TEDMED 2015
Russ Altman: What really happens when you mix medications?
Russ Altman: ¿Qué sucede realmente al mezclar medicamentos?
Filmed:
Readability: 4.2
1,766,922 views
Si toman dos medicamentos diferentes por dos razones diferentes, aquí hay un pensamiento aleccionador: El médico puede no entender completamente lo que sucede al combinarlos, ya que las interacciones entre medicamentos son muy difíciles de estudiar. En esta charla fascinante y accesible, Russ Altman muestra cómo los médicos están estudiando las interacciones inesperadas al combinar medicamentos y lo hacen mediante un recurso sorprendente: las consultas en los motores de búsqueda.
Russ Altman - Big data techno-optimist and internist
Russ Altman uses machine learning to better understand adverse effects of medication. Full bio
Russ Altman uses machine learning to better understand adverse effects of medication. Full bio
Double-click the English transcript below to play the video.
00:12
So you go to the doctor
and get some tests.
and get some tests.
0
811
3321
Uno va al médico
y le hacen varias pruebas.
y le hacen varias pruebas.
00:16
The doctor determines
that you have high cholesterol
that you have high cholesterol
1
4674
2620
El médico determina
que el colesterol está alto
que el colesterol está alto
00:19
and you would benefit
from medication to treat it.
from medication to treat it.
2
7318
3171
y que sería bueno tomar
una medicación adecuada.
una medicación adecuada.
00:22
So you get a pillbox.
3
10981
1556
Así que le dan pastillas.
00:25
You have some confidence,
4
13505
1199
Uno tiene cierta confianza,
00:26
your physician has some confidence
that this is going to work.
that this is going to work.
5
14728
2937
el médico confía
en que esto va a funcionar.
en que esto va a funcionar.
00:29
The company that invented it did
a lot of studies, submitted it to the FDA.
a lot of studies, submitted it to the FDA.
6
17689
3553
La empresa que lo creó hizo
muchos estudios que revisó la FDA.
muchos estudios que revisó la FDA.
00:33
They studied it very carefully,
skeptically, they approved it.
skeptically, they approved it.
7
21266
3107
Lo analizaron cuidadosamente,
con escepticismo, lo aprobaron.
con escepticismo, lo aprobaron.
Tienen una idea aproximada
de cómo funciona,
de cómo funciona,
00:36
They have a rough idea of how it works,
8
24397
1889
y de cuáles son aproximadamente
los efectos secundarios.
los efectos secundarios.
00:38
they have a rough idea
of what the side effects are.
of what the side effects are.
9
26310
2453
00:40
It should be OK.
10
28787
1150
Debería estar bien.
00:42
You have a little more
of a conversation with your physician
of a conversation with your physician
11
30864
2818
Uno tiene algo más que una
conversación con su médico
conversación con su médico
00:45
and the physician is a little worried
because you've been blue,
because you've been blue,
12
33706
2963
y al médico le preocupa un poco
que uno esté desanimado,
que uno esté desanimado,
00:48
haven't felt like yourself,
13
36693
1293
que no sea uno mismo,
00:50
you haven't been able to enjoy things
in life quite as much as you usually do.
in life quite as much as you usually do.
14
38010
3731
que no pueda disfrutar de las cosas
de la vida tanto como antes.
de la vida tanto como antes.
00:53
Your physician says, "You know,
I think you have some depression.
I think you have some depression.
15
41765
3186
El médico dice: "Sabes, creo
que estás un poco deprimido.
que estás un poco deprimido.
00:57
I'm going to have to give
you another pill."
you another pill."
16
45792
2315
Voy a recetarte otras pastillas".
01:00
So now we're talking
about two medications.
about two medications.
17
48934
2483
Así que ahora hablamos
de dos medicamentos.
de dos medicamentos.
01:03
This pill also -- millions
of people have taken it,
of people have taken it,
18
51441
3104
También esta pastilla la han tomado
millones de personas
millones de personas
01:06
the company did studies,
the FDA looked at it -- all good.
the FDA looked at it -- all good.
19
54569
3631
la farmacéutica hizo estudios,
la FDA los revisó, todo bien.
la FDA los revisó, todo bien.
01:10
Think things should go OK.
20
58823
2057
Las cosas deberían ir bien.
01:12
Think things should go OK.
21
60904
2197
Las cosas deberían ir bien.
01:15
Well, wait a minute.
22
63125
1439
Pero, esperen un momento.
¿Cuánto sabemos sobre cómo
actúan las dos juntas?
actúan las dos juntas?
01:16
How much have we studied
these two together?
these two together?
23
64588
3517
01:20
Well, it's very hard to do that.
24
68630
2300
Es difícil hacer un estudio así.
01:22
In fact, it's not traditionally done.
25
70954
2130
De hecho, no se suele hacer.
01:25
We totally depend on what we call
"post-marketing surveillance,"
"post-marketing surveillance,"
26
73108
5518
Dependemos de lo que llamamos
"supervisión tras la comercialización",
"supervisión tras la comercialización",
01:30
after the drugs hit the market.
27
78650
1880
después de que salgan al mercado.
01:32
How can we figure out
if bad things are happening
if bad things are happening
28
80996
2848
¿Cómo podemos averiguar
si va a pasar algo malo
si va a pasar algo malo
01:35
between two medications?
29
83868
1357
al combinar dos medicamentos?
01:37
Three? Five? Seven?
30
85249
2030
¿Y tres? ¿Cinco? ¿Siete?
01:39
Ask your favorite person
who has several diagnoses
who has several diagnoses
31
87708
2415
Pregunten a quien quieran
que tenga varios diagnósticos
que tenga varios diagnósticos
01:42
how many medications they're on.
32
90147
1834
cuántos medicamentos toma.
01:44
Why do I care about this problem?
33
92530
1580
¿Por qué me preocupo por esto?
01:46
I care about it deeply.
34
94134
1157
Me preocupa en serio.
