TEDMED 2015
Russ Altman: What really happens when you mix medications?
Russ Altman: Co se skutečně stane, když smícháte léky?
Filmed:
Readability: 4.2
1,766,922 views
Pokud berete dva různé léky ze dvou různých důvodů, zde je podnět k zamyšlení: Váš doktor nemusí úplně rozumět tomu, co se stane, když se zkombinují, protože studovat interakce léků je neuvěřitelně náročné. Ve své fascinující a přístupné přednášce Russ Altman představuje, jak doktoři studují neočekávané interakce léků pomocí překvapivého zdroje informací: dotazů ve vyhledávačích.
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
Přijdete k doktorovi
a udělají Vám nějaké testy.
a udělají Vám nějaké testy.
00:16
The doctor determines
that you have high cholesterol
that you have high cholesterol
1
4674
2620
Doktor zjistí, že máte vysoký choresterol,
00:19
and you would benefit
from medication to treat it.
from medication to treat it.
2
7318
3171
a že by Vám asi pomohly léky.
00:22
So you get a pillbox.
3
10981
1556
Takže dostanete krabičku léků.
00:25
You have some confidence,
4
13505
1199
Máte určitou důvěru,
00:26
your physician has some confidence
that this is going to work.
that this is going to work.
5
14728
2937
Váš doktor má určitou důvěru,
že to bude fungovat.
že to bude fungovat.
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
Ta firma, která je vynalezla udělala řadu
studií, odevzdala je FDA.
studií, odevzdala je FDA.
00:33
They studied it very carefully,
skeptically, they approved it.
skeptically, they approved it.
7
21266
3107
Oni je pečlivě prozkoumali,
a skepticky je potvrdili.
a skepticky je potvrdili.
00:36
They have a rough idea of how it works,
8
24397
1889
Mají určitou představu,
jak fungují,
jak fungují,
00:38
they have a rough idea
of what the side effects are.
of what the side effects are.
9
26310
2453
mají určitou představu,
jaké jsou vedlejší účinky.
jaké jsou vedlejší účinky.
00:40
It should be OK.
10
28787
1150
Mělo by to být OK.
00:42
You have a little more
of a conversation with your physician
of a conversation with your physician
11
30864
2818
Máte další rozhovor se svým doktorem,
00:45
and the physician is a little worried
because you've been blue,
because you've been blue,
12
33706
2963
a Váš doktor se obává, protože
jste byli melancholičtí,
jste byli melancholičtí,
00:48
haven't felt like yourself,
13
36693
1293
necítili jste se dobře,
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
nedařilo se Vám užívat si
života normálně.
života normálně.
00:53
Your physician says, "You know,
I think you have some depression.
I think you have some depression.
15
41765
3186
Váš doktor řekne,
"Myslím, že máte trochu depresi.
"Myslím, že máte trochu depresi.
00:57
I'm going to have to give
you another pill."
you another pill."
16
45792
2315
Předepíši Vám další lék."
01:00
So now we're talking
about two medications.
about two medications.
17
48934
2483
Takže teď mluvíme o dvou lécích.
01:03
This pill also -- millions
of people have taken it,
of people have taken it,
18
51441
3104
I druhý lék užívají miliony lidí,
01:06
the company did studies,
the FDA looked at it -- all good.
the FDA looked at it -- all good.
19
54569
3631
výrobce provedl studie, FDA to
zkontrolovala -- všechno v pořádku.
zkontrolovala -- všechno v pořádku.
01:10
Think things should go OK.
20
58823
2057
Všechno by mělo být v pořádku.
01:12
Think things should go OK.
21
60904
2197
Všechno by mělo být v pořádku.
01:15
Well, wait a minute.
22
63125
1439
Ale, počkejte chvilku.
01:16
How much have we studied
these two together?
these two together?
23
64588
3517
Studovali jsme je dohromady?
01:20
Well, it's very hard to do that.
24
68630
2300
Je velmi složité to udělat.
01:22
In fact, it's not traditionally done.
25
70954
2130
Po pravdě, normálně se to nedělá.
01:25
We totally depend on what we call
"post-marketing surveillance,"
"post-marketing surveillance,"
26
73108
5518
Zcela závisíme na tom, čemu se říká
"post-marketingový dohled."
"post-marketingový dohled."
01:30
after the drugs hit the market.
27
78650
1880
Poté, co jsou léky uvedeny na trh,
01:32
How can we figure out
if bad things are happening
if bad things are happening
28
80996
2848
jak zjistíme, že dva léky
01:35
between two medications?
29
83868
1357
společně fungují špatně?
01:37
Three? Five? Seven?
30
85249
2030
Tři? Pět? Sedm?
01:39
Ask your favorite person
who has several diagnoses
who has several diagnoses
31
87708
2415
Zeptejte se Vašich blízkých
s několika diagnózami,
s několika diagnózami,
01:42
how many medications they're on.
32
90147
1834
kolik léků užívají.
01:44
Why do I care about this problem?
33
92530
1580
Proč se zabývám tímto problémem?
01:46
I care about it deeply.
34
94134
1157
Záleží mi na něm hodně.
01:47
I'm an informatics and data science guy
and really, in my opinion,
and really, in my opinion,
35
95315
4304
Jsem informatik a analytik dat
a podle mně opravdu jediná šance -
a podle mně opravdu jediná šance -
01:51
the only hope -- only hope --
to understand these interactions
to understand these interactions
36
99643
3745
jediná šance,
jak porozumět těmto interakcím
jak porozumět těmto interakcím
01:55
is to leverage lots
of different sources of data
of different sources of data
37
103412
3056
je použít hodně různých zdrojů dat,
01:58
in order to figure out
when drugs can be used together safely
when drugs can be used together safely
38
106492
3556
abychom zjistili, které léky mohou
být bezpečně užívány společně,
být bezpečně užívány společně,
02:02
and when it's not so safe.
