Terapie onkologiczne zależą od oszałamiających ilości danych: oto jak są sortowane w chmurze

Pacjenci chorzy na raka i ich lekarze mają więcej informacji na temat tej choroby i jej leczenia niż kiedykolwiek wcześniej, a dostępnych informacji przybywa w zawrotnym tempie. Jednak wszystkie te informacje nie będą przydatne, jeśli ludzie nie będą w stanie ich zrozumieć. 

Pomyślmy na przykład o pacjencie z rakiem płuc, który może otrzymać wczesną diagnozę dzięki programowi badań przesiewowych, w wyniku którego uzyskany zostanie obraz tomografii komputerowej (CT). W miarę postępów w diagnozie i planie leczenia ich opiekunowie będą korzystać ze źródeł danych, takich jak rezonans magnetyczny i obrazowanie molekularne, danych patologicznych – które są coraz bardziej cyfrowe – oraz informacji genomicznych. 

„Szczerze mówiąc, wszystko to stanowi bardzo trudne wyzwanie dla samych zespołów opiekuńczych, ponieważ zastanawiają się, jak najlepiej opiekować się tymi pacjentami i je leczyć” – powiedział Louis Culot, dyrektor generalny ds. genomiki i informatyki onkologicznej w firmie Philips, podczas konferencji Amazon Wirtualne wydarzenie dotyczące usług sieciowych dla branży zdrowotnej. 

„Obecnie w onkologii, czy w jakiejkolwiek innej dyscyplinie medycznej, ma to znaczenie, ponieważ liczy się leczenie i interwencja” – powiedział Culot. „Nie chcemy danych dla samych danych. Jakie działania mogą podjąć członkowie zespołu opieki na podstawie informacji?”

Aby lepiej opanować wszystkie te dane, innowatorzy sięgnęli po narzędzia takie jak przetwarzanie w chmurze i uczenie maszynowe – co może potencjalnie uratować życie. Podczas wydarzenia AWS, które odbyło się w tym tygodniu, Culot omówiła współpracę firmy Philips z Centrum Onkologii MD Anderson na Uniwersytecie w Teksasie, której celem jest pomaganie lekarzom w gromadzeniu wszystkich danych w celu tworzenia spersonalizowanych planów opieki dla pacjentów. 

Satnam Alag, wiceprezes ds. inżynierii oprogramowania w firmie Grail, wyjaśnił, w jaki sposób jego firma wykorzystuje chmurę i uczenie maszynowe do opracowania systemu, który może badać pacjentów pod kątem dziesiątek różnych typów nowotworów jednocześnie, a nie jednego na raz. 

Trudno przecenić wpływ ulepszonych badań przesiewowych i metod leczenia raka. Alag zauważył, że w 2020 r. na całym świecie odnotowano ponad 19 milionów przypadków raka i prawie 10 milionów zgonów. Szacuje się, że co trzeci mężczyzna i co czwarta kobieta zachoruje na raka w ciągu swojego życia.

„Czy u mnie lub u członka rodziny zostanie zdiagnozowany nowotwór? Gdzie to jest w moim ciele? Czy można to wyleczyć? A może to mnie zabije? To częste pytania, które zadaje sobie wielu z nas” – powiedział Alag. 

Na szczęście w miarę jak gromadzimy coraz więcej danych do badania raka, naukowcy w szybkim tempie opracowują także nowe możliwości leczenia. Postępy w profilowaniu molekularnym pomogły naukowcom zidentyfikować różne kategorie i podkategorie nowotworów, a także różne potencjalne terapie. Culot zauważył, że w 2009 roku amerykańska FDA zatwierdziła osiem leków przeciwnowotworowych. Do 2020 r. liczba ta wzrosła do 57. Ponadto obecnie prowadzonych jest około 1,500 badań klinicznych z udziałem pacjentów chorych na raka. 

