TEDMED 2010
Thomas Goetz: It's time to redesign medical data
תומאס גץ: הגיע הזמן לעצב מידע רפואי מחדש
Filmed:
Readability: 3.5
587,895 views
הגליון הרפואי שלך: קשה להגיע אליו, בלתי אפשרי לקרוא אותו - והוא מלא במידע שאילו ידעת להשתמש בו היה יכול לתרום לבריאותך. בכנס TEDMED, תומאס גץ בוחן מידע רפואי, ויוצא בקריאה נועזת לעצב אותו מחדש ולהפיק ממנו יותר תובנות.
Thomas Goetz - Healthcare communicator
Thomas Goetz is the co-founder of Iodine and author of "The Decision Tree: Taking Control of Your Health in the New Era of Personalized Medicine.” Full bio
Thomas Goetz is the co-founder of Iodine and author of "The Decision Tree: Taking Control of Your Health in the New Era of Personalized Medicine.” Full bio
Double-click the English transcript below to play the video.
00:15
I'm going to be talking to you
0
0
2000
אני עומד לדבר איתכם
00:17
about how we can tap
1
2000
2000
על דרך שבה נוכל לנצל
00:19
a really underutilized resource in health care,
2
4000
2000
משאב מאד לא מנוצל בתחום שירותי הבריאות,
00:21
which is the patient,
3
6000
2000
וזהו המטופל,
00:23
or, as I like to use the scientific term,
4
8000
3000
או - כמו שזה נקרא במונחים מדעיים -
00:26
people.
5
11000
2000
אנשים.
00:28
Because we are all patients, we are all people.
6
13000
2000
בגלל שכולנו מטופלים, כולנו אנשים.
00:30
Even doctors are patients at some point.
7
15000
2000
אפילו רופאים הם מטופלים לפעמים.
00:32
So I want to talk about that
8
17000
2000
אז אני רוצה לדבר על כך
00:34
as an opportunity
9
19000
2000
כהזדמנות
00:36
that we really have failed to engage with very well in this country
10
21000
3000
שבמדינה זו לא נרתמנו אליה בצורה טובה במיוחד,
00:39
and, in fact, worldwide.
11
24000
2000
ולמעשה, בשאר העולם המצב דומה.
00:41
If you want to get at the big part --
12
26000
2000
אם תרצו לגשת ללב העניין -
00:43
I mean from a public health level, where my training is --
13
28000
3000
כלומר מבחינת בריאות הציבור, שזהו תחום ההתמחות שלי -
00:46
you're looking at behavioral issues.
14
31000
2000
תראו מאפיינים התנהגותיים,
00:48
You're looking at things where people are actually given information,
15
33000
3000
תראו מצבים בהם אנשים ממש מקבלים מידע,
00:51
and they're not following through with it.
16
36000
2000
ואינם עושים איתו דבר.
00:53
It's a problem that manifests itself in diabetes,
17
38000
4000
זוהי בעיה שמתבטאת בסכרת,
00:57
obesity, many forms of heart disease,
18
42000
2000
בהשמנת יתר, במחלות לב מסוגים שונים,
00:59
even some forms of cancer -- when you think of smoking.
19
44000
3000
אפילו בסוגי סרטן מסויימים - כשמדובר בעישון.
01:02
Those are all behaviors where people know what they're supposed to do.
20
47000
3000
אלה כולן התנהגויות שבהן אנשים יודעים מה הם צריכים לעשות.
01:05
They know what they're supposed to be doing,
21
50000
2000
הם יודעים מה הם צריכים לעשות,
01:07
but they're not doing it.
22
52000
2000
אבל הם לא עושים את זה.
01:09
Now behavior change is something
23
54000
2000
עכשיו, שינוי התנהגותי הוא משהו
01:11
that is a long-standing problem in medicine.
24
56000
2000
שמנסים לפתור כבר הרבה זמן בתחום הרפואה.
01:13
It goes all the way back to Aristotle.
25
58000
2000
מאז ימי אריסטו.
