MétaCan
Menu
Retour à la cohorte
Enregistrement W2957364020 · doi:10.1088/1361-6560/ab32a1

Personalized kidney dosimetry in <sup>177</sup> Lu-octreotate treatment of neuroendocrine tumours: a comparison of kidney dosimetry estimates based on a whole organ and small volume segmentations

2019· article· en· W2957364020 sur OpenAlexafffund
Xinchi Hou, Wei Zhao, Jean‐Mathieu Beauregard, A. Ćeller

Notice bibliographique

RevuePhysics in Medicine and Biology · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueNeuroendocrine Tumor Research Advances
Établissements canadiensUniversité LavalCentre hospitalier de l'Université LavalCentre hospitalier universitaire de QuébecUniversity of British Columbia
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésDosimetryRadionuclide therapyNuclear medicineMedicineKidneyNeuroendocrine tumorsRadiologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Abstract Peptide receptor radionuclide therapy (PRRT) with 177 Lu- radiolabeled octreotate is an effective treatment method for inoperable neuroendocrine tumours (NETs). There is growing evidence that estimates of the organ-at-risks (OARs) doses are necessary for the optimization of personalized PRRT (P-PRRT). Dosimetry, however, requires a complicated and time-consuming procedure, which hinders its implementation in the clinic. The aim of this study is to develop a practical and automatic technique to simplify personalized dosimetry of kidney, the major OAR in 177 Lu P-PRRT. The data from 30 NETs patients undergoing 44 personalized 177 Lu-DOTA-TATE therapy cycles were analyzed. To determine the biokinetics of the radiopharmaceutical in the kidneys, for each patient three SPECT/CT scans were acquired, at about 4 h, 24 h and 70 h after injection. The kidneys doses were evaluated using three different approaches: (1) a traditional approach based on whole kidney (WK) segmentation; (2) a small volume (SV) manual approach (M-SV) with observer-defined SV location; and (3) a software based SV-approach that automatically defines SV location (A-SV). Four different methods of automatic SV location selections were investigated. The SV kidney doses estimated using M-SV and A-SV approaches was evaluated and the accuracy of these two approaches were compared to the WK dosimetry. The kidney bio-kinetics, in terms of effective half-lives, obtained from both of the A-SV and M-SV approaches agreed to within 10% with those obtained from the WK segmentation. The average ratios of SV doses to WK doses were mostly about 1.8 ± 0.2 for both A-SV and M-SV approaches. The linear correlation coefficients between SV doses (both A-SV and M-SV) and WK doses were up to 0.9 with p &lt; 0.001. The differences between A-SV and M-SV were minor. By comparing different methods of SV location selections, independently selecting SV in images from each of the acquisitions was proved the most appropriate and accurate approach. An automatic, observer-independent method for selecting the location of the small volume in kidneys was developed. The accuracy of this dose estimation approach has been demonstrated by comparing it with the manual SV dosimetry, as well as the WK dosimetry. The proposed automatic approach can potentially be considered as a practical and simple method for dose estimation in the future clinical studies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,726
Score d'incertitude au seuil0,861

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,099
Tête enseignante GPT0,402
Écart entre enseignants0,303 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysics in Medicine and BiologyMême sujetNeuroendocrine Tumor Research AdvancesTravaux en français237 207