Cómo Funciona la Protonterapia y por qué Importa el Monte Carlo
La protonterapia ofrece un control de dosis que ningún haz de fotones puede igualar. El pico de Bragg — esa concentración abrupta de energía al final del recorrido del protón — deposita la dosis máxima en el tumor y prácticamente nada más allá. Pero aprovechar este potencial requiere simulaciones de dosis capaces de manejar la física compleja de las interacciones nucleares, la dispersión coulombiana múltiple y la dependencia crítica del alcance respecto a la composición de los tejidos.
Guía completa de la serie: para ver el panorama general y los artículos relacionados, vuelve a la guía completa sobre Monte Carlo en radioterapia.
Los algoritmos analíticos basados en pencil beam han dominado la planificación clínica durante años. Funcionan razonablemente en geometrías homogéneas como el hígado, pero presentan limitaciones serias en regiones con interfaces de densidad abruptas: cabeza y cuello, pulmón, mama. Monte Carlo resuelve estas situaciones rastreando cada partícula individualmente, calculando la dispersión y las interacciones nucleares vóxel a vóxel. Para una visión completa, consulte nuestra guía completa sobre Técnicas de Monte Carlo en Radioterapia.
Entrega de Haces de Protones: Dispersión Pasiva vs. Scanning
Dos métodos principales entregan la dosis al paciente. La dispersión pasiva (passive scattering) utiliza dispersores dobles, moduladores rotativos y compensadores moldeados para conformar el haz al blanco. El scanning magnético dirige pencil beams individuales en x e y, barriendo energía por energía — la mayoría de las instalaciones nuevas adoptan este método.
En la práctica, el beam scanning prescinde de hardware específico por campo (apertura y compensador), permite IMPT (Intensity-Modulated Proton Therapy) y tiene una eficiencia de Monte Carlo muy superior. Como las variaciones de parámetros del haz son menores (energía y posición de imanes), los phase-spaces y beam models pueden reutilizarse entre campos. La dispersión pasiva requiere configuración única por campo, consumiendo tiempo computacional masivo.
Física de Protones y Modelado Monte Carlo
La deposición de dosis en protonterapia involucra ionizaciones, excitaciones, dispersión coulombiana múltiple e interacciones nucleares. La pérdida de energía sigue la ecuación de Bethe-Bloch, y la dispersión múltiple utiliza típicamente la teoría de Molière en métodos de historia condensada clase II.
Las interacciones nucleares merecen atención especial. Aunque no alteran significativamente la forma del pico de Bragg, causan dos efectos cruciales: reducción de la fluencia de protones primarios con la profundidad (regla general: aproximadamente 1% por cm de alcance) y producción de protones secundarios que contribuyen a la dosis en la región de entrada. Los protones primarios y secundarios representan cerca del 98% de la dosis depositada. El alcance máximo de los electrones delta en agua es de aproximadamente 2,5 mm para un protón de 250 MeV.
Al sumar múltiples pencil beams en scanning, el “halo nuclear” alrededor de cada beamlet puede ser significativo. Las incertidumbres en la energía media de excitación de los materiales (5–15%) pueden generar incertidumbres de varios milímetros en el alcance predicho. Los espectros de emisión integrados en ángulo para interacciones protón-núcleo se conocen solo dentro de 20–30% según el ICRU, pero el cálculo de dosis alcanza precisión típica de ~1–2%.
Códigos Monte Carlo para Protonterapia
Varios códigos están disponibles: FLUKA, Geant4, MCNPX, VMCpro y Shield-Hit, entre otros. Para hacerlos accesibles a no-especialistas, surgieron frameworks como GAMOS, GATE, PTsim (todos basados en Geant4), FICTION (basado en FLUKA) y TOPAS.
| Código/Framework | Base | Características |
|---|---|---|
| FLUKA | Standalone | Código multipropósito con modelos nucleares detallados |
| Geant4 | Toolkit C++ | Toolkit orientado a objetos; requiere programación |
| MCNPX | Standalone | Código multipropósito con transporte de partículas acoplado |
| VMCpro | Standalone | Optimizado para velocidad en protonterapia |
| TOPAS | Geant4 | Interfaz amigable; sin programación; apoyo NCI |
| GATE | Geant4 | Framework para simulaciones médicas con interfaz de script |
| GAMOS | Geant4 | Framework amigable para radiología |
| FICTION | FLUKA | Wrapper específico para radioterapia |
Fuente: Monte Carlo Techniques in Radiation Therapy (2nd ed., CRC Press, 2022)
TOPAS merece mención especial. Desarrollado con apoyo del NCI en la iniciativa “Informatics Technologies for Cancer Research”, permite que no-físicos ejecuten simulaciones complejas sin programación. Consulte nuestro artículo sobre fundamentos del Monte Carlo en radioterapia para las bases teóricas.
