Cancerterapier är beroende av svindlande mängder data: Så här sorteras det i molnet

Cancerpatienter och deras läkare har mer information om sjukdomen och dess behandling än någonsin tidigare, och den tillgängliga informationen fortsätter att växa i en svindlande takt. All den informationen är dock inte användbar om folk inte kan förstå allt. 

Tänk på en lungcancerpatient, till exempel, som kan få en tidig diagnos genom ett screeningprogram som producerar en datortomografi (CT) bild. I takt med att deras diagnos- och behandlingsplan fortskrider kommer deras vårdare att ta in datakällor som MR och molekylär avbildning, patologidata - som alltmer digitaliseras - och genomikinformation. 

"Allt detta, ärligt talat, är en mycket svår utmaning för vårdteamen själva när de funderar på hur man bäst tar hand om och behandlar dessa patienter," sa Louis Culot, GM för genomik och onkologiinformatik på Philips, under en Amazon Web Services virtuellt evenemang för hälsobranschen. 

"Inom onkologi nu, eller i vilken medicinsk disciplin som helst, är detta viktigt eftersom behandlingen spelar roll, interventionen är viktig," sa Culot. "Vi vill inte bara ha data för datas skull. Vilka åtgärder kan vårdteamets medlemmar vidta baserat på information?”

För att få ett bättre grepp om all denna data har innovatörer vänt sig till verktyg som cloud computing och maskininlärning – med potentiellt livräddande resultat. Vid veckans AWS-evenemang gick Culot igenom Philips partnerskap med MD Anderson Cancer Center vid University of Texas, som syftar till att hjälpa läkare att samla all sin data för att skapa personliga vårdplaner för patienter. 

Satnam Alag, SVP för mjukvaruteknik på Grail, förklarade hur hans företag använder molnet och maskininlärning för att utveckla ett system som kan screena patienter för dussintals olika typer av cancer på en gång, snarare än en åt gången. 

Det är svårt att överskatta effekten av förbättrade cancerscreeningar och behandlingar. År 2020 fanns det mer än 19 miljoner fall av cancer globalt, noterade Alag, och nästan 10 miljoner dödsfall. Det uppskattas att en av tre män och en av fyra kvinnor sannolikt kommer att få cancer under sin livstid.

"Kommer jag eller en familjemedlem att få diagnosen cancer? Var är det i min kropp? Går det att bota? Eller kommer det att döda mig? Det här är vanliga frågor som många av oss delar”, sa Alag. 

Tack och lov, när vi samlar in fler datapunkter för att studera cancer, utvecklar forskare också nya behandlingsalternativ i ett snabbt klipp. Framsteg inom molekylär profilering har hjälpt forskare att identifiera olika kategorier och underkategorier av cancer, tillsammans med olika potentiella terapier. Under 2009 hade amerikanska FDA godkänt åtta läkemedel mot cancer, noterade Culot. År 2020 växte det antalet till 57. Utöver det finns det nu cirka 1,500 XNUMX kliniska prövningar som för närvarande är öppna för cancerpatienter. 

"I allmänhet finns det nu bokstavligen hundratals möjliga terapier eller terapikombinationer, som kan användas för att behandla cancer," sa Culot. "Så vi har den här dubbla utmaningen, eller hur? Hur drar vi ihop all denna data för att få en bättre bild av patienten? Och med den uppfattningen, vad betyder det för bästa behandling?”

För att ta itu med det problemet utvecklade läkarna vid MD Anderson systemet Precision Oncology Decision Support (PODS) – ett evidensbaserat verktyg som hjälper läkare att bedöma relevant information som det senaste inom läkemedelsutveckling och kliniska prövningar, såväl som patientsvar på behandlingar . Detta hjälper dem att utveckla personliga behandlingsplaner.

2020 samarbetade MD Anderson med Philips och AWS för att göra systemet tillgängligt för läkare och utövare över hela världen. 

Systemet kunde bara existera i molnet, noterade Culot, av ett antal anledningar. Det finns en enorm mängd data att lagra och enorma mängder databearbetning som måste ske. Samtidigt måste systemet vara ett säkert och kompatibelt system med flera hyresgäster för utövare över hela världen. 

Det kanske mest kritiska är att molnet möjliggör verkligt personliga behandlingsplaner, noterade Culot, genom att tillåta läkare att samarbeta och kombinera sina data. 

"Människor pratar om cancer som ett stort dataproblem, men det är också vad jag kallar ett problem i liten skala," sa Culot. Han gav exemplet med en lungcancerpatient som får veta att han har lungcancer i steg 4 med specifika mutationer. 

"Du avvecklar subsetting och subsetting dessa populationer så även de största sjukvårdsinstitutionerna ibland bara har ett fåtal patienter som uppfyller kriterierna vi försöker lära av," sade han. "Att kunna kombinera data - avidentifierad, på ett kompatibelt sätt - så att vi kan lära av det, möjliggörs genom dessa molnbaserade ekosystem."

På samma sätt sa Satnam Alag från Grail att molnet var absolut nödvändigt för utvecklingen av Galleri, företagets test för tidig upptäckt av flera cancerformer. Testet är utformat för att upptäcka mer än 50 typer av cancer som ett komplement till screeningtest för enstaka cancer.

"Att utnyttja kraften i genomik och maskininlärning kräver mycket beräkning," sa Alag. "Mycket stora mängder data behöver samlas in och skalas." 

Från en enda blodtagning använder Galleri-testet DNA-sekvensering och maskininlärningsalgoritmer för att analysera bitar av DNA i en patients blodomlopp. Testet letar specifikt efter de cellfria nukleinsyror (cfDNA) som tumörer avger i blodet, som kan berätta vilken typ av cancer som finns i kroppen och varifrån den kommer. 

"Istället för att bara screena för individuella cancerformer måste vi screena individer för cancer," sa Alag. "Och detta är nu möjligt tack vare två stora teknikrevolutioner som har skett under de senaste 20 åren. För det första, genomiks kraft - det är nu möjligt att sekvensera hela DNA:t... vilket genererar terabyte data kostnadseffektivt inom några dagar. För det andra är den enorma mängden innovation inom maskininlärning. Vi har nu kunskapen för att kunna bygga komplicerade modeller för djupinlärning med tiotals miljoner parametrar.”