Hasil Pencarian  ::  Simpan CSV :: Kembali

"Individual Treatment Planning (ITP) direkomendasikan dalam peptide receptor radionuclide therapy (PRRT). Namun, metode Fixed Dose Treatment Planning (FDP) telah sering dipilih daripada ITP di klinik karena kompleksitas dan beban kerja yang tinggi dari pengukuran biokinetik yang dibutuhkan dalam ITP. Oleh karena itu, dalam penelitian ini dilakukan studi Population and Covariate Model (POPCOV) untuk menyederhanakan proses ITP dengan menggunakan parameter yang mudah diukur, daripada menggunakan data biokinetik untuk melakukan ITP di PRRT dengan minimal Physiologically Based Pharmacokinetic (mPBPK) Model. Semua sistem biologis yang bersifat penting dalam PRRT seperti ginjal dan darah dikembangkan dalam model mPBPK. Data biokinetik dari 9 pasien dengan meningioma atau tumor neuroendokrin setelah injeksi pra-terapi yaitu 111In-DOTATATE digunakan untuk pengembangan model. Metode POPCOV digunakan untuk memprediksi parameter yang tidak diketahui dari model mPBPK menggunakan masing-masing kovariat. Adapun unknown/fitted parameter yang diestimasi yaitu reseptor densitas di ginjal (Rk) reseptor densitas di organ rest (RRest) laju degradasi (λrelease) dan laju pengikatan peptida ke albumin dalam darah (konAlb). Selain itu, tujuh parameter kovariat dari pasien yang digunakan untuk analisis, yaitu berat badan, usia, luas permukaan tubuh (BSA), laju filtrasi glomerulus (GFR), volume ginjal, volume limpa, dan volume hati. Metode seleksi bertahap (forward dan backward) digunakan untuk pemilihan kovariat dan penentuan final model POPCOV. Dalam tahap evaluasi dan validasi final model POPCOV diuji dengan membandingkan time integrated activity coefficient (TIACs) ​​dari FDP dan metode ITP konvensional. Berdasarkan analisis metode POPCOV, GFR diidentifikasi sebagai kovariat terbaik untuk Rk untuk variasi data biokinetik yang berbeda dan RRest untuk 9 data biokinetik. Adapun final model kovariat untuk Rk dengan 11 data biokinetik adalah [Rk] (10-15mol/l) = 6.32x106*(GFR/0.09)(0.67), Rk dengan 10 data biokinetik adalah [Rk] (10-15mol/l) = 6.28x106*(GFR/0.10)(0.80), Rk dengan 9 data biokinetik adalah [Rk] (10-15mol/l) = 6.37x106*(GFR/0.11)(1.18), dan RRest dengan 9 data biokinetik adalah [RRest] (10-15mol/l) = 0.17x106*(GFR/0.11)(1.01). Hasil ini menunjukkan bahwa kinerja POPCOV sekitar 20% lebih baik daripada FDP untuk ginjal. Hasil penelitian menunjukkan bahwa metode POPCOV dapat digunakan sebagai metode alternatif dalam PRRT untuk memprediksi TIAC ginjal jika data biokinetik individu tidak tersedia.

