{"id":13305,"date":"2026-02-24T12:51:52","date_gmt":"2026-02-24T15:51:52","guid":{"rendered":"https:\/\/rtmedical.com.br\/protones-qa-monte-carlo\/"},"modified":"2026-04-03T19:00:45","modified_gmt":"2026-04-03T22:00:45","slug":"protones-qa-monte-carlo","status":"publish","type":"post","link":"https:\/\/rtmedical.com.br\/es\/protones-qa-monte-carlo\/","title":{"rendered":"Protones y QA Avanzado con Monte Carlo"},"content":{"rendered":"

Introducci\u00f3n a la Protonterapia y Monte Carlo<\/h2>\n

La protonterapia se ha consolidado como una de las t\u00e9cnicas m\u00e1s precisas de radioterapia externa, aprovechando el pico de Bragg para concentrar la dosis en el volumen blanco con una ca\u00edda abrupta en la regi\u00f3n distal. Sin embargo, la precisi\u00f3n que hace a los protones tan atractivos cl\u00ednicamente tambi\u00e9n exige modelos de c\u00e1lculo de dosis a la altura \u2014 y ah\u00ed es donde Monte Carlo se vuelve indispensable.<\/p>\n

\"Equipo
Foto: Jo McNamara \/ Pexels<\/figcaption><\/figure>\n

A diferencia de los fotones \u2014 cuyas interacciones est\u00e1n dominadas por el efecto Compton y el fotoel\u00e9ctrico \u2014 los protones pierden energ\u00eda mediante ionizaciones, dispersi\u00f3n m\u00faltiple de Coulomb e interacciones nucleares. Cada proceso depende de modelos f\u00edsicos distintos, secciones eficaces y constantes de materiales que los algoritmos anal\u00edticos simplifican considerablemente. Monte Carlo rastrea cada part\u00edcula individualmente y aplica distribuciones de probabilidad reales para cada interacci\u00f3n, alcanzando una precisi\u00f3n en dosis de aproximadamente 1%\u20132%, frente a incertidumbres potencialmente mayores de los algoritmos de pencil beam.<\/p>\n

Para una visi\u00f3n completa de todas las aplicaciones de Monte Carlo, consulte nuestra gu\u00eda completa sobre Monte Carlo en Radioterapia<\/a>.<\/p>\n

Entrega del Haz: Dispersi\u00f3n Pasiva vs. Barrido<\/h2>\n

Existen dos paradigmas fundamentales en la entrega de protones, y la complejidad de la simulaci\u00f3n Monte Carlo var\u00eda dr\u00e1sticamente entre ambos.<\/p>\n

En la dispersi\u00f3n pasiva<\/strong>, el haz se ensancha mediante un sistema de doble dispersi\u00f3n y se modula con una rueda moduladora rotatoria que crea el spread-out Bragg peak (SOBP). Colimadores (aperturas) conforman lateralmente el campo, y compensadores de rango moldean el borde distal a la forma del blanco. Cada campo posee una configuraci\u00f3n \u00fanica del cabezal \u2014 energ\u00eda, dispersores, modulador, apertura y compensador \u2014 lo que hace que los phase spaces sean poco reutilizables y las simulaciones computacionalmente costosas.<\/p>\n

En el barrido de haz<\/strong> (beam scanning), dos imanes deflectan pencil beams individuales en las direcciones $x$ e $y$, mientras la energ\u00eda se ajusta capa por capa antes de que el haz entre en la sala. No se requiere hardware espec\u00edfico para el paciente (aunque pueden usarse aperturas para mejorar la penumbra). Esta simplicidad permite construir modelos de fuente anal\u00edticos y phase spaces reutilizables, haciendo viable el uso cl\u00ednico rutinario de Monte Carlo en barrido.<\/p>\n

Como regla pr\u00e1ctica, aproximadamente el 1% de los protones primarios sufre una interacci\u00f3n nuclear por cent\u00edmetro de alcance del haz. Estas interacciones generan un halo nuclear<\/strong> alrededor de cada pencil beam, con contribuci\u00f3n significativa cuando m\u00faltiples beamlets se superponen. Las simulaciones Monte Carlo deben predecir este halo correctamente para obtener dosis precisas \u2014 algo que los algoritmos anal\u00edticos t\u00edpicamente ignoran o tratan de forma simplificada.<\/p>\n

