{"id":16884,"date":"2026-04-04T14:32:00","date_gmt":"2026-04-04T17:32:00","guid":{"rendered":"https:\/\/rtmedical.com.br\/tmp-es-1775323918603\/"},"modified":"2026-04-04T17:54:20","modified_gmt":"2026-04-04T20:54:20","slug":"calculo-dosis-fotones-algoritmos","status":"publish","type":"post","link":"https:\/\/rtmedical.com.br\/es\/calculo-dosis-fotones-algoritmos\/","title":{"rendered":"C\u00e1lculo de Dosis por Fotones: Del Emp\u00edrico al Monte Carlo"},"content":{"rendered":"<div class=\"toc\">\n<h2>Neste Guia<\/h2>\n<ul>\n<li><a href=\"#requisitos\">1. Requisitos do C\u00e1lculo de Dose Moderno<\/a><\/li>\n<li><a href=\"#geometria\">2. Geometria do Paciente e Scaling de Densidade<\/a><\/li>\n<li><a href=\"#calibracao\">3. Calibra\u00e7\u00e3o e Dose na \u00c1gua vs. Dose no Tecido<\/a><\/li>\n<li><a href=\"#classificacao\">4. Classifica\u00e7\u00e3o dos Algoritmos<\/a><\/li>\n<li><a href=\"#broad-beam\">5. M\u00e9todos Emp\u00edricos Broad-Beam<\/a><\/li>\n<li><a href=\"#clarkson\">6. Separa\u00e7\u00e3o Prim\u00e1rio-Espalhamento e Clarkson<\/a><\/li>\n<li><a href=\"#convolucao\">7. Convolu\u00e7\u00e3o de Kernels e TERMA<\/a><\/li>\n<li><a href=\"#ccc\">8. Collapsed Cone Convolution<\/a><\/li>\n<li><a href=\"#pencil-beam-aaa\">9. Pencil Beam e AAA<\/a><\/li>\n<li><a href=\"#monte-carlo\">10. Monte Carlo e Acuros<\/a><\/li>\n<li><a href=\"#comparacao\">11. Compara\u00e7\u00e3o na Pr\u00e1tica Cl\u00ednica<\/a><\/li>\n<\/ul>\n<\/div>\n<p>Qual algoritmo de c\u00e1lculo de dose seu TPS est\u00e1 realmente usando \u2014 e quais s\u00e3o as consequ\u00eancias disso para o paciente? Essa pergunta deveria manter todo f\u00edsico m\u00e9dico atento. Os algoritmos de c\u00e1lculo de dose por f\u00f3tons evolu\u00edram dramaticamente nas \u00faltimas d\u00e9cadas, partindo de corre\u00e7\u00f5es emp\u00edricas tabulares at\u00e9 simula\u00e7\u00f5es de transporte de part\u00edculas que modelam cada intera\u00e7\u00e3o individualmente. Neste guia, percorremos toda essa jornada: dos m\u00e9todos broad-beam e collapsed cone convolution at\u00e9 os c\u00e1lculos de dose com Monte Carlo e Acuros, mostrando onde cada abordagem brilha e onde falha.<\/p>\n<p>Entender essas diferen\u00e7as n\u00e3o \u00e9 exerc\u00edcio acad\u00eamico. Na era do IMRT e VMAT, o algoritmo de c\u00e1lculo determina diretamente se a otimiza\u00e7\u00e3o inversa converge para uma solu\u00e7\u00e3o clinicamente aceit\u00e1vel. Um pencil beam pode superestimar a cobertura de PTV em pulm\u00e3o por at\u00e9 10% comparado a um Monte Carlo \u2014 e essa discrep\u00e2ncia pode mudar a decis\u00e3o cl\u00ednica. Os sistemas de planejamento modernos oferecem m\u00faltiplos algoritmos, e o f\u00edsico m\u00e9dico precisa saber escolher o mais adequado para cada cen\u00e1rio.<\/p>\n<h2 id=\"requisitos\">Requisitos do C\u00e1lculo de Dose na Radioterapia Moderna<\/h2>\n<p>O c\u00e1lculo de dose no paciente precisa ser preciso, r\u00e1pido e abrangente. Parece simples, mas esses tr\u00eas requisitos competem entre si constantemente. Desde os primeiros cap\u00edtulos do Handbook of Radiotherapy Physics, Rosenwald enfatiza que o objetivo final dos algoritmos \u00e9 predizer acuradamente a dose entregue dentro das estruturas anat\u00f4micas do paciente \u2014 dose alta o suficiente no tumor para destruir c\u00e9lulas malignas, mas abaixo do limiar aceit\u00e1vel para tecidos normais.<\/p>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"alignright lazyload\" data-src=\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/fig27-7-ct-thorax-dose-calibration.jpg\" alt=\"Corte axial de TC de t\u00f3rax mostrando pulm\u00f5es e mediastino usado para planejamento de radioterapia\" src=\"data:image\/svg+xml;base64,PHN2ZyB3aWR0aD0iMSIgaGVpZ2h0PSIxIiB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciPjwvc3ZnPg==\" style=\"--smush-placeholder-width: 593px; --smush-placeholder-aspect-ratio: 593\/434;\"><figcaption>TC de t\u00f3rax: base para o c\u00e1lculo de dose voxel a voxel. Fonte: Handbook of Radiotherapy Physics, 2nd Ed.<\/figcaption><\/figure>\n<p>Quanto de precis\u00e3o \u00e9 necess\u00e1rio? Ahnesj\u00f6 e Aspradakis (1999) analisaram essa quest\u00e3o de forma elegante em um artigo que permanece refer\u00eancia at\u00e9 hoje. O c\u00e1lculo de dose \u00e9 apenas um elo numa cadeia de incertezas que vai da calibra\u00e7\u00e3o do feixe at\u00e9 o posicionamento do paciente. A incerteza combinada ($k=1$) dessa cadeia, excluindo o c\u00e1lculo de dose, fica em torno de 4,1% com a t\u00e9cnica atual. Adicionando uma incerteza de c\u00e1lculo de 2% a 3%, a incerteza global sobe marginalmente \u2014 de 4,1% para 4,6% ou 5,1%. J\u00e1 uma incerteza de c\u00e1lculo de 5% eleva o total para 6,5%, o que se torna clinicamente relevante e inaceit\u00e1vel.<\/p>\n<h3>Tabela de Incertezas no C\u00e1lculo de Dose<\/h3>\n<table>\n<thead>\n<tr>\n<th>Fonte de incerteza<\/th>\n<th>T\u00e9cnica atual (% \u0394D\/D)<\/th>\n<th>Futuro (% \u0394D\/D)<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Dose absorvida no ponto de calibra\u00e7\u00e3o<\/td>\n<td>2,0<\/td>\n<td>1,0<\/td>\n<\/tr>\n<tr>\n<td>Incerteza adicional para outros pontos<\/td>\n<td>1,1<\/td>\n<td>0,5<\/td>\n<\/tr>\n<tr>\n<td>Estabilidade do monitor<\/td>\n<td>1,0<\/td>\n<td>0,5<\/td>\n<\/tr>\n<tr>\n<td>Planicidade do feixe<\/td>\n<td>1,5<\/td>\n<td>0,8<\/td>\n<\/tr>\n<tr>\n<td>Incertezas dos dados do paciente<\/td>\n<td>1,5<\/td>\n<td>1,0<\/td>\n<\/tr>\n<tr>\n<td>Setup feixe e paciente<\/td>\n<td>2,5<\/td>\n<td>1,6<\/td>\n<\/tr>\n<tr>\n<td><strong>Global excluindo c\u00e1lculo de dose<\/strong><\/td>\n<td><strong>4,1<\/strong><\/td>\n<td><strong>2,4<\/strong><\/td>\n<\/tr>\n<tr>\n<td>C\u00e1lculo de dose (alvo razo\u00e1vel)<\/td>\n<td><strong>2,0\u20133,0<\/strong><\/td>\n<td><strong>1,0<\/strong><\/td>\n<\/tr>\n<tr>\n<td><strong>Incerteza global resultante<\/strong><\/td>\n<td><strong>4,6\u20135,1<\/strong><\/td>\n<td><strong>2,6<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Fonte: Adaptado de Ahnesj\u00f6 &amp; Aspradakis, Phys. Med. Biol., 44, R99\u2013R155, 1999. Incertezas expressas como k=1.