การรักษามะเร็งขึ้นอยู่กับปริมาณข้อมูลที่ทำให้เวียนหัว: นี่คือวิธีการจัดเรียงข้อมูลในระบบคลาวด์

ผู้ป่วยโรคมะเร็งและแพทย์ของพวกเขามีข้อมูลเพิ่มเติมเกี่ยวกับโรคและการรักษามากกว่าที่เคยเป็นมา และข้อมูลที่มีอยู่ยังคงเพิ่มขึ้นในอัตราที่เวียนหัว อย่างไรก็ตาม ข้อมูลทั้งหมดนั้นไม่มีประโยชน์หากผู้คนไม่สามารถเข้าใจข้อมูลทั้งหมดได้ 

ลองนึกถึงผู้ป่วยมะเร็งปอดที่อาจได้รับการวินิจฉัยตั้งแต่เนิ่นๆ ผ่านโปรแกรมคัดกรองที่สร้างภาพเอกซเรย์คอมพิวเตอร์ (CT) เมื่อแผนการวินิจฉัยและการรักษาของพวกเขาก้าวหน้า ผู้ดูแลจะนำแหล่งข้อมูล เช่น MR และภาพระดับโมเลกุล ข้อมูลพยาธิวิทยา ซึ่งถูกแปลงเป็นดิจิทัลมากขึ้น และข้อมูลจีโนม 

“ทั้งหมดนี้เป็นความท้าทายที่ยากมากสำหรับทีมดูแลตนเอง เนื่องจากพวกเขากำลังคิดถึงวิธีดูแลและรักษาผู้ป่วยเหล่านี้ให้ดีที่สุด” Louis Culot ผู้จัดการทั่วไปฝ่ายข้อมูลจีโนมและเนื้องอกวิทยาของ Philips กล่าวระหว่าง Amazon งานเสมือน Web Services สำหรับอุตสาหกรรมสุขภาพ 

“ ในด้านเนื้องอกวิทยาในขณะนี้หรือในสาขาการแพทย์ใด ๆ สิ่งนี้สำคัญเพราะการรักษามีความสำคัญการแทรกแซงมีความสำคัญ” Culot กล่าว “เราไม่เพียงแค่ต้องการข้อมูลเพื่อประโยชน์ของข้อมูล การดำเนินการใดที่สามารถดูแลสมาชิกในทีมตามข้อมูลได้”

เพื่อให้เข้าใจข้อมูลทั้งหมดนี้ได้ดีขึ้น นักประดิษฐ์จึงหันไปใช้เครื่องมือ เช่น คลาวด์คอมพิวติ้งและแมชชีนเลิร์นนิง ซึ่งให้ผลลัพธ์ที่ช่วยชีวิตได้ ที่งาน AWS ในสัปดาห์นี้ Culot ได้เดินผ่านความร่วมมือระหว่าง Philips กับ MD Anderson Cancer Center ที่มหาวิทยาลัยเท็กซัส ซึ่งมีเป้าหมายเพื่อช่วยให้แพทย์นำข้อมูลทั้งหมดมารวมกันเพื่อสร้างแผนการดูแลเฉพาะบุคคลสำหรับผู้ป่วย 

Satnam Alag รองประธานอาวุโสฝ่ายวิศวกรรมซอฟต์แวร์ของ Grail อธิบายว่าบริษัทของเขาใช้ระบบคลาวด์และการเรียนรู้ของเครื่องเพื่อพัฒนาระบบที่สามารถคัดกรองผู้ป่วยสำหรับโรคมะเร็งหลายชนิดพร้อมกันได้อย่างไร 

เป็นการยากที่จะพูดเกินจริงถึงผลกระทบของการตรวจคัดกรองและการรักษามะเร็งที่ได้รับการปรับปรุง ในปี 2020 Alag ระบุว่ามีผู้ป่วยโรคมะเร็งมากกว่า 19 ล้านรายทั่วโลก และมีผู้เสียชีวิตเกือบ 10 ล้านราย คาดว่าผู้ชายหนึ่งในสามและผู้หญิงหนึ่งในสี่มีแนวโน้มที่จะเป็นมะเร็งในช่วงชีวิตนี้

