કેન્સરની થેરાપીઓ ડેટાની ઝીણી માત્રા પર આધાર રાખે છે: ક્લાઉડમાં તે કેવી રીતે સૉર્ટ થઈ રહ્યું છે તે અહીં છે

કેન્સરના દર્દીઓ અને તેમના ડોકટરો પાસે આ રોગ અને તેની સારવાર વિશે પહેલા કરતાં વધુ માહિતી છે અને ઉપલબ્ધ માહિતીમાં સતત વધારો થતો જાય છે. તે બધી માહિતી, જો કે, જો લોકો તે બધાને સમજી શકતા નથી, તો તે ઉપયોગી નથી. 

દાખલા તરીકે, ફેફસાના કેન્સરના દર્દી વિશે વિચારો, જેમને કમ્પ્યુટેડ ટોમોગ્રાફી (CT) ઇમેજ બનાવતા સ્ક્રીનીંગ પ્રોગ્રામ દ્વારા પ્રારંભિક નિદાન પ્રાપ્ત થઈ શકે છે. જેમ જેમ તેમનું નિદાન અને સારવાર યોજના આગળ વધે છે તેમ તેમ તેમના કેરટેકર્સ ડેટા સ્ત્રોતો જેમ કે MR અને મોલેક્યુલર ઇમેજિંગ, પેથોલોજી ડેટા — જે વધુને વધુ ડિજીટાઈઝ થાય છે — અને જીનોમિક્સ માહિતી લાવશે. 

"આ બધું, પ્રામાણિકપણે, સંભાળ ટીમો માટે ખૂબ જ મુશ્કેલ પડકાર છે કારણ કે તેઓ આ દર્દીઓની શ્રેષ્ઠ સંભાળ અને સારવાર કેવી રીતે કરવી તે વિશે વિચારી રહ્યાં છે," ફિલિપ્સના જીનોમિક્સ અને ઓન્કોલોજી ઇન્ફોર્મેટિક્સના જીએમ લુઇસ ક્યુલોટે એમેઝોન દરમિયાન જણાવ્યું હતું. આરોગ્ય ઉદ્યોગ માટે વેબ સેવાઓ વર્ચ્યુઅલ ઇવેન્ટ. 

"હવે ઓન્કોલોજીમાં, અથવા કોઈપણ તબીબી શિસ્તમાં, આ બાબત મહત્વની છે કારણ કે સારવાર મહત્વપૂર્ણ છે, હસ્તક્ષેપ મહત્વપૂર્ણ છે," કુલોટે કહ્યું. “અમે માત્ર ડેટા ખાતર ડેટા જોઈતા નથી. માહિતીના આધારે સંભાળ ટીમના સભ્યો શું પગલાં લઈ શકે?

આ તમામ ડેટા પર વધુ સારી પકડ મેળવવા માટે, સંશોધકો ક્લાઉડ કમ્પ્યુટિંગ અને મશીન લર્નિંગ જેવા સાધનો તરફ વળ્યા છે - સંભવિત જીવન બચાવ પરિણામો સાથે. આ અઠવાડિયેની AWS ઇવેન્ટમાં, ક્યુલોટે યુનિવર્સિટી ઓફ ટેક્સાસમાં MD એન્ડરસન કેન્સર સેન્ટર સાથે ફિલિપ્સની ભાગીદારી કરી, જેનો હેતુ દર્દીઓ માટે વ્યક્તિગત સંભાળ યોજનાઓ બનાવવા માટે ડોકટરોને તેમના તમામ ડેટાને એકસાથે લાવવામાં મદદ કરવાનો છે. 

Grail ખાતે સોફ્ટવેર એન્જિનિયરિંગના SVP, સતનામ અલગે સમજાવ્યું કે કેવી રીતે તેમની કંપની ક્લાઉડ અને મશીન લર્નિંગનો ઉપયોગ એવી સિસ્ટમ વિકસાવવા માટે કરી રહી છે જે એક સમયે એકને બદલે ડઝનેક વિવિધ પ્રકારના કેન્સર માટે દર્દીઓની તપાસ કરી શકે. 

કેન્સરની સુધારેલી તપાસ અને સારવારની અસરને વધારે પડતી દર્શાવવી મુશ્કેલ છે. 2020 માં, વૈશ્વિક સ્તરે કેન્સરના 19 મિલિયનથી વધુ કેસો હતા, એલાગે નોંધ્યું હતું, અને લગભગ 10 મિલિયન મૃત્યુ થયા હતા. એવો અંદાજ છે કે ત્રણમાંથી એક પુરૂષ અને ચારમાંથી એક સ્ત્રીને જીવનકાળ દરમિયાન કેન્સર થવાની સંભાવના છે.

