| Yhteenveto: | Sädehoidossa potilaalle tehdään yksilöllinen annossuunnitelma, jonka mukaan hoito toteutetaan. Kaikilta annokseen vaikuttavilta tekijöiltä vaaditaan suurta tarkkuutta. Uusi lähestymistapa annossuunnitelmien laadunvarmistukseen on tiedonlouhintaan ja koneoppimiseen perustuvien menetelmien hyödyntäminen. Kyseisillä menetelmillä voidaan muodostaa hoidossa aiemmin toteutetuista annossuunnitelmista malli, jonka avulla voidaan havaita uusien annossuunnitelmien poikkeavuudet, ja näin lisätä sädehoidon turvallisuutta.
Tutkimuksen tavoitteena oli muodostaa SOM- ja PNN-neuroverkoilla malli, jolla voidaan havaita poikkeavuuksia annossuunnitelmista. Mallia varten haettiin rinnanpoiston jälkeisten kolmella kentällä toteutettujen sädehoitojen annossuunnitelmien parametreja Oulun yliopistollisen sairaalan sädehoidon yksikön tietokannasta. Malli muodostettiin erikseen fotoni- ja elektronikentille. Tutkimuksessa keskityttiin havaitsemaan kenttien monitoriyksiköiden ja elektronikenttien säteilyenergioiden poikkeavuuksia. Lisäksi työssä selvitettiin, kuinka Matlab-ohjelmistolla voidaan muodostaa tietokantayhteys OYS:n Aria-tietokantaan, mikä mahdollistaa poikkeavuuksien havaitsemismallin käyttöönoton annossuunnitelmien tarkastuksessa.
Tulosten perusteella tutkimuksessa muodostetulla mallilla onnistuttiin havaitsemaan keinotekoisesti tehtyjä virheitä hyvin. Mallilla todettiin olevan myös hyvä yleistyskyky. Lisäksi tietokantayhteys Matlab-ohjelmistolla onnistui, mikä mahdollistaa Matlab-pohjaisen annossuunnitelmien tarkastustyökalun kytkemisen annossuunnittelujärjestelmän rinnalle sädehoidon turvallisuutta lisäämään. Poikkeavuuksien havaitsemismallin soveltaminen muihin annossuunnitelmatyyppeihin ja -parametreihin vaatii vielä lisätutkimusta.
|
|---|