Krebstherapien sind auf schwindelerregende Datenmengen angewiesen: So werden sie in der Cloud sortiert

Krebspatienten und ihre Ärzte verfügen über mehr Informationen über die Krankheit und ihre Behandlung als je zuvor, und die verfügbaren Informationen nehmen weiterhin rasant zu. All diese Informationen sind jedoch nutzlos, wenn die Menschen nicht alles verstehen können. 

Denken Sie zum Beispiel an einen Lungenkrebspatienten, der durch ein Screening-Programm, das ein Computertomographiebild (CT) erstellt, eine frühe Diagnose erhalten könnte. Während ihr Diagnose- und Behandlungsplan voranschreitet, werden ihre Betreuer Datenquellen wie MRT und molekulare Bildgebung, Pathologiedaten – die zunehmend digitalisiert werden – und Genominformationen heranziehen. 

„All dies ist ehrlich gesagt eine sehr schwierige Herausforderung für die Pflegeteams selbst, da sie darüber nachdenken, wie sie diese Patienten am besten betreuen und behandeln können“, sagte Louis Culot, GM für Genomik und Onkologie-Informatik bei Philips, während einer Amazon Virtuelle Web Services-Veranstaltung für die Gesundheitsbranche. 

„In der Onkologie oder in jeder anderen medizinischen Disziplin ist das wichtig, denn die Behandlung zählt, der Eingriff zählt“, sagte Culot. „Wir wollen Daten nicht nur um der Daten willen. Welche Maßnahmen könnten die Mitglieder des Pflegeteams auf der Grundlage der Informationen ergreifen?“

Um all diese Daten besser in den Griff zu bekommen, haben Innovatoren auf Tools wie Cloud Computing und maschinelles Lernen zurückgegriffen – mit potenziell lebensrettenden Ergebnissen. Bei der AWS-Veranstaltung dieser Woche stellte Culot die Partnerschaft von Philips mit dem MD Anderson Cancer Center an der University of Texas vor, die darauf abzielt, Ärzten dabei zu helfen, alle ihre Daten zusammenzuführen, um personalisierte Pflegepläne für Patienten zu erstellen. 

Satnam Alag, SVP für Software-Engineering bei Grail, erklärte, wie sein Unternehmen die Cloud und maschinelles Lernen nutzt, um ein System zu entwickeln, das Patienten auf Dutzende verschiedener Krebsarten gleichzeitig und nicht einzeln untersuchen kann. 

Die Auswirkungen verbesserter Krebsvorsorgeuntersuchungen und -behandlungen lassen sich kaum überbewerten. Im Jahr 2020 gab es laut Alag weltweit mehr als 19 Millionen Krebsfälle und fast 10 Millionen Todesfälle. Schätzungen zufolge erkranken jeder dritte Mann und jede vierte Frau im Laufe ihres Lebens an Krebs.

„Wird bei mir oder einem Familienmitglied Krebs diagnostiziert? Wo ist es in meinem Körper? Kann es geheilt werden? Oder wird es mich umbringen? Das sind häufige Fragen, die viele von uns teilen“, sagte Alag. 

Da wir immer mehr Daten zur Krebsforschung sammeln, entwickeln Wissenschaftler glücklicherweise auch schnell neue Behandlungsoptionen. Fortschritte in der molekularen Profilierung haben Wissenschaftlern dabei geholfen, verschiedene Kategorien und Unterkategorien von Krebs sowie verschiedene mögliche Therapien zu identifizieren. Im Jahr 2009 hatte die US-amerikanische FDA acht Krebsmedikamente zugelassen, stellte Culot fest. Bis 2020 stieg diese Zahl auf 57. Darüber hinaus stehen Krebspatienten derzeit rund 1,500 klinische Studien offen. 

