Identification of thyroid gland activity in radioiodine therapy

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F17%3A00472057" target="_blank" >RIV/67985556:_____/17:00472057 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1016/j.imu.2017.02.004" target="_blank" >http://dx.doi.org/10.1016/j.imu.2017.02.004</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.imu.2017.02.004" target="_blank" >10.1016/j.imu.2017.02.004</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Identification of thyroid gland activity in radioiodine therapy

Popis výsledku v původním jazyce

The Bayesian identification of a linear regression model (called the biphasic model) for time dependence of thyroid gland activity in 131I radioiodine therapy is presented. Prior knowledge is elicited via hard parameter constraints and via the merging of external information from an archive of patient records. This prior regularization is shown to be crucial in the reported context, where data typically comprise only two or three high-noise measurements. The posterior distribution is simulated via a Langevin diffusion algorithm, whose optimization for the thyroid activity application is explained. Excellent patient-specific predictions of thyroid activity are reported. The posterior inference of the patient-specific total radiation dose is computed, allowing the uncertainty of the dose to be quantified in a consistent form. The relevance of this work in clinical practice is explained.

Název v anglickém jazyce

Identification of thyroid gland activity in radioiodine therapy

Popis výsledku anglicky

The Bayesian identification of a linear regression model (called the biphasic model) for time dependence of thyroid gland activity in 131I radioiodine therapy is presented. Prior knowledge is elicited via hard parameter constraints and via the merging of external information from an archive of patient records. This prior regularization is shown to be crucial in the reported context, where data typically comprise only two or three high-noise measurements. The posterior distribution is simulated via a Langevin diffusion algorithm, whose optimization for the thyroid activity application is explained. Excellent patient-specific predictions of thyroid activity are reported. The posterior inference of the patient-specific total radiation dose is computed, allowing the uncertainty of the dose to be quantified in a consistent form. The relevance of this work in clinical practice is explained.

Druh

J_SC - Článek v periodiku v databázi SCOPUS

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Informatics in Medicine Unlocked

ISSN

2352-9148

e-ISSN

—

Svazek periodika

7

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

NL - Nizozemsko

Počet stran výsledku

11

Strana od-do

23-33

Kód UT WoS článku

—

EID výsledku v databázi Scopus

2-s2.0-85016324996