Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam menentukan perhitungan dosis serap yang optimal diperlukan nilai time-integrated activity coefficient (TIAC) yang akurat. Nilai TIAC diperoleh melalui fitting data menggunakan model fungsi matematis dengan metode Nonlinear Mixed-Effects Model (NLME). Fungsi terbaik diperoleh dengan melakukan model selection yang ditinjau melalui evaluasi Goodness of Fit. Namun, hasil dari model selection tidak selalu memenuhi Goodness of Fit sehingga sulit untuk mendapatkan fungsi terbaik, seperti halnya pada dosimetri lesi. Oleh karena itu, dibutuhkan metode yang dapat mengembangkan model selection dengan memperhatikan struktur parameter fungsi melalui optimisasi fixed effect dan random effect. Tujuan penelitian ini adalah mengetahui model fungsi matematis yang dapat menggambarkan data dan mengetahui pengaruh dari struktur parameter fungsi terhadap model selection. Data yang digunakan merupakan data biokinetik [111In]In-DOTATATE lesi dari 8 pasien yang diperoleh dari planar imaging. Fitting dilakukan menggunakan 13 fungsi Sum of Exponential (SOE). Fungsi yang tidak memenuhi Goodness of Fit dianalisa lebih lanjut dengan kombinasi fixed effectdan random effect. Pembobotan akaike digunakan untuk memilih fungsi yang paling merepresentasikan data. Fungsi terbaik yang diperoleh adalah fungsi dengan tidak mengestimasi nilai fixed effect dari parameter A1, Alpha, Lambda1 dan full random effectdimana memiliki nilai pembobotan akaike tertinggi sebesar 57,89%. Fungsi tersebut juga memiliki nilai maksimum Coefficient of Variation (CV) sebesar 39,71%. Penelitian ini berhasil menunjukan bahwa kombinasi fixed effect dan random effect berpengaruh terhadap model selection karena dapat mengurangi ketidakpastian dalam mengestimasi parameter melalui nilai Coefficient of Variation (CV) sehingga diperoleh fungsi terbaik dalam penentuan TIAC yang akurat pada dosimetri lesi.

---

In determining the calculation of the optimal absorbed dose, an accurate time-integrated activity coefficient (TIAC) value is required. TIAC values were obtained through data fitting using a mathematical function model with the Nonlinear Mixed-Effects Model (NLME) method. The best function is obtained by model selection which is determined by evaluated Goodness of Fit. However, the results of model selection do not always correspond to the Goodness of Fit, so it is difficult to obtain the best function, as is the case with lesion dosimetry. Therefore, a method is needed that can develop a model selection by examined the structure of function parameters through optimization of fixed effects and random effects. This study aims to determine the best function model that can describe the data and to determine the effect of the function parameter structure in model selection. Data lesion biokinetics of [111In]In-DOTATATE from eight patients acquired by planar imaging. Thirteen function Sum of Exponential (SOE) were used in fitting. The function not passing the Goodness of Fit test were fitted with a combination of fixed and random effect. The Akaike weights were used to select the fit function most supported by the data. The best function obtained is the function without estimating the fixed effect value of parameter A1, Alpha, Lambda1 dan full random effect which has the highest akaike weighting value of 57.89%. This function also has a maximum Coefficient of Variation (CV) value 39.71%. This study succeeded in showing that the combination of fixed effects and random effects had an effect on model selection because it reduced the Coefficient of Variation (CV) value so that the best function was obtained in determining the accurate TIAC in lesion dosimetry."