01:15
And doctors hate it, right?
26
60000
2000
ורופאים שונאים את זה, נכון.
01:17
I mean, they complain about it all the time.
27
62000
2000
כלומר, הם מתלוננים על זה כל הזמן.
01:19
We talk about it in terms of engagement, or non-compliance.
28
64000
3000
אנחנו מדברים על זה במושגים של חוסר הירתמות, או של אי-ציות,
01:22
When people don't take their pills,
29
67000
2000
כשאנשים אינם נוטלים את הכדורים שלהם,
01:24
when people don't follow doctors' orders --
30
69000
2000
או כשהם אינם עושים כמצוות רופאיהם.
01:26
these are behavior problems.
31
71000
2000
אלה בעיות התנהגותיות.
01:28
But for as much as clinical medicine
32
73000
2000
אבל למרות שהעוסקים ברפואה קלינית
01:30
agonizes over behavior change,
33
75000
2000
מתייסרים משינויים התנהגותיים,
01:32
there's not a lot of work done
34
77000
2000
לא נעשה מאמץ רב
01:34
in terms of trying to fix that problem.
35
79000
3000
לנסות לתקן את הבעיה הזו.
01:37
So the crux of it
36
82000
2000
אז במהות העניין נמצא
01:39
comes down to this notion of decision-making --
37
84000
2000
הרעיון הזה של של קבלת החלטות -
01:41
giving information to people in a form
38
86000
2000
לתת לאנשים מידע בצורה
01:43
that doesn't just educate them
39
88000
2000
שלא רק מחכימה אותם
01:45
or inform them,
40
90000
2000
או מיידעת אותם,
01:47
but actually leads them to make better decisions,
41
92000
2000
אלא שמאפשרת להם לקבל החלטות טובות יותר,
01:49
better choices in their lives.
42
94000
2000
החלטות טובות יותר לגבי חייהם.
01:51
One part of medicine, though,
43
96000
2000
ישנו תחום אחד ברפואה
01:53
has faced the problem of behavior change pretty well,
44
98000
4000
בו מתמודדים לא רע עם בעית השינוי ההתנהגותי,
01:57
and that's dentistry.
45
102000
2000
וזהו תחום רפואת השיניים.
01:59
Dentistry might seem -- and I think it is --
46
104000
2000
רפואת השיניים נחשבת - ואני חושב שהיא -
02:01
many dentists would have to acknowledge
47
106000
2000
הרבה רופאי שיניים יאלצו להסכים
02:03
it's somewhat of a mundane backwater of medicine.
48
108000
2000
שרפואת השיניים היא קצת בחלק הצדדי והשגרתי של הרפואה.
02:05
Not a lot of cool, sexy stuff happening in dentistry.
49
110000
3000
לא קורים הרבה דברים מגניבים וסקסיים בתחום רפואת השיניים.
02:08
But they have really taken this problem of behavior change
50
113000
3000
אבל הם התמקדו בבעיה הזאת של שינוי התנהגותי
02:11
and solved it.
51
116000
2000
ופתרו אותה.
02:13
It's the one great preventive health success
52
118000
2000
זוהי ההצלחה היחידה בתחום הרפואה המונעת
02:15
we have in our health care system.
53
120000
2000
שיש בכל מערכת הבריאות שלנו.
02:17
People brush and floss their teeth.
54
122000
2000
אנשים מצחצחים שיניים ומשתמשים בחוט דנטאלי.
02:19
They don't do it as much as they should, but they do it.
55
124000
3000
הם לא עושים את זה מספיק, אבל הם עושים את זה.
02:22
So I'm going to talk about one experiment
56
127000
2000
אז אני אדבר על ניסוי אחד
02:24
that a few dentists in Connecticut
57
129000
2000
שמספר רופאי שיניים בקונטיקט
02:26
cooked up about 30 years ago.
58
131000
2000
יזמו לפני כ-30 שנה.