---

ABSTRACTIndividual Treatment Planning (ITP) is recommended in Peptide-Receptor Radionuclide Therapy (PRRT). However, Fixed Dose Treatment Planning (FDP) method has been frequently chosen over the ITP in the clinic due to the complexities and high workload of the biokinetic measurements. In this study, a Population and Covariate Model (POPCOV) was implemented to simplify the ITP process by using easy measured parameters, instead of using the biokinetic data, to perform ITP in PRRT with minimal Physiologically based Pharmacokinetic (mPBPK) model. All important biological systems in PRRT, e.g. kidneys and blood, were modeled using the developed mPBPK model. The biokinetic data of 9 patients with meningioma or neuroendocrine tumors after pre-therapeutic injection of 111In-DOTATATE was used for the model development. POPCOV method was used to predict the unknown parameters of the PBPK model using the individual covariates. The unknown parameters were the receptor density in the kidney (Rk), receptor density in the rest organ (RRest), degradation rate (λrelease) and binding rate of peptide to the albumin in blood (konAlb). Seven individual covariates of the investigated patients were used for the analysis, i.e. body weight, age, body surface area (BSA), glomerular filtration rate (GFR), kidneys volume, spleen volume, and liver volume. Stepwise selection procedures (forward selection and backward elimination) were used for the covariate selection and the derivation of the final model. The performance of the final model was tested by comparing the predicted time integrated activity coefficient (TIACs) from the FDP and conventional ITP method. Based on POPCOV analysis, GFR was identified as the best covariate for Rk with variations of different biokinetic data and RRest for 9 biokinetic data. The final covariate model of Rk with 11 biokinetic data was: [Rk] (10-15mol/l) = 6.32x106*(GFR/0.09)(0.67), Rk with 10 biokinetic data was: [Rk] (10-15mol/l) = 6.28x106*(GFR/0.10)(0.80), Rk with 9 biokinetic data was: [Rk] (10-15mol/l) = 6.37x106*(GFR/0.11)(1.18), and RRest with 9 biokinetic data was: [RRest] (10-15mol/l) = 0.17x106*(GFR/0.11)(1.01). These results indicated that the performance of POPCOV was around 20% better than the FDP for the kidneys. The results showed that the POPCOV method can be used as an alternative method in PRRT to predict kidneys TIACs in case where the individual biokinetic data is unavailable."

"Distribusi dosis yang optimal dalam treatment planning system (TPS) sangat penting sebelum diterapkan pada pasien radioterapi. Namun, TPS masih menggunakan metode optimisasi yang memakan waktu dan bergantung pada pengguna. Tujuan dari penelitian ini adalah untuk mengevaluasi model estimasi dosis otomatis, support vector regression (SVR), dan membandingkannya dengan dosis pasien kanker paru hasil perencanaan klinik. Enam puluh pasien yang terapi dengan teknik intensity modulated radiation therapy (IMRT) digunakan dalam penelitian ini. Distribusi dosis target dievaluasi berdasarkan nilai conformity index (CI), homogenitas dosis dievaluasi dengan homogeneity index (HI), sedangkan dosis rata-rata dan dosis maximum digunakan untuk mengevaluasi organ at risk (paru kanan, paru kiri, jantung, dan spinal cord). Analisis statistik dilakukan dengan menggunakan uji Wilcoxon. Nilai p < 0,05 menunjukkan adanya perbedaan signifikan antara kedua dataset. Rata-rata CI model SVR dan klinik masing-masing adalah dan Rata-rata HI untuk SVR dan klinik adalah dan . Uji Wilcoxon menunjukkan tidak ada perbedaan signifikan secara statistik antara kedua hasil. Dosis maximum paru kanan menunjukkan perbedaan signifikan secara statistik (p=0,032), sedangkan dosis rata-rata dan dosis maximum OAR lain tidak menunjukkan perbedaan signifikan secara statistik. Berdasarkan hasil penelitian menunjukkan bahwa tidak ada perbedaan yang signifikan antara kedua strategi tersebut, kecuali pada dosis maximum paru kanan. Model tersebut dapat diimplementasikan secara klinik untuk menghasilkan distribusi dosis yang dapat digunakan sebagai acuan untuk memastikan rencana idealis yang digunakan......Optimal dose distribution in the treatment planning system (TPS) is crucial before being applied to radiotherapy patients. However, TPS still uses optimization methods that are time-consuming and user-dependent. This study aimed to evaluate the automatic dose estimation model, support vector regression (SVR), and compare it with the clinically planned dose of lung cancer patients. Sixty patients treated with intensity-modulated radiation therapy (IMRT) were used as the objects in this study. The target dose distribution was evaluated based on the conformity index (CI), and dose homogeneity was evaluated with the homogeneity index (HI), while the mean and maximum doses were used to evaluate organs at risk (right lung, left lung, heart, and spinal cord). Statistical analysis was performed using the Wilcoxon test. A p-value of <0,05 indicates a significant difference between the two datasets. The mean CI of the SVR and clinical are and The mean HI for SVR and clinical was adalah and 0,083±0,030. the Wilcoxon test showed no statistically significant difference between the two results. The maximum right lung dose showed a statistically significant difference (p=0,032), while the mean dose and maximum dose of other OARs did not show a statistically significant difference. The results of the study showed no significant difference between the two strategies, except for the maximum right lung dose. The model can be implemented clinically to produce a dose distribution that can be used as a reference to ensure the idealistic plan."

