![\"Equipo](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/mc-simulacao-ct-paciente-radioterapia.jpg\")
La simulaci\u00f3n MC proporciona la precisi\u00f3n dosim\u00e9trica necesaria para caracterizar estos modificadores din\u00e1micos, verificar distribuciones de dosis del TPS y realizar c\u00e1lculos independientes de unidades monitoras (MU). Su superioridad en tejidos de baja densidad como pulm\u00f3n \u2014 comparada con los algoritmos anal\u00edticos convencionales \u2014 convierte al MC en la elecci\u00f3n natural para aplicaciones de radioterapia 4D. Un modelo MC din\u00e1mico debidamente validado puede servir como herramienta de comisionamiento para reemplazar mediciones extensas y complicadas, especialmente cuando la resoluci\u00f3n o precisi\u00f3n de las mediciones es cuestionable. M\u00e9todos precisos de c\u00e1lculo de dosis tambi\u00e9n son necesarios para reconstruir la dosis entregada al paciente a partir de archivos log registrados durante el tratamiento.<\/p>\n
Este art\u00edculo profundiza en las estrategias de simulaci\u00f3n para entrega din\u00e1mica de haz, geometr\u00edas 4D del paciente, efectos de interplay entre movimiento del haz y del paciente, y aplicaciones novedosas que llevan al MC m\u00e1s all\u00e1 de lo que cualquier TPS comercial ofrece actualmente. Para una perspectiva m\u00e1s amplia sobre c\u00f3mo funciona el m\u00e9todo, consulte nuestro art\u00edculo sobre fundamentos del Monte Carlo<\/a>.<\/p>\n Desarrollar algoritmos MC para modelar la entrega din\u00e1mica requiere un plano geom\u00e9trico extremadamente preciso: cada componente de los dispositivos modificadores de haz debe describirse en t\u00e9rminos de geometr\u00eda, composici\u00f3n at\u00f3mica y posicionamiento dependiente del tiempo. Los enfoques para simular geometr\u00edas din\u00e1micas abarcan, en orden de complejidad creciente, desde la modificaci\u00f3n de pesos de part\u00edculas, pasando por m\u00faltiples simulaciones est\u00e1ticas de estados geom\u00e9tricos discretos, hasta tratar el movimiento del haz como un problema probabil\u00edstico donde la geometr\u00eda se muestrea part\u00edcula por part\u00edcula.<\/p>\n El enfoque m\u00e1s simple surgi\u00f3 de t\u00e9cnicas ya utilizadas en algoritmos anal\u00edticos de c\u00e1lculo de dosis. Los factores de ponderaci\u00f3n se determinan a partir de la atenuaci\u00f3n lineal mediante ray tracing a trav\u00e9s de la geometr\u00eda del modificador de haz. Las variaciones temporales de las posiciones del modificador se contabilizan escalando estos factores por la fracci\u00f3n del tiempo total de entrega que el modificador bloquea la trayectoria del haz. Ma et al. (2000) aplicaron esta t\u00e9cnica para recalcular planes de IMRT del TPS CORVUS, computando mapas de intensidad 2D a partir de archivos de secuencia de l\u00e1minas, acumulando MUs para \u00e1reas no bloqueadas y, para \u00e1reas bloqueadas, ponderando por la fuga promedio de las l\u00e1minas.<\/p>\n Una limitaci\u00f3n cr\u00edtica es que la no uniformidad de los pesos de part\u00edculas genera mayor varianza estad\u00edstica. Para mejorar la uniformidad de pesos, se puede aplicar particle splitting a part\u00edculas con pesos grandes, mientras que la ruleta rusa reduce el n\u00famero de part\u00edculas con pesos bajos. Sin embargo, estas t\u00e9cnicas de reducci\u00f3n de varianza a\u00f1aden complejidad al c\u00f3digo de simulaci\u00f3n. El enfoque tambi\u00e9n ignora el efecto del tongue-and-groove de las l\u00e1minas y las contribuciones de dispersi\u00f3n desde las hojas del MLC.