01:47
I'm an informatics and data science guy
and really, in my opinion,
and really, in my opinion,
35
95315
4304
Soy informático y científico de datos
y de verdad, en mi opinión,
y de verdad, en mi opinión,
01:51
the only hope -- only hope --
to understand these interactions
to understand these interactions
36
99643
3745
la única esperanza, única esperanza,
para entender estas interacciones
para entender estas interacciones
01:55
is to leverage lots
of different sources of data
of different sources of data
37
103412
3056
es usar muchas fuentes
de datos diferentes
de datos diferentes
01:58
in order to figure out
when drugs can be used together safely
when drugs can be used together safely
38
106492
3556
para comprender cuándo se pueden usar
las medicinas juntas con seguridad
las medicinas juntas con seguridad
02:02
and when it's not so safe.
39
110072
1777
y cuando no es tan seguro.
Les contaré una historia
sobre la ciencia de datos.
sobre la ciencia de datos.
02:04
So let me tell you a data science story.
40
112615
2051
02:06
And it begins with my student Nick.
41
114690
2154
Comienza con mi estudiante Nick.
02:08
Let's call him "Nick,"
because that's his name.
because that's his name.
42
116868
2380
Vamos a llamarlo "Nick",
porque ese es su nombre.
porque ese es su nombre.
02:11
(Laughter)
43
119272
1592
(Risas)
Nick era un joven estudiante.
02:12
Nick was a young student.
44
120888
1201
Le dije: "Nick, tenemos que entender
cómo funcionan las medicinas
cómo funcionan las medicinas
02:14
I said, "You know, Nick, we have
to understand how drugs work
to understand how drugs work
45
122113
3079
02:17
and how they work together
and how they work separately,
and how they work separately,
46
125216
2626
cómo funcionan juntas
y cómo funcionan por separado,
y cómo funcionan por separado,
02:19
and we don't have a great understanding.
47
127866
1922
y no tenemos una gran visión.
Pero la FDA ha publicado
una base de datos increíble.
una base de datos increíble.
02:21
But the FDA has made available
an amazing database.
an amazing database.
48
129812
2405
02:24
It's a database of adverse events.
49
132241
1699
Es una base de datos
de reacciones adversas.
de reacciones adversas.
02:26
They literally put on the web --
50
134321
1642
Literalmente, han puesto en la web
02:27
publicly available, you could all
download it right now --
download it right now --
51
135987
3119
abierta al público, todos pueden
descargarla ahora mismo,
descargarla ahora mismo,
02:31
hundreds of thousands
of adverse event reports
of adverse event reports
52
139130
3627
cientos de miles de informes
de efectos adversos
de efectos adversos
02:34
from patients, doctors,
companies, pharmacists.
companies, pharmacists.
53
142781
3760
de pacientes, médicos,
empresas, farmacéuticos.
empresas, farmacéuticos.
Y estos informes son bastante simples:
02:38
And these reports are pretty simple:
54
146565
1749
02:40
it has all the diseases
that the patient has,
that the patient has,
55
148338
2658
contienen todas las enfermedades
que tiene el paciente,
que tiene el paciente,
02:43
all the drugs that they're on,
56
151020
1767
las medicinas que toma
02:44
and all the adverse events,
or side effects, that they experience.
or side effects, that they experience.
57
152811
3818
y todas las reacciones adversas
o efectos secundarios que ha tenido.
o efectos secundarios que ha tenido.
02:48
It is not all of the adverse events
that are occurring in America today,
that are occurring in America today,
58
156653
3436
No son todas las reacciones adversas
que están dándose hoy en EE.UU.,
que están dándose hoy en EE.UU.,
02:52
but it's hundreds and hundreds
of thousands of drugs.
of thousands of drugs.
59
160113
2578
pero son cientos y cientos
de miles de medicamentos.
de miles de medicamentos.
02:54
So I said to Nick,
60
162715
1299
Así que le dije a Nick:
02:56
"Let's think about glucose.
61
164038
1826
"Vamos a considerar la glucosa.
02:57
Glucose is very important,
and we know it's involved with diabetes.
and we know it's involved with diabetes.
62
165888
3567
La glucosa es muy importante
y conocemos su relación con la diabetes.
y conocemos su relación con la diabetes.
03:01
Let's see if we can understand
glucose response.
glucose response.
63
169479
3970
Vamos a ver si podemos entender
la respuesta de la glucosa.
la respuesta de la glucosa.
03:05
I sent Nick off. Nick came back.
64
173473
2458
Envié a Nick. Nick regresó.
03:08
"Russ," he said,
65
176248
1786
"Russ", dijo,
03:10
"I've created a classifier that can
look at the side effects of a drug
look at the side effects of a drug
66
178351
5112
"He creado un clasificador que examina
los efectos secundarios de una medicina
los efectos secundarios de una medicina
03:15
based on looking at this database,
67
183487
2051
explorando esta base de datos,
03:17
and can tell you whether that drug
is likely to change glucose or not."
is likely to change glucose or not."
68
185562
4271
y puede mostrar si es probable que
esa medicina cambie o no la glucosa".
esa medicina cambie o no la glucosa".
03:21
He did it. It was very simple, in a way.
69
189857
2016
Él lo hizo.
En un sentido, era sencillo.
En un sentido, era sencillo.
03:23
He took all the drugs
that were known to change glucose
that were known to change glucose
70
191897
2635
Eligió las medicinas que sabemos
que alteran la glucosa
que alteran la glucosa
03:26
and a bunch of drugs
that don't change glucose,
that don't change glucose,
71
194556
2389
y un puñado de medicinas
que no la alteran
que no la alteran
03:28
and said, "What's the difference
in their side effects?
in their side effects?
72
196969
2888
y dijo: "¿En qué se diferencian
los efectos secundarios?
los efectos secundarios?
¿Hay diferencias en el cansancio? ¿En
el apetito? ¿En los hábitos urinarios?"
el apetito? ¿En los hábitos urinarios?"
03:31
Differences in fatigue? In appetite?
In urination habits?"
In urination habits?"
73
199881
4852
03:36
All those things conspired
to give him a really good predictor.
to give him a really good predictor.
74
204757
2960
Todo se confabuló para darle
un muy buen indicador.
un muy buen indicador.
Dijo: "Russ, puedo predecir
con una precisión del 93 %
con una precisión del 93 %
03:39
He said, "Russ, I can predict
with 93 percent accuracy
with 93 percent accuracy
75
207741
2548
si una medicina alterará la glucosa".
03:42
when a drug will change glucose."
76
210313
1572
03:43
I said, "Nick, that's great."
