TEDxMaastricht
Daniel Kraft: Medicine's future? There's an app for that
Daniel Kraft: Az orvostudomány jövője? Van rá egy mobil alkalmazás
Filmed:
Readability: 5
1,012,543 views
A TEDxMaastricht-en, Daniel Kraft körképet ad a következő néhány évre az orvostudományi újításokról, teli új eszközökkel, tesztekkel és alkalmazásokkal, amelyek a diagnózishoz szükséges információt egyenesen a beteg ágyához hozzák.
Daniel Kraft - Physician scientist
Daniel Kraft is a physician-scientist, inventor and entrepreneur. He is the founder and chair of Exponential Medicine and has served as faculty chair for Medicine at Singularity University since its inception, exploring the impact and potential of rapidly developing technologies as applied to health and medicine. Full bio
Daniel Kraft is a physician-scientist, inventor and entrepreneur. He is the founder and chair of Exponential Medicine and has served as faculty chair for Medicine at Singularity University since its inception, exploring the impact and potential of rapidly developing technologies as applied to health and medicine. Full bio
Double-click the English transcript below to play the video.
00:15
A couple of years ago
0
0
2000
Pár évvel ezelőtt
00:17
when I was attending the TED Conference in Long Beach,
1
2000
2000
amikor részt vettem a TED konferencián Long Beach-en,
00:19
I met Harriet.
2
4000
2000
találkoztam Harriet-el.
00:21
We'd actually met online before --
3
6000
2000
Valójában már megismerkedtünk előtte online formában --
00:23
not the way you're thinking.
4
8000
2000
nem úgy, ahogy gondolják.
00:25
We were actually introduced because we both knew Linda Avey,
5
10000
2000
Voltaképpen bemutattak egymásnak, mert mindketten ismertük Linda Avey-t,
00:27
one of the founders of the first online personal genomic companies.
6
12000
3000
aki az egyik alapító tagja az első online személyes genomikus vállalatoknak.
00:30
And because we shared our genetic information with Linda,
7
15000
3000
És mivel megosztottuk a genetikai információnkat Lindával,
00:33
she could see that Harriet and I
8
18000
2000
megnézhette, hogy Harriet és én
00:35
shared a very rare type of mitochondrial DNA --
9
20000
2000
egy nagyon ritka mitokondriális DNS típuson osztozunk --
00:37
Haplotype K1a1b1a --
10
22000
2000
a K1a1b1a haplotípuson --
00:39
which meant that we were distantly related.
11
24000
2000
ami azt jelentette, hogy távoli rokonságban voltunk egymással.
00:41
We actually share the same genealogy with Ozzie the iceman.
12
26000
3000
Közös genealógián osztozunk Ötzivel, a jégemberrel.
00:44
So Ozzie, Harriet and me.
13
29000
2000
Tehát Ötzi, Harriet és én.
00:46
And being the current day, of course, we started our own Facebook group.
14
31000
2000
És persze a napokban elindítottuk a saját Facebook csoportunkat.
00:48
You're all welcome to join.
15
33000
2000
Szívesen látjuk mindannyiukat a csoportban.
00:50
And when I met Harriet in person the next year at the TED Conference,
16
35000
3000
És amikor a következő évben személyesen találkoztam Harriet-el a TED konferencián,
00:53
she'd gone online and ordered our own happy Haplotype T-shirts.
17
38000
2000
az interneten online megrendelte a személyes Haplotípus pólónkat.
00:55
(Laughter)
18
40000
2000
(Nevetés)
00:57
Now why am I telling you this story,
19
42000
2000
Miért is mondtam el ezt a történetet,
00:59
and what does this have to do with the future of health?
20
44000
2000
és hogy kapcsolódik ez az egészségügy jövőjéhez?
01:01
Well the way I met Harriet is actually an example
21
46000
2000
Nos, ahogyan találkoztam Harriet-el tulajdonképpen egy példa arra,
01:03
of how leveraging cross-disciplinary,
22
48000
2000
hogy hogyan lehet hasznosítani a diszciplínákon átívelő
01:05
exponentially-growing technologies
23
50000
2000
exponenciálisan növekvő technológiákat,
01:07
is affecting our future of health and wellness --
24
52000
2000
melyek hatással vannak az egészségünk és jólétünk jövőjére --
01:09
from low-cost gene analysis
25
54000
2000
az alacsony költségű génanalízistől
01:11
to the ability to do powerful bio-informatics
26
56000
2000
addig a képességig, hogy erőteljes bioinformatikai rendszereket hozzunk létre,
01:13
to the connection of the Internet and social networking.
27
58000
3000
az internetkapcsolaton át a közösségi hálózatépítésig.
01:16
What I'd like to talk about today
28
61000
2000
Amiről ma beszélni szeretnék az ezeknek
01:18
is understanding these exponential technologies.
29
63000
2000
az exponenciális technológiáknak a megértése.
01:20
We often think linearly.
30
65000
2000
Gyakran lineárisan gondolkozunk.
01:22
But if you think about it, if you have a lily pad
31
67000
2000
De ha arra gondolnak, hogy ha lenne egy tavirózsájuk
01:24
and it just divided every single day --
32
69000
2000
és ha minden egyes napon megkétszereződne --
01:26
two, four, eight, 16 --
33
71000
2000
kettő, négy, nyolc, 16 --
01:28
in 15 days you have 32,000.
34
73000
2000
15 napon belül 32,000 lenne.
01:30
What do you think you have in a month? We're at a billion.
35
75000
3000
Mit gondolnak, mennyi lesz egy hónap múlva? Egymilliárd.
01:33
So if we start to think exponentially,
36
78000
2000
Vagyis, ha elkezdünk exponenciálisan gondolkozni,
01:35
we can see how this is starting to affect all the technologies around us.
37
80000
3000
láthatjuk, hogyan befolyásolja ez az egész az összes körülöttünk lévő technológiákat.
01:38
And many of these technologies -- speaking as a physician and innovator --
38
83000
3000
És ezek közül a legtöbb technológiát -- mint orvos és újító mondom --
01:41
we can really start to leverage
39
86000
2000
ténylegesen elkezdhetjük hasznosítani arra,
01:43
to impact the future of our own health and of health care,
40
88000
2000
hogy befolyásoljuk saját egészségünk és az egészségügy jövőjét,
01:45
and to address many of the major challenges that we have in health care today,
41
90000
3000
és hogy válaszoljunk számos jelentős feladatra, ami az egészségüggyel kapcsolatos napjainkban,
01:48
ranging from the really exponential costs
42
93000
2000
kiindulva a ténylegesen exponenciálisan növekvő költségektől
01:50
to the aging population,
43
95000
2000
az öregedő társadalomig,
01:52
the way we really don't use information very well today,
44
97000
2000
aztán hogy igazából nem használjuk valami jól manapság az információkat,
01:54
the fragmentation of care
45
99000
2000
a gondozás szétszórtsága miatt
01:56
and often the very difficult course
46
101000
2000
és azért, mert gyakran nagyon nehéz folyamat
01:58
of adoption of innovation.
47
103000
2000
az újítások alkalmazása.
02:00
And one of the major things we can do we've talked a bit about here today
48
105000
2000
A jelentős dolgok közül, amelyekről eddig beszéltünk ma itt egy keveset, egyet tehetünk,
02:02
is moving the curve to the left.
49
107000
2000
hogy elmozdíthatjuk a görbét balra.
02:04
We spend most of our money on the last 20 percent of life.
50
109000
2000
Pénzünk legnagyobb részét az életünk utolsó 20%-ra költjük el.
02:06
What if we could spend and incentivize positions
51
111000
2000
Mi lett volna, ha elkölthettük volna arra, hogy ösztönözzünk helyzeteket
02:08
in the health care system and our own self
52
113000
2000
az egészséggondozás rendszerében és persze saját magunkat is,
02:10
to move the curve to the left and improve our health,
53
115000
2000
hogy elmozdítsuk a görbét balra, így javítva egészségünket
02:12
leveraging technology as well?
54
117000
2000
a legjobb technológiák hasznosításával?
02:14
Now my favorite technology, example of exponential technology,
55
119000
3000
Jelenlegi kedvencem az exponenciális technológia egy olyan példája,
02:17
we all have in our pocket.