Caracterizaci\u00f3n del Haz en la Entrada del Cabezal<\/h2>\n

El punto de partida de cualquier simulaci\u00f3n Monte Carlo en protonterapia es la parametrizaci\u00f3n del haz en la entrada del cabezal de tratamiento. Las variables clave son: energ\u00eda del haz ($E$), dispersi\u00f3n de energ\u00eda ($\\Delta E$), tama\u00f1o del spot ($\\sigma_x$, $\\sigma_y$) y distribuci\u00f3n angular ($\\sigma_{\\theta x}$, $\\sigma_{\\theta y}$).<\/p>\n

El tama\u00f1o t\u00edpico de un haz de protones est\u00e1 en el rango de 2\u20138 mm en $\\sigma$, mientras que la dispersi\u00f3n angular es del orden de 2\u20135 mm-mrad para haces provenientes de un ciclotr\u00f3n. Para dispersi\u00f3n pasiva, la dispersi\u00f3n angular en la entrada del cabezal tiene poca influencia en el haz de salida, ya que el material dispersor domina. Para beam scanning, la correlaci\u00f3n entre la posici\u00f3n de la part\u00edcula dentro del spot y su momento angular necesita ser modelada \u2014 una parametrizaci\u00f3n completa del espacio de fases puede derivarse de la l\u00ednea de haz magn\u00e9tica o por ajuste a datos medidos.<\/p>\n

La dispersi\u00f3n de energ\u00eda de un ciclotr\u00f3n es t\u00edpicamente menor al 1% ($\\Delta E\/E$), mientras que los sincrotrones pueden extraer haces con dispersi\u00f3n de energ\u00eda dos \u00f3rdenes de magnitud menor. Medir la energ\u00eda con precisi\u00f3n suficiente involucra an\u00e1lisis de curvas de Bragg en agua o t\u00e9cnicas de dispersi\u00f3n el\u00e1stica.<\/p>\n

Modelado Monte Carlo del Cabezal de Tratamiento<\/h2>\n

La fidelidad con que se modela el cabezal depende del objetivo de la simulaci\u00f3n. Para c\u00e1lculo de dosis en el paciente, basta incluir los principales dispositivos de conformaci\u00f3n del haz. En beam scanning, son los imanes de barrido y eventuales aperturas. En dispersi\u00f3n pasiva, incluye el sistema de doble dispersi\u00f3n, rueda moduladora, apertura y compensador.<\/p>\n

\"Sistema
Foto: Jo McNamara \/ Pexels<\/figcaption><\/figure>\n

La rueda moduladora \u2014 un componente mec\u00e1nico rotativo con pistas de diferentes espesores \u2014 puede tratarse en Monte Carlo como m\u00faltiples geometr\u00edas est\u00e1ticas o aplicando t\u00e9cnicas 4D que cambian la geometr\u00eda din\u00e1micamente. Los materiales comunes de las pistas incluyen polietileno (lexan) y plomo; una variaci\u00f3n del 10% en la densidad de estos materiales puede causar cambios de alcance del orden de 1 mm.<\/p>\n

Las aperturas deben modelarse expl\u00edcitamente debido a la radiaci\u00f3n secundaria y efectos de edge scattering. Los compensadores con geometr\u00eda irregular requieren importaci\u00f3n CAD o definici\u00f3n por puntos de contorno. Para simular patrones de barrido, las t\u00e9cnicas Monte Carlo 4D permiten estudiar detalles de los par\u00e1metros de entrega.<\/p>\n

Monte Carlo tambi\u00e9n se utiliza para dise\u00f1ar detectores de gamma prompt para verificaci\u00f3n de alcance, optimizar reconstrucci\u00f3n de im\u00e1genes para tomograf\u00eda computarizada con protones y estudiar dispersi\u00f3n en colimadores multil\u00e1minas como alternativa a aperturas espec\u00edficas por paciente. Las simulaciones pueden adem\u00e1s apoyar programas de QA cl\u00ednico<\/strong>, reduciendo la necesidad de estudios experimentales repetitivos al definir tolerancias para par\u00e1metros del haz.<\/p>\n

