AI’s leven-veranderende, meetbare impact op kanker

Big Data inzetten om AI in kankerdetectie en -behandeling te verbeteren

Het integreren van AI in het beslissingsproces van de gezondheidszorg helpt het veld te revolutioneren en leidt tot meer accurate en consistente behandelingsbeslissingen vanwege de vrijwel onbeperkte mogelijkheid om patronen te identificeren die te complex zijn voor mensen om te zien.

Het veld van de oncologie genereert enorme datasets, van ongestructureerde klinische geschiedenissen tot beeldvorming en genoomsequencinggegevens, op verschillende stadia van de patiëntreis. AI kan grote hoeveelheden gegevens “intelligent” analyseren op een snellere manier dan traditionele methoden, wat cruciaal is voor het trainen van machine learning-algoritmen die essentieel zijn voor geavanceerde kankertesten en -bewakingshulpmiddelen. AI heeft ook een enorm vermogen om patronen te herkennen voor het efficiënt modelleren van complexe datasets. Dit is belangrijk omdat het diepere, meerlagige inzichten mogelijk maakt in de impact van nuances in moleculaire handtekeningen in kankergenomica en tumormicro-omgevingen. Het ontdekken van een patroon tussen genen die alleen worden aangetroffen in een bepaalde subset van kankergevallen of kankerprogressiepatronen kan leiden tot een meer gerichte, patiëntspecifieke benadering van de behandeling.

Wat is het uiteindelijke doel? AI-gebaseerde kankertests die klinische besluitvorming ondersteunen voor artsen en hun patiënten op elk moment van de kankerreis – van screening en detectie tot het identificeren van de juiste behandeling en het monitoren van de reactie van patiënten op interventies en het voorspellen van recidief.

Gegevenskwaliteit en -hoeveelheid: de sleutel tot AI-succes

Uiteindelijk zal een AI-algoritme alleen zo goed zijn als de kwaliteit van de gegevens die het trainen. Slechte, onvolledige of onjuist gelabelde gegevens kunnen de mogelijkheid van AI beperken om de beste patronen te vinden (garbage in, garbage out). Dit is vooral waar voor kankerzorg, waar predictief modelleren afhankelijk is van onberispelijke precisie – één genmodificatie uit duizenden, bijvoorbeeld, kan tumorgroei signaleren en vroege detectie informeren. Het waarborgen van een dergelijk hoge kwaliteit is tijdrovend en kostbaar, maar leidt tot betere gegevens, wat resulteert in optimale testnauwkeurigheid. Het ontwikkelen van een nuttige schat aan gegevens gaat echter gepaard met aanzienlijke uitdagingen. Om te beginnen moet men de hoogste kwaliteit assays hebben die deze kenmerken van kanker met onberispelijke precisie en resolutie meten. De gemeten moleculaire gegevens moeten ook zo geografisch en patiëntvertegenwoordigend mogelijk zijn om de predictieve capaciteit van de trainingsmodellen uit te breiden. Het baat ook bij het opbouwen van langetermijnmultidisciplinaire samenwerkingen en partnerschappen die helpen bij het verzamelen en verwerken van ruwe gegevens voor analyse. Ten slotte is het vastleggen van strikte ethische normen voor gegevensbeheer van het grootste belang bij het omgaan met gezondheidsinformatie en het naleven van strikte patiëntprivacyreglementen, wat soms een uitdaging kan vormen bij gegevensverzameling.

Een overvloed aan nauwkeurige, gedetailleerde gegevens zal niet alleen leiden tot testmogelijkheden die patronen snel kunnen vinden en artsen de beste kans geven om de onvervulde behoeften van hun patiënten aan te pakken, maar zal ook elk aspect van klinisch onderzoek verbeteren en verfijnen, vooral de dringende zoektocht naar betere medicijnen en biomarkers voor kanker.

AI toont al belofte in kankerzorg en -behandeling

Er worden al effectievere manieren geïmplementeerd om AI te trainen. Mijn collega’s en ik trainen algoritmen met een uitgebreid assortiment gegevens, waaronder beeldresultaten, weefselbiopsiegegevens, meerdere vormen van genoomsequencing en proteïnebiomarkers, onder andere analyses – allemaal toevoegend aan enorme hoeveelheden trainingsgegevens. Onze mogelijkheid om gegevens te genereren op een schaal van quadriljoenen in plaats van miljarden heeft ons in staat gesteld om enkele van de eerste echt nauwkeurige predictieve analyses in klinisch gebruik te bouwen, zoals tumordetectie voor geavanceerde kankers van onbekende primaire oorsprong of predictieve chemotherapiebehandelingspaden met subtiele genetische variaties.