<\/em><\/p>\n<p>Esse valor de ~2% \u00e9 considerado razo\u00e1vel para a t\u00e9cnica atual. Quase 20 anos ap\u00f3s essa publica\u00e7\u00e3o, a precis\u00e3o dosim\u00e9trica em cada etapa anterior ao c\u00e1lculo n\u00e3o melhorou dramaticamente \u2014 portanto, conforme Van Dyk e Battista (2014), a coluna &#8220;t\u00e9cnica presente&#8221; continua representativa da realidade cl\u00ednica.<\/p>\n<p>A velocidade \u00e9 o outro lado da moeda. Com a distribui\u00e7\u00e3o 3D completa sendo exigida para todos os feixes simultaneamente, o poder computacional nunca parece suficiente. Para o planejamento interativo forward, o tempo de resposta deve ficar entre 10 e 20 segundos para que o planner consiga avaliar visualmente as mudan\u00e7as de dose ao modificar par\u00e2metros do feixe. Com o IMRT, a demanda \u00e9 ainda mais extrema: o c\u00e1lculo precisa ser repetido para dezenas de feixes, centenas de itera\u00e7\u00f5es, em milhares de pontos.<\/p>\n<p>Acelerar o c\u00e1lculo quase sempre significa sacrificar precis\u00e3o \u2014 para um dado hardware. A escolha do algoritmo em cada situa\u00e7\u00e3o cl\u00ednica \u00e9, portanto, um compromisso consciente. Uma solu\u00e7\u00e3o pr\u00e1tica adotada em muitos servi\u00e7os: usar um algoritmo r\u00e1pido durante a otimiza\u00e7\u00e3o inversa e depois confirmar a distribui\u00e7\u00e3o de dose final com um algoritmo mais preciso (por exemplo, otimizar com pencil beam e verificar com Monte Carlo). Por\u00e9m, se o algoritmo r\u00e1pido tiver limita\u00e7\u00f5es significativas, a otimiza\u00e7\u00e3o pode convergir para uma solu\u00e7\u00e3o que o algoritmo preciso rejeita \u2014 gerando retrabalho.<\/p>\n<h2 id=\"geometria\">Geometria do Paciente e Scaling de Densidade<\/h2>\n<p>O c\u00e1lculo de dose em qualquer ponto do paciente come\u00e7a pela geometria. A representa\u00e7\u00e3o mais eficaz da anatomia \u00e9 uma matriz 3D de voxels derivada de uma tomografia computadorizada (CT) na posi\u00e7\u00e3o de tratamento. Idealmente, a densidade e composi\u00e7\u00e3o exata de cada voxel deveriam ser consideradas, mas simplifica\u00e7\u00f5es s\u00e3o inevit\u00e1veis.<\/p>\n<p>Como primeira aproxima\u00e7\u00e3o, basta calcular a espessura de tecido ao longo da linha que liga a fonte ao ponto de c\u00e1lculo \u2014 isso d\u00e1 conta do componente prim\u00e1rio. O conceito de <strong>caminho equivalente<\/strong> (equivalent path length) \u00e9 intuitivo: o produto $t_m \\times \\rho_m$ de uma espessura $t_m$ de material $m$ pela sua densidade $\\rho_m$ produz aproximadamente a mesma atenua\u00e7\u00e3o para f\u00f3tons que o produto $t_w \\times \\rho_w$ em \u00e1gua ($\\rho_w = 1$):<\/p>\n<p>$$t_w = t_m \\times \\rho_m$$<\/p>\n<p>Essa equival\u00eancia \u00e9 rigorosa para o componente prim\u00e1rio de um feixe polienerg\u00e9tico, desde que a densidade seja expressa como densidade eletr\u00f4nica relativa \u00e0 \u00e1gua e apenas intera\u00e7\u00f5es Compton sejam consideradas. Para tecidos como osso ou pulm\u00e3o (que cont\u00e9m ar), o conte\u00fado de hidrog\u00eanio difere da \u00e1gua; nesses casos, \u00e9 prefer\u00edvel usar o scaling por densidade eletr\u00f4nica (Seco e Evans 2006).<\/p>\n<p>Para precis\u00e3o maior, precisamos considerar tamb\u00e9m os f\u00f3tons espalhados e os el\u00e9trons secund\u00e1rios. O <strong>teorema de O&#8217;Connor<\/strong> (1957) estende o m\u00e9todo de caminho equivalente para as dimens\u00f5es laterais: quando dois meios de densidades diferentes mas mesma composi\u00e7\u00e3o at\u00f4mica s\u00e3o expostos ao mesmo feixe, a dose em pontos correspondentes nos dois meios ser\u00e1 a mesma desde que <em>todas<\/em> as dist\u00e2ncias geom\u00e9tricas \u2014 incluindo tamanhos de campo \u2014 sejam escaladas inversamente com a densidade. Esse resultado \u00e9 importante conceitualmente, mas de aplica\u00e7\u00e3o pr\u00e1tica limitada em pacientes reais, onde a composi\u00e7\u00e3o at\u00f4mica varia.<\/p>\n<p>Para el\u00e9trons secund\u00e1rios e feixes de part\u00edculas carregadas, considera\u00e7\u00f5es similares de scaling baseadas em raz\u00f5es de stopping power podem ser \u00fateis (teorema de Fano). A transforma\u00e7\u00e3o do sistema de coordenadas do paciente ($X_p, Y_p, Z_p$) para o sistema do feixe segue o padr\u00e3o IEC 61217:2011 \u2014 uma estrutura hier\u00e1rquica de sistemas cartesianos para paciente, gantry, colimador e mesa. A escolha do tamanho do grid de c\u00e1lculo \u00e9 um compromisso entre velocidade e precis\u00e3o (Niemierko e Goitein 1989).<\/p>\n<p>Com scanners CT dispon\u00edveis, a geometria baseada em voxels (bitmap) substituiu a representa\u00e7\u00e3o vetorial que usava contornos mec\u00e2nicos. Cada voxel carrega sua densidade; o caminho equivalente \u00e9 calculado pela soma dos produtos $t_i \\times \\rho_i$ ao longo da linha fonte-ponto, onde $t_i$ \u00e9 a dist\u00e2ncia geom\u00e9trica e $\\rho_i$ a densidade de cada voxel atravessado.<\/p>\n<h2 id=\"calibracao\">Calibra\u00e7\u00e3o e o Debate Dose na \u00c1gua vs. Dose no Tecido<\/h2>\n<p>Todo algoritmo de c\u00e1lculo de dose deve ser capaz de fornecer a dose absoluta (em Gy) para um dado n\u00famero de unidades monitoras (UM). Na pr\u00e1tica, os algoritmos calculam distribui\u00e7\u00f5es relativas, normalizadas a um ponto de refer\u00eancia \u2014 o isocentro, o ponto ICRU ou a profundidade de m\u00e1ximo ($d_{max}$). A liga\u00e7\u00e3o entre dose relativa e absoluta \u00e9 feita por um processo de <strong>calibra\u00e7\u00e3o interna<\/strong>.<\/p>\n<p>O TPS simula as condi\u00e7\u00f5es de calibra\u00e7\u00e3o do feixe (incid\u00eancia normal em fantoma de \u00e1gua, dist\u00e2ncia e campo de refer\u00eancia) e calcula a dose relativa $D_{ref,calc}^{rel}$ (em unidades arbitr\u00e1rias). A dose medida $D_{ref,meas}$ (em Gy\/UM) \u00e9 fornecida durante o commissioning. O coeficiente de calibra\u00e7\u00e3o interna fica:<\/p>\n<p>$$k_c = \\frac{D_{ref,meas}}{D_{ref,calc}^{rel}} \\quad (\\text{Gy} \\cdot \\text{UM}^{-1} \\cdot \\text{u.a.