“ฉันหรือสมาชิกในครอบครัวจะได้รับการวินิจฉัยว่าเป็นมะเร็งหรือไม่? มันอยู่ที่ไหนในร่างกายของฉัน? สามารถรักษาให้หายขาดได้หรือไม่? หรือมันจะฆ่าฉัน? นี่เป็นคำถามทั่วไปที่พวกเราหลายคนแบ่งปัน” Alag กล่าว 

โชคดีที่เรารวบรวมจุดข้อมูลเพิ่มเติมเพื่อศึกษามะเร็ง นักวิทยาศาสตร์ก็กำลังพัฒนาทางเลือกการรักษาใหม่ๆ อย่างรวดเร็ว ความก้าวหน้าในการจัดทำโปรไฟล์ระดับโมเลกุลช่วยให้นักวิทยาศาสตร์สามารถระบุประเภทและประเภทย่อยของมะเร็งที่แตกต่างกันไปพร้อมกับการรักษาที่เป็นไปได้ที่แตกต่างกัน ในปี 2009 องค์การอาหารและยาแห่งสหรัฐอเมริกาได้อนุมัติยาต้านมะเร็ง 2020 ชนิด Culot ตั้งข้อสังเกต ภายในปี 57 จำนวนดังกล่าวเพิ่มขึ้นเป็น 1,500 ยิ่งไปกว่านั้น ขณะนี้มีการทดลองทางคลินิกประมาณ XNUMX รายการที่เปิดให้ผู้ป่วยโรคมะเร็ง 

"โดยทั่วไปแล้ว ขณะนี้มีวิธีการรักษาหรือการรักษาที่เป็นไปได้หลายร้อยแบบ ซึ่งสามารถใช้รักษามะเร็งได้" Culot กล่าว “ดังนั้นเราจึงมีความท้าทายสองครั้งนี้ใช่ไหม? เราจะดึงข้อมูลทั้งหมดนี้มารวมกันเพื่อให้ได้ภาพผู้ป่วยที่ดีขึ้นได้อย่างไร แล้วด้วยมุมมองนี้ การรักษาที่ดีที่สุดหมายความว่าอย่างไร”

เพื่อจัดการกับปัญหาดังกล่าว แพทย์ที่ MD Anderson ได้พัฒนาระบบ Precision Oncology Decision Support (PODS) ซึ่งเป็นเครื่องมือที่มีหลักฐานเชิงประจักษ์ที่ช่วยให้แพทย์ประเมินข้อมูลที่เกี่ยวข้อง เช่น การพัฒนายาล่าสุดและการทดลองทางคลินิก ตลอดจนการตอบสนองของผู้ป่วยต่อการรักษา . ซึ่งช่วยให้พวกเขาพัฒนาแผนการรักษาเฉพาะบุคคล

ในปี 2020 MD Anderson ร่วมมือกับ Philips และ AWS เพื่อทำให้ระบบพร้อมใช้งานสำหรับแพทย์และผู้ปฏิบัติงานทั่วโลก 

Culot ตั้งข้อสังเกตว่าระบบมีอยู่ในระบบคลาวด์เท่านั้นด้วยเหตุผลหลายประการ มีข้อมูลจำนวนมหาศาลให้จัดเก็บและการประมวลผลข้อมูลจำนวนมหาศาลที่จำเป็นต้องเกิดขึ้น ในขณะเดียวกัน ระบบจะต้องเป็นระบบผู้เช่าหลายรายที่ปลอดภัยและเป็นไปตามข้อกำหนดสำหรับผู้ปฏิบัติงานทั่วโลก 