„Generell gibt es mittlerweile buchstäblich Hunderte möglicher Therapien oder Therapiekombinationen, die zur Behandlung von Krebs eingesetzt werden können“, sagte Culot. „Wir stehen also vor dieser doppelten Herausforderung, oder? Wie führen wir all diese Daten zusammen, um ein besseres Bild des Patienten zu erhalten? Und was bedeutet das alles dann in Bezug auf die beste Behandlung?“

Um dieses Problem anzugehen, haben die Ärzte von MD Anderson das Precision Oncology Decision Support (PODS)-System entwickelt – ein evidenzbasiertes Tool, das Ärzten hilft, relevante Informationen wie die neuesten Entwicklungen in der Arzneimittelentwicklung und klinische Studien sowie die Reaktionen der Patienten auf Behandlungen zu bewerten . Dies hilft ihnen, personalisierte Behandlungspläne zu entwickeln.

Im Jahr 2020 ging MD Anderson eine Partnerschaft mit Philips und AWS ein, um das System Ärzten und Praktikern auf der ganzen Welt verfügbar zu machen. 

Das System könne aus mehreren Gründen nur in der Cloud existieren, so Culot. Es müssen enorme Datenmengen gespeichert und enorme Mengen an Daten verarbeitet werden. Gleichzeitig muss das System ein sicheres und konformes mandantenfähiges System für Ärzte auf der ganzen Welt sein. 

Am wichtigsten ist vielleicht, dass die Cloud wirklich personalisierte Behandlungspläne ermöglicht, so Culot, indem sie es Ärzten ermöglicht, zusammenzuarbeiten und ihre Daten zu kombinieren. 

„Die Leute reden über Krebs als ein Big-Data-Problem, aber ich nenne es auch ein Small-End-Problem“, sagte Culot. Er nannte das Beispiel eines Lungenkrebspatienten, der erfährt, dass er Lungenkrebs im Stadium 4 mit bestimmten Mutationen hat. 

„Am Ende werden diese Bevölkerungsgruppen immer weiter unterteilt, sodass selbst die größten Gesundheitseinrichtungen manchmal nur wenige Patienten haben, die die Kriterien erfüllen, aus denen wir lernen wollen“, sagte er. „Diese cloudbasierten Ökosysteme ermöglichen die Kombination von Daten – anonymisiert und konform –, damit wir daraus lernen können.“

Ebenso sagte Satnam Alag von Grail, die Cloud sei für die Entwicklung von Galleri, dem Multikrebs-Früherkennungstest des Unternehmens, unerlässlich. Der Test dient zur Erkennung von mehr als 50 Krebsarten als Ergänzung zu Früherkennungstests für einzelne Krebsarten.

„Die Nutzung der Leistungsfähigkeit der Genomik und des maschinellen Lernens erfordert viel Rechenaufwand“, sagte Alag. „Es müssen sehr große Datenmengen gesammelt und skaliert werden.“ 

Ausgehend von einer einzigen Blutentnahme nutzt der Galleri-Test DNA-Sequenzierung und maschinelle Lernalgorithmen, um DNA-Stücke im Blutkreislauf eines Patienten zu analysieren. Der Test sucht speziell nach zellfreien Nukleinsäuren (cfDNA), die Tumore ins Blut ausscheiden, und kann Aufschluss darüber geben, um welche Art von Krebs es sich im Körper handelt und woher er kommt. 

„Anstatt nur einzelne Krebsarten zu untersuchen, müssen wir Einzelpersonen auf Krebs untersuchen“, sagte Alag. „Und dies ist jetzt dank zweier großer Technologierevolutionen möglich, die in den letzten 20 Jahren stattgefunden haben. Erstens die Leistungsfähigkeit der Genomik – es ist jetzt möglich, die komplette DNA zu sequenzieren … und innerhalb weniger Tage kostengünstig Terabytes an Daten zu erzeugen. Zweitens gibt es große Innovationen beim maschinellen Lernen. Wir verfügen jetzt über das Know-how, um komplizierte Deep-Learning-Modelle mit zig Millionen Parametern erstellen zu können.“