"Di dalam studi ini, kami mengidentifikasi parameter fisiologis yang paling penting dalam menentukan dosis serap (DS) individual organ at risk (OAR) dan tumor di dalam Peptide-receptor radionuclide therapy (PRRT). Oleh karena itu, global sensitivity analysis (GSA) dengan metode Sobol dan model physiologically-based pharmacokinetic (PBPK) digunakan. Model PBPK seluruh-tubuh yang telah dibangun untuk perencanaan pengobatan PRRT untuk pasien-pasien meningioma digunakan. Parameter-parameter fisiologis of interest untuk analisis GSA merupakan parameter yang sebelumnya telah diestimasi dari data biokinetik dan dilaporkan di dalam literature, yaitu densitas reseptor organ Rd, aliran serum organ f, laju degradasi, dan laju pengikatan peptide. GSA dengan metode Sobol dipilih berdasarkan akurasinya untuk studi-studi sensitivitas. Sebuah toolbox GSA berbasis MATLAB yang umum digunakan (https://www.safetoolbox.info/) dan program in-house berbasis software MATLAB  (versi R2018b) digunakan untuk analisis. Metode sampling dengan distribusi log-normal digunakan untuk menghindari nilai-nilai negatif dari parameter-parameter yang disampel. Efek-efek utama S_i dan efek-efek total S_Ti dihitung dan dianalisis menggunakan program GSA dan model PBPK untuk identifikasi pentingnya masing-masing parameter model i untuk individualisasi DS di dalam PRRT. Untuk menjamin konvergensi dari nilai S_i and S_Ti, berbagai jumlah simulasi model hingga 15000 sampel digunakan. Variabilitas inter-individual DS tumor (koefisien variasi KV mencapai 97.05%) lebih tinggi dibandingkan OAR (mis. Ginjal KV sekitar 31.59%). Densitas reseptor teridentifikasi sebagai parameter yang paling penting yang menentukan DS dari tumor, mis. [Rd_TU2]: S_i = 0.856, S_Ti = 0.951. Hasil yang sama juga ditemukan untuk OAR dimana densitas reseptor memiliki efek utama dan efek total yang paling tinggi  [Rd_K]: S_i = 0.802, S_Ti = 0.963. Kami telah menunjukan implementasi GSA yang pertama kali dengan metode Sobol untuk identifikasi parameter-parameter yang paling penting untuk individualisasi DS di dalam PRRT. Hasil yang kami miliki menyarankan pengukuran yang akurat terhadap densitas-densitas reseptor untuk sebuah penentuan DS tumor dan OAR yang akurat.

---

In this study, we identified the most important physiologic parameters determining the individual organ at risk and tumor absorbed doses (ADs) in Peptide-receptor radionuclide therapy (PRRT). Therefore, a global sensitivity analysis (GSA) with Sobol method and a physiologically-based pharmacokinetic (PBPK) model were used. A whole-body PBPK model that has been developed for treatment planning in PRRT therapy for meningioma patients was used. The physiologic parameters of interest for the GSA analysis were the parameters that have been previously estimated from the biokinetic data and were reported in the literature, i.e. the organ receptor densities Rd, organ flows f, organ release rates, and peptide binding rate. GSA with Sobol method was chosen based on its accuracy for sensitivity studies. A widely used GSA MATLAB-based toolbox (https://www.safetoolbox.info/) and an in-house program based on MATLAB software (version R2019b) were used for the analysis. The sampling method with a log-normal distribution was used to avoid any negative values of the sampled parameters. The main effects Si and total effects STi were calculated and analyzed using the GSA program and the PBPK model to identify the importance of each model parameter i for the individualization of the ADs in PRRT. To warrant the convergence of the calculated Si and STi, various numbers of model simulations up to 15000 samples were used. The inter-individual variability of tumor ADs (coefficients of variation CV up to 97.05%) was higher than that in the organ at risk (e.g. kidneys CV around 31.59%). Receptor density was identified as the most important parameters determined the ADs of tumors, e.g. [RdTU2]: Si = 0.856, STi = 0.951. The same results was found for the organ at risk where the receptor density had the highest main effect and total effect values, e.g. [RdK]: Si = 0.802, STi = 0.963. We have shown the first implementation of the GSA with the Sobol method to identify the most important parameters for the individualization of the calculated ADs in PRRT. Our results suggested an accurate measurement of the receptor densities for an accurate determination of the tumor and organ at risk ADs."

