Hasil Pencarian  ::  Simpan CSV :: Kembali

"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.

"

"Penelitian ini dilakukan untuk memvalidasi Coefficient of Variation sebagai alat ukur yang memenuhi kriteria uji Goodness of Fit dengan menggunakan prosedur uji analisis sensitivitas yaitu Morris dan Fourier Amplitude Sensitivity Test (FAST) sebagai pembanding. Penelitian ini dilakukan dengan bantuan perangkat lunak MATLAB® vR2020b dan GraphPad Prim 8 menggunakan data sekunder berupa data farmakokinetik 63 pasien yang melakukan terapi radiomolekuler ginjal dengan menggunakan radiofarmaka 177Lu-PSMA-617. Pengujian diawali dengan seleksi model terbaik dari hasil fitting 12 fungsi SOE menggunakan pemodelan NLME yang memenuhi kriteria Goodness of Fit (visualisasi grafis dan %CV) dan seleksi model AICc. Selanjutnya melakukan analisis sensitivitas parameter dari masing-masing fungsi fitting menggunakan metode Morris dan FAST sebagai pembanding. Diperoleh final model dari hasil analisis sensitivitas sama dengan final model yang memenuhi kriteria seleksi model Goodness of Fit dan AICc yaitu fungsi f6a. Dari hasil penelitian ini, diperoleh korelasi %CV dengan indeks sensitivitas uji Morris dan FAST penting dalam seleksi model dilihat dari koefisien gradien fungsi fitting yang memiliki korelasi positif yaitu pada fungsi f5a, f6b dan f6d. Pada penelitian ini, fungsi fitting f6d terpilih sebagai threshold karena memiliki hubungan positif secara statistik menggunakan regresi linier dan tidak memenuhi batas acceptable %CV<50%. Disimpulkan pada penelitian ini bahwa %CV masih menjadi parameter estimasi penting kriteria Goodness of Fit dalam seleksi model berdasarkan hasil analisis dari uji sensitivitas.

---

This study was conducted to validate the Coefficient of Variation as a measuring instrument that meets the Goodness of Fit test criteria by using sensitivity analysis test procedures, namely Morris and Fourier Amplitude Sensitivity Test (FAST) as comparisons. This study was conducted with the help of MATLAB® vR2020b and GraphPad Prim 8 software using secondary data in the form of pharmacokinetic data of 63 patients who underwent renal radiomolecular therapy using radiopharmaceutical 177Lu-PSMA-617. The test begins with the selection of the best model from the results of fitting 12 SOE functions using NLME modeling that meets the Goodness of Fit criteria (graphic visualization and %CV) and AICc model selection. Next, perform parameter sensitivity analysis of each fitting function using the Morris and FAST methods as a comparison. The final model obtained from the results of sensitivity analysis is the same as the final model that meets the selection criteria of the Goodness of Fit and AICc models, namely the f6a function. From the results of this study, the correlation of %CV with the sensitivity index of the Morris test and FAST is important in model selection seen from the gradient coefficient of the fitting function which has a positive correlation, namely f5a, f6b and f6d. In this study, the fitting function f6d was chosen as the threshold because it has a statistically positive relationship using linear regression and does not meet the acceptable limit of %CV<50%. It was concluded in this study that %CV is still an important estimation parameter of Goodness of Fit criteria in model selection based on the results of analysis from sensitivity tests."

"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%."

