WE‐E‐BRA‐05: Reducing the Frequency of Linac Output Check: A Statistical Model of Linac Output Fluctuation Based On a 3 Year History to Evaluate New Tolerances as a Function of Test Frequency for 12 Linear Accelerators
Notice bibliographique
Résumé
Purpose: The study is based on a formalism to model the fluctuation of 12 linac outputs during a 3 year period. From a semi‐empirical statistical model and TG‐40 recommendations, a QA program is built from calculated action levels as a function of test frequency and time‐dependant probability distributions. Method and Materials: The linac output data is analyzed to fit a statistical model taking into account a systematic and a random component in the daily fluctuation. A 3 year history of daily output measurements totalizing 71 independent energies of photons and electrons is used to evaluate the parameters in each model. Action levels are calculated as a function of test frequency from obtained models based on tolerances defined in TG‐40. A confidence level of 95% is used to define the QA program such that machine output is kept within given limits, the latter being obtained by fitting tolerance functions with TG‐40 action levels. Measurement uncertainties are taken into account in the model and Gaussian statistics are used in the formalism. Results: Comparison between models and data history are in agreement with Gaussian statistics. For each linac and energy, tolerance functions are obtained from data history and new action levels are used with reduced test frequency. The tolerance of 2% recommended by TG‐40 for monthly output constancy check is reduced to values ranging from 1.2% to 1.8% for a test frequency of two months. Linac calibration frequency is reassessed to values ranging from 4 to 12 months. Conclusion: While daily check should be kept constant to prevent unpredictable variations, the frequency of output check can be reduced using new action levels based on a program‐defined limit and confidence level. Probability distributions can be used to evaluate linac calibration frequency based on machine stability. The model can be extended to other linac parameters.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».