Estimación de la dosis de radiación ocupacional en cardiología intervencionista basada en aprendizaje automático.

Estimación de la dosis de radiación ocupacional en cardiología intervencionista basada en aprendizaje automático.

«Machine learning-based estimation of occupational radiation dose in interventional cardiology» Radiation Protection Dosimetry, 2025, 201(10), 690–700 https://doi.org/10.1093/rpd/ncaf064. Advance access publication date 20 June 2025

1. Contexto y Problema

La cardiología intervencionista (IC) es una especialidad médica donde el personal está frecuentemente expuesto a niveles elevados de radiación. Dado que la exposición ocupacional puede alcanzar niveles altos, es fundamental contar con métodos efectivos de protección y monitoreo de la radiación. Los procedimientos de IC se han vuelto cada vez más frecuentes debido a los avances tecnológicos, e implican tiempos de exposición prolongados durante la fluoroscopia guiada, lo que resulta en dosis considerables para el personal médico.

El monitoreo rutinario es esencial para evaluar la efectividad de las medidas de protección. Sin embargo, la dependencia de dosímetros físicos presenta limitaciones:

1. Pueden introducir incertidumbres significativas, especialmente en campos de radiación no uniformes o complejos, debido a la energía de la radiación y la tasa de dosis.
2. Se requiere una calibración precisa de los dosímetros, lo que exige una implementación cuidadosa y un mantenimiento regular.
3. El uso recomendado de múltiples dosímetros (uno debajo y otro encima del equipo de protección, y a veces adicionales para manos y ojos) plantea desafíos, como la posible pérdida o la fijación inadecuada.

En contraste con las incertidumbres de los métodos convencionales, los algoritmos de aprendizaje automático (ML) tienen el potencial de ofrecer predicciones más precisas al adaptarse a condiciones operativas cambiantes.

2. Objetivos del Estudio

El objetivo principal de esta investigación fue emplear diversos algoritmos de aprendizaje automático para monitorear y predecir las dosis de radiación del personal sin depender de la dosimetría personal física. Este enfoque ofrece una alternativa que no requiere medición continua y puede hacer predicciones basadas en parámetros predefinidos, buscando mejorar la seguridad radiológica.

Los objetivos específicos incluyeron:

• Identificar el algoritmo de ML más adecuado para conjuntos de datos con este tipo de distribuciones.
• Determinar la significancia de las variables que influyen en los niveles de exposición del personal en la sala de angiografía.

3. Metodología

3.1. Generación de Datos (Simulación Monte Carlo)

Para entrenar los algoritmos de ML, se utilizó la técnica de simulación Monte Carlo N-Particle (MCNP), ampliamente reconocida por su precisión en el transporte de radiación y la caracterización de distribuciones de dosis en entornos médicos.

Se diseñó una sala virtual de angiografía 3D de 6 × 6 × 6 m³ para reflejar entornos clínicos realistas. El modelo incluyó un paciente en una mesa de operaciones.

Se crearon 560 escenarios de simulación únicos para capturar variaciones en la exposición del personal. Las simulaciones variaron:

• Posiciones del personal: Múltiples distancias y ángulos con respecto al paciente.
• Características del personal: Altura (1.5 a 1.8 m) y peso (50 a 90 kg).
• Niveles de energía de radiación (X-ray): 50 a 110 keV.
• Distancia personal-fuente: 2.14 a 3.24 m.

Las dosis de radiación absorbidas calculadas en MCNP se utilizaron como datos de referencia (variables dependientes) para el entrenamiento de los modelos de ML.