39
110072
1777
a kdy to není bezpečné.
02:04
So let me tell you a data science story.
40
112615
2051
Řeknu Vám příběh vědy o datech.
02:06
And it begins with my student Nick.
41
114690
2154
Začíná mým studentem Nickem.
02:08
Let's call him "Nick,"
because that's his name.
because that's his name.
42
116868
2380
Budeme mu říkat "Nick,"
protože se tak jmenuje.
protože se tak jmenuje.
02:11
(Laughter)
43
119272
1592
(Smích)
02:12
Nick was a young student.
44
120888
1201
Nick byl mladý student.
02:14
I said, "You know, Nick, we have
to understand how drugs work
to understand how drugs work
45
122113
3079
Řekl jsem, "Víš, Nicku, musíme
pochopit, jak léky fungují
pochopit, jak léky fungují
02:17
and how they work together
and how they work separately,
and how they work separately,
46
125216
2626
a jak fungují dohromady,
a jak fungují zvlášť,
a jak fungují zvlášť,
02:19
and we don't have a great understanding.
47
127866
1922
a moc dobře tomu nerozumíme.
02:21
But the FDA has made available
an amazing database.
an amazing database.
48
129812
2405
Ale FDA zveřejnila tuhle skvělou databázi.
02:24
It's a database of adverse events.
49
132241
1699
Je to databáze nežádoucích účinků.
02:26
They literally put on the web --
50
134321
1642
Doslova je dali na web-
02:27
publicly available, you could all
download it right now --
download it right now --
51
135987
3119
veřejně přístupné, všichni
byste si je nyní mohli stáhnout-
byste si je nyní mohli stáhnout-
02:31
hundreds of thousands
of adverse event reports
of adverse event reports
52
139130
3627
stovky tisíc zpráv o nepříznivých účincích
02:34
from patients, doctors,
companies, pharmacists.
companies, pharmacists.
53
142781
3760
od pacientů, doktorů,
společností a lékárníků.
společností a lékárníků.
02:38
And these reports are pretty simple:
54
146565
1749
Tyto zprávy jsou celkem jednoduché:
02:40
it has all the diseases
that the patient has,
that the patient has,
55
148338
2658
obsahuji všechny pacientovy nemoci,
02:43
all the drugs that they're on,
56
151020
1767
všechny užívané léky,
02:44
and all the adverse events,
or side effects, that they experience.
or side effects, that they experience.
57
152811
3818
a všechny nežádoucí účinky,
anebo vedlejší účinky, které zažil.
anebo vedlejší účinky, které zažil.
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
Nejsou to všechny nežádoucí účinky,
které se dnes objeví v USA,
které se dnes objeví v USA,
02:52
but it's hundreds and hundreds
of thousands of drugs.
of thousands of drugs.
59
160113
2578
ale jsou to stovky a stovky tisíc léků.
02:54
So I said to Nick,
60
162715
1299
Tak jsem řekl Nickovi,
02:56
"Let's think about glucose.
61
164038
1826
"Zamysleme se nad glukózou.
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
Glukóza je velmi důležitá, a my víme,
že je spojená s cukrovkou.
že je spojená s cukrovkou.
03:01
Let's see if we can understand
glucose response.
glucose response.
63
169479
3970
Zkusme zjistit, jestli můžeme
pochopit odezvu glukózy.
pochopit odezvu glukózy.
03:05
I sent Nick off. Nick came back.
64
173473
2458
Poslal jsem Nicka pryč.
Nick přišel zpátky.
Nick přišel zpátky.
03:08
"Russ," he said,
65
176248
1786
"Russi," řekl,
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
"vytvořil jsem klasifikátor,
který může ukázat vedlejší účinky léků
který může ukázat vedlejší účinky léků
03:15
based on looking at this database,
67
183487
2051
na základě zkoumání této databáze,
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
a může Vám říct, jestli ten lék
pravděpodobně ovlivní glukózu či ne."
pravděpodobně ovlivní glukózu či ne."
03:21
He did it. It was very simple, in a way.
69
189857
2016
Zvládl to. Svým způsobem
to bylo jednoduché.
to bylo jednoduché.
03:23
He took all the drugs
that were known to change glucose
that were known to change glucose
70
191897
2635
Vzal všechny léky, o kterých víme,
že mění glukózu,
že mění glukózu,
03:26
and a bunch of drugs
that don't change glucose,
that don't change glucose,
71
194556
2389
a řadu léků, které nemění glukózu,
03:28
and said, "What's the difference
in their side effects?
in their side effects?
72
196969
2888
a řekl, "Jaký je rozdíl mezi
jejich vedlejšími účinky?
jejich vedlejšími účinky?
03:31
Differences in fatigue? In appetite?
In urination habits?"
In urination habits?"
73
199881
4852
Rozdíl v únavě? V chuti k jídlu?
V močení?"
V močení?"
03:36
All those things conspired
to give him a really good predictor.
to give him a really good predictor.
74
204757
2960
Všechny tyto věci dohromady
mu daly velmi dobrý prediktor.
mu daly velmi dobrý prediktor.
03:39
He said, "Russ, I can predict
with 93 percent accuracy
with 93 percent accuracy
75
207741
2548
Řekl, "Russi, mohu předpovědět
s přesností 93 %,
s přesností 93 %,
03:42
when a drug will change glucose."
76
210313
1572
kdy lék změní glukózu."
03:43
I said, "Nick, that's great."