"Radioterapi merupakan salah satu cara digunakan untuk mengobati kanker pada manusia. Perawatan radioterapi yang ideal memberikan radiasi dosis tinggi ke tumor tetapi dosis minimal ke jaringan normal di sekitarnya. Teknik Intensity Modulated Radiation Therapy (IMRT) dipilih karena dapat memungkinkan untuk menyelamatkan lebih banyak jaringan normal jika dibandingkan dengan teknik lainnya. Treatment Planning System (TPS) merupakan kunci untuk memaksimalkan distribusi dosis pasien dalam pelaksanaan radioterapi. Akan tetapi ketidakpastian geometris selalu ada dalam proses perencanaan dan pelaksanaan radioterapi. ICRU 50 merekomendasikan penerapan margin ke Planning Target Volume (PTV) sebagai kompensasi atas ketidakpastian geometri. Nilai margin untuk PTV akan dihitung dengan menggunakan persamaan yang dirokemendasikan oleh Stroom dan van Herk.Penelitian ini bertujuan untuk mengetahui nilai margin untuk PTV melalui nilai kesalahan sistematik dan acak yang diperoleh dari data pasien yang menjalani perawatan radioterapi kanker payudara. Kriteria yang digunakan adalah pasien yang mendapatkan perawatan untuk kanker payudara, mendapatkan penyinaran dengan teknik IMRT menggunakan pesawat Halcyon di Instalasi Pelayanan Terpadu Onkologi Radiasi RSCM, verifikasi geometridilakukan menggunakan citra EPID, dan memiliki 25 fraksi perawatan. Pengambilan data pergeseran dilakukan melalui perangkat lunak TPS Eclipse. Data yang diperoleh adalah data pergeseran isocenter yang dikoreksi secara online dalam tiga arah yaitu arah vertikal (anterior–posterior), longitudinal (cranial-caudal), dan lateral (left-right). Nilai kesalahan sistematik didapatkan melalui standar deviasi dari rata-rata pergeseran pasien, sedangkan nilai kesalahan acak didapatkan melalui rata-rata dari standar deviasi pergeseran pasien. Nilai-nilai tersebut digunakan untuk mendapatkan nilai margin untuk PTV berdasarkan persamaan margin untukPTV rekomendasi Stroom dan van Herk. Nilai margin untuk PTV yang diperoleh dievaluasi kepada beberapa pasien dengan melakukan planning dan contouring ulang. Hasil dari planning dan contouring ulang akan dibandingkan dengan hasil dari penerapan margin yang disarankan oleh dokter.......Radiotherapy is one of the methods used to treat cancer in humans. The ideal radiotherapytreatment delivers a high dose to the tumor but a minimal dose to the surrounding normal tissue.The Intensity Modulated Radiation Therapy (IMRT) technique was chosen because it can help save more normal tissue when compared to other techniques. The Treatment Planning System (TPS) is the key to maximizing the patient dose distribution in the implementation of radiotherapy. However, geometric uncertainty always exists in the process of planning and implementing radiotherapy. ICRU 50 recommends applying a margin to the Planning TargetVolume (PTV) as compensation for geometric uncertainty. The margin value for PTV will becalculated using the equation recommended by Stroom and van Herk. This study aims to determine the margin value for PTV through systematic and random errors obtained from data on patients undergoing radiotherapy treatment for breast cancer. The criteria used were patients who received treatment for breast cancer, received radiation with the IMRT technique using a Halcyon aircraft at the Radiation Oncology Integrated Service Installation of RSCM, geometric levers were carried out using EPID images, and had 25 treatment fractions. data retrieval is done through the TPS Eclipse software. The data obtained is isocenter shift data which iscorrected online in three directions, namely vertical (anterior-posterior), longitudinal (cranial-caudal), and lateral (left-right) directions. The systematic error value is obtained through the standard deviation of the shift mean, while the random error value is obtained through the average of the shift standard deviation. These values are used to obtain the margin value forPTV based on the margin equation for PTV recommended by Stroom and van Herk. Margin values for PTV obtained by some patients by planning and contouring. The results of the replanning and re-contouring will be compared with the results of applying the margins recommended by the doctor."

