RSS-Feed abonnieren
DOI: 10.1055/s-0040-1708214
Abschätzung der effektiven Halbwertszeit vor Radiojodtherapie mittels KI
Publikationsverlauf
Publikationsdatum:
08. April 2020 (online)
Ziel/Aim Zur Therapieplanung von benignen Schilddrüsenerkrankungen wird in Ausnahmefällen ein Kurztest durchgeführt, der auf dem maximalen Uptake nach 24 h und einer aus der Literatur entnommenen effektiven Halbwertszeit (HWZ) basiert. Ziel dieser Arbeit ist es, die HWZ anhand eines Machine-Learning (ML) Codes patientenindividueller vorauszusagen und somit eine Optimierung der Therapie zu erreichen.
Methodik/Methods Ein in Python programmierter ML-Algorithmus wurde mit 467 Patienten trainiert. Schilddrüsenmasse, Tc-Uptake, max. I-131 Uptake, Schilddrüsenhormonwerte zum Testzeitpunkt, sowie die ärztlich validierte Diagnose stellten dabei patientenindividuelle Parameter dar. Die Trainingsdaten beinhalteten zudem die bei regulären Radiojodtests bestimmte HWZ, um diese zukünftig bei Patienten in Abhängigkeit der patientenspezifischen Parameter ohne einen späten Messwert (5–8 d) vorhersagen zu können. Dieses Regressionsproblem bei dem eine kontinuierliche Variable – die HWZ – aus den Eingangsdaten vorhergesagt werden soll, wurde mit verschiedenen Ansätzen wie Support Vector Regression (SVR), Multiple Linear Regression (MLR) und Random Forest Regressor (RFR) gelöst und die jeweiligen Ergebnisse verglichen.
Ergebnisse/Results Validiert wurde der Code bei allen Kurztestpatienten durch Vergleich einer mittels ML zugewiesenen HWZ gegen die peritherapeutisch gemessene. Bei allen Patienten, die einen Kurztest mit einer HWZ aus der Literatur bekommen haben, wurde eine mittlere Abweichung (root mean squared error, RMSE) von 1,5 Tagen gefunden. Die Abweichungen der mit dem ML-Algorithmus berechneten HWZ betrugen 1,0 Tage (SVR), 1,1 Tage (MLR) bzw. 1,0 Tage (RFR).
Schlussfolgerungen/Conclusions Unter Berücksichtigung der patientenspezifischen Parameter konnte mittels ML eine genauere Vorhersage der HWZ bei Kurztesten gefällt werden, verglichen mit der Nutzung von Literaturwerten. Dies könnte eine genauere Dosisapplikation mit geringeren Abweichungen während der Radiojodtherapie erlauben und potentiell den Anteil an Über- und Unterdosierungen bei Kurztesten minimieren.
#