بیماران سرطانی و پزشکان آنها اطلاعات بیشتری در مورد این بیماری و درمان آن نسبت به قبل دارند و اطلاعات موجود همچنان با سرعت سرگیجهآوری در حال افزایش است. با این حال، اگر مردم نتوانند همه آن را درک کنند، همه این اطلاعات مفید نیستند.
به عنوان مثال در مورد یک بیمار سرطان ریه فکر کنید که ممکن است از طریق یک برنامه غربالگری که تصویر توموگرافی کامپیوتری (CT) تولید می کند، تشخیص زودهنگام دریافت کند. با پیشرفت طرح تشخیص و درمان، مراقبان آنها منابع داده مانند MR و تصویربرداری مولکولی، داده های پاتولوژی - که به طور فزاینده ای دیجیتالی می شوند - و اطلاعات ژنومیک را به همراه خواهند داشت.
لوئیس کولو، مدیر ارشد بخش ژنومیک و انفورماتیک انکولوژی فیلیپس، در جریان یک آمازون گفت: «همه اینها، صادقانه، یک چالش بسیار دشوار برای خود تیمهای مراقبتی است، زیرا آنها در حال فکر کردن به بهترین نحوه مراقبت و درمان این بیماران هستند. رویداد مجازی خدمات وب برای صنعت سلامت.
کولوت گفت: «در حال حاضر در انکولوژی یا در هر رشته پزشکی، این مهم است زیرا درمان مهم است، مداخله مهم است. «ما دادهها را فقط به خاطر داده نمیخواهیم. اعضای تیم مراقبت بر اساس اطلاعات چه اقدامی می توانند انجام دهند؟
برای دستیابی بهتر به همه این دادهها، نوآوران به ابزارهایی مانند محاسبات ابری و یادگیری ماشینی روی آوردهاند - با نتایج بالقوه نجاتبخش. در رویداد AWS این هفته، کولوت از شراکت فیلیپس با مرکز سرطان MD اندرسون در دانشگاه تگزاس استفاده کرد، که هدف آن کمک به پزشکان برای جمع آوری تمام داده های خود برای ایجاد برنامه های مراقبت شخصی برای بیماران است.
ساتنام آلاگ، معاون مهندسی نرم افزار در Grail، توضیح داد که چگونه شرکت او از یادگیری ابری و ماشینی برای توسعه سیستمی استفاده می کند که می تواند بیماران را از نظر ده ها نوع مختلف سرطان به طور همزمان بررسی کند، نه یک بار.
اغراق آمیز تأثیر بهبود غربالگری و درمان سرطان دشوار است. آلاگ خاطرنشان کرد: در سال 2020، بیش از 19 میلیون مورد سرطان در سراسر جهان و نزدیک به 10 میلیون مرگ و میر وجود داشت. تخمین زده می شود که از هر سه مرد یک نفر و از هر چهار زن یک نفر در طول زندگی به سرطان مبتلا می شوند.
آیا من یا یکی از اعضای خانواده به سرطان مبتلا می شویم؟ کجای بدن من است؟ آیا می توان آن را درمان کرد؟ یا قراره منو بکشه؟ اینها سؤالات رایجی هستند که بسیاری از ما در آن سهیم هستیم.
خوشبختانه، با جمعآوری دادههای بیشتری برای مطالعه سرطان، دانشمندان همچنین در حال توسعه گزینههای درمانی جدید در یک کلیپ سریع هستند. پیشرفتها در پروفایل مولکولی به دانشمندان کمک کرده است تا دستهها و زیرمجموعههای مختلف سرطان را همراه با درمانهای بالقوه مختلف شناسایی کنند. کولوت خاطرنشان کرد: در سال 2009، FDA ایالات متحده هشت داروی ضد سرطان را تایید کرد. تا سال 2020، این تعداد به 57 افزایش یافت. علاوه بر آن، در حال حاضر حدود 1,500 کارآزمایی بالینی برای بیماران سرطانی باز است.