<\/p>\n El m\u00e9todo SCS ejecuta m\u00faltiples simulaciones discretas de estados geom\u00e9tricos individuales y resulta l\u00f3gico cuando los cambios de geometr\u00eda ocurren en pasos discretos \u2014 por ejemplo, IMRT step-and-shoot. Para una geometr\u00eda continuamente variable, debe imponerse un l\u00edmite razonable al n\u00famero de muestras geom\u00e9tricas y, por tanto, a la resoluci\u00f3n temporal. Una consideraci\u00f3n pr\u00e1ctica importante: simular m\u00e1s geometr\u00edas no necesariamente alarga el tiempo total de c\u00e1lculo porque el n\u00famero total de historias puede distribuirse entre las geometr\u00edas individuales. El overhead proviene de la preparaci\u00f3n de archivos de entrada, la inicializaci\u00f3n y el post-procesamiento. Las simulaciones individuales pueden ejecutarse en paralelo y recombinarse despu\u00e9s, o cada simulaci\u00f3n puede reiniciarse desde la anterior con geometr\u00eda actualizada (Shih et al., 2001).<\/p>\n El n\u00famero de historias para cada geometr\u00eda puede calcularse en base a las MUs fraccionales, de modo que los segmentos que entregan menos MUs reciben menos historias \u2014 a costa de mayor varianza estad\u00edstica en esos segmentos. Alternativamente, puede simularse un n\u00famero igual de historias para cada geometr\u00eda y ponderar los resultados por MUs fraccionales durante el post-procesamiento.<\/p>\n El m\u00e9todo PPS, desarrollado por Liu et al. (2001), es m\u00e1s naturalmente adecuado para geometr\u00edas que cambian continuamente. Requiere funciones de distribuci\u00f3n de probabilidad acumulativa (CPDFs) para cada par\u00e1metro geom\u00e9trico variable. Las probabilidades se calculan a partir de la fracci\u00f3n del tiempo total de entrega que cada elemento geom\u00e9trico (l\u00e1mina del MLC, jaw) permanece en una ubicaci\u00f3n determinada. Durante la inicializaci\u00f3n de cada historia incidente, la configuraci\u00f3n geom\u00e9trica se muestrea aleatoriamente de esta CPDF.<\/p>\n Desde la perspectiva del overhead operacional, el PPS puede ser m\u00e1s eficiente que el SCS. Ambos enfoques producen la misma varianza estad\u00edstica para un n\u00famero igual de part\u00edculas incidentes si el m\u00e9todo SCS calcula el n\u00famero de historias bas\u00e1ndose en la misma CPDF utilizada para el PPS. El PPS no se limita a geometr\u00edas continuamente variables \u2014 especificando la CPDF apropiadamente, una entrega step-and-shoot tambi\u00e9n puede modelarse con este enfoque.<\/p>\n Las cu\u00f1as din\u00e1micas o virtuales producen una distribuci\u00f3n de dosis en forma de cu\u00f1a mediante el movimiento din\u00e1mico de los jaws colimadores. El movimiento del jaw se especifica como funci\u00f3n de las MUs fraccionales en la tabla de tratamiento segmentada (STT). El espectro de part\u00edculas emergente de una cu\u00f1a virtual puede variar significativamente del de una cu\u00f1a s\u00f3lida est\u00e1tica, la cual endurece diferencialmente el haz.<\/p>\n Verhaegen y Das (1999) realizaron la primera simulaci\u00f3n MC reportada de una cu\u00f1a din\u00e1mica usando EGS4\/BEAM en un LINAC Siemens. En su enfoque de dos pasos, primero se simula el transporte a trav\u00e9s de la secci\u00f3n superior del cabezal, puntuando un archivo de espacio de fases antes de los jaws superiores. Luego se realizan 20 simulaciones discretas de transporte a trav\u00e9s de los jaws, moviendo un jaw superior en pasos de 1 cm entre simulaciones. Los 20 archivos de espacio de fases resultantes se combinan tomando un n\u00famero precalculado de part\u00edculas de cada uno seg\u00fan la raz\u00f3n de MUs en cada posici\u00f3n del jaw. Modelaron cu\u00f1as tanto virtuales como f\u00edsicas de 15\u00b0 a 60\u00b0 para energ\u00edas de 6 a 10 MV, obteniendo buena concordancia con mediciones excepto en la regi\u00f3n de penumbra del extremo de la cu\u00f1a (discrepancias hasta 4%). No se encontraron diferencias mayores entre cu\u00f1as f\u00edsicas y virtuales para efectos de endurecimiento del haz, excepto que las cu\u00f1as f\u00edsicas de 60\u00b0 producen haces significativamente m\u00e1s duros en todo el campo por la mayor absorci\u00f3n del tungsteno.