Notice bibliographique
Résumé
Abstract It has been suggested that modern radiation therapy could benefit from adopting the “End to End” (E2E) type of testing developed originally in computer science to determine whether applications and systems work as required under real-world scenarios. The motivation for adopting E2E techniques for image guided adaptive radiation therapy validation is to extend beyond current common testing using standard physics QA that inherently probes only select points or systems within the IGART schema. E2E methodologies extend the testing to evaluate complete IGART processes, including the complex interchanges that occur during and throughout a patient’s treatment as clinical staff interpret and respond to information acquired during the treatment course. While limited radiotherapy E2E QA may have been adopted periodically by clinics when implementing a new treatment technique, clinical E2E QA has been confined to date mainly to tests mediated by external auditing bodies such as IROC, the Imaging and Radiation Oncology Core in the United States. This testing often includes having the clinic in question irradiate a purpose-built phantom containing dosimeters to specific criteria under protocols set by the auditing body. The auditors then determine off site whether the clinic’s treatment process was successful by comparing the dose measurements with the intended dose delivery. The advance of three dimensional (3D) radiation dosimeters opens the possibility for in-house E2E testing. Approaches for in-house E2E testing have been proposed for over a decade, but such comprehensive internal E2E testing has not been widely adopted. In this presentation the barriers and challenges to the development of clinical in-house E2E QA will be reviewed primarily based on the experience in Kingston.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».