Ang mga therapy sa kanser ay nakasalalay sa nakakahilong dami ng data: Narito kung paano ito pinagbubukod-bukod sa cloud

Ang mga pasyente ng cancer at ang kanilang mga doktor ay may higit na impormasyon tungkol sa sakit at paggamot nito kaysa dati, at ang impormasyong makukuha ay patuloy na lumalaki sa isang nakakahilo na bilis. Ang lahat ng impormasyong iyon, gayunpaman, ay hindi kapaki-pakinabang kung hindi maiintindihan ng mga tao ang lahat ng ito. 

Mag-isip tungkol sa isang pasyente ng kanser sa baga, halimbawa, na maaaring makatanggap ng maagang pagsusuri sa pamamagitan ng isang screening program na gumagawa ng isang computed tomography (CT) na imahe. Habang sumusulong ang kanilang diagnosis at plano sa paggamot, ang kanilang mga tagapag-alaga ay magdadala ng mga pinagmumulan ng data tulad ng MR at molecular imaging, data ng patolohiya — na lalong nagiging digitized — at impormasyon sa genomics. 

"Ang lahat ng ito, sa totoo lang, ay isang napakahirap na hamon para sa mga pangkat ng pangangalaga mismo habang iniisip nila kung paano pinakamahusay na pangalagaan at gamutin ang mga pasyenteng ito," sabi ni Louis Culot, GM ng genomics at oncology informatics sa Philips, sa isang Amazon. Virtual na kaganapan sa Web Services para sa industriya ng kalusugan. 

"Sa oncology ngayon, o sa anumang medikal na disiplina, mahalaga ito dahil mahalaga ang paggamot, mahalaga ang interbensyon," sabi ni Culot. “Hindi lang data ang gusto namin for data's sake. Anong aksyon ang maaaring gawin ng mga miyembro ng pangkat ng pangangalaga batay sa impormasyon?"

Upang makakuha ng mas mahusay na pagkakahawak sa lahat ng data na ito, ang mga innovator ay bumaling sa mga tool tulad ng cloud computing at machine learning — na may potensyal na nakakatipid na mga resulta. Sa kaganapan sa AWS ngayong linggo, tinalakay ni Culot ang pakikipagsosyo ni Philips sa MD Anderson Cancer Center sa University of Texas, na naglalayong tulungan ang mga doktor na pagsama-samahin ang lahat ng kanilang data upang lumikha ng mga personalized na plano sa pangangalaga para sa mga pasyente. 

Ipinaliwanag ni Satnam Alag, SVP ng software engineering sa Grail, kung paano ginagamit ng kanyang kumpanya ang cloud at machine learning para bumuo ng isang system na makakapag-screen ng mga pasyente para sa dose-dosenang iba't ibang uri ng cancer nang sabay-sabay, sa halip na isa-isa. 

Mahirap palakihin ang epekto ng mga pinahusay na pagsusuri at paggamot sa kanser. Noong 2020, mayroong higit sa 19 milyong kaso ng cancer sa buong mundo, sabi ni Alag, at halos 10 milyong pagkamatay. Tinataya na isa sa tatlong lalaki at isa sa apat na babae ang malamang na magkaroon ng cancer habang nabubuhay.

"Ako ba o ang isang miyembro ng pamilya ay masuri na may kanser? Nasaan ito sa aking katawan? Maaari ba itong gumaling? O papatayin ba ako nito? Ito ang mga karaniwang tanong na ibinabahagi ng marami sa atin,” sabi ni Alag. 

Sa kabutihang palad, habang kumukolekta kami ng higit pang mga punto ng data upang pag-aralan ang kanser, ang mga siyentipiko ay gumagawa din ng mga bagong opsyon sa paggamot sa isang mabilis na clip. Ang mga pagsulong sa molecular profiling ay nakatulong sa mga siyentipiko na matukoy ang iba't ibang kategorya at subcategory ng cancer, kasama ang iba't ibang potensyal na therapy. Noong 2009, inaprubahan ng US FDA ang walong anticancer na gamot, sabi ni Culot. Sa pamamagitan ng 2020, ang bilang na iyon ay lumago sa 57. Higit pa rito, mayroon na ngayong humigit-kumulang 1,500 mga klinikal na pagsubok na kasalukuyang bukas para sa mga pasyente ng kanser. 

