![\"Acelerador](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/mc-imrt-distribuicao-dose-orofaringe.jpg\")
El m\u00e9todo Monte Carlo (MC) parte de primeros principios y rastrea historias individuales de part\u00edculas, incluyendo el transporte de secundarios. En la pr\u00e1ctica, MC produce resultados precisos en regiones de heterogeneidades tisulares \u2014 pulm\u00f3n, interfaces hueso-tejido, irregularidades de superficie \u2014 lo que lo convierte en el algoritmo m\u00e1s preciso para t\u00e9cnicas complejas como IMRT, VMAT y radioterapia estereot\u00e1xica. Con la introducci\u00f3n comercial de los MR-LINACs, MC se volvi\u00f3 no solo preferible sino obligatorio: la influencia del campo magn\u00e9tico sobre la distribuci\u00f3n de dosis hace de \u00e9l el \u00fanico m\u00e9todo viable (Hissoiny et al., 2011; Ghila et al., 2017; Kubota et al., 2020).<\/p>\n
A pesar de los avances, la precisi\u00f3n de MC depende fuertemente de la implementaci\u00f3n y la calidad de los datos de entrada. La informaci\u00f3n anat\u00f3mica del paciente afecta tanto la geometr\u00eda de irradiaci\u00f3n como las secciones eficaces de interacci\u00f3n, y la falta de un modelo de fuente general, preciso y escalable sigue siendo la principal barrera para su adopci\u00f3n universal. Para una visi\u00f3n completa, consulte nuestra gu\u00eda completa sobre Monte Carlo en Radioterapia<\/a>.<\/p>\n Un sistema de planificaci\u00f3n Monte Carlo (MCTP) va mucho m\u00e1s all\u00e1 de un algoritmo de c\u00e1lculo acoplado a un modelo de haz. El sistema debe ofrecer capacidad de configuraci\u00f3n de haces, visualizaci\u00f3n de dosis y herramientas de evaluaci\u00f3n dosim\u00e9trica. Los TPS comerciales ya proporcionan esto para algoritmos convencionales, pero los paquetes de investigaci\u00f3n generalmente carecen de estas funcionalidades. Para uso a gran escala, la automatizaci\u00f3n es imprescindible \u2014 varios equipos resolvieron esto integrando el MC externo con TPS comerciales via DICOM-RT (Alexander et al., 2007; Rodriguez et al., 2013) o interfaces autom\u00e1ticas (Fix et al., 2007; Siebers et al., 2000).<\/p>\n La caracterizaci\u00f3n precisa del haz de radiaci\u00f3n es un prerrequisito absoluto para c\u00e1lculos exactos en el paciente. Los modelos de haz para MCTP de fotones se dividen en dos categor\u00edas: basados en mediciones y basados en MC. Los modelos basados en mediciones utilizan funciones anal\u00edticas con par\u00e1metros ajustados a datos experimentales (Ahnesjo et al., 1992; Fippel et al., 2003; Faught et al., 2017). Los modelos MC pueden usar simulaci\u00f3n completa del cabezal, archivos de espacio de fase (phsp), modelos basados en histogramas o enfoques h\u00edbridos.<\/p>\n Cada enfoque tiene compromisos claros. Los archivos phsp son detallados pero requieren almacenamiento significativo. Los modelos de histograma son compactos y r\u00e1pidos, pero pueden perder correlaciones entre variables. El paso directo en memoria elimina archivos grandes pero la reutilizaci\u00f3n de part\u00edculas introduce correlaciones que afectan la incertidumbre estad\u00edstica \u2014 existe un l\u00edmite inferior dado por la varianza latente del phsp (Sempau et al., 2001).