บางทีที่สำคัญที่สุดคือ ระบบคลาวด์ช่วยให้แผนการรักษาเฉพาะบุคคลอย่างแท้จริง Culot ตั้งข้อสังเกต โดยการอนุญาตให้แพทย์ทำงานร่วมกันและรวมข้อมูลของพวกเขา 

“ผู้คนพูดถึงมะเร็งว่าเป็นปัญหาข้อมูลขนาดใหญ่ แต่ก็เป็นสิ่งที่ผมเรียกว่าปัญหาเล็กๆ น้อยๆ ด้วย” Culot กล่าว เขายกตัวอย่างของผู้ป่วยมะเร็งปอดที่รู้ว่าเขาเป็นมะเร็งปอดระยะที่ 4 ที่มีการกลายพันธุ์เฉพาะ 

“คุณยุติการแบ่งกลุ่มย่อยและการแบ่งกลุ่มประชากรเหล่านี้ ดังนั้นแม้แต่สถาบันดูแลสุขภาพที่ใหญ่ที่สุดบางครั้งก็มีผู้ป่วยเพียงไม่กี่รายที่ตรงตามเกณฑ์ที่เรากำลังพยายามเรียนรู้” เขากล่าว “เพื่อให้สามารถรวมข้อมูล — ไม่ถูกระบุตัวตน, ในลักษณะที่สอดคล้อง — เพื่อให้เราสามารถเรียนรู้จากข้อมูลนั้น, เปิดใช้งานผ่านระบบนิเวศบนคลาวด์เหล่านี้”

ในทำนองเดียวกัน Satnam Alag จาก Grail กล่าวว่าระบบคลาวด์มีความจำเป็นสำหรับการพัฒนา Galleri ซึ่งเป็นการทดสอบการตรวจหามะเร็งในระยะเริ่มแรกของบริษัท การทดสอบนี้ออกแบบมาเพื่อตรวจหามะเร็งมากกว่า 50 ชนิด เพื่อเสริมการตรวจคัดกรองมะเร็งชนิดเดียว

“การใช้ประโยชน์จากพลังของจีโนมและแมชชีนเลิร์นนิงจำเป็นต้องมีการคำนวณอย่างมาก” อาลากกล่าว “จำเป็นต้องรวบรวมและปรับขนาดข้อมูลจำนวนมาก” 

จากการเจาะเลือดเพียงครั้งเดียว การทดสอบ Galleri ใช้การจัดลำดับดีเอ็นเอและอัลกอริธึมการเรียนรู้ของเครื่องเพื่อวิเคราะห์ชิ้นส่วนของ DNA ในกระแสเลือดของผู้ป่วย การทดสอบจะค้นหาเฉพาะกรดนิวคลีอิกที่ปราศจากเซลล์ (cfDNA) ที่เนื้องอกหลั่งในเลือด ซึ่งสามารถบอกคุณได้ว่ามะเร็งชนิดใดในร่างกายและมาจากไหน 

“แทนที่จะคัดกรองเฉพาะมะเร็งแต่ละชนิด เราจำเป็นต้องตรวจหามะเร็งในแต่ละคน” Alag กล่าว “และตอนนี้ก็เป็นไปได้ด้วยการปฏิวัติทางเทคโนโลยีครั้งใหญ่สองครั้งที่เกิดขึ้นในช่วง 20 ปีที่ผ่านมา อย่างแรก พลังของจีโนม — ตอนนี้สามารถจัดลำดับ DNA ทั้งหมด… ซึ่งสร้างข้อมูลจำนวนเทราไบต์ได้อย่างมีประสิทธิภาพภายในสองสามวัน ประการที่สอง คือนวัตกรรมจำนวนมหาศาลในการเรียนรู้ของเครื่อง ตอนนี้เรามีความรู้ในการสร้างโมเดลการเรียนรู้เชิงลึกที่ซับซ้อนและซับซ้อนด้วยพารามิเตอร์นับสิบล้าน”