<\/p>\n Shih et al. (2001) reprodujeron la entrega de cu\u00f1a din\u00e1mica Varian usando la funci\u00f3n IRESTART en BEAM con posiciones de jaw y historias actualizadas para cada entrada del STT. Verhaegen y Liu (2001) desarrollaron posteriormente el m\u00e9todo PPS para simular la cu\u00f1a din\u00e1mica mejorada (EDW) de Varian, convirtiendo las posiciones del jaw del STT a una CPDF. Ahmad et al. (2009) reportaron concordancia dentro de 2% y 1 mm comparado con mediciones de perfiles y factores de output.<\/p>\n La IMRT genera distribuciones de dosis uniformes que cubren el volumen blanco aplicando patrones de fluencia no uniformes desde m\u00faltiples direcciones usando secuencias continuas o discretas de aperturas del MLC. En la entrega step-and-shoot, cada subcampo se configura antes de encender el haz. En la entrega de ventana deslizante (din\u00e1mica), las l\u00e1minas se mueven mientras el haz est\u00e1 encendido. Las secuencias del MLC \u2014 que especifican las aberturas de l\u00e1minas como funci\u00f3n de las MU entregadas \u2014 pueden provenir del TPS o de archivos log post-entrega, que registran el estado de la m\u00e1quina a intervalos fijos (por ejemplo, 10 ms para el Varian TrueBeam).<\/p>\n Deng et al. (2001) usaron un algoritmo de ray tracing para calcular mapas de intensidad que incluyen la geometr\u00eda tongue-and-groove de las l\u00e1minas del MLC, demostrando diferencias significativas respecto a mapas simplificados \u2014 un hallazgo con implicaciones directas para la precisi\u00f3n dosim\u00e9trica cl\u00ednica. Keall et al. (2001) fueron m\u00e1s all\u00e1, incluyendo contribuciones primarias y de dispersi\u00f3n mediante mapas de probabilidad para los estados de las l\u00e1minas (abierta, cerrada o punta de l\u00e1mina pasando por un punto de la grilla), con la contribuci\u00f3n de dispersi\u00f3n obtenida integrando factores de atenuaci\u00f3n para posiciones sucesivas de la punta de las l\u00e1minas.<\/p>\n El c\u00f3digo MC r\u00e1pido VCU-MLC (Siebers et al., 2002) adopta un enfoque eficiente: usa una aproximaci\u00f3n de Compton \u00fanico para interacciones fot\u00f3nicas dentro del MLC, no realiza transporte de electrones y reduce los pesos de electrones incidentes por la probabilidad de impactar una l\u00e1mina del MLC. La geometr\u00eda de cada l\u00e1mina se aproxima segment\u00e1ndola en mitades superior e inferior con el grosor correcto para modelar tongue-and-groove. Para cada part\u00edcula incidente, el peso se modifica muestreando aleatoriamente 100 posiciones del MLC del archivo de secuencia de l\u00e1minas y promediando las probabilidades de transmisi\u00f3n. Comparado con los m\u00e9todos SCS y PPS, se requieren menos part\u00edculas fuente, resultando en una ganancia significativa de eficiencia. El modelo del MLC se extendi\u00f3 para simular transporte de fotones a trav\u00e9s de jaws y MLC simult\u00e1neamente con m\u00faltiples interacciones Compton (Seco et al., 2008).<\/p>\n Leal et al. (2003) y Seco et al. (2005) realizaron las primeras simulaciones completas LINAC-paciente para LINACs Siemens y Elekta usando BEAMnrc, donde la entrega step-and-shoot se model\u00f3 con el m\u00e9todo SCS. Cada haz consist\u00eda en 5\u201315 segmentos simulados individualmente, con historias proporcionales a las MUs del segmento. Se desarrollaron scripts para automatizar la generaci\u00f3n y distribuci\u00f3n de archivos separados para cada espacio de fases de segmento. Para m\u00e1s detalle sobre modelado de haces fot\u00f3nicos, vea nuestro art\u00edculo sobre modelado Monte Carlo de haces fot\u00f3nicos externos<\/a>.