Phase Spaces y Modelos de Fuente<\/h2>\n

Un phase space registra tipo, energ\u00eda, direcci\u00f3n y posici\u00f3n de t\u00edpicamente decenas a cientos de millones de part\u00edculas en un plano perpendicular al eje central del haz. Para dispersi\u00f3n pasiva, los phase spaces en la salida del cabezal son poco \u00fatiles \u2014 cada campo tiene configuraci\u00f3n \u00fanica. Sin embargo, para beam scanning, las variaciones se limitan a energ\u00eda y configuraciones de imanes, y los phase spaces se vuelven altamente reutilizables.<\/p>\n

M\u00e1s all\u00e1 de los phase spaces, los modelos de fuente anal\u00edticos<\/strong> son viables para beam scanning: cada pencil beam se parametriza por posici\u00f3n ($x$, $y$), energ\u00eda, peso, divergencia y dispersi\u00f3n angular, derivados de mediciones de fluencia en aire y curvas dosis-profundidad en agua. Las part\u00edculas secundarias generadas en el cabezal t\u00edpicamente pueden despreciarse.<\/p>\n

Una precauci\u00f3n importante: caracterizar cada beamlet con una distribuci\u00f3n Gaussiana simple sobreestima la fluencia en el centro, ya que ignora el halo de protones dispersados en gran \u00e1ngulo. Una segunda Gaussiana en el formalismo suele ser necesaria para la correcci\u00f3n. Este hecho tiene implicaci\u00f3n directa en la viabilidad del Monte Carlo cl\u00ednico \u2014 dado que la mayor parte del tiempo computacional en dispersi\u00f3n pasiva se gasta rastreando part\u00edculas por el cabezal, el barrido de haz es \u00f3rdenes de magnitud m\u00e1s eficiente para simulaci\u00f3n.<\/p>\n

Conversi\u00f3n CT y Asignaci\u00f3n de Materiales<\/h2>\n

En el c\u00e1lculo de dosis con Monte Carlo, cada v\u00f3xel CT debe convertirse en composici\u00f3n material, densidad de masa y potencial de ionizaci\u00f3n. A diferencia de los algoritmos anal\u00edticos que usan stopping power relativo, Monte Carlo opera con propiedades materiales expl\u00edcitas.<\/p>\n

Los esquemas de conversi\u00f3n CT agrupan tejidos en 5\u201330 grupos que comparten composici\u00f3n material. Sin embargo, tejidos blandos en el rango de 0\u2013100 unidades Hounsfield (HU) se distinguen pobremente \u2014 n\u00fameros CT similares pueden representar composiciones elementales distintas. Un cambio de m\u00e9todo de conversi\u00f3n puede influir en el alcance del haz en 1\u20132 mm en tratamientos de cabeza y cuello.<\/p>\n\n\n\n\n\n\n\n\n
Par\u00e1metro de Conversi\u00f3n<\/th>\nImpacto T\u00edpico<\/th>\nObservaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n
Composici\u00f3n elemental<\/td>\nEfecto m\u00e1s significativo<\/td>\nDiferencias en H, C, O, Ca entre m\u00e9todos (Schneider vs Rogers)<\/td>\n<\/tr>\n
Densidad de masa<\/td>\nPapel menor en regi\u00f3n blanco<\/td>\nM\u00e1s relevante en hueso e interfaces<\/td>\n<\/tr>\n
Energ\u00eda media de excitaci\u00f3n<\/td>\n5%\u201315% de incertidumbre<\/td>\nImpacta directamente la predicci\u00f3n de alcance<\/td>\n<\/tr>\n
CT dual-energy<\/td>\nMejora asignaci\u00f3n material<\/td>\nProporciona dos mapas de atenuaci\u00f3n para composiciones m\u00e1s precisas<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Fuente: Monte Carlo Techniques in Radiation Therapy (2nd ed., CRC Press, 2022)<\/em><\/p>\n

