Các liệu pháp điều trị ung thư phụ thuộc vào lượng dữ liệu chóng mặt: Đây là cách dữ liệu được sắp xếp trên đám mây

Bệnh nhân ung thư và bác sĩ của họ có nhiều thông tin về căn bệnh này và cách điều trị hơn bao giờ hết, và thông tin sẵn có tiếp tục tăng với tốc độ chóng mặt. Tuy nhiên, tất cả thông tin đó sẽ không hữu ích nếu mọi người không thể hiểu được tất cả. 

Ví dụ, hãy nghĩ về một bệnh nhân ung thư phổi, người có thể được chẩn đoán sớm thông qua chương trình sàng lọc tạo ra hình ảnh chụp cắt lớp vi tính (CT). Khi kế hoạch chẩn đoán và điều trị của họ tiến triển, những người chăm sóc họ sẽ cung cấp các nguồn dữ liệu như MR và hình ảnh phân tử, dữ liệu bệnh lý - ngày càng được số hóa - và thông tin về bộ gen. 

Louis Culot, Giám đốc bộ phận tin học gen và ung thư tại Philips, cho biết: “Thành thật mà nói, tất cả những điều này là một thách thức rất khó khăn đối với chính các nhóm chăm sóc khi họ đang suy nghĩ về cách chăm sóc và điều trị tốt nhất cho những bệnh nhân này”. Sự kiện ảo về Dịch vụ Web dành cho ngành y tế. 

Culot nói: “Trong ung thư hiện nay, hoặc trong bất kỳ chuyên ngành y tế nào, điều này quan trọng bởi vì việc điều trị là quan trọng, sự can thiệp là quan trọng”. “Chúng tôi không chỉ muốn dữ liệu vì lợi ích của dữ liệu. Các thành viên trong nhóm có thể quan tâm đến hành động nào dựa trên thông tin?”

Để nắm bắt tốt hơn tất cả dữ liệu này, các nhà đổi mới đã chuyển sang các công cụ như điện toán đám mây và học máy — với những kết quả có khả năng cứu sống con người. Tại sự kiện AWS tuần này, Culot đã trình bày quan hệ đối tác của Philips với Trung tâm Ung thư MD Anderson tại Đại học Texas, nhằm mục đích giúp các bác sĩ tập hợp tất cả dữ liệu của họ để tạo kế hoạch chăm sóc cá nhân hóa cho bệnh nhân. 

Satnam Alag, SVP kỹ thuật phần mềm tại Grail, đã giải thích cách công ty của ông đang sử dụng đám mây và học máy để phát triển một hệ thống có thể sàng lọc bệnh nhân về hàng chục loại ung thư khác nhau cùng một lúc, thay vì từng loại một. 

Thật khó để phóng đại tác động của việc cải thiện sàng lọc và điều trị ung thư. Alag lưu ý rằng vào năm 2020, có hơn 19 triệu trường hợp mắc bệnh ung thư trên toàn cầu và gần 10 triệu ca tử vong. Người ta ước tính rằng cứ ba người đàn ông và một trong bốn phụ nữ thì có một người có khả năng mắc bệnh ung thư trong suốt cuộc đời.

“Liệu tôi hoặc thành viên trong gia đình có được chẩn đoán mắc bệnh ung thư không? Nó ở đâu trong cơ thể tôi? Nó có thể được chữa khỏi? Hay nó sẽ giết tôi? Đây là những câu hỏi phổ biến mà nhiều người trong chúng tôi chia sẻ,” Alag nói. 

Rất may, khi chúng tôi thu thập thêm nhiều điểm dữ liệu để nghiên cứu về bệnh ung thư, các nhà khoa học cũng đang phát triển các lựa chọn điều trị mới với tốc độ nhanh chóng. Những tiến bộ trong việc lập hồ sơ phân tử đã giúp các nhà khoa học xác định các loại và phân nhóm khác nhau của bệnh ung thư, cùng với các liệu pháp tiềm năng khác nhau. Culot lưu ý rằng năm 2009, FDA Hoa Kỳ đã phê duyệt 2020 loại thuốc chống ung thư. Đến năm 57, con số đó đã tăng lên 1,500. Ngoài ra, hiện có khoảng XNUMX thử nghiệm lâm sàng được mở cho bệnh nhân ung thư. 

