Asistente de planificación de la radiación: una herramienta basada en la web para apoyar la radioterapia de alta calidad en clínicas con recursos limitados
Summary
Este protocolo describe una serie de herramientas automatizadas diseñadas para el autocontorneado y la planificación automática de radioterapia de alta calidad que se están empaquetando en un servicio basado en la web para maximizar la robustez y la escalabilidad al tiempo que se minimizan los costos operativos.
Abstract
El acceso a la radioterapia en todo el mundo es limitado. El Asistente de Planificación de la Radiación (RPA) es una herramienta totalmente automatizada basada en la web que se está desarrollando para ofrecer herramientas de planificación del tratamiento de radioterapia totalmente automatizadas a las clínicas con recursos limitados. El objetivo es ayudar a los equipos clínicos a escalar sus esfuerzos, llegando así a más pacientes con cáncer. El usuario se conecta a la RPA a través de una página web, completa una solicitud de servicio (prescripción e información sobre los objetivos de radioterapia) y carga el conjunto de imágenes de TC del paciente. La RPA ofrece dos enfoques para la planificación automatizada. En la planificación de un solo paso, el sistema utiliza la solicitud de servicio y la tomografía computarizada para generar automáticamente los contornos y el plan de tratamiento necesarios. En la planificación en dos pasos, el usuario revisa y edita los contornos generados automáticamente antes de que el RPA continúe generando un plan de terapia de arco modulado por volumen. El plan final se descarga del sitio web de RPA y se importa al sistema de planificación de tratamiento local del usuario, donde se vuelve a calcular la dosis para el linac encargado localmente; Si es necesario, el plan se edita antes de la aprobación para uso clínico.
Introduction
Se espera que el número mundial de casos de cáncer aumente a aproximadamente 24,6 millones para 2030, con la mayor carga en los países de ingresos bajos y medianos1. La radioterapia es un tratamiento costo-efectivo, curativo y paliativo para el cáncer, que proporciona beneficios a aproximadamente el 50% de los pacientes con cáncer y al 60-70% en los países de bajos ingresos donde los pacientes tienen más probabilidades de presentarse en una etapa tardía 2,3. Sin embargo, el acceso a la radioterapia en todo el mundo es limitado4; por ejemplo, ningún país de África tiene la capacidad de radioterapia para satisfacer sus necesidades estimadas5. Varios estudios han estimado estas carencias inminentes y lo que se requeriría para satisfacer las necesidades futuras 6,7.
La Comisión de Oncología de The Lancet argumentó de manera convincente que la inversión en mejoras en la capacidad de radioterapia no solo salvaría vidas, sino que también aportaría beneficios económicos positivos3. También señalaron específicamente que la automatización del contorno de la radioterapia y la planificación del tratamiento pueden ayudar a los equipos clínicos a escalar sus esfuerzos al reducir significativamente el tiempo dedicado a estas tareas por los oncólogos y los físicos, respectivamente, haciendo que los objetivos sean más alcanzables.
Nuestro grupo de investigación ha estado trabajando en colaboración con equipos clínicos del MD Anderson y de hospitales de todo el mundo para desarrollar herramientas automatizadas basadas en la web. Este conjunto de herramientas (llamado RPA) proporciona un contorno basado en la Inteligencia Artificial (que describe los tumores y los órganos cercanos en las tomografías computarizadas) y la planificación del tratamiento de radioterapia (que define exactamente cómo se administra la radiación). Esta plataforma basada en la web ofrece la ventaja de reducir el tiempo y los recursos necesarios para preparar planes de alta calidad para cada paciente.
Nuestra experiencia con una versión temprana de una herramienta basada en IA en MD Anderson ha demostrado que el contorneado automatizado puede ahorrar hasta 2 horas por paciente, lo que supone una importante optimización del flujo de trabajo. Esto significa que el personal clínico actual podrá escalar su esfuerzo, tratando a más pacientes con radioterapia de mayor calidad. Al ofrecer estas herramientas a través de un servicio totalmente automatizado basado en la web (Asistente de planificación de radiación [RPA], RPA.mdanderson.org), podemos minimizar el costo para los pacientes y los proveedores y maximizar el alcance de esta herramienta.
Hemos estado desarrollando la RPA durante 6 años, y se han realizado varios cambios significativos desde que publicamos por primera vez en los flujos de trabajo de RPA8. Estos incluyen el desarrollo de la RPA en una herramienta basada en la web, reduciendo así los costos asociados con la instalación y el mantenimiento, y mejorando la robustez del sistema. Otras mejoras incluyen cambios en las interfaces de usuario para mejorar la usabilidad y reducir el riesgo de error9 y ampliar las opciones de tratamiento (específicamente, la planificación de la radioterapia para la mama posterior a la mastectomía10 y las metástasis en el cerebro11). Por lo tanto, el protocolo descrito aquí es sustancialmente más avanzado que la versión inicial publicada anteriormente.