}^{-1})$$<\/p>\n<p>A dose absoluta em qualquer ponto $(x,y,z)$ para qualquer situa\u00e7\u00e3o \u00e9 ent\u00e3o $D(x,y,z) = k_c \\cdot D^{rel}(x,y,z)$ em Gy\/UM. Uma verifica\u00e7\u00e3o fundamental e simples: calcular a dose nas condi\u00e7\u00f5es de refer\u00eancia para um dado n\u00famero de UMs e confirmar que coincide com a dose medida (tipicamente dentro de 0,1%).<\/p>\n<p>O debate sobre reportar <strong>dose na \u00e1gua<\/strong> ($D_w$) ou <strong>dose no tecido<\/strong> ($D_t$) tem dimens\u00f5es cl\u00ednicas e hist\u00f3ricas importantes. A favor de $D_w$: a maior parte da experi\u00eancia cl\u00ednica e dos ensaios cl\u00ednicos se baseia nessa quantidade. A favor de $D_t$: \u00e9 a dose &#8220;real&#8221; e, portanto, mais relevante para avalia\u00e7\u00e3o cl\u00ednica. A diferen\u00e7a pr\u00e1tica para tecidos moles \u00e9 de ~1% (o fator 0,99), mas para osso compacto pode chegar a 6\u201311% dependendo do m\u00e9todo de convers\u00e3o utilizado.<\/p>\n<p>Andreo (2015) conduziu uma investiga\u00e7\u00e3o rigorosa sobre os m\u00e9todos de convers\u00e3o e concluiu que \u00e9 importante considerar as modifica\u00e7\u00f5es da flu\u00eancia eletr\u00f4nica entre tecido real e tecido &#8220;water-like&#8221;. Como a modifica\u00e7\u00e3o da flu\u00eancia \u00e9 oposta \u00e0 modifica\u00e7\u00e3o da raz\u00e3o de stopping power, o coeficiente de convers\u00e3o \u00e9 geralmente superestimado quando a corre\u00e7\u00e3o de flu\u00eancia \u00e9 ignorada. Considerando que: (i) a composi\u00e7\u00e3o at\u00f4mica real do tecido n\u00e3o \u00e9 conhecida com precis\u00e3o, (ii) a diferen\u00e7a pr\u00e1tica para casos cl\u00ednicos entre $D_w$ e $D_t$ \u00e9 pequena, e (iii) os m\u00e9todos de convers\u00e3o implementados na maioria dos TPS s\u00e3o aproxima\u00e7\u00f5es grosseiras \u2014 Andreo e outros (incluindo Ma e Li 2011) recomendam simplesmente reportar $D_t$ para c\u00e1lculos Monte Carlo.<\/p>\n<p>O relat\u00f3rio TG-329 da AAPM (2020) tenta fechar essa quest\u00e3o: recomenda que todas as m\u00e1quinas sejam calibradas em dose na \u00e1gua, mas que futuros TPS especifiquem dose no tecido, aplicando a corre\u00e7\u00e3o de 0,99 para tecido mole tanto para f\u00f3tons quanto para el\u00e9trons, se o sistema n\u00e3o a aplicar automaticamente. Cada servi\u00e7o deve verificar como seu TPS se comporta e tomar uma decis\u00e3o consciente.<\/p>\n<h2 id=\"classificacao\">Classifica\u00e7\u00e3o dos Algoritmos de C\u00e1lculo de Dose por F\u00f3tons<\/h2>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"alignleft lazyload\" data-src=\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/fig27-8-kernel-integration-types.png\" alt=\"Quatro tipos de integra\u00e7\u00e3o de kernels: broad beam, slab beam, pencil beam e point spread kernel em representa\u00e7\u00e3o 3D\" src=\"data:image\/svg+xml;base64,PHN2ZyB3aWR0aD0iMSIgaGVpZ2h0PSIxIiB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciPjwvc3ZnPg==\" style=\"--smush-placeholder-width: 2251px; --smush-placeholder-aspect-ratio: 2251\/2353;\"><figcaption>Tipos de integra\u00e7\u00e3o de kernels segundo Battista et al. (1997). Fonte: Handbook of Radiotherapy Physics, 2nd Ed.<\/figcaption><\/figure>\n<p>N\u00e3o existe consenso absoluto sobre como classificar os algoritmos de c\u00e1lculo de dose. V\u00e1rios autores propuseram esquemas diferentes, e a realidade \u00e9 que muitos algoritmos comerciais combinam elementos de diferentes categorias.<\/p>\n<p>A classifica\u00e7\u00e3o do ICRU (1987) distinguia entre formatos tabulares (ou de matriz), fun\u00e7\u00f5es geradoras de feixe, separa\u00e7\u00e3o de radia\u00e7\u00e3o prim\u00e1ria e espalhada, e representa\u00e7\u00f5es usando princ\u00edpios b\u00e1sicos. Mackie et al. (1995) simplificaram para duas categorias: m\u00e9todos <strong>baseados em corre\u00e7\u00e3o<\/strong> (correction-based) \u2014 que partem de uma distribui\u00e7\u00e3o de dose em feixe aberto em \u00e1gua e aplicam fatores de corre\u00e7\u00e3o para modificadores de feixe e caracter\u00edsticas do paciente \u2014 e m\u00e9todos <strong>baseados em modelo<\/strong> (model-based) \u2014 que computam diretamente a intera\u00e7\u00e3o no paciente. Lu (2013) adicionou uma terceira categoria: m\u00e9todos <strong>baseados em princ\u00edpios<\/strong>, referindo-se especificamente \u00e0 simula\u00e7\u00e3o computacional do transporte de part\u00edculas (Monte Carlo e m\u00e9todos determin\u00edsticos). O relat\u00f3rio ICRU 91 (2017) sugeriu que a categoria correction-based fosse renomeada para &#8220;factor-based&#8221;.<\/p>\n<p>Battista et al. (1997) propuseram uma classifica\u00e7\u00e3o segundo a dimensionalidade da integra\u00e7\u00e3o dos kernels. Sem integra\u00e7\u00e3o (broad beam \u2014 feixe tratado como um todo), 1D (slab beam), 2D (pencil beam) e 3D (point spread kernel). Essa classifica\u00e7\u00e3o \u00e9 particularmente \u00fatil para entender a progress\u00e3o dos algoritmos e tem a vantagem de ser concreta.<\/p>\n<p>Talvez a distin\u00e7\u00e3o mais \u00fatil clinicamente foi proposta por Kn\u00f6\u00f6s et al. (2006), que separaram algoritmos <strong>tipo &#8220;a&#8221;<\/strong> \u2014 que assumem deposi\u00e7\u00e3o local de energia, ignorando o transporte de el\u00e9trons secund\u00e1rios a dist\u00e2ncia do ponto de intera\u00e7\u00e3o \u2014 dos <strong>tipo &#8220;b&#8221;<\/strong> \u2014 que tratam esse transporte explicitamente. Algoritmos tipo &#8220;a&#8221; incluem broad-beam, Clarkson e algumas implementa\u00e7\u00f5es de pencil beam. Algoritmos tipo &#8220;b&#8221; incluem CCC, AAA, Monte Carlo e Acuros. Essa diferen\u00e7a se torna clinicamente relevante em interfaces tecido-pulm\u00e3o, campos pequenos de alta energia e qualquer situa\u00e7\u00e3o com falta de equil\u00edbrio eletr\u00f4nico.<\/p>\n<h2 id=\"broad-beam\">M\u00e9todos Emp\u00edricos Broad-Beam: Onde Tudo Come\u00e7ou<\/h2>\n<p>Os m\u00e9todos broad-beam foram a primeira gera\u00e7\u00e3o de algoritmos de c\u00e1lculo de dose para planejamento cl\u00ednico computadorizado. A ideia \u00e9 direta: o feixe \u00e9 tratado como um todo, sem ser decomposto em componentes menores. Dados experimentais \u2014 representa\u00e7\u00f5es tabulares como PDD, TAR, TMR, TPR \u2014 e representa\u00e7\u00f5es anal\u00edticas parametrizadas formam a base do c\u00e1lculo.