Culot cho biết: “Nói chung, hiện nay có hàng trăm liệu pháp hoặc sự kết hợp liệu pháp khả thi có thể được sử dụng để điều trị ung thư”. “Vậy là chúng ta có thử thách kép này, phải không? Làm thế nào để chúng ta tập hợp tất cả dữ liệu này lại với nhau để có được bức tranh rõ hơn về bệnh nhân? Và với quan điểm đó, tất cả có ý nghĩa gì về mặt điều trị tốt nhất?”

Để giải quyết vấn đề đó, các bác sĩ tại MD Anderson đã phát triển hệ thống Hỗ trợ Quyết định Ung thư Chính xác (PODS) - một công cụ dựa trên bằng chứng giúp các bác sĩ đánh giá thông tin liên quan như thông tin mới nhất về phát triển thuốc và thử nghiệm lâm sàng, cũng như phản ứng của bệnh nhân với các phương pháp điều trị. . Điều này giúp họ phát triển các kế hoạch điều trị được cá nhân hóa.

Năm 2020, MD Anderson hợp tác với Philips và AWS để cung cấp hệ thống này cho các bác sĩ và bác sĩ trên toàn cầu. 

Culot lưu ý rằng hệ thống chỉ có thể tồn tại trên đám mây vì một số lý do. Có một lượng lớn dữ liệu cần lưu trữ và một lượng lớn việc xử lý dữ liệu cần được thực hiện. Đồng thời, hệ thống này cần phải là một hệ thống nhiều người thuê an toàn và tuân thủ quy định dành cho những người hành nghề trên toàn cầu. 

Culot lưu ý rằng có lẽ quan trọng nhất là đám mây cho phép các kế hoạch điều trị được cá nhân hóa thực sự bằng cách cho phép các bác sĩ cộng tác và kết hợp dữ liệu của họ. 

Culot nói: “Mọi người nói về ung thư như một vấn đề về dữ liệu lớn, nhưng đó cũng là điều mà tôi gọi là vấn đề cấp nhỏ. Ông đưa ra ví dụ về một bệnh nhân ung thư phổi biết mình mắc bệnh ung thư phổi Giai đoạn 4 với những đột biến cụ thể. 

Ông nói: “Cuối cùng, bạn sẽ phải chia nhỏ và chia nhỏ các nhóm dân số này nên ngay cả những cơ sở chăm sóc sức khỏe lớn nhất đôi khi cũng chỉ có một số bệnh nhân đáp ứng các tiêu chí mà chúng tôi đang cố gắng học hỏi”. “Để có thể kết hợp dữ liệu — không được xác định danh tính, theo cách tuân thủ — để chúng tôi có thể học hỏi từ dữ liệu đó, được kích hoạt thông qua các hệ sinh thái dựa trên đám mây này.”

Tương tự, Satnam Alag của Grail cho biết đám mây là điều cần thiết cho sự phát triển của Galleri, xét nghiệm phát hiện sớm đa bệnh ung thư của công ty. Xét nghiệm này được thiết kế để phát hiện hơn 50 loại ung thư như một sự bổ sung cho các xét nghiệm sàng lọc ung thư đơn lẻ.

Alag nói: “Việc tận dụng sức mạnh của hệ gen và học máy cần rất nhiều tính toán. “Một lượng rất lớn dữ liệu cần được thu thập và mở rộng quy mô.” 

Từ một lần lấy máu, xét nghiệm Galleri sử dụng thuật toán giải trình tự DNA và máy học để phân tích các đoạn DNA trong máu của bệnh nhân. Xét nghiệm này đặc biệt tìm kiếm các axit nucleic không có tế bào (cfDNA) mà các khối u thải ra trong máu, từ đó có thể cho bạn biết loại ung thư nào trong cơ thể và nó đến từ đâu. 

Alag nói: “Thay vì chỉ sàng lọc từng bệnh ung thư, chúng ta cần sàng lọc từng cá nhân để phát hiện bệnh ung thư. “Và điều này giờ đây có thể thực hiện được nhờ hai cuộc cách mạng công nghệ lớn đã diễn ra trong 20 năm qua. Đầu tiên, sức mạnh của bộ gen - giờ đây có thể sắp xếp trình tự DNA hoàn chỉnh… tạo ra hàng terabyte dữ liệu một cách hiệu quả trong vòng vài ngày. Thứ hai, là số lượng lớn sự đổi mới trong học máy. Giờ đây, chúng tôi có bí quyết để có thể xây dựng các mô hình học sâu, phức tạp với hàng chục triệu tham số.”