56
122000
2000
ami ott van mindannyiunk zsebében.
02:19
So if you think about it, these are really dramatically improving.
57
124000
3000
Tehát, ha elgondolkoznak, ezek tényleg drámai fejlődések.
02:22
I mean this is the iPhone 4.
58
127000
2000
Akarom mondani az iPhone 4.
02:24
Imagine what the iPhone 8 will be able to do.
59
129000
3000
Képzeljék el mire lesz képes az iPhone 8.
02:27
Now, I've gained some insight into this.
60
132000
2000
Nos, sikerült betekintenem ebbe a lehetőségbe.
02:29
I've been the track share
61
134000
2000
Felelőse lettem
02:31
for the medicine portion of a new institution called Singularity University
62
136000
3000
az orvostudományi osztálynak egy új intézményben,
02:34
based in Silicon Valley.
63
139000
2000
a Szilikon Völgyben megalapított Singularity Egyetemen.
02:36
And we bring together every summer
64
141000
2000
És minden nyáron összehozunk
02:38
about 100 very talented students from around the world.
65
143000
2000
körülbelül 100 nagyon tehetséges diákot a világ minden részéről.
02:40
And we look at these exponential technologies from medicine, biotech,
66
145000
2000
És megnézzük ezeket az exponenciális technológiákat az orvostudomány, biotechnika,
02:42
artificial intelligence, robotics, nanotechnology, space,
67
147000
3000
mesterséges intelligencia, robottechnológia, nanotechnológia, világűr esetében
02:45
and address how can we cross-train
68
150000
2000
és megválaszoljuk, hogyan lehet keresztezni
02:47
and leverage these to impact major unmet goals.
69
152000
2000
és felhasználni ezeket a technológiákat, hogy hatással legyenek a még el nem ért célokra.
02:49
We also have seven-day executive programs.
70
154000
2000
Van egy hét napos vezetői programunk is.
02:51
And coming up next month is actually Future Med,
71
156000
3000
És a következő hónapban a Future Med lesz az,
02:54
a program to help cross-train and leverage technologies into medicine.
72
159000
3000
egy program ami segít keresztezni és hasznosítani a technológiákat az orvostudományban.
02:57
Now I mentioned the phone.
73
162000
2000
Már említettem a telefont.
02:59
These mobile phones have over 20,000 different mobile apps available --
74
164000
3000
Ezek a mobiltelefonok több mint 20,000 különböző alkalmazással rendelkeznek --
03:02
to the point where there's one out of the U.K.
75
167000
2000
és van egy Nagy Britanniában,
03:04
where you can pee on a little chip connected to your iPhone
76
169000
2000
ahol az iPhone-ra csatlakoztatott chipre vizelhetnek
03:06
and check yourself for an STD.
77
171000
2000
és saját maguknak elvégezhetik az STD szűrést.
03:08
I don't know if I'd try that yet, but that's available.
78
173000
2000
Nem tudom kipróbálnám-e, de létezik.
03:10
There are all other sorts of applications,
79
175000
2000
Vannak másfajta applikációk is arra,
03:12
merging your phone and diagnostics, for example --
80
177000
2000
hogy összevonják telefonjukat és a vizsgálatokat, például --
03:14
measuring your blood glucose on your iPhone
81
179000
2000
megmérhetik a vércukor szintjüket az iPhone-on
03:16
and sending that, potentially, to your physician
82
181000
2000
és arra is van lehetőség, hogy elküldjék az eredményt orvosuknak
03:18
so they can better understand and you can better understand
83
183000
3000
tehát ők is és önök is jobban megérthetik
03:21
your blood sugars as a diabetic.
84
186000
2000
cukorbetegként a vércukor szintjüket.
03:23
So let's see now how exponential technologies are taking health care.
85
188000
2000
Tehát nézzük meg, hogy az exponenciális technológiák, hogyan gondoskodnak az egészségről.
03:25
Let's start with faster.
86
190000
2000
Kezdjük a gyorsasággal.
03:27
Well it's no secret that computers, through Moore's law,
87
192000
2000
Nos nem titok, hogy a számítógépek, ahogy Moore törvénye is mondja,
03:29
are speeding up faster and faster.
88
194000
2000
gyorsabbnál gyorsabbak lesznek.
03:31
We have the ability to do more powerful things with them.
89
196000
2000
Megvan a lehetőségünk, hogy erőteljesebb dolgokat tegyünk a számítógépekkel.
03:33
They're really approaching, in many cases surpassing,
90
198000
2000
Igazán megközelítik és számos esetben felülmúlják
03:35
the ability of the human mind.
91
200000
2000
az emberi agy képességét.
03:37
But where I think computational speed is most applicable
92
202000
3000
Azonban, a számítógép gyorsasága a legalkalmasabb
03:40
is in that of imaging.
93
205000
2000
a diagnosztikai képalkotásban.
03:42
The ability now to look inside the body in real time
94
207000
2000
A képesség, hogy valós időben belepillantsunk a testbe
03:44
with very high resolution is really becoming incredible.
95
209000
3000
egy nagyon magas képfelbontással, hihetetlenné válik.
03:47
And we're layering multiple technologies -- PET scans, CT scans
96
212000
3000
Összetett technológiákat dolgozunk ki -- PET, CT vizsgálatokat
03:50
and molecular diagnostics --
97
215000
2000
és molekuláris diagnosztikákat --
03:52
to find and to seek things at different levels.
98
217000
3000
hogy megtaláljunk és megkeressünk dolgokat különböző szinteken.
03:55
Here you're going to see the very highest resolution MRI scan done today,
99
220000
3000
Itt láthatják a jelenleg legfejlettebb megoldást az MRI vizsgálatra,
03:58
reconstructed of Marc Hodosh, the curator of TEDMED.
100
223000
3000
Marc Hodosh által rekonstruálva, aki a TEDMED kurátora.
04:01
And now we can see inside of the brain
101
226000
2000
És most belenézhetünk az agyba
04:03
with a resolution and ability that was never before available,
102
228000
3000
olyan felbontással ami ezelőtt sohasem volt elérhető,
04:06
and essentially learn how to reconstruct,
103
231000
2000
és lényegében megtanuljuk hogyan rekonstruáljuk,
04:08
and maybe even re-engineer,
104
233000
2000
és talán még újra is építjük,
04:10
or backwards engineer, the brain
105
235000
2000
vagy újraprogramozzuk az agyat,
04:12
so we can better understand pathology, disease and therapy.
106
237000
3000
vagyis jobban megérthetjük a patológiát, betegséget és terápiát.
04:15
We can look inside with real time fMRI -- in the brain at real time.
107
240000
3000
Belenézhetünk az agyba valós idejű fMRI-vel.
04:18
And by understanding these sorts of processes and these sorts of connections,
108
243000
3000
És azáltal, hogy megértjük ezeket a folyamatokat és kapcsolatokat,
04:21
we're going to understand the effects of medication or meditation
109
246000
3000
meg fogjuk érteni az orvosi kezelés vagy meditáció hatásait
04:24
and better personalize and make effective, for example,
110
249000
3000
és személyesebbé és hatásosabbá tehetjük például,
04:27
psychoactive drugs.
111
252000
2000
a pszichoaktív gyógyszereket.
04:29
The scanners for these are getting small, less expensive and more portable.
112
254000
3000
Ezen szkennerek kisebbek lettek, kevésbé drágák és hordozhatóbbak.
04:32
And this sort of data explosion available from these
113
257000
3000
És ez a robbanásszerű adatmennyiség, ami ezekből az esközökből származik
04:35
is really almost becoming a challenge.
114
260000
2000
most már ténylegesen kihívássá válik.
04:37
The scan of today takes up about 800 books, or 20 gigabytes.
115
262000
3000
Napjaink szkennere körülbelül 800 könyvnyi adatot állít elő, azaz 20 gigabájtot.
04:40
The scan in a couple of years will be one terabyte, or 800,000 books.
116
265000
3000
Pár éven belül egy terrabájt lesz, vagy 800,000 könyvnek megfelelő adat.
04:43
How do you leverage that information?
117
268000
2000
Hogyan hasznosíthatják ezt az információt?
