Terapi kanker bergantung pada jumlah data yang memusingkan: Begini cara menyortirnya di cloud

Pasien kanker dan dokter mereka memiliki lebih banyak informasi tentang penyakit dan pengobatannya daripada sebelumnya, dan informasi yang tersedia terus bertambah dengan kecepatan yang memusingkan. Namun, semua informasi itu tidak berguna jika orang tidak dapat memahami semuanya. 

Pikirkan tentang pasien kanker paru-paru, misalnya, yang mungkin menerima diagnosis dini melalui program skrining yang menghasilkan gambar computed tomography (CT). Seiring kemajuan diagnosis dan rencana perawatan mereka, pengasuh mereka akan membawa sumber data seperti MR dan pencitraan molekuler, data patologi — yang semakin digital — dan informasi genomik. 

“Semua ini, sejujurnya, adalah tantangan yang sangat sulit bagi tim perawatan itu sendiri karena mereka memikirkan cara terbaik untuk merawat dan merawat pasien ini,” Louis Culot, GM genomik dan informatika onkologi di Philips, mengatakan selama Amazon Acara virtual Layanan Web untuk industri kesehatan. 

“Dalam onkologi sekarang, atau dalam disiplin medis apa pun, ini penting karena perawatannya penting, intervensinya penting,” kata Culot. “Kami tidak hanya menginginkan data demi data. Tindakan apa yang dapat diambil oleh anggota tim perawatan berdasarkan informasi?”

Untuk memahami semua data ini dengan lebih baik, para inovator telah beralih ke alat seperti komputasi awan dan pembelajaran mesin — dengan hasil yang berpotensi menyelamatkan jiwa. Pada acara AWS minggu ini, Culot berjalan melalui kemitraan Philips dengan MD Anderson Cancer Center di University of Texas, yang bertujuan untuk membantu dokter mengumpulkan semua data mereka untuk membuat rencana perawatan yang dipersonalisasi untuk pasien. 

Satnam Alag, SVP rekayasa perangkat lunak di Grail, menjelaskan bagaimana perusahaannya menggunakan cloud dan pembelajaran mesin untuk mengembangkan sistem yang dapat menyaring pasien untuk lusinan jenis kanker sekaligus, bukan satu per satu. 

Sulit untuk melebih-lebihkan dampak peningkatan pemeriksaan dan perawatan kanker. Pada tahun 2020, ada lebih dari 19 juta kasus kanker secara global, Alag mencatat, dan hampir 10 juta kematian. Diperkirakan satu dari tiga pria dan satu dari empat wanita cenderung terkena kanker selama hidupnya.

“Apakah saya atau anggota keluarga akan didiagnosis menderita kanker? Di mana di tubuhku? Bisakah itu disembuhkan? Atau apakah itu akan membunuhku? Ini adalah pertanyaan umum yang banyak dari kita berbagi, ”kata Alag. 

Untungnya, saat kami mengumpulkan lebih banyak poin data untuk mempelajari kanker, para ilmuwan juga mengembangkan opsi pengobatan baru dengan cepat. Kemajuan dalam pembuatan profil molekuler telah membantu para ilmuwan mengidentifikasi berbagai kategori dan subkategori kanker, bersama dengan terapi potensial yang berbeda. Pada tahun 2009, FDA AS telah menyetujui delapan obat antikanker, kata Culot. Pada tahun 2020, jumlah itu bertambah menjadi 57. Selain itu, sekarang ada sekitar 1,500 uji klinis yang saat ini terbuka untuk pasien kanker. 

“Secara umum, sekarang ada ratusan kemungkinan terapi atau kombinasi terapi, yang dapat digunakan untuk mengobati kanker,” kata Culot. “Jadi kita punya tantangan ganda ini, kan? Bagaimana kita mengumpulkan semua data ini untuk mendapatkan gambaran pasien yang lebih baik? Dan kemudian dengan pandangan itu, apa artinya semua itu dalam hal perawatan terbaik?”

Untuk mengatasi masalah itu, para dokter di MD Anderson mengembangkan sistem Precision Oncology Decision Support (PODS) — alat berbasis bukti yang membantu dokter menilai informasi yang relevan seperti pengembangan obat terbaru dan uji klinis, serta respons pasien terhadap perawatan. . Ini membantu mereka mengembangkan rencana perawatan yang dipersonalisasi.

Pada tahun 2020, MD Anderson bermitra dengan Philips dan AWS untuk membuat sistem tersedia bagi dokter dan praktisi di seluruh dunia. 

Sistem hanya bisa ada di cloud, kata Culot, karena sejumlah alasan. Ada sejumlah besar data untuk disimpan dan sejumlah besar pemrosesan data yang perlu dilakukan. Pada saat yang sama, sistem perlu menjadi sistem multi-penyewa yang aman dan sesuai untuk praktisi di seluruh dunia. 

Mungkin yang paling penting, cloud memungkinkan rencana perawatan yang benar-benar dipersonalisasi, kata Culot, dengan memungkinkan dokter untuk berkolaborasi dan menggabungkan data mereka. 

“Orang-orang berbicara tentang kanker sebagai masalah data besar, tetapi itu juga yang saya sebut masalah kecil-kecilan,” kata Culot. Ia mencontohkan seorang pasien kanker paru-paru yang mengetahui dirinya mengidap kanker paru-paru stadium 4 dengan mutasi tertentu. 

“Anda akhirnya membuat subset dan subset dari populasi ini sehingga bahkan institusi perawatan kesehatan terbesar terkadang hanya memiliki beberapa pasien yang memenuhi kriteria yang kami coba pelajari,” katanya. “Untuk dapat menggabungkan data — tidak teridentifikasi, dengan cara yang sesuai — sehingga kami dapat belajar darinya, dimungkinkan melalui ekosistem berbasis cloud ini.”

Demikian pula, Satnam Alag dari Grail mengatakan cloud sangat penting untuk pengembangan Galleri, tes deteksi dini multi-kanker perusahaan. Tes ini dirancang untuk mendeteksi lebih dari 50 jenis kanker sebagai pelengkap tes skrining kanker tunggal.

“Memanfaatkan kekuatan genomik dan pembelajaran mesin membutuhkan banyak komputasi,” kata Alag. “Data dalam jumlah yang sangat besar perlu dikumpulkan dan diskalakan.” 

Dari pengambilan darah tunggal, tes Galleri menggunakan pengurutan DNA dan algoritma pembelajaran mesin untuk menganalisis potongan DNA dalam aliran darah pasien. Tes ini secara khusus mencari asam nukleat bebas sel (cfDNA) yang ditumpahkan tumor dalam darah, yang dapat memberi tahu Anda jenis kanker apa yang ada di dalam tubuh dan dari mana asalnya. 

“Daripada hanya menyaring kanker individu, kita perlu menyaring individu untuk kanker,” kata Alag. “Dan ini sekarang dimungkinkan berkat dua revolusi teknologi besar yang telah terjadi selama 20 tahun terakhir. Pertama, kekuatan genomik — sekarang dimungkinkan untuk mengurutkan DNA lengkap… menghasilkan terabyte data dengan biaya efektif dalam beberapa hari. Kedua, adalah banyaknya inovasi dalam pembelajaran mesin. Kami sekarang memiliki pengetahuan untuk dapat membangun model pembelajaran yang rumit dan mendalam dengan puluhan juta parameter.”