<\/p>\n Simular tomoterapia resulta particularmente desafiante porque el \u00e1ngulo del gantry cambia continuamente durante la entrega. La tomoterapia helicoidal usa una fuente de haz en abanico rotatorio modulada por un MLC binario, con la entrega especificada por un archivo de sinograma que contiene tiempos fraccionales de apertura para cada l\u00e1mina en posiciones discretas del gantry. La traslaci\u00f3n del sof\u00e1 como funci\u00f3n de la rotaci\u00f3n del gantry se especifica mediante el pitch. Como la entrega es din\u00e1mica, el movimiento de l\u00e1minas ocurre mientras la fuente rota, y puede ser necesario submuestrear el sinograma para capturar con precisi\u00f3n los efectos dosim\u00e9tricos del movimiento combinado del gantry y las l\u00e1minas.<\/p>\n Sterpin et al. (2008) desarrollaron TomoPen, un c\u00f3digo de usuario PENELOPE espec\u00edficamente para simulaci\u00f3n de tomoterapia helicoidal. Primero se crea un archivo de espacio de fases para cada uno de los tres ajustes de jaw utilizados durante la entrega. Luego, para cada entrada del sinograma, se crea un espacio de fases espec\u00edfico de la proyecci\u00f3n ajustando los pesos de las part\u00edculas. Para modelar la entrega continua, cada entrada del sinograma se subdivide en 11 subproyecciones con aberturas de l\u00e1minas interpoladas linealmente. Los factores de ponderaci\u00f3n asumen atenuaci\u00f3n lineal a trav\u00e9s de las l\u00e1minas del MLC, y solo se consideran las l\u00e1minas abiertas o adyacentes a una abierta \u2014 la radiaci\u00f3n de fuga a trav\u00e9s de regiones completamente cerradas no se modela. Las comparaciones con mediciones de pel\u00edcula y c\u00e1mara de ionizaci\u00f3n mostraron concordancia dentro de 2% y 1 mm.<\/p>\n Zhao et al. (2008a) tomaron un camino diferente usando EGSnrc\/BEAMnrc con el m\u00e9todo SCS. Cada entrada del sinograma se subdivide en subcampos est\u00e1ticos del MLC, y el n\u00famero de historias para cada subproyecci\u00f3n es proporcional al tiempo de apertura calculado de las l\u00e1minas. Los espacios de fases se rotan en el plano XY y el isocentro se modifica a lo largo de la direcci\u00f3n Z para simular la entrega helicoidal.<\/p>\n El VMAT entrega IMRT con rotaci\u00f3n continua del gantry mientras modifica din\u00e1micamente las aperturas del MLC y modula la tasa de dosis. La entrega se especifica mediante una secuencia de puntos de control que definen \u00e1ngulo del gantry, posiciones de l\u00e1minas del MLC y MU acumulativa. Existe un fuerte inter\u00e9s cl\u00ednico en usar simulaciones MC para control de calidad espec\u00edfico del paciente en planes VMAT. Sin embargo, Boylan et al. (2013) advirtieron que las aproximaciones del TPS para modelar la entrega VMAT significan que los ajustes del archivo del plan pueden no representar con precisi\u00f3n c\u00f3mo el plan ser\u00e1 realmente entregado por el LINAC.<\/p>\n Li et al. (2001) describieron un enfoque basado en SCS para VMAT de Elekta usando EGS4\/BEAM, discretizando cada arco en pasos de 5\u00b0\u201310\u00b0 para simulaciones est\u00e1ticas. Bush et al. (2008) modelaron la entrega RapidArc de Varian, abordando el significativo movimiento de l\u00e1minas entre puntos de control computando un \u00e1ngulo medio del gantry para cada par consecutivo de posiciones y usando las aberturas adyacentes como puntos de control DMLC en ese \u00e1ngulo medio. La tasa de dosis variable se contabiliza ponderando la dosis por las MUs fraccionales por segmento. El mismo grupo us\u00f3 archivos log registrados para reconstruir la dosis entregada en tratamientos RapidArc (Teke et al., 2009).<\/p>\n Se desarrollaron dos enfoques basados en PPS para BEAMnrc. Lobo y Popescu (2010) basaron el suyo en ISOURCE 9 de DOSXYZnrc, modificado para que la primera vez que una part\u00edcula entra en cualquier m\u00f3dulo de componente din\u00e1mico reciba un “sello temporal” \u2014 un \u00edndice MU fraccional muestreado aleatoriamente. Este sello sincroniza todos los componentes din\u00e1micos: jaws, MLC, rotaci\u00f3n del gantry, colimador y movimiento del sof\u00e1. ISOURCE 20 usa un espacio de fases puntuado sobre los colimadores secundarios (\u00fatil cuando los fabricantes proporcionan un archivo de espacio de fases en vez de un modelo completo del cabezal, como con Varian TrueBeam), mientras ISOURCE 21 consiste en un modelo completo del acelerador. Belec et al. (2011) desarrollaron un segundo enfoque PPS almacenando el \u00edndice MU como variable temporal en el archivo de espacio de fases, reemplazando la variable ZLAST. Una modificaci\u00f3n posterior (Popescu y Lobo, 2013) cre\u00f3 archivos de espacio de fases “4D” en formato IAEA.