77
211909
1416
Řekl jsem, "Nicku, to je skvělé."
03:45
He's a young student,
you have to build his confidence.
you have to build his confidence.
78
213349
2896
Je to mladý student, musíte
budovat jeho sebedůvěru.
budovat jeho sebedůvěru.
03:48
"But Nick, there's a problem.
79
216269
1390
"Ale Nicku, je tu problém.
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
Každý doktor na světě ví,
že všechny léky mění glukózu,
že všechny léky mění glukózu,
03:53
because it's core to our practice.
81
221667
2038
protože to je základ naší praxe.
03:55
So it's great, good job,
but not really that interesting,
but not really that interesting,
82
223729
3722
Takže skvělé, dobrá práce,
ale ne moc zajímavé,
ale ne moc zajímavé,
03:59
definitely not publishable."
83
227475
1531
určitě ne publikovatelné."
04:01
(Laughter)
84
229030
1014
(Smích)
04:02
He said, "I know, Russ.
I thought you might say that."
I thought you might say that."
85
230068
2550
Řekl, "Já vím, Russ. Myslel jsem si,
že to řekneš."
že to řekneš."
04:04
Nick is smart.
86
232642
1152
Nick je chytrý.
04:06
"I thought you might say that,
so I did one other experiment.
so I did one other experiment.
87
234149
2874
"Myslel jsem si, že to řekneš,
udělal jsem ještě jeden pokus.
udělal jsem ještě jeden pokus.
04:09
I looked at people in this database
who were on two drugs,
who were on two drugs,
88
237047
2928
Podíval jsem se na všechny v této
databázi užívající dva léky,
databázi užívající dva léky,
04:11
and I looked for signals similar,
glucose-changing signals,
glucose-changing signals,
89
239999
4422
a hledal jsem podobné signály,
signály měnící se glukózy,
signály měnící se glukózy,
04:16
for people taking two drugs,
90
244445
1624
pro osoby užívající tyto dva léky,
04:18
where each drug alone
did not change glucose,
did not change glucose,
91
246093
5569
kde každý lék zvlášť neovlivnil glukózu,
04:23
but together I saw a strong signal."
92
251686
2460
ale dohromady jsem viděl výrazný signál."
04:26
And I said, "Oh! You're clever.
Good idea. Show me the list."
Good idea. Show me the list."
93
254170
3149
A já řekl, "Aha! Jsi chytrý.
Dobrý nápad. Ukaž mi ten seznam."
Dobrý nápad. Ukaž mi ten seznam."
04:29
And there's a bunch of drugs,
not very exciting.
not very exciting.
94
257343
2254
A je tu řada léků, nepříliš zajímavých.
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
Ale co mne zaujalo,
na seznamu byly dva léky:
na seznamu byly dva léky:
04:35
paroxetine, or Paxil, an antidepressant;
96
263577
3393
paroxetin, nebo Paxil, antidepresant,
04:39
and pravastatin, or Pravachol,
a cholesterol medication.
a cholesterol medication.
97
267756
3570
a pravastin, nebo Pravachol,
lék na cholesterol.
lék 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
A já jsem řekl, "Aha. Miliony Američanů
užívají tyto dva léky."
užívají tyto dva léky."
04:48
In fact, we learned later,
99
276243
1246
Později jsme zjistili, že
04:49
15 million Americans on paroxetine
at the time, 15 million on pravastatin,
at the time, 15 million on pravastatin,
100
277513
6032
na paroxetinu bylo
15 miliónů Američanů,
15 miliónů Američanů,
15 miliónů na pravastinu,
04:55
and a million, we estimated, on both.
101
283569
2817
a milión, odhadem, na obou.
04:58
So that's a million people
102
286767
1254
Takže to je milión lidí,
05:00
who might be having some problems
with their glucose
with their glucose
103
288045
2453
kteří mohou mít problémy s glukózou,
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
pokud obstojí tenhle mechanický nesmysl,
který s databází FDA provedl.
05:05
actually holds up.
105
293752
1254
05:07
But I said, "It's still not publishable,
106
295030
1927
Řekl jsem, "Stále
to není publikovatelné,
to není publikovatelné,
05:08
because I love what you did
with the mumbo jumbo,
with the mumbo jumbo,
107
296981
2296
ale protože se mi líbí,
co jsi s tím provedl,
co jsi s tím provedl,
05:11
with the machine learning,
108
299301
1246
s tím strojovým učením,
05:12
but it's not really standard-of-proof
evidence that we have."
evidence that we have."
109
300571
3864
ale není to standardní důkaz."
05:17
So we have to do something else.
110
305618
1589
Takže musíme provést něco jiného.
05:19
Let's go into the Stanford
electronic medical record.
electronic medical record.
111
307231
2876
Pojďme do Stanfordských
elektronických lékařských záznamů.
elektronických lékařských záznamů.
05:22
We have a copy of it
that's OK for research,
that's OK for research,
112
310131
2064
Máme jejich kopii pro výzkumné účely,
05:24
we removed identifying information.
113
312219
2046
odstranili jsem identifikující informace.
Řekl jsem, "Podívejme se,
jestli lidé na těchto dvou lécích
jestli lidé na těchto dvou lécích
05:26
And I said, "Let's see if people
on these two drugs
on these two drugs
114
314581
2503
05:29
have problems with their glucose."
115
317108
1769
mají problémy s hladinou cukru krvi."
05:31
Now there are thousands
and thousands of people
and thousands of people
116
319242
2207
Ve Stanfordských lékařských záznamech
05:33
in the Stanford medical records
that take paroxetine and pravastatin.
that take paroxetine and pravastatin.