"Kanker payudara merupakan jenis kanker paling banyak kedua di dunia dan menjadi penyebab kematian tertinggi pada Wanita. Pengobatan menggunakan modalitas radioterapi merupakan salah satu teknik pengobatan utama dalam kasus kanker payudara. Teknik perencanaan radioterapi yang dapat digunakan untuk kasus kanker payudara adalah teknik 3DCRT dan IMRT. Verifikasi dosis merupakan salah satu tahapan penting dalam proses radioterapi untuk memastikan distribusi dosis yang diterima sesuai dengan perencanaan. Penelitian ini adalah melakukan verifikasi distribusi dosis perencanaan radioterapi menggunakan simulasi Monte Carlo. Verifikasi dilakukan pada kasus kanker payudara dengan teknik 3DCRT dan IMRT yang menggunakan modalitas linac foton 6 MV. Perencanaan radioterapi dilakukan dengan 25 fraksi penyinaran serta besar dosis setiap fraksi adalah 2 Gy. Oleh karena itu, total dosis yang diterima pasien adalah 50 Gy. Teknik 3DCRT dilakukan perencanaan menggunakan 2 lapangan penyinaran, sedangkan IMRT menggunakan 9 lapangan penyinaran. Hasil kalkulasi dosis dari treatment planning system (TPS) akan dilakukan verifikasi terhadap hasil perhitungan Monte Carlo. Parameter Gamma Indeks (GI) digunakan untuk menilai perbedaan distribusi dosis pada PTV dan OAR antara hasil kalkulasi TPS terhadap Monte Carlo.......Breast cancer is the second most commonly diagnosed type of cancer in the world and also the number one leading cause of death for women. Radiotherapy comes as one of the preferred choices for the treatment of breast cancers. Radiotherapy for breast cancer uses 3DCRT and IMRT techniques as the modality of choice for treatment. One of the most crucial steps in planning a radiotherapy treatment is dose verification to ensure the quality of the therapy is guaranteed. This research was conducted in order to verify the dose distribution to breast canser radiotherapy for 3DCRT and IMRT techniques using Monte Carlo simulation. The 3DCRT and IMRT are performed by using linac as the radiation modality with an energy of 6X, 2 Gy of dose per fraction for 25 fractions resulting in total dose of 50 Gy, the 3DCRT technique utilized 2 fields of radiation while IMRT used 9 fields. The data acquired through Treatment Planning System will then be verified against the Monte Carlo calculation. The results for this research are the comparisons for the dose distributions received by the PTV and the OARs around the target volume, the passing rates of the gamma index for each radiotherapy techniques are also calculated for verification purposes."

"Penjaminan mutu dalam radioterapi adalah proses yang penting agar penggunaan radiasi memberikan manfaat yang maksimal. Saat ini sedang berkembang implementasi machine learning (ML) dalam proses penjaminan mutu treatment planning. Pada penelitian ini, 34 treatment plan intensity-modulated radiation therapy (IMRT) optimal dan 10 treatment plan IMRT suboptimal dari Rumah Sakit Siloam MRCCC Semanggi digunakan dalam pemelajaran model ML berjenis autoencoder untuk pendeteksian anomali yang dikembangkan menggunakan PyTorch. Terdapat empat tahap dalam penelitian ini yaitu tahap persiapan, tahap pengembangan, tahap validasi, dan tahap evaluasi. Pada tahap pengembangan, data mentah disiapkan agar siap digunakan untuk pemelajaran model. Pada tahap pengembangan, model dibuat menggunakan PyTorch dan dilakukan optimisasi hyperparameter. Akurasi hasil pemelajaran model akan dianalisis pada tahap validasi. Terakhir, pada tahap evaluasi, kemampuan model dievaluasi dengan melakukan uji statistik Mann-Whitney U test pada parameter dose-volume histogram (DVH), fitur radiomics, dan metrik DVH (conformity index dan homogeneity index). Model menggunakan 161 fitur radiomics dengan konfigurasi paling optimal adalah epochs sebanyak 1.250 iterasi, konfigurasi hidden layers 150-50-17, dan learning rate sebesar 0,2. Hasilnya menunjukkan akurasi sebesar 30% dengan 7% fitur radiomics, 50% parameter DVH, dan homogeneity index berbeda secara signifikan. Setelah dilakukan pembersihan yaitu membuang data dengan nilai conformity index di bawah satu, didapat akurasi sebesar 17% dengan 12% fitur radiomics, 45% parameter DVH, dan kedua metrik DVH berbeda secara signifikan. Jika hanya digunakan fitur radiomics yang berbeda secara signifikan, didapat