<\/p>\n La necesidad de c\u00e1lculo de dosis 4D del paciente fue impulsada por el inter\u00e9s en compensar los efectos del movimiento respiratorio durante la planificaci\u00f3n y entrega del tratamiento (Keall et al. 2004). Bortfeld et al. (2004) identificaron tres efectos del movimiento sobre la dosis entregada: (1) desenfoque a lo largo de la trayectoria de movimiento, (2) deformaciones espaciales localizadas en interfaces de \u00f3rganos con cambios de densidad, y (3) efecto interplay entre movimiento tumoral y entrega din\u00e1mica del haz. Cada uno de estos efectos requiere diferentes niveles de complejidad en la simulaci\u00f3n.<\/p>\n Si se asume que la distribuci\u00f3n de dosis es invariante ante desplazamientos, el efecto del movimiento sobre muchas fracciones puede estimarse convolucionando la distribuci\u00f3n de dosis con una distribuci\u00f3n de probabilidad que describe las variaciones posicionales (Lujan et al., 1999). Esto captura solo el efecto de desenfoque \u2014 las deformaciones de dosis y el movimiento diferencial no pueden modelarse por convoluci\u00f3n. La asunci\u00f3n de invarianza ante desplazamientos tambi\u00e9n falla en interfaces tisulares, potencialmente subestimando la dosis en estas ubicaciones (Craig et al. 2001; Chetty et al. 2004). La convoluci\u00f3n de fluencia fue propuesta como alternativa (Beckham et al., 2002), modificando las posiciones y cosenos directores de las part\u00edculas en el archivo de espacio de fases mediante muestreo aleatorio de desplazamientos de una distribuci\u00f3n de probabilidad del movimiento respiratorio. Aunque supera la limitaci\u00f3n de la invarianza, todav\u00eda aproxima al paciente como un cuerpo r\u00edgido en movimiento.<\/p>\n La limitaci\u00f3n de la convoluci\u00f3n es que no considera el movimiento diferencial de \u00f3rganos, la deformaci\u00f3n y los cambios de densidad que causan que la forma de la distribuci\u00f3n de dosis se deforme localmente durante la entrega. El enfoque tipo SCS calcula distribuciones de dosis en diferentes fases respiratorias, ponderadas por la fracci\u00f3n del ciclo respiratorio que representan. Rosu et al. (2007) demostraron que no hay diferencias significativas en los DVH entre dosis acumuladas calculadas con diez estados respiratorios versus solo inhalaci\u00f3n y exhalaci\u00f3n \u2014 aunque esta conclusi\u00f3n depende del dise\u00f1o del plan de tratamiento.<\/p>\n El enfoque de mapeo m\u00e1s simple, el remapeo de centro de masa (COM), usa registro deformable de im\u00e1genes para determinar qu\u00e9 voxel de la geometr\u00eda objetivo corresponde a cada voxel de la geometr\u00eda de referencia. Paganetti et al. (2004) implementaron COM en GEANT4 usando el m\u00e9todo UpdateValue para actualizar la geometr\u00eda del paciente a trav\u00e9s de 10 fases respiratorias de un dataset 4D-CT. La interpolaci\u00f3n trilineal de la dosis desde voxels vecinos en el punto COM transformado puede mejorar la precisi\u00f3n, pero Heath y Seuntjens (2006) mostraron que los errores de interpolaci\u00f3n producen c\u00e1lculos de dosis incorrectos en regiones de grandes gradientes de dosis y deformaci\u00f3n. Siebers y Zhong (2008) demostraron adem\u00e1s que cuando voxels de la geometr\u00eda objetivo se fusionan en la geometr\u00eda de referencia (compresi\u00f3n), los m\u00e9todos de interpolaci\u00f3n de dosis no conservan la dosis integral.