<\/p>\n<p>Para feixes simples em \u00e1gua, os dados tabulados fornecem a dose para qualquer combina\u00e7\u00e3o de profundidade, tamanho de campo e dist\u00e2ncia. Para o paciente real, corre\u00e7\u00f5es s\u00e3o aplicadas progressivamente. A <strong>corre\u00e7\u00e3o para forma do paciente<\/strong> lida com o fato de que a superf\u00edcie do paciente n\u00e3o \u00e9 plana nem perpendicular ao feixe. O m\u00e9todo da SSD efetiva usa a profundidade corrigida pela superf\u00edcie para consultar tabelas de PDD. O m\u00e9todo baseado em TPR \u00e9 mais preciso para t\u00e9cnicas isoc\u00eantricas e menos sens\u00edvel \u00e0 forma da superf\u00edcie, pois usa a raz\u00e3o de dose em profundidade em rela\u00e7\u00e3o a um ponto de refer\u00eancia.<\/p>\n<p>Para <strong>heterogeneidades<\/strong>, os m\u00e9todos emp\u00edricos oferecem v\u00e1rias op\u00e7\u00f5es com graus crescentes de sofistica\u00e7\u00e3o. A corre\u00e7\u00e3o por TAR de profundidade efetiva simplesmente calcula o caminho equivalente em \u00e1gua e consulta a TAR com essa profundidade. A <strong>corre\u00e7\u00e3o power-law de Batho<\/strong> vai al\u00e9m, usando raz\u00f5es de TARs elevadas a pot\u00eancias que dependem da densidade relativa do tecido. O m\u00e9todo \u00e9 razoavelmente preciso para pontos distantes de interfaces, mas falha pr\u00f3ximo a bordas entre tecidos de densidades diferentes. O <strong>ETAR<\/strong> (Equivalent Tissue-Air Ratio) tenta fazer um scaling de campo efetivo para corrigir tamb\u00e9m o espalhamento lateral, e o <strong>beam subtraction method<\/strong> calcula a diferen\u00e7a entre o espalhamento com e sem a heterogeneidade.<\/p>\n<p>A limita\u00e7\u00e3o fundamental de todos os m\u00e9todos broad-beam \u00e9 que eles assumem deposi\u00e7\u00e3o local de energia \u2014 ignoram completamente o transporte lateral de el\u00e9trons secund\u00e1rios. Funcionam razoavelmente em tecido homog\u00eaneo e para campos de dimens\u00f5es normais, mas falham sistematicamente nas situa\u00e7\u00f5es onde mais precisamos de precis\u00e3o: interfaces tecido-pulm\u00e3o com campos pequenos de alta energia e regi\u00f5es com falta de equil\u00edbrio eletr\u00f4nico lateral. Para um mergulho t\u00e9cnico nas equa\u00e7\u00f5es, deriva\u00e7\u00f5es e limita\u00e7\u00f5es dos m\u00e9todos emp\u00edricos, <a href=\"https:\/\/rtmedical.com.br\/es\/metodos-empiricos-calculo-dosis\/\">confira nosso artigo dedicado sobre m\u00e9todos broad-beam no c\u00e1lculo de dose<\/a>.<\/p>\n<h2 id=\"clarkson\">Separa\u00e7\u00e3o Prim\u00e1rio-Espalhamento e o M\u00e9todo de Clarkson<\/h2>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"alignright lazyload\" data-src=\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/fig28-9-clarkson-scatter-integration-1-scaled.jpg\" alt=\"M\u00e9todo de integra\u00e7\u00e3o de espalhamento de Clarkson mostrando setores angulares e raios para campo irregular com ponto de c\u00e1lculo P dentro e fora do campo\" src=\"data:image\/svg+xml;base64,PHN2ZyB3aWR0aD0iMSIgaGVpZ2h0PSIxIiB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciPjwvc3ZnPg==\" style=\"--smush-placeholder-width: 2560px; --smush-placeholder-aspect-ratio: 2560\/1202;\"><figcaption>Integra\u00e7\u00e3o de Clarkson por setores para campos irregulares. Fonte: Handbook of Radiotherapy Physics, 2nd Ed.<\/figcaption><\/figure>\n<p>A separa\u00e7\u00e3o prim\u00e1rio-espalhamento representa o primeiro passo conceitual em dire\u00e7\u00e3o a m\u00e9todos mais sofisticados. A ideia \u00e9 decompor a dose total em dois componentes: <strong>dose prim\u00e1ria<\/strong> (f\u00f3tons que chegam ao ponto de c\u00e1lculo sem ter interagido \u2014 tipicamente mais de 70% da dose total) e <strong>dose espalhada<\/strong> (f\u00f3tons que sofreram uma ou mais intera\u00e7\u00f5es no meio \u2014 at\u00e9 30% da dose). A esses dois componentes somam-se a contribui\u00e7\u00e3o do head scatter (5\u201310%) e dos el\u00e9trons contaminantes (relevante apenas na regi\u00e3o de build-up).<\/p>\n<p>O <strong>m\u00e9todo de Clarkson<\/strong> calcula o espalhamento por integra\u00e7\u00e3o setorial. O campo \u00e9 dividido em $n$ setores angulares centrados no ponto de c\u00e1lculo. Para cada setor $i$ com largura angular $\\Delta\\theta_i$ e raio $r_i$ at\u00e9 a borda do campo, o SAR (scatter-air ratio) \u00e9 interpolado de tabelas para campos circulares e ponderado pela fra\u00e7\u00e3o angular:<\/p>\n<p>$$D_S(x,y,z) = D_A(z) \\sum_i S(z,r_i) \\frac{\\Delta\\theta_i}{2\\pi}$$<\/p>\n<p>onde $D_A(z)$ \u00e9 a dose &#8220;no ar&#8221; na posi\u00e7\u00e3o $(0,0,z)$ e $S(z,r_i)$ \u00e9 o scatter-air ratio para profundidade $z$ e raio $r_i$. A dose prim\u00e1ria usa o TAR de campo zero ($TAR_0$), uma abstra\u00e7\u00e3o matem\u00e1tica obtida por extrapola\u00e7\u00e3o de TARs para campos progressivamente menores at\u00e9 zero.<\/p>\n<p>Quando o ponto de c\u00e1lculo est\u00e1 <em>fora<\/em> do campo, o procedimento \u00e9 an\u00e1logo, mas as contribui\u00e7\u00f5es s\u00e3o somadas com sinais conforme a orienta\u00e7\u00e3o dos setores \u2014 setores varridos da direita para a esquerda (contribui\u00e7\u00e3o positiva dentro do campo) e da esquerda para a direita (subtra\u00e7\u00e3o fora do campo), mantendo apenas a contribui\u00e7\u00e3o da \u00e1rea irradiada.<\/p>\n<p>Uma extens\u00e3o importante: quando a superf\u00edcie \u00e9 obl\u00edqua ou o feixe \u00e9 n\u00e3o-uniforme (modulado por filtro de cunha ou compensador), a integra\u00e7\u00e3o 1D angular de Clarkson pode ser substitu\u00edda por uma <strong>integra\u00e7\u00e3o 2D de elementos pencil-like de espalhamento<\/strong>. Cada elemento de espalhamento $\\Delta S_{ij}$ \u00e9 referenciado a um sistema polar centrado no ponto de c\u00e1lculo e ponderado pela flu\u00eancia prim\u00e1ria local. Esse refinamento funciona satisfatoriamente para IMRT com colimadores multi-leaf (Papatheodorou et al. 2000).