TEDMED 2009
Jamie Heywood: The big idea my brother inspired
ג'יימי הייווד: הרעיון הנהדר בהשראת אחי
Filmed:
Readability: 3.4
594,245 views
כשאחיו של ג'יימי הייווד אובחן כחולה ALS, הקדיש אף הוא את חייו להילחם במחלה. האחים הייווד בנו אתר מתוחכם שבו אנשים חולקים ועוקבים אחר מידע הנוגע למחלתם - הם גילו שלמידע המשותף יש כח עצום לנחם, להסביר ולחזות.
Jamie Heywood - Healthcare revolutionary
When MIT-trained mechanical engineer Jamie Heywood discovered that his younger brother was diagnosed with the terminal illness ALS, he focused all his energy on founding revolutionary healthcare initiatives to help his brother and others like him. Full bio
When MIT-trained mechanical engineer Jamie Heywood discovered that his younger brother was diagnosed with the terminal illness ALS, he focused all his energy on founding revolutionary healthcare initiatives to help his brother and others like him. Full bio
Double-click the English transcript below to play the video.
00:15
When my brother called me in December of 1998,
0
0
3000
כשאחי התקשר אליי בדצמבר 1998
00:18
he said, "The news does not look good."
1
3000
2000
הוא אמר שהחדשות לא נראות טוב.
00:20
This is him on the screen.
2
5000
2000
זה הוא על המסך.
00:22
He'd just been diagnosed with ALS,
3
7000
2000
הוא הרגע אובחן כחולה ALS,
00:24
which is a disease that the average lifespan is three years.
4
9000
4000
שזו מחלה שתוחלת החיים הממוצעת שלה היא שלוש שנים.
00:28
It paralyzes you. It starts by killing
5
13000
2000
היא משתקת אותך.
00:30
the motor neurons in your spinal cord.
6
15000
3000
היא מתחילה על ידי הריגה של תאי העצב התנועתיים בעמוד השידרה שלך.
00:33
And you go from being a healthy,
7
18000
2000
ואתה הופך מאדם בריא,
00:35
robust 29-year-old male
8
20000
3000
גבר חסון בן 29,
00:38
to someone that cannot breathe,
9
23000
2000
למישהו שלא יכול לנשום,
00:40
cannot move, cannot speak.
10
25000
3000
לא יכול לזוז, לא יכול לדבר.
00:46
This has actually been, to me, a gift,
11
31000
4000
למעשה זו הייתה, בשבילי, מתנה,
00:50
because we began a journey
12
35000
3000
בגלל שהתחלנו מסע
00:53
to learn a new way of thinking about life.
13
38000
3000
בו הכרנו דרך חדשה להתבוננות על החיים.
00:56
And even though Steven passed away three years ago
14
41000
4000
ולמרות שסטיבן נפטר לפני שלוש שנים
01:00
we had an amazing journey as a family.
15
45000
2000
היה לנו מסע מדהים
01:02
We did not even --
16
47000
3000
כמשפחה. אנחנו אפילו לא -
01:05
I think adversity is not even the right word.
17
50000
2000
אני חושב שמצוקה היא אפילו לא
01:07
We looked at this and we said, "We're going to do something with this
18
52000
3000
המילה הנכונה. הסתכלנו על זה ואמרנו שאנחנו הולכים לעשות
01:10
in an incredibly positive way."
19
55000
2000
עם זה משהו בצורה חיובית ביותר.
01:12
And I want to talk today
20
57000
2000
ואני רוצה לדבר היום
01:14
about one of the things that we decided to do,
21
59000
3000
על אחד הדברים שהחלטנו
01:17
which was to think about a new way of approaching healthcare.
22
62000
4000
לעשות, שהיה לחשוב על דרך חדשה לגשת לטיפול.
01:21
Because, as we all know here today,
23
66000
2000
בגלל שכפי שכולנו יודעים כאן היום,
01:23
it doesn't work very well.
24
68000
2000
זה לא עובד כל כך טוב.
01:25
I want to talk about it in the context of a story.
25
70000
3000
אני רוצה לדבר על זה בהקשר של סיפור.
01:28
This is the story of my brother.
26
73000
2000
זה הסיפור של אחי.
01:30
But it's just a story. And I want to go beyond the story,
27
75000
3000
אבל זה רק סיפור. ואני רוצה ללכת מעבר לסיפור,
01:33
and go to something more.
28
78000
2000
ולהגיע ליותר מזה.
01:35
"Given my status, what is the best outcome
29
80000
3000
"בהתחשב במצבי, מהי התוצאה הטובה ביותר
01:38
I can hope to achieve, and how do I get there?"
30
83000
3000
שאני יכול לקוות להשיג, ואיך אני מגיע לשם?"
01:41
is what we are here to do in medicine, is what everyone should do.
31
86000
3000
זה מה שאנחנו הולכים לעשות ברפואה, זה מה שכולם צריכים
01:44
And those questions all have variables to them.
32
89000
2000
לעשות. ולכל השאלות האלו יש להן משתנים.
01:46
All of our statuses are different.
33
91000
2000
המצבים שלנו שונים.
01:48
All of our hopes and dreams, what we want to accomplish,
34
93000
2000
כל התקוות שלנו והחלומות שלנו, מה שאנחנו
01:50
is different, and our paths will be different,
35
95000
2000
רוצים לממש, הוא שונה, והנתיבים שלנו יהיו שונים,
01:52
they are all stories.
36
97000
2000
כל אלה הם סיפורים.
01:54
But it's a story until we convert it to data
37
99000
2000
אבל זה סיפור עד שנמיר אותו
01:56
and so what we do, this concept we had,
38
101000
2000
למידע, אז מה שאנחנו עושים,
01:58
was to take Steven's status, "What is my status?"
39
103000
3000
הרעיון הזה שהיה לנו, היה לקחת את המצב של סטיבן, "מה מצבי?"
02:01
and go from this concept of walking, breathing,
40
106000
5000
ולעבור מהרעיון הזה של הליכה, נשימה,
02:06
and then his hands, speak,
41
111000
3000
ואז הידיים שלו, דיבור,
02:09
and ultimately happiness and function.
42
114000
4000
ולבסוף אושר ותפקוד.
02:13
So, the first set of pathologies, they end up in the stick man
43
118000
2000
אז, קבוצת הפתולוגיות הראשונה, מסתיימת
02:15
on his icon,
44
120000
2000
באיש המצוייר, באייקון שלו,
02:17
but the rest of them are really what's important here.
45
122000
3000
אבל כל השאר הן מה שבאמת חשוב כאן.