<\/p>\n Heath et al. (2007, 2011) y Siebers y Zhong (2008) desarrollaron dos enfoques MC que aseguran la conservaci\u00f3n de energ\u00eda. El primer m\u00e9todo, voxel warping, deforma los nodos de la grilla de dosis de referencia usando vectores de deformaci\u00f3n del registro de im\u00e1genes. Implementado en defDOSXYZnrc (Heath et al., 2007), el transporte de part\u00edculas ocurre en la geometr\u00eda de voxels deformada. Como los \u00edndices de voxels no cambian entre los estados de referencia y deformado, la energ\u00eda se conserva. Las densidades de los voxels deformados se ajustan seg\u00fan los cambios de volumen para conservar la masa. Cada cara de voxel deformado se subdivide en dos subplanos, formando dodecaedros, lo que duplica el n\u00famero de c\u00e1lculos de distancia al borde. El determinante del Jacobiano identifica discontinuidades en la transformaci\u00f3n:<\/p>\n $$\\det J(N(x)) = \\begin{vmatrix} \\frac{\\partial u_x}{\\partial x} + 1 & \\frac{\\partial u_x}{\\partial y} & \\frac{\\partial u_x}{\\partial z} \\\\ \\frac{\\partial u_y}{\\partial x} & \\frac{\\partial u_y}{\\partial y} + 1 & \\frac{\\partial u_y}{\\partial z} \\\\ \\frac{\\partial u_z}{\\partial x} & \\frac{\\partial u_z}{\\partial y} & \\frac{\\partial u_z}{\\partial z} + 1 \\end{vmatrix}$$<\/p>\n Donde $u_x$, $u_y$, $u_z$ son las componentes del campo de desplazamiento. Un valor negativo del determinante en un nodo indica discontinuidad en la transformaci\u00f3n \u2014 por ejemplo, en la interfaz pulm\u00f3n-pared tor\u00e1cica donde ocurre deslizamiento. Estas discontinuidades pueden eliminarse suavizando el campo de transformaci\u00f3n de forma global o local.<\/p>\n Los c\u00e1lculos con defDOSXYZnrc son hasta 10 veces m\u00e1s lentos que el DOSXYZnrc est\u00e1ndar debido a la verificaci\u00f3n adicional de bordes. La reimplementaci\u00f3n en VMC++ (Heath y Kawrakow, 2011) logr\u00f3 una mejora de 130 veces en eficiencia computacional usando elementos tetra\u00e9dricos optimizados, dividiendo cada voxel deformado en 6 tetraedros. La principal ventaja de los elementos tetra\u00e9dricos es eliminar la ambig\u00fcedad en la intersecci\u00f3n plano-part\u00edcula mientras requiere menos planos a verificar por elemento. Comparado con c\u00e1lculos rectil\u00edneos en VMC++, la geometr\u00eda deformable aumenta el tiempo de c\u00e1lculo solo por un factor de 2 para la misma varianza estad\u00edstica.<\/p>\n Siebers y Zhong (2008) propusieron una alternativa donde las part\u00edculas se transportan en la geometr\u00eda rectil\u00ednea objetivo mientras los puntos de deposici\u00f3n de energ\u00eda se mapean a la grilla de dosis de referencia usando vectores de deformaci\u00f3n. La ubicaci\u00f3n de deposici\u00f3n de energ\u00eda se muestrea aleatoriamente a lo largo del paso de la part\u00edcula, resultando en solo 10%\u201350% de tiempo de c\u00f3mputo adicional (denominado etmDOSXYZnrc). Sin embargo, si la transformaci\u00f3n entre geometr\u00edas de referencia y objetivo es inexacta \u2014 como siempre ocurre con im\u00e1genes reales de pacientes debido a artefactos, ruido y efectos de volumen parcial \u2014 la energ\u00eda mapeada ser\u00e1 inconsistente con las masas de los voxels de referencia, produciendo distribuciones de dosis discontinuas.<\/p>\n Zhong y Siebers (2009) abordaron esto con el m\u00e9todo de Mapeo Congruente de Energ\u00eda y Masa (EMCM), que mapea tanto energ\u00eda como masa de forma consistente. Los voxels objetivo se subdividen en 100 subvoxels cuyas masas se mapean usando los mismos vectores de deformaci\u00f3n que los puntos de deposici\u00f3n de energ\u00eda, logrando una precisi\u00f3n de mapeo de masa del 99.95%. Heath et al. (2011) propusieron un enfoque alternativo de mapeo de energ\u00eda por superposici\u00f3n de vol\u00famenes: cada voxel de referencia se subdivide en tetraedros, se deforma usando vectores de desplazamiento, y el volumen intersectado por cada tetraedro y los voxels objetivo determina la energ\u00eda mapeada. Las diferencias medias entre EMCM e interpolaci\u00f3n trilineal de dosis fueron del 7% de la dosis m\u00e1xima.