TEDMED 2015
Russ Altman: What really happens when you mix medications?
Russ Altman: Co się dzieje, kiedy mieszamy leki?
Filmed:
Readability: 4.2
1,766,922 views
Jeśli bierzemy dwa różne leki z dwóch różnych powodów, to warto zastanowić się nad następującą kwestią: być może lekarz nie do końca wie, co się stanie, jeśli te leki się połączy, bo bardzo ciężko zbadać takie interakcje.
W tej fascynującej i przystępnej prelekcji Russ Altman opowiada, jak lekarze badają nieprzewidziane interakcje leków przy wykorzystaniu dość niespodziewanego narzędzia: zapytań w wyszukiwarkach internetowych.
Russ Altman - Big data techno-optimist and internist
Russ Altman uses machine learning to better understand adverse effects of medication. Full bio
Russ Altman uses machine learning to better understand adverse effects of medication. Full bio
Double-click the English transcript below to play the video.
00:12
So you go to the doctor
and get some tests.
and get some tests.
0
811
3321
Idziecie do lekarza,
lekarz robi wam badania.
lekarz robi wam badania.
00:16
The doctor determines
that you have high cholesterol
that you have high cholesterol
1
4674
2620
Okazuje się, że macie wysoki cholesterol
00:19
and you would benefit
from medication to treat it.
from medication to treat it.
2
7318
3171
i warto byłoby wziąć na to lekarstwo.
00:22
So you get a pillbox.
3
10981
1556
Dostajecie tabletki.
00:25
You have some confidence,
4
13505
1199
Wierzycie, że to pomoże.
00:26
your physician has some confidence
that this is going to work.
that this is going to work.
5
14728
2937
I lekarz też w to wierzy.
00:29
The company that invented it did
a lot of studies, submitted it to the FDA.
a lot of studies, submitted it to the FDA.
6
17689
3553
Lek został zbadany przez twórców
i przesłany do Agencji Żywności i Leków.
i przesłany do Agencji Żywności i Leków.
00:33
They studied it very carefully,
skeptically, they approved it.
skeptically, they approved it.
7
21266
3107
Agencja zrobiła kolejne badania
i w końcu lek zatwierdziła.
i w końcu lek zatwierdziła.
00:36
They have a rough idea of how it works,
8
24397
1889
Wiedzą mniej więcej, jak działa
00:38
they have a rough idea
of what the side effects are.
of what the side effects are.
9
26310
2453
i jakie są efekty uboczne.
00:40
It should be OK.
10
28787
1150
Powinno być dobrze.
00:42
You have a little more
of a conversation with your physician
of a conversation with your physician
11
30864
2818
Rozmawiacie jeszcze z lekarzem
00:45
and the physician is a little worried
because you've been blue,
because you've been blue,
12
33706
2963
i trochę go martwicie,
bo jesteście ostatnio jacyś smutni,
bo jesteście ostatnio jacyś smutni,
00:48
haven't felt like yourself,
13
36693
1293
nieswoi,
00:50
you haven't been able to enjoy things
in life quite as much as you usually do.
in life quite as much as you usually do.
14
38010
3731
nie czerpiecie z życia
tyle radości, co zwykle.
tyle radości, co zwykle.
00:53
Your physician says, "You know,
I think you have some depression.
I think you have some depression.
15
41765
3186
Lekarz mówi: "Podejrzewam depresję.
00:57
I'm going to have to give
you another pill."
you another pill."
16
45792
2315
Przepiszę jeszcze jedne tabletki".
01:00
So now we're talking
about two medications.
about two medications.
17
48934
2483
No i teraz mamy dwa leki.
01:03
This pill also -- millions
of people have taken it,
of people have taken it,
18
51441
3104
Ten drugi też bierze mnóstwo osób,
01:06
the company did studies,
the FDA looked at it -- all good.
the FDA looked at it -- all good.
19
54569
3631
twórcy zrobili badania, agencja też.
Wszystko wygląda dobrze.
Powinno pójść gladko.
Powinno pójść gladko.
01:10
Think things should go OK.
20
58823
2057
01:12
Think things should go OK.
21
60904
2197
I z tym chyba też.
01:15
Well, wait a minute.
22
63125
1439
Ale zaraz.
01:16
How much have we studied
these two together?
these two together?
23
64588
3517
Czy zbadano skutki
brania tych leków razem?
brania tych leków razem?
01:20
Well, it's very hard to do that.
24
68630
2300
Trudno to zrobić.
01:22
In fact, it's not traditionally done.
25
70954
2130
Właściwie się tego nie robi.
01:25
We totally depend on what we call
"post-marketing surveillance,"
"post-marketing surveillance,"
26
73108
5518
Polegamy tutaj na tzw. "kontroli
po wprowadzeniu do obrotu",
po wprowadzeniu do obrotu",
01:30
after the drugs hit the market.
27
78650
1880
po tym, jak leki wejdą na rynek.
01:32
How can we figure out
if bad things are happening
if bad things are happening
28
80996
2848
Skąd wiadomo, czy między dwoma lekami
nie zachodzą niepożądane interakcje?
01:35
between two medications?
29
83868
1357
01:37
Three? Five? Seven?
30
85249
2030
A pomiędzy trzema?
Pięcioma? Siedmioma?
Pięcioma? Siedmioma?
01:39
Ask your favorite person
who has several diagnoses
who has several diagnoses
31
87708
2415
Zapytajcie znajomego z kilkoma diagnozami,
01:42
how many medications they're on.
32
90147
1834
ile bierze leków.
01:44
Why do I care about this problem?
33
92530
1580
Dlaczego tak się tym przejmuję?
01:46
I care about it deeply.
34
94134
1157
A przejmuję się mocno.
01:47
I'm an informatics and data science guy
and really, in my opinion,
and really, in my opinion,
35
95315
4304
Zajmuję się informatyką
i analizą danych nieuporządkowanych.
i analizą danych nieuporządkowanych.