02:20
Because Steven, despite the fact that he was paralyzed,
46
125000
3000
בגלל שסטיבן, למרות העובדה שהוא היה משותק,
02:23
as he was in that pool, he could not walk,
47
128000
3000
כמו שהוא היה בבריכה, הוא לא היה יכול ללכת,
02:26
he could not use his arms -- that's why he had the little floaty things on them,
48
131000
2000
הוא לא יכל להשתמש בידיו, זו הסיבה שהיו עליהן את הדברים
02:28
did you see those? --
49
133000
2000
הצפים הקטנים. ראיתם אותם?
02:30
he was happy. We were at the beach,
50
135000
2000
הוא היה מאושר. היינו בחוף.
02:32
he was raising his son, and he was productive.
51
137000
2000
הוא גידל את הבן שלו. הוא היה פרודוקטיבי.
02:34
And we took this, and we converted it into data.
52
139000
5000
ולקחנו את זה, והמרנו את זה למידע.
02:39
But it's not a data point at that one moment in time.
53
144000
2000
אבל זה לא מידע שמצביע על הרגע המסוים הזה
02:41
It is a data point of Steven in a context.
54
146000
2000
בזמן. זה מידע שמצביע על סטיבן
02:43
Here he is in the pool. But here he is healthy,
55
148000
2000
בתוך הקשר. הנה הוא בבריכה. אבל הנה הוא
02:45
as a builder: taller, stronger,
56
150000
3000
בריא, כבנאי, גבוה יותר, חזק יותר,
02:48
got all the women, amazing guy.
57
153000
2000
יש לו את כל הנשים, בחור מדהים.
02:50
Here he is walking down the aisle,
58
155000
2000
הנה הוא צועד לעבר החופה,
02:52
but he can barely walk now, so it's impaired.
59
157000
3000
אבל הוא בקושי הולך עכשיו, אז זה פגום.
02:55
And he could still hold his wife's hand, but he couldn't do buttons on his clothes,
60
160000
2000
והוא עדיין יכול להחזיק את היד של אשתו, אבל הוא לא יכול לכפתר
02:57
can't feed himself.
61
162000
2000
את בגדיו. לא יכול להאכיל את עצמו.
02:59
And here he is, paralyzed completely,
62
164000
2000
והנה הוא, משותק לחלוטין,
03:01
unable to breathe and move, over this time journey.
63
166000
2000
ללא יכולת לנשום או לזוז, בשלב הזה
03:03
These stories of his life, converted to data.
64
168000
3000
של המסע. הסיפורים האלה של חייו, מומרים למידע.
03:06
He renovated my carriage house
65
171000
2000
הוא שיפץ את הבית שלי
03:08
when he was completely paralyzed, and unable to speak,
66
173000
2000
כשהיה משותק לחלוטין, ללא יכולת
03:10
and unable to breathe, and he won an award for a historic restoration.
67
175000
6000
לדבר, ללא יכולת לנשום, וזכה בפרס לשחזור היסטורי.
03:16
So, here's Steven alone, sharing this story in the world.
68
181000
2000
אז הנה סטיבן לבד, חולק את הסיפור הזה
03:18
And this is the insight, the thing that we are
69
183000
3000
עם העולם. וזו התובנה, הדבר
03:21
excited about,
70
186000
2000
שמלהיב אותנו.
03:23
because we have gone away from the community that we are,
71
188000
3000
בגלל שהתרחקנו מהקהילה שאנחנו,
03:26
the fact that we really do love each other and want to care for each other.
72
191000
3000
העובדה שאנחנו באמת אוהבים אחד את השני ורוצים לדאוג אחד לשני.
03:29
We need to give to others to be successful.
73
194000
2000
אנחנו צריכים לתת לאחרים
03:31
So, Steven is sharing this story,
74
196000
3000
בכדי להיות מצליחים. אז סטיבן חולק את הסיפור הזה,
03:34
but he is not alone.
75
199000
2000
אבל הוא לא לבד.
03:36
There are so many other people sharing their stories.
76
201000
2000
יש הרבה אנשים אחרים שחולקים את הסיפורים
03:38
Not stories in words, but stories in data and words.
77
203000
3000
שלהם. ולא סיפורים במילים, אלא סיפורים במידע ומילים.
03:41
And we convert that information into this structure,
78
206000
3000
ואנחנו ממירים את המידע הזה למבנה הזה,
03:44
this understanding, this ability to convert
79
209000
3000
ההבנה הזו, היכולות הזו להמיר
03:47
those stories into something that is computable,
80
212000
2000
את הסיפורים האלו למשהו בר-חישוב.
03:49
to which we can begin to change the way
81
214000
2000
למשהו שממנו אפשר להתחיל לשנות את
03:51
medicine is done and delivered.
82
216000
2000
הדרך בה רפואה מתנהלת ומתבצעת.
03:53
We did this for ALS. We can do this for depression,
83
218000
2000
עשינו את זה עם ALS. אנחנו יכולים לעשות את זה
03:55
Parkinson's disease, HIV.
84
220000
2000
עם דיכאון, פרקינסון, איידס.
03:57
These are not simple, they are not internet scalable;
85
222000
2000
כל אלה הם לא פשוטים, לא מדידים באינטרנט,
03:59
they require thought and processes
86
224000
2000
הם דורשים מחשבה ותהליכים
04:01
to find the meaningful information about the disease.
87
226000
3000
בשביל למצוא את המידע המשמעותי לגבי המחלות.
04:04
So, this is what it looks like when you go to the website.
88
229000
3000
אז ככה זה נראה באתר.
04:07
And I'm going to show you what Patients Like Me,
89
232000
3000
אני הולך להראות לכם מה "Patients Like Me",
04:10
the company that myself, my youngest brother
90
235000
2000
החברה שאני, אחי הצעיר,
04:12
and a good friend from MIT started.
91
237000
2000
וחבר טוב מ - MIT הקמנו.
04:14
Here are the actual patients, there are 45,000 of them now,
92
239000
3000
הנה החולים האמיתיים, יש כרגע 45,000 כאלה,
04:17
sharing their stories as data.
93
242000
2000
חולקים את הסיפורים שלהם בצורה של מידע.
04:19
Here is an M.S. patient.
94
244000
2000
הנה חולה טרשת נפוצה.
04:21
His name is Mike, and he is uniformly impaired
95
246000
2000
שמו מייק, והוא
04:23
on cognition, vision, walking, sensation.
96
248000
3000
פגוע במידה שווה בקוגניציה, ראייה, הליכה, תחושה.
04:26
Those are things that are different for each M.S. patient.