"Dosimetri berbasis pengukuran pencitraan single-time-point (STP) diperlukan dalam terapi radionuklida untuk mengurangi beban kerja dan beban pasien. Meski demikian, metode untuk menghitung simpangan baku dari time-integrated activity coefficient (TIAC) individu dari metode STP belum pernah dilaporkan dalam literatur. Studi ini bertujuan untuk memperkenalkan metode menggunakan Bayesian fitting (BF) untuk menghitung SB TIAC individu dalam dosimetri STP, serta menganalisis penggunaan data biokinetik dari populasi yang berbeda. Data biokinetik 177Lu-DOTATATE ginjal dari tujuh pasien yang diukur menggunakan SPECT/CT pada empat titik waktu diperoleh dari PMID33443063. Persamaan fitting menggunakan fungsi mono eksponensial. Bayesian fitting dengan metode varians relatif (BFr) dan varians absolut (BFa) digunakan untuk memperoleh TIAC kalkulasi (cTIAC) dari dosimetri STP. Performa metode STP dinilai melalui deviasi relatif (RD) antara cTIAC dengan rTIAC. Akurasi cTIAC dari metode BF dibandingkan terhadap akurasi metode STP dari studi Hänscheid. Data biokinetik 111In-DOTATATE dari PMID26678617 dilakukan crossed dan combined dengan data PMID33443063 untuk dianalisis perbedaannya dengan data awal (origin). Inspeksi visual dari fitting ATP menunjukkan hasil yang baik dengan CV dari parameter fitting <50%. Nilai RMSE dari %RD cTIAC untuk BFr, BFa dan metode Hänscheid masing-masing yaitu: 26.2%; 9.3%; dan 8.5%. SB dari cTIAC lebih besar dari rTIAC pada sebagian besar pasien. Nilai RMSE dari %RD untuk BF origin, crossed, dan combined masing-masing yaitu: 20.26%; 26.48%; dan 21.11%. Kesimpulannya, penelitian ini memperkenalkan metode BF untuk menghitung SB dari TIAC individu dalam dosimetri STP dengan tingkat akurasi yang baik. Penggunaan data populasi dari jenis radiofarmaka yang berbeda melalui metode combined tidak signifikan dalam mempengaruhi akurasi dosimetri STP. Metode BF dapat digunakan sebagai metode alternatif untuk analisis ketidakpastian dalam dosimetri STP.

---

Dosimetry method based on single-time-point (STP) imaging measurement is desirable in radionuclide therapy to reduce the workload and patient burden. Nevertheless, a method to calculate the standard deviation (SD) of the individual time-integrated activity coefficient (TIAC) from the STP method has never been reported in the literature. Therefore, this study aims to present a method based on the Bayesian fitting (BF) framework to calculate the SD of individual TIAC in the STP dosimetry, and to analyze the use of biokinetic data from different populations. Biokinetic data of 177Lu-DOTATATE in kidneys from seven patients measured by SPECT/CT at four-time points were obtained from PMID33443063. The mono exponential function was used for fitting. BF with relative (BFr) and absolute-based (BFa) variance methods were used to obtain the calculated TIACs (cTIACs) from the STP dosimetry. Performance of the STP method with BF methods was obtained by calculating the relative deviation (RD) between cTIACs and rTIACs. The accuracy of the cTIACs from the BF methods was compared to the accuracy of cTIACs from the STP method reported by Hänscheid. The 111In-DOTATATE biokinetic data from PMID26678617 were crossed and combined with PMID33443063 data to analyze the difference with the origin data. The visual inspection of ATP fittings showed a good fit for all patients with a CV of the fitted parameters <50%. The RMSE of cTIAC’s were 26.2% for BFr; 9.3% for BFa; and 8.5% for Hänscheid. The SD from cTIACs was greater than the rTIACs in most of the patients. The RMSE of %RD for BF origin, crossed, and combined were: 20.26%; 26.48%; and 21.11%, respectively. To conclude, this study introduces the BF method to calculate the SD of individual TIACs in STP dosimetry with good accuracy. The use of population data from different types of radiopharmaceuticals through the combined method did not significantly affect the accuracy of STP dosimetry. The BF method can be used as an alternative method for uncertainty analysis in STP dosimetry."

