Kræftbehandlinger afhænger af svimlende mængder af data: Sådan bliver det sorteret i skyen

Kræftpatienter og deres læger har mere information om sygdommen og dens behandling end nogensinde før, og den tilgængelige information fortsætter med at vokse med en svimlende hastighed. Al den information er dog ikke nyttig, hvis folk ikke kan forstå det hele. 

Tænk for eksempel på en lungekræftpatient, som måske får en tidlig diagnose gennem et screeningprogram, der producerer et computertomografi (CT) billede. Efterhånden som deres diagnose og behandlingsplan skrider frem, vil deres viceværter bringe datakilder som MR og molekylær billeddannelse, patologidata - som i stigende grad digitaliseres - og genomisk information. 

"Alt dette er ærligt talt en meget vanskelig udfordring for plejeteamene selv, da de tænker på, hvordan de bedst plejer og behandler disse patienter," sagde Louis Culot, GM for genomics og onkologiinformatik hos Philips, under en Amazon Web Services virtuel begivenhed for sundhedsindustrien. 

"I onkologi nu, eller i enhver anden medicinsk disciplin, betyder dette noget, fordi behandlingen betyder noget, interventionen betyder noget," sagde Culot. ”Vi vil ikke kun have data for dataens skyld. Hvilken handling kan plejeteamets medlemmer tage baseret på information?”

For at få et bedre greb om alle disse data har innovatører vendt sig til værktøjer som cloud computing og maskinlæring - med potentielt livreddende resultater. Ved denne uges AWS-begivenhed gik Culot gennem Philips' partnerskab med MD Anderson Cancer Center ved University of Texas, som har til formål at hjælpe læger med at samle alle deres data for at skabe personlige plejeplaner for patienter. 

Satnam Alag, SVP for software engineering hos Grail, forklarede, hvordan hans virksomhed bruger skyen og maskinlæring til at udvikle et system, der kan screene patienter for snesevis af forskellige typer kræft på én gang, i stedet for én ad gangen. 

Det er svært at overvurdere virkningen af ​​forbedrede kræftscreeninger og behandlinger. I 2020 var der mere end 19 millioner tilfælde af kræft globalt, bemærkede Alag, og næsten 10 millioner dødsfald. Det anslås, at hver tredje mand og hver fjerde kvinde sandsynligvis får kræft i løbet af livet.

"Vil jeg eller et familiemedlem blive diagnosticeret med kræft? Hvor er det i min krop? Kan det helbredes? Eller vil det slå mig ihjel? Det er almindelige spørgsmål, som mange af os deler,” sagde Alag. 

Heldigvis, efterhånden som vi indsamler flere datapunkter for at studere kræft, udvikler forskere også nye behandlingsmuligheder med et hurtigt klip. Fremskridt inden for molekylær profilering har hjulpet forskere med at identificere forskellige kategorier og underkategorier af kræft sammen med forskellige potentielle terapier. I 2009 havde den amerikanske FDA godkendt otte lægemidler mod kræft, bemærkede Culot. I 2020 voksede det tal til 57. Oven i det er der nu omkring 1,500 kliniske forsøg, der i øjeblikket er åbne for kræftpatienter. 

"Generelt er der nu bogstaveligt talt hundredvis af mulige terapier eller terapikombinationer, som kan bruges til at behandle kræft," sagde Culot. "Så vi har denne dobbelte udfordring, ikke? Hvordan samler vi alle disse data for at få et bedre billede af patienten? Og så med det synspunkt, hvad betyder det hele i forhold til den bedste behandling?

For at tackle dette problem udviklede lægerne hos MD Anderson Precision Oncology Decision Support (PODS) systemet - et evidensbaseret værktøj, der hjælper læger med at vurdere relevant information såsom det seneste inden for udvikling af lægemidler og kliniske forsøg samt patientrespons på behandlinger . Dette hjælper dem med at udvikle personlige behandlingsplaner.

I 2020 indgik MD Anderson et samarbejde med Philips og AWS for at gøre systemet tilgængeligt for læger og praktiserende læger over hele kloden. 

Systemet kunne kun eksistere i skyen, bemærkede Culot, af en række årsager. Der er en enorm mængde data at gemme og enorme mængder databehandling, der skal ske. Samtidig skal systemet være et sikkert og kompatibelt multi-tenant-system for praktikere over hele kloden. 

Måske mest kritisk muliggør skyen virkelig personlige behandlingsplaner, bemærkede Culot, ved at tillade læger at samarbejde og kombinere deres data. 

"Folk taler om kræft som et stort dataproblem, men det er også det, jeg kalder et lille problem," sagde Culot. Han gav eksemplet med en lungekræftpatient, der erfarer, at han har fase 4 lungekræft med specifikke mutationer. 

"Du ender med at under- og undersætte disse populationer, så selv de største sundhedsinstitutioner nogle gange kun har nogle få patienter, der opfylder de kriterier, vi forsøger at lære af," sagde han. "At være i stand til at kombinere data - afidentificeret på en kompatibel måde - så vi kan lære af det, er aktiveret gennem disse skybaserede økosystemer."

Tilsvarende sagde Satnam Alag fra Grail, at skyen var bydende nødvendigt for udviklingen af ​​Galleri, virksomhedens test for tidlig påvisning af flere kræftformer. Testen er designet til at påvise mere end 50 typer af kræftformer som et supplement til enkelt-kræftscreeningstest.

"At udnytte kraften i genomik og maskinlæring kræver en masse beregning," sagde Alag. "Meget store mængder data skal indsamles og skaleres." 

Fra en enkelt blodprøve bruger Galleri-testen DNA-sekventering og maskinlæringsalgoritmer til at analysere DNA-stykker i en patients blodbane. Testen leder specifikt efter de cellefrie nukleinsyrer (cfDNA), som tumorer udskiller i blodet, som kan fortælle dig, hvilken slags kræft der er i kroppen, og hvor den kommer fra. 

"I stedet for kun at screene for individuelle kræftformer, er vi nødt til at screene individer for kræft," sagde Alag. “Og det er nu muligt takket være to store teknologirevolutioner, der er sket i løbet af de sidste 20 år. For det første kraften ved genomik - det er nu muligt at sekventere det komplette DNA... og generere terabytes af data omkostningseffektivt inden for få dage. For det andet er den enorme mængde innovation inden for maskinlæring. Vi har nu knowhow til at være i stand til at bygge komplicerede, deep learning-modeller med titusinder af parametre."