<\/p>\n<p>Os m\u00e9todos de separa\u00e7\u00e3o prim\u00e1rio-espalhamento oferecem resultados precisos em meios homog\u00eaneos para campos de dimens\u00f5es maiores que o tamanho m\u00ednimo equivalente ($ESQ_{min}$). Por\u00e9m, assim como os broad-beam, eles assumem caminho de el\u00e9trons secund\u00e1rios desprez\u00edvel e falham em interfaces de heterogeneidades quando o transporte eletr\u00f4nico \u00e9 significativo \u2014 especialmente f\u00f3tons de alta energia em pulm\u00e3o (Mohan e Chui 1985; AAPM 2004). Para um aprofundamento no princ\u00edpio da superposi\u00e7\u00e3o, Clarkson e o conceito de TERMA, <a href=\"https:\/\/rtmedical.com.br\/es\/superposicion-clarkson-terma-dosis\/\">leia nosso artigo sobre superposi\u00e7\u00e3o e TERMA no c\u00e1lculo de dose<\/a>.<\/p>\n<h2 id=\"convolucao\">Convolu\u00e7\u00e3o de Kernels e o Conceito de TERMA<\/h2>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"alignleft lazyload\" data-src=\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/fig28-terma-energy-fluence-1.jpg\" alt=\"Diagrama mostrando modelagem da flu\u00eancia energ\u00e9tica e fontes de f\u00f3tons em cabe\u00e7ote de acelerador linear para c\u00e1lculo de TERMA\" src=\"data:image\/svg+xml;base64,PHN2ZyB3aWR0aD0iMSIgaGVpZ2h0PSIxIiB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciPjwvc3ZnPg==\" style=\"--smush-placeholder-width: 1603px; --smush-placeholder-aspect-ratio: 1603\/555;\"><figcaption>Modelagem das fontes de f\u00f3tons para determina\u00e7\u00e3o da flu\u00eancia energ\u00e9tica. Fonte: Handbook of Radiotherapy Physics, 2nd Ed.<\/figcaption><\/figure>\n<p>A convolu\u00e7\u00e3o\/superposi\u00e7\u00e3o de kernels marcou uma mudan\u00e7a de paradigma no c\u00e1lculo de dose para planejamento de tratamento. A ideia foi proposta independentemente por v\u00e1rios grupos em 1984 \u2014 Ahnesj\u00f6, Boyer &amp; Mok, Chui &amp; Mohan, e Mackie &amp; Scrimger \u2014 e unifica a descri\u00e7\u00e3o da deposi\u00e7\u00e3o de dose em torno de dois conceitos fundamentais: o <strong>TERMA<\/strong> e os <strong>kernels de deposi\u00e7\u00e3o de energia<\/strong>.<\/p>\n<p>Para um meio homog\u00eaneo, a dose em um ponto $\\mathbf{r}=[x,y,z]$ \u00e9 expressa pela equa\u00e7\u00e3o de convolu\u00e7\u00e3o:<\/p>\n<p>$$D(\\mathbf{r}) = \\iiint \\Psi(\\mathbf{r&#8217;}) \\frac{\\mu}{\\rho}(\\mathbf{r&#8217;}) \\, K(\\mathbf{r} &#8211; \\mathbf{r&#8217;}) \\, dV&#8217;$$<\/p>\n<p>O termo $\\Psi(\\mathbf{r&#8217;}) \\cdot \\mu\/\\rho(\\mathbf{r&#8217;})$ \u00e9 o <strong>TERMA<\/strong> \u2014 Total Energy Released per unit MAss \u2014 no ponto $\\mathbf{r&#8217;}$. Expresso em J\/kg (ou Gy), representa toda a energia (el\u00e9trons secund\u00e1rios e f\u00f3tons espalhados) liberada por unidade de massa naquele ponto. \u00c9 o an\u00e1logo volum\u00e9trico do kerma, mas aplicado \u00e0 condi\u00e7\u00e3o real do feixe dentro do paciente.<\/p>\n<p>O kernel $K(\\mathbf{r} &#8211; \\mathbf{r&#8217;})$ descreve a fra\u00e7\u00e3o de energia liberada em $\\mathbf{r&#8217;}$ que se deposita no ponto $\\mathbf{r}$. Esse kernel \u2014 tamb\u00e9m chamado de dose-spread array ou point-spread function \u2014 incorpora o transporte dos el\u00e9trons secund\u00e1rios e f\u00f3tons espalhados. A integra\u00e7\u00e3o \u00e9 feita em 3D sobre todo o volume do paciente.<\/p>\n<p>A flu\u00eancia energ\u00e9tica $\\Psi$ que entra no paciente depende de v\u00e1rias fontes no cabe\u00e7ote do acelerador. Para um LINAC t\u00edpico, os f\u00f3tons prim\u00e1rios de bremsstrahlung emitidos do alvo constituem a fonte principal. A esses se somam a radia\u00e7\u00e3o extrafocal (f\u00f3tons espalhados pelo filtro aplainador e pelo colimador) e os el\u00e9trons contaminantes das intera\u00e7\u00f5es no cabe\u00e7ote e no ar. Um <strong>modelo de tr\u00eas fontes<\/strong> \u2014 alvo puntiforme, filtro como fonte extrafocal gaussiana e superf\u00edcie do paciente como fonte de contamina\u00e7\u00e3o eletr\u00f4nica \u2014 cobre a maioria dos cen\u00e1rios cl\u00ednicos.<\/p>\n<p>Para feixes polienerg\u00e9ticos reais, a integra\u00e7\u00e3o deve ser realizada sobre os bins de energia do espectro local do feixe, j\u00e1 que tanto $\\mu\/\\rho$ quanto os kernels dependem da energia. Simplificar para uma energia m\u00e9dia equivalente n\u00e3o \u00e9 suficientemente preciso, mas um n\u00famero limitado de bins (4\u20136) funciona bem na pr\u00e1tica (Boyer et al. 1989; Zhu e Van Dyk 1995).<\/p>\n<p>A convolu\u00e7\u00e3o direta 3D \u00e9 computacionalmente proibitiva \u2014 o n\u00famero de opera\u00e7\u00f5es escala como $N^6$ para $N^3$ voxels. Quando o kernel \u00e9 invariante no espa\u00e7o (meio homog\u00eaneo), a transformada r\u00e1pida de Fourier (FFT) reduz o custo para $N^3 \\log N$. Em meios heterog\u00eaneos, por\u00e9m, o kernel muda ponto a ponto. A solu\u00e7\u00e3o? M\u00e9todos que aproximam a varia\u00e7\u00e3o do kernel sem perder o essencial \u2014 e o mais bem-sucedido deles \u00e9 o Collapsed Cone Convolution.<\/p>\n<h2 id=\"ccc\">Collapsed Cone Convolution: Efici\u00eancia com Precis\u00e3o<\/h2>\n<p>O algoritmo <strong>Collapsed Cone Convolution<\/strong> (CCC), proposto por Ahnesj\u00f6 em 1989, \u00e9 uma das solu\u00e7\u00f5es mais elegantes para o problema da superposi\u00e7\u00e3o de kernels em meios heterog\u00eaneos. A ideia central: em vez de avaliar o kernel completo em todas as dire\u00e7\u00f5es para cada ponto, o espa\u00e7o \u00e9 dividido em um n\u00famero finito de <strong>cones s\u00f3lidos<\/strong> e toda a energia transportada dentro de cada cone \u00e9 &#8220;colapsada&#8221; sobre o eixo do cone.<\/p>\n<p>Os kernels de deposi\u00e7\u00e3o de energia foram originalmente gerados por simula\u00e7\u00e3o Monte Carlo por Mackie et al. (1988), num trabalho seminal que calculou a deposi\u00e7\u00e3o de energia ponto a ponto ao redor de um s\u00edtio de primeira intera\u00e7\u00e3o for\u00e7ada em \u00e1gua. Esses kernels t\u00eam uma estrutura caracter\u00edstica: um pico central intenso (deposi\u00e7\u00e3o local pelos el\u00e9trons secund\u00e1rios, que domina a dose pr\u00f3xima) e uma cauda de longa extens\u00e3o (f\u00f3tons espalhados, que depositam energia a dist\u00e2ncias maiores). A separa\u00e7\u00e3o entre esses dois regimes \u00e9 essencial para entender por que algoritmos que ignoram o transporte eletr\u00f4nico falham \u2014 eles capturam a cauda de espalhamento mas erram o pico.