"Hanscheid et al (2018) merumuskan suatu fungsi yang dapat menghitung Integrated Activity Coefficients (TIAC). Akan tetapi, Hanscheid et al., (2018) tidak mencantumkan proses untuk menentukan fungsi monoexponential yang digunakan sebagai acuan rumus tersebut. Adapun tujuan dari penelitian ini yaitu menentukan model terbaik untuk menghitung nilai Time- (TIAC) secara akurat melalui tahapan seleksi model, serta melihat pengaruh model terbaik yang diperoleh terhadap fungsi yang diformulasikan oleh Hanscheid et al., (2018) dalam menghitung TIAC. Data yang digunakan dalam penelitian ini yaitu 8 data biodistribusi radiofarmaka 177Lu-DOTATATE pada organ ginjal pasien peptide-receptor radionuclide therapy PRRT. Data di-fitting menggunakan sejumlah fungsi sum of exponential. Selanjutnya dilakukan seleksi model berupa analisis goodness of fit serta menghitung nilai error absolut dan pembobotan Corrected Akaike Information Criterion (AICc). Selanjutnya, dilakukan perhitungan nilai TIAC menggunakan fungsi terbaik, rumus one time point dosimetry (OTPD), dan persamaan monoeksponensial. Nilai relative deviation (RD) antara nilai TIAC OTPD terhadap nilai TIAC hasil seleksi model dan TIAC monoeksponensial dihitung. Hasil dari seleksi model menyatakan bahwa fungsi terbaik dalam menggambarkan biodistribusi radiofarmaka 177Lu-DOTATATE pada organ ginjal dari data 6 pasien PRRT adalah fungsi . Fungsi terbaik untuk data pasien 2 yaitu fungsi dan untuk pasien 8 yaitu fungsi Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC monoeksponensial pada ginjal kiri yaitu (86,33 6,76)% pada t1, (21,56 18,09)% pada t2, (16,48 6,34)% pada t3, dan (19,85 11,96)% pada t4. Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC model terbaik dari ginjal kiri yaitu yaitu (87,88 4,06)% pada t1, (25,69 19,95)% pada t2, (17,37 )% pada t3, dan (23,46 20,17)% pada t4. Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC monoeksponensial ginjal kanan yaitu (86,91 5,27)% pada t1, (19,64 16,26)% pada t2, (12,63 2,22)% pada t3, dan (18,86 11,06)% pada t4. Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC model terbaik yaitu (86,98 4,98)% pada t1, (18,31 15,85)% pada t2, (11,92 )% pada t3, dan (18,41 12,33)% pada t4. Berdasarkan hasil penelitian yang diperoleh, rumus OTPD sudah cukup baik untuk diaplikasikan secara klinis pada pasien PRRT yang diinjeksi dengan radiofarmaka 177Lu-DOTATATE.

---

H�nscheid et al (2018) found a function that can calculate TIAC by using a single time point measurement, so that with only one measurement, TIAC values can be obtained only in patients. The purpose of this study is to determine the best model to calculate TIAC values ??accurately through the model selection stage, and to see the effect of the best model obtained on the function formulated by H�nscheid et al., (2018) in calculating TIAC. The data used in this study were 8 data on the biodistribution of the radiopharmaceutical 177Lu-DOTATATE on renal organ peptide receptor radionuclide therapy of PRRT patients. Data adjustment using a number of exponential functions. After the fitting process is carried out, the model selection is carried out in the form of goodness of fit analysis and calculates the absolute weighting value and the AICc weighting. Next, the TIAC value is calculated using the best function, the one time point dosimetry (OTPD) formula, and the monoexponential equation. The relative deviation value (RD) between the TIAC OTPD values to the TIAC values ??from the model selection and the monoexponential TIAC was calculated. The result of model selection stated that the best function in describing the biodistribution of the radiopharmaceutical 177Lu-DOTATATE in the kidney from the data of 6 PRRT patients was the function . Meanwhile, the best function for patient 2 is the function and for patient 8, the function is . The mean and standard deviation of RD from TIAC OTPD to monoexponential TIAC in the left kidney is (86.33±6.76)% at t1, (21.56±18.09)% at t2, (16, 48±16.34)% at t3, and (19.85±11.96)% at t4. The mean and standard deviation of RD from TIAC OTPD to the best model TIAC of the left kidney is (87.88±4.06)% at t1, (25.69±19.95)% at t2, (17 .37±24.37)% at t3, and (23.46±20.17)% at t4. The mean and standard deviation of RD from TIAC OTPD to monoexponential TIAC in the right kidney is (86.91±5.27)% at t1, (19.64±16.26)% at t2, (12.63 ±12.22)% at t3, and (18.86±11.06)% at t4. The mean and standard deviation of RD from TIAC monoexponential TIAC to the best TIAC model in the right kidney is (86.98±4.98)% at t1, (18.31±15.85)% at t2, (11.92± 13.29)% at t3, and (18.41±12.33)% at t4. Based on the research, the TIAC OTPD seems to be good enough for clinical application in PRRT patients injected with the radiopharmaceutical 177Lu-DOTATATE."