“શું મને અથવા કુટુંબના કોઈ સભ્યને કેન્સર હોવાનું નિદાન થશે? તે મારા શરીરમાં ક્યાં છે? શું તેનો ઈલાજ થઈ શકે? અથવા તે મને મારી નાખશે? આ સામાન્ય પ્રશ્નો છે જે આપણામાંના ઘણા શેર કરે છે,” અલગે કહ્યું. 

સદ્ભાગ્યે, જેમ જેમ અમે કેન્સરનો અભ્યાસ કરવા માટે વધુ ડેટા પોઈન્ટ એકત્રિત કરીએ છીએ, વૈજ્ઞાનિકો ઝડપી ક્લિપમાં સારવારના નવા વિકલ્પો પણ વિકસાવી રહ્યા છે. મોલેક્યુલર પ્રોફાઈલિંગમાં પ્રગતિએ વૈજ્ઞાનિકોને વિવિધ સંભવિત ઉપચારો સાથે કેન્સરની વિવિધ શ્રેણીઓ અને પેટાશ્રેણીઓને ઓળખવામાં મદદ કરી છે. 2009 માં, યુએસ એફડીએ એ આઠ કેન્સર વિરોધી દવાઓને મંજૂરી આપી હતી, ક્યુલોટે નોંધ્યું હતું. 2020 સુધીમાં, તે સંખ્યા વધીને 57 થઈ ગઈ. તેના ઉપર, હાલમાં કેન્સરના દર્દીઓ માટે લગભગ 1,500 ક્લિનિકલ ટ્રાયલ ખુલ્લા છે. 

"સામાન્ય રીતે, હવે શાબ્દિક રીતે સેંકડો સંભવિત ઉપચારો અથવા ઉપચાર સંયોજનો છે, જેનો ઉપયોગ કેન્સરની સારવાર માટે થઈ શકે છે," કુલોટે કહ્યું. “તો આપણી પાસે આ ડબલ પડકાર છે, ખરું ને? દર્દીનું વધુ સારું ચિત્ર મેળવવા માટે આપણે આ બધા ડેટાને એકસાથે કેવી રીતે ખેંચી શકીએ? અને પછી તે દૃષ્ટિકોણ સાથે, શ્રેષ્ઠ સારવારની દ્રષ્ટિએ તેનો અર્થ શું છે?"

તે સમસ્યાનો સામનો કરવા માટે, MD એન્ડરસનના ડોકટરોએ પ્રિસિઝન ઓન્કોલોજી ડિસીઝન સપોર્ટ (PODS) સિસ્ટમ વિકસાવી છે - એક પુરાવા-આધારિત સાધન જે ડોકટરોને સંબંધિત માહિતીનું મૂલ્યાંકન કરવામાં મદદ કરે છે જેમ કે ડ્રગ ડેવલપમેન્ટ અને ક્લિનિકલ ટ્રાયલ્સમાં નવીનતમ, તેમજ સારવાર માટે દર્દીના પ્રતિભાવો. . આ તેમને વ્યક્તિગત સારવાર યોજનાઓ વિકસાવવામાં મદદ કરે છે.

2020 માં, MD એન્ડરસને ફિલિપ્સ અને AWS સાથે ભાગીદારી કરી જેથી વિશ્વભરના ડોકટરો અને પ્રેક્ટિશનરો માટે સિસ્ટમ ઉપલબ્ધ થઈ શકે. 

ક્યુલોટે નોંધ્યું છે કે, સંખ્યાબંધ કારણોસર સિસ્ટમ માત્ર ક્લાઉડમાં જ અસ્તિત્વમાં હોઈ શકે છે. સંગ્રહ કરવા માટે વિશાળ માત્રામાં ડેટા છે અને મોટી માત્રામાં ડેટા પ્રોસેસિંગ થવાની જરૂર છે. તે જ સમયે, વિશ્વભરના પ્રેક્ટિશનરો માટે સિસ્ટમ સુરક્ષિત અને સુસંગત મલ્ટિ-ટેનન્ટ સિસ્ટમ હોવી જરૂરી છે. 

