Терапиите за рак зависат од вртоглави количини на податоци: Еве како се средува во облакот

Пациентите со рак и нивните лекари имаат повеќе информации за болеста и нејзиниот третман од кога било досега, а достапните информации продолжуваат да растат со вртоглава брзина. Сите тие информации, сепак, не се корисни ако луѓето не можат да разберат сето тоа. 

Размислете за пациент со рак на белите дробови, на пример, кој може да добие рана дијагноза преку програма за скрининг што произведува компјутерска томографија (КТ). Како што напредува нивниот план за дијагноза и третман, нивните старатели ќе донесат извори на податоци како што се МР и молекуларно снимање, податоци за патологија - кои се повеќе се дигитализираат - и информации за геномијата. 

„Сето ова, искрено, е многу тежок предизвик за самите тимови за нега бидејќи тие размислуваат како најдобро да се грижат и третираат овие пациенти“, рече Луис Кулот, генерален директор за геномика и онколошка информатика во Филипс, за време на Амазон. Виртуелен настан на Web Services за здравствената индустрија. 

„Во онкологијата сега, или во која било медицинска дисциплина, ова е важно бидејќи третманот е важен, интервенцијата е важна“, рече Кулот. „Ние не сакаме податоци само заради податоците. Каква акција би можеле да преземат членовите на тимот за грижа врз основа на информации?

За подобро да ги контролираат сите овие податоци, иноваторите се свртеа кон алатки како cloud computing и машинско учење - со потенцијално спасувачки резултати. На овонеделниот настан AWS, Кулот помина низ партнерството на Филипс со Центарот за рак MD Андерсон на Универзитетот во Тексас, кој има за цел да им помогне на лекарите да ги соберат сите нивни податоци за да создадат персонализирани планови за нега на пациентите. 

Сатнам Алаг, СВП за софтверско инженерство во Грал, објасни како неговата компанија го користи облакот и машинското учење за да развие систем што може да ги провери пациентите за десетици различни видови на рак одеднаш, наместо еден по еден. 

Тешко е да се прецени влијанието на подобрените прегледи и третмани за рак. Во 2020 година, имаше повеќе од 19 милиони случаи на рак на глобално ниво, истакна Алаг, и речиси 10 милиони смртни случаи. Се проценува дека секој трет маж и секоја четврта жена веројатно ќе заболат од рак во текот на животот.

„Дали на мене или на член на семејството ќе му биде дијагностициран рак? Каде е во моето тело? Дали може да се излечи? Или ќе ме убие? Ова се вообичаени прашања што многумина од нас ги споделуваат“, рече Алаг. 

За среќа, како што собираме повеќе точки на податоци за проучување на ракот, научниците исто така развиваат нови опции за третман со брз клип. Напредокот во молекуларното профилирање им помогна на научниците да идентификуваат различни категории и подкатегории на рак, заедно со различни потенцијални терапии. Во 2009 година, американската ФДА одобри осум антиканцерогени лекови, истакна Кулот. До 2020 година, тој број порасна на 57. Згора на тоа, сега има околу 1,500 клинички испитувања во моментов отворени за пациенти со рак. 

„Општо земено, сега постојат буквално стотици можни терапии или комбинации на терапија, кои можат да се користат за лекување на ракот“, рече Кулот. „Значи, го имаме овој двоен предизвик, нели? Како да ги собереме сите овие податоци за да добиеме подобра слика за пациентот? И тогаш со тој поглед, што значи сето тоа во смисла на најдобар третман?“

За да се справат со тој проблем, лекарите од MD Андерсон го развија системот за прецизна поддршка за одлучување за онкологија (PODS) - алатка заснована на докази која им помага на лекарите да ги проценат релевантните информации како што се најновите во развојот на лекови и клиничките испитувања, како и одговорите на пациентите на третманите. . Ова им помага да развијат персонализирани планови за лекување.

Во 2020 година, MD Андерсон соработуваше со Philips и AWS за да го направи системот достапен за лекарите и лекарите ширум светот. 

Системот може да постои само во облакот, истакна Кулот, од повеќе причини. Има огромна количина на податоци за складирање и огромни количини на обработка на податоци што треба да се случи. Во исто време, системот треба да биде безбеден и усогласен систем со повеќе станари за практичарите ширум светот. 

Можеби најкритично, облакот овозможува вистински персонализирани планови за лекување, истакна Кулот, дозволувајќи им на лекарите да соработуваат и да ги комбинираат нивните податоци. 

„Луѓето зборуваат за ракот како проблем со големи податоци, но тоа е исто така она што јас го нарекувам проблем од мал крај“, рече Кулот. Тој даде пример на пациент со рак на белите дробови кој дознава дека има рак на белите дробови во стадиум 4 со специфични мутации. 

„Ќе завршите со подпоставување и подпоставување на овие популации, така што дури и најголемите здравствени институции понекогаш имаат само неколку пациенти кои ги исполнуваат критериумите од кои се обидуваме да научиме“, рече тој. „Да можеме да комбинираме податоци - деидентификувани, на усогласен начин - за да можеме да учиме од нив, е овозможено преку овие екосистеми базирани на облак.

Слично на тоа, Сатнам Алаг од Грал рече дека облакот е императив за развојот на Galleri, тестот за рано откривање на повеќе рак на компанијата. Тестот е дизајниран да открие повеќе од 50 видови на рак како дополнување на скрининг тестовите за еден канцер.

„За искористување на моќта на геномијата и машинското учење потребни се многу пресметки“, рече Алаг. „Многу големи количини на податоци треба да се соберат и да се размерат“. 

Од едно земање крв, тестот Галери користи секвенционирање на ДНК и алгоритми за машинско учење за да анализира делови од ДНК во крвотокот на пациентот. Тестот бара специјално за нуклеинските киселини без клетки (cfDNA) кои туморите ги фрлаат во крвта, што може да ви каже каков вид на рак е во телото и од каде доаѓа. 

„Наместо само скрининг за поединечни видови на рак, ние треба да ги прегледаме поединците за рак“, рече Алаг. „И ова сега е можно благодарение на двете големи технолошки револуции што се случија во последните 20 години. Прво, моќта на геномијата - сега е можно да се секвенционира целосната ДНК... ​​генерирајќи терабајти податоци ефикасно во рок од неколку дена. Второ, е огромната количина на иновации во машинското учење. Сега имаме знаење за да можеме да изградиме комплицирани модели за длабоко учење со десетици милиони параметри“.