01:51
the only hope -- only hope --
to understand these interactions
to understand these interactions
36
99643
3745
Moim zdaniem, jedyną nadzieją
na zrozumienie tych interakcji
na zrozumienie tych interakcji
01:55
is to leverage lots
of different sources of data
of different sources of data
37
103412
3056
jest porównanie różnych źródeł danych,
01:58
in order to figure out
when drugs can be used together safely
when drugs can be used together safely
38
106492
3556
żeby stwierdzić, kiedy można
bezpiecznie przyjmować leki razem,
bezpiecznie przyjmować leki razem,
02:02
and when it's not so safe.
39
110072
1777
a kiedy nie.
02:04
So let me tell you a data science story.
40
112615
2051
Opowiem pewną historię.
02:06
And it begins with my student Nick.
41
114690
2154
Zaczyna się od mojego studenta, Nicka.
02:08
Let's call him "Nick,"
because that's his name.
because that's his name.
42
116868
2380
Będę go nazywał "Nick", bo tak ma na imię.
02:11
(Laughter)
43
119272
1592
(Śmiech)
02:12
Nick was a young student.
44
120888
1201
Był młodym studentem.
02:14
I said, "You know, Nick, we have
to understand how drugs work
to understand how drugs work
45
122113
3079
Powiedziałem mu: "Nick, musimy
dowiedzieć się, jak działają leki.
dowiedzieć się, jak działają leki.
02:17
and how they work together
and how they work separately,
and how they work separately,
46
125216
2626
Jak działają razem i oddzielnie,
02:19
and we don't have a great understanding.
47
127866
1922
bo obecnie nie do końca to rozumiemy".
02:21
But the FDA has made available
an amazing database.
an amazing database.
48
129812
2405
Agencja Żywności i Leków
udostępniła bazę danych.
udostępniła bazę danych.
02:24
It's a database of adverse events.
49
132241
1699
Bazę skutków ubocznych.
02:26
They literally put on the web --
50
134321
1642
Zamieścili ją w Internecie.
02:27
publicly available, you could all
download it right now --
download it right now --
51
135987
3119
Jest powszechnie dostępna,
można ją pobrać nawet teraz.
można ją pobrać nawet teraz.
02:31
hundreds of thousands
of adverse event reports
of adverse event reports
52
139130
3627
Opisuje niepożądane działania leków
i składa się z setek tysięcy zgłoszeń
i składa się z setek tysięcy zgłoszeń
02:34
from patients, doctors,
companies, pharmacists.
companies, pharmacists.
53
142781
3760
dostarczonych przez pacjentów,
lekarzy, firmy i farmaceutów.
lekarzy, firmy i farmaceutów.
02:38
And these reports are pretty simple:
54
146565
1749
To bardzo proste zgłoszenia,
02:40
it has all the diseases
that the patient has,
that the patient has,
55
148338
2658
są w nich wyszczególnione
choroby pacjenta,
choroby pacjenta,
02:43
all the drugs that they're on,
56
151020
1767
przyjmowane leki
02:44
and all the adverse events,
or side effects, that they experience.
or side effects, that they experience.
57
152811
3818
i wszystkie niepożądane działania
oraz skutki uboczne, jakie wystąpiły.
oraz skutki uboczne, jakie wystąpiły.
02:48
It is not all of the adverse events
that are occurring in America today,
that are occurring in America today,
58
156653
3436
Nie ma tam wszystkiego,
02:52
but it's hundreds and hundreds
of thousands of drugs.
of thousands of drugs.
59
160113
2578
ale i tak opisano setki tysięcy leków.
02:54
So I said to Nick,
60
162715
1299
Powiedziałem więc Nickowi:
02:56
"Let's think about glucose.
61
164038
1826
"Zastanówmy się nad glukozą.
02:57
Glucose is very important,
and we know it's involved with diabetes.
and we know it's involved with diabetes.
62
165888
3567
Wiemy, że jest bardzo ważna,
zwłaszcza przy cukrzycy,
zwłaszcza przy cukrzycy,
03:01
Let's see if we can understand
glucose response.
glucose response.
63
169479
3970
zobaczmy, czy uda nam się
zaobserwować jej zachowanie".
zaobserwować jej zachowanie".
03:05
I sent Nick off. Nick came back.
64
173473
2458
Odesłałem Nicka, a potem Nick wrócił.
03:08
"Russ," he said,
65
176248
1786
"Russ" - powiedział.
03:10
"I've created a classifier that can
look at the side effects of a drug
look at the side effects of a drug
66
178351
5112
"Stworzyłem klasyfikator,
który analizuje efekty uboczne leku
który analizuje efekty uboczne leku
03:15
based on looking at this database,
67
183487
2051
na podstawie bazy danych
03:17
and can tell you whether that drug
is likely to change glucose or not."
is likely to change glucose or not."
68
185562
4271
i zwraca informację o tym,
który lek wpływa na poziom glukozy".
który lek wpływa na poziom glukozy".
03:21
He did it. It was very simple, in a way.
69
189857
2016
Udało mu się. To było bardzo proste.
03:23
He took all the drugs
that were known to change glucose
that were known to change glucose
70
191897
2635
Wziął wszystkie leki,
które zmieniają poziom glukozy
które zmieniają poziom glukozy
03:26
and a bunch of drugs
that don't change glucose,
that don't change glucose,
71
194556
2389
i kilka, które go nie zmieniają,
03:28
and said, "What's the difference
in their side effects?
in their side effects?
72
196969
2888
i zastanowił się nad różnicą
w ich efektach ubocznych.
w ich efektach ubocznych.
03:31
Differences in fatigue? In appetite?
In urination habits?"
In urination habits?"
73
199881
4852
Czy jakoś wpływają na zmęczenie?
Apetyt? Oddawanie moczu?
Apetyt? Oddawanie moczu?
03:36
All those things conspired
to give him a really good predictor.
to give him a really good predictor.
74
204757
2960
To wszystko złożyło się
na bardzo dobry prognostyk.
na bardzo dobry prognostyk.
03:39
He said, "Russ, I can predict
with 93 percent accuracy
with 93 percent accuracy
75
207741
2548
Powiedział: "Mogę przewidzieć na 93%,
03:42
when a drug will change glucose."