Las energ\u00edas medias de excitaci\u00f3n para tejidos poseen incertidumbres del 5%\u201315%, reflejadas directamente en la predicci\u00f3n de alcance. El CT dual-energy mejora significativamente la asignaci\u00f3n material al proporcionar dos mapas de atenuaci\u00f3n diferentes, permitiendo determinar densidades electr\u00f3nicas relativas y n\u00fameros at\u00f3micos efectivos con mayor precisi\u00f3n.<\/p>\n

Dosis Absoluta y Dosis-en-Agua vs. Dosis-en-Tejido<\/h2>\n

Los sistemas de planificaci\u00f3n prescriben dosis en Gy por GigaProtones o en cGy por unidad monitora (MU). Monte Carlo puede simular directamente la carga recolectada en la c\u00e1mara de ionizaci\u00f3n de transmisi\u00f3n del cabezal \u2014 pero esto requiere muchas historias y un modelo detallado del nozzle. Alternativamente, se puede relacionar el n\u00famero de protones en la entrada del cabezal con la dosis en un SOBP en agua, m\u00e9todo equivalente cuando el modelo del cabezal es preciso.<\/p>\n

Una distinci\u00f3n fundamental: los algoritmos anal\u00edticos calculan dosis-en-agua<\/strong> (la experiencia cl\u00ednica, mediciones y constraints se basan en esto), mientras que Monte Carlo calcula intr\u00ednsecamente dosis-en-tejido<\/strong>. La diferencia puede alcanzar 10%\u201315% en anatom\u00eda \u00f3sea, pero es del orden de ~2% en tejidos blandos. En la pr\u00e1ctica, una conversi\u00f3n retroactiva multiplicando por stopping powers relativos independientes de energ\u00eda alcanza precisi\u00f3n de ~1%.<\/p>\n

Interacciones Nucleares e Impacto en la Dosis<\/h2>\n

Las interacciones nucleares contribuyen con bastante m\u00e1s del 10% de la dosis total, especialmente en la regi\u00f3n de entrada de la curva de Bragg, donde protones secundarios causan buildup por emisi\u00f3n predominantemente frontal. La reducci\u00f3n de fluencia primaria por colisiones nucleares tambi\u00e9n es notable.<\/p>\n

La energ\u00eda media en el pico de Bragg es aproximadamente el 10% de la energ\u00eda inicial. La secci\u00f3n eficaz de interacciones nucleares alcanza su m\u00e1ximo en ~20 MeV y decrece r\u00e1pidamente, haciendo despreciable la contribuci\u00f3n nuclear cerca de la posici\u00f3n del pico de Bragg pr\u00edstino. Para un SOBP, sin embargo, las contribuciones proximales al pico mantienen relevancia, causando una inclinaci\u00f3n (tilt) en el plateu del SOBP si se desprecian.<\/p>\n

Para c\u00e1lculos de dosis en el paciente, solo los protones secundarios de interacciones prot\u00f3n-n\u00facleo necesitan rastrearse \u2014 la energ\u00eda de otras part\u00edculas secundarias puede depositarse localmente cuando su alcance proyectado es menor que el tama\u00f1o del v\u00f3xel. Conozca m\u00e1s sobre estos principios en nuestro art\u00edculo sobre fundamentos de Monte Carlo en radioterapia<\/a>.<\/p>\n

Monte Carlo vs. Algoritmos Anal\u00edticos: Diferencias Cl\u00ednicas<\/h2>\n

La mayor\u00eda de los planes de tratamiento en protonterapia a\u00fan utiliza algoritmos anal\u00edticos de pencil beam, y Monte Carlo se ha usado tanto para validaci\u00f3n como para commissioning. Las diferencias son cl\u00ednicamente significativas en regiones con heterogeneidades tisulares pronunciadas.<\/p>\n

Diferencias en Alcance Predicho<\/h3>\n

El alcance de un campo cl\u00ednico de protones se define como $R_{90}$ \u2014 la posici\u00f3n del nivel de 90% de dosis en la ca\u00edda distal del SOBP. Globalmente, las diferencias de alcance entre anal\u00edtico y Monte Carlo son peque\u00f1as (ambos comisionados en agua). Localmente, sin embargo, discrepancias significativas ocurren donde el haz atraviesa heterogeneidades.<\/p>\n

