Ruolo predittivo dosimetrico della parete vescicale nella radioterapia convenzionale della prostata: integrazione di intelligenza artificiale e modellizzazione statistica

Background:Radiotherapy (RT) is a well-established curative option for prostate cancer, yet genitourinary toxicity may affect treatment tolerance and quality of life. Identifying dosimetric predictors and developing reliable risk models are key steps toward more personalized treatment planning.Purpose:To investigate the predictive role of bladder wall dosimetric parameters for urinary toxicity in patients undergoing conventional radiotherapy for prostate cancer, integrating statistical modeling and machine learning approaches.Materials and Methods:A retrospective study analyzed clinical and dosimetric data, including DVH-derived metrics, and urinary toxicity endpoints (e.g., dysuria and pollakiuria) graded according to standardized criteria. Statistical models and machine learning approaches were developed and evaluated; performance was assessed using sensitivity, specificity, and ROC-AUC, including model comparisons.Results:Specific bladder wall dosimetric parameters were identified as significantly associated with the occurrence of urinary toxicity, particularly dysuria and pollakiuria at different grades. These parameters showed a predictive value for genitourinary toxicity, supporting the relevance of bladder wall dosimetry in outcome assessment. Machine learning approaches were explored as complementary tools within the predictive analysis framework.Conclusions:Bladder wall dosimetric analysis combined with statistical and machine learning modeling provides a framework to support urinary toxicity risk assessment in prostate radiotherapy and may contribute to treatment individualization.

Introduzione:La radioterapia (RT) rappresenta uno dei pilastri terapeutici nel trattamento del carcinoma della prostata. Nonostante i progressi tecnologici, la tossicità genitourinaria rimane una delle principali limitazioni cliniche, con impatto significativo sulla qualità di vita dei pazienti. L’identificazione di parametri dosimetrici affidabili e di modelli predittivi accurati è pertanto cruciale per una pianificazione terapeutica personalizzata.Obiettivi:Valutare il ruolo predittivo dei parametri dosimetrici della parete vescicale nella comparsa di tossicità urinaria acuta nei pazienti sottoposti a radioterapia convenzionale per carcinoma della prostata, integrando approcci di modellizzazione statistica e algoritmi di machine learning.Materiali e Metodi:Studio retrospettivo con analisi di dati clinici e dosimetrici, includendo metriche derivate da DVH e valutazione degli endpoint di tossicità urinaria (es. disuria e pollachiuria) secondo criteri standardizzati. Sono stati costruiti e valutati modelli statistici e modelli di machine learning; le performance sono state stimate tramite metriche quali sensibilità, specificità e AUC (ROC), con confronto tra modelli.Risultati:Sono stati identificati specifici parametri dosimetrici della parete vescicale significativamente associati alla comparsa di tossicità urinaria, in particolare disuria e pollachiuria a diversi gradi. Tali parametri si sono dimostrati predittivi del rischio di tossicità genitourinaria, confermando il ruolo della dosimetria della parete vescicale nella valutazione degli esiti clinici. L’impiego di approcci di machine learning è stato esplorato come strumento complementare nell’analisi predittiva.Conclusioni:L’analisi dosimetrica della parete vescicale e l’uso integrato di modellistica statistica e machine learning rappresentano un approccio utile per studiare e supportare la predizione della tossicità urinaria nella RT prostatica, con potenziali ricadute sulla personalizzazione del trattamento.