કદાચ સૌથી વિવેચનાત્મક રીતે, ક્લાઉડ ખરેખર વ્યક્તિગત સારવાર યોજનાઓને સક્ષમ કરે છે, ક્યુલોટે નોંધ્યું હતું કે, ડોકટરોને તેમના ડેટાને સહયોગ અને સંયોજિત કરવાની મંજૂરી આપીને. 

"લોકો કેન્સર વિશે મોટી ડેટા સમસ્યા તરીકે વાત કરે છે, પરંતુ તેને હું નાની-અંતની સમસ્યા કહું છું," કુલોટે કહ્યું. તેણે ફેફસાના કેન્સરના દર્દીનું ઉદાહરણ આપ્યું કે જેને ખબર પડે છે કે તેને ચોક્કસ પરિવર્તન સાથે સ્ટેજ 4 ફેફસાનું કેન્સર છે. 

"તમે આ વસ્તીને સબસેટિંગ અને સબસેટ કરવાનું સમાપ્ત કરો છો તેથી સૌથી મોટી આરોગ્ય સંભાળ સંસ્થાઓમાં પણ કેટલીકવાર ફક્ત થોડા દર્દીઓ હોય છે જે અમે જેમાંથી શીખવાનો પ્રયાસ કરી રહ્યા છીએ તે માપદંડોને પૂર્ણ કરે છે," તેમણે કહ્યું. "ડેટાને સંયોજિત કરવામાં સક્ષમ થવા માટે — બિન-ઓળખાયેલ, સુસંગત રીતે — જેથી આપણે તેમાંથી શીખી શકીએ, આ ક્લાઉડ આધારિત ઇકોસિસ્ટમ્સ દ્વારા સક્ષમ છે."

તેવી જ રીતે, ગ્રેઇલના સતનામ અલગે જણાવ્યું હતું કે, કંપનીની બહુ-કેન્સર પ્રારંભિક તપાસ ટેસ્ટ, ગેલેરીના વિકાસ માટે ક્લાઉડ અનિવાર્ય છે. આ ટેસ્ટ સિંગલ-કેન્સર સ્ક્રીનીંગ ટેસ્ટના પૂરક તરીકે 50 થી વધુ પ્રકારના કેન્સરને શોધવા માટે રચાયેલ છે.

"જીનોમિક્સ અને મશીન લર્નિંગની શક્તિનો ઉપયોગ કરવા માટે ઘણી ગણતરીની જરૂર છે," અલગે કહ્યું. "ખૂબ જ મોટી માત્રામાં ડેટા એકત્રિત અને સ્કેલ કરવાની જરૂર છે." 

સિંગલ બ્લડ ડ્રોમાંથી, ગેલેરી ટેસ્ટ દર્દીના લોહીના પ્રવાહમાં ડીએનએના ટુકડાઓનું વિશ્લેષણ કરવા માટે ડીએનએ સિક્વન્સિંગ અને મશીન લર્નિંગ અલ્ગોરિધમનો ઉપયોગ કરે છે. આ ટેસ્ટ ખાસ કરીને લોહીમાં ગાંઠો વહેતા સેલ-ફ્રી ન્યુક્લિક એસિડ્સ (cfDNA) માટે જુએ છે, જે તમને કહી શકે છે કે શરીરમાં કેવા પ્રકારનું કેન્સર છે અને તે ક્યાંથી આવે છે. 

"માત્ર વ્યક્તિગત કેન્સર માટે સ્ક્રીનીંગ કરવાને બદલે, આપણે કેન્સર માટે વ્યક્તિઓની તપાસ કરવાની જરૂર છે," અલગે કહ્યું. “અને છેલ્લા 20 વર્ષોમાં થયેલી બે મોટી ટેક્નોલોજી ક્રાંતિને કારણે હવે આ શક્ય બન્યું છે. પ્રથમ, જિનોમિક્સની શક્તિ — હવે સંપૂર્ણ ડીએનએને અનુક્રમિત કરવું શક્ય છે... થોડા દિવસોમાં અસરકારક રીતે ટેરાબાઈટ ડેટા જનરેટ કરવું. બીજું, મશીન લર્નિંગમાં મોટી સંખ્યામાં નવીનતા છે. હવે અમારી પાસે લાખો પરિમાણો સાથે જટિલ, ડીપ લર્નિંગ મોડલ બનાવવા માટે કેવી રીતે સક્ષમ થવાનું જ્ઞાન છે.”