"Hanscheid et al (2018) merumuskan suatu fungsi yang dapat menghitung Integrated Activity Coefficients (TIAC). Akan tetapi, Hanscheid et al., (2018) tidak mencantumkan proses untuk menentukan fungsi monoexponential yang digunakan sebagai acuan rumus tersebut. Adapun tujuan dari penelitian ini yaitu menentukan model terbaik untuk menghitung nilai Time- (TIAC) secara akurat melalui tahapan seleksi model, serta melihat pengaruh model terbaik yang diperoleh terhadap fungsi yang diformulasikan oleh Hanscheid et al., (2018) dalam menghitung TIAC. Data yang digunakan dalam penelitian ini yaitu 8 data biodistribusi radiofarmaka 177Lu-DOTATATE pada organ ginjal pasien peptide-receptor radionuclide therapy PRRT. Data di-fitting menggunakan sejumlah fungsi sum of exponential. Selanjutnya dilakukan seleksi model berupa analisis goodness of fit serta menghitung nilai error absolut dan pembobotan Corrected Akaike Information Criterion (AICc). Selanjutnya, dilakukan perhitungan nilai TIAC menggunakan fungsi terbaik, rumus one time point dosimetry (OTPD), dan persamaan monoeksponensial. Nilai relative deviation (RD) antara nilai TIAC OTPD terhadap nilai TIAC hasil seleksi model dan TIAC monoeksponensial dihitung. Hasil dari seleksi model menyatakan bahwa fungsi terbaik dalam menggambarkan biodistribusi radiofarmaka 177Lu-DOTATATE pada organ ginjal dari data 6 pasien PRRT adalah fungsi . Fungsi terbaik untuk data pasien 2 yaitu fungsi dan untuk pasien 8 yaitu fungsi Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC monoeksponensial pada ginjal kiri yaitu (86,33 6,76)% pada t1, (21,56 18,09)% pada t2, (16,48 6,34)% pada t3, dan (19,85 11,96)% pada t4. Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC model terbaik dari ginjal kiri yaitu yaitu (87,88 4,06)% pada t1, (25,69 19,95)% pada t2, (17,37 )% pada t3, dan (23,46 20,17)% pada t4. Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC monoeksponensial ginjal kanan yaitu (86,91 5,27)% pada t1, (19,64 16,26)% pada t2, (12,63 2,22)% pada t3, dan (18,86 11,06)% pada t4. Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC model terbaik yaitu (86,98 4,98)% pada t1, (18,31 15,85)% pada t2, (11,92 )% pada t3, dan (18,41 12,33)% pada t4. Berdasarkan hasil penelitian yang diperoleh, rumus OTPD sudah cukup baik untuk diaplikasikan secara klinis pada pasien PRRT yang diinjeksi dengan radiofarmaka 177Lu-DOTATATE.

---

H�nscheid et al (2018) found a function that can calculate TIAC by using a single time point measurement, so that with only one measurement, TIAC values can be obtained only in patients. The purpose of this study is to determine the best model to calculate TIAC values ??accurately through the model selection stage, and to see the effect of the best model obtained on the function formulated by H�nscheid et al., (2018) in calculating TIAC. The data used in this study were 8 data on the biodistribution of the radiopharmaceutical 177Lu-DOTATATE on renal organ peptide receptor radionuclide therapy of PRRT patients. Data adjustment using a number of exponential functions. After the fitting process is carried out, the model selection is carried out in the form of goodness of fit analysis and calculates the absolute weighting value and the AICc weighting. Next, the TIAC value is calculated using the best function, the one time point dosimetry (OTPD) formula, and the monoexponential equation. The relative deviation value (RD) between the TIAC OTPD values to the TIAC values ??from the model selection and the monoexponential TIAC was calculated. The result of model selection stated that the best function in describing the biodistribution of the radiopharmaceutical 177Lu-DOTATATE in the kidney from the data of 6 PRRT patients was the function . Meanwhile, the best function for patient 2 is the function and for patient 8, the function is . The mean and standard deviation of RD from TIAC OTPD to monoexponential TIAC in the left kidney is (86.33±6.76)% at t1, (21.56±18.09)% at t2, (16, 48±16.34)% at t3, and (19.85±11.96)% at t4. The mean and standard deviation of RD from TIAC OTPD to the best model TIAC of the left kidney is (87.88±4.06)% at t1, (25.69±19.95)% at t2, (17 .37±24.37)% at t3, and (23.46±20.17)% at t4. The mean and standard deviation of RD from TIAC OTPD to monoexponential TIAC in the right kidney is (86.91±5.27)% at t1, (19.64±16.26)% at t2, (12.63 ±12.22)% at t3, and (18.86±11.06)% at t4. The mean and standard deviation of RD from TIAC monoexponential TIAC to the best TIAC model in the right kidney is (86.98±4.98)% at t1, (18.31±15.85)% at t2, (11.92± 13.29)% at t3, and (18.41±12.33)% at t4. Based on the research, the TIAC OTPD seems to be good enough for clinical application in PRRT patients injected with the radiopharmaceutical 177Lu-DOTATATE."