117
321473
3459
Jsou tisíce a tisíce lidí,
kteří užívají paroxetin a pravastatin.
kteří užívají paroxetin a pravastatin.
05:36
But we needed special patients.
118
324956
1799
My ale potřebovali speciální pacienty.
05:38
We needed patients who were on one of them
and had a glucose measurement,
and had a glucose measurement,
119
326779
4597
Potřebovali jsme pacienty, kteří užívali
jeden z nich a znali hladinu cukru v krvi,
jeden z nich a znali hladinu cukru v krvi,
05:43
then got the second one and had
another glucose measurement,
another glucose measurement,
120
331400
3449
a poté dostali ten druhý
a měli znovu změřenou hladinu cukru,
a měli znovu změřenou hladinu cukru,
05:46
all within a reasonable period of time --
something like two months.
something like two months.
121
334873
3615
to vše v rozumném časovém
období -- okolo dvou měsíců.
období -- okolo dvou měsíců.
05:50
And when we did that,
we found 10 patients.
we found 10 patients.
122
338512
3159
A když jsme to udělali,
našli jsme 10 pacientů.
našli jsme 10 pacientů.
05:54
However, eight out of the 10
had a bump in their glucose
had a bump in their glucose
123
342592
4538
Ale osm z 10 měli výkyv v hladině cukru,
05:59
when they got the second P --
we call this P and P --
we call this P and P --
124
347154
2645
když dostali druhé P
-- nazýváme je P a P --
-- nazýváme je P a P --
06:01
when they got the second P.
125
349823
1310
když dostali to druhé P.
06:03
Either one could be first,
the second one comes up,
the second one comes up,
126
351157
2562
Kterýkoliv mohl být první,
pak přišel ten druhý a
pak přišel ten druhý a
06:05
glucose went up
20 milligrams per deciliter.
20 milligrams per deciliter.
127
353743
2847
glukóza se zvýšila
o 20 miligramů na decilitr.
o 20 miligramů na decilitr.
06:08
Just as a reminder,
128
356614
1158
Jen pro připomenutí,
06:09
you walk around normally,
if you're not diabetic,
if you're not diabetic,
129
357796
2325
pokud nejste diabetik,
normálně chodíte okolo,
normálně chodíte okolo,
06:12
with a glucose of around 90.
130
360145
1359
s glukózou okolo 90.
06:13
And if it gets up to 120, 125,
131
361528
2076
A když se dostane na 120, 125,
06:15
your doctor begins to think
about a potential diagnosis of diabetes.
about a potential diagnosis of diabetes.
132
363628
3450
Váš doktor začne uvažovat
o diagnóze cukrovky.
o diagnóze cukrovky.
06:19
So a 20 bump -- pretty significant.
133
367102
2991
Takže skok o 20 -- celkem zásadní.
06:22
I said, "Nick, this is very cool.
134
370601
1904
Řekl jsem, "Nicku, tohle je vážně cool.
06:25
But, I'm sorry, we still
don't have a paper,
don't have a paper,
135
373616
2053
Ale, obávám se, že stále nemáme článek,
06:27
because this is 10 patients
and -- give me a break --
and -- give me a break --
136
375693
2579
protože tohle je 10 pacientů
06:30
it's not enough patients."
137
378296
1245
to není dost pacientů."
06:31
So we said, what can we do?
138
379565
1306
Co můžeme dělat?
06:32
And we said, let's call our friends
at Harvard and Vanderbilt,
at Harvard and Vanderbilt,
139
380895
2976
Řekli jsme si, že zavoláme přátelům
na Harvardu a Vanderbiltu,
na Harvardu a Vanderbiltu,
06:35
who also -- Harvard in Boston,
Vanderbilt in Nashville,
Vanderbilt in Nashville,
140
383895
2587
kteří -- Harvard v Bostonu,
Vanderbilt v Nashville,
Vanderbilt v Nashville,
06:38
who also have electronic
medical records similar to ours.
medical records similar to ours.
141
386506
2821
kteří také mají lékařské
záznamy podobné našim.
záznamy podobné našim.
06:41
Let's see if they can find
similar patients
similar patients
142
389351
2020
Uvidíme, jestli najdou podobné pacienty
06:43
with the one P, the other P,
the glucose measurements
the glucose measurements
143
391395
3276
s jedním P, druhým P, měřeními glukózy
06:46
in that range that we need.
144
394695
1600
v rozmezí, které potřebujeme.
06:48
God bless them, Vanderbilt
in one week found 40 such patients,
in one week found 40 such patients,
145
396787
4955
Bůh jim žehnej, Vanderbilt našli
za týden 40 takových pacientů,
za týden 40 takových pacientů,
06:53
same trend.
146
401766
1189
stejný trend.
06:55
Harvard found 100 patients, same trend.
147
403804
3620
Harvard našel 100 pacientů, stejný trend.
06:59
So at the end, we had 150 patients
from three diverse medical centers
from three diverse medical centers
148
407448
4281
Nakonec jsme měli 150 pacientů
ze tří různých zdravotnických center,
ze tří různých zdravotnických center,
07:03
that were telling us that patients
getting these two drugs
getting these two drugs
149
411753
3297
kteří nám říkali, že pacienti,
kteří užívají tyto dva léky,
kteří užívají tyto dva léky,
07:07
were having their glucose bump
somewhat significantly.
somewhat significantly.
150
415074
2703
měli celkem podstatný skok ve své glukóze.
07:10
More interestingly,
we had left out diabetics,
we had left out diabetics,
151
418317
2810
Zajímavější je,
že jsme vynechali diabetiky,
že jsme vynechali diabetiky,
07:13
because diabetics already
have messed up glucose.
have messed up glucose.