02:28
So this is an old experiment, but it's a really good one,
59
133000
2000
אז זהו ניסוי ישן, אבל הוא מצויין,
02:30
because it was very simple,
60
135000
2000
כי הוא היה מאד פשוט,
02:32
so it's an easy story to tell.
61
137000
2000
אז קל מאד לספר עליו.
02:34
So these Connecticut dentists decided
62
139000
2000
אז רופאי השיניים האלה מקונטיקט החליטו
02:36
that they wanted to get people to brush their teeth and floss their teeth more often,
63
141000
3000
שהם רצו שאנשים יצחצחו שיניים וישתמשו בחוט דנטאלי יותר.
02:39
and they were going to use one variable:
64
144000
2000
והם החליטו להשתמש במשתנה אחד:
02:41
they wanted to scare them.
65
146000
2000
הם רצו להפחיד אנשים.
02:43
They wanted to tell them how bad it would be
66
148000
3000
הם רצו לספר להם כמה זה יהיה רע
02:46
if they didn't brush and floss their teeth.
67
151000
2000
אם הם לא יצחצחו שיניים וישתמשו בחוט דנטאלי.
02:48
They had a big patient population.
68
153000
3000
הייתה להם אוכלוסיית חולים גדולה.
02:51
They divided them up into two groups.
69
156000
2000
הם חילקו אותם לשתי קבוצות.
02:53
They had a low-fear population,
70
158000
2000
הייתה אוכלוסיה אחת שהפחידו מעט,
02:55
where they basically gave them a 13-minute presentation,
71
160000
2000
שלמעשה הם הראו להם מצגת של 13 דקות,
02:57
all based in science,
72
162000
2000
שכולה מבוססת על עובדות מדעיות,
02:59
but told them that, if you didn't brush and floss your teeth,
73
164000
3000
אבל המסר שלה היה, שאם לא תצחצחו שיניים ותשתמשו בחוט דנטאלי,
03:02
you could get gum disease. If you get gum disease, you will lose your teeth,
74
167000
3000
אתם עלולים לחלות במחלות חניכיים. ושאם זה יקרה, תאבדו את השיניים.
03:05
but you'll get dentures, and it won't be that bad.
75
170000
2000
אבל תקבלו תותבות, וזה לא יהיה נורא כל-כך.
03:07
So that was the low-fear group.
76
172000
2000
אז זו הייתה הקבוצה שהפחידו אותה מעט.
03:09
The high-fear group, they laid it on really thick.
77
174000
3000
לקבוצה שהפחידו מאד, הם ממש הגזימו.
03:12
They showed bloody gums.
78
177000
2000
הם הראו חניכיים מדממים,
03:14
They showed puss oozing out from between their teeth.
79
179000
3000
הם הראו מוגלה נשפכת מבין השיניים שלהם,
03:17
They told them that their teeth were going to fall out.
80
182000
2000
הם אמרו להם שהשיניים שלהם עומדות לנשור,
03:19
They said that they could have infections
81
184000
2000
הם אמרו שעלול להיות להם זיהום
03:21
that would spread from their jaws to other parts of their bodies,
82
186000
3000
שיתפשט מהלסתות שלהם לחלקי גוף אחרים,
03:24
and ultimately, yes, they would lose their teeth.
83
189000
2000
ושבסוף, כן, השיניים שלהם תנשורנה.
03:26
They would get dentures, and if you got dentures,
84
191000
2000
הם יקבלו תותבות, ואם הם יקבלו תותבות,
03:28
you weren't going to be able to eat corn-on-the-cob,
85
193000
2000
הם לא יוכלו לאכול קלחי תירס,
03:30
you weren't going to be able to eat apples,
86
195000
2000
הם לא יוכלו לאכול תפוחים,
03:32
you weren't going to be able to eat steak.
87
197000
2000
הם לא יוכלו לאכול סטייקים;
03:34
You'll eat mush for the rest of your life.
88
199000
2000
והם ייאלצו לאכול עיסה עד סוף ימיהם.
03:36
So go brush and floss your teeth.