97
251000
2000
הדברים האלה שונים אצל כל חולה
04:28
Each of them can have a different characteristic.
98
253000
2000
טרשת נפוצה. לכל אחד מהם יכול להיות מאפיין שונה.
04:30
You can see fibromyalgia, HIV, ALS, depression.
99
255000
5000
אתם יכולים לראות פיברומיאלגיה, איידס, ALS, דיכאון.
04:35
Look at this HIV patient down here, Zinny.
100
260000
3000
הסתכלו על חולה האיידס כאן למטה, זיני.
04:38
It's two years of this disease. All of the symptoms are not there.
101
263000
3000
זה כבר שנתיים של מחלה. כל התסמינים לא שם.
04:41
But he is working to keep his CD4 count high
102
266000
2000
אבל הוא מתאמץ לשמור על רמה גבוהה של CD4
04:43
and his viral level low so he can make his life better.
103
268000
3000
ורמה ויראלית נמוכה כדי להפוך את חייו לטובים יותר.
04:46
But you can aggregate this and you can discover things about treatments.
104
271000
4000
אבל אתם יכולים לאסוף את זה ואתם יכולים לגלות דברים לגבי טיפולים.
04:50
Look at this, 2,000 people almost, on Copaxone.
105
275000
2000
הסתכלו על זה, כמעט 2,000 אנשים, נוטלים
04:52
These are patients currently on drugs,
106
277000
2000
קופקסון. אלו הם חולים שנוטלים כרגע
04:54
sharing data.
107
279000
2000
תרופות, חולקים מידע.
04:56
I love some of these, physical exercise, prayer.
108
281000
3000
אני אוהב חלק מהדברים פה, אימון גופני, תפילה.
04:59
Anyone want to run a comparative effectiveness study
109
284000
2000
מישהו רוצה לערוך מחקר תועלת
05:01
on prayer against something? Let's look at prayer.
110
286000
2000
השוואתי על תפילה כטיפול למשהו?
05:03
What I love about this, just sort of interesting design problems.
111
288000
4000
בוא נסתכל על תפילה. מה שאני אוהב בזה, כל מיני סוגיות עיצוב מעניינות.
05:07
These are why people pray.
112
292000
2000
זהו "למה אנשים מתפללים".
05:09
Here is the schedule of how frequently they -- it's a dose.
113
294000
2000
הנה לוח הזמנים של התדירות - זו מנה.
05:11
So, anyone want to see the 32 patients that pray for 60 minutes a day,
114
296000
3000
אז, אם מישהו רוצה לראות את 32 החולים שמתפללים 60 דקות ביום,
05:14
and see if they're doing better, they probably are.
115
299000
2000
ולבדוק אם מצבם משתפר, סביר לניח שכן.
05:16
Here they are. It's an open network,
116
301000
3000
הנה הם. או, זו רשת פתוחה.
05:19
everybody is sharing. We can see it all.
117
304000
3000
כולם חולקים. אנחנו יכולים לראות הכל.
05:22
Or, I want to look at anxiety, because people are praying for anxiety.
118
307000
3000
או, אני רוצה להסתכל על חרדה, בגלל שאנשים מתפללים כנגד חרדה.
05:25
And here is data on 15,000 people's current anxiety, right now.
119
310000
5000
והנה מידע על החרדה של 15,000 אנשים, ברגע זה.
05:30
How they treat it,
120
315000
3000
איך הם מטפלים בה,
05:33
the drugs, the components of it,
121
318000
3000
התרופות, המרכיבים שלהן,
05:36
their side effects, all of it in a rich environment,
122
321000
3000
תופעות הלוואי שלהן, כל זה בסביבה עשירה,
05:39
and you can drill down and see the individuals.
123
324000
2000
ואפשר לרדת למטה לראות את האנשים.
05:41
This amazing data allows us to drill down and see
124
326000
3000
המידע המדהים הזה מאפשר לנו
05:44
what this drug is for --
125
329000
3000
לרדת למטה ולראות למה משמשת התרופה הזו.
05:47
1,500 people on this drug, I think. Yes.
126
332000
2000
1,500 אנשים נוטלים את התרופה הזו נראה לי. כן.
05:49
I want to talk to the 58 patients down here
127
334000
2000
אני רוצה לדבר עם 58 החולים כאן למטה
05:51
who are taking four milligrams a day.
128
336000
2000
שנוטלים 4 מיליגרם ביום.
05:53
And I want to talk to the ones of those that have been doing
129
338000
2000
ואני רוצה לדבר עם אלה מביניהם
05:55
it for more than two years.
130
340000
6000
שעושים זאת מעל שנתיים.
06:01
So, you can see the duration.
131
346000
2000
אז אפשר לראות את התקופה.
06:03
All open, all available.
132
348000
4000
הכל פתוח, הכל זמין.
06:07
I'm going to log in.
133
352000
4000
אני הולך להתחבר.
06:11
And this is my brother's profile.
134
356000
2000
וזה הפרופיל של אחי.
06:13
And this is a new version of our platform we're launching right now.
135
358000
4000
זו גירסא חדשה של הפלטפורמה שלנו שאנחנו משיקים כרגע.
06:17
This is the second generation. It's going to be in Flash.
136
362000
2000
זה הדור השני. זה הולך להיות
06:19
And you can see here, as this animates over,
137
364000
3000
בפלאש. ואתם יכולים לראות כאן, כפי שמצוייר,
06:22
Steven's actual data against the background of all other patients,
138
367000
3000
את המידע האמיתי של סטיבן על רקע
06:25
against this information.
139
370000
3000
החולים האחרים, על רקע המידע הזה.
06:28
The blue band is the 50th percentile. Steven is the 75th percentile,
140
373000
2000
הפס הכחול הוא החציון, סטיבן ברבעון
06:30
that he has non-genetic ALS.
141
375000
3000
השלישי, יש לו ALS לא גנטי.
06:33
You scroll down in this profile and you can see
142
378000
2000
יורדים למטה בפרופיל ואתם יכולים לראות
06:35
all of his prescription drugs,
143
380000
2000
את כל תרופות המרשם
06:37
but more than that, in the new version, I can look at this interactively.
144
382000
3000
שלו, אבל יותר מזה, בגירסא החדשה, אני יכול להסתכל על זה בצורה אינטראקטיבית.
06:40
Wait, poor spinal capacity.
145
385000
2000
רגע, יכולת ירודה בעמוד השידרה.
06:42
Doesn't this remind you of a great stock program?
146
387000
2000
זה לא מזכיר לכם תוכנה מצויינת למניות?