<\/p>\n El efecto interplay \u2014 la interacci\u00f3n entre el movimiento din\u00e1mico de las l\u00e1minas del MLC y el movimiento tumoral \u2014 es una preocupaci\u00f3n central en la radioterapia modulada por intensidad con fotones y protones. Yu et al. (1998) demostraron que con entrega DMLC, el movimiento intrafracci\u00f3n causa grandes errores en la dosis fot\u00f3nica local por fracci\u00f3n debido al movimiento en la regi\u00f3n de penumbra del haz. La magnitud de estas variaciones de dosis depende fuertemente de la velocidad de la apertura del haz relativa a la velocidad del movimiento del blanco y del ancho del haz de escaneo relativo a la amplitud del movimiento.<\/p>\n Para la terapia con protones, los efectos interplay se complican por factores adicionales: (1) respiraci\u00f3n del paciente, (2) tiempos de cambio de energ\u00eda del prot\u00f3n, (3) amplitud de movimiento, y (4) la metodolog\u00eda de rescanning utilizada (Seco et al., 2009a). Estos factores pueden producir inhomogeneidades de dosis cl\u00ednicamente significativas dentro del volumen blanco.<\/p>\n El m\u00e9todo SCS puede estudiar el interplay asignando cada apertura de haz a una fase respiratoria espec\u00edfica. Litzenberg et al. (2007) desarrollaron el enfoque de “entrega din\u00e1mica sincronizada”, combinando el seguimiento del archivo log del MLC (archivos Dynalog) con la posici\u00f3n en tiempo real del volumen blanco mediante transpondedores electromagn\u00e9ticos inal\u00e1mbricos (Calypso), que proporcionan actualizaciones de posici\u00f3n 10 veces por segundo. Cada part\u00edcula en la simulaci\u00f3n MC se transporta a trav\u00e9s de un segmento MLC seleccionado y hacia una fase respiratoria espec\u00edfica del cubo de dosis. Aunque fue demostrado en phantoms, este enfoque requiere que todos los cubos de dosis de las fases respiratorias residan en la memoria de la CPU, lo cual se vuelve exigente para grandes datasets CT de pacientes.<\/p>\n Para superar la limitaci\u00f3n de usar m\u00faltiples cubos de datos CT, Gholampourkashi et al. (2017) combinaron ISOURCE 21 con el m\u00e9todo de voxel warping en 4DdefDOSXYZnrc. Para cada part\u00edcula incidente, el \u00edndice MU que muestrea los ajustes del colimador din\u00e1mico tambi\u00e9n determina la amplitud fraccional de respiraci\u00f3n de un trazo respiratorio normalizado. Esta amplitud escala los vectores de deformaci\u00f3n aplicados a la malla de geometr\u00eda del paciente, recreando la anatom\u00eda del paciente en ese momento temporal. Las simulaciones de entrega VMAT fueron validadas contra mediciones de dosis con pel\u00edcula y MOSFET en un phantom de pulm\u00f3n deformable programable construido a medida (Gholampourkashi et al. 2020). Para profundizar en c\u00f3mo Monte Carlo maneja c\u00e1lculos de dosis en el paciente, consulte nuestro art\u00edculo sobre c\u00e1lculo de dosis Monte Carlo en el paciente<\/a>.<\/p>\n Antes de la introducci\u00f3n de sistemas de entrega por escaneo para haces de protones, la modulaci\u00f3n temporal utilizaba ruedas moduladoras de rango giratorias para crear un pico de Bragg extendido (spread-out Bragg peak). Palmans y Verhaegen (1998) reportaron lo que es quiz\u00e1s la primera simulaci\u00f3n MC din\u00e1mica publicada, implementando el m\u00e9todo PPS en el c\u00f3digo MC PTRAN para simular una rueda moduladora de rango.