77
211909
1416
Dije: "Nick, eso es genial".
03:45
He's a young student,
you have to build his confidence.
you have to build his confidence.
78
213349
2896
Es un estudiante joven,
hay que cimentar su confianza.
hay que cimentar su confianza.
03:48
"But Nick, there's a problem.
79
216269
1390
"Pero hay un problema, Nick.
03:49
It's that every physician in the world
knows all the drugs that change glucose,
knows all the drugs that change glucose,
80
217683
3960
Todos los médicos del mundo conocen
los medicamentos que alteran la glucosa,
los medicamentos que alteran la glucosa,
porque es fundamental
para nuestra práctica.
para nuestra práctica.
03:53
because it's core to our practice.
81
221667
2038
03:55
So it's great, good job,
but not really that interesting,
but not really that interesting,
82
223729
3722
Así que es genial, buen trabajo,
pero en realidad no es tan interesante,
pero en realidad no es tan interesante,
03:59
definitely not publishable."
83
227475
1531
definitivamente no publicable".
04:01
(Laughter)
84
229030
1014
(Risas)
04:02
He said, "I know, Russ.
I thought you might say that."
I thought you might say that."
85
230068
2550
Él dijo: "Lo sé, Russ.
Sabía que dirías algo así".
Sabía que dirías algo así".
04:04
Nick is smart.
86
232642
1152
Nick es inteligente.
04:06
"I thought you might say that,
so I did one other experiment.
so I did one other experiment.
87
234149
2874
Dijo: "Como sabía que lo dirías,
hice otro experimento.
hice otro experimento.
Estudié a gente en esa base de datos
que tomaban ambas medicinas,
que tomaban ambas medicinas,
04:09
I looked at people in this database
who were on two drugs,
who were on two drugs,
88
237047
2928
04:11
and I looked for signals similar,
glucose-changing signals,
glucose-changing signals,
89
239999
4422
y busqué marcas similares,
señales de alteraciones de la glucosa,
señales de alteraciones de la glucosa,
de gente que toma ambos medicamentos,
04:16
for people taking two drugs,
90
244445
1624
04:18
where each drug alone
did not change glucose,
did not change glucose,
91
246093
5569
pero cada medicina sola
no altera la glucosa,
no altera la glucosa,
04:23
but together I saw a strong signal."
92
251686
2460
pero juntas constaté un marcador fuerte".
04:26
And I said, "Oh! You're clever.
Good idea. Show me the list."
Good idea. Show me the list."
93
254170
3149
Y dije: "Eres inteligente.
Buena idea. Muéstrame la lista".
Buena idea. Muéstrame la lista".
04:29
And there's a bunch of drugs,
not very exciting.
not very exciting.
94
257343
2254
Hay muchas medicinas, no muy emocionante.
Pero lo que más me llamó la atención
fue que en la lista había dos,
fue que en la lista había dos,
04:31
But what caught my eye
was, on the list there were two drugs:
was, on the list there were two drugs:
95
259621
3932
04:35
paroxetine, or Paxil, an antidepressant;
96
263577
3393
paroxetina o Paxil, un antidepresivo;
04:39
and pravastatin, or Pravachol,
a cholesterol medication.
a cholesterol medication.
97
267756
3570
y pravastatina, o Pravachol,
un medicamento para el colesterol.
un medicamento para el colesterol.
04:43
And I said, "Huh. There are millions
of Americans on those two drugs."
of Americans on those two drugs."
98
271936
4283
Y dije: "Hay millones de estadounidenses
que toman esos dos medicamentos".
que toman esos dos medicamentos".
04:48
In fact, we learned later,
99
276243
1246
De hecho, como vimos,
04:49
15 million Americans on paroxetine
at the time, 15 million on pravastatin,
at the time, 15 million on pravastatin,
100
277513
6032
15 millones de estadounidenses
toman paroxetina en este momento
toman paroxetina en este momento
04:55
and a million, we estimated, on both.
101
283569
2817
y estimamos que un millón toman las dos.
04:58
So that's a million people
102
286767
1254
Un millón de personas
05:00
who might be having some problems
with their glucose
with their glucose
103
288045
2453
podrían estar teniendo
problemas con su glucosa
problemas con su glucosa
si este aprendizaje automático
en jerga generado
en jerga generado
05:02
if this machine-learning mumbo jumbo
that he did in the FDA database
that he did in the FDA database
104
290522
3206
en la base de datos de la FDA
fuese válido.
fuese válido.
05:05
actually holds up.
105
293752
1254
05:07
But I said, "It's still not publishable,
106
295030
1927
Y dije: "Todavía no es publicable,
05:08
because I love what you did
with the mumbo jumbo,
with the mumbo jumbo,
107
296981
2296
aunque me encanta lo que hiciste
con el aprendizaje automático en jerga
05:11
with the machine learning,
108
299301
1246
05:12
but it's not really standard-of-proof
evidence that we have."
evidence that we have."
109
300571
3864
pero en realidad no es
una prueba irrefutable".
una prueba irrefutable".
Así que tenemos que hacer algo más.
05:17
So we have to do something else.
110
305618
1589
05:19
Let's go into the Stanford
electronic medical record.
electronic medical record.
111
307231
2876
Entraremos en el historial clínico
electrónico de Stanford.
electrónico de Stanford.
Tenemos una copia lo que
está bien para la investigación,
está bien para la investigación,
05:22
We have a copy of it
that's OK for research,
that's OK for research,
112
310131
2064
05:24
we removed identifying information.
113
312219
2046
eliminamos la información
de identificación.
de identificación.
05:26
And I said, "Let's see if people
on these two drugs
on these two drugs
114
314581
2503
Y dije: "Veremos
si la gente con ambos fármacos
si la gente con ambos fármacos
05:29
have problems with their glucose."
115
317108
1769
tiene problemas
en sus niveles de glucosa".
en sus niveles de glucosa".
05:31
Now there are thousands
and thousands of people
and thousands of people
116
319242
2207
Pero hay miles y miles de personas
en los registros médicos de Stanford
que toman paroxetina y pravastatina.
que toman paroxetina y pravastatina.
05:33
in the Stanford medical records
that take paroxetine and pravastatin.
that take paroxetine and pravastatin.
117
321473
3459
05:36
But we needed special patients.