06:44
Wouldn't it be great if the technology we used to take care of ourselves
147
389000
2000
אתם לא חושבים שזה יהיה נפלא אם הטכנולוגיה שתשמש אותנו לטפל
06:46
was as good as the technology we use to make money?
148
391000
3000
בעצמנו תהיה טובה כמו הטכנולוגיה שמשמשת אותנו להרוויח כסף?
06:49
Detrol. In the side effects for his drug,
149
394000
2000
דטרול. בתופעות הלוואי של התרופה שלו,
06:51
integrated into that, the stem cell transplant that he had,
150
396000
2000
בשילוב עם זה, השתלת תא הגזע
06:53
the first in the world, shared openly for anyone who wants to see it.
151
398000
6000
שהוא עבר, הראשונה בעולם, גלויה לכל מי שרוצה לראות.
06:59
I love here -- the cyberkinetics implant,
152
404000
2000
אני אוהב כאן את ההשתלה הסייברקינטית,
07:01
which was, again, the only patient's data that was online and available.
153
406000
4000
שזה, עוד פעם, המידע היחידי על חולים שזמין ברשת.
07:05
You can adjust the time scale. You can adjust the symptoms.
154
410000
2000
אפשר להתאים את ציר הזמן, אפשר להתאים את
07:07
You can look at the interaction between how I treat my ALS.
155
412000
4000
התסמינים. אפשר להסתכל על האינטראקציה בין איך שאני מטפל ב - ALS שלי.
07:11
So, you click down on the ALS tab there.
156
416000
2000
אז אתה לוחץ למטה על התווית של ה - ALS.
07:13
I'm taking three drugs to manage it. Some of them are experimental.
157
418000
3000
אני נוטל שלוש תרופות כדי להתמודד איתה. חלקן ניסוייות.
07:16
I can look at my constipation, how to manage it.
158
421000
2000
אני יכול להתסכל על העצירות שלי, איך להתמודד איתה.
07:18
I can see magnesium citrate, and the side effects
159
423000
2000
אני יכול להתסכל על מגנזיום ציטראט. ותופעות
07:20
from that drug all integrated in the time
160
425000
2000
הלוואי של התרופה הזו, משולבות בזמן
07:22
in which they're meaningful.
161
427000
3000
בו יש להן משמעות.
07:25
But I want more.
162
430000
2000
אבל אני רוצה יותר.
07:27
I don't want to just look at this cool device, I want to take this
163
432000
2000
אני לא רוצה סתם להסתכל על הכלי המגניב הזה. אני רוצה לקחת
07:29
data and make something even better.
164
434000
2000
את המידע הזה ולעשות משהו עוד יותר טוב. אני רוצה
07:31
I want my brother's center of the universe and his symptoms
165
436000
3000
את מרכז העולם של אחי ואת התסמינים שלו
07:34
and his drugs,
166
439000
3000
והתרופות שלו,
07:37
and all of the things that interact among those,
167
442000
2000
וכל הדברים שפועלים
07:39
the side effects, to be in this beautiful data galaxy
168
444000
3000
בתוך כל אלה, תופעות הלוואי, שיהיו בתוך גלקסיית המידע
07:42
that we can look at in any way we want to understand it,
169
447000
3000
היפה הזו, שאנחנו יכולים להסתכל עליה בכל דרך שאנחנו רוצים
07:45
so that we can take this information
170
450000
3000
להבין אותה. כך שאנחנו יכולים לקחת את המידע הזה
07:48
and go beyond just this simple model
171
453000
4000
וללכת אל מעבר למודל הפשוט הזה
07:52
of what a record is.
172
457000
3000
של תיק כפי שהוא.
07:55
I don't even know what a medical record is.
173
460000
2000
אני אפילו לא יודע מה זה תיק רפואי.
07:57
I want to solve a problem. I want an application.
174
462000
2000
אני רוצה לפתור בעיה. אני רוצה יישום.
07:59
So, can I take this data -- rearrange yourself,
175
464000
3000
אז, האם אני יכול לקחת את המידע הזה - תארגן את עצמך מחדש,
08:02
put the symptoms in the left, the drugs across the top,
176
467000
2000
תשים את התסמינים בצד שמאל, את התרופות למעלה
08:04
tell me everything we know about Steven and everyone else,
177
469000
2000
ממול, תראה לי את כל מה שאנחנו יודעים על סטיבן
08:06
and what interacts.
178
471000
3000
וכל האחרים, ומה פועל על מה.
08:09
Years after he's had these drugs,
179
474000
2000
שנים אחרי שנטל את התרופות האלה,
08:11
I learned that everything he did to manage his excess saliva,
180
476000
3000
למדתי שכל מה שהוא עשה בשביל להתמודד עם עודף הרוק שלו,
08:14
including some positive side effects that came from other drugs,
181
479000
3000
כולל כמה תופעות לוואי חיוביות שנגרמו מתרופות אחרות,
08:17
were making his constipation worse.
182
482000
2000
הרעו את העצירות שלו.
08:19
And if anyone's ever had severe constipation,
183
484000
2000
ואם למישהו הייתה פעם עצירות חמורה,
08:21
and you don't understand how much of an impact that has on your life --
184
486000
2000
ואתם לא מבינים איזו השפעה מסריחה
08:23
yes, that was a pun.
185
488000
3000
יש לזה על החיים שלך, כן, זה היה משחק מילים.
08:26
You're trying to manage these,
186
491000
2000
אתה מנסה להתמודד עם זה,
08:28
and this grid is available here,
187
493000
2000
והרשת הזו זמינה כאן,
08:30
and we want to understand it.
188
495000
3000
ואנחנו רוצים להבין את זה.
08:33
No one's ever had this kind of information.
189
498000
3000
לעולם לא היה למישהו סוג כזה של מידע.
08:36
So, patients have this. We're for patients.
190
501000
2000
אז, יש את זה לחולים. אנחנו בשביל חולים.
08:38
This is all about patient health care, there was no doctors on our network.
191
503000
2000
זה הכל סביב טיפול לחולה. לא היו שום רופאים
08:40
This is about the patients.
192
505000
2000
ברשת שלנו. זה הכל סביב חולים.
08:42
So, how can we take this and bring them a tool
193
507000
3000
אז איך אנחנו לוקחים את זה ומביאים להם כלי
08:45
that they can go back and they can engage the medical system?
194
510000
2000
שאיתו הם יכולים ללכת ולרתום את מערכת
08:47
And we worked hard, and we thought about it and we said,
195
512000
3000
הבריאות? ועבדנו קשה, וחשבנו על זה ואמרנו,
08:50
"What's something we can use all the time,
196
515000
2000
"במה אנחנו יכולים להשתמש כל הזמן,
08:52
that we can use in the medical care system,
197
517000
2000
במה אנחנו יכולים להשתמש במערכת הבריאות,
08:54
that everyone will understand?"