76
210313
1572
kiedy lek zmieni poziom glukozy.
03:43
I said, "Nick, that's great."
77
211909
1416
Odpowiedziałem: "Świetnie".
03:45
He's a young student,
you have to build his confidence.
you have to build his confidence.
78
213349
2896
To młody student, trzeba w nim
umocnić pewność siebie.
umocnić pewność siebie.
03:48
"But Nick, there's a problem.
79
216269
1390
"Ale jest pewien problem.
03:49
It's that every physician in the world
knows all the drugs that change glucose,
knows all the drugs that change glucose,
80
217683
3960
Każdy lekarz zna leki,
które zmieniają poziom glukozy,
które zmieniają poziom glukozy,
03:53
because it's core to our practice.
81
221667
2038
bo na tym polega jego praca.
03:55
So it's great, good job,
but not really that interesting,
but not really that interesting,
82
223729
3722
Wykonałeś zadanie świetnie,
ale to nic interesującego.
ale to nic interesującego.
03:59
definitely not publishable."
83
227475
1531
Nic do publikacji".
04:01
(Laughter)
84
229030
1014
(Śmiech)
04:02
He said, "I know, Russ.
I thought you might say that."
I thought you might say that."
85
230068
2550
Odpowiedział: "Wiem.
Podejrzewałem, że tak powiesz".
Podejrzewałem, że tak powiesz".
04:04
Nick is smart.
86
232642
1152
Nick jest mądry.
04:06
"I thought you might say that,
so I did one other experiment.
so I did one other experiment.
87
234149
2874
"I dlatego zrobiłem
jeszcze jeden eksperyment
jeszcze jeden eksperyment
04:09
I looked at people in this database
who were on two drugs,
who were on two drugs,
88
237047
2928
Spojrzałem na pacjentów,
którzy przyjmowali dwa leki,
którzy przyjmowali dwa leki,
04:11
and I looked for signals similar,
glucose-changing signals,
glucose-changing signals,
89
239999
4422
i poszukałem oznak zmiany poziomu glukozy
04:16
for people taking two drugs,
90
244445
1624
u takich ludzi;
04:18
where each drug alone
did not change glucose,
did not change glucose,
91
246093
5569
tam gdzie jeden lek
nie miał wpływu na zmianę
nie miał wpływu na zmianę
04:23
but together I saw a strong signal."
92
251686
2460
ale dwa razem już tak".
04:26
And I said, "Oh! You're clever.
Good idea. Show me the list."
Good idea. Show me the list."
93
254170
3149
Powiedziałem: "Bardzo mądrze.
Świetny pomysł. Pokaż listę".
Świetny pomysł. Pokaż listę".
04:29
And there's a bunch of drugs,
not very exciting.
not very exciting.
94
257343
2254
Było na niej kilka leków,
nic szczególnego.
nic szczególnego.
04:31
But what caught my eye
was, on the list there were two drugs:
was, on the list there were two drugs:
95
259621
3932
Mój wzrok przykuły jednak dwa:
04:35
paroxetine, or Paxil, an antidepressant;
96
263577
3393
paroksetyna czy też Paxil - antydepresant
04:39
and pravastatin, or Pravachol,
a cholesterol medication.
a cholesterol medication.
97
267756
3570
i prawastatyna czy też Pravachol
- lek na cholesterol.
- lek na cholesterol.
04:43
And I said, "Huh. There are millions
of Americans on those two drugs."
of Americans on those two drugs."
98
271936
4283
Powiedziałem: "Miliony Amerykanów
przyjmuje te dwa leki".
przyjmuje te dwa leki".
04:48
In fact, we learned later,
99
276243
1246
Jak się później okazało,
04:49
15 million Americans on paroxetine
at the time, 15 million on pravastatin,
at the time, 15 million on pravastatin,
100
277513
6032
15 mln Amerykanów brało paroksetynę,
15 mln prawastatynę
15 mln prawastatynę
04:55
and a million, we estimated, on both.
101
283569
2817
i milion brało oba.
04:58
So that's a million people
102
286767
1254
Mamy więc milion osób,
05:00
who might be having some problems
with their glucose
with their glucose
103
288045
2453
które mogą mieć problemy
z poziomem glukozy,
z poziomem glukozy,
jeśli te całe czary mary z bazą danych
05:02
if this machine-learning mumbo jumbo
that he did in the FDA database
that he did in the FDA database
104
290522
3206
są czegoś warte.
05:05
actually holds up.
105
293752
1254
Powiedziałem mu jednak:
05:07
But I said, "It's still not publishable,
106
295030
1927
"To wciąż nie do publikacji.
05:08
because I love what you did
with the mumbo jumbo,
with the mumbo jumbo,
107
296981
2296
Podoba mi się to, co zrobiłeś,
całe to uczenie maszynowe,
całe to uczenie maszynowe,
05:11
with the machine learning,
108
299301
1246
05:12
but it's not really standard-of-proof
evidence that we have."
evidence that we have."
109
300571
3864
ale nadal nie mamy mocnego dowodu.
05:17
So we have to do something else.
110
305618
1589
Musimy spróbować czegoś innego.
05:19
Let's go into the Stanford
electronic medical record.
electronic medical record.
111
307231
2876
Weźmy elektroniczny
rejestr medyczny Stanford.
rejestr medyczny Stanford.
05:22
We have a copy of it
that's OK for research,
that's OK for research,
112
310131
2064
Mamy kopię przystosowaną do badań,
05:24
we removed identifying information.
113
312219
2046
bez wrażliwych danych.
05:26
And I said, "Let's see if people
on these two drugs
on these two drugs
114
314581
2503
Sprawdźmy, czy ludzie na tych dwóch lekach
05:29
have problems with their glucose."
115
317108
1769
mają problemy z glukozą".
05:31
Now there are thousands
and thousands of people
and thousands of people
116
319242
2207
W rejestrze medycznym
Stanford są tysiące ludzi,
Stanford są tysiące ludzi,
05:33
in the Stanford medical records
that take paroxetine and pravastatin.
that take paroxetine and pravastatin.
