Vėžio gydymas priklauso nuo svaiginančio duomenų kiekio: štai kaip jie rūšiuojami debesyje

Vėžiu sergantys pacientai ir jų gydytojai turi daugiau informacijos apie ligą ir jos gydymą nei bet kada anksčiau, o turima informacija ir toliau auga svaiginančiu greičiu. Tačiau visa ši informacija nėra naudinga, jei žmonės negali to suprasti. 

Pavyzdžiui, pagalvokite apie plaučių vėžiu sergantį pacientą, kuriam gali būti anksti diagnozuota atrankos programa, kuri sukuria kompiuterinės tomografijos (KT) vaizdą. Tobulėjant diagnozei ir gydymo planui, jų prižiūrėtojai pateiks duomenų šaltinius, tokius kaip MR ir molekulinis vaizdas, patologijos duomenis, kurie vis labiau skaitmenizuojami, ir genomikos informaciją. 

„Visa tai, atvirai kalbant, yra labai sunkus iššūkis pačioms priežiūros komandoms, nes jos galvoja, kaip geriausiai prižiūrėti ir gydyti šiuos pacientus“, – per „Amazon“ sakė Louis Culot, „Philips“ genomikos ir onkologijos informatikos vadovas. Web Services virtualus renginys sveikatos pramonei. 

„Dabar onkologijoje ar bet kurioje medicinos disciplinoje tai svarbu, nes svarbu gydymas, svarbu ir intervencija“, - sakė Culotas. „Mes norime ne tik duomenų dėl duomenų. Kokių veiksmų galėtų imtis priežiūros komandos nariai, remdamiesi informacija?

Siekdami geriau įsisavinti visus šiuos duomenis, novatoriai kreipėsi į tokius įrankius kaip debesų kompiuterija ir mašininis mokymasis – tai gali išgelbėti gyvybę. Šios savaitės AWS renginyje Culot vaikščiojo per „Philips“ partnerystę su Teksaso universiteto MD Andersono vėžio centru, kurio tikslas – padėti gydytojams sujungti visus savo duomenis, kad būtų sukurti individualūs pacientų priežiūros planai. 

Satnamas Alagas, „Grail“ programinės įrangos inžinerijos viceprezidentas, paaiškino, kaip jo įmonė naudoja debesų ir mašinų mokymąsi, kad sukurtų sistemą, galinčią vienu metu, o ne po vieną, tikrinti pacientus dėl daugybės skirtingų vėžio tipų. 

Sunku pervertinti patobulintų vėžio patikrų ir gydymo poveikį. 2020 m. visame pasaulyje buvo daugiau nei 19 milijonų vėžio atvejų, pažymėjo Alagas, ir beveik 10 milijonų mirčių. Apskaičiuota, kad vienas iš trijų vyrų ir viena iš keturių moterų per gyvenimą gali susirgti vėžiu.

„Ar man ar šeimos nariui bus diagnozuotas vėžys? Kur jis yra mano kūne? Ar galima išgydyti? O gal tai mane nužudys? Tai dažni klausimai, su kuriais dalijasi daugelis iš mūsų“, – sakė Alagas. 

Laimei, kai renkame daugiau duomenų taškų vėžiui tirti, mokslininkai sparčiai kuria naujas gydymo galimybes. Molekulinio profiliavimo pažanga padėjo mokslininkams nustatyti skirtingas vėžio kategorijas ir subkategorijas bei skirtingus galimus gydymo būdus. 2009 m. JAV FDA patvirtino aštuonis vaistus nuo vėžio, pažymėjo Culotas. Iki 2020 m. šis skaičius išaugo iki 57. Be to, šiuo metu vėžiu sergantiems pacientams yra skirta apie 1,500 klinikinių tyrimų. 

"Apskritai dabar yra šimtai galimų gydymo būdų ar terapijos derinių, kurie gali būti naudojami vėžiui gydyti", - sakė Culotas. „Taigi mes turime šį dvigubą iššūkį, tiesa? Kaip surinkti visus šiuos duomenis, kad gautume geresnį paciento vaizdą? Ir ką visa tai reiškia geriausio gydymo požiūriu?

Siekdami išspręsti šią problemą, MD Anderson gydytojai sukūrė tiksliojo onkologijos sprendimų palaikymo (PODS) sistemą – įrodymais pagrįstą priemonę, kuri padeda gydytojams įvertinti svarbią informaciją, pvz., naujausią vaistų kūrimo ir klinikinių tyrimų informaciją, taip pat pacientų reakciją į gydymą. . Tai padeda jiems sukurti individualius gydymo planus.

2020 m. MD Anderson bendradarbiavo su „Philips“ ir AWS, kad sistema būtų prieinama gydytojams ir praktikams visame pasaulyje. 

Culotas pažymėjo, kad sistema gali egzistuoti tik debesyje dėl daugelio priežasčių. Reikia saugoti didžiulį duomenų kiekį ir apdoroti didžiulius kiekius. Tuo pačiu metu sistema turi būti saugi ir suderinama kelių nuomininkų sistema, skirta praktikams visame pasaulyje. 

Ko gero, svarbiausia, kad debesis leidžia sukurti tikrai individualizuotus gydymo planus, pažymėjo Culotas, leisdamas gydytojams bendradarbiauti ir derinti savo duomenis. 

„Žmonės kalba apie vėžį kaip apie didelę duomenų problemą, bet tai taip pat vadinu mažos klasės problema“, – sakė Culotas. Jis pateikė pavyzdį apie plaučių vėžiu sergantį pacientą, kuris sužinojo, kad serga 4 stadijos plaučių vėžiu su specifinėmis mutacijomis. 

„Jūs baigiate šių populiacijų pogrupius ir pogrupius, todėl net didžiausiose sveikatos priežiūros įstaigose kartais yra tik keli pacientai, atitinkantys kriterijus, iš kurių mes stengiamės mokytis“, - sakė jis. „Kad galėtume suderinti duomenis (neidentifikuotus, suderinamu būdu), kad galėtume iš jų pasimokyti, tai įmanoma naudojant šias debesų ekosistemas.

Panašiai Satnam Alag of Grail teigė, kad debesis buvo būtinas kuriant „Galleri“ – bendrovės daugelio vėžio ankstyvojo aptikimo testą. Šis testas skirtas aptikti daugiau nei 50 vėžio rūšių, kaip papildyti vieno vėžio atrankos testus.

„Norint panaudoti genomikos ir mašininio mokymosi galią, reikia daug skaičiavimų“, - sakė Alagas. „Reikia surinkti labai didelius duomenų kiekius ir juos keisti. 

Iš vieno kraujo paėmimo Galleri testas naudoja DNR sekos nustatymo ir mašininio mokymosi algoritmus, kad analizuotų DNR dalis paciento kraujyje. Atliekant tyrimą konkrečiai ieškoma ląstelių neturinčių nukleino rūgščių (cfDNR), kurias augliai išskiria kraujyje, o tai gali pasakyti, kokio tipo vėžys yra organizme ir iš kur jis atsiranda. 

„Užuot tik tikrinę atskirus vėžio atvejus, turime tikrinti asmenis dėl vėžio“, - sakė Alagas. „Ir tai dabar įmanoma dėl dviejų didelių technologijų revoliucijų, įvykusių per pastaruosius 20 metų. Pirma, genomikos galia – dabar galima suskirstyti visą DNR… generuojant terabaitus duomenų efektyviai per kelias dienas. Antra, tai didžiulis naujovių kiekis mašininio mokymosi srityje. Dabar turime žinių, kad galėtume sukurti sudėtingus, gilaus mokymosi modelius su dešimtimis milijonų parametrų.