{"id":13191,"date":"2026-02-24T10:42:17","date_gmt":"2026-02-24T13:42:17","guid":{"rendered":"https:\/\/rtmedical.com.br\/monte-carlo-radioterapia-guia-completa\/"},"modified":"2026-04-03T18:55:48","modified_gmt":"2026-04-03T21:55:48","slug":"monte-carlo-radioterapia-guia-completa","status":"publish","type":"post","link":"https:\/\/rtmedical.com.br\/es\/monte-carlo-radioterapia-guia-completa\/","title":{"rendered":"Monte Carlo en Radioterapia: Gu\u00eda Completa"},"content":{"rendered":"
\n

Contenido de esta Gu\u00eda<\/h2>\n
    \n
  1. \u00bfQu\u00e9 es Monte Carlo y por qu\u00e9 transforma la radioterapia?<\/a><\/li>\n
  2. Or\u00edgenes hist\u00f3ricos: de Los \u00c1lamos a la f\u00edsica m\u00e9dica<\/a><\/li>\n
  3. Fundamentos de la simulaci\u00f3n Monte Carlo<\/a><\/li>\n
  4. T\u00e9cnicas de reducci\u00f3n de varianza<\/a><\/li>\n
  5. Modelado de fuentes fot\u00f3nicas externas<\/a><\/li>\n
  6. Electrones y braquiterapia: modelado de fuentes espec\u00edficas<\/a><\/li>\n
  7. Haces de iones y dise\u00f1o de dispositivos<\/a><\/li>\n
  8. Entrega din\u00e1mica de haz y Monte Carlo 4D<\/a><\/li>\n
  9. Aplicaciones cl\u00ednicas en fotones<\/a><\/li>\n
  10. C\u00e1lculo de dosis en paciente<\/a><\/li>\n
  11. Protones y control de calidad con Monte Carlo<\/a><\/li>\n
  12. Inteligencia artificial y futuro del Monte Carlo<\/a><\/li>\n
  13. Art\u00edculos dedicados de esta gu\u00eda<\/a><\/li>\n
  14. Referencias y lectura complementaria<\/a><\/li>\n<\/ol>\n<\/div>\n

    \u00bfQu\u00e9 es Monte Carlo en Radioterapia y por qu\u00e9 transforma el c\u00e1lculo de dosis?<\/h2>\n

    La simulaci\u00f3n Monte Carlo en radioterapia<\/strong> constituye el m\u00e9todo m\u00e1s preciso disponible para calcular la distribuci\u00f3n de dosis absorbida en tejido humano. Funciona rastreando millones \u2014 a veces miles de millones \u2014 de part\u00edculas individuales a trav\u00e9s de la geometr\u00eda del acelerador lineal y la anatom\u00eda del paciente, utilizando muestreo aleatorio de distribuciones de probabilidad basadas en secciones eficaces f\u00edsicas conocidas.<\/p>\n

    A diferencia de los algoritmos anal\u00edticos tipo pencil beam<\/em> o collapsed cone convolution<\/em>, Monte Carlo no aproxima el transporte de radiaci\u00f3n: lo simula part\u00edcula por part\u00edcula. Cada fot\u00f3n, electr\u00f3n o prot\u00f3n generado sigue su propia trayectoria estoc\u00e1stica, interactuando con la materia seg\u00fan las leyes de la f\u00edsica de radiaciones. El resultado es una distribuci\u00f3n de dosis que captura correctamente efectos dif\u00edciles para m\u00e9todos deterministas: interfaces tejido-aire, heterogeneidades \u00f3seas, campos peque\u00f1os y geometr\u00edas complejas de colimaci\u00f3n multil\u00e1minas (MLC).<\/p>\n