118
324956
1799
Necesitábamos pacientes especiales.
05:38
We needed patients who were on one of them
and had a glucose measurement,
and had a glucose measurement,
119
326779
4597
Necesitábamos pacientes con uno de ellos
y con una medición de glucosa,
y con una medición de glucosa,
05:43
then got the second one and had
another glucose measurement,
another glucose measurement,
120
331400
3449
luego el segundo con
otra medición de glucosa,
otra medición de glucosa,
05:46
all within a reasonable period of time --
something like two months.
something like two months.
121
334873
3615
todo dentro de un período razonable
de tiempo, algo así como dos meses.
de tiempo, algo así como dos meses.
05:50
And when we did that,
we found 10 patients.
we found 10 patients.
122
338512
3159
Y cuando lo hicimos,
encontramos 10 pacientes.
encontramos 10 pacientes.
05:54
However, eight out of the 10
had a bump in their glucose
had a bump in their glucose
123
342592
4538
Sin embargo, 8 de 10 tuvieron
un bache en sus niveles de glucosa
un bache en sus niveles de glucosa
cuando consiguieron la segunda P,
a esto lo llamamos P y P,
a esto lo llamamos P y P,
05:59
when they got the second P --
we call this P and P --
we call this P and P --
124
347154
2645
cuando consiguieron la segunda P.
06:01
when they got the second P.
125
349823
1310
06:03
Either one could be first,
the second one comes up,
the second one comes up,
126
351157
2562
Cualquiera de las dos podría ser
la primera, lo que aparece,
la primera, lo que aparece,
06:05
glucose went up
20 milligrams per deciliter.
20 milligrams per deciliter.
127
353743
2847
es que la glucosa subió
a 20 mg por dl.
a 20 mg por dl.
Así como un recordatorio,
06:08
Just as a reminder,
128
356614
1158
06:09
you walk around normally,
if you're not diabetic,
if you're not diabetic,
129
357796
2325
uno camina con normalidad,
si no es diabético,
si no es diabético,
con una glucosa de alrededor de 90.
06:12
with a glucose of around 90.
130
360145
1359
06:13
And if it gets up to 120, 125,
131
361528
2076
Y si se pone hasta 120, 125,
06:15
your doctor begins to think
about a potential diagnosis of diabetes.
about a potential diagnosis of diabetes.
132
363628
3450
el médico empieza a pensar en
un posible diagnóstico de diabetes.
un posible diagnóstico de diabetes.
06:19
So a 20 bump -- pretty significant.
133
367102
2991
Por eso un aumento de 20
es bastante significativo.
es bastante significativo.
Le dije: "Nick, esto es genial.
06:22
I said, "Nick, this is very cool.
134
370601
1904
Pero, lo siento, todavía
no podemos publicar
no podemos publicar
06:25
But, I'm sorry, we still
don't have a paper,
don't have a paper,
135
373616
2053
porque se trata de 10 pacientes
y, en serio,
y, en serio,
06:27
because this is 10 patients
and -- give me a break --
and -- give me a break --
136
375693
2579
no son suficientes pacientes".
06:30
it's not enough patients."
137
378296
1245
Así que dijimos, ¿qué podemos hacer?
06:31
So we said, what can we do?
138
379565
1306
06:32
And we said, let's call our friends
at Harvard and Vanderbilt,
at Harvard and Vanderbilt,
139
380895
2976
Llamaremos a nuestros amigos
en Harvard y Vanderbilt,
en Harvard y Vanderbilt,
que también, de Harvard en Boston,
Vanderbilt en Nashville,
Vanderbilt en Nashville,
06:35
who also -- Harvard in Boston,
Vanderbilt in Nashville,
Vanderbilt in Nashville,
140
383895
2587
06:38
who also have electronic
medical records similar to ours.
medical records similar to ours.
141
386506
2821
tienen registros médicos electrónicos
similares a los nuestros.
similares a los nuestros.
06:41
Let's see if they can find
similar patients
similar patients
142
389351
2020
Vamos a ver si pueden
encontrar pacientes similares
encontrar pacientes similares
06:43
with the one P, the other P,
the glucose measurements
the glucose measurements
143
391395
3276
con una P, la otra P,
las mediciones de glucosa
las mediciones de glucosa
06:46
in that range that we need.
144
394695
1600
en ese rango que necesitamos.
Dios los bendiga, Vanderbilt en una
semana encontró 40 de estos pacientes,
semana encontró 40 de estos pacientes,
06:48
God bless them, Vanderbilt
in one week found 40 such patients,
in one week found 40 such patients,
145
396787
4955
misma tendencia.
06:53
same trend.
146
401766
1189
06:55
Harvard found 100 patients, same trend.
147
403804
3620
Harvard encontró 100 pacientes,
la misma tendencia.
la misma tendencia.
06:59
So at the end, we had 150 patients
from three diverse medical centers
from three diverse medical centers
148
407448
4281
Al final, tuvimos 150 pacientes
de tres diferentes centros médicos
de tres diferentes centros médicos
07:03
that were telling us that patients
getting these two drugs
getting these two drugs
149
411753
3297
que nos decían que los pacientes
que ingerían estos dos medicamentos
que ingerían estos dos medicamentos
07:07
were having their glucose bump
somewhat significantly.
somewhat significantly.
150
415074
2703
tenían niveles de glucosa alterados
de manera significativa.
de manera significativa.
Más interesante aún,
dejamos de lado a los diabéticos,
dejamos de lado a los diabéticos,
07:10
More interestingly,
we had left out diabetics,
we had left out diabetics,
151
418317
2810
porque los diabéticos ya
tienen alterada la glucosa.
tienen alterada la glucosa.
07:13
because diabetics already
have messed up glucose.
have messed up glucose.
152
421151
2317
07:15
When we looked
at the glucose of diabetics,
at the glucose of diabetics,
153
423492
2238
Cuando analizamos,
la glucosa de los diabéticos
la glucosa de los diabéticos
07:17
it was going up 60 milligrams
per deciliter, not just 20.
per deciliter, not just 20.
154
425754
3435
llegaba hasta 60 mg por dl,
no solo a 20.
no solo a 20.
07:21
This was a big deal, and we said,
"We've got to publish this."
"We've got to publish this."