En la pr\u00e1ctica cl\u00ednica, m\u00e1rgenes de alcance del orden de 3,5% + 1 mm se aplican com\u00fanmente. Con Monte Carlo, estos m\u00e1rgenes podr\u00edan reducirse uniformemente a 2,4% + 1,2 mm, independientemente de la complejidad geom\u00e9trica del paciente. Para geometr\u00edas homog\u00e9neas (como h\u00edgado), los m\u00e1rgenes pueden ser tan bajos como 2,7% + 1,2 mm, pero para geometr\u00edas con heterogeneidades laterales (cabeza y cuello, pulm\u00f3n), el anal\u00edtico puede requerir hasta 6,3% + 1,2 mm.<\/p>\n\n\n\n\n\n\n\n
Geometr\u00eda<\/th>\nMargen con Anal\u00edtico<\/th>\nMargen con Monte Carlo<\/th>\n<\/tr>\n<\/thead>\n
Homog\u00e9nea (h\u00edgado)<\/td>\n2,7% + 1,2 mm<\/td>\n2,4% + 1,2 mm<\/td>\n<\/tr>\n
Heterogeneidades laterales (cabeza\/cuello, pulm\u00f3n)<\/td>\nHasta 6,3% + 1,2 mm<\/td>\n2,4% + 1,2 mm<\/td>\n<\/tr>\n
Gen\u00e9rica (pr\u00e1ctica corriente)<\/td>\n3,5% + 1 mm<\/td>\n2,4% + 1,2 mm<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Fuente: Monte Carlo Techniques in Radiation Therapy (2nd ed., CRC Press, 2022)<\/em><\/p>\n

Diferencias en la Dosis Predicha<\/h3>\n

La mayor dispersi\u00f3n m\u00faltiple predicha por Monte Carlo causa un ensanchamiento de la distribuci\u00f3n de dosis y consecuentemente menor dosis en la regi\u00f3n de alto-medio dose. La dosis en el blanco por Monte Carlo es generalmente ligeramente menor que la predicha por el anal\u00edtico. Para pacientes de cabeza y cuello y pulm\u00f3n, diferencias en la dosis media del blanco pueden alcanzar el 4%. En mama e h\u00edgado, se mantienen alrededor del 2%. Campos peque\u00f1os son a\u00fan m\u00e1s sensibles.<\/p>\n

Casos extremos incluyen implantes met\u00e1licos \u2014 como implantes dentales en c\u00e1ncer de cabeza y cuello \u2014 que causan perturbaciones de dosis significativas, t\u00edpicamente no predichas con precisi\u00f3n por algoritmos anal\u00edticos debido a la naturaleza de alto-Z de estos materiales. Para detalles sobre c\u00e1lculo de dosis en escenarios complejos, vea nuestro art\u00edculo sobre c\u00e1lculo de dosis Monte Carlo en el paciente<\/a>.<\/p>\n

Implementaci\u00f3n Cl\u00ednica y Planificaci\u00f3n Basada en Monte Carlo<\/h2>\n

Implementar Monte Carlo en la cl\u00ednica de protonterapia implica transferir informaci\u00f3n del sistema de planificaci\u00f3n al c\u00f3digo Monte Carlo v\u00eda interfaz DICOM-RTion. Los principales centros de protones ya operan con sistemas Monte Carlo in-house para verificaci\u00f3n de dosis o investigaci\u00f3n. La interfaz necesita traducir \u00e1ngulo de gantry, \u00e1ngulo de mesa, posici\u00f3n de isocentro, dimensiones de v\u00f3xel y dosis prescrita.<\/p>\n

Para planificaci\u00f3n inversa<\/strong> con Monte Carlo (IMPT), los requisitos computacionales son m\u00e1s estrictos \u2014 cada beamlet posible debe precalcularse con alta precisi\u00f3n estad\u00edstica antes de la optimizaci\u00f3n. Herramientas r\u00e1pidas de Monte Carlo son esenciales. En la pr\u00e1ctica, la optimizaci\u00f3n puede basarse en el algoritmo anal\u00edtico y usar Monte Carlo solo para ajustes finos o en checkpoints limitados durante el proceso iterativo.<\/p>\n