El RPA utiliza un proceso de un solo paso para crear contornos y planes en situaciones en las que la edición de los contornos generalmente no es necesaria para crear el plan de tratamiento. Esto incluye la planificación del tratamiento en cuatro campos para el cáncer de cuello uterino (basado en puntos de referencia óseos o contornos de tejidos blandos generados automáticamente)12,13,14,15, campos tangenciales o supraclaviculares para el cáncer de mama posterior a la mastectomía11 y laterales opuestos para tratamientos de todo el cerebro16. En un futuro próximo, esperamos añadir tratamientos craneoespinales para cánceres pediátricos17, tratamientos de tres campos para el cáncer de recto18 y planificación de tratamientos para diversos casos paliativos (cuerpos vertebrales, caderas y costillas)19, así como cánceres de pulmón y vejiga. En la actualidad, los tratamientos más avanzados, específicamente la terapia de arco modulada por volumen (VMAT), requieren un proceso de dos pasos en el que los contornos generados automáticamente se editan antes de la planificación del tratamiento13,20. Sin embargo, la calidad del autocontouring basado en el aprendizaje profundo es tal que esperamos cambiar estos enfoques de planificación a un proceso de un solo paso en el futuro. Este protocolo se centra en la planificación de un solo paso.
La Figura 1 muestra el flujo de trabajo general para crear un plan de tratamiento de radioterapia utilizando el RPA, con más detalles sobre las diferentes tareas que se muestran en la Tabla 1. En resumen, la RPA requiere una solicitud de servicio completa (que incluye información como la prescripción de la dosis y el enfoque del tratamiento) y la tomografía computarizada individual del paciente. La solicitud de servicio debe ser aceptada por un oncólogo radioterápico. La tomografía computarizada debe ser aceptada por un usuario clínico para garantizar que los cálculos de RPA se realicen en la tomografía computarizada correcta. Una vez que el RPA ha generado un plan, debe descargarse del sitio web del RPA e importarse al sistema de planificación del tratamiento del usuario, donde se debe volver a calcular la dosis. Esto es necesario porque el RPA calcula planos en vigas estándar (disponibles para varios modelos de linac), que pueden no coincidir exactamente con las características de la viga del linac local. Este enfoque se adoptó para reducir los costos, aunque es posible que se necesite personalización si las vigas locales son significativamente diferentes de nuestras vigas estándar. Los usuarios (planificador del tratamiento y oncólogo radioterápico) pueden realizar modificaciones en el plan. A continuación, el plan entra en el flujo de trabajo clínico típico del usuario, incluidas las comprobaciones locales de control de calidad. Por último, el usuario debe subir su plan final (recalculado y editado) a la página web de RPA, donde se realiza una comparación automatizada entre el Plan Final y el Plan RPA. Se trata de una comprobación útil de la integridad de los datos en el flujo de trabajo general.
Figura 1: Flujo de trabajo del proceso automatizado de planificación del tratamiento. Haga clic aquí para ver una versión más grande de esta figura.
| Tarea # en la Figura 1 | Descripción de la tarea | Ubicación | |||
| Revisar el estado de los pacientes anteriores | Tablero principal | ||||
| 1 | Complete una solicitud de servicio en el sitio web de RPA | Panel de solicitud de servicio | |||
| 2 | Cargue una tomografía computarizada en el sitio web de RPA | Panel de control de tomografía computarizada | |||
| 3 | Comprobar el estado del paciente | Tablero principal | |||
| Revisa y descarga el Plan RPA | Tablero principal | ||||
| 4 | Importe el plan en el TPS del usuario, vuelva a calcular la dosis y realice las modificaciones necesarias | Local TPS | |||
| 5, 6 | Cargue el Plan Final en el sitio web de RPA | Panel de comparación de planes | |||
| Revisar la comparación automática del Plan Final y el Plan RPA | Panel de comparación de planes | ||||
| – | El plan entra en el flujo de trabajo clínico rutinario del usuario, incluido el control de calidad regular | Software propio del usuario | |||
Tabla 1: Descripción general de las tareas involucradas en la creación de un plan de RPA utilizando el flujo de trabajo de 1 paso. TPS Local: Sistema de Planificación de Tratamiento del Usuario.
Este manuscrito describe este flujo de trabajo de un solo paso para el RPA y presenta algunos ejemplos de resultados del proceso de planificación del tratamiento. En la actualidad, los siguientes enfoques de planificación utilizan este flujo de trabajo de un solo paso: i) Planes de tratamiento de caja de cuatro campos para pacientes con cáncer de cuello uterino (aberturas óseas basadas en puntos de referencia); ii) planes de tratamiento de caja de cuatro campos para pacientes con cáncer de cuello uterino (aberturas de campo basadas en tejidos blandos); iii) planes de tratamiento tangencial y supraclavicular para pacientes de pared torácica; iv) Planes de tratamiento de todo el cerebro.