<\/p>\n Adem\u00e1s del haz primario, el modelo debe representar con precisi\u00f3n los modificadores espec\u00edficos del paciente: bloques, cu\u00f1as fijas y din\u00e1micas, colimadores multil\u00e1minas (MLCs) y otros accesorios. Los errores en el modelo se propagan por todo el pipeline \u2014 la verificaci\u00f3n extensiva durante el commissioning es esencial.<\/p>\n Para detalles sobre modelado de haces fot\u00f3nicos, lea nuestro art\u00edculo dedicado sobre modelado Monte Carlo de haces fot\u00f3nicos externos<\/a>.<\/p>\n La representaci\u00f3n anat\u00f3mica del paciente determina directamente la precisi\u00f3n dosim\u00e9trica. Los algoritmos MC necesitan datos de interacci\u00f3n (secciones eficaces) derivados de la composici\u00f3n tisular, no solo de la densidad electr\u00f3nica. La conversi\u00f3n de valores Hounsfield a composici\u00f3n material involucra segmentaci\u00f3n en bins \u2014 m\u00e1s bins significan representaci\u00f3n m\u00e1s precisa (Vanderstraeten et al., 2007). Una conversi\u00f3n est\u00e1ndar con pocos materiales resulta inadecuada para alta exactitud.<\/p>\n Artefactos de imagen, remuestreo de grid y diferencias entre la mesa del CT y la de tratamiento introducen errores adicionales. Los esc\u00e1neres CT de doble energ\u00eda tienen potencial para mejorar la identificaci\u00f3n tisular (Bazalova et al., 2008), aunque el beneficio es mayor para protones que para fotones MV (van Elmpt et al., 2016). Los fantomas de calibraci\u00f3n deben evaluarse cuidadosamente \u2014 por ejemplo, el tefl\u00f3n no es una representaci\u00f3n adecuada del hueso cortical (Verhaegen y Devic, 2005).<\/p>\n Una ventaja exclusiva de MC es su capacidad para calcular dosis en situaciones din\u00e1micas \u2014 movimiento del paciente, IMRT, VMAT \u2014 de forma continua, sin aproximar la rotaci\u00f3n del gantry con m\u00faltiples campos est\u00e1ticos. MC tambi\u00e9n proporciona distribuciones de tasa de dosis resueltas en el tiempo (Mackeprang et al., 2016). Las t\u00e9cnicas no coplanares con rotaciones din\u00e1micas de colimador y mesa (Fix et al., 2018; Manser et al., 2019) ampl\u00edan a\u00fan m\u00e1s los grados de libertad accesibles.<\/p>\n El tiempo de c\u00e1lculo MC no escala linealmente con el n\u00famero de haces cuando solo se considera la incertidumbre en el blanco. Sin embargo, puede aumentar si se requiere incertidumbre aceptable en los OARs. La evaluaci\u00f3n de dosis con MC exige atenci\u00f3n especial a la incertidumbre estad\u00edstica y debe documentarse si se calcul\u00f3 dosis al medio o dosis al agua.<\/p>\n Definir criterios de tolerancia antes del commissioning es fundamental. Se utilizan diversas m\u00e9tricas para comparar distribuciones de dosis: diferencia de dosis, distancia al acuerdo (DTA), \u00edndice gamma (Low et al., 1998) y variantes. El est\u00e1ndar habitual es 2%\/2 mm, pero si estos criterios aplican al c\u00e1lculo en pacientes, la estimaci\u00f3n de error del modelo de haz no puede exceder 1%\/1 mm (Keall et al., 2003).<\/p>\n Aplicar criterios uniformes en todas las situaciones es cuestionable. Regiones de buildup, fuera del campo directo y diferentes tama\u00f1os de campo pueden justificar tolerancias distintas. Dada la naturaleza estad\u00edstica de MC, siempre existe probabilidad de valores con errores aleatorios elevados. Los criterios deben elegirse en relaci\u00f3n con el uso cl\u00ednico planificado del equipo.