Acoplamiento de métodos prospectivos y reactivos para análisis de riesgo en medicina con radiaciones ionizantes / Matching between prospective and reactive methods for risk analysis in ionizing radiation medicine

Resumen Entre los enfoques prospectivos más empleados a nivel mundial para la medicina con radiaciones ionizantes está la matriz de riesgo y los análisis de modos y efectos de fallo. Por otra parte, existen varios sistemas reconocidos a nivel mundial para análisis de riesgo reactivo en estas prácticas, destacándose ROSIS, SAFRON y ARIR. En la investigación se persigue desarrollar y aplicar una metodología de integración de los métodos referidos para el análisis de riesgo en la medicina con radiaciones ionizantes. Su informatización se realizó con el código cubano SECURE-MR-FMEA versión 3.0. Se propuso una taxonomía para la base de datos de incidentes (BDI) acoplada al software y se programó el análisis de correspondencia de los modelos estudiados de radioterapia para facilitar su selección por criterios de expertos. Los resultados de este acoplamiento permiten validar los modelos de estudios prospectivos empleados, analizando su cobertura y representatividad en la BDI, así como para el análisis de las causas raíces o básicas. Dentro de los patrones de riesgo más representados están los del acelerador lineal y cobaltoterapia. Los estudios realizados en este ámbito han sido comparados con algunos similares reportados, demostrándose la coherencia de los resultados. La BDI ha sido enriquecida con la consulta de reportes publicados sobre medicina nuclear y el transporte de material radiactivo, para poder aplicar las facilidades creadas. Esta investigación facilita la toma de decisiones más eficaz y efectiva, para la mejora de la seguridad y calidad de la medicina con radiaciones ionizantes.

Abstract The most useful prospective methods to risk analysis in ionizing radiation medicine are the risk matrix and the failure mode and effect analysis. In another hand, at the world level developed various systems for reactive risk analysis, for example ROSIS, SAFRON and ARIR. In the research will follow to development and use an integration methodology of these methods. This approach was introduced in the Cuban code SECURE MR-FMEA version 3.0. A specific taxonomy for the incident data base (IDB) coupled with the code was developed and it was created the correspondence analysis of studied models for radiotherapy for allows the selection by expert criteria. The result of this matching allows the validation of the risk patterns by risk matrix or FMEA approach, through the coverage or representative studies in the incident data base. The most representative risk patterns in the incident data base are the linear accelerator and cobalt therapy. The comparison between the results of the investigation and other similar studies are available in the paper. The IDB incorporated de radionuclide therapy and transport of radioactive materials events.This research facilitates the decision-making in improvements of safety and culture in the ionizing radiation medicine.

Development of clinically based prediction models using machine learning and Bayesian statistics / Desarrollo de modelos de predicción basados clínicamente utilizando aprendizaje automático y estadísticas bayesianas

Abstract In this work, the framework for developing generic clinically based models is emphasized and illustrated with Bayesian statistics neurologic grade prediction models in order to exemplify the type of models that can be developed from a mathematical point of view. The models are based on clinical records of patients who underwent radiotherapy treatment due to glioblastoma which is an aggressive brain cancer. A first model requires as a parameter the neurologic grade of the patient before the treatment then predicts the grade after the treatment. A second, enhanced, model was developed with the aim of making the prediction more realistic and it uses the neurologic grade before the treatment as well, but it additionally depends on the Clinical Target Volume (CTV). Furthermore, with the aid of Bayesian statistic we were able to estimate the uncertainty of the predictions.

Resumen En este trabajo el marco teórico, para desarrollar modelos genéricos basados en datos clínicos, se enfatiza e ilustra con estadísticas bayesianas las cuales predicen grados neurológicos para ilustrar los tipos de modelos que se pueden desarrollar desde un punto de vista matemático. Los modelos se basan en datos clínicos de pacientes que se han sometido a radioterapia por causa de un glioblastoma, el cual es un cáncer de cerebro agresivo. Un primer modelo requiere como parámetro el grado neurológico del paciente antes del tratamiento y predice el grado después del tratamiento. Un segundo modelo, mejorado, fue desarrollado con el propósito de hacerlo más real, éste emplea también el grado neurológico antes del tratamiento; además depende del Volumen Blanco Clínico (CTV por sus siglas en inglés). Por último, con el uso de estadísticas bayesianas fue posible estimar la incertidumbre de las predicciones.