3.2. Algoritmos de Aprendizaje Automático

Se utilizaron cinco algoritmos de ML, con el objetivo de evaluar sus fortalezas y limitaciones para identificar el modelo con la mayor precisión predictiva:

1. Gradient Boosting (GBoost): Técnica de conjunto que construye secuencialmente múltiples modelos predictivos débiles (como árboles de decisión), corrigiendo los errores de los modelos anteriores.
2. K-nearest neighbors (KNN): Algoritmo supervisado que compara un nuevo punto de datos con sus vecinos más cercanos.
3. Random Forest (RF): Otro método de conjunto que construye múltiples árboles de decisión, agregando sus resultados para mejorar la estabilidad y mitigar el sobreajuste.
4. Linear Regression (LR): Modela la relación entre variables mediante el ajuste de una ecuación lineal.
5. Decision Tree (DT): Divide el conjunto de datos en subconjuntos basados en valores de características, formando un modelo de decisiones similar a un árbol.

El conjunto de datos se dividió en una proporción de 80/20 para entrenamiento y pruebas, respectivamente.

3.3. Métricas de Evaluación

El rendimiento de cada modelo se evaluó mediante tres métricas clave:

• Coeficiente de Determinación (R^2): Mide qué tan bien puede predecir un modelo; valores más cercanos a 1 indican mejor rendimiento.
• Error Cuadrático Medio (MSE): Representa la media de los cuadrados de los errores; un MSE menor indica predicciones más alineadas con los valores verdaderos.
• Error Absoluto Medio (MAE): Mide la desviación absoluta promedio de las predicciones con respecto a los valores calculados; un valor bajo de MAE sugiere una desviación promedio mínima.

4. Resultados y Discusión

4.1. Rendimiento del Algoritmo

Los modelos de ML demostraron ser capaces de predecir eficazmente los niveles de dosis. Los valores de R^2 variaron entre 0.9855 y 0.6671, lo que indica un rendimiento efectivo general de todos los algoritmos en la predicción de dosis.

El algoritmo Gradient Boosting (GBoost) fue el más exitoso.

• El GBoost obtuvo el mejor rendimiento con un R^2 promedio de 0.9748.
• También mostró los valores promedio más bajos de error: MSE promedio de 1.87 E–13 y MAE promedio de 2.61E – 07.
• Visualmente, el GBoost exhibió la frecuencia más baja de diferencias entre los valores calculados por MCNP y los predichos por el algoritmo (distribución de desviación), lo que señala resultados predictivos superiores.

Otros algoritmos exitosos:

• Random Forest (RF) y Decision Tree (DT) también exhibieron un rendimiento predictivo exitoso, con valores promedio de R^2 de 0.9569 y 0.9423, respectivamente.
• El KNN, aunque tuvo un R^2 aceptable (0.9297 promedio), mostró los valores de MSE y MAE más altos entre los algoritmos probados, lo que indica la tasa de éxito de pronóstico más baja.
• La Regresión Lineal (LR) tuvo el R}^2 menos favorable (0.6845 promedio) en comparación con los demás, aunque demostró predicciones exitosas en términos de MSE y MAE.

4.2. Importancia de las Variables

Al analizar la contribución de los parámetros al proceso de aprendizaje del modelo, se determinó que la distancia juega un papel significativamente más crucial en las predicciones de dosis. En contraste, la energía de la fuente y la altura del personal fueron factores comparativamente menos influyentes.

5. Conclusión e Implicaciones

El estudio concluye que los algoritmos de aprendizaje automático son efectivos para predecir dosis de radiación individuales para el personal médico en una sala de angiografía, sin requerir dosimetría personal física.

El algoritmo GBoost demostró ser el más exitoso y preciso. Este marco de trabajo podría optimizar las prácticas de monitoreo de radiación, haciendo que las evaluaciones de dosis sean más accesibles y eficientes para el uso rutinario en entornos clínicos. Este enfoque novedoso busca contribuir a la mejora de la gestión de la protección radiológica a través del monitoreo de dosis personales [1].

[1] Kevser A. Hı¸sıroglu˘ , Ozan Toker, Melis T. Öz¸sahin, Orhan  Içelli. Machine learning-based estimation of occupational radiation dose in interventional cardiology. Radiation Protection Dosimetry, 2025, 201(10), 690–700. https://doi.org/10.1093/rpd/ncaf064.