<\/p>\n Paganetti (2004) describi\u00f3 un modelo detallado de la l\u00ednea de haz del Northwest Proton Therapy Center usando GEANT4. Los elementos din\u00e1micos \u2014 rueda moduladora de rango e imanes de escaneo del haz \u2014 se modelaron explotando la capacidad de GEANT4 para actualizar valores de par\u00e1metros geom\u00e9tricos durante la simulaci\u00f3n. Las actualizaciones de geometr\u00eda se realizaron en forma temporal lineal con cada paso de tiempo asignado a un n\u00famero de historias. La rotaci\u00f3n de la rueda moduladora se simul\u00f3 en pasos de 0.5\u00b0, mientras que los ajustes de los imanes de escaneo se actualizaron en pasos de 0.02 T. El tiempo de c\u00e1lculo pr\u00e1cticamente no se vio afectado por el n\u00famero de actualizaciones de geometr\u00eda, ya que solo involucraba actualizar un puntero en memoria.<\/p>\n Shin et al. (2012) describieron un framework para geometr\u00edas dependientes del tiempo en la herramienta MC de protones basada en GEANT4, TOPAS (Perl et al. 2012). Los valores de par\u00e1metros dependientes del tiempo se especifican asignando un Time Feature, con la evoluci\u00f3n temporal muestreada en forma secuencial o aleatoria definida por la Sequence. Para m\u00e1s sobre Monte Carlo en haces de iones, vea nuestro art\u00edculo sobre Monte Carlo para haces de iones en radioterapia<\/a>.<\/p>\n Los m\u00e9todos MC 4D resumidos aqu\u00ed pueden simular entregas con muchos m\u00e1s grados de libertad de los que permiten los LINACs convencionales. Tales entregas ya son posibles con los LINACs TrueBeam en Developer Mode (Varian), CyberKnife y sistemas Vero-SBRT (BrainLab y Mitsubishi Heavy Industries) \u2014 pero ning\u00fan TPS comercial puede actualmente calcular distribuciones de dosis correspondientes a trayectorias de haz de tal complejidad. Las simulaciones MC 4D han demostrado ser capaces de modelar continuamente configuraciones variables de haz y geometr\u00edas y cinem\u00e1ticas complejas de tratamiento respecto al paciente, otorgando a estas herramientas un papel importante tanto en verificaci\u00f3n como en planificaci\u00f3n.<\/p>\n Teke et al. (2013) desarrollaron una herramienta MC basada en BEAMnrc usando ISOURCE 20 para simular la entrega de dosis basada en el archivo XML que codifica las instrucciones de entrega, demostrando simulaci\u00f3n precisa de entregas con rotaci\u00f3n continua del colimador, traslaci\u00f3n del sof\u00e1 y rotaci\u00f3n del sof\u00e1. Popescu et al. (2015) realizaron simulaciones VMAT usando ISOURCE 20 para puntuar espacios de fases 4D en los l\u00edmites del phantom CT del paciente, demostrando la capacidad de calcular distribuciones de dosis incrementales o acumulativas en el EPID simult\u00e1neamente con el c\u00e1lculo de dosis del paciente. Podesta et al. (2016) fueron los primeros en desarrollar una t\u00e9cnica MC para generar informaci\u00f3n de tasa de dosis, estudiando aspectos temporales de la entrega con haces FFF (sin filtro aplanador).<\/p>\nEstrategias para Simular Geometr\u00edas Dependientes del Tiempo<\/h2>\n
Ponderaci\u00f3n de Part\u00edculas<\/h3>\n
Simulaci\u00f3n de Componentes Est\u00e1ticos (SCS)<\/h3>\n
Muestreo por Posici\u00f3n-Probabilidad (PPS)<\/h3>\n
Simulaciones de Cu\u00f1as Din\u00e1micas<\/h2>\n
IMRT Basada en MLC: Transporte Detallado de Part\u00edculas<\/h2>\n
![\"Sistema](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/mc-simulacao-ct-mama-imobilizacao.jpg\")
Tomoterapia: Desaf\u00edos de la Entrega Helicoidal<\/h2>\n
VMAT: Arcoterapia Volum\u00e9trica Modulada<\/h2>\n
Simulaciones Din\u00e1micas del Paciente: Movimiento Respiratorio<\/h2>\n
M\u00e9todos de Convoluci\u00f3n<\/h3>\n
M\u00e9todos de Mapeo de Dosis: Centro de Masa e Interpolaci\u00f3n<\/h3>\n
Voxel Warping: Transporte MC con Conservaci\u00f3n de Energ\u00eda<\/h3>\n
M\u00e9todos de Mapeo de Energ\u00eda<\/h3>\n
Efecto Interplay: Cuando Haz y Paciente Se Mueven Juntos<\/h2>\n
![\"Acelerador](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/mc-rapidarc-vmat-acelerador-linear.jpg\")
Simulaciones Din\u00e1micas de Protones<\/h2>\n
Aplicaciones Novedosas y Futuras<\/h2>\n
Comparaci\u00f3n de Enfoques de Simulaci\u00f3n MC Din\u00e1mica<\/h3>\n