    \"Acelerador<\/p>\n

    El libro Monte Carlo Techniques in Radiation Therapy<\/em> (2.\u00aa ed., CRC Press, 2022), editado por Frank Verhaegen y Jo\u00e3o Seco, re\u00fane contribuciones de m\u00e1s de 40 expertos internacionales y ofrece el tratamiento m\u00e1s completo disponible sobre este tema. Esta gu\u00eda sintetiza las ideas centrales de sus 17 cap\u00edtulos, organizados en tres partes: fundamentos te\u00f3ricos, modelado de fuentes y c\u00e1lculo de dosis en paciente. Para cada \u00e1rea tem\u00e1tica, se enlaza un art\u00edculo dedicado que profundiza en los detalles t\u00e9cnicos espec\u00edficos.<\/p>\n

    \u00bfPor qu\u00e9 dedicar una gu\u00eda completa a este m\u00e9todo? Porque Monte Carlo ha pasado de ser una herramienta exclusiva de investigaci\u00f3n a convertirse en el est\u00e1ndar cl\u00ednico en sistemas de planificaci\u00f3n de tratamiento (TPS) comerciales como Monaco (Elekta), RayStation (RaySearch) y ACUROS XB (Varian). Comprender sus principios ya no es opcional para el f\u00edsico m\u00e9dico moderno.<\/p>\n

    La relevancia pr\u00e1ctica se manifiesta en situaciones cl\u00ednicas cotidianas. Cuando un onc\u00f3logo radioterapeuta necesita tratar un tumor pulmonar rodeado de tejido de baja densidad, los algoritmos tipo pencil beam<\/em> pueden sobrestimar la dosis al tumor entre un 5% y un 15%. Monte Carlo, al rastrear cada electr\u00f3n secundario a trav\u00e9s de la interfaz tejido-aire, captura correctamente la p\u00e9rdida de equilibrio electr\u00f3nico lateral y genera distribuciones de dosis fidedignas. Lo mismo ocurre en campos peque\u00f1os de radiocirug\u00eda, donde el rango lateral de los electrones secundarios es comparable al tama\u00f1o del campo, o en tratamientos con modulaci\u00f3n de intensidad (IMRT\/VMAT) que emplean segmentos de campo reducido.<\/p>\n

    Or\u00edgenes hist\u00f3ricos: de Los \u00c1lamos a la f\u00edsica m\u00e9dica<\/h2>\n

    El m\u00e9todo Monte Carlo naci\u00f3 durante el Proyecto Manhattan en la d\u00e9cada de 1940, cuando Stanislaw Ulam, John von Neumann y Nicholas Metropolis necesitaban resolver problemas de difusi\u00f3n de neutrones demasiado complejos para soluciones anal\u00edticas. Ulam, recuper\u00e1ndose de una enfermedad, jugaba solitario y se pregunt\u00f3 cu\u00e1l era la probabilidad de ganar. En lugar de calcularla anal\u00edticamente, pens\u00f3 en jugar muchas partidas y contar los \u00e9xitos. Esa idea \u2014 resolver problemas deterministas mediante muestreo aleatorio repetido \u2014 se convirti\u00f3 en el n\u00facleo del m\u00e9todo.<\/p>\n

    Metropolis sugiri\u00f3 el nombre “Monte Carlo” en referencia al famoso casino de M\u00f3naco, donde el t\u00edo de Ulam sol\u00eda apostar. Los primeros c\u00e1lculos se ejecutaron en el ENIAC, uno de los primeros computadores electr\u00f3nicos, simulando el transporte de neutrones a trav\u00e9s de materiales f\u00edsiles. El art\u00edculo seminal de Metropolis y Ulam, publicado en 1949 en el Journal of the American Statistical Association<\/em>, formaliz\u00f3 el m\u00e9todo y sent\u00f3 las bases matem\u00e1ticas que se utilizan hasta hoy.<\/p>\n