117
321473
3459
którzy biorą paroksetynę i prawastatynę.
05:36
But we needed special patients.
118
324956
1799
Potrzebowaliśmy specjalnej grupy:
05:38
We needed patients who were on one of them
and had a glucose measurement,
and had a glucose measurement,
119
326779
4597
pacjentów, którzy przyjmowali jeden lek
i u których zmierzono poziom glukozy,
i u których zmierzono poziom glukozy,
05:43
then got the second one and had
another glucose measurement,
another glucose measurement,
120
331400
3449
a potem zaczęli przyjmować drugi lek
i mieli kolejny pomiar.
i mieli kolejny pomiar.
05:46
all within a reasonable period of time --
something like two months.
something like two months.
121
334873
3615
Wszystko w rozsądnym
odstępie czasu, około 2 miesięcy.
odstępie czasu, około 2 miesięcy.
05:50
And when we did that,
we found 10 patients.
we found 10 patients.
122
338512
3159
Zrobiliśmy to i znaleźliśmy 10 pacjentów.
05:54
However, eight out of the 10
had a bump in their glucose
had a bump in their glucose
123
342592
4538
U 8 z tych 10 wzrósł poziom glukozy,
05:59
when they got the second P --
we call this P and P --
we call this P and P --
124
347154
2645
kiedy dostali drugie P,
(nazywamy te leki "P i P")
(nazywamy te leki "P i P")
06:01
when they got the second P.
125
349823
1310
kiedy dostali drugie P.
06:03
Either one could be first,
the second one comes up,
the second one comes up,
126
351157
2562
Nieważne, który lek brali najpierw.
Kiedy dostali drugi, poziom
glukozy wzrósł o 20 mg/dl.
glukozy wzrósł o 20 mg/dl.
06:05
glucose went up
20 milligrams per deciliter.
20 milligrams per deciliter.
127
353743
2847
06:08
Just as a reminder,
128
356614
1158
Dla przypomnienia,
06:09
you walk around normally,
if you're not diabetic,
if you're not diabetic,
129
357796
2325
jeśli nie macie cukrzycy,
06:12
with a glucose of around 90.
130
360145
1359
to normalny poziom wynosi około 90.
06:13
And if it gets up to 120, 125,
131
361528
2076
Jeśli wzrasta do 120, 125,
06:15
your doctor begins to think
about a potential diagnosis of diabetes.
about a potential diagnosis of diabetes.
132
363628
3450
to lekarz zaczyna się zastanawiać,
czy to już nie początek cukrzycy.
czy to już nie początek cukrzycy.
06:19
So a 20 bump -- pretty significant.
133
367102
2991
Wzrost o 20 jest zatem poważny.
06:22
I said, "Nick, this is very cool.
134
370601
1904
Powiedziałem: "Nick, świetnie.
06:25
But, I'm sorry, we still
don't have a paper,
don't have a paper,
135
373616
2053
Ale to nadal nie nadaje się do publikacji,
06:27
because this is 10 patients
and -- give me a break --
and -- give me a break --
136
375693
2579
bo to 10 pacjentów,
czyli za mało".
06:30
it's not enough patients."
137
378296
1245
06:31
So we said, what can we do?
138
379565
1306
Co tu zrobić?
06:32
And we said, let's call our friends
at Harvard and Vanderbilt,
at Harvard and Vanderbilt,
139
380895
2976
Zadzwoniliśmy do znajomych
z Harvardu i Vanderbilt,
z Harvardu i Vanderbilt,
06:35
who also -- Harvard in Boston,
Vanderbilt in Nashville,
Vanderbilt in Nashville,
140
383895
2587
Harvard w Bostonie,
a Vanderbilt w Nashville,
a Vanderbilt w Nashville,
którzy, tak jak my, mają taki
elektroniczny rejestr medyczny.
elektroniczny rejestr medyczny.
06:38
who also have electronic
medical records similar to ours.
medical records similar to ours.
141
386506
2821
06:41
Let's see if they can find
similar patients
similar patients
142
389351
2020
Może znajdą podobnych pacjentów
06:43
with the one P, the other P,
the glucose measurements
the glucose measurements
143
391395
3276
z jednym i drugim P i pomiarami glukozy,
06:46
in that range that we need.
144
394695
1600
tak, jak potrzebujemy.
06:48
God bless them, Vanderbilt
in one week found 40 such patients,
in one week found 40 such patients,
145
396787
4955
Vanderbilt znalazł w tydzień 40 pacjentów.
06:53
same trend.
146
401766
1189
Identyczny trend.
06:55
Harvard found 100 patients, same trend.
147
403804
3620
Harvard znalazł takich 100.
06:59
So at the end, we had 150 patients
from three diverse medical centers
from three diverse medical centers
148
407448
4281
Mieliśmy więc 150 pacjentów
z trzech różnych centrów medycznych,
z trzech różnych centrów medycznych,
07:03
that were telling us that patients
getting these two drugs
getting these two drugs
149
411753
3297
co mówiło nam,
że poziom glukozy u pacjentów
że poziom glukozy u pacjentów
07:07
were having their glucose bump
somewhat significantly.
somewhat significantly.
150
415074
2703
przyjmujących te dwa leki,
znacząco wzrastał.
znacząco wzrastał.
07:10
More interestingly,
we had left out diabetics,
we had left out diabetics,
151
418317
2810
Co więcej, nie włączaliśmy
w to cukrzyków,
w to cukrzyków,
07:13
because diabetics already
have messed up glucose.
have messed up glucose.
152
421151
2317
bo cukrzycy już i tak
mają wysoki poziom glukozy.
mają wysoki poziom glukozy.
07:15
When we looked
at the glucose of diabetics,
at the glucose of diabetics,
153
423492
2238
Kiedy spojrzeliśmy na ich wyniki,
07:17
it was going up 60 milligrams
per deciliter, not just 20.
per deciliter, not just 20.