akurasi naik menjadi 90%. Dari hasil ini, disimpulkan bahwa fitur radiomics kurang mampu mengkarakterisasi kualitas treatment plan. Selain itu, segmentasi planning target volume (PTV) beserta kelompok fitur radiomics firstorder adalah pembeda utama antara treatment plan optimal dengan suboptimal. ......Quality assurance in radiotherapy is an important process so that the use of radiation provides maximum benefits. Currently, the implementation of machine learning in the quality assurance of treatment planning is growing. In this study, 34 optimal intensity- modulated radiation therapy (IMRT) treatment plans and 10 suboptimal IMRT treatment plans obtained from Siloam MRCCC Semanggi Hospital were used to train a machine learning model called autoencoder for anomaly detection developed using PyTorch. There were four stages in this study, namely the preparation stage, development stage, validation stage, and evaluation stage. At the development stage, the raw data was prepared so that it is ready to be used for training. At the development stage, the model was developed and a hyperparameter optimization was performed. The accuracy of the model was analyzed at the validation stage. Finally, at the evaluation stage, the model performance was evaluated by performing Mann-Whitney U test on dose volume histogram (DVH) parameters, radiomics features, and DVH metrics (conformity index and homogeneity index). The model used 161 radiomics features with an epochs of 1,250 iterations, 150-50-17 hidden layers configuration, and a learning rate of 0.2 being the most optimal configuration. The results showed an accuracy of 30% with 7% of radiomics features, 50% of DVH parameters, and the homogeneity index being different significantly. After refinement, that is removing data with conformity index below one, the accuracy became 17% with 12% of radiomics features, 45% of DVH parameters, and both DVH metrics being different significantly. If the radiomics features used are those that were significantly different, the accuracy increased to 90%. From these results, it can be concluded that the radiomics features are unable to characterize the quality of the treatment plan. In addition, planning target volume (PTV) segment along with the firstorder radiomics feature group is the main differentiator between optimal and suboptimal treatment plans. "

"Radioterapi merupakan salah satu cara digunakan untuk mengobati kanker pada manusia. Perawatan radioterapi yang ideal memberikan radiasi dosis tinggi ke tumor tetapi dosis minimal ke jaringan normal di sekitarnya. Teknik Intensity Modulated Radiation Therapy (IMRT) dipilih karena dapat memungkinkan untuk menyelamatkan lebih banyak jaringan normal jika dibandingkan dengan teknik lainnya. Treatment Planning System (TPS) merupakan kunci untuk memaksimalkan distribusi dosis pasien dalam pelaksanaan radioterapi. Akan tetapi ketidakpastian geometris selalu ada dalam proses perencanaan dan pelaksanaan radioterapi. ICRU 50 merekomendasikan penerapan margin ke Planning Target Volume (PTV) sebagai kompensasi atas ketidakpastian geometri. Nilai margin untuk PTV akan dihitung dengan menggunakan persamaan yang dirokemendasikan oleh Stroom dan van Herk. Penelitian ini bertujuan untuk mengetahui nilai margin untuk PTV melalui nilai kesalahan sistematik dan acak yang diperoleh dari data pasien yang menjalani perawatan radioterapi kanker payudara. Kriteria yang digunakan adalah pasien yang mendapatkan perawatan untuk kanker payudara, mendapatkan penyinaran dengan teknik IMRT menggunakan pesawat Halcyon di Instalasi Pelayanan Terpadu Onkologi Radiasi RSCM, verifikasi geometri dilakukan menggunakan citra EPID, dan memiliki 25 fraksi perawatan. Pengambilan data pergeseran dilakukan melalui perangkat lunak TPS Eclipse. Data yang diperoleh adalah data pergeseran isocenter yang dikoreksi secara online dalam tiga arah yaitu arah vertikal (anterior – posterior), longitudinal (cranial – caudal), dan lateral (left – right). Nilai kesalahan sistematik didapatkan melalui standar deviasi dari rata-rata pergeseran pasien, sedangkan nilai kesalahan acak didapatkan melalui rata-rata dari standar deviasi pergeseran pasien. Nilai-nilai tersebut digunakan untuk mendapatkan nilai margin untuk PTV berdasarkan persamaan margin untuk PTV