04:45
Let's get personal. I won't ask who here's had a colonoscopy,
118
270000
3000
Tegyük személyessé. Nem fogom megkérdezni kinek volt vastagbéltükrözése,
04:48
but if you're over age 50, it's time for your screening colonoscopy.
119
273000
3000
de ha elmúltak 50 évesek, itt az ideje a kolonoszkópiának.
04:51
How would you like to avoid the pointy end of the stick?
120
276000
2000
Mennyire szeretnék elkerülni a kellemetlen részét a vizsgálatnak?
04:53
Well now there's essentially a virtual colonoscopy.
121
278000
3000
Nos lényegében itt van egy virtuális kolonoszkópia.
04:56
Compare those two pictures, and now as a radiologist,
122
281000
2000
Hasonlítsák össze azt a két képet, és mint egy radiológus,
04:58
you can essentially fly through your patient's colon
123
283000
2000
gyakorlatilag átjárhatják a páciens vastagbelét
05:00
and, augmenting that with artificial intelligence,
124
285000
2000
és mesterséges intelligenciával nagyíthatják a nézetet,
05:02
identify potentially, as you see here, a lesion.
125
287000
2000
és beazonosíthatják, ahogy itt látják, a sérülést.
05:04
Oh, we might have missed it, but using A.I. on top of radiology,
126
289000
3000
Oh, ez lehet, hogy kimaradt, de a mesterséges intelligenciát használva, a radiológia mellett,
05:07
we can find lesions that were missed before.
127
292000
2000
megtalálhatjuk azokat a sérüléseket, amelyeket korábban nem.
05:09
And maybe this will encourage people to get colonoscopies
128
294000
2000
És talán ez bátorítani fogja az embereket, hogy rászánják magukat a vastagbéltükrözésre,
05:11
that wouldn't have otherwise.
129
296000
2000
amit egyébként kihagytak volna.
05:13
And this is an example of this paradigm shift.
130
298000
2000
És ez a paradigmaváltásnak csak egy példája.
05:15
We're moving to this integration of biomedicine, information technology,
131
300000
3000
Lépéseket teszünk a biomedicina, információ-technológia,
05:18
wireless and, I would say, mobile now -- this era of digital medicine.
132
303000
3000
vezetéknélküli, akarom mondani mobiltelefónia integrációja felé -- ez a digitális orvostudomány korszaka.
05:21
So even my stethoscope is now digital.
133
306000
2000
Tehát még a sztetoszkópom is digitális.
05:23
And of course, there's an app for that.
134
308000
2000
És természetesen van erre is egy alkalmazás.
05:25
We're moving, obviously, to the era of the tricorder.
135
310000
3000
Magától érthető, hogy haladunk a tricorder korszaka felé.
05:28
So the handheld ultrasound
136
313000
2000
Nos, a kézi ultrahang
05:30
is basically surpassing and supplanting the stethoscope.
137
315000
3000
alapvetően felülmúlja és helyettesíti a sztetoszkópot.
05:33
These are now at a price point
138
318000
2000
Ezek most alacsonyabb árfekvésen vannak --
05:35
of -- what used to be 100,000 euros or a couple of hundred-thousand dollars --
139
320000
2000
ami 100,000 euróba vagy pár százezer dollárba került --
05:37
for about 5,000 dollars, I can have the power
140
322000
2000
körülbelül 5,000 dollárért a kezemben lehet
05:39
of a very powerful diagnostic device in my hand.
141
324000
3000
egy nagyon hathatós diagnosztikai eszköz.
05:42
And merging this now with the advent of electronic medical records --
142
327000
3000
Összekapcsolva ezt most az orvosi kartotékok elektronikussá tételével --
05:45
in the United States, we're still less than 20 percent electronic.
143
330000
3000
az Egyesült Államokban, kevesebb mint 20% elektronikus.
05:48
Here in the Netherlands, I think it's more than 80 percent.
144
333000
2000
Itt Hollandiában, azt hiszem több mint 80 %.
05:50
But now that we're switching to merging medical data,
145
335000
2000
Most áttérünk az orvosi adatok összekapcsolására,
05:52
making it available electronically,
146
337000
2000
elektronikusan elérhetővé tételére,
05:54
we can crowd source that information,
147
339000
2000
tömegesen összegyűjthetjük az információt,
05:56
and now as a physician, I can access my patients' data from wherever I am
148
341000
3000
és most orvosként, hozzáférhetek a betegeim adataihoz akárhonnan
05:59
just through my mobile device.
149
344000
2000
a mobil eszközöm segítségével.
06:01
And now, of course, we're in the era of the iPad, even the iPad 2.
150
346000
3000
És természetesen, most az iPad korszakában vagyunk, még inkább az iPad 2-ben.
06:04
And just last month the first FDA-approved application
151
349000
3000
Épp a múlt hónapban fogadták el az első FDA (élelmiszerek és gyógyszerek szabályozását végző hivatal)
06:07
was approved to allow radiologists
152
352000
2000
által jóváhagyott applikációt, megengedve a radiológusoknak
06:09
to do actual reading on these sorts of devices.
153
354000
2000
a valódi képolvasást ezeken az eszközökön.
06:11
So certainly, the physicians of today, including myself,
154
356000
3000
Természetesen napjaink orvosai, magamat is beleértve,
06:14
are completely reliable on these devices.
155
359000
2000
magabiztosak vagyunk ezeken az eszközökön.
06:16
And as you saw just about a month ago,
156
361000
2000
És ahogy látták éppen csak egy hónappal ezelőtt
06:18
Watson from IBM beat the two champions in "Jeopardy."
157
363000
2000
Watson az IBM-től legyőzte a Jeopardy két győztesét.
06:20
So I want you to imagine when in a couple of years,
158
365000
2000
Képzeljék el mi fog történni, egy pár éven belül,
06:22
when we've started to apply this cloud-based information,
159
367000
3000
amikor elkezdtük használni ezeket a felhőbe feltöltött információkat,
06:25
when we really have the A.I. physician and leverage our brains to connectivity
160
370000
3000
amikor ténylegesen mesterséges intelligenciával rendelkező orvos lesz és az agyunkkal tudunk majd kapcsolódni,
06:28
to make decisions and diagnostics
161
373000
2000
hogy döntéseket hozzunk és diagnosztizáljunk
06:30
at a level never done.
162
375000
2000
amilyen szinten még sohasem tettük.
06:32
Already today, you don't need to go to your physician in many cases.
163
377000
3000
Számos esetben már ma sem kell orvoshoz menniük.
06:35
Only for about 20 percent of actual visits do you have to lay hands on the patient.
164
380000
3000
Az esetek kb. 20 %-ban kell ténylegesen rátenni kezünket a betegre.
06:38
We're now in the era of virtual visits --
165
383000
2000
Most a virtuális vizit korában vagyunk --
06:40
from sort of the Skype-type visits you can do with American Well,
166
385000
3000
a Skype vizittől, amelyet az American Well-el lehet megtenni,
06:43
to Cisco that's developed a very complex health presence system.
167
388000
3000
a Cisco-ig, amely egy nagyon komplex egészségügyi jelenlét rendszert fejlesztett ki.
06:46
The ability to interact with your health care provider is different.
168
391000
3000
A képesség, hogy kapcsolatba lépjenek az egészségügyi ellátójukkal különbözik.
06:49
And these are being augmented even by our devices again today.
169
394000
3000
Sőt ezek a lehetőségek növekednek napjainkban a készülékeink által.
06:52
Here my friend Jessica sent me a picture of her head laceration
170
397000
2000
Itt, a barátom Jessica küldött nekem egy képet a fejsérüléséről
06:54
so I can save her a trip to the emergency room -- I can do some diagnostics that way.
171
399000
3000
szóval megspórolhatok neki egy utat a sürgősségi váróterembe -- ilyen formában is felállíthatok néhány diagnózist.
06:57
Or might we be able to leverage today's gaming technology,
172
402000
2000
Vagy használhatjuk napjaink videojáték technológiáját
06:59
like the Microsoft Kinect,
173
404000
2000
mint a Microsoft Kinect,
07:01
and hack that to enable diagnostics, for example,
174
406000
2000
és módosítjuk úgy, hogy lehetővé váljon a diagnózis, például,
07:03
in diagnosing stroke,
175
408000
2000
agyvérzés diagnosztizálásnál,
07:05
using simple motion detection, using hundred-dollar devices.