154
425754
3435
okazało się, że poziom wzrastał
o 60 mg/dl, nie tylko 20.
o 60 mg/dl, nie tylko 20.
07:21
This was a big deal, and we said,
"We've got to publish this."
"We've got to publish this."
155
429760
3452
To było naprawdę coś dużego,
musieliśmy to opublikować.
musieliśmy to opublikować.
07:25
We submitted the paper.
156
433236
1179
Daliśmy do publikacji.
07:26
It was all data evidence,
157
434439
2111
Wszystko oparte było na danych
07:28
data from the FDA, data from Stanford,
158
436574
2483
z bazy Agencji Żywności i Leków,
ze Stanford, z Vanderbilt i z Harvardu.
07:31
data from Vanderbilt, data from Harvard.
159
439081
1946
07:33
We had not done a single real experiment.
160
441051
2396
Nie zrobiliśmy żadnego eksperymentu.
07:36
But we were nervous.
161
444495
1296
Ale byliśmy niespokojni.
07:38
So Nick, while the paper
was in review, went to the lab.
was in review, went to the lab.
162
446201
3730
Kiedy artykuł recenzowano,
Nick udał się do laboratorium.
Nick udał się do laboratorium.
07:41
We found somebody
who knew about lab stuff.
who knew about lab stuff.
163
449955
2462
Znaleźliśmy kogoś, kto się na tym zna.
07:44
I don't do that.
164
452441
1393
Ja się nie znam.
07:45
I take care of patients,
but I don't do pipettes.
but I don't do pipettes.
165
453858
2417
Opiekuję się pacjentami,
ale nie dotykam pipet.
ale nie dotykam pipet.
07:49
They taught us how to feed mice drugs.
166
457420
3053
Nauczyli nas, jak podawać leki myszom.
07:52
We took mice and we gave them
one P, paroxetine.
one P, paroxetine.
167
460864
2414
Wzięliśmy więc myszy
i jednym daliśmy paroksetynę.
i jednym daliśmy paroksetynę.
07:55
We gave some other mice pravastatin.
168
463302
2508
Innym myszom daliśmy prawastatynę.
07:57
And we gave a third group
of mice both of them.
of mice both of them.
169
465834
3595
Trzeciej grupie daliśmy oba leki.
08:01
And lo and behold, glucose went up
20 to 60 milligrams per deciliter
20 to 60 milligrams per deciliter
170
469893
3946
I u tej trzeciej grupy glukoza podskoczyła
z 20 do 60 mg/dl.
08:05
in the mice.
171
473863
1171
08:07
So the paper was accepted
based on the informatics evidence alone,
based on the informatics evidence alone,
172
475058
3158
Publikację zatwierdzono tylko
na podstawie danych informatycznych,
na podstawie danych informatycznych,
08:10
but we added a little note at the end,
173
478240
1894
ale na koniec dodaliśmy wzmiankę,
08:12
saying, oh by the way,
if you give these to mice, it goes up.
if you give these to mice, it goes up.
174
480158
2899
że u myszy działa to tak samo.
08:15
That was great, and the story
could have ended there.
could have ended there.
175
483081
2508
Było świetnie i historia
mogłaby się na tym skończyć.
mogłaby się na tym skończyć.
08:17
But I still have six and a half minutes.
176
485613
1997
Ale mam jeszcze 6,5 minuty.
08:19
(Laughter)
177
487634
2807
(Śmiech)
08:22
So we were sitting around
thinking about all of this,
thinking about all of this,
178
490465
2815
Zaczęliśmy się zastanawiać.
08:25
and I don't remember who thought
of it, but somebody said,
of it, but somebody said,
179
493304
2735
Nie pamiętam, kto właściwie powiedział:
08:28
"I wonder if patients
who are taking these two drugs
who are taking these two drugs
180
496063
3201
"Ciekawe, czy pacjenci
przyjmujący te dwa leki
przyjmujący te dwa leki
08:31
are noticing side effects
of hyperglycemia.
of hyperglycemia.
181
499288
3553
zauważyli u siebie objawy hiperglikemii.
08:34
They could and they should.
182
502865
1496
Mogło, a nawet powinno tak być.
08:36
How would we ever determine that?"
183
504761
1877
Jak możemy to sprawdzić?".
08:39
We said, well, what do you do?
184
507551
1443
Co się wtedy robi?
08:41
You're taking a medication,
one new medication or two,
one new medication or two,
185
509018
2580
Bierzesz lek, potem dochodzi nowy
08:43
and you get a funny feeling.
186
511622
1538
i zaczynasz się dziwnie czuć.
08:45
What do you do?
187
513184
1151
Co robisz?
08:46
You go to Google
188
514359
1151
Sprawdzasz w Google.
08:47
and type in the two drugs you're taking
or the one drug you're taking,
or the one drug you're taking,
189
515534
3349
Wpisujesz oba brane leki
albo tylko jeden z nich
albo tylko jeden z nich
08:50
and you type in "side effects."
190
518907
1603
i dodajesz efekty uboczne.
08:52
What are you experiencing?
191
520534
1356
Co czujesz?
08:54
So we said OK,
192
522239
1151
Postanowiliśmy poprosić Google
08:55
let's ask Google if they will share
their search logs with us,
their search logs with us,
193
523414
3056
o udostępnienie rejestrów wyszukiwań,
08:58
so that we can look at the search logs
194
526494
1833
żebyśmy mogli zobaczyć
09:00
and see if patients are doing
these kinds of searches.
these kinds of searches.
195
528351
2565
czy pacjenci rzeczywiście tak szukają.
09:02
Google, I am sorry to say,
denied our request.
denied our request.
196
530940
3275
Niestety Google odrzuciło naszą prośbę.
09:06
So I was bummed.
197
534819
1151
Nie byłem zadowolony.
09:07
I was at a dinner with a colleague
who works at Microsoft Research
who works at Microsoft Research
198
535994
3166
Poszedłem na kolację z kolegą,
który pracuje w Microsoft Research
który pracuje w Microsoft Research
09:11
and I said, "We wanted to do this study,
199
539184
1941
i opowiedziałem o naszych zamiarach
09:13
Google said no, it's kind of a bummer."
