2021年1月7日 星期四

[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:
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.


沒有留言:

張貼留言