176
410000
3000
egyszerű mozgásérzékelő használatával, ami egy százdolláros szerkezet.
07:08
We can actually now visit our patients robotically --
177
413000
3000
A betegeinket meglátogathatjuk robot módon --
07:11
this is the RP7; if I'm a hematologist,
178
416000
2000
ez az RP7; ha egy hematológus vagyok,
07:13
visit another clinic, visit a hospital.
179
418000
3000
meglátogathatok egy másik klinikát, kórházat.
07:16
These will be augmented by a whole suite of tools actually in the home now.
180
421000
3000
Ezeket kiegészítik majd az otthon már meglévő eszközökeink alkalmazásaival.
07:19
So imagine we already have wireless scales.
181
424000
2000
Képzeljék el, már rendelkezünk vezeték nélküli mérleggel.
07:21
You can step on the scale.
182
426000
2000
Ráléphetnek a mérlegre.
07:23
You can Tweet your weight to your friends, and they can keep you in line.
183
428000
2000
Twittelhetik súlyukat a barátaiknak, és ők segíthetnek megőrizni a vonalaikat.
07:25
We have wireless blood pressure cuffs.
184
430000
2000
Vezetéknélküli vérnyomásmérőink is vannak.
07:27
A whole gamut of these technologies are being put together.
185
432000
2000
Ezen technológiák egész skálája kezd megjelenni.
07:29
So instead of wearing these kludgy devices, we can put on a simple patch.
186
434000
3000
Tehát ahelyett, hogy hordjuk ezeket a tákolmányokat, feltehetünk egy egyszerű tapaszt.
07:32
This was developed by colleagues at Stanford, called the iRhythm --
187
437000
3000
Ezt a Stanford-i kollégák fejlesztették ki, iRhythm-nek nevezték el --
07:35
completely supplants the prior technology at a much lower price point
188
440000
3000
teljes egészében pótolja az előző technológiát, sokkal alacsonyabb árkategóriában,
07:38
with much more effectivity.
189
443000
2000
sokall nagyobb eredményességgel.
07:40
Now we're also in the era, today, of quantified self.
190
445000
2000
Napjainkban a számszerűsítés korszakában is vagyunk.
07:42
Consumers now can buy basically hundred-dollar devices,
191
447000
2000
A fogyasztók vásárolhatnak százdolláros eszközöket,
07:44
like this little FitBit.
192
449000
2000
mint ez a kis FitBit.
07:46
I can measure my steps, my caloric outtake.
193
451000
2000
Megmérhetem hány lépést teszek, kalóriafogyasztásomat.
07:48
I can get insight into that on a daily basis.
194
453000
2000
Naponta bepillantást kaphatok ezekbe.
07:50
I can share that with my friends, with my physician.
195
455000
2000
Megoszthatom azokat a barátaimmal vagy az orvosommal.
07:52
There's watches coming out that will measure your heart rate, the Zeo sleep monitors,
196
457000
3000
Vannak órák, melyek megmérik a szívverést, a Zeo alvási megfigyelő,
07:55
a whole suite of tools that can enable you to leverage
197
460000
2000
egy teljes eszközkészlet, ami lehetővé teszi, hogy befolyásolják
07:57
and have insight into your own health.
198
462000
2000
és betekintést nyerjenek a saját egészségükbe.
07:59
And as we start to integrate this information,
199
464000
2000
Ahogyan elkezdtük ezeket az információkat integrálni
08:01
we're going to know better what to do with it and how better to have insight
200
466000
3000
jobban megismertük, hogy mit tegyünk velük, és hogyan lássuk át jobban
08:04
into our own pathologies, health and wellness.
201
469000
2000
a saját kórtanunkat, egészségünket és jólétünket.
08:06
There's even mirrors today that can pick up your pulse rate.
202
471000
3000
Még olyan tükrök is vannak, amelyek mérni tudják a pulzusszámukat.
08:09
And I would argue, in the future, we'll have wearable devices in our clothes,
203
474000
3000
És azt hiszem, a jövőben lesznek hordozható eszközök a ruháinkban,
08:12
monitoring ourselves 24/7.
204
477000
2000
folyamatosan megfigyelve saját magunkat.
08:14
And just like we have the OnStar system in cars,
205
479000
2000
Ez olyan, mint az OnStar rendszer az autóinkban,
08:16
your red light might go on -- it won't say "check engine" though.
206
481000
2000
bekapcsolhat a piros lámpájuk -- noha nem azt fogja jelenteni "ellenőrizze a motort".
08:18
It's going to be "check your body" light,
207
483000
2000
Az "ellenőrizd a tested" lámpa fog világítani,
08:20
and go in and get it taken care of.
208
485000
2000
és menj és vigyázz rá.
08:22
Probably in a few years, you'll check into your mirror
209
487000
2000
Valószínűleg néhány éven belül, amikor belenéznek a tükörbe
08:24
and it's going to be diagnosing you.
210
489000
2000
az diagnosztizálni fogja önöket.
08:26
(Laughter)
211
491000
2000
(Nevetés)
08:28
For those of you with kiddos at home,
212
493000
2000
Önök közül azok, akiknek van otthon gyermekük,
08:30
how would you like to have the wireless diaper that supports your ...
213
495000
3000
mennyire szeretnék, hogy legyen hálózat nélküli pelenkájuk, mely segíti az önök...
08:33
too much information, I think, than you might need.
214
498000
2000
túl sok információ, azt gondolom több, mint amennyire szükségük van.
08:35
But it's going to be here.
215
500000
2000
De itt lesz.
08:37
Now we've heard a lot today about new technology and connection.
216
502000
3000
Nos sokat hallottunk ma az új technológiákról és kapcsolatokról.
08:40
And I think some of these technologies
217
505000
2000
És azt hiszem ezen technológiák közül néhány
08:42
will enable us to be more connected with our patients,
218
507000
2000
lehetővé teszik, hogy jobban kapcsolatba kerüljünk a betegeinkkel,
08:44
and take more time
219
509000
2000
hogy több időt töltsünk el velük
08:46
and actually do the important human touch elements of medicine,
220
511000
2000
és ténylegesen foglalkozzunk a gyógyászat emberi részével,
08:48
as augmented by these sorts of technologies.
221
513000
2000
amit elősegít ezen technológiák beépítése.
08:50
Now we've talked about augmenting the patient, to some degree.
222
515000
2000
Az adatokkal kibővített betegekről beszéltünk eddig.
08:52
How about augmenting the physician?
223
517000
2000
Mit gondolnak az orvosokhoz rendelt adatokról?
08:54
We're now in the era of super-enabling the surgeon
224
519000
2000
A szuper-képességű sebész korában vagyunk,
08:56
who can now go inside the body
225
521000
2000
aki be tud menni a testbe
08:58
and do things with robotic surgery, which is here today,
226
523000
2000
és végzi a dolgát a már létező robotsebészettel,
09:00
at a level that was not really possible
227
525000
2000
egy olyan szinten, ami ténylegesen nem volt lehetséges
09:02
even five years ago.
228
527000
2000
még öt évvel ezelőtt sem.
09:04
Now this is being augmented with further layers of technology
229
529000
2000
Most ezt növelik további technológiaszintekkel
09:06
like augmented reality.
230
531000
2000
mint az adatokkal kiegészített valóság.
09:08
So the surgeon can see inside the patient, through their lens,
231
533000
3000
Tehát a sebész belenézhet a betegbe, a lencséjén keresztül,
09:11
where the tumor is, where the blood vessels are.
232
536000
2000
hogy hol van a daganat, hol vannak a véredények.
09:13
This can be integrated with decisions support.
233
538000
2000
Ezt integrálni lehet döntéstámogatással.
09:15
A surgeon in New York can be helping a surgeon in Amsterdam, for example.
234
540000
3000
Egy New York-i sebész segíthet egy amszterdamin például.
