Matematisk modellering og simulering er en lovende tilnærming til persontilpasset kreftmedisin. Å sette sammen diskrete celle-baserte modeller med kontinuerlige modeller til en hybrid, cellulær automata (CA) er en kraftfull framgangsmåte for å etterlikne biologisk kompleksitet og beskrive den dynamiske utvekslingen av informasjon over forskjellige størrelsesordner. Kreftens kompleksitet, hetrogenitet og multiskala-natur utgjør derimot, en betydelig beregningsmessig utfordring. Når man ser på klinisk relevante utsnitt av svulsten blir det beregningsmessig svært kostbart. Selvom effektive parallelliseringsteknikker finnes for kontinuerlige modeller, så krever deres sammenkobling med diskrete modeller, CA spesielt, avanserte og forseggjorte løsninger. Med utgangspunkt i FEniCS, en populær og kraftig platform for å løse partielle differensiallikninger med vitenskapelige beregninger, utviklet vi en parallell algoritme som kobler sammen stokastisk CA med differensiallikninger (https://bitbucket.org/HTasken/cansim). Algoritmen minimerer kommunikasjonen mellom prosessene som deler naboverdiene i CA, samtidig som den også tillater reproduserbarhet under stokastiske oppdateringer. Vi demonstrerte potensialet for vår løsning på en kompleks hybrid cellulær automaton modell for brystkreft behandlet med cellegiftskombinasjoner. På en enkeltkjerne prosessor, oppnådde vi nær linjær skalering med økende problemstørrelse, mens svak parallell skalering viste moderat vekst i løsningstiden relativt til størrelsesøkningen av problemet. Til slutt brukte vi algoritmen på et problem som er 500 ganger større enn tidligere arbeid, som tillater oss å kjøre simuleringer av persontilpasset terapi basert på heterogen celletetthet og perfusjon av svulsten estimert fra magnetresonanstomografi data på en enestående skala.