89
201000
3000
אז תצחצחו שיניים.
03:39
That was the message. That was the experiment.
90
204000
2000
זה היה המסר; זה היה הניסוי.
03:41
Now they measured one other variable.
91
206000
2000
אחרי זה הם מדדו עוד משתנה אחד.
03:43
They wanted to capture one other variable,
92
208000
2000
הם רצו לבחון משתנה נוסף,
03:45
which was the patients' sense of efficacy.
93
210000
3000
והוא תחושת החולים לגבי יכולתם.
03:48
This was the notion of whether the patients felt
94
213000
2000
הכוונה לשאלה אם החולים הרגישו
03:50
that they actually would go ahead and brush and floss their teeth.
95
215000
3000
שהם אכן ירתמו למשימת הצחצוח והשימוש בחוט דנטאלי.
03:53
So they asked them at the beginning,
96
218000
2000
אז הם שאלו אותם בהתחלה,
03:55
"Do you think you'll actually be able to stick with this program?"
97
220000
2000
"האם אתם חושבים שבאמת תצליחו לדבוק בתכנית הזאת?"
03:57
And the people who said, "Yeah, yeah. I'm pretty good about that,"
98
222000
2000
ואנשים שאמרו, "כן, כן. אני די מתמיד בדברים כאלו,"
03:59
they were characterized as high efficacy,
99
224000
2000
אופיינו כבעלי יכולת גבוהה,
04:01
and the people who said,
100
226000
2000
ואנשים שאמרו,
04:03
"Eh, I never get around to brushing and flossing as much as I should,"
101
228000
2000
"אה, אני אף פעם לא מצחצח ומשתמש בחוט דנטאלי כמו שאני אמור,"
04:05
they were characterized as low efficacy.
102
230000
2000
אופיינו כבעלי יכולת נמוכה.
04:07
So the upshot was this.
103
232000
3000
אז המסקנה הייתה כדלהלן.
04:10
The upshot of this experiment
104
235000
2000
המסקנה מהניסוי הייתה
04:12
was that fear was not really a primary driver
105
237000
3000
שהפחד לא היה ממש מניע מרכזי
04:15
of the behavior at all.
106
240000
2000
להתנהגות בכלל.
04:17
The people who brushed and flossed their teeth
107
242000
2000
האנשים שצחצחו שיניים והשתמשו בחוט דנטאלי
04:19
were not necessarily the people
108
244000
2000
לא היו בהכרח האנשים
04:21
who were really scared about what would happen --
109
246000
2000
שמאד פחדו ממה שיקרה -
04:23
it's the people who simply felt that they had the capacity
110
248000
3000
אלא האנשים שפשוט הרגישו שיש ביכולתם
04:26
to change their behavior.
111
251000
2000
לשנות את התנהגותם.
04:28
So fear showed up as not really the driver.
112
253000
3000
אז הפחד לא יצא המניע האמיתי;
04:31
It was the sense of efficacy.
113
256000
3000
אלא תחושת היכולת.
04:34
So I want to isolate this,
114
259000
2000
אז אני רוצה לבודד את זה,
04:36
because it was a great observation --
115
261000
2000
כי זו הייתה תצפית מעולה -
04:38
30 years ago, right, 30 years ago --
116
263000
2000
לפני 30 שנה, נכון, לפני 30 שנה -
04:40
and it's one that's laid fallow in research.
117
265000
3000
והיא מושמטת ממחקרים.
04:43
It was a notion that really came out
118
268000
2000
זו הייתה תובנה שנחשפה במיוחד
04:45
of Albert Bandura's work,
119
270000
2000
בעבודתו של אלברט בנדורה,
04:47
who studied whether
120
272000
2000
שחקר האם
04:49
people could get a sense of empowerment.
121
274000
3000
אנשים יכולים לרכוש תחושת העצמה.
04:52
The notion of efficacy basically boils down to one -- that
122
277000
3000
רעיון היכולת הוא בבסיסו הרעיון
04:55
if somebody believes that they have the capacity to change their behavior.