09:18
And we're entering an era
235
543000
2000
Belépünk egy valóságosan, ténylegesen
09:20
of really, truly scarless surgery called NOTES,
236
545000
2000
sebmentes sebészeti korszakba, aminek NOTES a neve,
09:22
where the robotic endoscope can come out the stomach
237
547000
2000
ahol a robotendoszkóp kijöhet a gyomorból
09:24
and pull out that gallbladder
238
549000
2000
és kiveszi az epehólyagot,
09:26
all in a scarless way and robotically.
239
551000
2000
mindezt sebmentesen és roboteljárással.
09:28
And this is called NOTES, and this is coming --
240
553000
2000
Ennek az eljárásnak NOTES a neve, ami közeleg --
09:30
basically scarless surgery,
241
555000
2000
alapvetően sebmentes sebészet,
09:32
as mediated by robotic surgery.
242
557000
2000
közvetett robotsebészettel.
09:34
Now how about controlling other elements?
243
559000
2000
Mit gondolnak más elemek vezérléséről?
09:36
For those who have disabilities -- the paraplegic --
244
561000
2000
Azoknak akiknek mozgássérülése van -- a paraplégiások --
09:38
there's the era of brain-computer interface, or BCI,
245
563000
3000
ez az agy-számítógép interfész korszaka, más néven BCI,
09:41
where chips have been put on the motor cortex
246
566000
2000
ahol a chipeket tettek az egészen lebénult
09:43
of completely quadriplegic patients
247
568000
2000
betegek agyának motoros kérgére,
09:45
and they can control a curser or a wheelchair or, eventually, a robotic arm.
248
570000
4000
és így irányíthatnak egy kerekesszéket vagy végül egy robotkart.
09:49
And these devices are getting smaller
249
574000
2000
Ezek az eszközök egyre kisebbek lesznek
09:51
and going into more and more of these patients.
250
576000
2000
és egyre több beteg fogja használni őket.
09:53
Still in clinical trials, but imagine when we can connect these,
251
578000
2000
Még a klinikai kísérleteknél tartunk, de képzeljék el amikor ezeket összekapcsolhatjuk,
09:55
for example, to the amazing bionic limb,
252
580000
2000
például, a bámulatos bionikus végtagokkal,
09:57
such as the DEKA Arm built by Dean Kamen and colleagues,
253
582000
3000
mint a DEKA Kar, amit Dean Kamen és kollégái építettek meg,
10:00
which has 17 degrees of motion and freedom
254
585000
3000
amelynek 17 szabadsági foka van
10:03
and can allow the person who's lost a limb
255
588000
2000
és lehetővé teszi az embernek aki elvesztette egy végtagját
10:05
to have much higher levels of dexterity or control
256
590000
2000
a sokkal magasabb szintű ügyességet vagy irányítást
10:07
than they've had in the past.
257
592000
2000
ami a múltban valaha is volt.
10:09
So we're really entering the era of wearable robotics actually.
258
594000
3000
Tehát valóban belépünk a hordozható robottechnika korszakába.
10:12
If you haven't lost a limb -- you've had a stroke, for example --
259
597000
2000
Amennyiben nem vesztették el végtagjukat -- például lehet egy agyvérzésük --
10:14
you can wear these augmented limbs.
260
599000
2000
használhatják ezeket a javított végtagokat.
10:16
Or if you're a paraplegic -- like I've visited the folks at Berkley Bionics --
261
601000
3000
Vagy ha paraplégiás -- meglátogattam a Berkley Bionics embereit --
10:19
they've developed eLEGS.
262
604000
2000
ők fejlesztették ki az eLEGS-t (eLÁBAK).
10:21
I took this video last week. Here's a paraplegic patient actually walking
263
606000
3000
Múlt héten készítettem ezt a videót. Itt egy paraplégiás páciens aki éppen sétál,
10:24
by strapping on these exoskeletons.
264
609000
2000
mert oda van szíjazva ehhez az külső csontvázhoz.
10:26
He's otherwise completely wheelchair-bound.
265
611000
2000
Egyébként ő teljes mértékben tolószékhez van kötve.
10:28
And now this is the early era of wearable robotics.
266
613000
2000
Ez a hordozható robottechnika korai szakasza.
10:30
And I think by leveraging these sorts of technologies,
267
615000
2000
Azáltal, hogy ezeket a technológiafajtákat fejlesztjük,
10:32
we're going to change the definition of disability
268
617000
2000
megfogjuk változtatni a rokkantság fogalmát
10:34
to in some cases be superability, or super-enabling.
269
619000
3000
sok esetben szuper képességűre vagy szuper-lehetőségűre.
10:37
This is Aimee Mullins, who lost her lower limbs as a young child,
270
622000
3000
Ő Aimee Mullins, aki fiatal gyermekként elvesztette az alsóvégtagjait
10:40
and Hugh Herr, who's a professor at MIT
271
625000
3000
és Hugh Herr, aki az MIT professzora
10:43
who lost his limbs in a climbing accident.
272
628000
2000
és elvesztette a végtagjait hegymászás közben.
10:45
And now both of these can climb better, move faster, swim differently
273
630000
3000
Most pedig mindketten jobban tudnak mászni, gyorsabban mozogni, másképpen úszni
10:48
with their prosthetics than us normal-abled persons.
274
633000
3000
a protéziseikkel mint mi normális képességű emberek.
10:51
Now how about other exponentials?
275
636000
2000
Nézzünk meg más exponenciálisan növekvő dolgokat?
10:53
Clearly the obesity trend is exponentially going in the wrong direction,
276
638000
3000
Világosan látható, hogy az elhízás trendje exponenciálisan rossz irányba halad,
10:56
including with huge costs.
277
641000
2000
beleértve az óriási költségeket is.
10:58
But the trend in medicine actually is to get exponentially smaller.
278
643000
3000
Az orvostudomány tulajdonképpen az exponenciálisan kicsire törekszik.
11:01
So a few examples: we're now in the era
279
646000
2000
Néhány példa erre:
11:03
of "Fantastic Voyage," the iPill.
280
648000
2000
a "Fantasztikus Utazás" és az iPill (iTabletta).
11:05
You can swallow this completely integrated device.
281
650000
2000
Lenyelhetik ezt a teljes mértékben integrált eszközt.
11:07
It can take pictures of your GI system,
282
652000
2000
Képet tud készíteni az emésztési rendszerükről,
11:09
help diagnose and treat as it moves through your GI tract.
283
654000
3000
segíti a diagnózist és kezelést ahogyan áthalad az emésztési csatornán.
11:12
We get into even smaller micro-robots
284
657000
2000
Elérkezünk a még kisebb mikrorobotokhoz,
11:14
that will eventually autonomously move through your system again
285
659000
2000
amelyek végül autonóm módon fogják átjárni a testüket
11:16
and be able to do things that surgeons can't do
286
661000
2000
és olyan dolgokra is képesek lesznek amit a sebészek nem tudnak megtenni,
11:18
in a much less invasive manner.
287
663000
2000
sokkal kisebb behatolási traumával.
11:20
Sometimes these might self-assemble in your GI system
288
665000
3000
Néha ezek összerakják saját magukat az emésztési rendszerünkben
11:23
and be augmented in that reality.
289
668000
2000
és ott helyben fejleszthetők.
11:25
On the cardiac side, pacemakers are getting smaller
290
670000
2000
A kardiológiában a szívritmus-szabályzók kisebbek
11:27
and much easier to place
291
672000
2000
és sokkal könnyeben elhelyezhetőek lesznek,
11:29
so you don't need to train an interventional cardiologist to place them.
292
674000
2000
vagyis nem kell kiképezni egy sebészkardiológust, ahhoz hogy elhelyezzék a készüléket.
11:31
And they're going to be wirelessly telemetered again to your mobile devices
293
676000
3000
És vezeték nélküli távmérőjük lesz a mobiltelefonjukhoz kapcsolva újfent,
11:34
so you can go places and be monitored remotely.
294
679000
3000
vagyis utazhat és megfigyelhető lesz távolról.
11:37
These are shrinking even further.
295
682000
2000
Ezek egyre kisebbek lesznek.
11:39
Here's one that's in prototyping by Medtronic that's smaller than a penny.
296
684000
3000
Itt egy Medtronic prototípus, amely kisebb mint egy fillér.
11:42
Artificial retinas, the ability to put these arrays on the back of the eyeball
297
687000
3000
Mesterséges retinák, a lehetőség, hogy ezeket a szemgolyó mögé helyezzük
11:45
and allow the blind to see.