Parametrización del Haz y Modelado del Cabezal
Una simulación MC comienza típicamente en la entrada o salida del cabezal de tratamiento. En la entrada, los parámetros relevantes son la energía del haz, el spread de energía, el tamaño del spot (típicamente 2–8 mm en sigma) y la distribución angular (del orden de 2–5 mm·mrad para ciclotrones). El spread de energía del ciclotrón es típicamente menor al 1%, mientras que los sincrotrones pueden ser dos órdenes de magnitud menor.
Estos parámetros están correlacionados. Para beam scanning, la correlación debe modelarse. En dispersión pasiva, el material dispersor en el cabezal tiende a difuminar estas correlaciones. Un código MC bien calibrado debe reproducir distribuciones de dosis medidas de un SOBP en agua con ~1 mm de precisión en alcance y ~3 mm en ancho de modulación.
Conversión CT y Cálculo de Dosis en el Paciente
Uno de los aspectos más críticos es la conversión de números CT en composición material, densidad de masa y potencial de ionización para cada tejido. A diferencia de los fotones (donde basta la densidad electrónica), los protones interactúan por ionizaciones, dispersión Coulombiana múltiple y reacciones nucleares.
Los tejidos blandos con CT entre 0 y 100 son difíciles de distinguir porque composiciones elementales distintas producen el mismo número CT. Las incertidumbres en la energía media de excitación (5–15%) se traducen en incertidumbres de alcance del haz. Para tratamientos de cabeza y cuello, los esquemas de conversión CT pueden influir el alcance en 1–2 mm. El CT de doble energía mejora significativamente la conversión.
Monte Carlo vs. Algoritmos Analíticos: Impacto Clínico
La diferencia fundamental está en el tratamiento de la dispersión Coulombiana múltiple. Los algoritmos analíticos son menos sensibles a interfaces de densidad y variaciones en el camino del haz.
Diferencias en el Alcance Predicho
Márgenes de alcance típicos de 3,5% + 1 mm se aplican clínicamente para cubrir errores de los algoritmos analíticos. Con Monte Carlo rutinario, estos márgenes podrían reducirse a 2,4% + 1,2 mm, independientemente de la geometría. Para geometrías con heterogeneidades laterales (cabeza y cuello, pulmón, mama), los márgenes analíticos pueden necesitar alcanzar 6,3% + 1,2 mm.
Diferencias en la Dosis
Monte Carlo predice componentes de dispersión mayores, resultando en dosis en el blanco generalmente inferior a la predicha por algoritmos analíticos. Las diferencias en la dosis media del blanco pueden alcanzar 4% en cabeza y cuello y pulmón, o cerca de 2% en mama e hígado. Los campos pequeños son más sensibles. En implantes metálicos de alto Z (implantes dentales, marcadores de tantalio), las perturbaciones de dosis no son predichas con precisión por los algoritmos analíticos. Conozca más sobre el cálculo de dosis Monte Carlo en el paciente.
Monte Carlo como Herramienta de QA
El uso del Monte Carlo va más allá del cálculo de dosis, sirviendo como herramienta robusta de garantía de calidad en protonterapia.
Una aplicación directa es el recálculo de planes usando archivos de registro del sistema de entrega, verificando independientemente la dosis entregada. Monte Carlo también ayuda en el commissioning de TPS, validando algoritmos analíticos en escenarios difíciles de medir. Al simular distribuciones variando parámetros del haz, se definen tolerancias que reducen estudios experimentales extensos.
Las simulaciones MC permiten además diseñar detectores de gamma prompt para verificación de alcance in vivo y optimizar la reconstrucción de imagen para tomografía computarizada de protones. Para distribuciones de LET y efectos radiobiológicos, códigos como TOPAS-nBio extienden la física del Geant4 al nivel nanométrico. Vea también cómo la entrega dinámica de haces se integra en este contexto.
Dose-to-Water vs. Dose-to-Tissue
Los algoritmos analíticos calculan dose-to-water porque toda la experiencia clínica y la dosimetría se basan en agua. Monte Carlo calcula dose-to-tissue naturalmente. La diferencia es clínicamente insignificante para tejidos blandos (~2%), pero en anatomía ósea puede ser 10–15% mayor. En la mayoría de los casos, la conversión retroactiva mediante stopping powers relativos es suficiente (~1%).
Perspectivas del Monte Carlo Clínico
Los principales proveedores de TPS ya trabajan en planificación basada en Monte Carlo. La integración directa en el bucle de optimización para IMPT es el próximo paso. Los centros de referencia ya implementaron sistemas MC internos vía interfaces DICOM-RTion. Para aplicaciones en haces de iones y modelado de fuentes en braquiterapia, consulte nuestros artículos dedicados.