<\/p>\n El proceso de validaci\u00f3n t\u00edpicamente incluye las siguientes comparaciones:<\/p>\n Fuente: Monte Carlo Techniques in Radiation Therapy (2nd ed., CRC Press, 2022)<\/em><\/p>\n Las comparaciones a profundidades superficiales son especialmente sensibles a los par\u00e1metros del modelo de haz. Las mediciones in-air ayudan a evaluar el modelo con influencia reducida de dispersi\u00f3n. La calidad de las mediciones es crucial \u2014 diferentes detectores pueden producir diferencias de hasta un factor 2 en el ancho de la penumbra (Sahoo et al., 2008).<\/p>\n La validaci\u00f3n del MLC merece atenci\u00f3n especial. Sin modelado de fugas interlaminares, la transmisi\u00f3n media puede ser correcta pero el perfil no se reproduce. Para cu\u00f1as din\u00e1micas mejoradas (EDWs), las mediciones con c\u00e1mara de ionizaci\u00f3n a lo largo de las curvas son esenciales. Para IMRT, la validaci\u00f3n requiere campos individuales aplicados con gantry cero en fantoma de agua.<\/p>\n Numerosas instituciones desarrollaron sistemas MCTP. La tabla resume los principales sistemas de investigaci\u00f3n:<\/p>\n Fuente: Monte Carlo Techniques in Radiation Therapy (2nd ed., CRC Press, 2022)<\/em><\/p>\n En el \u00e1mbito comercial, los principales sistemas son:<\/p>\n Fuente: Monte Carlo Techniques in Radiation Therapy (2nd ed., CRC Press, 2022)<\/em><\/p>\n RayStation MC merece menci\u00f3n especial: implementaci\u00f3n en GPU con Woodcock tracking, commissioning con las mismas mediciones del algoritmo collapsed cone (pero con par\u00e1metros separados), e incertidumbre estad\u00edstica determinada online por lotes. La velocidad alcanzada hace del MC algo cl\u00ednicamente pr\u00e1ctico para la rutina diaria.<\/p>\n A diferencia de los algoritmos determin\u00edsticos, MC produce distribuciones de dosis con incertidumbre estad\u00edstica que afecta isol\u00edneas de dosis, DVHs, \u00edndices de dosis y convergencia de funciones de costo. La incertidumbre se determina por el m\u00e9todo history-by-history (Walters et al., 2002), y se necesita cuadruplicar el n\u00famero de historias para reducirla a la mitad.<\/p>\n En la pr\u00e1ctica, un 2% de incertidumbre por haz genera precisi\u00f3n razonable en el PTV con tres o m\u00e1s haces. Pero valores puntuales como $D_{max}$ y $D_{min}$ son altamente sensibles. Cantidades volum\u00e9tricas como $D_{median}$ o $D_{mean}$ son m\u00e9tricas mucho m\u00e1s confiables para prescripci\u00f3n y evaluaci\u00f3n con MC. Para OARs, la incertidumbre puede ser sustancialmente mayor, requiriendo m\u00e1s historias para evaluaciones precisas de NTCP.<\/p>\n Las t\u00e9cnicas de denoising \u2014 incluyendo deep learning (Javaid et al., 2019) \u2014 muestran potencial, pero deben preservar los gradientes reales de dosis. El denoising puede asistir en el proceso iterativo, pero el c\u00e1lculo final debe alcanzar incertidumbre adecuada sin depender de \u00e9l.<\/p>\n El tiempo de c\u00e1lculo depende de la incertidumbre deseada, tama\u00f1o de v\u00f3xel, volumen de scoring, modificadores y hardware. Las implementaciones en GPU (Badal y Badano, 2009; Jia et al., 2011; Tian et al., 2015) demostraron ganancias sustanciales de eficiencia. Optimizaciones en el transporte \u2014 como simplificar el paso por jaws secundarios cuando el MLC est\u00e1 debajo (Schmidhalter et al., 2010) \u2014 tambi\u00e9n reducen el tiempo.<\/p>\n La planificaci\u00f3n inversa con MC en la funci\u00f3n de costo sigue siendo la excepci\u00f3n donde el tiempo total puede resultar inaceptable dado el gran n\u00famero de iteraciones necesarias.