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

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.