dc.title: Enhanced predictive modelling of toxicities in gynecologic cancer patients treated with high dose rate brachytherapy using SyedNeblett or Fletcher-Suit-Delclos tandem and ovoid applicators: a machine learning perspective
dc.contributor.author: Portocarrero Bonifaz, Andres
dc.description.abstract: This doctoral thesis presents an advanced predictive modeling approach for assessing
toxicities in gynecologic cancer patients treated with high-dose-rate (HDR)
brachytherapy. Using machine learning algorithms such as Support Vector Machines,
Random Forest, and Neural Networks, the study aims to enhance the accuracy of
toxicity predictions, thereby allowing the clinician to optimize treatment plans and
improving patient outcomes. This research focuses on patients treated with SyedNeblett or Fletcher-Suit-Delclos tandem and ovoid applicators, commonly used in
brachytherapy procedures. Objectives include comparing dosimetric profiles and
associated toxicities between the two applicator types, investigating the predictive
value of non-dosimetric factors, evaluating the performance of various machine
learning models against traditional statistical methods, and identifying the most
effective predictive model through rigorous cross-validation and feature selection
techniques. A comprehensive dataset, one of the most sizeable in this topic, serves as
the basis for training and testing the models. By integrating demographic, treatment,
and tumor-related data, the study aims to develop ML models that offer a superior
performance compared to existing methods. The findings highlight the potential of
machine learning to revolutionize brachytherapy planning by providing physicians with
precise, patient-specific risk assessments, ultimately enhancing the quality of care for
gynecologic cancer patients. This research not only advances the field of radiation
oncology but also contributes valuable insights into the integration of machine learning
in clinical practice, paving the way for more effective and personalized cancer
treatments.; Esta tesis doctoral propone un método innovador para predecir toxicidades en
pacientes con cáncer ginecológico tratados con braquiterapia de alta tasa de dosis
(HDR) y radioterapia externa (EBRT). Combinando conocimientos de Física de
Radiaciones Ionizantes, Oncología y Ciencia de Datos, se emplean algoritmos de
Machine Learning, como Support Vector Machines, Random Forest y Redes
Neuronales, para entrenar y desarrollar modelos multivariables que integran variables
de dosis de radiación, datos demográficos, factores clínicos y características del
tratamiento, entre otros. En primer lugar, el estudio, basado en una de las bases de
datos más grandes utilizadas en este campo, con más de 12 años de recolección de
datos, compara los aplicadores Syed-Neblett y Fletcher-Suit-Delclos, destacando la
importancia de crear modelos multivariables en lugar de depender únicamente de la
práctica histórica de utilizar tolerancias de dosis derivadas de estudios poblacionales.
Posteriormente, se explora el uso del Machine Learning como herramienta predictiva
en pacientes con cáncer ginecológico tratados con HDR y EBRT, realizando un análisis
exhaustivo sobre cómo entrenar estos modelos de manera óptima para apoyar
tratamientos de radiación más personalizados y efectivos. Los hallazgos subrayan el
potencial del Machine Learning para revolucionar la planificación de la braquiterapia al
proporcionar a los médicos evaluaciones de riesgo precisas y adaptadas a cada
paciente, mejorando así la calidad de la atención en pacientes con cáncer ginecológico.
↧