تعتمد علاجات السرطان على كميات هائلة من البيانات: إليك كيفية فرزها في السحابة

لدى مرضى السرطان وأطبائهم المزيد من المعلومات حول المرض وعلاجه أكثر من أي وقت مضى ، والمعلومات المتاحة تتزايد بمعدل مذهل. ومع ذلك ، فإن كل هذه المعلومات ليست مفيدة إذا كان الناس لا يستطيعون فهمها كلها. 

فكر في مريض سرطان الرئة ، على سبيل المثال ، الذي قد يتلقى تشخيصًا مبكرًا من خلال برنامج فحص ينتج صورة مقطعية (CT). مع تقدم خطة التشخيص والعلاج الخاصة بهم ، سيقوم القائمين على رعايتهم بإحضار مصادر البيانات مثل التصوير بالرنين المغناطيسي والتصوير الجزيئي وبيانات الأمراض - التي يتم رقمنتها بشكل متزايد - ومعلومات الجينوم. 

قال لويس كولوت ، المدير العام لمعلومات الجينوم وعلم الأورام في Philips ، خلال أحد مواقع Amazon حدث افتراضي لخدمات الويب للصناعة الصحية. 

قال كولوت: "في علم الأورام الآن ، أو في أي تخصص طبي ، هذا مهم لأن العلاج مهم ، والتدخل مهم". "نحن لا نريد البيانات من أجل البيانات فقط. ما الإجراء الذي يمكن لأعضاء فريق الرعاية اتخاذه بناءً على المعلومات؟ "

للحصول على سيطرة أفضل على جميع هذه البيانات ، لجأ المبتكرون إلى أدوات مثل الحوسبة السحابية والتعلم الآلي - مع نتائج قد تنقذ الحياة. في حدث AWS هذا الأسبوع ، سار Culot عبر شراكة Philips مع مركز MD Anderson Cancer Center في جامعة تكساس ، والتي تهدف إلى مساعدة الأطباء على جمع كل بياناتهم معًا لإنشاء خطط رعاية مخصصة للمرضى. 

أوضح ساتنام ألاج ، نائب الرئيس الأول لهندسة البرمجيات في Grail ، كيف تستخدم شركته السحابة والتعلم الآلي لتطوير نظام يمكنه فحص المرضى بحثًا عن عشرات الأنواع المختلفة من السرطان في وقت واحد ، بدلاً من نوع واحد في كل مرة. 

من الصعب المبالغة في تقدير تأثير فحوصات وعلاجات السرطان المحسّنة. وأشار ألاج إلى أنه في عام 2020 ، كان هناك أكثر من 19 مليون حالة إصابة بالسرطان على مستوى العالم ، وحوالي 10 ملايين حالة وفاة. تشير التقديرات إلى أن واحدًا من كل ثلاثة رجال وواحدة من كل أربع نساء من المحتمل أن يصابوا بالسرطان خلال حياتهم.

"هل سيتم تشخيصي أنا أو أحد أفراد عائلتي بالسرطان؟ أين هو في جسدي؟ هل يمكن علاجه؟ أم أنها ستقتلني؟ هذه أسئلة شائعة يشاركها الكثير منا. 

لحسن الحظ ، نظرًا لأننا نجمع المزيد من نقاط البيانات لدراسة السرطان ، فإن العلماء يطورون أيضًا خيارات علاجية جديدة في مقطع سريع. ساعد التقدم في التنميط الجزيئي العلماء على تحديد فئات وفئات فرعية مختلفة من السرطان ، إلى جانب العلاجات المحتملة المختلفة. وأشار كولوت إلى أنه في عام 2009 ، وافقت إدارة الغذاء والدواء الأمريكية على ثمانية أدوية مضادة للسرطان. بحلول عام 2020 ، ارتفع هذا العدد إلى 57. علاوة على ذلك ، هناك الآن حوالي 1,500 تجربة سريرية مفتوحة حاليًا لمرضى السرطان. 