152
421151
2317
protože diabetici už
rozkolísanou glukózu mají.
rozkolísanou glukózu mají.
07:15
When we looked
at the glucose of diabetics,
at the glucose of diabetics,
153
423492
2238
Když jsme se podívali
na glukózu diabetiků,
na glukózu diabetiků,
07:17
it was going up 60 milligrams
per deciliter, not just 20.
per deciliter, not just 20.
154
425754
3435
stoupala o 60 miligramů
na decilitr, ne 20.
na decilitr, ne 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
Tohle bylo podstatné, a řekli jsme,
"Tohle musíme publikovat."
"Tohle musíme publikovat."
07:25
We submitted the paper.
156
433236
1179
Odeslali jsme článek.
07:26
It was all data evidence,
157
434439
2111
Všechno to bylo podloženo daty,
07:28
data from the FDA, data from Stanford,
158
436574
2483
daty z FDA, ze Stanfordu,
07:31
data from Vanderbilt, data from Harvard.
159
439081
1946
z Vanderbiltu, z Harvardu.
07:33
We had not done a single real experiment.
160
441051
2396
Neudělali jsme ani jediný
skutečný experiment.
skutečný experiment.
07:36
But we were nervous.
161
444495
1296
Ale byli jsme nervózní.
07:38
So Nick, while the paper
was in review, went to the lab.
was in review, went to the lab.
162
446201
3730
Takže Nick, zatímco byl článek
posuzován, šel do laboratoře.
posuzován, šel do laboratoře.
07:41
We found somebody
who knew about lab stuff.
who knew about lab stuff.
163
449955
2462
Našli jsme někoho, kdo
něco věděl o laboratořích.
něco věděl o laboratořích.
07:44
I don't do that.
164
452441
1393
To já nedělám.
07:45
I take care of patients,
but I don't do pipettes.
but I don't do pipettes.
165
453858
2417
Starám se o pacienty,
ale nedělám pipety.
ale nedělám pipety.
07:49
They taught us how to feed mice drugs.
166
457420
3053
Naučili nás, jak dávat myším léky.
07:52
We took mice and we gave them
one P, paroxetine.
one P, paroxetine.
167
460864
2414
Vzali jsme myši a dali jsme
jim jedno P, paroxetin.
jim jedno P, paroxetin.
07:55
We gave some other mice pravastatin.
168
463302
2508
Jiným myším jsme dali pravastatin.
07:57
And we gave a third group
of mice both of them.
of mice both of them.
169
465834
3595
A třetí skupině myší jsme dali oba.
08:01
And lo and behold, glucose went up
20 to 60 milligrams per deciliter
20 to 60 milligrams per deciliter
170
469893
3946
A podívejme, glukóza stoupla
o 20 až 60 miligramů na decilitr
o 20 až 60 miligramů na decilitr
08:05
in the mice.
171
473863
1171
u myší.
08:07
So the paper was accepted
based on the informatics evidence alone,
based on the informatics evidence alone,
172
475058
3158
Takže článek byl přijat,
založen pouze na datech,
založen pouze na datech,
08:10
but we added a little note at the end,
173
478240
1894
a na konec jsme přidali
malou poznámku,
malou poznámku,
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
mimochodem, pokud je dáte
myším, stoupne nahoru.
myším, stoupne nahoru.
08:15
That was great, and the story
could have ended there.
could have ended there.
175
483081
2508
To bylo skvělé, a ten
příběh by tu mohl skončit.
příběh by tu mohl skončit.
08:17
But I still have six and a half minutes.
176
485613
1997
Ale ještě pořád mám šest a půl minuty.
08:19
(Laughter)
177
487634
2807
(Smích.)
08:22
So we were sitting around
thinking about all of this,
thinking about all of this,
178
490465
2815
Tak jsme seděli a přemýšleli o tom všem,
08:25
and I don't remember who thought
of it, but somebody said,
of it, but somebody said,
179
493304
2735
a nepamatuji si, koho to
napadlo, ale někdo řekl,
napadlo, ale někdo řekl,
08:28
"I wonder if patients
who are taking these two drugs
who are taking these two drugs
180
496063
3201
"Zajímalo by mne, jestli si pacienti
užívající tyto dva léky,
užívající tyto dva léky,
08:31
are noticing side effects
of hyperglycemia.
of hyperglycemia.
181
499288
3553
všímají vedlejších účinků hyperglykémie.
08:34
They could and they should.
182
502865
1496
Mohli by a měli by.
08:36
How would we ever determine that?"
183
504761
1877
Jak to zjistíme?"
08:39
We said, well, what do you do?
184
507551
1443
Řekli jsme, no, co uděláte?
08:41
You're taking a medication,
one new medication or two,
one new medication or two,
185
509018
2580
Mluvíme o užívání léků,
jednoho či dvou nových,
jednoho či dvou nových,
08:43
and you get a funny feeling.
186
511622
1538
a máte zvláštní pocit.
08:45
What do you do?
187
513184
1151
Co uděláte?
08:46
You go to Google
188
514359
1151
Půjdete na 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
a zadáte ty dva léky, které užíváte,
nebo ten jeden, který užíváte,
nebo ten jeden, který užíváte,
08:50
and you type in "side effects."
190
518907
1603
a napíšete "vedlejší účinky".
08:52
What are you experiencing?
191
520534
1356
Co zažíváte?
08:54
So we said OK,
192
522239
1151
Tak jsme řekli OK,
08:55
let's ask Google if they will share
their search logs with us,
their search logs with us,
193
523414
3056
zeptáme se Googlu, jestli nám
zpřístupní záznamy o vyhledávání,
zpřístupní záznamy o vyhledávání,
08:58
so that we can look at the search logs
194
526494
1833
abychom se na ně mohli podívat
09:00
and see if patients are doing
these kinds of searches.
these kinds of searches.
