新闻详情

新闻详情

首页 / 资讯中心 / 详情

脑转移放疗到底怎么选?立体定向放疗 vs 海马保护全脑放疗,症状改善差这么多

发布时间:2026/11/15 10:40:44来源:尧图网络
脑转移放疗到底怎么选?立体定向放疗 vs 海马保护全脑放疗,症状改善差这么多
文献来源Info X Med 搜 《JAMAOriginal Investigation》结论先行对于 5-20 个脑转移灶、既往未接受脑部放疗的患者相比“海马保护全脑放疗”只针对单个肿瘤的立体定向放疗能更明显地改善症状严重度和对日常功能的干扰也就是更有利于生活质量。这项 3 期开放标签随机试验支持立体定向放疗成为这部分患者的优先选择。一、多发性脑转移的放疗难题脑转移在肿瘤患者中很常见放疗是常用管理手段。但对超过 4 个脑转移灶的患者目前仍有争议全脑放疗WBRT照射肿瘤和正常脑组织认知副作用更受关注。海马保护全脑放疗HA-WBRT通过避开海马区来减轻认知毒性但仍会照射全脑。立体定向放疗SRS只针对可见肿瘤正常脑组织受量更低。此前缺乏 SRS 与 HA-WBRT 在 5-20 个脑转移患者中的直接比较。二、试验设计设计3 期、开放标签、随机对照试验美国 4 个中心。人群5-20 个脑转移灶、既往未接受脑部放疗共 196 例随机平均年龄 61 岁66% 女性90% 白人中位脑转移灶数 14 个。主要终点用 MD Anderson 症状量表-脑肿瘤版MDASI-BT评估 6 个月内相对基线的症状严重度和日常功能干扰评分变化评分范围 0-10变化范围 -10 至 10-10 为最好临床有意义差异为 0.98。图原文 Figure. Flow Diagram Depicting Recruitment, Randomization, and Follow-Up三、主要结果6 个月评估完成 83 例42%。主要终点立体定向放疗组加权综合 MDASI-BT 评分从 2.69 降至 2.37平均变化 -0.32。海马保护全脑放疗组评分从 2.29 升至 3.03平均变化 0.74。组间平均差-1.0695% CI -1.54 至 -0.58P.001。也就是说SRS 组症状总体改善而 HA-WBRT 组症状反而恶化二者差异具有统计学意义且超过 0.98 的临床有意义阈值。四、安全性相关 3-5 级不良事件发生率两组接近SRS 组 12 例12%、HA-WBRT 组 13 例13%。最常见的 1-3 级不良事件是疲乏SRS 组 28%、HA-WBRT 组 44%SRS 组更少。五、临床意义对 5-20 个脑转移灶的患者SRS 可作为优先局部治疗在不增加严重不良反应的情况下改善症状和日常功能。尽管 HA-WBRT 已尽量保护海马仍可能带来更多疲乏和症状负担。生存结局并非本研究主要终点后续还需关注颅内控制、认知功能和生活质量的长期数据。六、一句话总结脑转移越多并不意味着一定要做全脑放疗立体定向放疗在 5-20 个病灶患者中带来更好的症状控制和生活质量。免责声明本文为文献解读与科普不构成任何诊疗建议。在Info X Med即可查看原文献
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