A framework for clinical commissioning of 3D‐printed patient support or immobilization devices in photon radiotherapy
Notice bibliographique
Résumé
PURPOSE: The objective of this work is to outline a framework for dosimetric characterization that will comprehensively detail the clinical commissioning steps for 3D-printed materials applied as patient support or immobilization devices in photon radiotherapy. The complex nature of 3D-printed materials with application to patient-specific configurations requires careful consideration. The framework presented is generalizable to any 3D-printed object where the infill and shell combinations are unknown. METHODS: A representative cylinder and wedge were used as test objects to characterize devices that may be printed of unknown, patient-specific dimensions. A case study of a 3D-printed CSI immobilization board was presented as an example of an object of known, but adaptable dimensions and proprietary material composition. A series of measurements were performed to characterize the material's kV radiologic properties, MV attenuation measurements and calculations, energy spectrum water equivalency, and surface dose measurements. These measurements complement the recommendations of the AAPM's TG176 to characterize the additional complexity of 3D-printed materials for use in a clinical radiotherapy environment. RESULTS: The dosimetric characterization of 3D-printed test objects and a case study device informed the development of a step-by-step template that can easily be followed by clinicians to accurately and safely utilize 3D-printed materials as patient-specific support or immobilization devices. CONCLUSIONS: A series of steps is outlined to provide a formulaic approach to clinically commission 3D-printed materials that may possess varying material composition, infill patterns, and patient-specific dimensions.
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| 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 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 ».