123
280000
3000
שמישהו מאמין שיש לו את היכולת לשנות את התנהגותו.
04:58
In health care terms, you could characterize this
124
283000
3000
במושגי שירות רפואי, אפשר לתאר זאת במונחים של
05:01
as whether or not somebody feels
125
286000
2000
האם מישהו מרגיש
05:03
that they see a path towards better health,
126
288000
2000
שישנה דרך לשפר את בריאותו,
05:05
that they can actually see their way towards getting better health,
127
290000
2000
שהוא ממש יכול לראות את הדרך לבריאות טובה יותר.
05:07
and that's a very important notion.
128
292000
2000
וזהו רעיון מאד חשוב.
05:09
It's an amazing notion.
129
294000
2000
זהו רעיון מדהים.
05:11
We don't really know how to manipulate it, though, that well.
130
296000
3000
אבל אנחנו לא ממש יודעים איך לנצל אותו כל-כך טוב.
05:14
Except, maybe we do.
131
299000
3000
אלא שאולי כן.
05:17
So fear doesn't work, right? Fear doesn't work.
132
302000
2000
אז הפחדה לא עובדת, נכון, הפחדה לא עובדת.
05:19
And this is a great example
133
304000
2000
והנה דוגמה מצויינת
05:21
of how we haven't learned that lesson at all.
134
306000
3000
לכך שלא למדנו את הלקח הזה בכלל.
05:24
This is a campaign from the American Diabetes Association.
135
309000
3000
זהו מסע פרסום מאיגוד הסוכרת האמריקאי.
05:27
This is still the way we're communicating messages about health.
136
312000
3000
זוהי עדיין הדרך שבה אנו מתקשרים בנושאי בריאות.
05:30
I mean, I showed my three-year-old this slide last night,
137
315000
3000
כלומר, אני הראיתי את השקף הזה לבן שלי בן השלוש אתמול בלילה,
05:33
and he's like, "Papa, why is an ambulance in these people's homes?"
138
318000
4000
והוא אמר, "אבא, למה יש אמבולנס בבתים של האנשים האלה?"
05:37
And I had to explain, "They're trying to scare people."
139
322000
3000
ונאלצתי להסביר, "הם מנסים להפחיד אנשים."
05:40
And I don't know if it works.
140
325000
2000
ואני לא יודע אם זה עובד.
05:42
Now here's what does work:
141
327000
2000
עכשיו הנה משהו שכן עובד,
05:44
personalized information works.
142
329000
2000
מידע מותאם אישית עובד.
05:46
Again, Bandura recognized this
143
331000
2000
שוב, בנדורה זיהה את זה
05:48
years ago, decades ago.
144
333000
2000
לפני שנים, לפני עשורים.
05:50
When you give people specific information
145
335000
2000
כשמספקים לאנשים מידע ספציפי
05:52
about their health, where they stand,
146
337000
2000
לגבי בריאותם, מה מצבם הנוכחי,
05:54
and where they want to get to, where they might get to,
147
339000
2000
ולאן הם רוצים להגיע, לאן אולי הם יגיעו,
05:56
that path, that notion of a path --
148
341000
2000
הדרך הזו, הרעיון שישנה דרך,
05:58
that tends to work for behavior change.
149
343000
2000
זה נוטה להביא לשינוי התנהגותי.
06:00
So let me just spool it out a little bit.
150
345000
2000
אז תנו לי לפרט את זה קצת.
06:02
So you start with personalized data, personalized information
151
347000
3000
מתחילים עם נתונים מותאמים אישית, מידע מותאם אישית,
06:05
that comes from an individual,
152
350000
2000
שמקורם באדם מסוים,
06:07
and then you need to connect it to their lives.
153
352000
3000
ומחברים אותם לחיים של אותו אדם.
06:10
You need to connect it to their lives,
154
355000
2000
צריך לחבר את המידע לחייו של אדם,
06:12
hopefully not in a fear-based way, but one that they understand.