    La transici\u00f3n a la f\u00edsica m\u00e9dica ocurri\u00f3 gradualmente. En las d\u00e9cadas de 1960 y 1970, investigadores comenzaron a usar Monte Carlo para estudiar la deposici\u00f3n de dosis de fotones y electrones en agua. El desarrollo del sistema de c\u00f3digo EGS (Electron Gamma Shower<\/em>) en el Stanford Linear Accelerator Center (SLAC) marc\u00f3 un punto de inflexi\u00f3n. EGS, y posteriormente EGSnrc, proporcionaron un marco robusto y validado para simular el transporte acoplado de fotones y electrones en medios arbitrarios.<\/p>\n

    Otros c\u00f3digos fundamentales surgieron en paralelo: MCNP en Los \u00c1lamos (originalmente para neutrones, luego extendido a fotones y electrones), PENELOPE en la Universidad de Barcelona, GEANT en el CERN y FLUKA en el INFN. El c\u00f3digo BEAMnrc, derivado de EGS, se convirti\u00f3 en la herramienta est\u00e1ndar para modelar aceleradores lineales cl\u00ednicos completos. Para profundizar en la evoluci\u00f3n cronol\u00f3gica completa y los hitos computacionales, consulta el art\u00edculo dedicado a los fundamentos del Monte Carlo en radioterapia<\/a>.<\/p>\n\n\n\n\n\n\n\n\n\n\n
    Tabla 1. C\u00f3digos Monte Carlo principales en f\u00edsica m\u00e9dica<\/caption>\n
    C\u00f3digo<\/th>\nInstituci\u00f3n<\/th>\nPart\u00edculas<\/th>\nAplicaci\u00f3n principal<\/th>\n<\/tr>\n<\/thead>\n
    EGSnrc \/ BEAMnrc<\/td>\nNRC Canad\u00e1 \/ SLAC<\/td>\nFotones, electrones<\/td>\nModelado de LINAC, dosimetr\u00eda<\/td>\n<\/tr>\n
    MCNP \/ MCNPX<\/td>\nLANL<\/td>\nNeutrones, fotones, electrones<\/td>\nProtecci\u00f3n radiol\u00f3gica, braquiterapia<\/td>\n<\/tr>\n
    PENELOPE<\/td>\nUniv. Barcelona<\/td>\nFotones, electrones, positrones<\/td>\nBaja energ\u00eda, braquiterapia<\/td>\n<\/tr>\n
    GEANT4<\/td>\nCERN<\/td>\nTodas<\/td>\nProtonterapia, investigaci\u00f3n<\/td>\n<\/tr>\n
    FLUKA<\/td>\nCERN \/ INFN<\/td>\nTodas<\/td>\nIones pesados, radioprotecci\u00f3n<\/td>\n<\/tr>\n
    TOPAS<\/td>\nMGH \/ SLAC<\/td>\nProtones, iones<\/td>\nProtonterapia cl\u00ednica<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

    Fundamentos de la simulaci\u00f3n Monte Carlo para c\u00e1lculo de dosis<\/h2>\n

    Toda simulaci\u00f3n Monte Carlo se reduce a dos operaciones b\u00e1sicas: muestrear n\u00fameros aleatorios de distribuciones de probabilidad conocidas y acumular la magnitud de inter\u00e9s (t\u00edpicamente, energ\u00eda depositada por unidad de masa). La precisi\u00f3n depende exclusivamente de la f\u00edsica implementada en las secciones eficaces y del n\u00famero de historias simuladas.<\/p>\n

    El transporte de part\u00edculas cargadas presenta un desaf\u00edo computacional particular. Un electr\u00f3n de 10 MeV puede sufrir del orden de $10^5$ a $10^6$ interacciones coulombianas antes de detenerse. Simular cada interacci\u00f3n individualmente (transporte an\u00e1logo) resulta computacionalmente prohibitivo. La soluci\u00f3n es la t\u00e9cnica de historia condensada<\/strong> (condensed history<\/em>, CH), propuesta por Berger en 1963: agrupar m\u00faltiples interacciones suaves en pasos macrosc\u00f3picos, aplicando teor\u00edas de dispersi\u00f3n m\u00faltiple (Moli\u00e8re, Goudsmit-Saunderson) y p\u00e9rdida continua de energ\u00eda (CSDA).<\/p>\n

