Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perencanaan klinis untuk pengobatan radioterapi memainkan peran krusial dalam memaksimalkan manfaat pemberian radiasi terapi dan menjamin keselamatan pasien. Pada penelitian ini 60 data treatment planning intensity-modulated radiation therapy (IMRT) dari Rumah Sakit MRCCC Siloam Hospital digunakan dalam model pembelajaran machine learning dengan menggunakan algoritma random forest. Data perencanaan radioterapi berupa radiomic dan dosiomic yang telah dinormalisasi diteliti dengan model algorimta random forest. Hasil evaluasi penelitian menunjukkan model random forest dapat memprediksi distribusi dosis pada kasus kanker paru dengan Mean Squared Error (MSE) sebesar 0,0214. Nilai Homogeneity Index (HI) dan Conformity Index (CI) pada hasil prediksi model random forest adalah 0,087±0,004 dan 0,983±0,003 secara berturut-turut, sementara dari perencanaan klinik diperoleh 0,082±0,025 dan 0,978±0,037 dengan nilai p-value pada PTV and OAR > 0,05 yang menunjukkan bahwa model random forest efektif dan mimiliki performa yang baik dalam memprediksi dosis pada PTV dan OAR pada kasus kanker paru.

---

Clinical planning for radiotherapy treatment plays a crucial role in maximizing the benefits of radiation therapy and ensuring patient safety. In this study, 60 intensity-modulated radiation therapy (IMRT) treatment planning data from MRCCC Siloam Hospital were used in a machine learning model using the random forest algorithm. Radioteraphy treatment plan data, radiomic and dosiomic, are normalized and to be learned by random forest model algorithm. Model evaluation results showed that dose distribution predicted by random forest model had a Mean Squared Error (MSE) of 0.0214. Homogeneity Index (HI) and Conformity Index (CI) values for predicted results were 0.087±0.004 and 0.983±0.003, respectively, while the clinical data were 0,082±0,025 and 0,978±0,037, with p-values for PTV and OAR > 0.05, which concludes that random forest model had a good performance and were effective in lung cancer PTV and OAR dose prediction.

"