Poster - Thurs Eve-04: Mathematical modeling of liver metastases tumour growth and control with radiotherapy
Notice bibliographique
Résumé
Generating an optimized radiation treatment plan requires understanding the factors affecting tumour control. Mathematical models of tumour dynamics may help in future studies of factors predicting tumor sensitivity to radiotherapy. In this study, a time-dependent differential model, incorporating biological cancer markers, is presented to describe pre-treatment tumour growth, response to radiation, and recurrence. The model uses Gompertzian growth to model pre-treatment tumour growth. The effect of radiotherapy is handled by a realistic cell-kill term that includes a volume-dependent change in tumour sensitivity. Post-treatment, a Gompertzian, accelerated, delayed repopulation is employed. As proof-of-concept, we examined the fit of the model's prediction using various liver enzyme levels as markers of metastatic liver tumour growth in a liver cancer patient. Enzyme data were derived from repeated serum blood tests, and radiation treatment-related data were retrieved from the patient's chart. A tumour clonogen population model was formulated. Each enzyme was coupled to the same tumour population, and served as surrogates of the tumour. This dynamical model was solved numerically and compared to the measured enzyme levels. By minimizing the mean-squared error of the model enzyme predictions, we determined the following tumour model parameters: growth rate prior to treatment was 0.7% per day; the fractional radiation cell kill for the prescribed dose was 60% per day; and tumour repopulation rate was 3.5% per day. These preliminary results provided the basis to test the model in a larger series of patients, to apply biological markers for improving the efficacy of radiotherapy by determining the underlying tumour dynamics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».