<\/p>\n<p>No CCC, o scaling de heterogeneidades \u00e9 feito ao longo do eixo de cada cone usando a <strong>densidade radiol\u00f3gica acumulada<\/strong>. Isso permite contabilizar varia\u00e7\u00f5es de densidade sem recalcular o kernel inteiro para cada ponto \u2014 uma aproxima\u00e7\u00e3o que funciona surpreendentemente bem na pr\u00e1tica. A implementa\u00e7\u00e3o descrita por Cho (2012) usa tipicamente 24 a 48 cones distribu\u00eddos em \u00e2ngulo s\u00f3lido, com o modelo de tr\u00eas fontes alimentando o TERMA que entra na convolu\u00e7\u00e3o.<\/p>\n<p>A valida\u00e7\u00e3o do CCC contra simula\u00e7\u00f5es Monte Carlo (EGS4) e medidas experimentais mostrou concord\u00e2ncia t\u00edpica dentro de 2\u20133% em meios homog\u00eaneos e heterog\u00eaneos, mesmo em situa\u00e7\u00f5es desafiadoras como interfaces tecido-pulm\u00e3o. O CCC foi implementado com sucesso em v\u00e1rios sistemas de planejamento comerciais \u2014 notadamente o Pinnacle (Philips) e o Oncentra (Elekta) \u2014 e continua sendo um dos algoritmos mais utilizados na rotina cl\u00ednica mundialmente. Para um mergulho t\u00e9cnico completo nos kernels de Mackie, no scaling de densidade, na implementa\u00e7\u00e3o do CCC por Ahnesj\u00f6 e na valida\u00e7\u00e3o de Cho, <a href=\"https:\/\/rtmedical.com.br\/es\/collapsed-cone-convolution-kernels\/\">leia nosso artigo dedicado sobre kernels de deposi\u00e7\u00e3o e collapsed cone convolution<\/a>.<\/p>\n<h2 id=\"pencil-beam-aaa\">Pencil Beam e AAA: Os Algoritmos Comerciais Mais Difundidos<\/h2>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"alignright lazyload\" data-src=\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/fig28-aaa-fanline-diagram-1.jpg\" alt=\"Diagrama do algoritmo AAA mostrando fanlines com componentes de espalhamento em m\u00faltiplas dire\u00e7\u00f5es laterais para c\u00e1lculo de dose anisotr\u00f3pico\" src=\"data:image\/svg+xml;base64,PHN2ZyB3aWR0aD0iMSIgaGVpZ2h0PSIxIiB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciPjwvc3ZnPg==\" style=\"--smush-placeholder-width: 1504px; --smush-placeholder-aspect-ratio: 1504\/2037;\"><figcaption>Modelo de fanlines do AAA com componentes direcionais de espalhamento. Fonte: Handbook of Radiotherapy Physics, 2nd Ed.<\/figcaption><\/figure>\n<p>O <strong>pencil beam<\/strong> \u00e9 uma forma 2D de superposi\u00e7\u00e3o: o feixe cl\u00ednico \u00e9 decomposto em beamlets infinitesimais, e a dose total \u00e9 obtida somando as contribui\u00e7\u00f5es de cada pencil beam. Conceitualmente mais simples que a convolu\u00e7\u00e3o 3D completa e computacionalmente mais r\u00e1pido, foi durante muito tempo o algoritmo dominante em TPS comerciais.<\/p>\n<p>A determina\u00e7\u00e3o dos kernels de pencil beam pode ser feita por diferentes vias: medida direta com filmes em profundidade usando campos muito estreitos, convolu\u00e7\u00e3o anal\u00edtica com kernels gerados por Monte Carlo, ou integra\u00e7\u00e3o longitudinal dos kernels pontuais. Cada implementa\u00e7\u00e3o comercial faz suas pr\u00f3prias escolhas, o que explica por que &#8220;pencil beam&#8221; pode se referir a algoritmos com desempenhos bastante diferentes.<\/p>\n<p>A grande limita\u00e7\u00e3o do pencil beam aparece em meios heterog\u00eaneos: o scaling de densidade \u00e9 feito <strong>apenas na dire\u00e7\u00e3o do feixe<\/strong> (longitudinal). O transporte lateral de el\u00e9trons em interfaces de densidade diferente \u2014 especialmente na transi\u00e7\u00e3o tecido mole \u2192 pulm\u00e3o \u2014 \u00e9 mal modelado. Isso leva a superestima\u00e7\u00e3o sistem\u00e1tica da dose dentro do pulm\u00e3o e subestima\u00e7\u00e3o na interface. Para feixes de alta energia e campos pequenos, a discrep\u00e2ncia pode ultrapassar 10%.<\/p>\n<p>O <strong>AAA<\/strong> (Analytical Anisotropic Algorithm), desenvolvido e implementado no Eclipse (Varian) a partir de 2005, foi concebido como evolu\u00e7\u00e3o do pencil beam convencional. A diferen\u00e7a fundamental: cada beamlet \u00e9 separado em componentes (f\u00f3tons prim\u00e1rios, espalhamento extrafocal e el\u00e9trons contaminantes), e a dose de espalhamento \u00e9 modelada por <strong>convoluc\u00f5es laterais com kernels anisotr\u00f3picos<\/strong> que se propagam em seis dire\u00e7\u00f5es independentes (\u00b1x, \u00b1y, \u00b1z), ponderados pela densidade relativa local.<\/p>\n<p>Em meio heterog\u00eaneo, as componentes prim\u00e1ria e de espalhamento s\u00e3o ponderadas pela densidade relativa local. Comparado ao pencil beam convencional, o AAA modela significativamente melhor o transporte lateral em tecidos de baixa densidade. Por\u00e9m, o AAA n\u00e3o trata o transporte de el\u00e9trons com o mesmo rigor do CCC ou Monte Carlo \u2014 ele usa uma aproxima\u00e7\u00e3o anisotr\u00f3pica que captura as tend\u00eancias gerais mas pode ter desvios em geometrias extremas. Para uma an\u00e1lise detalhada com compara\u00e7\u00f5es quantitativas em meios heterog\u00eaneos, <a href=\"https:\/\/rtmedical.com.br\/es\/pencil-beam-aaa-algoritmos-comerciales\/\">confira nosso artigo sobre pencil beam e AAA<\/a>.<\/p>\n<h2 id=\"monte-carlo\">Monte Carlo e Acuros: A Fronteira do C\u00e1lculo de Dose<\/h2>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"alignleft lazyload\" data-src=\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/fig30-monte-carlo-particle-tracks-1.jpg\" alt=\"Trilhas de part\u00edculas simuladas por Monte Carlo mostrando f\u00f3tons e el\u00e9trons atravessando camadas de material com diferentes densidades\" src=\"data:image\/svg+xml;base64,PHN2ZyB3aWR0aD0iMSIgaGVpZ2h0PSIxIiB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciPjwvc3ZnPg==\" style=\"--smush-placeholder-width: 1103px; --smush-placeholder-aspect-ratio: 1103\/922;\"><figcaption>Simula\u00e7\u00e3o Monte Carlo de f\u00f3tons e el\u00e9trons em camadas de diferentes densidades. Fonte: Handbook of Radiotherapy Physics, 2nd Ed.