195
528351
2565
a vidět, zda pacienti toto hledají.
09:02
Google, I am sorry to say,
denied our request.
denied our request.
196
530940
3275
Google, bohužel musím
říct, odmítl naši žádost.
říct, odmítl naši žádost.
09:06
So I was bummed.
197
534819
1151
Byl jsem zklamaný.
09:07
I was at a dinner with a colleague
who works at Microsoft Research
who works at Microsoft Research
198
535994
3166
Byl jsem na večeři s kolegou,
který pracuje v Microsoft Research,
který pracuje v Microsoft Research,
09:11
and I said, "We wanted to do this study,
199
539184
1941
a řekl jsem, "Chtěli jsme
udělat tuto studii
udělat tuto studii
09:13
Google said no, it's kind of a bummer."
200
541149
1880
a Google řekl ne. Je to
trochu zklamání."
trochu zklamání."
09:15
He said, "Well, we have
the Bing searches."
the Bing searches."
201
543053
2086
Řekl, "No, my máme vyhledávání na Bingu."
09:18
(Laughter)
202
546195
3483
(Smích.)
09:22
Yeah.
203
550805
1267
Jo.
09:24
That's great.
204
552096
1151
To je skvělé.
09:25
Now I felt like I was --
205
553271
1151
Cítil jsem se jako bych --
09:26
(Laughter)
206
554446
1000
(Smích.)
09:27
I felt like I was talking to Nick again.
207
555470
2412
Měl jsem pocit, jako bych
znovu mluvil s Nickem.
znovu mluvil s Nickem.
09:30
He works for one of the largest
companies in the world,
companies in the world,
208
558437
2624
Pracuje pro jednu z největších
výzkumných organizacích na světě,
výzkumných organizacích na světě,
09:33
and I'm already trying
to make him feel better.
to make him feel better.
209
561085
2206
a já se ho snažím utěšit.
09:35
But he said, "No, Russ --
you might not understand.
you might not understand.
210
563315
2445
Ale on řekl, "Ne Russi-
ty mi možná nerozumíš.
ty mi možná nerozumíš.
09:37
We not only have Bing searches,
211
565784
1500
Máme nejenom vyhledávání na Bingu,
09:39
but if you use Internet Explorer
to do searches at Google,
to do searches at Google,
212
567308
3340
ale pokud použiješ Internet Explorer
pro vyhledávání na Googlu,
pro vyhledávání na Googlu,
09:42
Yahoo, Bing, any ...
213
570672
1891
Yahoo, Bingu, čemkoliv...
09:44
Then, for 18 months, we keep that data
for research purposes only."
for research purposes only."
214
572587
3643
po 18 měsíců si ponecháváme
tyto údaje pouze pro výzkumné účely.
tyto údaje pouze pro výzkumné účely.
09:48
I said, "Now you're talking!"
215
576254
1936
Řekl jsem, "Teď se bavíme pořádně!"
09:50
This was Eric Horvitz,
my friend at Microsoft.
my friend at Microsoft.
216
578214
2198
To byl Eric Horvitz,
můj přítel z Microsoftu.
můj přítel z Microsoftu.
09:52
So we did a study
217
580436
1695
Tak jsme udělali studii,
09:54
where we defined 50 words
that a regular person might type in
that a regular person might type in
218
582155
4619
ve které jsme definovali 50 slov,
které by normální člověk mohl zadat
které by normální člověk mohl zadat
09:58
if they're having hyperglycemia,
219
586798
1602
pokud má hyperglykémii,
10:00
like "fatigue," "loss of appetite,"
"urinating a lot," "peeing a lot" --
"urinating a lot," "peeing a lot" --
220
588424
4762
jako "únava", "ztráta chuti k jídlu",
"hodně močení", "hodně čůrání"-
"hodně močení", "hodně čůrání"-
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
omluvte mne, ale je to jedna z věcí,
které by mohl zadat.
které by mohl zadat.
10:08
So we had 50 phrases
that we called the "diabetes words."
that we called the "diabetes words."
222
596001
2790
Měli jsme 50 frází, které
jsme nazvali "diabetická slova".
jsme nazvali "diabetická slova".
10:10
And we did first a baseline.
223
598815
2063
Udělali jsme tak základnu.
10:12
And it turns out
that about .5 to one percent
that about .5 to one percent
224
600902
2704
A ukázalo se, že asi 0,5 až 1 %
10:15
of all searches on the Internet
involve one of those words.
involve one of those words.
225
603630
2982
všech vyhledávání na Internetu
obsahují jedno z těch slov.
obsahují jedno z těch slov.
10:18
So that's our baseline rate.
226
606636
1742
To je náš základní poměr.
10:20
If people type in "paroxetine"
or "Paxil" -- those are synonyms --
or "Paxil" -- those are synonyms --
227
608402
4143
Když lidé zadají "paroxetin"
nebo "Paxil"- to jsou synonyma-
nebo "Paxil"- to jsou synonyma-
10:24
and one of those words,
228
612569
1215
a jedno z těch slov,
10:25
the rate goes up to about two percent
of diabetes-type words,
of diabetes-type words,
229
613808
4890
ten poměr stoupne na asi
2 % diabetických slov,
2 % diabetických slov,
10:30
if you already know
that there's that "paroxetine" word.
that there's that "paroxetine" word.
230
618722
3044
a jak už víte, to je to slovo "paroxetin".
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
Pokud je to "pravastatin", základní poměr
stoupne asi o 3 % od základny.
stoupne asi o 3 % od základny.