Protocol
Representative Results
Discussion
Este protocolo describe los pasos para crear planes de tratamiento automatizados utilizando la RPA. Los pasos clave son (1) la carga y aprobación de la TC, (2) la finalización y aprobación de la solicitud de servicio, (3) la descarga e importación del plan al TPS del usuario y el recálculo de la dosis y la edición del plan, y (4) la carga del plan editado final para compararlo con el plan de RPA. El orden de aprobación del CT y el de la aprobación de la solicitud de servicio son intercambiables. Algunos planes, específicamente los planes de terapia de arco modulado por volumen para el cáncer de cabeza y cuello y de cuello uterino, se crean en un proceso de dos pasos en el que las interacciones adicionales del usuario y los contornos y planes se generan por separado. Sin embargo, en general, los procesos son similares, y esperamos que estos enfoques avanzados de planificación del tratamiento puedan cambiarse a un proceso de un solo paso en el futuro. La aceptabilidad clínica general que se puede esperar de estas herramientas, y de las herramientas que están en desarrollo para futuras versiones, se puede encontrar en nuestro trabajo publicado 10,12,14,15,16,17,18,19,20,21,22.
Estas herramientas tienen varias limitaciones, como se describió en nuestro trabajo anterior, que investigó el riesgo al implementar el Asistente de Planificación de Radiación en clínicas de radioterapia 9,23. Aunque la interfaz de usuario se ha diseñado para minimizar el riesgo de entrada de datos inadecuada, como imágenes de TC que no tienen suficiente campo de visión o errores en la entrada manual de datos, todavía existe la posibilidad de error. Específicamente, el error humano, el sesgo de automatización (dependencia excesiva de los resultados) y el error de software son motivo de preocupación9. La revisión cuidadosa y, si es necesario, la edición de los contornos y planos generados automáticamente es esencial para el uso seguro del Asistente de planificación de radiación. En general, estas revisiones deben seguir el mismo proceso que se sigue para la revisión de los planes clínicos por parte de físicos y oncólogos radioterápicos, aunque esto puede apoyarse en el uso de listas de verificación desarrolladas específicamente para complementar la revisión manual de los planes de tratamiento creados automáticamente24.
Hay situaciones en las que el RPA no podrá generar un plan y reportará un error al usuario. En casi todos los casos, esto se debe a que el RPA encuentra datos inesperados que no puede interpretar, como un campo de visión o una posición del paciente insuficientes (por ejemplo, si se tomó una imagen de TC utilizando un protocolo supino, pero con el paciente en posición prona). Es posible que el usuario pueda identificar el problema en función de dónde se notifique el error. En la mayoría de los casos, estas situaciones solo se pueden remediar mediante el contorno manual o la planificación. Es posible que el equipo de RPA también pueda revisar los archivos de registro para identificar el problema.
El RPA ha sido diseñado y desarrollado específicamente para llevar herramientas de autocontorno y autoplanificación de alta calidad a las clínicas con recursos limitados, especialmente aquellas en países de ingresos bajos y medios. Actualmente estamos trabajando en los procesos regulatorios, legales y administrativos que conducirán a que la RPA se utilice clínicamente. Una vez que eso suceda, esperamos monitorear cuidadosamente el uso y realizar cambios en el flujo de trabajo o las interfaces de usuario en respuesta a cualquier riesgo imprevisto u otros comentarios de los usuarios. El objetivo es proporcionar herramientas que apoyen los servicios de radioterapia, de modo que los equipos clínicos locales puedan ampliar sus esfuerzos, mejorando el acceso a planes de radioterapia consistentes y de alta calidad. Esperamos que esto conduzca a mejores resultados para los pacientes, así como a una reducción de los tiempos de espera. Aunque el portafolio actual se limita a cánceres de cabeza y cuello, mama y cuello uterino, así como irradiación de todo el cerebro para metástasis cerebrales, estamos trabajando en tratamientos adicionales que se incorporarán en futuras versiones 17,18,19.
Disclosures
The authors have nothing to disclose.
Acknowledgements
Este trabajo fue financiado por el Instituto Nacional del Cáncer y el Wellcome Trust, con el apoyo adicional de Varian Medical Systems. Nuestro sistema actual utiliza Eclipse para las funciones de planificación del tratamiento. También nos gustaría agradecer a Ann Sutton de Servicios de Edición, Biblioteca Médica de Investigación, UT MD Anderson Cancer Center. Además de la financiación institucional para el desarrollo de RPA, nuestros equipos de investigación reciben financiación del Instituto de Prevención e Investigación del Cáncer de Texas (CPRIT) y del Fondo para la Innovación en Informática del Cáncer del MD Anderson de la Universidad de Texas.