قال كولوت: "بشكل عام ، يوجد الآن فعليًا المئات من العلاجات الممكنة أو مجموعات العلاج ، والتي يمكن استخدامها لعلاج السرطان". "إذن لدينا هذا التحدي المزدوج ، أليس كذلك؟ كيف نجمع كل هذه البيانات معًا للحصول على صورة أفضل للمريض؟ وبعد ذلك مع هذا الرأي ، ماذا يعني كل هذا من حيث أفضل علاج؟ "

لمعالجة هذه المشكلة ، طور الأطباء في إم دي أندرسون نظام دعم اتخاذ القرار في علم الأورام الدقيق (PODS) - وهو أداة قائمة على الأدلة تساعد الأطباء على تقييم المعلومات ذات الصلة مثل أحدث تطورات الأدوية والتجارب السريرية ، بالإضافة إلى استجابات المرضى للعلاجات. . هذا يساعدهم على تطوير خطط علاج شخصية.

في عام 2020 ، دخل إم دي أندرسون في شراكة مع Philips و AWS لإتاحة النظام للأطباء والممارسين في جميع أنحاء العالم. 

لاحظ كولوت أن النظام لا يمكن أن يوجد إلا في السحابة لعدد من الأسباب. هناك كمية هائلة من البيانات للتخزين وكميات هائلة من معالجة البيانات التي يجب أن تحدث. في الوقت نفسه ، يجب أن يكون النظام نظامًا آمنًا ومتوافقًا متعدد المستأجرين للممارسين في جميع أنحاء العالم. 

وأشار كولوت إلى أن الأمر الأكثر أهمية هو أن السحابة تتيح خطط علاج مخصصة حقًا من خلال السماح للأطباء بالتعاون ودمج بياناتهم. 

قال كولوت: "يتحدث الناس عن السرطان كمشكلة بيانات ضخمة ، ولكنه أيضًا ما أسميه مشكلة النهاية الصغيرة". أعطى مثالاً لمريض سرطان الرئة الذي علم أنه مصاب بسرطان الرئة من المرحلة 4 مع طفرات معينة. 

وقال: "ينتهي بك الأمر إلى تدعيم هؤلاء السكان وإعاشتهم ، لذا فإن حتى أكبر مؤسسات الرعاية الصحية في بعض الأحيان لا يوجد بها سوى عدد قليل من المرضى الذين يستوفون المعايير التي نحاول التعلم منها". "لتكون قادرًا على دمج البيانات - مجهولة الهوية ، بطريقة متوافقة - حتى نتمكن من التعلم منها ، يتم تمكينها من خلال هذه النظم البيئية القائمة على السحابة."

وبالمثل ، قال ساتنام ألاج من Grail إن السحابة ضرورية لتطوير Galleri ، وهو اختبار الشركة للكشف المبكر عن السرطانات المتعددة. تم تصميم الاختبار لاكتشاف أكثر من 50 نوعًا من السرطانات كمكمل لاختبارات فحص السرطان الفردي.

قال ألاج: "تحتاج الاستفادة من قوة علم الجينوم والتعلم الآلي إلى الكثير من الحسابات". "يلزم جمع كميات كبيرة جدًا من البيانات وتوسيع نطاقها." 

من خلال سحب دم واحد ، يستخدم اختبار Galleri تسلسل الحمض النووي وخوارزميات التعلم الآلي لتحليل أجزاء من الحمض النووي في مجرى دم المريض. يبحث الاختبار تحديدًا عن الأحماض النووية الخالية من الخلايا (cfDNA) التي تفرزها الأورام في الدم ، والتي يمكن أن تخبرك بنوع السرطان في الجسم ومن أين يأتي. 

قال ألاج: "بدلاً من فحص السرطانات الفردية فقط ، نحتاج إلى فحص الأفراد بحثًا عن السرطان". "وهذا ممكن الآن بفضل ثورتين تقنيتين كبيرتين حدثت على مدار العشرين عامًا الماضية. أولاً ، قوة علم الجينوم - أصبح من الممكن الآن تسلسل الحمض النووي الكامل ... توليد تيرابايت من البيانات بتكلفة فعالة في غضون أيام قليلة. ثانيًا ، الكم الهائل من الابتكار في التعلم الآلي. لدينا الآن المعرفة التي تمكننا من بناء نماذج تعلم معقدة وعميقة باستخدام عشرات الملايين من المعلمات ".