10:39
If both "paroxetine" and "pravastatin"
are present in the query,
are present in the query,
232
627171
4390
Když se oba zároveň
vyskytují ve vyhledávání,
vyskytují ve vyhledávání,
10:43
it goes up to 10 percent,
233
631585
1669
poměr stoupne asi na 10 %,
10:45
a huge three- to four-fold increase
234
633278
3461
obrovský tří- až čtyřnásobný nárůst
10:48
in those searches with the two drugs
that we were interested in,
that we were interested in,
235
636763
3389
v těch hledáních, kde jsou oba léky
10:52
and diabetes-type words
or hyperglycemia-type words.
or hyperglycemia-type words.
236
640176
3566
a slovy typu diabetes
nebo hyperglykémie.
nebo hyperglykémie.
10:56
We published this,
237
644216
1265
Publikovali jsme to
10:57
and it got some attention.
238
645505
1466
a vzbudili jsme pozornost.
10:58
The reason it deserves attention
239
646995
1778
Důvod, proč si to zasluhuje pozornost
11:00
is that patients are telling us
their side effects indirectly
their side effects indirectly
240
648797
4312
je ten, že pacienti nám nepřímo
říkají své vedlejší účinky
říkají své vedlejší účinky
11:05
through their searches.
241
653133
1156
skrz svoje vyhledávání.
11:06
We brought this
to the attention of the FDA.
to the attention of the FDA.
242
654313
2138
Upozornili jsme na to FDA.
11:08
They were interested.
243
656475
1269
A FDA to zaujalo.
11:09
They have set up social media
surveillance programs
surveillance programs
244
657768
3606
Vytvořili programy na
sledování sociálních médií
sledování sociálních médií
11:13
to collaborate with Microsoft,
245
661398
1751
ve spoluprácí s Microsoftem,
11:15
which had a nice infrastructure
for doing this, and others,
for doing this, and others,
246
663173
2794
který na to měl hezkou
infrastrukturu, a dalšími,
infrastrukturu, a dalšími,
11:17
to look at Twitter feeds,
247
665991
1282
ke zkoumání příspěvků
11:19
to look at Facebook feeds,
248
667297
1716
na Twitteru,na Facebooku,
11:21
to look at search logs,
249
669037
1311
záznamů o vyhledávání,
11:22
to try to see early signs that drugs,
either individually or together,
either individually or together,
250
670372
4909
abychom brzy viděli signály,
že léky samostatně nebo dohromady,
že léky samostatně nebo dohromady,
11:27
are causing problems.
251
675305
1589
způsobují problémy.
11:28
What do I take from this?
Why tell this story?
Why tell this story?
252
676918
2174
Co z toho je?
Proč tento příběh?
Proč tento příběh?
11:31
Well, first of all,
253
679116
1207
Především máme příslib
11:32
we have now the promise
of big data and medium-sized data
of big data and medium-sized data
254
680347
4037
velkého a středně velkého
množství dat
množství dat
11:36
to help us understand drug interactions
255
684408
2918
k pochopení interakcí mezi léky
11:39
and really, fundamentally, drug actions.
256
687350
2420
a skutečného fungování léků.
11:41
How do drugs work?
257
689794
1413
Jak fungují léky?
11:43
This will create and has created
a new ecosystem
a new ecosystem
258
691231
2836
Toto vytvoří a vytvořilo
nový ekosystém
nový ekosystém
11:46
for understanding how drugs work
and to optimize their use.
and to optimize their use.
259
694091
3267
pro pochopení fungování léků
a optimalizaci jejich užívání.
a optimalizaci jejich užívání.
11:50
Nick went on; he's a professor
at Columbia now.
at Columbia now.
260
698303
2659
Nick pokračoval dále;
je profesorem na Columbii.
je profesorem na Columbii.
11:52
He did this in his PhD
for hundreds of pairs of drugs.
for hundreds of pairs of drugs.
261
700986
4072
Svou dizertační práci věnoval
stovkám párů léků.
stovkám párů léků.
11:57
He found several
very important interactions,
very important interactions,
262
705082
2517
Nalezl několik velmi významných interakcí,
11:59
and so we replicated this
263
707623
1214
tak jsme to zopakovali
12:00
and we showed that this
is a way that really works
is a way that really works
264
708861
2574
a ukázali, že toto je
skutečně fungující způsob
skutečně fungující způsob
12:03
for finding drug-drug interactions.
265
711459
2339
nalézání interakcí mezi léky.
12:06
However, there's a couple of things.
266
714282
1734
Nicméně je zde pár drobností.
12:08
We don't just use pairs
of drugs at a time.
of drugs at a time.
267
716040
3046
Najednou neužíváme pouze dvojice léků.
12:11
As I said before, there are patients
on three, five, seven, nine drugs.
on three, five, seven, nine drugs.
268
719110
4469
Jak jsem řekl dříve, jsou pacienti
se třemi, pěti, sedmi, devíti léky.
se třemi, pěti, sedmi, devíti léky.
12:15
Have they been studied with respect
to their nine-way interaction?
to their nine-way interaction?
269
723981
3642
Byly zkoumány vzájemné interakce
všech devíti?
všech devíti?
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
Můžeme párovat A a B, A a C, A a 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 A, B, C, D, E, F, G dohromady,
12:28
being taken by the same patient,
272
736189
1762
užívané jedním pacientem,
12:29
perhaps interacting with each other
273
737975
2118
možná vzájemně reagující způsobem,
12:32
in ways that either makes them
more effective or less effective
more effective or less effective
274
740117
3778
který zvyšuje nebo snižuje jejich efekt
12:35
or causes side effects
that are unexpected?
that are unexpected?
275
743919
2332
nebo způsobuje nečekané účinky.
