Les thérapies contre le cancer dépendent de quantités vertigineuses de données : voici comment elles sont triées dans le cloud

Les patients atteints de cancer et leurs médecins disposent de plus d’informations sur la maladie et son traitement que jamais auparavant, et les informations disponibles continuent de croître à un rythme vertigineux. Toutes ces informations, cependant, ne sont pas utiles si les gens ne peuvent pas tout comprendre.

Pensez à un patient atteint d’un cancer du poumon, par exemple, qui pourrait recevoir un diagnostic précoce grâce à un programme de dépistage qui produit une image de tomodensitométrie (TDM). Au fur et à mesure que leur diagnostic et leur plan de traitement progressent, leurs soignants apporteront des sources de données telles que l’IRM et l’imagerie moléculaire, des données de pathologie – qui sont de plus en plus numérisées – et des informations génomiques.

“Honnêtement, tout cela est un défi très difficile pour les équipes de soins elles-mêmes alors qu’elles réfléchissent à la meilleure façon de soigner et de traiter ces patients”, a déclaré Louis Culot, directeur général de l’informatique génomique et oncologique chez Philips, lors d’un Amazon Événement virtuel Web Services pour l’industrie de la santé.

“En oncologie maintenant, ou dans n’importe quelle discipline médicale, cela compte parce que le traitement compte, l’intervention compte”, a déclaré Culot. “Nous ne voulons pas seulement des données pour le plaisir des données. Quelle action les membres de l’équipe de soins pourraient-ils prendre sur la base des informations ?”

Pour mieux maîtriser toutes ces données, les innovateurs se sont tournés vers des outils tels que le cloud computing et l’apprentissage automatique, avec des résultats potentiellement vitaux. Lors de l’événement AWS de cette semaine, Culot a présenté le partenariat de Philips avec le MD Anderson Cancer Center de l’Université du Texas, qui vise à aider les médecins à rassembler toutes leurs données pour créer des plans de soins personnalisés pour les patients.

Satnam Alag, vice-président directeur du génie logiciel chez Grail, a expliqué comment son entreprise utilise le cloud et l’apprentissage automatique pour développer un système capable de dépister des patients pour des dizaines de types de cancer différents à la fois, plutôt qu’un à la fois.

Il est difficile d’exagérer l’impact de l’amélioration des dépistages et des traitements du cancer. En 2020, il y a eu plus de 19 millions de cas de cancer dans le monde, a noté Alag, et près de 10 millions de décès. On estime qu’un homme sur trois et une femme sur quatre sont susceptibles d’avoir un cancer au cours de leur vie.

« Est-ce que moi ou un membre de ma famille recevrons un diagnostic de cancer ? Où se trouve-t-il dans mon corps ? Peut-il être guéri ? Ou va-t-il me tuer ? Ce sont des questions courantes que beaucoup d’entre nous partagent », a déclaré Alag.

Heureusement, alors que nous collectons plus de points de données pour étudier le cancer, les scientifiques développent également de nouvelles options de traitement à un rythme rapide. Les progrès du profilage moléculaire ont aidé les scientifiques à identifier différentes catégories et sous-catégories de cancer, ainsi que différentes thérapies potentielles. En 2009, la FDA américaine avait approuvé huit médicaments anticancéreux, a noté Culot. En 2020, ce nombre est passé à 57. En plus de cela, il y a maintenant environ 1 500 essais cliniques actuellement ouverts aux patients atteints de cancer.

“En général, il existe maintenant littéralement des centaines de thérapies ou de combinaisons de thérapies possibles, qui peuvent être utilisées pour traiter le cancer”, a déclaré Culot. “Nous avons donc ce double défi, n’est-ce pas ? Comment rassemblons-nous toutes ces données pour obtenir une meilleure image du patient ? Et puis, avec cette vue, qu’est-ce que tout cela signifie en termes de meilleur traitement ?”

Pour s’attaquer à ce problème, les médecins de MD Anderson ont développé le système d’aide à la décision en oncologie de précision (PODS), un outil fondé sur des données probantes qui aide les médecins à évaluer les informations pertinentes telles que les dernières avancées en matière de développement de médicaments et d’essais cliniques, ainsi que les réponses des patients aux traitements. Cela les aide à développer des plans de traitement personnalisés.

canceractionability.png

En 2020, MD Anderson s’est associé à Philips et AWS pour mettre le système à la disposition des médecins et des praticiens du monde entier.

Le système ne pouvait exister que dans le cloud, a noté Culot, pour un certain nombre de raisons. Il y a une énorme quantité de données à stocker et d’énormes quantités de données à traiter. Dans le même temps, le système doit être un système mutualisé sécurisé et conforme pour les praticiens du monde entier.

Peut-être plus important encore, le cloud permet des plans de traitement véritablement personnalisés, a noté Culot, en permettant aux médecins de collaborer et de combiner leurs données.

“Les gens parlent du cancer comme d’un gros problème de données, mais c’est aussi ce que j’appelle un petit problème”, a déclaré Culot. Il a donné l’exemple d’un patient atteint d’un cancer du poumon qui apprend qu’il est atteint d’un cancer du poumon de stade 4 avec des mutations spécifiques.

“Vous finissez par créer des sous-groupes et des sous-groupes de ces populations, de sorte que même les plus grands établissements de soins de santé n’ont parfois que quelques patients qui répondent aux critères dont nous essayons d’apprendre”, a-t-il déclaré. “Pouvoir combiner des données – anonymisées, de manière conforme – afin que nous puissions en tirer des enseignements, est rendu possible grâce à ces écosystèmes basés sur le cloud.”

De même, Satnam Alag de Grail a déclaré que le cloud était impératif pour le développement de Galleri, le test de détection précoce multi-cancer de la société. Le test est conçu pour détecter plus de 50 types de cancers en complément des tests de dépistage d’un seul cancer.

“L’exploitation de la puissance de la génomique et de l’apprentissage automatique nécessite beaucoup de calculs”, a déclaré Alag. “De très grandes quantités de données doivent être collectées et mises à l’échelle.”

À partir d’un seul prélèvement sanguin, le test Galleri utilise le séquençage de l’ADN et des algorithmes d’apprentissage automatique pour analyser des morceaux d’ADN dans la circulation sanguine d’un patient. Le test recherche spécifiquement les acides nucléiques acellulaires (cfDNA) que les tumeurs libèrent dans le sang, ce qui peut vous dire quel type de cancer se trouve dans le corps et d’où il vient.

“Au lieu de seulement dépister les cancers individuels, nous devons dépister les individus pour le cancer”, a déclaré Alag. “Et cela est désormais possible grâce à deux grandes révolutions technologiques qui se sont produites au cours des 20 dernières années. Premièrement, la puissance de la génomique – il est désormais possible de séquencer l’ADN complet… générant des téraoctets de données de manière rentable en quelques jours. Deuxièmement, il y a l’énorme quantité d’innovation dans l’apprentissage automatique. Nous avons maintenant le savoir-faire pour être en mesure de construire des modèles d’apprentissage en profondeur complexes avec des dizaines de millions de paramètres.