کولوت گفت: «به طور کلی، اکنون به معنای واقعی کلمه صدها درمان یا ترکیب درمانی ممکن وجود دارد که میتوانند برای درمان سرطان استفاده شوند. پس ما این چالش دوگانه را داریم، درست است؟ چگونه همه این داده ها را جمع آوری کنیم تا تصویر بهتری از بیمار داشته باشیم؟ و سپس با این دیدگاه، همه اینها از نظر بهترین درمان چه معنایی دارد؟»
برای مقابله با این مشکل، پزشکان در MD Anderson سیستم Precision Oncology Decision Support (PODS) را توسعه دادند - ابزاری مبتنی بر شواهد که به پزشکان کمک میکند اطلاعات مرتبط مانند جدیدترین در توسعه دارو و آزمایشهای بالینی و همچنین پاسخهای بیمار به درمانها را ارزیابی کنند. . این به آنها کمک می کند تا برنامه های درمانی شخصی سازی شده را توسعه دهند.
در سال 2020، MD Anderson با Philips و AWS همکاری کرد تا این سیستم را در دسترس پزشکان و پزشکان در سراسر جهان قرار دهد.
کولو خاطرنشان کرد که این سیستم تنها می تواند در فضای ابری وجود داشته باشد، به دلایلی. حجم عظیمی از داده ها برای ذخیره و حجم عظیمی از پردازش داده ها وجود دارد که باید اتفاق بیفتد. در عین حال، این سیستم باید یک سیستم چند مستاجر ایمن و سازگار برای پزشکان در سراسر جهان باشد.
کولو خاطرنشان کرد: شاید مهمتر از همه، ابر برنامههای درمانی واقعاً شخصیسازیشده را با اجازه دادن به پزشکان برای همکاری و ترکیب دادههایشان امکانپذیر میکند.
کولوت گفت: «مردم در مورد سرطان به عنوان یک مشکل کلان داده صحبت می کنند، اما این همان چیزی است که من آن را یک مشکل کوچک می نامم. او یک بیمار سرطان ریه را مثال زد که متوجه شد سرطان ریه مرحله 4 با جهش های خاص دارد.
او گفت: «شما این جمعیتها را زیرمجموعه و زیرمجموعه قرار میدهید، بنابراین حتی بزرگترین مؤسسات مراقبتهای بهداشتی گاهی اوقات فقط چند بیمار دارند که معیارهایی را دارند که ما میخواهیم از آنها یاد بگیریم.» از طریق این اکوسیستمهای مبتنی بر ابر، امکان ترکیب دادهها - شناساییشده، به روشی سازگار - تا بتوانیم از آنها بیاموزیم، امکانپذیر است.
به طور مشابه، Satnam Alag از Grail گفت که ابر برای توسعه Galleri، تست تشخیص زودهنگام چند سرطانی این شرکت، ضروری است. این آزمایش برای تشخیص بیش از 50 نوع سرطان به عنوان مکمل آزمایش های غربالگری تک سرطانی طراحی شده است.
آلاگ گفت: «استفاده از قدرت ژنومیک و یادگیری ماشینی به محاسبات زیادی نیاز دارد. مقادیر بسیار زیادی از داده ها باید جمع آوری و مقیاس شوند.
آزمایش Galleri از یک خونگیری، از توالی یابی DNA و الگوریتم های یادگیری ماشینی برای تجزیه و تحلیل قطعات DNA در جریان خون بیمار استفاده می کند. این آزمایش به طور خاص به دنبال اسیدهای نوکلئیک بدون سلول (cfDNA) است که تومورها در خون می ریزند، که می تواند به شما بگوید چه نوع سرطان در بدن وجود دارد و از کجا می آید.
الاگ گفت: "به جای غربالگری فقط برای سرطان های فردی، ما باید افراد را از نظر سرطان غربال کنیم." و این اکنون به لطف دو انقلاب بزرگ فناوری که در 20 سال گذشته اتفاق افتاده است امکان پذیر است. اول، قدرت ژنومیک - اکنون می توان DNA کامل را توالی کرد... تولید ترابایت داده به طور موثر در عرض چند روز. دوم، حجم عظیمی از نوآوری در یادگیری ماشین است. ما اکنون این دانش را داریم که بتوانیم مدلهای یادگیری عمیق و پیچیده با دهها میلیون پارامتر بسازیم.»