155
429760
3452
Este fue un gran logro, y dijimos:
"Tenemos que publicar esto".
"Tenemos que publicar esto".
Hemos presentado el artículo.
07:25
We submitted the paper.
156
433236
1179
07:26
It was all data evidence,
157
434439
2111
Con toda la evidencia de los datos,
07:28
data from the FDA, data from Stanford,
158
436574
2483
datos de la FDA, datos de Stanford,
datos de Vanderbilt, datos
de la Universidad de Harvard.
de la Universidad de Harvard.
07:31
data from Vanderbilt, data from Harvard.
159
439081
1946
07:33
We had not done a single real experiment.
160
441051
2396
No habíamos hecho
ni un solo experimento real.
ni un solo experimento real.
07:36
But we were nervous.
161
444495
1296
Pero estábamos nerviosos.
07:38
So Nick, while the paper
was in review, went to the lab.
was in review, went to the lab.
162
446201
3730
Mientras que el artículo estaba en
revisión, Nick y yo fuimos al laboratorio.
revisión, Nick y yo fuimos al laboratorio.
07:41
We found somebody
who knew about lab stuff.
who knew about lab stuff.
163
449955
2462
Encontramos a alguien que sabía
de cosas de laboratorio.
de cosas de laboratorio.
07:44
I don't do that.
164
452441
1393
Yo no hago eso.
07:45
I take care of patients,
but I don't do pipettes.
but I don't do pipettes.
165
453858
2417
Me cuido de los pacientes,
pero no trabajo con pipetas.
pero no trabajo con pipetas.
07:49
They taught us how to feed mice drugs.
166
457420
3053
Nos mostraron cómo suministrar
fármacos a los ratones.
fármacos a los ratones.
07:52
We took mice and we gave them
one P, paroxetine.
one P, paroxetine.
167
460864
2414
Nos llevamos ratones y
les dimos una P, paroxetina.
les dimos una P, paroxetina.
07:55
We gave some other mice pravastatin.
168
463302
2508
Dimos a otros pravastatina.
07:57
And we gave a third group
of mice both of them.
of mice both of them.
169
465834
3595
Y a un tercer grupo de ratones
ambos fármacos.
ambos fármacos.
08:01
And lo and behold, glucose went up
20 to 60 milligrams per deciliter
20 to 60 milligrams per deciliter
170
469893
3946
Y la glucosa subió de 20 a 60 mg por dl
08:05
in the mice.
171
473863
1171
en los ratones.
El artículo fue aceptado con base
solo a la evidencia informática,
solo a la evidencia informática,
08:07
So the paper was accepted
based on the informatics evidence alone,
based on the informatics evidence alone,
172
475058
3158
pero hemos añadido
una pequeña nota al final,
una pequeña nota al final,
08:10
but we added a little note at the end,
173
478240
1894
08:12
saying, oh by the way,
if you give these to mice, it goes up.
if you give these to mice, it goes up.
174
480158
2899
comentando que si se da esto
a los ratones, sube la glucosa.
a los ratones, sube la glucosa.
08:15
That was great, and the story
could have ended there.
could have ended there.
175
483081
2508
Eso fue genial, y la historia
podría haber terminado ahí.
podría haber terminado ahí.
08:17
But I still have six and a half minutes.
176
485613
1997
Pero todavía tengo
seis minutos y medio.
seis minutos y medio.
08:19
(Laughter)
177
487634
2807
(Risas)
08:22
So we were sitting around
thinking about all of this,
thinking about all of this,
178
490465
2815
Así que sentados pensando en todo esto,
08:25
and I don't remember who thought
of it, but somebody said,
of it, but somebody said,
179
493304
2735
no recuerdo quién pensó en ello,
pero alguien dijo:
pero alguien dijo:
08:28
"I wonder if patients
who are taking these two drugs
who are taking these two drugs
180
496063
3201
"Me pregunto si los pacientes
que toman ambos fármacos
que toman ambos fármacos
08:31
are noticing side effects
of hyperglycemia.
of hyperglycemia.
181
499288
3553
notan efectos secundarios
por hiperglucemia.
por hiperglucemia.
08:34
They could and they should.
182
502865
1496
Podrían y deberían notarlos.
08:36
How would we ever determine that?"
183
504761
1877
¿Cómo lo podríamos comprobar?"
Dijimos, bueno, ¿qué hace uno?
08:39
We said, well, what do you do?
184
507551
1443
Uno toma un medicamento,
uno o dos nuevos medicamentos,
uno o dos nuevos medicamentos,
08:41
You're taking a medication,
one new medication or two,
one new medication or two,
185
509018
2580
08:43
and you get a funny feeling.
186
511622
1538
y tiene una sensación extraña.
08:45
What do you do?
187
513184
1151
¿Qué hace?
08:46
You go to Google
188
514359
1151
Uno va a Google
08:47
and type in the two drugs you're taking
or the one drug you're taking,
or the one drug you're taking,
189
515534
3349
y teclea uno o los dos medicamentos
que esté tomando
que esté tomando
y teclea "efectos secundarios".
08:50
and you type in "side effects."
190
518907
1603
08:52
What are you experiencing?
191
520534
1356
¿Qué estás experimentando?
Así que dijimos bien,
08:54
So we said OK,
192
522239
1151
pediremos a Google que comparta
sus registros de búsqueda con nosotros,
sus registros de búsqueda con nosotros,
08:55
let's ask Google if they will share
their search logs with us,
their search logs with us,
193
523414
3056
08:58
so that we can look at the search logs
194
526494
1833
para poder mirar
los registros de búsqueda
los registros de búsqueda
09:00
and see if patients are doing
these kinds of searches.
these kinds of searches.
195
528351
2565
y ver si los pacientes
hacen este tipo de búsquedas.
hacen este tipo de búsquedas.
09:02
Google, I am sorry to say,
denied our request.
denied our request.
196
530940
3275
Google, siento decirlo,
denegó nuestra petición.
denegó nuestra petición.
Así que estaba devastado.
09:06
So I was bummed.
197
534819
1151
09:07
I was at a dinner with a colleague
who works at Microsoft Research
who works at Microsoft Research
198
535994
3166
En una cena con un colega que
trabaja en Microsoft Research
trabaja en Microsoft Research
09:11
and I said, "We wanted to do this study,
199
539184
1941
dije: "Queríamos hacer este estudio,
09:13
Google said no, it's kind of a bummer."