<\/p>\n Los casos pulmonares presentan las mayores discrepancias entre MC y algoritmos convencionales. El transporte de electrones en bajas densidades es el tal\u00f3n de Aquiles de los algoritmos de convoluci\u00f3n. Fogliata et al. (2007) demostraron errores de hasta 30% con pencil beam en heterogeneidades pulmonares; para algoritmos m\u00e1s avanzados, ~8%. Los solvers de ecuaci\u00f3n de Boltzmann (como Acuros) reducen a\u00fan m\u00e1s esta brecha.<\/p>\n Wang et al. (2002a) encontraron diferencias superiores al 10% entre MC y algoritmos con correcci\u00f3n de longitud de camino equivalente. Un hallazgo cl\u00ednicamente relevante: los fotones de 6 MV son preferibles a 15 MV en pulm\u00f3n, ya que el menor alcance lateral de electrones a bajas energ\u00edas preserva mejor la cobertura del blanco (Wang et al., 2002b; Madani et al., 2007).<\/p>\n Consulte nuestro art\u00edculo sobre entrega din\u00e1mica de haz y Monte Carlo 4D<\/a> para entender c\u00f3mo MC maneja IMRT y VMAT en escenarios din\u00e1micos, y el art\u00edculo sobre c\u00e1lculo de dosis en el paciente<\/a> para estrategias en medios heterog\u00e9neos.<\/p>\n M\u00e1s all\u00e1 de la planificaci\u00f3n, MC sirve como herramienta independiente de garant\u00eda de calidad. La capacidad de recalcular distribuciones de dosis desde primeros principios lo convierte en una verificaci\u00f3n robusta \u2014 especialmente valiosa para verificaci\u00f3n de unidades monitoras en IMRT y reevaluaci\u00f3n retrospectiva de estudios cl\u00ednicos.<\/p>\nRequisitos de un Sistema Cl\u00ednico MCTP para Fotones<\/h2>\n
Modelo de Haz: De la Medici\u00f3n a la Simulaci\u00f3n Completa<\/h3>\n
Modelo del Paciente y Conversi\u00f3n CT<\/h3>\n
C\u00e1lculo de Dosis y Evaluaci\u00f3n<\/h3>\n
Commissioning y Validaci\u00f3n del Monte Carlo para Fotones<\/h2>\n
![\"Proceso](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/mc-curvas-dose-profundidade.jpg\")
Tolerancias y Criterios de Aceptaci\u00f3n<\/h3>\n
Validaci\u00f3n: Mediciones y Comparaciones<\/h3>\n
\n\n
\n \nTipo de Medici\u00f3n<\/th>\n Descripci\u00f3n<\/th>\n Observaciones<\/th>\n<\/tr>\n<\/thead>\n \n Curvas de dosis en profundidad<\/td>\n Relativas y absolutas, campos abiertos y con modificadores<\/td>\n En agua o fantomas equivalentes; varios tama\u00f1os de campo incluyendo off-axis<\/td>\n<\/tr>\n \n Perfiles laterales<\/td>\n Campos abiertos, con cu\u00f1as, MLC, IMRT y VMAT<\/td>\n Tama\u00f1o de v\u00f3xel compatible con volumen sensible del detector<\/td>\n<\/tr>\n \n Factores de output<\/td>\n Calibraci\u00f3n absoluta de dosis (cGy\/MU)<\/td>\n M\u00e9todo multipunto preferible al de punto \u00fanico (Siebers et al., 1999)<\/td>\n<\/tr>\n \n Fantomas heterog\u00e9neos<\/td>\n Agua-hueso-agua o equivalentes<\/td>\n Valida transporte en materiales no-agua y conversi\u00f3n CT<\/td>\n<\/tr>\n \n Transmisi\u00f3n MLC<\/td>\n Perfiles de transmisi\u00f3n y fugas interlaminares<\/td>\n Hasta 10% de diferencia en DVHs si el MLC se modela imprecisamente<\/td>\n<\/tr>\n \n Cu\u00f1as din\u00e1micas (EDW)<\/td>\n Curvas de dosis y perfiles para diferentes \u00e1ngulos<\/td>\n Validaci\u00f3n con c\u00e1mara de ionizaci\u00f3n en m\u00faltiples puntos<\/td>\n<\/tr>\n \n Verificaci\u00f3n IMRT\/VMAT<\/td>\n MC vs medici\u00f3n para campos individuales<\/td>\n Pel\u00edcula + c\u00e1mara de ionizaci\u00f3n en fantoma s\u00f3lido<\/td>\n<\/tr>\n \n Planes cl\u00ednicos<\/td>\n Comparaci\u00f3n MC vs algoritmos convencionales<\/td>\n Casos simples y complejos, paciente en agua y con conversi\u00f3n CT<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n ![\"Equipamiento](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/mc-cherenkov-verificacao-dose-mama.jpg\")