"Estimasi yang akurat dari time-integrated activity coefficient (TIAC) ginjal diperlukan untuk optimisasi terapi. Berdasarkan penelitian sebelumnya, prosedur seleksi model berbasis populasi terbukti baik untuk estimasi ini. Penelitian ini menerapkan uji sensitivitas untuk melihat validitas dari persen coefficient-of-variation (%CV) yang digunakan sebagai alat ukur goodness-of-fit (GoF) pada tahapan seleksi model untuk kasus radioterapi molekuler. Data farmakokinetik populasi dari 63 pasien terapi radioligand 177Lu-PSMA-617 digunakan. Dilakukan fitting untuk 12 fungsi sums of exponential (SOE) dengan pemodelan NLME terhadap data seluruh pasien. Seleksi model dilakukan dengan uji GoF (inspeksi visual dan %CV) serta pembobotan Akaike. Uji Variance-Based Sensitivity Analysis (VBSA) dijalankan untuk model setiap fungsi dengan Fourier Amplitude Sensitivity Test (FAST) sebagai pembanding. Hasil VBSA dan FAST sama-sama menunjukkan signifikansi statistik pada arah hubungan yang positif antara indeks sensitivitas dan %CV parameter pada fungsi f6d (gradien = 4,86×10-5 (± 0,91×10-5)) dan f7a (gradien = 3,00×10-2 (± 0,30×10-2)). Hasil tersebut mendukung seleksi model. Model final terbaik yang diperoleh adalah fungsi f6a(t) = A1 exp(-(1 + phys)t) +A2 exp(-(2 + phys)t) − A3 exp(-(3 + phys)t) − (A1 + A2− A3) exp(-(bc + physt). Didapatkan estimasi TIAC ginjal (54,62 ± 23,62) menit. Dengan demikian, penggunaan %CV dalam seleksi model menunjukkan validitas yang didukung oleh uji sensitivitas.

---

Accurate estimation of the kidney time-integrated activity coefficient (TIAC) is required for therapy optimization. Based on previous studies, a population-based model selection procedure has proven to be good for this estimation. This study applied a sensitivity test to see the validity of the percent coefficient-of-variation (%CV) used as a goodness-of-fit (GoF) measure in the model selection process for molecular radiotherapy cases. Population pharmacokinetic data from 63 patients treated with the radioligand 177Lu-PSMA-617 were used.

The fitting of 12 sums of exponential (SOE) functions with NLME modeling was performed on all patients' data. Model selection was performed using the GoF test (visual inspection and %CV) and the Akaike weighting. The Variance-Based Sensitivity Analysis (VBSA) was run for each function model with Fourier Amplitude Sensitivity Test (FAST) as a comparison.

Both VBSA and FAST results showed statistical significance of positive correlation between sensitivity indices and %CVs of parameters in function f6d (slope = 4.86×10-5 (± 0.91×10-5)) and function f7a (slope = 3.00×10-2 (± 0.30×10-2)). The results here supported the model selection. The best final model found was the function f6a(t) = A1 exp(-(1 + phys)t) + A2 exp(-(2 + phys)t) − A3 exp(-(3 +phys)t) − (A1 + A2 − A3) exp(-(bc + phys)t). From this model, an estimated kidney TIAC of (54.62 ± 23.62) minutes was obtained. Thus, the use of %CV in model selection shows validity supported by the sensitivity test."