200
541149
1880
Google dijo que no, es triste".
09:15
He said, "Well, we have
the Bing searches."
the Bing searches."
201
543053
2086
Él dijo: "Bueno, tenemos
las búsquedas de Bing".
las búsquedas de Bing".
09:18
(Laughter)
202
546195
3483
(Risas)
09:22
Yeah.
203
550805
1267
Sí.
09:24
That's great.
204
552096
1151
Eso es genial.
09:25
Now I felt like I was --
205
553271
1151
Me sentí como si estuviera...
09:26
(Laughter)
206
554446
1000
(Risas)
09:27
I felt like I was talking to Nick again.
207
555470
2412
Me sentí como si estuviera
hablando con Nick de nuevo.
hablando con Nick de nuevo.
Él trabaja para una de las empresas
más grandes del mundo,
más grandes del mundo,
09:30
He works for one of the largest
companies in the world,
companies in the world,
208
558437
2624
09:33
and I'm already trying
to make him feel better.
to make him feel better.
209
561085
2206
y ya estaba intentando
hacerle sentir bien.
hacerle sentir bien.
Sin embargo, dijo, "No, Russ,
creo que no entiendes.
creo que no entiendes.
09:35
But he said, "No, Russ --
you might not understand.
you might not understand.
210
563315
2445
No solo tenemos las búsquedas de Bing,
09:37
We not only have Bing searches,
211
565784
1500
09:39
but if you use Internet Explorer
to do searches at Google,
to do searches at Google,
212
567308
3340
pues si usas Internet Explorer
para hacer búsquedas en Google,
para hacer búsquedas en Google,
09:42
Yahoo, Bing, any ...
213
570672
1891
Yahoo, Bing, cualquiera...
09:44
Then, for 18 months, we keep that data
for research purposes only."
for research purposes only."
214
572587
3643
Mantenemos los datos solo con
fines de investigación 18 meses".
fines de investigación 18 meses".
09:48
I said, "Now you're talking!"
215
576254
1936
Le dije: "¡Así se habla!"
09:50
This was Eric Horvitz,
my friend at Microsoft.
my friend at Microsoft.
216
578214
2198
Este era Eric Horvitz,
mi amigo en Microsoft.
mi amigo en Microsoft.
09:52
So we did a study
217
580436
1695
Así que hicimos un estudio
09:54
where we defined 50 words
that a regular person might type in
that a regular person might type in
218
582155
4619
donde definimos 50 palabras que
una persona normal puede escribir
una persona normal puede escribir
09:58
if they're having hyperglycemia,
219
586798
1602
si sufre hiperglucemia,
10:00
like "fatigue," "loss of appetite,"
"urinating a lot," "peeing a lot" --
"urinating a lot," "peeing a lot" --
220
588424
4762
como "fatiga", "pérdida de apetito",
"orinar mucho", "mear mucho",
"orinar mucho", "mear mucho",
perdóname, pero esa es una de
las cosas que se puede teclear.
las cosas que se puede teclear.
10:05
forgive me, but that's one
of the things you might type in.
of the things you might type in.
221
593210
2767
Así que teníamos 50 frases que
llamamos "palabras de la diabetes".
llamamos "palabras de la diabetes".
10:08
So we had 50 phrases
that we called the "diabetes words."
that we called the "diabetes words."
222
596001
2790
Y lo hicimos por primera vez
como línea de partida.
como línea de partida.
10:10
And we did first a baseline.
223
598815
2063
10:12
And it turns out
that about .5 to one percent
that about .5 to one percent
224
600902
2704
Y resulta que alrededor del 0,5 al 1 %
de todas las búsquedas en Internet
implican una de esas palabras.
implican una de esas palabras.
10:15
of all searches on the Internet
involve one of those words.
involve one of those words.
225
603630
2982
10:18
So that's our baseline rate.
226
606636
1742
Así que esa es nuestra
tasa de referencia.
tasa de referencia.
10:20
If people type in "paroxetine"
or "Paxil" -- those are synonyms --
or "Paxil" -- those are synonyms --
227
608402
4143
Si la gente escribe "paroxetina"
o "Paxil", que son sinónimos,
o "Paxil", que son sinónimos,
10:24
and one of those words,
228
612569
1215
y una de esas palabras,
10:25
the rate goes up to about two percent
of diabetes-type words,
of diabetes-type words,
229
613808
4890
la tasa sube a aproximadamente 2 %
de las palabras de tipo diabetes,
de las palabras de tipo diabetes,
10:30
if you already know
that there's that "paroxetine" word.
that there's that "paroxetine" word.
230
618722
3044
Si ya se sabe que está
la palabra "paroxetina".
la palabra "paroxetina".
10:34
If it's "pravastatin," the rate goes up
to about three percent from the baseline.
to about three percent from the baseline.
231
622191
4547
Si es "pravastatina", la tasa sube
a un 3 % en la línea de partida.
a un 3 % en la línea de partida.
10:39
If both "paroxetine" and "pravastatin"
are present in the query,
are present in the query,
232
627171
4390
Si están "paroxetina" y "pravastatina"
presentes en la consulta,
presentes en la consulta,
10:43
it goes up to 10 percent,
233
631585
1669
sube a 10 %,
10:45
a huge three- to four-fold increase
234
633278
3461
un aumento enorme
de tres a cuatro veces
de tres a cuatro veces
10:48
in those searches with the two drugs
that we were interested in,
that we were interested in,
235
636763
3389
en esas búsquedas con los
dos fármacos que nos interesan
dos fármacos que nos interesan
10:52
and diabetes-type words
or hyperglycemia-type words.
or hyperglycemia-type words.
236
640176
3566
y las palabras de tipo diabetes
o palabras de tipo hiperglucemia.
o palabras de tipo hiperglucemia.
Hemos publicado esto,
10:56
We published this,
237
644216
1265
y obtuvo algo de atención.
10:57
and it got some attention.
238
645505
1466
La razón por la que merece la atención
10:58
The reason it deserves attention
239
646995
1778
11:00
is that patients are telling us
their side effects indirectly
their side effects indirectly
240
648797
4312
es que los pacientes nos dicen
sus efectos secundarios indirectamente
sus efectos secundarios indirectamente
a través de sus búsquedas.
