Consistentere kwaliteit en hogere efficiëntie
Bij ieder bestralingsplan volautomatisch de kennis van eerder gemaakte plannen meenemen, zodat een consistente, hoge kwaliteit ontstaat. Dat is in een notendop wat knowledge based planning is. Het Zuidwest Radiotherapeutisch Instituut (ZRTI) past deze technologie toe om snellere en betere bestralingsplannen te maken voor prostaatkankerpatiënten. Andere patiëntgroepen volgen.
Fiere Claassen is klinisch fysicus bij ZRTI en trekker van het project Automated Planning. Ze vertelt dat ZRTI op zoek was naar een manier om de workflow te optimaliseren. “Onze leverancier Varian biedt hiervoor de tool Rapidplan.” Met deze software bouw je een model op basis van eerder gemaakte bestralingsplannen van andere patiënten. Op basis van het te bestralen gebied en de kritieke gezonde organen die daaromheen liggen, doet de software volautomatisch een voorstel voor een bestralingsplan voor nieuwe patiënten. Waar nodig kan een laborant (medisch beeldvormings- en bestralingsdeskundige) dit plan aanpassen. Claassen legt uit hoe dat werkt. “Nadat de arts het doelgebied heeft ingetekend, maakt de laborant een bestralingsplan, waarbij het de kunst is om de tumor zo goed mogelijk te bestralen en de omliggende organen zo goed als mogelijk te sparen. Tot nu toe moest de laborant altijd veel handmatige handelingen uitvoeren tijdens het maken van het bestralingsplan. De automatisering levert tijdwinst op en zorgt voor consistentere en hoogwaardiger bestralingsplannen. Bij handmatige planningen moet de laborant de beste dosisverdeling inschatten voor een specifieke patiënt, terwijl de tool dat al weet op basis van resultaten uit het verleden. Dat betekent dat je bij handmatige planningen een groter risico hebt op een suboptimaal plan en een grotere variatie in kwaliteit.”
Grondig onderzoek
ZRTI heeft vooraf uitgebreid onderzoek gedaan naar de voor- en nadelen van het automatisch opstellen van bestralingsplannen. Claassen: “We zijn begonnen met twee modellen voor prostaatpatiënten. Het eerste model is specifiek voor bestralingsplannen gericht op alleen de prostaat, en het tweede model is voor bestralingsplannen gericht op de prostaat en de zaadblaasjes of voor bestraling op de prostaatloge (patiënten waarbij de prostaat verwijderd is). Voor beide groepen hebben we een model gebouwd op basis van intekeningen (structuren) en dosisverdeling. Tijdens het maken van het model geeft het systeem met bepaalde statistische parameters aan of er plannen in het model zitten die het model beïnvloeden. Bijvoorbeeld doordat het doelgebied of een orgaan heel anders van vorm is dan bij andere patiënten in het model. Deze uitzonderingen hebben we waar nodig uit het model gehaald. De definitieve modellen zijn gebaseerd op respectievelijk 119 en 71 bestralingsplannen. We testten de modellen door bij zowel patiënten binnen als buiten het model op twee manieren een plan te maken: volautomatisch en handmatig. Hieruit bleek dat de automatische manier een hele goede en vooral consistente kwaliteit levert.”
Verbeterideeën
Het team deed enkele interessante inzichten en verbeterideeën op. “De software houdt rekening met bepaalde vooraf gedefinieerde parameters, de zogenaamde objectives. Deze objectives moeten ervoor zorgen dat het bestralingsplan altijd aan bepaalde eisen voldoet. Tevens kun je er de uitkomsten van het model mee sturen. Tijdens de testfase hebben we de objectives verder geoptimaliseerd, waardoor we nog betere plannen kunnen maken.”
Een ander inzicht is dat de definitie van het doelgebied en de kritieke organen rondom niet altijd op dezelfde manier worden ingetekend, waardoor er verschillen ontstaan in de bestralingsplannen. “Met deze nieuwe software komt dit duidelijker aan het licht en kunnen we artsen instrueren hoe zij consistenter kunnen intekenen”, zegt Claassen.
Ook de discussies die nu in het team ontstaan, vindt ze waardevol. “Toen we de modellen aan het ontwikkelen waren, keken we nog beter naar de planningen: hebben we in het verleden altijd de juiste afwegingen gemaakt? Daardoor reflecteren we meer. Als de laboranten een verbetermogelijkheid in het model zien, komen ze direct naar mij of mijn collega klinisch fysicus. Dat is mooi.”
Voordelen
Geautomatiseerd bestralingsplannen opstellen levert twee belangrijke voordelen op. Het eerste voordeel is de tijdwinst van ongeveer 15 tot 20 minuten per patiënt voor laboranten. Claassen: “Zij hoeven nu geen overlapgebieden meer te definiëren. Alleen het doelgebied en de risico-organen moeten van tevoren ingetekend worden en de software doet vervolgens de rest. Daardoor hebben ze meer tijd over om de kwaliteit van het voorgestelde plan te beoordelen en eventueel handmatig iets aan te passen als daar reden toe is. Ook houden ze meer tijd over voor bijvoorbeeld de moeilijkere patiëntcasussen die buiten een geautomatiseerd model vallen. En er blijft natuurlijk meer tijd over voor innovatie.”
Het tweede voordeel is een hogere consistentie van de plannen. “Bij handmatig plannen maak je iedere keer opnieuw de afweging hoe belangrijk het is om het doelgebied volledig te bestralen of een orgaan iets meer te sparen. Die afweging is natuurlijk heel lastig, het is kiezen uit twee kwaden. Bij de geautomatiseerde werkwijze hoeft de laborant die afweging niet meer zelf te maken, dat doet de software op basis van het model. De keuzes zitten immers al in je model verwerkt. Natuurlijk moet je alsnog handmatig plannen wanneer een arts iets anders wil dan wat het model aangeeft. Door de tijdwinst die automatisering oplevert, ontstaat voldoende ruimte om ook in die situatie een voor de individuele patiënt optimaal plan te maken.”
Claassen constateert dat toepassing van RapidPlan bij ZRTI tot tevreden gezichten leidt. “Eigenlijk is iedereen enthousiast: klinisch fysici, laboranten, artsen. We zetten samen de stap naar een hogere efficiency en consistentere kwaliteit.”
Machine learning
In de zorg wordt veel gesproken over de toepassing van artificial intelligence (AI) en machine learning. Waar bij knowledge based systemen het model eenmalig wordt getraind op basis van data die je er vooraf in stopt, leert machine learning van iedere case die wordt geanalyseerd, zonder dat het model daarvoor opnieuw geprogrammeerd hoeft te worden. RapidPlan is dus een machine learning tool, al is het nog in een basale vorm.
In de radiologie en pathologie vinden de eerste meer geavanceerde AI-toepassingen hun weg naar de markt, bijvoorbeeld beeldherkenningsalgoritmen die zelfstandig een leasie kunnen herkennen op een MRI- of CT-scan. Zo ver is het nog niet in de radiotherapie, omdat de complexiteit vele malen groter is. Niels Wijdogen, managing director van Varian, besluit: “Voor vergevorderde AI is het in ons vakgebied nog te vroeg. Maar dat wil niet zeggen dat je niet nu al veel tijd kunt besparen met knowledge based planning. Wacht de ontwikkelingen niet af, maar grijp nu al de kans om tijd te besparen en de kwaliteit van plannen te verbeteren.”