rekomendasi Stroom dan van Herk. Nilai margin untuk PTV yang diperoleh dievaluasi kepada beberapa pasien dengan melakukan planning dan contouring ulang. Hasil dari planning dan contouring ulang akan dibandingkan dengan hasil dari penerapan margin yang disarankan oleh dokter.......Radiotherapy is one of the methods used to treat cancer in humans. The ideal radiotherapy treatment delivers a high dose to the tumor but a minimal dose to the surrounding normal tissue. The Intensity Modulated Radiation Therapy (IMRT) technique was chosen because it can help save more normal tissue when compared to other techniques. The Treatment Planning System (TPS) is the key to maximizing the patient dose distribution in the implementation of radiotherapy. However, geometric uncertainty always exists in the process of planning and implementing radiotherapy. ICRU 50 recommends applying a margin to the Planning Target Volume (PTV) as compensation for geometric uncertainty. The margin value for PTV will be calculated using the equation recommended by Stroom and van Herk. This study aims to determine the margin value for PTV through systematic and random errors obtained from data on patients undergoing radiotherapy treatment for breast cancer. The criteria used were patients who received treatment for breast cancer, received radiation with the IMRT technique using a Halcyon aircraft at the Radiation Oncology Integrated Service Installation of RSCM, geometric levers were carried out using EPID images, and had 25 treatment fractions. data retrieval is done through the TPS Eclipse software. The data obtained is isocenter shift data which is corrected online in three directions, namely vertical (anterior – posterior), longitudinal (cranial – caudal), and lateral (left – right) directions. The systematic error value is obtained through the standard deviation of the shift mean, while the random error value is obtained through the average of the shift standard deviation. These values ​​are used to obtain the margin value for PTV based on the margin equation for PTV recommended by Stroom and van Herk. Margin values ​​for PTV obtained by some patients by planning and contouring. The results of the re-planning and re-contouring will be compared with the results of applying the margins recommended by the doctor."

"Durasi yang lama dan prediksi dosis distribusi yang kurang optimal sering menjadi permasalahan utama dalam treatment planning kanker paru-paru secara manual. Model machine learning berbasis Gradient-Boosted Trees dapat dimanfaatkan untuk mempercepat proses dan menstandarisasi distribusi dosis treatment planning. Penelitian ini memanfaatkan 60 set data treatment planning kanker paru-paru yang diamati dan dikumpulkan oleh MRCCC Siloam Hospitals Semanggi yang dijadikan sebagai set data klinis. Set data yang telah diperoleh dibagi ke dalam 2 kelompok yaitu, 42 set data sebagai data training model machine learning dan 18 set data sebagai data testing model machine learning. Dalam penelitian ini, proses treatment planning memprediksi distribusi dosis yang telah dinormalisasi untuk organ PTV dan OAR. Organ PTV memiliki fitur dosis D2, D50, dan D98. Sementara itu, OAR terdiri atas paru-paru kanan, paru-paru kiri, jantung, dan sumsum tulang belakang. Setiap OAR memiliki fitur dosis yang terdiri atas dosis rata-rata (Dmean) dan dosis maksimum (Dmax). Data prediksi treatment planning menggunakan machine learning kemudian dibandingkan dengan data treatment planning klinis. Perbandingan hasil treatment planning tersebut ditampilkan menggunakan diagram boxplot nilai dosis distribusi PTV dan OAR yang telah dinormalisasi. Kemampuan Gradient-Boosted Trees dalam memprediksi dosis distribusi untuk PTV dan OAR dilihat dari nilai kesalahan mutlak rata-rata terhadap data klinis. Prediksi dosis distribusi PTV memiliki nilai kesalahan mutlak rata-rata sebesar 0,015 (D2), 0,017 (D50), dan 0,022 (D98). Setiap OAR memiliki nilai kesalahan mutlak rata-rata untuk masing-masing fitur dosis rata-rata dan maksimumnya, yaitu sebesar 0,153 (Dmean) dan 0,254 (Dmax) untuk paru-paru kanan, 0,167 (Dmean) dan 0,294 (Dmax) untuk paru-paru kiri, 0,1 (Dmean) dan 0,252 (Dmax) untuk jantung, serta 0,044 (Dmean) dan 0,136 (Dmax) untuk sumsum tulang belakang. Oleh karena itu, prediksi model