198
519000
2000
שכולם יבינו?"
08:56
So, the patients print it out,
199
521000
2000
אז החולים מדפיסים את זה.
08:58
because hospitals usually block us
200
523000
2000
מכיוון שבתי חולים בדרך כלל מתעלמים
09:00
because they believe we are a social network.
201
525000
3000
מאיתנו כי הם חושבים שאנחנו רשת חברתית.
09:03
It's actually the most used feature on the website.
202
528000
2000
זה למעשה האפשרות הכי שמישה באתר שלנו.
09:05
Doctors actually love this sheet, and they're actually really engaged.
203
530000
3000
רופאים, האמת, מתים על הדף הזה, והם למעשה ממש מעורבים.
09:08
So, we went from this story of Steven
204
533000
3000
אז העברנו את הסיפור הזה של סטיבן
09:11
and his history to data, and then back to paper,
205
536000
3000
וההיסטוריה שלו למידע, ומשם חזרה לדף,
09:14
where we went back and engaged the medical care system.
206
539000
1000
שאיתו חזרנו ורתמנו
09:15
And here's another paper.
207
540000
2000
את מערכת הבריאות. והנה עוד מאמר.
09:17
This is a journal, PNAS --
208
542000
2000
זה כתב עת, PNAS.
09:19
I think it's the Proceedings of the National Academy of Science
209
544000
2000
שאני חושב שזה "ידיעות האקדמיה הלאומית
09:21
of the United States of America.
210
546000
2000
למדעים של ארצות הברית".
09:23
You've seen multiple of these today, when everyone's bragging about
211
548000
2000
ראיתם הרבה מאלה היום, כשכולם התרברבו
09:25
the amazing things they've done.
212
550000
2000
על הדברים המדהימים שהם עשו.
09:27
This is a report about a drug called lithium.
213
552000
2000
זה דו"ח של תרופה שנקראת ליתיום.
09:29
Lithium, that is a drug used to treat bipolar disorder,
214
554000
4000
ליתיום, זו תרופה לטיפול במאניה דיפרסיה,
09:33
that a group in Italy found
215
558000
2000
שקבוצה באיטליה מצאה
09:35
slowed ALS down in 16 patients, and published it.
216
560000
3000
שהיא האטה ALS ב - 16 חולים, ופירסמה את זה.
09:38
Now, we'll skip the critiques of the paper.
217
563000
2000
עכשיו, נדלג על הביקורות על המאמר הזה.
09:40
But the short story is: If you're a patient,
218
565000
2000
אבל בקיצור, אם אתה חולה,
09:42
you want to be on the blue line.
219
567000
2000
אתה רוצה להיות בקו הכחול.
09:44
You don't want to be on the red line, you want to be on the blue line.
220
569000
2000
אתה לא רוצה להיות בקו האדום, אתה רוצה להיות בקו הכחול.
09:46
Because the blue line is a better line. The red line
221
571000
2000
בגלל שהקו הכחול הוא קו טוב יותר. הקו האדום
09:48
is way downhill, the blue line is a good line.
222
573000
2000
הוא ממש למטה, הקו הכחול הוא קו טוב.
09:50
So, you know we said -- we looked at this, and what I love also
223
575000
4000
אז אמרנו, הסתכלנו על זה, ומה שאני אוהב
09:54
is that people always accuse these Internet sites
224
579000
2000
בנוסף זה שאנשים תמיד מאשימים את אתרי האינטרנט האלה
09:56
of promoting bad medicine and having people do things irresponsibly.
225
581000
3000
שהם מקדמים תרופה גרועה וגורמים לאנשים לפעול בחוסר
09:59
So, this is what happened when PNAS published this.
226
584000
3000
אחריות. אז, זה מה שקרה כש - PNAS פירסמו את זה.
10:02
Ten percent of the people in our system took lithium.
227
587000
3000
10 אחוז מהאנשים במערכת שלנו נטלו ליתיום.
10:05
Ten percent of the patients started taking lithium based on 16 patients of data
228
590000
3000
10 אחוז מהחולים החלו לקחת ליתיום בהתבסס על מידע של 16 חולים
10:08
in a bad publication.
229
593000
2000
שהתפרסם באופן שלילי.
10:10
And they call the Internet irresponsible.
230
595000
2000
והם קוראים לאינטרנט חסר אחריות.
10:12
Here's the implication of what happens.
231
597000
2000
והנה ההשלכות של מה
10:14
There's this one guy, named Humberto, from Brazil,
232
599000
3000
שקרה. והנה בחור אחד, בשם הומברטו, מברזיל,
10:17
who unfortunately passed away nine months ago,
233
602000
3000
שלמרבה הצער, נפטר לפני 9 חודשים,
10:20
who said, "Hey, listen. Can you help us answer this question?
234
605000
2000
שאמר: "שמע, אתה יכול לעזור לנו
10:22
Because I don't want to wait for the next trial, it's going to be years.
235
607000
3000
לענות לשאלה הזו? כי אני לא רוצה לחכות לניסוי הבא, זה ייקח שנים.
10:25
I want to know now. Can you help us?"
236
610000
2000
אני רוצה לדעת עכשיו. אתה יכול לעזור לנו?"
10:27
So, we launched some tools, we let them track their blood levels.
237
612000
3000
אז השתמשנו בכמה כלים, נתנו להם לעקוב אחר מדדי הדם שלהם.
10:30
We let them share the data and exchange it.
238
615000
2000
נתנו להם לחלוק מידע ולהחליף אותו.
10:32
You know, a data network.
239
617000
3000
אתם יודעים, רשת מידע.
10:35
And they said, you know, "Jamie, PLM,
240
620000
2000
והם אמרו "תגידו, ג'יימי,
10:37
can you guys tell us whether this works or not?"
241
622000
2000
PLM, אתם יכולים להגיד לנו אם זה
10:39
And we went around and we talked to people,
242
624000
2000
פועל או לא?" אז הסתובבנו ודיברנו עם אנשים,
10:41
and they said, "You can't run a clinical trial like this. You know?
243
626000
2000
והם אמרו "אתם לא יכולים לערוך מחקר רפואי ככה. אתם יודעים?
10:43
You don't have the blinding, you don't have data,
244
628000
2000
אין לכם סמיות כפולה, אין לכם
10:45
it doesn't follow the scientific method.
245
630000
2000
מידע, זה לא על פי השיטה המדעית.