155
357000
2000
רצוי שיהיה בדרך שאינה מבוססת פחד, אבל שהיא מובנת.
06:14
Okay, I know where I sit. I know where I'm situated.
156
359000
3000
טוב, אני יודע איפה אני עומד. אני יודע מה מצבי.
06:17
And that doesn't just work for me in terms of abstract numbers --
157
362000
3000
וזה עובד לא רק במושגים של מספרים מופשטים,
06:20
this overload of health information
158
365000
2000
העומס הזה של מידע רפואי
06:22
that we're inundated with.
159
367000
2000
שאנחנו מוצפים בו,
06:24
But it actually hits home.
160
369000
2000
אבל הוא באמת מגיע ליעדו.
06:26
It's not just hitting us in our heads; it's hitting us in our hearts.
161
371000
2000
הוא אינו מגיע רק לראשינו, הוא מגיע גם לליבנו.
06:28
There's an emotional connection to information
162
373000
2000
ישנו חיבור רגשי למידע
06:30
because it's from us.
163
375000
2000
מפני שמקורו ממנו.
06:32
That information then needs to be connected to choices,
164
377000
3000
אחר-כך המידע הזה צריך להיות מקושר לבחירות,
06:35
needs to be connected to a range of options,
165
380000
2000
הוא צריך להיות מקושר לקשת אפשרויות,
06:37
directions that we might go to --
166
382000
2000
כיוונים אליהם אנחנו עשויים ללכת -
06:39
trade-offs, benefits.
167
384000
2000
יתרונות וחסרונות.
06:41
Finally, we need to be presented with a clear point of action.
168
386000
3000
ולבסוף, צריכים להציג לנו כוון פעולה ברור.
06:44
We need to connect the information
169
389000
2000
אנחנו צריכים להתחבר למידע.
06:46
always with the action,
170
391000
2000
תמיד עם פעולה,
06:48
and then that action feeds back
171
393000
2000
ואז הפעולה הזאת מובילה
06:50
into different information,
172
395000
2000
למידע אחר,
06:52
and it creates, of course, a feedback loop.
173
397000
2000
והיא יוצרת, כמובן, לולאת היזון חוזר.
06:54
Now this is a very well-observed and well-established notion
174
399000
3000
זהו רעיון מאד מוכר ומאד מבוסס
06:57
for behavior change.
175
402000
2000
לשינוי התנהגותי.
06:59
But the problem is that things -- in the upper-right corner there --
176
404000
3000
אבל הבעיה היא שהדברים שם בפינה הימנית העליונה,
07:02
personalized data, it's been pretty hard to come by.
177
407000
2000
מידע מותאם אישית, קשה מאד למצוא.
07:04
It's a difficult and expensive commodity,
178
409000
3000
זהו מצרך יקר וקשה להשגה,
07:07
until now.
179
412000
2000
עד עכשיו.
07:09
So I'm going to give you an example, a very simple example of how this works.
180
414000
3000
אז אני אתן לכם דוגמה, דוגמה מאד פשוטה לצורה שזה עובד.
07:12
So we've all seen these. These are the "your speed limit" signs.
181
417000
3000
אז כולנו ראינו כאלו. אלו הם שלטי "המהירות המותרת שלך".
07:15
You've seen them all around,
182
420000
2000
ראיתם אותם בכל מקום,
07:17
especially these days as radars are cheaper.
183
422000
2000
במיוחד כיום כשמחירי המכמונות הם זולים.
07:19
And here's how they work in the feedback loop.
184
424000
2000
וכך הם עובדים בלולאת ההיזון החוזר.
07:21
So you start with the personalized data
185
426000
2000
אז מתחילים במידע מותאם אישית
07:23
where the speed limit on the road that you are at that point
186
428000
2000
כאשר המהירות המותרת בכביש עליו אתה נוסע
07:25
is 25,
187
430000
2000
היא 25,
07:27
and, of course, you're going faster than that.
188
432000
2000
ואתה, כמובן, נוסע יותר מהר מזה.