"Tujuan penelitian ini untuk menentukan model terbaik dengan menggunakan fungsi sum of exponential (SOE) untuk menggambarkan biodistribusi dari radiofarmaka 111In-DOTATATE, mengevaluasi pengaruh dataset terhadap seleksi model, dan mengevaluasi pengaruh dari model error intraindividual terhadap perhitungan AUC pada radioterapi molekular. Penelitian ini menggunakan data sekunder berupa data biokinetik tumor pasien PRRT dari 4 pasien tumor meningioma dan 5 neuroendokrin setelah injeksi pra-terapi 111In-DOTATATE. Dari data tersebut dilakukan digitasi, dan data hasil digitasi di-fitting menggunakan 16 fungsi SOE. Model terbaik ditentukan dengan kriteria goodness of fit dan nilai pembobotan Corrected Akaike Information Criterion (AICc). Kemudian, dilakukan metode jackknife dengan menghilangkan data 1 pasien dan menentukan model terbaiknya. Kemudian, semua data di-fitting menggunakan model terbaik dengan beberapa model error, terdiri dari error konstan, proporsional dan eksponensial. Hasil model terbaik yang dapat menggambarkan biodistribusi radiofarmaka 111In-DOTATATE pada tumor ditunjukkan fungsi dengan pembobotan AICc 94,7%. Perubahan dataset tidak terlalu mempengaruhi seleksi model, sebagian besar hasil jackknife menunjukkan f3b sebagai model terbaik = 77,78% dan bukan model terbaik = 22,22%. Selain itu, Semua model error di-fitting dengan model terbaik menghasilkan nilai AUC yang hampir sama yaitu konstan = (3,09±2,70) nmol·min, proporsional = (3,09±2,69) nmol·min, dan eksponensial = (3,09±2,70) nmol·min. Berdasarkan hasil penelitian yang diperoleh, seleksi model dengan NLME menunjukkan hasil yang cukup stabil dan bentuk error konstan, proporsional dan eksponensial dapat digunakan dengan baik untuk menentukan AUC pada pasien PRRT yang diinjeksi dengan radiofarmaka 111In-DOTATATE.

---

The aim of the study was to determine the best model using the sum of exponential (SOE) function to describe the biodistribution of 111In-DOTATATE radiopharmaceuticals, evaluate the effect of the dataset on model selection, and evaluate the effect of the intraindividual error model on AUC calculations in molecular radiotherapy. This study used secondary data in the form of tumor biokinetic data from PRRT patients from 4 meningioma and 5 neuroendocrine tumor patients after pre-therapy 111In-DOTATATE Injection. The data was digitized, and the digitized data was fitted using 16 SOE functions. The best model was determined by the goodness of fit criteria and the Corrected Akaike Information Criterion (AICc) weighting. Next, the jackknife method was carried out by removing 1 patient's data and the best model was determined. Then, all the data was fitted using the best function with several error models, consisting of constant, proportional, and exponential errors. The result obtained was the best model that can describe the biodistribution of 111In-DOTATATE radiopharmaceuticals in tumors which is shown by the function with an AICc weighting of 94,7%. The results showed that there is an influence of the dataset on model selection. In general, the jackknife results showed f3b as the best function = 77,78% and not the best function = 22,22%. In additional, all error model fitted with the best function tent to be similar in the AUC calculation, i.e. constant = (3,09±2,70) nmol·min, proportional = (3,09±2,69) nmol·min, and exponential = (3,09±2,70) nmol·min. Based on the results of the study, model selection with NLME showed quite stable results and constant, proportional and exponential error forms could be used well to determine AUC in PRRT patients injected with 111In-DOTATATE radiopharmaceutical.