References
- Ferlay, J., et al. Cancer incidence and mortality worldwide: Sources, methods and major patterns in GLOBOCAN 2012. International Journal of Cancer. 136 (5), E359-E386 (2015).
- Elmore, S. N. C., et al. Global palliative radiotherapy: a framework to improve access in resource-constrained settings. Annals of Palliative Medicine. 8 (3), 274-284 (2019).
- Atun, R., et al. Expanding global access to radiotherapy. The Lancet. Oncology. 16 (10), 1153-1186 (2015).
- Yap, M. L., Zubizarreta, E., Bray, F., Ferlay, J., Barton, M. Global access to radiotherapy services: have we made progress during the past decade. Journal of Global Oncology. 2 (4), 207-215 (2016).
- Elmore, S. N. C., et al. C. al. Radiotherapy resources in Africa: an International Atomic Energy Agency update and analysis of projected needs. The Lancet. Oncology. 22 (9), e391-e399 (2021).
- Datta, N. R., Samiei, M., Bodis, S. Radiation therapy infrastructure and human resources in low- and middle-income countries: present status and projections for 2020. International Journal of Radiation Oncology, Biology, Physics. 89 (3), 448-457 (2014).
- Ward, Z. J., Scott, A. M., Hricak, H., Atun, R. Global costs, health benefits, and economic benefits of scaling up treatment and imaging modalities for survival of 11 cancers: a simulation-based analysis. The Lancet. Oncology. 22 (3), 341-350 (2021).
- Court, L. E., et al. Radiation Planning Assistant – a streamlined, fully automated radiotherapy treatment planning system. Journal of Visualized Experiments. (134), e57411 (2018).
- Nealon, K. A., et al. Using failure mode and effects analysis to evaluate risk in the clinical adoption of automated contouring and treatment planning tools. Practical Radiation Oncology. 12 (4), e344-e353 (2022).
- Kisling, K., et al. Automated treatment planning of postmastectomy radiotherapy. Medical Physics. 46 (9), 3767-3775 (2019).
- Xiao, Y., et al. Customizable landmark-based field aperture design for automated whole-brain radiotherapy treatment planning. Journal of Applied Clinical Medical Physics. 24 (3), e13839 (2022).
- Kisling, K., et al. Fully automatic treatment planning for external-beam radiation therapy of locally advanced cervical cancer: a tool for low-resource clinics. Journal of Global Oncology. 5, 1-9 (2019).
- Rhee, D. J., et al. Clinical acceptability of fully automated external beam radiotherapy for cervical cancer with three different beam delivery techniques. Medical Physics. 49 (9), 5742-5751 (2022).
- Rhee, D. J., et al. Automated radiation treatment planning for cervical cancer. Seminars in Radiation Oncology. 30 (4), 340-347 (2020).
- Rhee, D. J., et al. Automatic contouring system for cervical cancer using convolutional neural networks. Medical Physics. 47 (11), 5648-5658 (2020).
- Xiao, Y., et al. Automated WBRT treatment planning via deep learning auto-contouring and customizable landmark-based field aperture design. arXiv. , (2022).
- Hernandez, S., et al. Automating the treatment planning process for 3D-conformal pediatric craniospinal irradiation therapy. Pediatric Blood & Cancer. 70 (3), e30164 (2023).
- Huang, K., et al. Automation of radiation treatment planning for rectal cancer. Journal of Applied Clinical Medical Physics. 23 (9), e13712 (2022).
- Netherton, T. J., et al. An automated treatment planning framework for spinal radiation therapy and vertebral-level second check. International Journal of Radiation Oncology, Biology, Physics. 114 (3), 516-528 (2022).
- Olanrewaju, A., et al. Clinical acceptability of automated radiation treatment planning for head and neck cancer using the Radiation Planning Assistant. Practical Radiation Oncology. 11 (3), 177-184 (2021).
- Rhee, D. J., et al. Automatic contouring QA method using a deep learning-based autocontouring system. Journal of Applied Clinical Medical Physics. 23 (8), e13647 (2022).
- Rhee, D. J., et al. Automatic detection of contouring errors using convolutional neural networks. Medical Physics. 46 (11), 5086-5097 (2019).
- Kisling, K., et al. A risk assessment of automated treatment planning and recommendations for clinical deployment. Medical Physics. 46 (6), 2567-2574 (2019).
- Nealon, K. A., Court, L. E., Douglas, R. J., Zhang, L., Han, E. Y. Development and validation of a checklist for use with automatically generated radiotherapy plans. Journal of Applied Clinical Medical Physics. 23 (9), e13694 (2022).