    La historia condensada introduce artefactos sutiles pero relevantes. El cruce de interfaces entre materiales diferentes \u2014 por ejemplo, hueso y tejido blando \u2014 requiere algoritmos especiales de cruce de frontera (boundary crossing<\/em>) para evitar errores sistem\u00e1ticos. EGSnrc implementa el algoritmo PRESTA-II, mientras que PENELOPE usa un esquema mixto clase II que simula expl\u00edcitamente las colisiones por encima de ciertos umbrales de energ\u00eda y agrupa las restantes.<\/p>\n

    Las secciones eficaces gobiernan la probabilidad de cada tipo de interacci\u00f3n. Para fotones: efecto fotoel\u00e9ctrico, dispersi\u00f3n Compton, producci\u00f3n de pares y dispersi\u00f3n Rayleigh. Para electrones: dispersi\u00f3n el\u00e1stica, excitaci\u00f3n e ionizaci\u00f3n, producci\u00f3n de bremsstrahlung. Estas secciones eficaces provienen de bases de datos evaluadas como EPDL97 (fotones) y EEDL (electrones) del Lawrence Livermore National Laboratory. La precisi\u00f3n de estas bibliotecas de datos ha sido validada exhaustivamente contra mediciones experimentales, y su implementaci\u00f3n correcta en el c\u00f3digo de transporte determina en gran medida la fiabilidad de los resultados.<\/p>\n

    El generador de n\u00fameros pseudoaleatorios (PRNG) constituye otro componente cr\u00edtico. Una simulaci\u00f3n Monte Carlo t\u00edpica consume miles de millones de n\u00fameros aleatorios, y la calidad del PRNG \u2014 per\u00edodo, uniformidad, independencia entre secuencias \u2014 puede afectar los resultados si no se selecciona adecuadamente. EGSnrc utiliza el generador RANMAR con per\u00edodo de $2^{144}$, suficiente para cualquier simulaci\u00f3n pr\u00e1ctica. Los c\u00f3digos modernos ofrecen adem\u00e1s la capacidad de reproducir exactamente una simulaci\u00f3n reinicializando la semilla del PRNG, lo que facilita la depuraci\u00f3n y la validaci\u00f3n.<\/p>\n

    $$D = \\frac{1}{N} \\sum_{i=1}^{N} \\frac{E_{dep,i}}{m_{voxel}}$$<\/p>\n

    La ecuaci\u00f3n anterior expresa el estimador b\u00e1sico de dosis: la energ\u00eda depositada $E_{dep}$ dividida por la masa del v\u00f3xel $m_{voxel}$, promediada sobre $N$ historias. La incertidumbre estad\u00edstica disminuye como $1\/\\sqrt{N}$, lo que implica que reducir la incertidumbre a la mitad requiere cuadruplicar el n\u00famero de historias. Este es el compromiso fundamental del m\u00e9todo: precisi\u00f3n versus tiempo de c\u00e1lculo. El art\u00edculo sobre fundamentos del Monte Carlo<\/a> detalla las ecuaciones de transporte y los esquemas de muestreo.<\/p>\n

    T\u00e9cnicas de reducci\u00f3n de varianza: eficiencia sin perder precisi\u00f3n<\/h2>\n

    Las t\u00e9cnicas de reducci\u00f3n de varianza (VRT) permiten obtener la misma incertidumbre estad\u00edstica con menos historias simuladas, o equivalentemente, menor incertidumbre con el mismo tiempo de c\u00e1lculo. No alteran el valor esperado del resultado \u2014 solo reducen su varianza.<\/p>\n

    \"Equipo<\/p>\n

    Las t\u00e9cnicas cl\u00e1sicas incluyen:<\/p>\n