Los principales proveedores de sistemas de planificaci\u00f3n trabajan actualmente en la incorporaci\u00f3n de Monte Carlo. Mejoras tanto en la eficiencia computacional del software como en el hardware han hecho viable su uso rutinario.<\/p>\n

QA Avanzado con Monte Carlo en Protonterapia<\/h2>\n

El control de calidad en protonterapia se beneficia enormemente de Monte Carlo de varias formas:<\/p>\n

Primero, las simulaciones pueden definir tolerancias<\/strong> para par\u00e1metros del haz. Variando sistem\u00e1ticamente par\u00e1metros de entrada y observando el impacto en las distribuciones de dosis, se establecen l\u00edmites aceptables para tama\u00f1o de spot, energ\u00eda y alineaci\u00f3n del cabezal sin necesidad de mediciones extensivas.<\/p>\n

Segundo, Monte Carlo se usa para recalcular planes a partir de log files<\/strong> de tratamiento, permitiendo verificaci\u00f3n dosis-entrega que considera lo que realmente se entreg\u00f3, no solo lo planificado.<\/p>\n

Tercero, aplicaciones de verificaci\u00f3n de alcance<\/strong> usan simulaciones Monte Carlo para modelar la emisi\u00f3n de gamas prompt \u2014 fotones emitidos durante interacciones nucleares que portan informaci\u00f3n sobre la posici\u00f3n del pico de Bragg in vivo. Monte Carlo es esencial para dise\u00f1ar detectores y optimizar algoritmos de reconstrucci\u00f3n.<\/p>\n

Cuarto, simulaciones de distribuciones de LET<\/strong> (transferencia lineal de energ\u00eda) son fundamentales para consideraciones radiobiol\u00f3gicas. El LET var\u00eda considerablemente a lo largo de la profundidad en protonterapia, con implicaciones directas para la efectividad biol\u00f3gica relativa (RBE). Monte Carlo permite mapear estas distribuciones con precisi\u00f3n espacial que las mediciones experimentales dif\u00edcilmente alcanzan.<\/p>\n

Finalmente, simulaciones de track structure<\/strong> a escala nanom\u00e9trica \u2014 usando extensiones como TOPAS-nBio basado en Geant4-DNA \u2014 permiten investigar da\u00f1os al ADN y clustering de ionizaciones en vol\u00famenes subcelulares, conectando la f\u00edsica del transporte de part\u00edculas directamente con la radiobiolog\u00eda.<\/p>\n

C\u00f3digos Monte Carlo para Protonterapia<\/h2>\n

Diversos c\u00f3digos est\u00e1n disponibles para simulaciones en protonterapia:<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n
C\u00f3digo<\/th>\nBase<\/th>\nCaracter\u00edsticas<\/th>\n<\/tr>\n<\/thead>\n
TOPAS<\/td>\nGeant4<\/td>\nInterfaz amigable, sin necesidad de programaci\u00f3n; apoyado por NCI<\/td>\n<\/tr>\n
GATE<\/td>\nGeant4<\/td>\nFramework para aplicaciones de radioterapia e imagen<\/td>\n<\/tr>\n
GAMOS<\/td>\nGeant4<\/td>\nFramework de simulaci\u00f3n con interfaz simplificada<\/td>\n<\/tr>\n
PTsim<\/td>\nGeant4<\/td>\nDedicado a protonterapia<\/td>\n<\/tr>\n
FICTION<\/td>\nFLUKA<\/td>\nWrapper para FLUKA orientado a radioterapia<\/td>\n<\/tr>\n
FLUKA<\/td>\nStandalone<\/td>\nC\u00f3digo multiprop\u00f3sito con modelos nucleares detallados<\/td>\n<\/tr>\n
MCNPX<\/td>\nStandalone<\/td>\nAmplia biblioteca de secciones eficaces<\/td>\n<\/tr>\n
VMCpro<\/td>\nStandalone<\/td>\nOptimizado para velocidad en protonterapia<\/td>\n<\/tr>\n
Shield-Hit<\/td>\nStandalone<\/td>\nEnfocado en iones pesados y protones<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Fuente: Monte Carlo Techniques in Radiation Therapy (2nd ed., CRC Press, 2022)<\/em><\/p>\n