Sistemas MCTP: Investigaci\u00f3n y Comerciales<\/h2>\n
\n\n
\n \nSistema<\/th>\n Instituci\u00f3n<\/th>\n C\u00f3digo MC<\/th>\n Modelo de Haz<\/th>\n<\/tr>\n<\/thead>\n \n RTMCNP<\/td>\n UCLA<\/td>\n MCNP4A<\/td>\n Interfaz amigable con MCNP<\/td>\n<\/tr>\n \n EGS4-MCTP<\/td>\n Memorial Sloan Kettering<\/td>\n EGS4<\/td>\n Fuente dual (primario + dispersi\u00f3n)<\/td>\n<\/tr>\n \n MCDOSE<\/td>\n Stanford \/ Fox Chase<\/td>\n EGS4<\/td>\n phsp o modelos de fuente m\u00faltiple<\/td>\n<\/tr>\n \n VCU MCTP<\/td>\n Virginia Commonwealth<\/td>\n EGSnrc<\/td>\n M\u00e9todo dedicado de transporte para MLC<\/td>\n<\/tr>\n \n RT_DPM<\/td>\n Univ. Michigan<\/td>\n DPM<\/td>\n Dose Planning Method<\/td>\n<\/tr>\n \n XVMC<\/td>\n Univ. T\u00fcbingen<\/td>\n XVMC<\/td>\n Modelo de fluencia virtual + optimizaci\u00f3n MC<\/td>\n<\/tr>\n \n MMCTP<\/td>\n McGill University<\/td>\n BEAMnrc + XVMC<\/td>\n DICOM-RT, contorneo, visualizaci\u00f3n<\/td>\n<\/tr>\n \n SMCP<\/td>\n Inselspital \/ Univ. Bern<\/td>\n EGSnrc o VMC++<\/td>\n Registrado en Eclipse (Varian); soporta protones, MERT, trayectoria din\u00e1mica<\/td>\n<\/tr>\n \n PRIMO<\/td>\n UPC \/ Essen<\/td>\n PENELOPE \/ DPM<\/td>\n GUI + importaci\u00f3n DICOM-RT<\/td>\n<\/tr>\n \n CARMEN<\/td>\n Univ. Sevilla<\/td>\n EGSnrc<\/td>\n MATLAB, optimizaci\u00f3n inversa mixta<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n \n\n
\n \nSistema<\/th>\n Fabricante<\/th>\n C\u00f3digo MC<\/th>\n Caracter\u00edsticas Principales<\/th>\n<\/tr>\n<\/thead>\n \n Peregrine<\/td>\n NOMOS \/ Corvus<\/td>\n Custom<\/td>\n Modelo de 4 fuentes con histogramas correlacionados (descontinuado)<\/td>\n<\/tr>\n \n Monaco<\/td>\n Elekta (CMS)<\/td>\n XVMC<\/td>\n Modelo de fluencia virtual con 11 par\u00e1metros; filtros de transmisi\u00f3n para MLC (~100x m\u00e1s r\u00e1pido que MC completo)<\/td>\n<\/tr>\n \n iPlan MC<\/td>\n Brainlab<\/td>\n Custom<\/td>\n 93 mediciones in-air + 97 en agua; opci\u00f3n speed vs accuracy para MLC<\/td>\n<\/tr>\n \n ISOgray<\/td>\n DOSIsoft<\/td>\n PENELOPE \/ PENFAST<\/td>\n Seguimiento selectivo de part\u00edculas; LINACs Elekta, Siemens y Varian<\/td>\n<\/tr>\n \n Precision MC<\/td>\n Accuray<\/td>\n Custom<\/td>\n CyberKnife con colimadores fijos, Iris y MLC; modelo de fuente \u00fanica<\/td>\n<\/tr>\n \n RayStation MC<\/td>\n RaySearch<\/td>\n GPU propio<\/td>\n Clase II condensed history; Woodcock tracking; 11s pr\u00f3stata dual-arc (3 mm\u00b3, GTX 1080Ti, 1% incertidumbre)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Aplicaciones Cl\u00ednicas: Ruido, Tiempo e Impacto Pulmonar<\/h2>\n
![\"Sala](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/mc-radioterapia-distribuicao-dose-sagital.jpg\")
Ruido en la Distribuci\u00f3n de Dosis y M\u00e9tricas Confiables<\/h3>\n
Tiempo de C\u00e1lculo y Optimizaci\u00f3n en GPU<\/h3>\n
Pulm\u00f3n: Donde MC Marca la Mayor Diferencia<\/h3>\n
Monte Carlo como Herramienta de QA<\/h3>\n