[輻射生物學] Dose-response modeling

最近red journal 推出一系列 dose response modeling 的文章, 這類文章筆者非常有興趣, 剛好red journal 在 2020 年底有推出一篇primer, 以下就來細讀吧!

作法其實跟統合分析很像, 就是收集過去文獻, 提取出資料,  進行建模, 希望未來可以在臨床上對病人做預測!

模型選擇:

文章裡面認為模型選擇非常重要, 其中最常見的模型, 就是所謂的Maximum likelihood estimation. 

文章裡面有用radiation pneumonitis 來做舉例, 其實重要的就是從每篇文章裡面抓出劑量以及radiation pneumonitis的grade. 作者是用兩篇文章來做練習, 都是open access的, 所以直接點就可以看到! (BMC radiation oncology 的文章) (BJR 的文章); 其實作者就是把文章裡面每個病人的mean lung dose 跟 radiation pneumonitis 的grade 做成圖表, 然後丟進Maximum likelihood estimation模型, 這樣就成功了XD

另外作者也有提到其實其他傳統模型, 比如說sigmoid shape function 或者是logistic function, 甚至是機器學習都可以套進來用, 其實看到這裡我覺得這跟統合分析根本差不多啊XDDDDD

反正就是單一site病人量不夠大, 可能會有機構的bias, 因此整理資料, 建立一個robust的模型!

再來是要怎麼知道模型的預測力, 這個在機器學習裡面已經是老生常談了, 不過這篇文章並沒有提到外部驗證, 而是使用bootstrapping 或者是bundles of curve. 

reference:

1. Moiseenko, Vitali, et al. "A Primer on Dose-Response Data Modeling in Radiation Therapy." International Journal of Radiation Oncology* Biology* Physics (2020).

2. Yamashita, H., Nakagawa, K., Nakamura, N. et al. Exceptionally high incidence of symptomatic grade 2–5 radiation pneumonitis after stereotactic radiation therapy for lung tumors. Radiat Oncol 2, 21 (2007). https://doi.org/10.1186/1748-717X-2-21

3. Okubo, Mitsuru, et al. "Predicting risk factors for radiation pneumonitis after stereotactic body radiation therapy for primary or metastatic lung tumours." The British Journal of Radiology 90.1073 (2017): 20160508.