"Sa pangkalahatan, mayroon na ngayong literal na daan-daang posibleng mga therapy o mga kumbinasyon ng therapy, na maaaring magamit upang gamutin ang kanser," sabi ni Culot. “So we have this double challenge, di ba? Paano natin pinagsasama-sama ang lahat ng data na ito upang makakuha ng mas magandang larawan ng pasyente? At pagkatapos sa pananaw na iyon, ano ang ibig sabihin ng lahat ng ito sa mga tuntunin ng pinakamahusay na paggamot?"

Upang matugunan ang problemang iyon, binuo ng mga doktor sa MD Anderson ang Precision Oncology Decision Support (PODS) system — isang tool na nakabatay sa ebidensya na tumutulong sa mga doktor na masuri ang may-katuturang impormasyon tulad ng pinakabago sa pagbuo ng gamot at mga klinikal na pagsubok, pati na rin ang mga tugon ng pasyente sa mga paggamot. . Nakakatulong ito sa kanila na bumuo ng mga personalized na plano sa paggamot.

Noong 2020, nakipagsosyo si MD Anderson sa Philips at AWS para gawing available ang system sa mga doktor at practitioner sa buong mundo. 

Ang sistema ay maaari lamang umiral sa cloud, sabi ni Culot, para sa ilang kadahilanan. Mayroong napakalaking dami ng data na iimbak at malaking halaga ng pagpoproseso ng data na kailangang mangyari. Kasabay nito, ang system ay kailangang maging isang secure at sumusunod na multi-tenant system para sa mga practitioner sa buong mundo. 

Marahil ang pinaka-kritikal, ang cloud ay nagbibigay-daan sa tunay na personalized na mga plano sa paggamot, sabi ni Culot, sa pamamagitan ng pagpayag sa mga doktor na magtulungan at pagsamahin ang kanilang data. 

"Pinag-uusapan ng mga tao ang cancer bilang isang malaking problema sa data, ngunit ito rin ang tinatawag kong small-end na problema," sabi ni Culot. Nagbigay siya ng halimbawa ng isang pasyente ng kanser sa baga na nalaman na mayroon siyang Stage 4 na kanser sa baga na may mga partikular na mutasyon. 

"Natapos mo na ang pag-subset at pag-subset sa mga populasyon na ito kaya kahit na ang pinakamalaking institusyon ng pangangalagang pangkalusugan kung minsan ay mayroon lamang ilang mga pasyente na nakakatugon sa pamantayan na sinusubukan naming matuto mula sa," sabi niya. “Upang mapagsama-sama ang data — na-de-identify, sa paraang sumusunod — para matuto tayo rito, ay pinagana sa pamamagitan ng mga cloud based na ecosystem na ito.”

Katulad nito, sinabi ni Satnam Alag ng Grail na ang cloud ay kinakailangan para sa pagbuo ng Galleri, ang multi-cancer early detection test ng kumpanya. Ang pagsusulit ay idinisenyo upang tuklasin ang higit sa 50 uri ng mga kanser bilang pandagdag sa mga pagsusuri sa pagsusuri ng single-cancer.

"Ang paggamit ng kapangyarihan ng genomics at machine learning ay nangangailangan ng maraming pag-compute," sabi ni Alag. "Napakalaking dami ng data ang kailangang kolektahin at sukatin." 

Mula sa iisang blood draw, ang Galleri test ay gumagamit ng DNA sequencing at machine learning algorithm para pag-aralan ang mga piraso ng DNA sa bloodstream ng isang pasyente. Partikular na tinitingnan ng pagsusuri ang mga cell-free nucleic acid (cfDNA) na ibinubuhos ng mga tumor sa dugo, na maaaring magsabi sa iyo kung anong uri ng kanser ang nasa katawan at kung saan ito nagmumula. 

"Sa halip na mag-screen lamang para sa mga indibidwal na kanser, kailangan nating suriin ang mga indibidwal para sa kanser," sabi ni Alag. "At posible na ito ngayon salamat sa dalawang malaking rebolusyon ng teknolohiya na nangyari sa nakalipas na 20 taon. Una, ang kapangyarihan ng genomics — posible na ngayong i-sequence ang kumpletong DNA... mabisang makabuo ng mga terabyte ng data sa loob ng ilang araw. Pangalawa, ay ang malaking halaga ng pagbabago sa machine learning. Mayroon na kaming kaalaman kung paano bumuo ng kumplikado, malalim na mga modelo ng pag-aaral na may sampu-sampung milyong mga parameter."