298
690000
2000
és a vak láthat.
11:47
Again, in early trials, but moving into the future.
299
692000
2000
Szintén egy korai kísérlet, de halad a jövő felé.
11:49
These are going to be game changing.
300
694000
2000
Ezek döntő hatásúak lesznek.
11:51
Or for those of us who are sighted,
301
696000
2000
Vagy mi akik látunk,
11:53
how about having the assisted-living contact lens?
302
698000
2000
mit szólnánk az élő kapcsolattal rendelkező kontaktlencsékről?
11:55
BlueTooth, WiFi available -- beams back images to your eye.
303
700000
3000
Van BlueTooth, WiFi -- visszasugározzák a képeket a szemükhöz.
11:58
Now if you have trouble maintaining your diet,
304
703000
3000
Nos, ha önök diétával kínlódnak,
12:01
it might help to have some extra imagery
305
706000
2000
segíthet, ha van néhány extra képanyag,
12:03
to remind you how many calories are going to be coming at you.
306
708000
3000
hogy emlékeztesse önöket mennyi kalóriát visznek be.
12:07
How about enabling the pathologist to use their cell phone again
307
712000
2000
Mi lenne ha a patológusok használhatnák a mobiltelefonjaikat
12:09
to see at a microscopic level
308
714000
2000
arra, hogy mikroszkopikus szinten lássanak
12:11
and to lumber that data back to the cloud and make better diagnostics?
309
716000
3000
és felhalmozott adatokból jobb diagnózist állítsanak fel?
12:14
In fact, the whole era of laboratory medicine
310
719000
2000
Valójában az egész laboratóriumi orvostudomány
12:16
is completely changing.
311
721000
2000
teljesen átalakul.
12:18
We can now leverage microfluidics,
312
723000
2000
Hasznosíthatjuk a mikrofluidikát,
12:20
like this chip made by Steve Quake at Stanford.
313
725000
2000
mint ezt a chipet, amelyet Steve Quake készített a Stanfordon.
12:22
Microfluidics can replace an entire lab of technicians.
314
727000
3000
A mikrofluidika képes pótolni egy teljes labort.
12:25
Put it on a chip, enable thousands of tests to be done
315
730000
2000
Helyezzék egy chipbe, tesztek ezreit végezhetik el
12:27
at the point of care, anywhere in the world.
316
732000
2000
az ellátás helyén, bárhol a világon.
12:29
And this is really going to leverage technology
317
734000
2000
Ez tényleg elérhetővé teszi a technológiát
12:31
to the rural and the under-served
318
736000
2000
vidékieknek és az alulellátottaknak,
12:33
and enable what used to be thousand-dollar tests to be done at pennies
319
738000
2000
és lehetőség lesz arra fillérekért, amit csak egy ezerdolláros teszt tudna elvégezni,
12:35
and at the point of care.
320
740000
2000
méghozzá a betegellátás helyszínén.
12:37
If we go down the small pathway a little bit farther,
321
742000
3000
Ha egy kicsit tovább megyünk a miniatürizálásban,
12:40
we're entering the era of nanomedicine,
322
745000
2000
a nanomedicina korszakába lépünk,
12:42
the ability to make devices super small
323
747000
2000
lehetőség arra, hogy szuper kisméretű eszközök készüljenek
12:44
to the point where we can design red blood cells
324
749000
2000
addig a pontig, hogy megtervezhetjük a vörösvérsejteket
12:46
or microrobots that will monitor our blood system or immune system,
325
751000
3000
vagy a mikrorobotokat amelyek megfigyelik a vér- és immunrendszerünket,
12:49
or even those that might clear out the clots from our arteries.
326
754000
3000
vagy azokat melyek kitisztítják az artériánkból a rögöket.
12:52
Now how about exponentially cheaper?
327
757000
2000
Mit gondolnak az exponenciálisan olcsóbb dolgokról?
12:54
Not something we usually think about in the era of medicine,
328
759000
3000
Nem egy olyan dolog, amiről általában gondolkodunk az orvostudomány korában,
12:57
but hard disks used to be 3,400 dollars for 10 megabytes -- exponentially cheaper.
329
762000
3000
de a 10 megabájtos merevlemezek 3,400 dollárba kerültek -- ma exponenciálisan olcsóbb.
13:00
In genomics now,
330
765000
2000
Nos a genomika,
13:02
the genome cost about a billion dollars
331
767000
2000
a genom körülbelül egymilliárd dollárba került
13:04
about 10 years ago when the first one came out.
332
769000
2000
10 évvel ezelőtt amikor megjelent az első.
13:06
We're now approaching essentially a thousand-dollar genome --
333
771000
2000
Ma megközelítőleg ezer dollár a genom --
13:08
probably next year to two years, probably a hundred-dollar genome.
334
773000
2000
talán a következő két évben 100 dollár lesz.
13:10
What are we going to do with hundred-dollar genomes?
335
775000
3000
Mit fogunk csinálni a százdolláros genomokkal?
13:13
And soon we'll have millions of these tests available.
336
778000
2000
Hamarosan tesztek milliói lesznek elérhetőek.
13:15
And that's when it gets interesting, when we start to crowdsource that information.
337
780000
3000
És akkor lesznek igazán érdekesek, mikor mindezeket az információkat egybegyűjtjük.
13:18
And we enter the era of true personalized medicine --
338
783000
2000
Belépünk az igazi személyre szabott orvostudomány korszakába --
13:20
the right drug for the right person at the right time --
339
785000
3000
a megfelelő gyógyszer a megfelelő embernek megfelelő időben --
13:23
instead of what we're doing today, which is the same drug for everybody --
340
788000
3000
ahelyett amit ma teszünk, mindenkinek ugyanolyan gyógyszert adunk --
13:26
sort of blockbuster drug medications,
341
791000
2000
sláger gyógyszerek különböző fajtáit,
13:28
medications which don't work for you, the individual.
342
793000
2000
gyógyszereket melyek nem használnak önöknek, egyénileg.
13:30
And many, many different companies are working on leveraging these approaches.
343
795000
3000
És sok, sok különféle vállalat dolgozik azon, hogy ezt az irányt kövesse.
13:33
And I'll also show you a simple example, from 23andMe again.
344
798000
2000
Be is mutatok önöknek egy egyszerű példát, ismét a 23andMe.
13:35
My data indicates that I've got about average risk
345
800000
3000
Az adatom azt mutatja, hogy átlagos rizikóval rendelkezem,
13:38
for developing macular degeneration, a kind of blindness.
346
803000
2000
hogy makuláris degenerációm legyen, ez egy vakságfajta.
13:40
But if I take that same data, upload it to deCODEme,
347
805000
3000
De ha fogom ugyanazt az adatot, és feltöltöm a deCODEme-re,
13:43
I can look at my risk for sample type 2 diabetes.
348
808000
2000
megnézhetem a rizikómat például a kettes típusú diabéteszre.
13:45
I'm at almost twice the risk for type 2 diabetes.
349
810000
2000
Majdnem kétszeresen hajlamos vagyok kettes típusú diabéteszre.
13:47
I might want to watch how much dessert I have at the lunch break for example.
350
812000
3000
Például, lehet jobban figyelem mennyi desszertet eszem ebédszünetben.
13:50
It might change my behavior.
351
815000
2000
Ez megváltoztathatja a viselkedésem.
13:52
Leveraging my knowledge of my pharmacogenomics --
352
817000
2000
Használva a saját farmakogenomikai ismeretemet --
13:54
how my genes modulate, what my drugs do and what doses I need
353
819000
3000
hogyan változnak a génjeim, hogyan hatnak a gyógyszereim és mekkora adagra van szükségem,
13:57
are going to become increasingly important,
354
822000
2000
ezek egyre inkább fontossá válnak,
13:59
and once in the hands of the individual and the patient,
355
824000
2000
és ha egyszer ez személyre szabott lesz,
14:01
will make better drug dosing and selection available.
356
826000
3000
jobb lesz a gyógyszeradagolás és választás lehetősége.
14:04
So again, it's not just genes, it's multiple details --
357
829000
3000
Szóval még egyszer, nem csak a géneken múlik, hanem több részleten --
14:07
our habits, our environmental exposure.