12:38
We really have no idea.
276
746275
1827
My opravdu netušíme.
12:40
It's a blue sky, open field
for us to use data
for us to use data
277
748126
3756
Je to pole neorané, příležitost
pro nás využít data
pro nás využít data
12:43
to try to understand
the interaction of drugs.
the interaction of drugs.
278
751906
2502
k pochopení interakcí mezi léky.
12:46
Two more lessons:
279
754848
1370
Další dvě věci:
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
chci, abyste přemýšleli o moci,
kterou jsme byli schopni vytvořit
kterou jsme byli schopni vytvořit
12:52
with the data from people who had
volunteered their adverse reactions
volunteered their adverse reactions
281
760465
4711
s daty od lidí, kteří
poskytli nežádoucí účinky
poskytli nežádoucí účinky
12:57
through their pharmacists,
through themselves, through their doctors,
through themselves, through their doctors,
282
765200
3269
prostřednictvím lékárníků,
nich samotných, jejich doktorů
nich samotných, jejich doktorů
13:00
the people who allowed the databases
at Stanford, Harvard, Vanderbilt,
at Stanford, Harvard, Vanderbilt,
283
768493
3667
lidé, kteří umožnili databázím
ve Stanfordu, Harvardu, Vanderbiltu,
ve Stanfordu, Harvardu, Vanderbiltu,
13:04
to be used for research.
284
772184
1427
užívání pro výzkum.
13:05
People are worried about data.
285
773929
1445
Lidé se bojí o data.
13:07
They're worried about their privacy
and security -- they should be.
and security -- they should be.
286
775398
3187
Obávají se o své soukromí a bezpečnost
- měli by.
- měli by.
Potřebujeme bezpečné systémy.
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 nemůžeme mít systém,
který uzavírá data,
který uzavírá data,
13:15
because it is too rich of a source
289
783214
2752
protože je to příliš cenný zdroj
13:17
of inspiration, innovation and discovery
290
785990
3971
inspirace, inovace a objevů
13:21
for new things in medicine.
291
789985
1578
nových věcí v lékařství.
13:24
And the final thing I want to say is,
292
792494
1794
A poslední věc, kterou chci říct je,
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
že jsme v tomto případě našli dva léky
a byl to trošku smutný příběh.
a byl to trošku smutný příběh.
13:29
The two drugs actually caused problems.
294
797693
1921
Dva léky skutečně způsobující problémy.
13:31
They increased glucose.
295
799638
1475
Zvyšovaly glukózu.
13:33
They could throw somebody into diabetes
296
801137
2446
Mohly u někoho vyvolat cukrovku,
13:35
who would otherwise not be in diabetes,
297
803607
2294
u někoho, kdo by ji jinak neměl,
13:37
and so you would want to use
the two drugs very carefully together,
the two drugs very carefully together,
298
805925
3175
a tak byste měli používat tyto léky
dohromady velmi opatrně,
dohromady velmi opatrně,
13:41
perhaps not together,
299
809124
1151
možná ne společně,
13:42
make different choices
when you're prescribing.
when you're prescribing.
300
810299
2340
prostě zvolit jiné, když je předepisujete.
13:44
But there was another possibility.
301
812663
1846
Ale byla zde ještě další možnost.
13:46
We could have found
two drugs or three drugs
two drugs or three drugs
302
814533
2344
Mohli jsme nalézt dva nebo tři léky,
13:48
that were interacting in a beneficial way.
303
816901
2261
které reagovaly přínosným způsobem.
13:51
We could have found new effects of drugs
304
819616
2712
Mohli jsme nalézt nové účinky léků,
13:54
that neither of them has alone,
305
822352
2160
které by žádný z nich samostatně neměl,
13:56
but together, instead
of causing a side effect,
of causing a side effect,
306
824536
2493
ale dohromady způsobovaly
nový vedlejší účinek,
nový vedlejší účinek,
13:59
they could be a new and novel treatment
307
827053
2425
mohly být novou a novátorskou léčbou
14:01
for diseases that don't have treatments
308
829502
1882
chorob, které nemají léčbu
14:03
or where the treatments are not effective.
309
831408
2007
nebo jejichž léčba není účinná.
14:05
If we think about drug treatment today,
310
833439
2395
Když přemýšlíme o lécích dnes,
14:07
all the major breakthroughs --
311
835858
1752
všechny zlomové průlomy --
14:09
for HIV, for tuberculosis,
for depression, for diabetes --
for depression, for diabetes --
312
837634
4297
pro HIV, tuberkulózu, depresi, cukrovku --
14:13
it's always a cocktail of drugs.
313
841955
2830
jsou vždy mixem léků.
14:16
And so the upside here,
314
844809
1730
Takže ten pozitivní aspekt,
14:18
and the subject for a different
TED Talk on a different day,
TED Talk on a different day,
315
846563
2849
a téma pro odlišnou TED přednášku,
14:21
is how can we use the same data sources
316
849436
2593
je jak můžeme použít stejné zdroje dat
14:24
to find good effects
of drugs in combination
of drugs in combination
317
852053
3563
pro nalezení positivních účinků
kombinace léčiv,
kombinace léčiv,
14:27
that will provide us new treatments,
318
855640
2175
které nám poskytnou novou léčbu,
14:29
new insights into how drugs work
319
857839
1852
nový vhled do fungování léčiv
14:31
and enable us to take care
of our patients even better?
of our patients even better?
320
859715
3786
a umožní nám postarat se ještě lépe
o naše pacienty.
o naše pacienty.
14:35
Thank you very much.
321
863525
1166
Děkuji Vám.
14:36
(Applause)
322
864715
3499
(potlesk)
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