakan metode bayesian. Data yang digunakan adalah data biokinetik organ ginjal berupa data aktivitas pada waktu tertentu dari 8 pasien NETs dengan peptide receptor radionuclide therapy (PRRT) menggunakan ¹⁷⁷Lu-DOTATATE. Data di-fitting menggunakan metode Bayesian menggunakan tiga persamaan matematis yaitu f1,f2 dan f3. Selanjutnya dilakukan perhitungan nilai TIAC untuk empat titik data yang kemudian disebut RTIAC dan nilai TIAC dari setiap satu titik data yang disebut CTIAC. Tingkat akurasi nilai TIACs hasil pengolahan menggunakan persamaan matematis f1,f2 dan f3 relatif baik dengan nilai %RD secara populasi untuk f1 ginjal gabung sebesar 10,17±8.53, %RD f1 ginjal pisah sebesar 12,89 ± 6,93, %RD f2 sebesar 11,31 ± 9,34, dan %RD f3 sebesar 23,42 ± 19,86. Selain itu ketidakpastian perhitungan nilai TIACs di analis berdasarkan CV (median[min,max]) dengan nilai CV CTIACs untuk pengolahan menggunakan f1 ginjal gabung sebesar (33,48[32,15 , 34,70])%, CV f1 ginjal pisah sebesar (33,77[32,79 , 35,55])%, CV f2 sebesar (35,49[32,72 , 54,96])%, dan CV f3 sebesar (24,22[17,96 , 27,00])%.

---

The Byesian method allows us to be able to calculate the uncertainty value of the calculation results based on OTP measurement data. The existence of an uncertainty value in the measurement indicates that the measurement value has a certain level of confidence. The purpose of this study is to determine the level of accuracy of the OTP model using the bayesian method, and to determine the range of uncertainty of the OTP model with fittings using the bayesian method. The data used were biokinetic data in the form of activity data against time in the left kidney and right kidney from 8 patients. The patients were the NET patients with receptor radionuclide therapy (PRRT) using 177Lu-DOTATATE. The data was fitted with the Bayesian method using three mathematical equations f1, f2 and f3. Next, the TIAC value was calculated for four data points, which is then called RTIAC and the TIAC value for each data point was called CTIAC. The level of accuracy of the TIAC values ​​processed using the mathematical equations f1, f2 and f3 is relatively good with the %RD value in population for f1 kidney combined of 10.17±8.53, %RD for f1 kidney separated of 12.89 ± 6.93, %RD for f2 of 11.31 ± 9.34, and %RD for f3 of 23.42 ± 19.86. Meanwhile, the uncertainty in calculating the TIACs value was analyzed based on CV (median[min,max]) with the CV CTIACs value for processing using f1 kidney combined of (33.48[32.15, 34.70])%, CV f1 kidney separated of (33.77[32.79 , 35.55])%, CV f2 "