<\/figcaption><\/figure>\n<p>O Monte Carlo simula cada intera\u00e7\u00e3o individual de f\u00f3tons com a mat\u00e9ria, seguindo a cascata de el\u00e9trons secund\u00e1rios, f\u00f3tons espalhados e suas subsequentes intera\u00e7\u00f5es at\u00e9 que toda a energia seja absorvida ou as part\u00edculas escapem do volume de interesse. \u00c9 a abordagem mais fundamentada fisicamente e serve como refer\u00eancia (benchmark) para valida\u00e7\u00e3o de todos os outros algoritmos. N\u00e3o h\u00e1 aproxima\u00e7\u00f5es na f\u00edsica \u2014 apenas incerteza estat\u00edstica que diminui com o n\u00famero de hist\u00f3rias simuladas.<\/p>\n<p>Os principais c\u00f3digos Monte Carlo usados em radioterapia incluem <strong>EGS<\/strong> (Electron Gamma Shower \u2014 o mais difundido para dosimetria m\u00e9dica), <strong>MCNP<\/strong> (Monte Carlo N-Particle \u2014 desenvolvido em Los Alamos), <strong>GEANT4<\/strong> (do CERN, cada vez mais usado em f\u00edsica m\u00e9dica) e <strong>Penelope<\/strong> (focado em f\u00f3tons e el\u00e9trons de baixa energia). A simula\u00e7\u00e3o completa de um LINAC \u2014 do alvo de tungst\u00eanio at\u00e9 o paciente \u2014 exige modelar tanto o cabe\u00e7ote (filtro aplainador, colimadores, ar) quanto o transporte no paciente.<\/p>\n<p>Historicamente, Monte Carlo era considerado proibitivamente lento para uso cl\u00ednico de rotina. Nas \u00faltimas duas d\u00e9cadas, implementa\u00e7\u00f5es comerciais como o <strong>Monaco<\/strong> (Elekta), solu\u00e7\u00f5es baseadas em GPU (como o XVMC) e t\u00e9cnicas de redu\u00e7\u00e3o de vari\u00e2ncia reduziram drasticamente o tempo de c\u00e1lculo. Ainda assim, Monte Carlo continua mais lento que os m\u00e9todos anal\u00edticos para a maioria dos cen\u00e1rios de rotina \u2014 um c\u00e1lculo que leva segundos com pencil beam pode levar minutos com Monte Carlo. J\u00e1 exploramos as aplica\u00e7\u00f5es cl\u00ednicas do Monte Carlo em profundidade \u2014 veja nosso <a href=\"https:\/\/rtmedical.com.br\/monte-carlo-radioterapia-guia\/\">guia completo de Monte Carlo em radioterapia<\/a> e o artigo sobre <a href=\"https:\/\/rtmedical.com.br\/monte-carlo-fotons-aplicacoes\/\">Monte Carlo para f\u00f3tons na cl\u00ednica<\/a>.<\/p>\n<p>Uma alternativa determin\u00edstica ao Monte Carlo que ganhou destaque nos \u00faltimos anos \u00e9 o <strong>Acuros XB<\/strong>, implementado no Eclipse (Varian). Em vez de simular part\u00edculas individuais aleatoriamente, o Acuros resolve numericamente a <strong>equa\u00e7\u00e3o linear de transporte de Boltzmann<\/strong> (LBTE), discretizando o espa\u00e7o em voxels, as dire\u00e7\u00f5es em \u00e2ngulos s\u00f3lidos e as energias em grupos. O resultado converge para a mesma solu\u00e7\u00e3o f\u00edsica que o Monte Carlo, mas com tempo computacional mais previs\u00edvel e geralmente 5\u201310x mais r\u00e1pido que um MC com incerteza compar\u00e1vel.<\/p>\n<p>O Acuros calcula naturalmente dose no tecido ($D_t$), n\u00e3o dose na \u00e1gua \u2014 o que \u00e9 fisicamente mais correto mas exige aten\u00e7\u00e3o na compara\u00e7\u00e3o com experi\u00eancia cl\u00ednica hist\u00f3rica baseada em $D_w$. Para o aprofundamento completo em fundamentos do Monte Carlo, c\u00f3digos MC, implementa\u00e7\u00f5es em TPS comerciais, dose por MU, hardware e o futuro do c\u00e1lculo de dose, <a href=\"https:\/\/rtmedical.com.br\/es\/monte-carlo-acuros-dosis-clinico\/\">leia nosso artigo dedicado sobre Monte Carlo e Acuros no c\u00e1lculo de dose cl\u00ednico<\/a>.<\/p>\n<h2 id=\"comparacao\">Compara\u00e7\u00e3o entre Algoritmos na Pr\u00e1tica Cl\u00ednica<\/h2>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"alignright lazyload\" data-src=\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/04\/fig28-algorithm-comparison-lung-1-scaled.jpg\" alt=\"Gr\u00e1fico de curvas de dose em profundidade para diferentes algoritmos (AAA, CCC, pencil beam, Monte Carlo) em fantoma com 10 cm de pulm\u00e3o, feixe de 15 MV off-axis\" src=\"data:image\/svg+xml;base64,PHN2ZyB3aWR0aD0iMSIgaGVpZ2h0PSIxIiB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciPjwvc3ZnPg==\" style=\"--smush-placeholder-width: 2560px; --smush-placeholder-aspect-ratio: 2560\/1107;\"><figcaption>Compara\u00e7\u00e3o de algoritmos em fantoma com pulm\u00e3o (\u03c1 = 0,2 g\/cm\u00b3), 15 MV, campo 2,8\u00d714 cm, 4 cm off-axis. Fonte: Handbook of Radiotherapy Physics, 2nd Ed.<\/figcaption><\/figure>\n<p>A diferen\u00e7a entre algoritmos se manifesta mais claramente em condi\u00e7\u00f5es desafiadoras: campos pequenos, feixes de alta energia e heterogeneidades acentuadas \u2014 especialmente pulm\u00e3o. A figura ao lado ilustra isso de forma dram\u00e1tica: para um feixe de 15 MV, campo 2,8\u00d714 cm, 4 cm off-axis, atravessando 10 cm de pulm\u00e3o (\u03c1 = 0,2 g\/cm\u00b3), as curvas de dose em profundidade divergem significativamente entre os algoritmos.<\/p>\n<p>Monte Carlo ($MC_w$) serve como refer\u00eancia. O Collapsed Cone (CC-TMS, CC-PIN) acompanha razoavelmente bem, com desvios moderados na interface e dentro do pulm\u00e3o. O AAA (AAA-ECL) segue de perto o CCC mas com desvios na interface tecido-pulm\u00e3o. J\u00e1 o Pencil Beam (PB-TMS, PBC-ECL) superestima a dose dentro do pulm\u00e3o por uma margem clinicamente significativa e n\u00e3o consegue reproduzir a redu\u00e7\u00e3o de dose lateral causada pela falta de equil\u00edbrio eletr\u00f4nico.<\/p>\n<h3>Tabela Comparativa dos Algoritmos de C\u00e1lculo de Dose<\/h3>\n<table>\n<thead>\n<tr>\n<th>Caracter\u00edstica<\/th>\n<th>Broad-Beam<\/th>\n<th>Clarkson<\/th>\n<th>CCC<\/th>\n<th>Pencil Beam<\/th>\n<th>AAA<\/th>\n<th>Monte Carlo<\/th>\n<th>Acuros<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Tipo (Kn\u00f6\u00f6s)<\/td>\n<td>Tipo a<\/td>\n<td>Tipo a<\/td>\n<td>Tipo b<\/td>\n<td>Tipo a\/b*<\/td>\n<td>Tipo b<\/td>\n<td>Tipo b<\/td>\n<td>Tipo b<\/td>\n<\/tr>\n<tr>\n<td>Transporte e\u207b<\/td>\n<td>N\u00e3o<\/td>\n<td>N\u00e3o<\/td>\n<td>Sim (scaling)<\/td>\n<td>Parcial<\/td>\n<td>Sim (anisotr.)