lyprox
1.0.0
Ini adalah aplikasi web Django yang menampilkan pola rinci dari metastasis limfatik pada kanker kepala & leher dan memungkinkan seseorang untuk mengeksplorasi kumpulan data yang mendasarinya secara lebih rinci. Itu dihosting di bawah URL https://lyprox.org.
HNSCC menyebar melalui sistem limfatik di leher dan membentuk metastasis di kelenjar getah bening regional. Metastasis makroskopis dapat dideteksi dengan modalitas pencitraan seperti MRI, PET dan CT scan. Akibatnya, radioterapi tersebut dimasukkan ke dalam volume target ketika radioterapi dipilih sebagai bagian pengobatan. Namun, metastasis mikroskopis terlalu kecil untuk didiagnosis dengan teknik pencitraan saat ini.
Untuk menjelaskan keterlibatan mikroskopis ini, bagian dari sistem limfatik sering disinari secara elektif untuk meningkatkan pengendalian tumor. Bagian mana yang termasuk dalam volume target klinis elektif ini saat ini ditentukan berdasarkan pedoman 1 2 3 4 . Hal ini selanjutnya berasal dari laporan prevalensi keterlibatan per tingkat kelenjar getah bening (LNL), yaitu porsi pasien yang didiagnosis dengan metastasis pada LNL tertentu, dikelompokkan berdasarkan lokasi tumor primer. Direkomendasikan untuk memasukkan LNL ke dalam volume target elektif jika 10 - 15% pasien menunjukkan keterlibatan pada level tersebut.
Namun, meskipun prevalensi keterlibatan HNSCC telah dilaporkan dalam literatur , dan jalur drainase limfatik secara umum telah dipahami dengan baik, pola perkembangan rinci HNSCC masih belum dapat diukur dengan baik. Kami percaya bahwa risiko keterlibatan mikroskopis dalam LNL sangat bergantung pada diagnosis spesifik pasien tertentu dan pengobatan mereka dapat disesuaikan jika pola perkembangannya dapat diukur dengan lebih baik.
Dengan antarmuka, tujuan utama kami adalah membuat kumpulan data yang kami ekstrak mudah diakses. Dengan memvisualisasikannya secara interaktif, seseorang dapat dengan cepat menguji atau menghasilkan hipotesis mengenai penyebaran HNSCC melalui limfatik. Mudah-mudahan, hal ini dapat memotivasi peneliti lain untuk menyelidiki hipotesis ini, mengekstraksi, dan membagikan lebih banyak data dengan detail serupa.
Hal ini, pada gilirannya, akan memungkinkan kita (atau siapa pun) untuk membangun model perkembangan tumor yang lebih akurat dan tepat. Misalnya seperti penelitian sebelumnya tentang penggunaan jaringan Bayesian untuk memprediksi kemungkinan keterlibatan yang dipersonalisasi 7 atau publikasi terbaru kami mengenai masalah ini menggunakan model Markov tersembunyi dan dengan demikian memperkenalkan cara pemodelan waktu yang eksplisit 8 .
Data yang divisualisasikan dalam antarmuka ini berada di repositori sumber terbuka: lyDATA.
Kami juga telah menerbitkan makalah tentang kumpulan data dan antarmuka di Radioterapi & Onkologi 9 , dengan pracetak tersedia di medRxiv 10 .
Kami juga mengerjakan model probabilistik 7 8 yang dapat memprediksi penyebaran kanker kepala & leher melalui limfatik. Kode yang mendasarinya di-host di repositori lain: getah bening.
Ada dua cara Anda dapat berkontribusi pada proyek ini:
Jika Anda ingin menghosting data Anda sendiri atau mencoba tampilan data Anda di aplikasi web tanpa melakukan upload, silakan ikuti petunjuk berikut untuk mengaktifkan dan menjalankannya di komputer lokal Anda.
Vincent Grégoire dan Lainnya, Seleksi dan penggambaran volume target kelenjar getah bening pada radioterapi konformal kepala dan leher. Proposal untuk standarisasi terminologi dan prosedur berdasarkan pengalaman bedah , Radioterapi dan Onkologi , vol. 56, hal.135-150, 2000, doi: https://doi.org/10.1016/S0167-8140(00)00202-4. ↩
Vincent Grégoire, A. Eisbruch, M. Hamoir, dan P. Levendag, Proposal untuk penggambaran nodal CTV pada node-positif dan leher pasca operasi , Radioterapi dan Onkologi , vol. 79, tidak. 1, hal. 15-20, April 2006, doi: https://doi.org/10.1016/j.radonc.2006.03.009. ↩
Vincent Grégoire dkk., Penggambaran tingkat kelenjar leher untuk tumor kepala dan leher: Pembaruan tahun 2013. DAHANCA, EORTC, HKNPCSG, NCIC CTG, NCRI, RTOG, pedoman konsensus TROG , Radioterapi dan Onkologi , vol. 110, tidak. 1, hal. 172-181, Januari 2014, doi: https://doi.org/10.1016/j.radonc.2013.10.010. ↩
Julian Biau dkk., Pemilihan volume target kelenjar getah bening untuk terapi radiasi kepala dan leher definitif: Pembaruan 2019 , Radioterapi dan Onkologi , vol. 134, hlm. 1-9, Mei 2019, doi: https://doi.org/10.1016/j.radonc.2019.01.018. ↩
Jati. P. Shah, FC Candela, dan AK Poddar, Pola metastasis kelenjar getah bening serviks dari karsinoma skuamosa rongga mulut , Kanker , vol. 66, tidak. 1, hal. 109-113, 1990, doi: https://doi.org/10.1002/1097-0142(19900701)66:1%3C109::AID-CNCR2820660120%3E3.0.CO;2-A. ↩
Laurence Bauwens dkk., Prevalensi dan distribusi metastasis kelenjar getah bening serviks pada karsinoma sel skuamosa orofaringeal HPV-positif dan HPV-negatif , Radioterapi dan Onkologi , vol. 157, hlm. 122-129, April 2021, doi: https://doi.org/10.1016/j.radonc.2021.01.028. ↩
Bertrand Pouymayou, P. Balermpas, O. Riesterer, M. Guckenberger, dan J. Unkelbach, Model jaringan Bayesian dari perkembangan tumor limfatik untuk definisi CTV elektif yang dipersonalisasi pada kanker kepala dan leher , Fisika dalam Kedokteran & Biologi , vol. 64, tidak. 16, hal. 165003, Agustus 2019, doi: https://doi.org/10.1088/1361-6560/ab2a18. ↩ ↩ 2
Roman Ludwig, B. Pouymayou, P. Balermpas, dan J. Unkelbach, Model Markov tersembunyi untuk perkembangan tumor limfatik di kepala dan leher , Sci Rep , vol. 11, tidak. 1, hal. 12261, Desember 2021, doi: https://doi.org/10.1038/s41598-021-91544-1. ↩ ↩ 2
Roman Ludwig dkk., Pelaporan pasien-individu terperinci tentang keterlibatan kelenjar getah bening pada karsinoma sel skuamosa orofaringeal dengan antarmuka online , Radioterapi dan Onkologi , Februari 2022, doi: https://doi.org/10.1016/j.radonc.2022.01 .035. ↩
Romawi Ludwig, J.-M. Hoffmann, B. Pouymayou dkk., Pelaporan pasien-individu terperinci tentang keterlibatan kelenjar getah bening pada karsinoma sel skuamosa orofaringeal dengan antarmuka online , medRxiv , Desember 2021. doi: https://doi.org/10.1101/2021.12.01.21267001. ↩