10:47
It's never going to work. You can't do it."
246
632000
2000
זה בחיים לא יעבוד. אתם לא יכולים לעשות את זה".
10:49
So, I said, "Okay well we can't do that. Then we can do something harder."
247
634000
3000
אז אני אמרתי: "בסדר, אנחנו לא יכולים לעשות את זה. אנחנו יכולים לעשות משהו יותר קשה".
10:52
(Laughter)
248
637000
3000
(צחוק)
10:55
I can't say whether lithium works in all ALS patients,
249
640000
2000
אני לא יכול להגיד אם ליתיום עובד על כל חולי ALS,
10:57
but I can say whether it works in Humberto.
250
642000
3000
אבל אני יכול להגיד אם זה עובד על הומברטו.
11:00
I bought a Mac about two years ago, I converted over,
251
645000
2000
וקניתי Mac לפני שנתיים, עברתי צד.
11:02
and I was so excited about this new feature of the time machine
252
647000
2000
וכל כך התרגשתי מהאפשרות החדשה של מכונת הזמן
11:04
that came in Leopard. And we said -- because it's really cool,
253
649000
2000
שהגיעה עם Leopard. ואמרנו, בגלל שזה ממש מגניב,
11:06
you can go back and you can look at the entire history of your computer,
254
651000
2000
אתה יכול ללכת אחורה בזמן ולהסתכל על ההיסטוריה המלאה
11:08
and find everything you've lost, and I loved it.
255
653000
2000
של המחשב שלך, ולמצוא כל מה שאיבדת, ואהבתי את זה.
11:10
And I said, "What if we built a time machine for patients,
256
655000
4000
ואמרתי "מה אם נבנה מכונת זמן לחולים,
11:14
except instead of going backwards, we go forwards.
257
659000
3000
רק שבמקום ללכת אחורה, נלך קדימה.
11:17
Can we find out what's going to happen to you,
258
662000
3000
האם נוכל לדעת מה הולך לקרות לך,
11:20
so that you can maybe change it?"
259
665000
3000
כך שאולי תוכל לשנות את זה?"
11:23
So, we did. We took all the patients like Humberto,
260
668000
3000
אז עשינו את זה. לקחנו את כל החולים כמו הומברטו,
11:26
That's the Apple background, we stole that because we didn't have time
261
671000
2000
זה הרקע של Apple, גנבנו את זה בגלל
11:28
to build our own. This is a real app by the way.
262
673000
2000
שלא היה לנו זמן לבנות משלנו. זה ישום אמיתי
11:30
This is not just graphics.
263
675000
2000
דרך אגב. זו לא סתם גרפיקה.
11:32
And you take those data, and we find the patients like him, and we bring
264
677000
2000
ולוקחים את המידע הזה, ומוצאים חולים כמוהו, ואנחנו
11:34
their data together. And we bring their histories into it.
265
679000
4000
מרכזים את המידע שלהם ביחד. ואנחנו מוסיפים לזה את ההיסטוריות שלהם.
11:38
And then we say, "Well how do we line them all up?"
266
683000
2000
ואז אנחנו אומרים: "איך אנחנו מאחדים את כולם?"
11:40
So, we line them all up so they go together
267
685000
2000
אז אנחנו מאחדים את כולם ככה שהם מאוגדים
11:42
around the meaningful points,
268
687000
2000
יחדיו מסביב הנקודות המשמעותיות
11:44
integrated across everything we know about the patient.
269
689000
2000
משולבים לאורך כל מה שאנחנו יודעים לגבי
11:46
Full information, the entire course of their disease.
270
691000
4000
החולה. מידע מלא, מהלך המחלה שלהם במלואו.
11:50
And that's what is going to happen to Humberto,
271
695000
2000
וזה מה שהולך לקרות להומברטו,
11:52
unless he does something.
272
697000
2000
אלא אם כן הוא יעשה משהו.
11:54
And he took lithium, and he went down the line.
273
699000
3000
והוא לקח ליתיום, והוא המשיך למטה עם הקו.
11:57
And it works almost every time.
274
702000
3000
וזה עובד כמעט כל פעם.
12:00
Now, the ones that it doesn't work are interesting.
275
705000
2000
עכשיו, הפעמים שזה לא עובד הן מעניינות.
12:02
But almost all the time it works.
276
707000
3000
אבל זה עובד כמעט כל הזמן.
12:05
It's actually scary. It's beautiful.
277
710000
2000
למעשה זה מפחיד. זה יפהפה.
12:07
So, we couldn't run a clinical trial, we couldn't figure it out.
278
712000
2000
אז לא היינו יכולים לערוך מחקר רפואי,
12:09
But we could see whether it was going to work for Humberto.
279
714000
3000
לא הצלחנו להבין את זה. אבל היינו יכולים לראות אם זה יעבוד עבור הומברטו.
12:12
And yeah, all the clinicians in the audience will talk about power
280
717000
2000
וכן, כל הרופאים בקהל ידברו
12:14
and all the standard deviation. We'll do that later.
281
719000
2000
על כח ועל סטיית התקן. נתעסק בזה אחר כך.
12:16
But here is the answer
282
721000
4000
אבל הנה התשובה
12:20
of the mean of the patients that actually decided
283
725000
2000
של ממוצע החולים שלמעשה
12:22
to take lithium.
284
727000
2000
החליטו לקחת
12:24
These are all the patients that started lithium.
285
729000
2000
ליתיום. אלה כל החולים
12:26
It's the Intent to Treat Curve.
286
731000
2000
שהתחילו לקחת ליתיום. זו עקומת הכוונה לטיפול.
12:28
You can see here, the blue dots on the top, the light ones,
287
733000
4000
ואתם יכולים לראות כאן, הנקודות הכחולות למעלה, הבהירות,
12:32
those are the people in the study in PNAS
288
737000
2000
אלו הם האנשים במחקר של
12:34
that you wanted to be on. And the red ones are the ones,
289
739000
2000
PNAS שעליהם אתה רוצה להימנות. והאדומות
12:36
the pink ones on the bottom are the ones you didn't want to be.
290
741000
2000
הן אלו, הורודות למטה הן אלו שאתה לא רוצה
12:38
And the ones in the middle are all of our patients
291
743000
3000
להיות. ואלו שבאמצע הם כל החולים שלנו
12:41
from the start of lithium at time zero,
292
746000
2000
מתחילת הליתיום בזמן אפס,
12:43
going forward, and then going backward.
293
748000
4000
מתקדמים, ואז נסוגים.
12:47
So, you can see we matched them perfectly, perfectly.