"

"Penelitian ini bertujuan melakukan seleksi terhadap saham-saham di Bursa Efek Indonesia yang termasuk dalam daftar indeks LQ45 secara berturut-turut pada periode Februari 2009 sampai dengan Januari 2012. Metode seleksi menggunakan single-index model metode cut-off rate. Saham-saham hasil seleksi ini kemudian dioptimasi dengan menggunakan metode Markowitz dan Treynor-Black. Selain membandingkan kinerja kedua metode tersebut, dalam penelitian ini membandingkan kinerja masing-masing metode optimasi dengan kinerja portofolio menggunakan single-index model metode cut-off rate. Hasil dari penelitian ini menunjukkan bahwa optimasi menggunakan metode Markowitz memberikan kinerja lebih baik dibanding dengan menggunakan metode Treynor-Black, metode Markowitz juga menghasilkan perbaikan kinerja pada portofolio single-index model metode cut-off rate. Namun secara statistik dengan menggunakan uji t berpasangan, perbandingan kinerja diantara metode optimasi portofolio yang digunakan tidak menghasilkan perbedaan yang signifikan baik antara metode Markowitz dengan Treynor-Black, maupun antara masing-masing metode tersebut dengan kinerja portofolio single-index model metode cut-off rate.

---

This study aims to undertake a selection of stocks in the Indonesia Stock Exchange which are included in the LQ45 index list respectively in the period February 2009 to January 2012. The selection method is using single-index model with cut-off rate method. Shares of the selection results are then optimized by using Markowitz and Treynor-Black method. In addition to comparing the performance of both methods, this study also compares the performance of each optimization method to portfolio performance by using single-index model with cut-off rate method.

The results of this study show that optimization using Markowitz method gives better performance than the Treynor-Black, Markowitz method also gives improved performance in single-index model portfolio with cut-off rate method. But statistically using paired t-test, performance comparison between portfolio optimization methods used did not show significant differences. This comparison includes between Markowitz and Treynor-Black method, and also between each of these methods and single-index model portfolio performance with cut-off rate method."