358
832000
2000
a szokásaink, a környezetünk hatásai.
14:09
When was the last time your physician asked you where you've lived?
359
834000
3000
Mikor kérdezte meg az orvosuk, hogy hol laktak?
14:12
Geomedicine: where you've lived, what you've been exposed to,
360
837000
2000
Geomedicina: hol éltek, minek voltak kitéve,
14:14
can dramatically affect your health.
361
839000
2000
drámaian befolyásolhatja az egészségüket.
14:16
We can capture that information.
362
841000
2000
Begyűjthetjük ezeket az információkat.
14:18
So genomics, proteomics, the environment,
363
843000
2000
Szóval a genomika, proteomika, a környezet,
14:20
all this data streaming at us individually and us, as poor physicians,
364
845000
2000
mindezek az adatok egyénileg özönlenek felénk, és mi szegény orvosok
14:22
how do we manage it?
365
847000
2000
hogyan boldogulunk velük?
14:24
Well we're now entering the era of systems medicine, or systems biology,
366
849000
3000
Nos belépünk a rendszerek orvostudományának vagy biológiájának korszakába,
14:27
where we can start to integrate all of this information.
367
852000
2000
ahol elkezdhetjük mindezeket az információkat egységbe rendezni.
14:29
And by looking at the patterns, for example, in our blood
368
854000
3000
És ha például megnézzük a mintákat a vérünkben,
14:32
of 10,000 biomarkers in a single test,
369
857000
2000
amiket a 10,000 biomarker ad ki egy tesztben,
14:34
we can start to look at these little patterns
370
859000
2000
megvizsgálhatjuk ezeket a halvány mintákat
14:36
and detect disease at a much earlier stage.
371
861000
2000
és kimutathatjuk a betegséget jóval korábbi stádiumában.
14:38
This has been called by Lee Hood, the father of the field,
372
863000
2000
Lee Hood, aki ezen terület atyja, ezt nevezte
14:40
P4 medicine.
373
865000
2000
P4-es orvostudománynak. (Predictive, Preventative, Personalized, Participatory)
14:42
We're going to be predictive; we're going to know what you're likely to have.
374
867000
2000
Előrelátókká válunk; tudni fogjuk, hogy milyen betegségeik lehetnek.
14:44
We can be preventative; that prevention can be personalized;
375
869000
3000
Megelőzőek lehetünk; személyes lehet a megelőzés;
14:47
and more importantly, it's going to become increasingly participatory.
376
872000
2000
és sokkal fontosabb, egyre inkább résztvevőkké válunk.
14:49
Through websites like Patients Like Me
377
874000
2000
Weboldalakon keresztül mint a Patients Like Me
14:51
or managing your data on Microsoft HealthVault or Google Health,
378
876000
3000
vagy az adataikat kezelhetik a Microsoft HealthVault-on vagy Google Health-en (közben már megszűnt),
14:54
leveraging this together in participatory ways
379
879000
2000
ezek összességének a hasznosítása,
14:56
is going to become increasingly important.
380
881000
2000
egyre inkább fontosabbá válik.
14:58
So I'll finish up with exponentially better.
381
883000
2000
Az exponenciálisan jobbal fogom befejezni.
15:00
We'd like to get therapies better and more effective.
382
885000
2000
Szeretnénk a terápiákat jobbá és sokkal eredményesebbé tenni.
15:02
Now today we treat high blood pressure mostly with pills.
383
887000
2000
Napjainkban a magas vérnyomást gyógyszerrel kezeljük.
15:04
What if we take a new device
384
889000
2000
Mi lenne ha új eszközt vetnénk be
15:06
and knock out the nerve vessels that help mediate blood pressure
385
891000
3000
és kiütnénk azokat az idegpályákat melyek a vérnyomást szabályozzák
15:09
and in a single therapy to cure hypertension?
386
894000
3000
és egy egyszeri kezeléssel gyógyítanánk a magas vérnyomást?
15:12
This is a new device that is essentially doing that.
387
897000
2000
Ez egy új eszköz amelyik lényegében alkalmas erre.
15:14
It should be on the market within a year or two.
388
899000
2000
Egy-két éven belül a boltokban is lesz.
15:16
How about more targeted therapies for cancer?
389
901000
2000
Mit gondolnak a célzottabb rákkezelésről?
15:18
Right, I'm an oncologist
390
903000
2000
Igen, én egy onkológus vagyok
15:20
and I have to say most of what we give is actually poison.
391
905000
2000
és el kell mondanom: amit a kezeléskor adunk, az legtöbbször méreg.
15:22
We've learned at Stanford and other places
392
907000
2000
Azt tudtuk meg a Stanford-on és más helyeken,
15:24
that we can discover cancer stem cells,
393
909000
2000
hogy feltárhatjuk a rák őssejtjeit,
15:26
the ones that seem to be really responsible for disease relapse.
394
911000
3000
azokat, amelyek úgy tűnik, hogy valóban felelősek a betegség visszatéréséért.
15:29
So if you think of cancer as a weed,
395
914000
2000
Tehát ha gyomként tekintünk a rákra,
15:31
we often can whack the weed away.
396
916000
2000
sok esetben kitéphetjük a gazt.
15:33
It seems to shrink, but it often comes back.
397
918000
2000
Úgy tűnik visszahúzódott, de gyakran visszatér.
15:35
So we're attacking the wrong target.
398
920000
2000
Vagyis rossz célpontot támadunk meg.
15:37
The cancer stem cells remain,
399
922000
2000
A rák őssejtek megmaradnak,
15:39
and the tumor can return months or years later.
400
924000
2000
és a daganat hónapok vagy évek múlva is visszatérhet.
15:41
We're now learning to identify the cancer stem cells
401
926000
3000
Most tanuljuk, hogy hogyan ismerhetjük fel a rák őssejteket
15:44
and identify those as targets and go for the long-term cure.
402
929000
2000
és azonosítsuk azokat mint célpont, és elérjük a hosszútávú gyógyulást.
15:46
And we're entering the era of personalized oncology,
403
931000
2000
Belépünk a személyre szabott onkológia korszakába:
15:48
the ability to leverage all of this data together,
404
933000
2000
a képesség az összes adat együttes hasznosítására,
15:50
analyze the tumor and come up with
405
935000
2000
analizáljuk a daganatot és előállítunk
15:52
a real, specific cocktail for the individual patient.
406
937000
3000
egy igazi, személyre szabott koktélt minden egyes betegnek.
15:55
Now I'll close with regenerative medicine.
407
940000
2000
A helyreállító orvostudománnyal fogok zárni.
15:57
So I've studied a lot about stem cells --
408
942000
2000
Sokat tanultam az őssejtekről --
15:59
embryonic stem cells are particularly powerful.
409
944000
2000
az embrionális őssejtek különösen erőteljesek.
16:01
We also have adult stem cells throughout our body.
410
946000
2000
Felnőtt őssejtek is vannak szerte a testünkben.
16:03
We use those in my field of bone marrow transplantation.
411
948000
2000
Azokat használjuk a csontvelő átültetésnél.
16:05
Geron, just last year, started the first trial
412
950000
2000
Geron épp tavaly kezdte el az első teszteket
16:07
using human embryonic stem cells
413
952000
2000
emberi embrionális őssejteket használva
16:09
to treat spinal cord injuries.
414
954000
2000
a gerincvelő sérülések kezeléséhez.
16:11
Still a Phase I trial, but evolving.
415
956000
2000
Ez még csak az első kísérleti fázis, de fejlődik.
16:13
We've been actually using adult stem cells
416
958000
2000
Éppenséggel felnőtt őssejteket használtunk
16:15
now in clinical trials for about 15 years
417
960000
2000
a klinikai kísérletekben körülbelül 15 éve,
16:17
to approach a whole range of topics, particularly in cardiovascular disease.
418
962000
3000
hogy megközelítsünk egy csomó témakört, különösen a kardiovaszkuláris betegséget.
16:20
We take our own bone marrow cells
419
965000
2000
Fogjuk a csontvelő sejtjeinket
16:22
and treat a patient with a heart attack,
420
967000
2000
és kezelünk egy szívinfarktuson átesett beteget,
16:24
we can see much improved heart function and actually better survival
421
969000
3000
sokkal jobb szívműködés láthatunk és ténylegesen jobb túlélést,
16:27
using our own bone marrow drive cells after a heart attack.