294
752000
3000
אז אתם רואים שהם תואמים באופן מושלם, מושלם.
12:50
Terrifyingly accurate matching.
295
755000
2000
מפחיד כמה שהתיאום מדויק.
12:52
And going forward, you actually don't want to be a lithium patient this time.
296
757000
4000
ואם מתקדמים, אתה למעשה לא רוצה להיות חולה
12:56
You're actually doing slightly worse -- not significantly,
297
761000
2000
שנוטל ליתיום. אתה למעשה במצב קצת פחות טוב, לא באופן משמעותי,
12:58
but slightly worse. You don't want to be a lithium patient this time.
298
763000
3000
אבל קצת פחות טוב. אתה לא רוצה להיות חולה שנוטל ליתיום בשלב הזה.
13:01
But you know, a lot of people dropped out,
299
766000
3000
אבל אתם יודעים, הרבה אנשים נשרו,
13:04
the trial, there is too much drop out.
300
769000
2000
הניסוי, יש יותר מדי נשירה.
13:06
Can we do the even harder thing? Can we go to the patients
301
771000
2000
האם אנחנו יכולים לעשות משהו אפילו יותר קשה? האם אנחנו יכולים ללכת
13:08
that actually decided to stay on lithium,
302
773000
4000
לחולים שהחליטו להמשיך ליטול ליתיום,
13:12
because they were so convinced they were getting better?
303
777000
2000
בגלל שהם היו כל כך משוכנעים שמצבם משתפר.
13:14
We asked our control algorithm,
304
779000
2000
ובדקנו עם אלגוריתם השליטה שלנו,
13:16
are those 69 patients -- by the way, you'll notice
305
781000
2000
האם אותם 69 חולים, דרך אגב
13:18
that's four times the number of patients in the clinical trial --
306
783000
3000
תשימו לב שזה פי ארבע ממספר החולים בניסוי הרפואי,
13:21
can we look at those patients and say,
307
786000
3000
האם אנחנו יכולים להסתכל על החולים האלה
13:24
"Can we match them with our time machine
308
789000
3000
ולהגיד, "האם אנחנו יכולים להשוות אותם במכונת הזמן
13:27
to the other patients that are just like them,
309
792000
2000
שלנו עם שאר החולים
13:29
and what happens?"
310
794000
2000
שזהים להם, ומה קורה?"
13:31
Even the ones that believed they were getting better
311
796000
3000
ואפילו אלו שהאמינו שמצבם משתפר,
13:34
matched the controls exactly. Exactly.
312
799000
3000
הראו תוצאות זהות לחלוטין לקבוצת הביקורת. לחלוטין.
13:37
Those little lines? That's the power.
313
802000
2000
והשורות הקטנות הללו? זו העוצמה.
13:39
So, we -- I can't tell you lithium doesn't work. I can't tell you
314
804000
2000
אז, אני לא יכול להגיד לכם שליתיום לא עובד. אני לא יכול
13:41
that if you did it at a higher dose
315
806000
2000
להגיד לכם שאם הייתם עושים את זה במינון גבוה יותר
13:43
or if you run the study proper -- I can tell you
316
808000
2000
או אם תערכו את המחקר כמו שצריך, אני יכול להגיד לכם
13:45
that for those 69 people that took lithium,
317
810000
4000
שעבור אותם 69 אנשים שנטלו ליתיום,
13:49
they didn't do any better than the people that were just like them,
318
814000
2000
מצבם לא השתפר בהשוואה לאנשים שהיו
13:51
just like me,
319
816000
2000
זהים להם, כמוני,
13:53
and that we had the power to detect that at about
320
818000
3000
ושהיה לנו את העוצמה לזהות את זה
13:56
a quarter of the strengths reported in the initial study.
321
821000
3000
בתוקף שחזק פי ארבע מהמחקר הראשוני.
13:59
We did that one year ahead of the time
322
824000
3000
ועשינו זאת שנה לפני הזמן
14:02
when the first clinical trial funded by the NIH
323
827000
2000
כשהמחקר הראשון במימון NIH
14:04
for millions of dollars failed for futility last week,
324
829000
3000
בגובה של מיליוני דולרים, נכשל בשבוע שעבר.
14:07
and announced it.
325
832000
3000
והכריז על כך.
14:10
So, remember I told you about my brother's stem cell transplant.
326
835000
3000
אז, אתם זוכרים שסיפרתי לכם על השתלת תא-הגזע של אחי,
14:13
I never really knew whether it worked.
327
838000
3000
אף פעם לא באמת ידעתי אם זה עבד.
14:16
And I put 100 million cells in his cisterna magna,
328
841000
3000
ושמתי 100 מיליון תאים
14:19
in his lumbar cord,
329
844000
2000
בציסטרנה מגנה שלו, בעמוד השידרה המותני שלו,
14:21
and filled out the IRBs and did all this work,
330
846000
2000
ומילאתי IRB ועשיתי
14:23
and I never really knew.
331
848000
3000
את העבודה הזו, ואף פעם לא באמת ידעתי.
14:26
How did I not know?
332
851000
2000
ואיך לא ידעתי?
14:28
I mean, I didn't know what was going to happen to him.
333
853000
2000
כלומר, לא ידעתי מה הולך לקרות לו.
14:30
I actually asked Tim, who is the quant in our group --
334
855000
3000
ולמעשה שאלתי את טים, שהוא עושה אצלנו
14:33
we actually searched for about a year to find someone
335
858000
3000
חישובים - חיפשנו למעשה מעל שנה כדי למצוא
14:36
who could do the sort of math and statistics and modeling
336
861000
2000
מי יכול לעשות סוג כזה של חשבון וסטטיסטיקה וליצור מודל כזה
14:38
in healthcare, couldn't find anybody. So, we went to the finance industry.
337
863000
3000
בטיפול בריאותי, לא הצלחנו למצוא אף אחד. אז, הלכנו לתעשייה הפיננסית
14:41
And there are these guys who used to model the future
338
866000
2000
והנה בחורים שהיו פעם יוצרים מודל של
14:43
of interest rates, and all that kind of stuff.
339
868000
2000
שיעורי ריבית בעתיד, ודברים מהסוג הזה.
14:45
And some of them were available. So, we hired one.
340
870000
3000
וחלקם היו פנוים. אז העסקנו אחד.
14:48
(Laughter)
341
873000
3000
(צחוק)
14:51
We hired them, set them up, assisting at lab.
342
876000
2000
העסקנו אותם, אירגנו אותם, שיעזרו במעבדה.
14:53
I I.M. him things. That's the way I communicate with him,
343
878000
2000
אני מדבר איתו ב - I.M.