07:29
We always are. We're always going above the speed limit.
189
434000
3000
ככה זה תמיד. אנחנו נוסעים מעל המהירות המותרת.
07:32
The choice in this case is pretty simple.
190
437000
2000
הבחירה במקרה זה היא פשוטה למדי.
07:34
We either keep going fast, or we slow down.
191
439000
2000
או שאנחנו ממשיכים ליסוע מהר, או שאנחנו מאטים.
07:36
We should probably slow down,
192
441000
2000
עדיף כנראה שנאט,
07:38
and that point of action is probably now.
193
443000
2000
וכנראה שעכשיו הוא הרגע להחליט כיצד לפעול.
07:40
We should take our foot off the pedal right now,
194
445000
3000
אנחנו צריכים להוריד את הרגל מהדוושה מיד.
07:43
and generally we do. These things are shown to be pretty effective
195
448000
3000
ובדרך כלל זה מה שאנחנו עושים; הוכח שהדברים האלו די יעילים
07:46
in terms of getting people to slow down.
196
451000
2000
במושגים של האטת מהירות הנסיעה.
07:48
They reduce speeds by about five to 10 percent.
197
453000
2000
הם מורידים מהירויות בכחמישה עד עשרה אחוזים.
07:50
They last for about five miles,
198
455000
2000
הם משפיעים למשך כחמישה מיילים,
07:52
in which case we put our foot back on the pedal.
199
457000
2000
ואז אנחנו מחזירים את הרגל לדוושה.
07:54
But it works, and it even has some health repercussions.
200
459000
2000
אבל זה עובד, ויש לזה אפילו השלכות בריאותיות,
07:56
Your blood pressure might drop a little bit.
201
461000
2000
לחץ הדם שלך עשוי לרדת קצת.
07:58
Maybe there's fewer accidents, so there's public health benefits.
202
463000
3000
אולי יש פחות תאונות דרכים, אז ישנה גם תועלת מבחינת בריאות הציבור.
08:01
But by and large, this is a feedback loop
203
466000
2000
אבל בסה"כ יש כאן לולאת היזון חוזר
08:03
that's so nifty and too rare.
204
468000
3000
זה מגניב מאד ונדיר מדי.
08:06
Because in health care, most health care,
205
471000
2000
מפני שבשירותי בריאות, רוב שירותי הבריאות,
08:08
the data is very removed from the action.
206
473000
3000
המידע מרוחק מאד מהפעולה.
08:11
It's very difficult to line things up so neatly.
207
476000
3000
קשה מאד לסדר דברים בצורה כל-כך יפה.
08:14
But we have an opportunity.
208
479000
2000
אבל יש לנו הזדמנות.
08:16
So I want to talk about, I want to shift now to think about
209
481000
2000
אז אני רוצה לדבר על, אני רוצה לשנות כיוון ולחשוב על
08:18
how we deliver health information in this country,
210
483000
2000
הדרך שבה אנחנו מעבירים מידע רפואי במדינה הזו,
08:20
how we actually get information.
211
485000
3000
איך בעצם אנחנו מקבלים מידע.
08:23
This is a pharmaceutical ad.
212
488000
3000
זוהי פרסומת לתרופה.
08:26
Actually, it's a spoof. It's not a real pharmaceutical ad.
213
491000
2000
למעשה, זו אינה פרסומת אמיתית.
08:28
Nobody's had the brilliant idea
214
493000
2000
לאף אחד לא היה עדיין את הרעיון המבריק
08:30
of calling their drug Havidol quite yet.
215
495000
3000
לקרוא לתרופה שלהם Havidol ("יש בו הכל").
08:34
But it looks completely right.
216
499000
2000
אבל היא נראית לגמרי בסדר.
08:36
So it's exactly the way we get
217
501000
2000
וזוהי בדיוק הדרך שבא אנחנו מקבלים
08:38
health information and pharmaceutical information,
218
503000
3000
מידע רפואי ומידע תרופתי,
08:41
and it just sounds perfect.