200
541149
1880
oraz odmowie Google.
09:15
He said, "Well, we have
the Bing searches."
the Bing searches."
201
543053
2086
Kolega na to, że mają wyszukania w Bing.
09:18
(Laughter)
202
546195
3483
(Śmiech)
09:22
Yeah.
203
550805
1267
Tak.
09:24
That's great.
204
552096
1151
Świetnie.
09:25
Now I felt like I was --
205
553271
1151
Czułem się, jakbym...
09:26
(Laughter)
206
554446
1000
(Śmiech)
09:27
I felt like I was talking to Nick again.
207
555470
2412
Jakbym znów rozmawiał z Nickiem.
09:30
He works for one of the largest
companies in the world,
companies in the world,
208
558437
2624
Kolega pracuje w jednej
z największych firm na świecie,
z największych firm na świecie,
09:33
and I'm already trying
to make him feel better.
to make him feel better.
209
561085
2206
a ja się staram nie zrobić mu przykrości.
09:35
But he said, "No, Russ --
you might not understand.
you might not understand.
210
563315
2445
Ale on powiedział: "Nie zrozumieliśmy się.
Mamy więcej, niż wyszukania Bing.
09:37
We not only have Bing searches,
211
565784
1500
09:39
but if you use Internet Explorer
to do searches at Google,
to do searches at Google,
212
567308
3340
Jeśli ktoś używał Internet Explorera
do szukania czegoś w Google,
do szukania czegoś w Google,
09:42
Yahoo, Bing, any ...
213
570672
1891
Yahoo, Bingu, czymkolwiek,
09:44
Then, for 18 months, we keep that data
for research purposes only."
for research purposes only."
214
572587
3643
to przechowujemy te dane
przez 18 miesięcy w celach badawczych".
przez 18 miesięcy w celach badawczych".
09:48
I said, "Now you're talking!"
215
576254
1936
Odpowiedziałem: "Od razu inna rozmowa!".
09:50
This was Eric Horvitz,
my friend at Microsoft.
my friend at Microsoft.
216
578214
2198
To był Eric Horvitz,
mój znajomy z Microsoftu.
mój znajomy z Microsoftu.
09:52
So we did a study
217
580436
1695
Zrobiliśmy badanie.
09:54
where we defined 50 words
that a regular person might type in
that a regular person might type in
218
582155
4619
Zdefiniowaliśmy 50 słów,
jakie mógłby wpisać ktoś,
jakie mógłby wpisać ktoś,
09:58
if they're having hyperglycemia,
219
586798
1602
kto ma hiperglikemię.
10:00
like "fatigue," "loss of appetite,"
"urinating a lot," "peeing a lot" --
"urinating a lot," "peeing a lot" --
220
588424
4762
"Zmęczenie", "utrata apetytu",
"częsty mocz", "częste sikanie"...
"częsty mocz", "częste sikanie"...
10:05
forgive me, but that's one
of the things you might type in.
of the things you might type in.
221
593210
2767
Wybaczcie, ale ludzie tak wpisują.
10:08
So we had 50 phrases
that we called the "diabetes words."
that we called the "diabetes words."
222
596001
2790
Mieliśmy 50 fraz, które nazwaliśmy
"cukrzycowymi słowami".
"cukrzycowymi słowami".
10:10
And we did first a baseline.
223
598815
2063
Najpierw określiliśmy bazę.
10:12
And it turns out
that about .5 to one percent
that about .5 to one percent
224
600902
2704
Okazało się, że od 0,5 do 1% wyszukań
10:15
of all searches on the Internet
involve one of those words.
involve one of those words.
225
603630
2982
zawierało te słowa.
10:18
So that's our baseline rate.
226
606636
1742
Na tym się oparliśmy.
10:20
If people type in "paroxetine"
or "Paxil" -- those are synonyms --
or "Paxil" -- those are synonyms --
227
608402
4143
Jeśli wpisywano "paroksetyna"
lub "Paxil" (to synonimy)
lub "Paxil" (to synonimy)
10:24
and one of those words,
228
612569
1215
i jedno ze słów,
10:25
the rate goes up to about two percent
of diabetes-type words,
of diabetes-type words,
229
613808
4890
to liczba wyszukań wzrastała
do dwóch procent tych cukrzycowych słów,
do dwóch procent tych cukrzycowych słów,
10:30
if you already know
that there's that "paroxetine" word.
that there's that "paroxetine" word.
230
618722
3044
jeśli już wiedzieliśmy,
że wpisano też: "paroksetyna".
że wpisano też: "paroksetyna".
10:34
If it's "pravastatin," the rate goes up
to about three percent from the baseline.
to about three percent from the baseline.
231
622191
4547
W przypadku wpisania: "prawastatyna"
liczba wzrastała do 3%.
liczba wzrastała do 3%.
10:39
If both "paroxetine" and "pravastatin"
are present in the query,
are present in the query,
232
627171
4390
Jeśli obie nazwy pojawiły się w zapytaniu,
10:43
it goes up to 10 percent,
233
631585
1669
to liczba wzrastała do 10%.
10:45
a huge three- to four-fold increase
234
633278
3461
Czyli mieliśmy trzy-, czterokrotny wzrost
10:48
in those searches with the two drugs
that we were interested in,
that we were interested in,
235
636763
3389
w zapytaniach zawierających
nazwy naszych dwóch leków
nazwy naszych dwóch leków
10:52
and diabetes-type words
or hyperglycemia-type words.
or hyperglycemia-type words.
236
640176
3566
oraz słowa powiązane
z cukrzycą czy hiperglikemią.
z cukrzycą czy hiperglikemią.
10:56
We published this,
237
644216
1265
Opublikowaliśmy wyniki
10:57
and it got some attention.
238
645505
1466
i zwrócono na nie uwagę.