14:55
is like a little guy in a box. I I.M.ed Tim. I said,
344
880000
2000
ככה אני מתקשר איתו, זה כמו בחור קטן בקופסה. שאלתי
14:57
"Tim can you tell me whether my brother's stem cell transplant
345
882000
2000
את טים ב - I.M "טים אתה יכול להגיד לי אם השתלת
14:59
worked or not?"
346
884000
3000
תא-הגזע של אחי עבדה או לא?"
15:02
And he sent me this two days ago.
347
887000
3000
והוא שלח לי את זה לפני יומיים.
15:05
It was that little outliers there. You see that guy that lived a long time?
348
890000
3000
זה היה "חריג חשוד הטעות" שם. אתם רואים את הבחור שחי הרבה זמן?
15:08
We have to go talk to him. Because I'd like to know what happened.
349
893000
2000
אנחנו חייבים ללכת לדבר איתו. בגלל שהייתי רוצה לדעת
15:10
Because something went different.
350
895000
2000
מה קרה. בגלל שמשהו שונה קרה.
15:12
But my brother didn't. My brother went straight down the line.
351
897000
3000
אבל לא לאח שלי. אח שלי המשיך למטה עם הקו.
15:15
It only works about 12 months.
352
900000
2000
זה פועל רק 12 חודשים.
15:17
It's the first version of the time machine.
353
902000
2000
זו הגירסא הראשונה
15:19
First time we ever tried it. We'll try to get it better later
354
904000
2000
של מכונת הזמן. פעם ראשונה שניסינו את זה. ננסה לשפר
15:21
but 12 months so far.
355
906000
3000
את זה בעתיד. 12 חודשים עד כה.
15:24
And, you know, I look at this,
356
909000
4000
ואתם יודעים, אני מסתכל על זה,
15:28
and I get really emotional.
357
913000
2000
ואני ממש מתרגש.
15:30
You look at the patients, you can drill in all the controls,
358
915000
2000
אתה מסתכל על החולים. אתה יכול לשחק
15:32
you can look at them, you can ask them.
359
917000
2000
עם הלחצנים. אתה יכול להסתכל עליהם, אפשר לשאול אותם.
15:34
And I found a woman that had --
360
919000
3000
ומצאתי אישה שהיה לה -
15:37
we found her, she was odd because she had data
361
922000
2000
מצאנו אותה, היא הייתה מוזרה כי היה לה מידע
15:39
after she died.
362
924000
2000
אחרי שהיא מתה.
15:41
And her husband had come in and entered her last functional scores,
363
926000
3000
ובעלה נכנס למלא את התפקודים האחרונים
15:44
because he knew how much she cared.
364
929000
3000
שלה, מכיוון שהוא ידע כמה היה לה אכפת.
15:47
And I am thankful.
365
932000
3000
ואני אסיר תודה.
15:50
I can't believe that these people,
366
935000
2000
קשה להאמין שהאנשים האלה,
15:52
years after my brother had died,
367
937000
2000
שנים לאחר מות אחי,
15:54
helped me answer the question about whether
368
939000
2000
עזרו לי לענות לשאלה האם
15:56
an operation I did, and spent millions of dollars on
369
941000
3000
ניתוח שעשיתי ושילמתי עליו מיליוני דולרים
15:59
years ago, worked or not.
370
944000
2000
לפני שנים, עבד או לא.
16:01
I wished it had been there
371
946000
2000
והלוואי וזה היה שם
16:03
when I'd done it the first time,
372
948000
2000
כשעשיתי זאת בפעם הראשונה.
16:05
and I'm really excited that it's here now,
373
950000
2000
ואני ממש מתרגש שזה כאן עכשיו.
16:07
because the lab that I founded
374
952000
5000
בגלל שלמעבדה שהקמתי
16:12
has some data on a drug that might work,
375
957000
2000
יש מידע מסויים על תרופה שאולי תעבוד.
16:14
and I'd like to show it.
376
959000
4000
והייתי רוצה להציג את זה.
16:18
I'd like to show it in real time, now,
377
963000
2000
אני רוצה להציג את זה בזמן אמת, עכשיו.
16:20
and I want to do that for all of the diseases that we can do that for.
378
965000
5000
ואני רוצה לעשות את זה עבור כל המחלות שאנחנו יכולים לעשות את זה עבורן.
16:25
I've got to thank the 45,000 people
379
970000
3000
אני חייב להודות ל - 45,000
16:28
that are doing this social experiment with us.
380
973000
3000
האנשים שעורכים את הניסוי החברתי איתנו.
16:31
There is an amazing journey we are going on
381
976000
3000
יש מסע מדהים שאנחנו
16:34
to become human again,
382
979000
2000
עורכים בדרך להפוך לאנושיים שוב,
16:36
to be part of community again,
383
981000
3000
להיות חלק מקהילה שוב,
16:39
to share of ourselves, to be vulnerable,
384
984000
2000
לחלוק את עצמנו, להיות פגיעים,
16:41
and it's very exciting. So, thank you.
385
986000
3000
וזה מאוד מרגש. אז תודה לכם.
16:44
(Applause)
386
989000
5000
(מחיאות כפיים)
ABOUT THE SPEAKER
Jamie Heywood - Healthcare revolutionaryWhen MIT-trained mechanical engineer Jamie Heywood discovered that his younger brother was diagnosed with the terminal illness ALS, he focused all his energy on founding revolutionary healthcare initiatives to help his brother and others like him.
Why you should listen
After finding out that his brother, Stephen, had the terminal illness ALS, Jamie Haywood founded the ALS Therapy Development Institute in 1999. ALS TDI is the world’s first non-profit biotechnology company and accelerated research on the disease by hiring scientists to develop treatments outside of academia and for-profit corporations. They were the first to publish research on the safety of using stem cells in ALS patients.
In 2005,Jamie and his youngest brother Ben, along with close friend Jeff Cole, built PatientsLikeMe.com to give patients control and access to their healthcare information and compare it to others like them. Its bold (and somewhat controversial) approach involves aggregating users health info in order to test the effects of particular treatments, bypassing clinical trials. It was named one of "15 companies that will change the world" by CNN Money.
Although his brother passed away in the fall of 2006, Jamie continues to serve as chairman of PatientsLikeMe and on the board of directors of ALS TDI. Jamie has raised over $50 million dollars for ALS TDI and was the subject of the biography His Brother’s Keeper, written by Jonathan Weiner. He was also featured in the documentary So Much So Fast, exploring the development of ALS TDI and the personal story of he and Stephen.
Jamie Heywood | Speaker | TED.com