<\/td>\n<td>Sim (expl\u00edcito)<\/td>\n<td>Sim (LBTE)<\/td>\n<\/tr>\n<tr>\n<td>Heterogeneidades<\/td>\n<td>Corre\u00e7\u00f5es 1D<\/td>\n<td>Corre\u00e7\u00f5es 1D<\/td>\n<td>Scaling 3D<\/td>\n<td>Scaling 1D<\/td>\n<td>Scaling 3D<\/td>\n<td>Expl\u00edcito<\/td>\n<td>Expl\u00edcito<\/td>\n<\/tr>\n<tr>\n<td>Precis\u00e3o em pulm\u00e3o<\/td>\n<td>Pobre<\/td>\n<td>Limitada<\/td>\n<td>Boa<\/td>\n<td>Pobre<\/td>\n<td>Boa<\/td>\n<td>Refer\u00eancia<\/td>\n<td>Equivalente MC<\/td>\n<\/tr>\n<tr>\n<td>Velocidade relativa<\/td>\n<td>Muito r\u00e1pido<\/td>\n<td>R\u00e1pido<\/td>\n<td>Moderado<\/td>\n<td>R\u00e1pido<\/td>\n<td>Moderado<\/td>\n<td>Lento<\/td>\n<td>Moderado-r\u00e1pido<\/td>\n<\/tr>\n<tr>\n<td>Dose reportada<\/td>\n<td>$D_w$<\/td>\n<td>$D_w$<\/td>\n<td>$D_w$<\/td>\n<td>$D_w$<\/td>\n<td>$D_w$<\/td>\n<td>$D_t$ (conv. $D_w$)<\/td>\n<td>$D_t$ ou $D_w$<\/td>\n<\/tr>\n<tr>\n<td>TPS comercial<\/td>\n<td>Legado<\/td>\n<td>Legado<\/td>\n<td>Pinnacle, Oncentra<\/td>\n<td>V\u00e1rios<\/td>\n<td>Eclipse<\/td>\n<td>Monaco, XVMC<\/td>\n<td>Eclipse<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>*Pencil beam pode ser tipo a ou b dependendo da implementa\u00e7\u00e3o. Fonte: compila\u00e7\u00e3o baseada no Handbook of Radiotherapy Physics: Theory and Practice, 2nd Ed.<\/em><\/p>\n<p>Na pr\u00e1tica cl\u00ednica, a escolha do algoritmo deve considerar o s\u00edtio anat\u00f4mico e o cen\u00e1rio cl\u00ednico. Para planejamentos em abdome, pelve ou cabe\u00e7a e pesco\u00e7o \u2014 onde as heterogeneidades s\u00e3o menos dram\u00e1ticas \u2014 mesmo um pencil beam pode ser aceit\u00e1vel para planejamento forward, embora um algoritmo tipo &#8220;b&#8221; seja sempre prefer\u00edvel. Para pulm\u00e3o, mama com campo tangencial passando por pulm\u00e3o, mediastino, ou qualquer situa\u00e7\u00e3o com campos pequenos de alta energia, um algoritmo tipo &#8220;b&#8221; (CCC, AAA, Monte Carlo ou Acuros) \u00e9 essencial e n\u00e3o-negoci\u00e1vel.<\/p>\n<p>O <a href=\"https:\/\/rtmedical.com.br\/astro-va-dvh-recomendacoes\/\">relat\u00f3rio recente da ASTRO e VA sobre recomenda\u00e7\u00f5es de DVH<\/a> refor\u00e7a a import\u00e2ncia de algoritmos precisos: as restri\u00e7\u00f5es de dose a \u00f3rg\u00e3os de risco s\u00f3 fazem sentido se o c\u00e1lculo de dose for confi\u00e1vel nos cen\u00e1rios em que esses \u00f3rg\u00e3os se encontram. Usar um pencil beam para estabelecer constraints de pulm\u00e3o em SBRT \u00e9 um exerc\u00edcio de ilus\u00e3o.<\/p>\n<h2>Perspectivas e o Futuro do C\u00e1lculo de Dose<\/h2>\n<p>A tend\u00eancia dos \u00faltimos 20 anos \u00e9 inequ\u00edvoca: os algoritmos baseados em transporte expl\u00edcito de part\u00edculas \u2014 Monte Carlo e solu\u00e7\u00f5es determin\u00edsticas como o Acuros \u2014 est\u00e3o se tornando o padr\u00e3o para verifica\u00e7\u00e3o final de planos de tratamento. O aumento de pot\u00eancia computacional, especialmente com GPUs dedicadas, est\u00e1 tornando o Monte Carlo vi\u00e1vel tamb\u00e9m como engine de otimiza\u00e7\u00e3o inversa, n\u00e3o apenas como ferramenta de verifica\u00e7\u00e3o p\u00f3s-otimiza\u00e7\u00e3o.<\/p>\n<p>O debate dose na \u00e1gua versus dose no tecido tende a se resolver na dire\u00e7\u00e3o do tecido, \u00e0 medida que os algoritmos baseados em transporte se tornam dominantes. A comunidade de f\u00edsica m\u00e9dica precisar\u00e1 recalibrar parte de sua experi\u00eancia cl\u00ednica acumulada, especialmente para estruturas \u00f3sseas e tecido adiposo, onde a diferen\u00e7a \u00e9 relevante.<\/p>\n<p>Independentemente do algoritmo escolhido, um princ\u00edpio fundamental permanece inalterado: o resultado do c\u00e1lculo s\u00f3 \u00e9 t\u00e3o bom quanto os dados de entrada. Commissioning do feixe inadequado, CT com artefatos, ou tuning emp\u00edrico mal feito invalidam qualquer sofistica\u00e7\u00e3o algor\u00edtmica. Conforme enfatizado na se\u00e7\u00e3o 47.5 do Handbook, a valida\u00e7\u00e3o contra medidas experimentais \u00e9 insubstitu\u00edvel \u2014 e a precis\u00e3o de um modelo simples bem calibrado pode superar a de um modelo sofisticado mal configurado.<\/p>\n<p>Este guia percorreu a jornada completa dos algoritmos de c\u00e1lculo de dose por f\u00f3tons em radioterapia. Para aprofundar cada t\u00f3pico com equa\u00e7\u00f5es, deriva\u00e7\u00f5es e exemplos detalhados, explore os artigos desta s\u00e9rie: <a href=\"https:\/\/rtmedical.com.br\/es\/metodos-empiricos-calculo-dosis\/\">m\u00e9todos emp\u00edricos broad-beam<\/a>, <a href=\"https:\/\/rtmedical.com.br\/es\/superposicion-clarkson-terma-dosis\/\">superposi\u00e7\u00e3o, Clarkson e TERMA<\/a>, <a href=\"https:\/\/rtmedical.com.br\/es\/collapsed-cone-convolution-kernels\/\">kernels de deposi\u00e7\u00e3o e collapsed cone convolution<\/a>, <a href=\"https:\/\/rtmedical.com.br\/es\/pencil-beam-aaa-algoritmos-comerciales\/\">pencil beam e AAA<\/a> e <a href=\"https:\/\/rtmedical.com.br\/es\/monte-carlo-acuros-dosis-clinico\/\">Monte Carlo e Acuros no c\u00e1lculo de dose cl\u00ednico<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Gu\u00eda completa de algoritmos de c\u00e1lculo de dosis: broad-beam, CCC, AAA, pencil beam y Monte Carlo en radioterapia cl\u00ednica.<\/p>\n","protected":false},"author":1,"featured_media":16811,"comment_status":"closed","ping_status":"closed","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":[98,60],"tags":[],"class_list":{"0":"post-16884","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-radioterapia","8":"category-software"},"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\/16884\/"}],"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=16884"}],"version-history":[{"count":3,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/16884\/revisions\/"}],"predecessor-version":[{"id":17115,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/16884\/revisions\/17115\/"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/16811\/"}],"wp:attachment":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/?parent=16884"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/categories\/?post=16884"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/tags\/?post=16884"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}