TOPAS merece menci\u00f3n especial: dise\u00f1ado dentro de la iniciativa ‘Informatics Technologies for Cancer Research’ del NCI, permite que no-expertos y no-f\u00edsicos realicen simulaciones Monte Carlo complejas sin necesidad de programaci\u00f3n. Para m\u00e1s sobre c\u00f3digos y aplicaciones en diferentes modalidades, vea nuestro art\u00edculo sobre Monte Carlo para haces de iones<\/a>.<\/p>\n

Eficiencia Computacional y Perspectivas<\/h2>\n

La eficiencia de Monte Carlo en protonterapia depende de varios factores: n\u00famero de historias, tama\u00f1o de paso (limitado por el v\u00f3xel CT, t\u00edpicamente 0,5\u20135 mm), y algoritmos de tracking en geometr\u00eda voxelizada. T\u00e9cnicas de re-segmentaci\u00f3n de la geometr\u00eda y denoising (suavizado) de distribuciones de dosis permiten reducir el n\u00famero de historias necesarias, aunque deben aplicarse con cautela \u2014 los m\u00e9todos de suavizado tienden a suavizar gradientes de dosis, lo cual es especialmente problem\u00e1tico en protonterapia.<\/p>\n

La incertidumbre estad\u00edstica deseada es t\u00edpicamente menor al 2% en el volumen blanco. Se necesitan menos protones para alcanzar esta precisi\u00f3n comparado con fotones, ya que los protones son directamente ionizantes con mayor LET. La interpolaci\u00f3n de la grid CT a v\u00f3xeles mayores no es recomendada antes de la simulaci\u00f3n (el promedio de composiciones materiales no est\u00e1 bien definido), pero el re-sampling puede hacerse despu\u00e9s del c\u00e1lculo de dosis con ponderaci\u00f3n volum\u00e9trica adecuada.<\/p>\n

Con la evoluci\u00f3n simult\u00e1nea de software (c\u00f3digos m\u00e1s eficientes, GPUs) y hardware, Monte Carlo para protonterapia avanza firmemente hacia convertirse en el est\u00e1ndar de c\u00e1lculo de dosis \u2014 reemplazando progresivamente los algoritmos anal\u00edticos que dominaron las \u00faltimas d\u00e9cadas. Para entender c\u00f3mo la inteligencia artificial puede acelerar a\u00fan m\u00e1s esta transici\u00f3n, consulte nuestro art\u00edculo sobre IA y el futuro de Monte Carlo en radioterapia<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"

Simulaciones Monte Carlo en protonterapia: modelado del cabezal, c\u00e1lculo de dosis en paciente, conversi\u00f3n CT y QA avanzado. Gu\u00eda t\u00e9cnica completa.<\/p>\n","protected":false},"author":1,"featured_media":15613,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"ngg_post_thumbnail":0,"fifu_image_url":"","fifu_image_alt":"","footnotes":""},"categories":[182,231],"tags":[162,164,163,166,165],"class_list":{"0":"post-13305","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-radioterapia-es","8":"category-software-es","9":"tag-dicom-3","10":"tag-hl7-3","11":"tag-pacs-4","12":"tag-radiologia-digital-2","13":"tag-workflow-3"},"aioseo_notices":[],"rt_seo":{"title":"","description":"","canonical":"","og_image":"","robots":"default","schema_type":"default","include_in_llms":false,"llms_label":"","llms_summary":"","faq_items":[],"video":[],"gtin":"","mpn":"","brand":"","aggregate_rating":[]},"_links":{"self":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/13305\/"}],"collection":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/"}],"about":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/types\/post\/"}],"author":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/users\/1\/"}],"replies":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/comments\/?post=13305"}],"version-history":[{"count":2,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/13305\/revisions\/"}],"predecessor-version":[{"id":16270,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/13305\/revisions\/16270\/"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/15613\/"}],"wp:attachment":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/?parent=13305"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/categories\/?post=13305"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/tags\/?post=13305"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}