10:58
The reason it deserves attention
239
646995
1778
A zasługiwało to na uwagę,
11:00
is that patients are telling us
their side effects indirectly
their side effects indirectly
240
648797
4312
bo pacjenci mówili nam
o skutkach ubocznych pośrednio,
o skutkach ubocznych pośrednio,
11:05
through their searches.
241
653133
1156
za pomocą wyszukiwań.
11:06
We brought this
to the attention of the FDA.
to the attention of the FDA.
242
654313
2138
Powiadomiliśmy Agencję Żywności i Leków.
11:08
They were interested.
243
656475
1269
Zainteresowali się sprawą.
11:09
They have set up social media
surveillance programs
surveillance programs
244
657768
3606
Uruchomili programy
obserwacji mediów społecznościowych
obserwacji mediów społecznościowych
11:13
to collaborate with Microsoft,
245
661398
1751
we współpracy z Microsoftem,
11:15
which had a nice infrastructure
for doing this, and others,
for doing this, and others,
246
663173
2794
który miał świetną infrastrukturę,
oraz z innymi.
oraz z innymi.
11:17
to look at Twitter feeds,
247
665991
1282
Obserwowali Twittera,
11:19
to look at Facebook feeds,
248
667297
1716
Facebooka,
11:21
to look at search logs,
249
669037
1311
rejestry wyszukiwań,
11:22
to try to see early signs that drugs,
either individually or together,
either individually or together,
250
670372
4909
aby znaleźć sygnał,
że leki, osobno lub razem,
że leki, osobno lub razem,
11:27
are causing problems.
251
675305
1589
powodują problemy.
11:28
What do I take from this?
Why tell this story?
Why tell this story?
252
676918
2174
Co z tego wynoszę?
Po co o tym mówię?
Po co o tym mówię?
11:31
Well, first of all,
253
679116
1207
Przede wszystkim dlatego,
11:32
we have now the promise
of big data and medium-sized data
of big data and medium-sized data
254
680347
4037
że stoimy przed perspektywą wykorzystania
dużych i średnich zbiorów danych,
dużych i średnich zbiorów danych,
11:36
to help us understand drug interactions
255
684408
2918
w celu zrozumienia
interakcji między lekami
interakcji między lekami
11:39
and really, fundamentally, drug actions.
256
687350
2420
i - zasadniczo - działań leków.
11:41
How do drugs work?
257
689794
1413
Jak leki działają?
11:43
This will create and has created
a new ecosystem
a new ecosystem
258
691231
2836
To pomoże i już pomogło
stworzyć nowe środowisko
stworzyć nowe środowisko
11:46
for understanding how drugs work
and to optimize their use.
and to optimize their use.
259
694091
3267
rozpoznawania działań leków
oraz optymalizacji ich przyjmowania.
oraz optymalizacji ich przyjmowania.
11:50
Nick went on; he's a professor
at Columbia now.
at Columbia now.
260
698303
2659
Nick jest teraz profesorem
na Uniwersytecie Columbia.
na Uniwersytecie Columbia.
11:52
He did this in his PhD
for hundreds of pairs of drugs.
for hundreds of pairs of drugs.
261
700986
4072
W doktoracie opisał
w ten sposób setki par leków.
w ten sposób setki par leków.
11:57
He found several
very important interactions,
very important interactions,
262
705082
2517
Znalazł kilka znaczących interakcji,
11:59
and so we replicated this
263
707623
1214
więc powieliliśmy badania
12:00
and we showed that this
is a way that really works
is a way that really works
264
708861
2574
i udowodniliśmy, że da się
w ten sposób znaleźć
w ten sposób znaleźć
12:03
for finding drug-drug interactions.
265
711459
2339
wiele interakcji między lekami.
12:06
However, there's a couple of things.
266
714282
1734
Istnieje jednak kilka problemów.
12:08
We don't just use pairs
of drugs at a time.
of drugs at a time.
267
716040
3046
Nie korzystamy tylko z dwóch leków na raz.
12:11
As I said before, there are patients
on three, five, seven, nine drugs.
on three, five, seven, nine drugs.
268
719110
4469
Niektórzy pacjenci biorą
po 3, 5, 7, 9 leków.
po 3, 5, 7, 9 leków.
12:15
Have they been studied with respect
to their nine-way interaction?
to their nine-way interaction?
269
723981
3642
Czy zbadano taką interakcję
dziewięciu leków?
dziewięciu leków?
12:19
Yes, we can do pair-wise,
A and B, A and C, A and D,
A and B, A and C, A and D,
270
727647
4208
Pary możemy zbadać.
A i B, A i C, A i D.
A i B, A i C, A i D.
12:23
but what about A, B, C,
D, E, F, G all together,
D, E, F, G all together,
271
731879
4286
Ale co, jeśli ten same pacjent bierze
12:28
being taken by the same patient,
272
736189
1762
A, B, C, D, E, F i G,
12:29
perhaps interacting with each other
273
737975
2118
które wchodzą ze sobą w interakcję
12:32
in ways that either makes them
more effective or less effective
more effective or less effective
274
740117
3778
i może stają się przez to
mniej lub bardziej skuteczne
mniej lub bardziej skuteczne
12:35
or causes side effects
that are unexpected?
that are unexpected?
275
743919
2332
albo wywołują
niespodziewane skutki uboczne?
niespodziewane skutki uboczne?
12:38
We really have no idea.
276
746275
1827
Nie mamy pojęcia.
12:40
It's a blue sky, open field
for us to use data
for us to use data
277
748126
3756
To na razie niezbadane lądy
i możemy użyć danych,
i możemy użyć danych,
12:43
to try to understand
the interaction of drugs.
the interaction of drugs.
278
751906
2502
by spróbować zrozumieć takie interakcje.