422
972000
3000
csontvelősejtjeinket felhasználva szívinfarktus után.
16:30
I invented a device called the MarrowMiner,
423
975000
2000
Feltaláltam egy eszközt, MarrowMiner a neve,
16:32
a much less invasive way for harvesting bone marrow.
424
977000
2000
kevésbé invazív eljárás a csontvelő kinyeréséhez.
16:34
It's now been FDA approved,
425
979000
2000
Most már az FDA által jóváhagyott eszköz,
16:36
and it'll hopefully be on the market in the next year or so.
426
981000
2000
és remélhetőleg a következő évben vagy azután piacra kerül.
16:38
Hopefully you can appreciate the device there
427
983000
2000
Remélhetőleg láthatják amint az eszköz
16:40
curving through the patient's body and removing the patient's bone marrow,
428
985000
2000
végigkanyarodik a beteg testében, eltávolítva a csontvelőt,
16:42
instead of with 200 punctures, with just a single puncture under local anesthesia.
429
987000
3000
200 szúrás helyett csak eggyel a helyi érzéstelenítés során.
16:45
But where is stem cell therapy really going?
430
990000
2000
De merre tart lényegében az őssejt terápia?
16:47
If you think about it, every cell in your body has the same DNA
431
992000
3000
Ha elgondolkoznak ezen, minden sejtnek ugyanaz a DNS-e,
16:50
as you had when you were an embryo.
432
995000
2000
ahogyan embrióként volt.
16:52
We can now reprogram your skin cells
433
997000
2000
Most újraprogramozhatjuk a bőrsejtjeiket
16:54
to actually act like a pluripotent embryonic stem cell
434
999000
3000
pluripotens embrionális őssejtté
16:57
and to utilize those potentially to treat multiple organs in that same patient --
435
1002000
3000
és felhasználhatjuk azokat, hogy kezeljünk több szervet ugyanannál a betegnél --
17:00
making your own personalized stem cell lines.
436
1005000
2000
elkészítve a saját személyes őssejt vonalakat.
17:02
And I think they'll be a new era of your own stem cell banking
437
1007000
3000
És azt hiszem a saját őssejtjük felhalmozásának kora lesz ez,
17:05
to have in the freezer your own cardiac cells,
438
1010000
2000
hogy ott lesz a mélyhűtőben a saját szívsejtjük,
17:07
myocytes and neural cells
439
1012000
2000
izomsejtjeik és idegsejtjeik,
17:09
to use them in the future, should you need them.
440
1014000
3000
hogy használhassák azokat a jövőben, amikor szükség lesz rájuk.
17:12
And we're integrating this now with a whole era of cellular engineering,
441
1017000
2000
És mindezeket integráljuk sejttechnikai eljárásokkal,
17:14
and integrating exponential technologies
442
1019000
2000
és exponenciális technológiákkal,
17:16
for essentially 3D organ printing --
443
1021000
2000
hogy három dimenziós szerveket nyomtassunk --
17:18
replacing the ink with cells
444
1023000
2000
sejtekkel helyettesítve a tintát
17:20
and essentially building and reconstructing a 3D organ.
445
1025000
3000
és valóságban felépíteni és rekonstruálni egy 3D-s szervet.
17:23
That's where things are going to head -- still very early days.
446
1028000
2000
Ebbe az irányba tartanak a dolgok -- ez még egy kezdeti időszak.
17:25
But I think, as integration of exponential technologies,
447
1030000
2000
De azt gondolom ez a példa
17:27
this is the example.
448
1032000
2000
az exponenciális technológiák integrálására.
17:29
So in close, as you think about technology trends
449
1034000
3000
Végül, ahogyan a technológiai trendekről gondolkodnak
17:32
and how to impact health and medicine,
450
1037000
2000
és a hatásukról az egészségre és orvostudományra,
17:34
we're entering an era of miniaturization,
451
1039000
2000
belépünk a miniatürizálás,
17:36
decentralization and personalization.
452
1041000
2000
decentralizálás és személyre szabás korszakába.
17:38
And I think by pulling these things together,
453
1043000
2000
Azáltal, hogy ezeket összehozzuk
17:40
if we can start to think about how to understand and leverage these,
454
1045000
2000
és elkezdünk gondolkodni azon, hogy lehet hasznosítani őket,
17:42
we're going to empower the patient,
455
1047000
2000
több lehetőséget adunk a betegnek
17:44
enable the doctor, enhance wellness
456
1049000
2000
és az orvosnak, növeljük a jólétet
17:46
and begin to cure the well before they get sick.
457
1051000
3000
és megkezdődik a gyógyításuk még mielőtt megbetegednének.
17:49
Because I know as a doctor, if someone comes to me with Stage I disease,
458
1054000
3000
Orvosként tudom, ha valaki hozzám jön kezdő stádiumban lévő betegséggel,
17:52
I'm thrilled -- we can often cure them.
459
1057000
2000
felvillanyozva érzem magam -- gyakran meg tudjuk gyógyítani.
17:54
But often it's too late and it's Stage III or IV cancer, for example.
460
1059000
3000
De gyakran nagyon késő, például 3-as vagy 4-es stádiumban lévő rákbetegségnél.
17:57
So by leveraging these technologies together,
461
1062000
2000
Tehát ezen technológiák együttes használatával,
17:59
I think we'll enter a new era
462
1064000
2000
úgy gondolom egy új korszakba lépünk,
18:01
that I like to call Stage 0 medicine.
463
1066000
2000
amit úgy szeretek hívni, hogy NULL Stádiumban lévő orvostudomány.
18:03
And as a cancer doctor, I'm looking forward to being out of a job.
464
1068000
3000
És onkológusként, alig várom, hogy munka nélkül legyek.
18:06
Thanks very much.
465
1071000
2000
Nagyon köszönöm
18:09
Host: Thank you. Thank you.
466
1074000
2000
Házigazda: Köszönöm. Köszönöm.
18:11
(Applause)
467
1076000
2000
(Taps)
18:13
Take a bow. Take a bow.
468
1078000
2000
Meghajlás. Meghajlás.
ABOUT THE SPEAKER
Daniel Kraft - Physician scientistDaniel Kraft is a physician-scientist, inventor and entrepreneur. He is the founder and chair of Exponential Medicine and has served as faculty chair for Medicine at Singularity University since its inception, exploring the impact and potential of rapidly developing technologies as applied to health and medicine.
Why you should listen
Dr. Daniel Kraft is a Stanford and Harvard trained physician-scientist with more than 25 years of experience in clinical practice, biomedical research and innovation. He is Faculty Chair for Medicine at Singularity University and is the founder and chair for Exponential Medicine, a program which explores convergent, rapidly developing technologies and their potential to reshape the future of health and biomedicine.
After medical school at Stanford, Kraft was board certified in both Internal Medicine and Pediatrics following residency at the Massachusetts General Hospital & Boston Children's Hospital, and he completed Stanford fellowships in hematology/oncology & bone marrow transplantation. He is a member of the inaugural class of Aspen Institute Health Innovators Fellows.
Kraft has extensive research in stem cell biology and regenerative medicine with multiple scientific publications, medical device, immunology and stem cell-related patents through faculty positions with Stanford University School of Medicine and as clinical faculty for the pediatric bone marrow transplantation service at University of California San Francisco.
Kraft recently founded IntelliMedicine, focused on connected, data-driven and integrated personalized medicine. He is the inventor of the MarrowMiner, an FDA-approved device for the minimally invasive harvest of bone marrow, and he founded RegenMed Systems, a company developing technologies to enable adult stem cell-based regenerative therapies. He is an advisor the XPRIZE (having conceived of the Medical Tricorder XPRIZE and is helping lead a new Cancer focused prize), and advises several digital health and technology companies.
Kraft is an avid pilot and served for 14 years as an officer and flight surgeon with F-15 and F-16 fighter squadrons in the Air National Guard. He has conducted research on aerospace medicine that was published with NASA, with whom he was a finalist for astronaut selection.
Daniel Kraft | Speaker | TED.com