11:05
through their searches.
241
653133
1156
11:06
We brought this
to the attention of the FDA.
to the attention of the FDA.
242
654313
2138
Llamamos la atención de la FDA.
11:08
They were interested.
243
656475
1269
Ellos estaban interesados.
11:09
They have set up social media
surveillance programs
surveillance programs
244
657768
3606
Se han aplicado programas de
vigilancia en los medios sociales
vigilancia en los medios sociales
11:13
to collaborate with Microsoft,
245
661398
1751
para colaborar con Microsoft,
que tenía una bonita infraestructura
para hacer esto, y otros,
para hacer esto, y otros,
11:15
which had a nice infrastructure
for doing this, and others,
for doing this, and others,
246
663173
2794
11:17
to look at Twitter feeds,
247
665991
1282
mirando los datos en Twitter,
11:19
to look at Facebook feeds,
248
667297
1716
los datos en Facebook,
11:21
to look at search logs,
249
669037
1311
mirando los registros de búsqueda,
11:22
to try to see early signs that drugs,
either individually or together,
either individually or together,
250
670372
4909
para ver los primeros signos de que
los fármacos ya sea individualmente
los fármacos ya sea individualmente
o en conjunto,
están causando problemas.
están causando problemas.
11:27
are causing problems.
251
675305
1589
¿Qué sacamos de esto?
¿Por qué contar esta historia?
¿Por qué contar esta historia?
11:28
What do I take from this?
Why tell this story?
Why tell this story?
252
676918
2174
11:31
Well, first of all,
253
679116
1207
Bueno, en primer lugar,
11:32
we have now the promise
of big data and medium-sized data
of big data and medium-sized data
254
680347
4037
tenemos la promesa de grandes volúmenes
de datos y de tamaño mediano
de datos y de tamaño mediano
para ayudarnos a entender las
interacciones entre medicamentos
interacciones entre medicamentos
11:36
to help us understand drug interactions
255
684408
2918
y, esencialmente, sus efectos.
11:39
and really, fundamentally, drug actions.
256
687350
2420
11:41
How do drugs work?
257
689794
1413
¿Cómo funcionan los medicamentos?
11:43
This will create and has created
a new ecosystem
a new ecosystem
258
691231
2836
Esto creará y ha creado
un nuevo ecosistema
un nuevo ecosistema
11:46
for understanding how drugs work
and to optimize their use.
and to optimize their use.
259
694091
3267
para comprender cómo funcionan
los medicamentos y optimizar su uso.
los medicamentos y optimizar su uso.
Nick continuó; él es profesor de
la Universidad de Columbia ahora.
la Universidad de Columbia ahora.
11:50
Nick went on; he's a professor
at Columbia now.
at Columbia now.
260
698303
2659
11:52
He did this in his PhD
for hundreds of pairs of drugs.
for hundreds of pairs of drugs.
261
700986
4072
Ha hecho esto en su tesis doctoral
con cientos de pares de medicamentos.
con cientos de pares de medicamentos.
11:57
He found several
very important interactions,
very important interactions,
262
705082
2517
Encontró varias interacciones
muy importantes,
muy importantes,
11:59
and so we replicated this
263
707623
1214
y lo replicamos
y hemos demostrado que esta es
una manera que realmente funciona
una manera que realmente funciona
12:00
and we showed that this
is a way that really works
is a way that really works
264
708861
2574
12:03
for finding drug-drug interactions.
265
711459
2339
para la búsqueda de
interacciones fármaco-fármaco.
interacciones fármaco-fármaco.
12:06
However, there's a couple of things.
266
714282
1734
Sin embargo, hay algunas salvedades.
12:08
We don't just use pairs
of drugs at a time.
of drugs at a time.
267
716040
3046
No nos limitamos a usar pares
de medicamentos.
de medicamentos.
12:11
As I said before, there are patients
on three, five, seven, nine drugs.
on three, five, seven, nine drugs.
268
719110
4469
Como he dicho antes, hay pacientes con
tres, cinco, siete, nueve medicamentos.
tres, cinco, siete, nueve medicamentos.
12:15
Have they been studied with respect
to their nine-way interaction?
to their nine-way interaction?
269
723981
3642
¿Cómo estudiamos su interacción
de nueve maneras?
de nueve maneras?
12:19
Yes, we can do pair-wise,
A and B, A and C, A and D,
A and B, A and C, A and D,
270
727647
4208
Sí, podemos hacerlo de a pares
A y B, A y C, A y D,
A y B, A y C, A y D,
12:23
but what about A, B, C,
D, E, F, G all together,
D, E, F, G all together,
271
731879
4286
pero ¿qué pasa con A, B,
C, D, E, F, G todos juntos,
C, D, E, F, G todos juntos,
12:28
being taken by the same patient,
272
736189
1762
en el mismo paciente,
12:29
perhaps interacting with each other
273
737975
2118
tal vez interactúan entre sí
12:32
in ways that either makes them
more effective or less effective
more effective or less effective
274
740117
3778
de manera que, o bien los hace
más eficaces o menos eficaces
más eficaces o menos eficaces
12:35
or causes side effects
that are unexpected?
that are unexpected?
275
743919
2332
o causa efectos secundarios inesperados?
12:38
We really have no idea.
276
746275
1827
Realmente no tenemos idea.
12:40
It's a blue sky, open field
for us to use data
for us to use data
277
748126
3756
Es un campo fértil,
abierto al uso de datos
abierto al uso de datos
12:43
to try to understand
the interaction of drugs.
the interaction of drugs.
278
751906
2502
para tratar de comprender
la interacción de los fármacos.
la interacción de los fármacos.
12:46
Two more lessons:
279
754848
1370
Dos lecciones más:
12:48
I want you to think about the power
that we were able to generate
that we were able to generate
280
756242
4199
Quiero que piensen en el
poder que hemos generado
poder que hemos generado
12:52
with the data from people who had
volunteered their adverse reactions
volunteered their adverse reactions
281
760465
4711
con datos de personas que
han presentado reacciones adversas
han presentado reacciones adversas
a través de sus farmacéuticos,
de ellos mismos y de sus médicos,
de ellos mismos y de sus médicos,
12:57
through their pharmacists,
through themselves, through their doctors,
through themselves, through their doctors,
282
765200
3269
13:00
the people who allowed the databases
at Stanford, Harvard, Vanderbilt,
at Stanford, Harvard, Vanderbilt,
283
768493
3667
personas que permitieron usar las bases
de datos de la Universidad de Stanford,
de datos de la Universidad de Stanford,
13:04
to be used for research.