Gradient-Boosted Trees bekerja lebih baik untuk PTV karena memiliki nilai kesalahan mutlak rata-rata yang lebih kecil dibandingkan dengan OAR.......Timeconsuming duration and suboptimal distribution dose prediction become the frequently-happened problems during the manual treatment planning for lung cancer. Gradient-Boosting model can be used for easing treatment planning’s process and standardising its distribution dose. This research uses 60 clinical datasets of lung cancer’s treatment planning that has been collected and processed by Semanggi Siloam Hospitals’ MRCCC. Those datasets are divided into two groups, the training data with 42 datasets and the testing data with 18 datasets. In this research, treatment planning predicts the distribution doses that have been normalised for each PTV’s and OARs’ features. The PTV dose features consist of D2, D50 and D98. Meanwhile, OARs consist of right lung, left lung, heart and spinal cord. Each OAR has mean dose (Dmean) and maximum dose (Dmax) as its dose features. The comparison is shown using boxplot diagrams with normalised dose as its value. The results of the treatment planning prediction using Gradient-Boosting model are then compared to the clinical data. The ability of the Gradient-Boosting model in predicting the distribution dose is calculated based on every Mean Absolute Error (MAE) of the PTV’s and OARs’ dose features. The PTV has 0,015 (D2), 0,017 (D50) and 0,022 (D98) as its MAEs. The OARs’ MAEs consist of 0,153 (Dmean) and 0,254 (Dmax) for right lung, 0,167 (Dmean) and 0,294 (Dmax) for left lung, 0,1 (Dmean) and 0,252 (Dmax) for heart, also 0,044 (Dmean) and 0,136 (Dmax) for spinal cord. In conclusion, Gradient-Boosting model works better for predicting PTV’s distribution dose than the OARs since MAEs for PTV dose features are much smaller compared to the OAR."

"Treatment Planning System (TPS) merupakan kunci dalam keberhasilan pengobatan radioterapi eksternal, yang secara langsung berdampak pada kualitas rencana perawatan dan ketepatan perhitungan dosis dalam perencanaan. Keluaran dari hasil perencanaan pada TPS berupa kurva DVH. DVH menjadi acuan dalam melihat penyebaran dosis pada target maupun organ sehat. Dalam penelitian ini, dilakukan perbandingan antara DVH hasil dari TPS dengan DVH hasil dari perhitungan analitik. Perbandingan DVH dilakukan dengan langkah awal membuat objek simulasi berupa fantom virtual menggunakan program Matlab dengan berbagai bentuk geometri, yaitu bola, kubus, dan silinder. Perencanaan terhadap objek simulasi dilakukan dengan menggunakan TPS Eclispe. Dari hasil perencanaan dengan menggunakan TPS Eclispe dan hasil perhitungan analitik, diperoleh perbedaan nilai tertinggi terdapat pada objek simulasi kubus untuk penyinaran 1 lapangan, dan pada objek simulasi silinder pada penyinaran 4 lapangan. Sementara pada perbandingan nilai Dmaks dan Dmin, perbedaan terbesar terdapat pada nilai Dmin dengan penyimpangan tertinggi berada pada objek simulasi kubus dan silinder. Tidak terdapat nilai yang sama pada perencanaan ini untuk semua objek simulasi.

---

Treatment Planning System (TPS) is the key to success of external radiotherapy treatment, which directly impacts the quality of treatment planning and the accuracy of dose calculation in planning. The output of the planning results at the TPS consists of the DVH curve. DVH is the target in looking at the distribution of doses to target and organ at risk. In this study, an experiment was conducted between DVH results from TPS and DVH results from analytical calculation. DVH comparison is done with the initial step of making simulation objects using virtual phantoms using the Matlab program with various geometric shapes, namely are sphere, cube, and cylinder. Planning of the simulation object is done using Eclispe TPS. From the results of planning using TPS Eclispe and analytical calculation results, the value of the assessment of the cube simulation object is obtained for 1 field illumination, and for cylinder simulation objects in 4 fields irradiation. While in determining the value of Dmax and Dmin, the biggest difference is the value of Dmin with the highest deviation in the comparison object of the cube and the cylinder. There are no equal values in this plan for all simulation objects."