„Ogólnie rzecz biorąc, obecnie istnieją dosłownie setki możliwych terapii lub kombinacji terapii, które można zastosować w leczeniu raka” – powiedział Culot. „Mamy więc podwójne wyzwanie, prawda? Jak zebrać wszystkie te dane, aby uzyskać lepszy obraz pacjenta? A z drugiej strony, co to wszystko oznacza w kontekście najlepszego leczenia?”

Aby rozwiązać ten problem, lekarze z MD Anderson opracowali system wspomagania decyzji w dziedzinie precyzyjnej onkologii (PODS) — narzędzie oparte na dowodach, które pomaga lekarzom oceniać istotne informacje, takie jak najnowsze informacje dotyczące opracowywania leków i badań klinicznych, a także reakcje pacjentów na leczenie . Pomaga im to w opracowywaniu spersonalizowanych planów leczenia.

W 2020 roku MD Anderson nawiązał współpracę z firmami Philips i AWS, aby udostępnić system lekarzom i praktykom na całym świecie. 

Culot zauważył, że system może istnieć wyłącznie w chmurze z wielu powodów. Istnieje ogromna ilość danych do przechowywania i ogromne ilości przetwarzania danych, które muszą nastąpić. Jednocześnie system musi być bezpiecznym i zgodnym z wieloma dzierżawcami systemem dla praktyków na całym świecie. 

Culot zauważył, że być może najważniejsze jest to, że chmura umożliwia naprawdę spersonalizowane plany leczenia, umożliwiając lekarzom współpracę i łączenie ich danych. 

„Ludzie mówią o raku jako o problemie związanym z dużymi zbiorami danych, ale ja nazywam to również problemem drobnego problemu” – powiedział Culot. Podał przykład pacjenta z rakiem płuc, który dowiaduje się, że ma raka płuc w stadium 4. z określonymi mutacjami. 

„Skończyło się na dzieleniu tych populacji na podgrupy, tak że nawet największe instytucje opieki zdrowotnej mają czasami tylko kilku pacjentów spełniających kryteria, od których staramy się uczyć” – powiedział. „Możliwość łączenia danych — pozbawionych danych identyfikacyjnych i zgodnych z przepisami — abyśmy mogli się z nich uczyć, jest możliwa dzięki ekosystemom opartym na chmurze”.

Podobnie Satnam Alag z Graala stwierdził, że chmura była niezbędna do opracowania Galleri, firmowego testu wczesnego wykrywania wielu nowotworów. Test przeznaczony jest do wykrywania ponad 50 typów nowotworów, jako uzupełnienie badań przesiewowych w kierunku pojedynczego nowotworu.

„Wykorzystanie możliwości genomiki i uczenia maszynowego wymaga wielu obliczeń” – powiedział Alag. „Konieczne jest gromadzenie i skalowanie bardzo dużych ilości danych”. 

Test Galleriego wykorzystuje sekwencjonowanie DNA i algorytmy uczenia maszynowego na podstawie pojedynczego pobrania krwi do analizy fragmentów DNA w krwiobiegu pacjenta. Test sprawdza w szczególności bezkomórkowe kwasy nukleinowe (cfDNA) wydalane przez nowotwory we krwi, co pozwala określić, jaki rodzaj nowotworu występuje w organizmie i skąd pochodzi. 

„Zamiast przeprowadzać badania przesiewowe w kierunku poszczególnych nowotworów, musimy badać poszczególne osoby pod kątem raka” – powiedział Alag. „Jest to teraz możliwe dzięki dwóm wielkim rewolucjom technologicznym, które miały miejsce w ciągu ostatnich 20 lat. Po pierwsze, siła genomiki — obecnie możliwe jest sekwencjonowanie całego DNA… generując terabajty danych w opłacalny sposób w ciągu kilku dni. Po drugie, jest ogromna ilość innowacji w uczeniu maszynowym. Mamy teraz know-how umożliwiające budowanie skomplikowanych modeli głębokiego uczenia się z dziesiątkami milionów parametrów”.