284
772184
1427
Harvard, Vanderbilt,
para la investigación.
para la investigación.
13:05
People are worried about data.
285
773929
1445
La gente está preocupada por los datos.
13:07
They're worried about their privacy
and security -- they should be.
and security -- they should be.
286
775398
3187
Está preocupada por su privacidad
y la seguridad y deben estarlo.
y la seguridad y deben estarlo.
Necesitamos sistemas seguros.
13:10
We need secure systems.
287
778609
1151
Pero no podemos tener un sistema
que se cierre a los datos,
que se cierre a los datos,
13:11
But we can't have a system
that closes that data off,
that closes that data off,
288
779784
3406
13:15
because it is too rich of a source
289
783214
2752
porque es una fuente demasiado rica
13:17
of inspiration, innovation and discovery
290
785990
3971
de inspiración, innovación
y descubrimiento
y descubrimiento
para cosas nuevas en la medicina.
13:21
for new things in medicine.
291
789985
1578
13:24
And the final thing I want to say is,
292
792494
1794
Y lo último que quiero decir es,
13:26
in this case we found two drugs
and it was a little bit of a sad story.
and it was a little bit of a sad story.
293
794312
3357
en este caso encontramos
dos fármacos, una historia triste.
dos fármacos, una historia triste.
Los dos fármacos causaban
realmente problemas.
realmente problemas.
13:29
The two drugs actually caused problems.
294
797693
1921
13:31
They increased glucose.
295
799638
1475
aumentaban la glucosa.
13:33
They could throw somebody into diabetes
296
801137
2446
Podían llevar a alguien a la diabetes
13:35
who would otherwise not be in diabetes,
297
803607
2294
que de otra manera
no tendría diabetes,
no tendría diabetes,
y por eso uno debe usar ambos
medicamentos juntos con mucho cuidado,
medicamentos juntos con mucho cuidado,
13:37
and so you would want to use
the two drugs very carefully together,
the two drugs very carefully together,
298
805925
3175
13:41
perhaps not together,
299
809124
1151
o tal vez no juntos,
13:42
make different choices
when you're prescribing.
when you're prescribing.
300
810299
2340
o puede tomar decisiones
diferentes al recetar.
diferentes al recetar.
13:44
But there was another possibility.
301
812663
1846
Pero había otra posibilidad.
13:46
We could have found
two drugs or three drugs
two drugs or three drugs
302
814533
2344
Podríamos haber encontrado
dos fármacos o tres
dos fármacos o tres
13:48
that were interacting in a beneficial way.
303
816901
2261
que interactuaban de manera beneficiosa.
Podríamos haber encontrado
nuevos efectos de los medicamentos
nuevos efectos de los medicamentos
13:51
We could have found new effects of drugs
304
819616
2712
13:54
that neither of them has alone,
305
822352
2160
que ninguno de ellos tiene por sí solo,
13:56
but together, instead
of causing a side effect,
of causing a side effect,
306
824536
2493
pero en conjunto, en lugar
de causar un efecto secundario,
de causar un efecto secundario,
13:59
they could be a new and novel treatment
307
827053
2425
podrían ser un tratamiento novedoso
para enfermedades que
no tienen tratamientos
no tienen tratamientos
14:01
for diseases that don't have treatments
308
829502
1882
14:03
or where the treatments are not effective.
309
831408
2007
o en los que los tratamientos
no son efectivos.
no son efectivos.
14:05
If we think about drug treatment today,
310
833439
2395
Si pensamos en el tratamiento
actual con medicamentos,
actual con medicamentos,
14:07
all the major breakthroughs --
311
835858
1752
todos los grandes avances
14:09
for HIV, for tuberculosis,
for depression, for diabetes --
for depression, for diabetes --
312
837634
4297
para el VIH, la tuberculosis,
la depresión, la diabetes...
la depresión, la diabetes...
14:13
it's always a cocktail of drugs.
313
841955
2830
siempre son un cóctel de fármacos.
14:16
And so the upside here,
314
844809
1730
Y eso sería
14:18
and the subject for a different
TED Talk on a different day,
TED Talk on a different day,
315
846563
2849
tema para una charla TED otro día:
14:21
is how can we use the same data sources
316
849436
2593
cómo podemos usar
las mismas fuentes de datos
las mismas fuentes de datos
14:24
to find good effects
of drugs in combination
of drugs in combination
317
852053
3563
para encontrar buenos efectos
de los fármacos combinados
de los fármacos combinados
14:27
that will provide us new treatments,
318
855640
2175
que nos brinden nuevos tratamientos,
14:29
new insights into how drugs work
319
857839
1852
nuevos conocimientos sobre
cómo funcionan los fármacos
cómo funcionan los fármacos
14:31
and enable us to take care
of our patients even better?
of our patients even better?
320
859715
3786
y nos permitan cuidar de
nuestros pacientes aún mejor.
nuestros pacientes aún mejor.
14:35
Thank you very much.
321
863525
1166
Muchas gracias.
14:36
(Applause)
322
864715
3499
(Aplausos)
ABOUT THE SPEAKER
Russ Altman - Big data techno-optimist and internistRuss Altman uses machine learning to better understand adverse effects of medication.
Why you should listen
Professor of bioengineering, genetics, medicine and computer science at Stanford University, Russ Altman's primary research interests are in the application of computing and informatics technologies to problems relevant to medicine. He is particularly interested in methods for understanding drug actions at molecular, cellular, organism and population levels, including how genetic variation impacts drug response.
Altman received the U.S. Presidential Early Career Award for Scientists and Engineers, a National Science Foundation CAREER Award and Stanford Medical School's graduate teaching award. He has chaired the Science Board advising the FDA Commissioner and currently serves on the NIH Director’s Advisory Committee. He is a clinically active internist, the founder of the PharmGKB knowledge base, and advisor to pharmacogenomics companies.
Russ Altman | Speaker | TED.com