12:46
Two more lessons:
279
754848
1370
I jeszcze dwie lekcje:
12:48
I want you to think about the power
that we were able to generate
that we were able to generate
280
756242
4199
Zastanówmy się, jak wiele zdziałaliśmy,
12:52
with the data from people who had
volunteered their adverse reactions
volunteered their adverse reactions
281
760465
4711
dzięki danym od ludzi, którzy dobrowolnie
zgłosili niepożądane reakcje
zgłosili niepożądane reakcje
12:57
through their pharmacists,
through themselves, through their doctors,
through themselves, through their doctors,
282
765200
3269
farmaceutom, sobie nawzajem, lekarzom;
13:00
the people who allowed the databases
at Stanford, Harvard, Vanderbilt,
at Stanford, Harvard, Vanderbilt,
283
768493
3667
ludzi, którzy pozwolili, by bazy danych
ze Stanford, Harvardu i Vanderbilt
ze Stanford, Harvardu i Vanderbilt
13:04
to be used for research.
284
772184
1427
wykorzystano w badaniach.
13:05
People are worried about data.
285
773929
1445
Ludzie martwią się o dane.
13:07
They're worried about their privacy
and security -- they should be.
and security -- they should be.
286
775398
3187
Martwią się o prywatność
i bezpieczeństwo. Powinni.
i bezpieczeństwo. Powinni.
Potrzebujemy bezpiecznego systemu.
13:10
We need secure systems.
287
778609
1151
13:11
But we can't have a system
that closes that data off,
that closes that data off,
288
779784
3406
Ale nie takiego,
który odcina nas od danych,
który odcina nas od danych,
13:15
because it is too rich of a source
289
783214
2752
bo to zbyt dobre źródło
13:17
of inspiration, innovation and discovery
290
785990
3971
inspiracji, innowacji i odkryć
13:21
for new things in medicine.
291
789985
1578
nowych rzeczy w medycynie.
13:24
And the final thing I want to say is,
292
792494
1794
Na koniec chcę powiedzieć,
13:26
in this case we found two drugs
and it was a little bit of a sad story.
and it was a little bit of a sad story.
293
794312
3357
że ta historia z dwoma lekami
była nieco smutna.
była nieco smutna.
13:29
The two drugs actually caused problems.
294
797693
1921
Te leki naprawdę powodowały problem.
13:31
They increased glucose.
295
799638
1475
Podnosiły poziom glukozy.
13:33
They could throw somebody into diabetes
296
801137
2446
Mogły spowodować cukrzycę u kogoś,
13:35
who would otherwise not be in diabetes,
297
803607
2294
kto normalnie by jej nie miał,
13:37
and so you would want to use
the two drugs very carefully together,
the two drugs very carefully together,
298
805925
3175
więc ich jednoczesne przyjmowanie
wymagało ostrożności.
wymagało ostrożności.
13:41
perhaps not together,
299
809124
1151
Może nie brać ich razem.
13:42
make different choices
when you're prescribing.
when you're prescribing.
300
810299
2340
Podjąć inny wybór
przy wypisywaniu recepty.
przy wypisywaniu recepty.
13:44
But there was another possibility.
301
812663
1846
Ale istniała inna możliwość.
13:46
We could have found
two drugs or three drugs
two drugs or three drugs
302
814533
2344
Mogło się okazać, że dwa lub trzy leki
13:48
that were interacting in a beneficial way.
303
816901
2261
wchodziły w korzystną interakcję.
13:51
We could have found new effects of drugs
304
819616
2712
Mogliśmy znaleźć nowe działania leków.
13:54
that neither of them has alone,
305
822352
2160
Takie, których nie posiadają oddzielnie,
13:56
but together, instead
of causing a side effect,
of causing a side effect,
306
824536
2493
ale razem już tak;
13:59
they could be a new and novel treatment
307
827053
2425
działania, które byłyby
zbawienne w leczeniu
zbawienne w leczeniu
14:01
for diseases that don't have treatments
308
829502
1882
chorób, na które nie ma leków
14:03
or where the treatments are not effective.
309
831408
2007
lub takich, w których
leki są nieskuteczne.
leki są nieskuteczne.
14:05
If we think about drug treatment today,
310
833439
2395
Jeśli pomyślimy dziś o lekach,
14:07
all the major breakthroughs --
311
835858
1752
to wszystkie przełomowe odkrycia:
14:09
for HIV, for tuberculosis,
for depression, for diabetes --
for depression, for diabetes --
312
837634
4297
leki na HIV, gruźlicę, depresję, cukrzycę
14:13
it's always a cocktail of drugs.
313
841955
2830
są mieszankami.
14:16
And so the upside here,
314
844809
1730
Pozytywny aspekt tej historii
14:18
and the subject for a different
TED Talk on a different day,
TED Talk on a different day,
315
846563
2849
i temat innej prelekcji, innego dnia,
14:21
is how can we use the same data sources
316
849436
2593
jest taki: jak wykorzystać dane,
14:24
to find good effects
of drugs in combination
of drugs in combination
317
852053
3563
by znaleźć dobre współdziałania leków,
14:27
that will provide us new treatments,
318
855640
2175
co pozwoli nam odkryć
nowe sposoby leczenia,
nowe sposoby leczenia,
14:29
new insights into how drugs work
319
857839
1852
zbadać, jak leki działają,
14:31
and enable us to take care
of our patients even better?
of our patients even better?
320
859715
3786
i lepiej opiekować się pacjentami?
14:35
Thank you very much.
321
863525
1166
Dziękuję.
14:36
(Applause)
322
864715
3499
(Brawa)
ABOUT THE SPEAKER
Russ Altman - Big data techno-optimist and internistRuss Altman uses machine learning to better understand adverse effects of medication.
Why you should listen
Professor of bioengineering, genetics, medicine and computer science at Stanford University, Russ Altman's primary research interests are in the application of computing and informatics technologies to problems relevant to medicine. He is particularly interested in methods for understanding drug actions at molecular, cellular, organism and population levels, including how genetic variation impacts drug response.
Altman received the U.S. Presidential Early Career Award for Scientists and Engineers, a National Science Foundation CAREER Award and Stanford Medical School's graduate teaching award. He has chaired the Science Board advising the FDA Commissioner and currently serves on the NIH Director’s Advisory Committee. He is a clinically active internist, the founder of the PharmGKB knowledge base, and advisor to pharmacogenomics companies.
Russ Altman | Speaker | TED.com