" Jeg, robot," i klinisk praksis?

​Tekst: Vessela Kristensen, seksjonsleder og forsker, Seksjon for forskning og utvikling, Avdeling for medisinsk genetikk, Klinikk for laboratoriemedisin (KLM), OUS. Foto: Nicki Twang og Lars Petter Devik, OUS.

I boken «Jeg, robot» fra 1950 hvor en robot, R. Daneel, er med på å etterforske et mord på en fremmed i Spacetown, foregår handlingen i år 3500 i New York. Forfatteren, Isaak Azymov, går faktisk sjeldent inn på hvordan robotene fungerer (eller i det heile tatt ser ut), men fokuserer på software: Hvordan lovene og programmeringen av robotene, skaper dem som de er. 

Tenk om vi kunne bruke en datamaskin til å lage en nøyaktig modell av svulsten vi skal behandle. Vi kan samle alle de molekylære karakteristika å skape en virtuell svulst. Ved 3D printing  kan teknologien til og med gi form til en slik svulst. Kan vi da ha en matematisk modell for de pasientene der behandlingen ikke fungerer og bruke den til å utprøve alternative behandlinger i den svulsten in silico?

Med noen millioner kopier av modellen kunne vi gjøre databeregninger som simulerer resultatene av hvert eneste tenkelige behandlingsalternativ. Legen kunne da velge å bruke et av dem som får svulsten til å forsvinne. Er dette mulig, eller er det ren science fiction?

I praksis får de fleste brystkreftpasientene i dag en vellykket behandling. Klinikerne har retningslinjer for hvordan de kan behandle brystkreft, avhengig av hvordan cellene ser ut og hva slags reseptorer de har. Disse retningslinjene bygger på mange års erfaring og kunnskap fra kliniske studier og hjelper mange. Problemet er at i enkelte tilfeller blir svulsten resistent til en behandling, eller kan gjenoppstå selv etter mange sykdomsfrie år. Selv om de fleste overlever brystkreft, som er den hyppigste kreftformen hos kvinner, utgjør den lille prosentandelen som får tilbakefall, likevel mange kvinner. Hva gjør man da?

Hvem er vi?

I vår Horison2020 prosjekt RESCUER https://www.rescuer.uio.no  er det onkologer, patologer, radiologer, matematikere, statistikere og molekylærbiologier som skal løse resistens problematikken og skal bidra til å skape de nye data modellene.

Det vil si både klinisk og matematisk ekspertise med deltakelse fra eksperter i mange land er nødvendig.

Partnere i prosjektet er OUS, NTNU, University of Helsinki, University of Cambridge, KU Leuven University, Belgium, Rutgers, the state University of New Jersey, University of Barcelona, Karolinska Institutet The Interdisciplinary Center Herzliya, Hospital Clinic De Barcelona, University Hospital Erlangen, Institut Fur Frauengesundheit Gmbh, French Alternative Energies and Atomic Energy Commission.

Matematiske modeller

Sammen med samarbeidspartnere på Medisinsk Biostatistikk, IMB, MedFak Arnoldo Frigessi og Alvaro K. Luque, lager vi  modeller av svulsten ved å bruke ulike parametere eller betingelser fra pasientdata. Informasjonen sier noe om hva slags type svulst pasienten har, hvor stor den er, hvor mange celler den har, hvor stor delekapasitet den har og hva slags mutasjoner akkurat denne svulsten har.

Informasjonen kommer fra utredning og behandling av pasientene, som mammografiundersøkelser, ultralyd, MR-bilder, molekylære parametere og celleforandringer målt ved ulike tidspunkter.

Vi måler alle parameterne og putter disse inn i matematiske modeller. Parameterne er reelle, de er målt i reelle mennesker. Så lager vi differensielle ligninger på hvordan svulsten vil vokse eller krympe basert på ulike betingelser.

Målet er å klare å analysere seg frem til de riktige parameterne ved å gjøre det mange nok ganger. Altså finne ut hva de trenger å måle i en svulst for å kunne forutsi hva som vil være riktig behandling for hver enkelt pasient. For hver gang vi gjør den prediksjonen, så har vi forhåpentligvis det slik at vi kommer raskere og raskere i mål.

Persontilpasset terapi

Beslutningen om valg av behandlingsform etter en kreftdiagnose blir følgelig tatt på grunnlag av forventet, gjennomsnittlig resultat for den undergruppen pasienten tilhører. Imidlertid er brystkreftpasienter ofte veldig ulike, selv innenfor hver av sykdommens undergrupper.

Dette er årsaken til at en foretrukket medisin fra en klinisk studie ikke fungerer for alle pasientene avhengig av type sykdom og klinisk bilde. De øvrige opplever liten eller ingen positiv effekt av behandlingen, men ofte ubehagelige bivirkninger. Moderne kreftforskning er derfor sterkt fokusert på persontilpasset terapi, det vil si å finne hva som vil virke best for hver enkelt pasient.

For å få det til, må vi først lage en modell av hvordan en svulst vokser eller krymper under forskjellige betingelser og behandlinger. Det gjør vi ved å lage matematiske ligninger som beskriver grunnleggende regler kreftcellene følger i ulike utviklingstrinn. Dette vet vi mye om allerede.

Så begynner vi å angripe med medikamenter som er reelle muligheter for å se hvilken har størst effekt på en svulst med nettopp disse molekylære karakteristika. Enkelte cellegifter dreper kreftcellene akkurat under celledeling fordi de da er mest sårbare. Vi må derfor følge hver enkelt celle og vite når den deler seg.

Teknologien brukes mer eksperimentelt

Dette er en regel som kan implementeres i en algoritme som kan teste hvert av de tilgjengelige legemidlene for akkurat denne pasientens kreftsykdom.

I tillegg kan denne teknologien brukes mer eksperimentelt. For hver medisin gis i ulike doser og med varierende frekvens. Når det i tillegg er aktuelt å bruke kombinasjoner av to eller tre medisiner, oppstår millioner av ulike behandlingsalternativer som kan bare testes virtuelt.

Selv om vi kunne trekke ut kreftceller av svulsten og teste, ville det ta måneder eller år å analysere effekten i hvert tilfelle. Og alt dette bare beskriver hvordan vi modellerer en svulst.

I fremtiden vi vil også inkorporere informasjon om pasientens genetiske og pharmacogenetiske egenskaper, hvor rask en metaboliserer medikamenter, hvor aktiv immunsystemet er og andre faktorer av allmenntilstand.

Dette er en fantastisk mål å jobbe mot selv om det fortsatt mye som gjenstår. Bedre data, mer realistiske modeller, nye kliniske målinger og mange smarte ideer trengs for å kunne levere et fullgodt verktøy. Metoden må forbedres og testes på hundrevis av pasienter.

Jeg håper at i løpet av de neste 5–10 år kan dokumentere hvor nyttig resultatene er.

Lenker:

Les artikkel fra UiO: Skal forbedre behandling av brystkreft med datamodeller.

Artikkel fra UiO: Prosjektkoordinator betyr stor tillit hos fagfeller.

Artikkel fra Apollon: Simulerer kreftbehandlingen din på datamaskinen.

Artikkel fra Aftenposten: Kan statistikk og matematikk redde like mange liv som nye medisiner?

Les flere blogginnlegg fra Ekspertsykehuset her!