A rákterápiák szédítő adatmennyiségtől függnek: a következőképpen rendeződik a felhőben

A daganatos betegek és orvosaik minden eddiginél több információval rendelkeznek a betegségről és annak kezeléséről, és a rendelkezésre álló információk szédítő ütemben gyarapodnak. Mindezek az információk azonban nem hasznosak, ha az emberek nem tudják értelmezni az egészet. 

Gondoljunk például egy tüdőrákos betegre, akinél egy számítógépes tomográfiás (CT) képet készítő szűrőprogram révén korai diagnózist kaphatnak. Ahogy a diagnózis és a kezelési terv előrehalad, gondozóik olyan adatforrásokat fognak behozni, mint az MR és a molekuláris képalkotás, a patológiai adatok – amelyek egyre inkább digitalizálódnak – és a genomikai információk. 

„Mindez őszintén szólva nagyon nehéz kihívást jelent maguknak a gondozási csapatoknak, mivel azon gondolkodnak, hogyan lehetne a legjobban ellátni és kezelni ezeket a betegeket” – mondta Louis Culot, a Philips genomikai és onkológiai informatikai igazgatója egy Amazonon. Web Services virtuális rendezvény az egészségipar számára. 

„Most az onkológiában vagy bármely orvosi tudományágban ez számít, mert számít a kezelés, a beavatkozás számít” – mondta Culot. „Nem csak az adatok miatt akarunk adatokat. Milyen lépéseket tehetnek az ellátási csoport tagjai az információk alapján?”

Az összes adat jobb megismerése érdekében az újítók olyan eszközökhöz fordultak, mint a felhőalapú számítástechnika és a gépi tanulás – potenciálisan életmentő eredményekkel. Az e heti AWS eseményen Culot végigjárta a Philips és a Texasi Egyetem MD Anderson Cancer Center együttműködését, amelynek célja, hogy segítsen az orvosoknak összesíteni adataikat, hogy személyre szabott gondozási terveket készítsenek a betegek számára. 

Satnam Alag, a Grail szoftvermérnöki alelnöke elmagyarázta, hogy vállalata miként használja a felhőt és a gépi tanulást egy olyan rendszer kifejlesztésére, amely egyszerre több tucat különböző ráktípust képes kiszűrni, nem pedig egyenként. 

Nehéz túlbecsülni a jobb rákszűrések és -kezelések hatását. 2020-ban világszerte több mint 19 millió rákos megbetegedést és közel 10 millió halálesetet regisztráltak Alag. Becslések szerint minden harmadik férfi és minden negyedik nő élete során rákos lesz.

„Nekem vagy egy családtagomnál rákot diagnosztizálnak? Hol van a testemben? Meg lehet gyógyítani? Vagy meg fog ölni? Ezek gyakori kérdések, amelyekben sokan osztozunk” – mondta Alag. 

Szerencsére, ahogy egyre több adatot gyűjtünk a rák tanulmányozására, a tudósok gyors ütemben új kezelési lehetőségeket is kidolgoznak. A molekuláris profilalkotás fejlődése segített a tudósoknak azonosítani a rák különböző kategóriáit és alkategóriáit, valamint a különböző lehetséges terápiákat. 2009-ben az amerikai FDA nyolc rákellenes gyógyszert hagyott jóvá, jegyezte meg Culot. 2020-ra ez a szám 57-re nőtt. Ezen felül jelenleg körülbelül 1,500 klinikai vizsgálat áll nyitva a rákos betegek számára. 

"Általánosságban elmondható, hogy ma már szó szerint több száz lehetséges terápia vagy terápiakombináció létezik, amelyek felhasználhatók a rák kezelésére" - mondta Culot. „Szóval ez a kettős kihívás, igaz? Hogyan gyűjtsük össze ezeket az adatokat, hogy jobb képet kapjunk a páciensről? És akkor ebből a szempontból mit jelent mindez a legjobb kezelés szempontjából?”

A probléma megoldására az MD Anderson orvosai kifejlesztették a Precision Oncology Decision Support (PODS) rendszert – egy bizonyítékokon alapuló eszközt, amely segít az orvosoknak értékelni a releváns információkat, például a gyógyszerfejlesztés és a klinikai vizsgálatok legújabb eredményeit, valamint a betegek kezelésekre adott válaszait. . Ez segít nekik személyre szabott kezelési tervek kidolgozásában.

2020-ban az MD Anderson együttműködött a Philipsszel és az AWS-szel, hogy elérhetővé tegye a rendszert az orvosok és a gyakorló orvosok számára szerte a világon. 

A rendszer csak a felhőben létezhetett, jegyezte meg Culot, számos okból. Óriási mennyiségű adatot kell tárolni, és hatalmas mennyiségű adatfeldolgozásnak kell megtörténnie. Ugyanakkor a rendszernek biztonságos és megfelelő többbérlős rendszernek kell lennie a szakemberek számára szerte a világon. 

A legkritikusabb talán az, hogy a felhő valóban személyre szabott kezelési terveket tesz lehetővé, jegyezte meg Culot, mivel lehetővé teszi az orvosok számára az együttműködést és az adatok kombinálását. 

„Az emberek úgy beszélnek a rákról, mint egy nagy adatproblémáról, de ez az, amit én kis problémaként is hívok” – mondta Culot. Példát hozott egy tüdőrákos betegről, aki megtudja, hogy 4. stádiumú tüdőrákja van, specifikus mutációkkal. 

„Ezek a populációk részhalmazait és részhalmazait végezzük, így a legnagyobb egészségügyi intézményekben is néha csak néhány olyan beteg van, aki megfelel azoknak a kritériumoknak, amelyekből tanulni próbálunk” – mondta. „A felhőalapú ökoszisztémák lehetővé teszik, hogy az adatokat – azonosítatlanok, megfelelő módon – kombinálhassuk, hogy tanulhassunk belőlük.”

Hasonlóképpen, Satnam Alag of Grail azt mondta, hogy a felhő elengedhetetlen a Galleri, a vállalat több rák elleni korai felismerési tesztjének fejlesztéséhez. A tesztet több mint 50 rákfajta kimutatására tervezték, kiegészítve az egyrákos szűrővizsgálatokkal.

"A genomika és a gépi tanulás erejének kihasználása sok számítást igényel" - mondta Alag. "Nagyon nagy mennyiségű adatot kell összegyűjteni és méretezni." 

Egyetlen vérvételből a Galleri teszt DNS-szekvenálást és gépi tanulási algoritmusokat használ a páciens véráramában lévő DNS-darabok elemzésére. A teszt kifejezetten azokat a sejtmentes nukleinsavakat (cfDNS-t) keresi, amelyeket a daganatok a vérben ürítenek, és amelyek megmondhatják, hogy milyen rák van a szervezetben, és honnan származik. 

"Ahelyett, hogy csak az egyes rákos megbetegedések szűrését végeznénk, az egyéneket kell szűrnünk a rák szempontjából" - mondta Alag. „És ez most lehetséges az elmúlt 20 év során bekövetkezett két nagy technológiai forradalomnak köszönhetően. Először is, a genomika ereje – most már lehetséges a teljes DNS szekvenálása… terabájtnyi adatot generálva költséghatékonyan néhány napon belül. Másodszor, a gépi tanulás hatalmas mennyiségű innovációja. Most már rendelkezünk azzal a know-how-val, hogy bonyolult, mély tanulási modelleket tudjunk felépíteni több tízmillió paraméterrel.”