Bij Caris Life Sciences hebben we aangetoond dat uitgebreide validatie en testing van algoritmen noodzakelijk zijn, met vergelijkingen met real-world evidence die een sleutelrol spelen. Bijvoorbeeld, onze algoritmen getraind om specifieke kankers te detecteren, profiteren van validatie tegen laboratoriumhistologiegegevens, terwijl AI-voorspellingen voor behandelingsschema’s kunnen worden vergeleken met real-world klinische overlevingsresultaten.

Gezien de snelle vooruitgang in kankeronderzoek, suggereert de ervaring dat continue leren en algoritme-verfijning een integraal onderdeel zijn van een succesvolle AI-strategie. Aangezien nieuwe behandelingen worden ontwikkeld en ons begrip van de biologische paden die kanker aandrijven, evolueert, biedt het updaten van modellen met de meest recente informatie diepere inzichten en verhoogt detectiesensitiviteit.

Deze voortdurende leerprocessen benadrukken het belang van brede samenwerking tussen AI-ontwikkelaars en de klinische en onderzoekscommunities. We hebben ontdekt dat het ontwikkelen van nieuwe tools om gegevens sneller en gevoeliger te analyseren, gekoppeld aan feedback van oncologen, essentieel is. Bottom-line: de ware maatstaf van het succes van een AI-algoritme is hoe nauwkeurig het oncologen uitrust met betrouwbare, predictieve inzichten die ze nodig hebben en hoe aanpasbaar de AI-strategie is aan steeds veranderende behandelingsparadigma’s.

Real-world toepassingen van AI verhogen al overlevingskansen en verbeteren kankerbeheer

Vooruitgang in gegevensschaal en -kwaliteit heeft al meetbare impact door het uitbreiden van de besluitvormingstoolkit van artsen, wat reële positieve resultaten heeft opgeleverd voor patiëntenzorg en overlevingsresultaten. Het eerste klinisch gevalideerde AI-hulpmiddel voor het navigeren van chemotherapiebehandelingskeuzes voor een moeilijk te behandelen metastatische kanker kan potentieel de overleving van patiënten verlengen met 17,5 maanden, vergeleken met standaardbehandelingsbeslissingen gemaakt zonder predictieve algoritmen¹. Een ander AI-hulpmiddel kan met meer dan 94% nauwkeurigheid de tumor van oorsprong voor tientallen metastatische kankers voorspellen² – wat cruciaal is voor het creëren van een effectief behandelingsplan. AI-algoritmen voorspellen ook hoe goed een tumor zal reageren op immunotherapie op basis van de unieke tumorgenetica van elke persoon. In elk van deze gevallen empoweren AI-toolkits klinische besluitvorming die patiëntresultaten verbetert in vergelijking met de huidige standaarden van zorg.

Verwacht een AI-revolutie in kanker

AI verandert al hoe vroeg we kanker kunnen detecteren en hoe we het behandelen onderweg. Kankerbeheer zal binnenkort artsen hebben die naast geïntegreerde AI in real-time werken om patiënten te behandelen en te monitoren en één stap voor te blijven op de pogingen van kanker om medicijnen met mutaties te slim af te zijn. Naast het steeds verbeteren van predictieve modellen voor het detecteren van kanker eerder en het bieden van meer effectieve, gepersonaliseerde behandelingsparadigma’s, werken artsen, onderzoekers en biotechbedrijven vandaag hard om data en AI-analyses te benutten om nieuwe therapeutische ontdekkingen en moleculaire biomarkers voor morgen aan te drijven.

In de niet al te verre toekomst zullen deze eens onmogelijke vooruitgang in AI verder reiken dan alleen kankerzorg en alle ziektestaten omvatten, waarmee een tijdperk van onzekerheid wordt beëindigd en geneeskunde nauwkeuriger, persoonlijker en effectiever wordt.