"Individual Treatment Planning (ITP) direkomendasikan dalam peptide receptor radionuclide therapy (PRRT). Namun, metode Fixed Dose Treatment Planning (FDP) telah sering dipilih daripada ITP di klinik karena kompleksitas dan beban kerja yang tinggi dari pengukuran biokinetik yang dibutuhkan dalam ITP. Oleh karena itu, dalam penelitian ini dilakukan studi Population and Covariate Model (POPCOV) untuk menyederhanakan proses ITP dengan menggunakan parameter yang mudah diukur, daripada menggunakan data biokinetik untuk melakukan ITP di PRRT dengan minimal Physiologically Based Pharmacokinetic (mPBPK) Model. Semua sistem biologis yang bersifat penting dalam PRRT seperti ginjal dan darah dikembangkan dalam model mPBPK. Data biokinetik dari 9 pasien dengan meningioma atau tumor neuroendokrin setelah injeksi pra-terapi yaitu 111In-DOTATATE digunakan untuk pengembangan model. Metode POPCOV digunakan untuk memprediksi parameter yang tidak diketahui dari model mPBPK menggunakan masing-masing kovariat. Adapun unknown/fitted parameter yang diestimasi yaitu reseptor densitas di ginjal (Rk) reseptor densitas di organ rest (RRest) laju degradasi (λrelease) dan laju pengikatan peptida ke albumin dalam darah (konAlb). Selain itu, tujuh parameter kovariat dari pasien yang digunakan untuk analisis, yaitu berat badan, usia, luas permukaan tubuh (BSA), laju filtrasi glomerulus (GFR), volume ginjal, volume limpa, dan volume hati. Metode seleksi bertahap (forward dan backward) digunakan untuk pemilihan kovariat dan penentuan final model POPCOV. Dalam tahap evaluasi dan validasi final model POPCOV diuji dengan membandingkan time integrated activity coefficient (TIACs) ​​dari FDP dan metode ITP konvensional. Berdasarkan analisis metode POPCOV, GFR diidentifikasi sebagai kovariat terbaik untuk Rk untuk variasi data biokinetik yang berbeda dan RRest untuk 9 data biokinetik. Adapun final model kovariat untuk Rk dengan 11 data biokinetik adalah [Rk] (10-15mol/l) = 6.32x106*(GFR/0.09)(0.67), Rk dengan 10 data biokinetik adalah [Rk] (10-15mol/l) = 6.28x106*(GFR/0.10)(0.80), Rk dengan 9 data biokinetik adalah [Rk] (10-15mol/l) = 6.37x106*(GFR/0.11)(1.18), dan RRest dengan 9 data biokinetik adalah [RRest] (10-15mol/l) = 0.17x106*(GFR/0.11)(1.01). Hasil ini menunjukkan bahwa kinerja POPCOV sekitar 20% lebih baik daripada FDP untuk ginjal. Hasil penelitian menunjukkan bahwa metode POPCOV dapat digunakan sebagai metode alternatif dalam PRRT untuk memprediksi TIAC ginjal jika data biokinetik individu tidak tersedia.

---

ABSTRACTIndividual Treatment Planning (ITP) is recommended in Peptide-Receptor Radionuclide Therapy (PRRT). However, Fixed Dose Treatment Planning (FDP) method has been frequently chosen over the ITP in the clinic due to the complexities and high workload of the biokinetic measurements. In this study, a Population and Covariate Model (POPCOV) was implemented to simplify the ITP process by using easy measured parameters, instead of using the biokinetic data, to perform ITP in PRRT with minimal Physiologically based Pharmacokinetic (mPBPK) model. All important biological systems in PRRT, e.g. kidneys and blood, were modeled using the developed mPBPK model. The biokinetic data of 9 patients with meningioma or neuroendocrine tumors after pre-therapeutic injection of 111In-DOTATATE was used for the model development. POPCOV method was used to predict the unknown parameters of the PBPK model using the individual covariates. The unknown parameters were the receptor density in the kidney (Rk), receptor density in the rest organ (RRest), degradation rate (λrelease) and binding rate of peptide to the albumin in blood (konAlb). Seven individual covariates of the investigated patients were used for the analysis, i.e. body weight, age, body surface area (BSA), glomerular filtration rate (GFR), kidneys volume, spleen volume, and liver volume. Stepwise selection procedures (forward selection and backward elimination) were used for the covariate selection and the derivation of the final model. The performance of the final model was tested by comparing the predicted time integrated activity coefficient (TIACs) from the FDP and conventional ITP method. Based on POPCOV analysis, GFR was identified as the best covariate for Rk with variations of different biokinetic data and RRest for 9 biokinetic data. The final covariate model of Rk with 11 biokinetic data was: [Rk] (10-15mol/l) = 6.32x106*(GFR/0.09)(0.67), Rk with 10 biokinetic data was: [Rk] (10-15mol/l) = 6.28x106*(GFR/0.10)(0.80), Rk with 9 biokinetic data was: [Rk] (10-15mol/l) = 6.37x106*(GFR/0.11)(1.18), and RRest with 9 biokinetic data was: [RRest] (10-15mol/l) = 0.17x106*(GFR/0.11)(1.01). These results indicated that the performance of POPCOV was around 20% better than the FDP for the kidneys. The results showed that the POPCOV method can be used as an alternative method in PRRT to predict kidneys TIACs in case where the individual biokinetic data is unavailable."