219
506000
2000
וזה נשמע פשוט מושלם.
08:43
And then we turn the page of the magazine,
220
508000
2000
ואז אנחנו מעבירים דף בירחון,
08:45
and we see this --
221
510000
3000
ואנחנו רואים את זה, נכון, את זה.
08:48
now this is the page the FDA requires pharmaceutical companies
222
513000
3000
זהו הדף שמנהל המזון והתרופות דורש מחברות התרופות
08:51
to put into their ads, or to follow their ads,
223
516000
3000
לצרף לפרסומות שלהן, או לפרסם מיד אחריהן.
08:54
and to me, this is one of the most
cynical exercises in medicine.
cynical exercises in medicine.
224
519000
4000
ולטעמי, זהו אחד התרגילים הציניים ביותר בעולם הרפואה.
08:58
Because we know.
225
523000
2000
כי אנחנו יודעים
09:00
Who among us would actually say that people read this?
226
525000
2000
מי מאיתנו יאמר שאנשים באמת קוראים את זה?
09:02
And who among us would actually say
227
527000
2000
ומי מאיתנו באמת יאמר
09:04
that people who do try to read this
228
529000
2000
שאנשים שאכן קוראים את זה
09:06
actually get anything out of it?
229
531000
2000
באמת יקבלו מזה משהו?
09:08
This is a bankrupt effort
230
533000
2000
זהו ניסיון כושל
09:10
at communicating health information.
231
535000
3000
לתקשר מידע רפואי.
09:13
There is no good faith in this.
232
538000
2000
אין בזה כוונה טובה בכלל.
09:15
So this is a different approach.
233
540000
2000
אז לפניכם גישה אחרת.
09:17
This is an approach that has been developed
234
542000
3000
זוהי גישה שפותחה על ידי
09:20
by a couple researchers at Dartmouth Medical School,
235
545000
3000
שני חוקרים מבית הספר לרפואה בדרטמוט.
09:23
Lisa Schwartz and Steven Woloshin.
236
548000
2000
ליסה שוורץ וסטיבן וולושין.
09:25
And they created this thing called the "drug facts box."
237
550000
3000
הם יצרו משהו שקוראים לו תיבת העובדות לגבי תרופה.
09:28
They took inspiration from, of all things,
238
553000
2000
ומכל הדברים, הם קיבלו השראה
09:30
Cap'n Crunch.
239
555000
2000
מדגני הבוקר Cap'n Crunch.
09:32
They went to the nutritional information box
240
557000
3000
הם צפו בתיבת המידע התזונתי
09:35
and saw that what works for cereal, works for our food,
241
560000
3000
וראו שמה שעובד עבור דגני בוקר, עבור המזון שלנו,
09:38
actually helps people understand what's in their food.
242
563000
3000
באמת עוזר לאנשים להבין מה יש באוכל שלהם.
09:42
God forbid we should use that same standard
243
567000
2000
למה שלא ניקח, חס וחלילה, את אותו הסטנדרט
09:44
that we make Cap'n Crunch live by
244
569000
2000
שאנחנו דורשים מ-Cap'n Crunch
09:46
and bring it to drug companies.
245
571000
3000
ונביא אותו לחברות התרופות.
09:49
So let me just walk through this quickly.
246
574000
2000
אז תרשו לי להציג לכם את הרעיון בקצרה.
09:51
It says very clearly what the drug is for, specifically who it is good for,
247
576000
3000
רשום בצורה ברורה מאד מה מטרת התרופה, ובפרט למי היא מיועדת
09:54
so you can start to personalize your understanding
248
579000
2000
אז אפשר להתחיל להבין באופן אישי
09:56
of whether the information is relevant to you
249
581000
2000
אם המידע רלוונטי לך
09:58
or whether the drug is relevant to you.
250
583000
2000
ואם התרופה רלוונטית לך.
10:00
You can understand exactly what the benefits are.
251
585000
3000
אפשר להבין בדיוק מה התועלת.
10:03
It isn't this kind of vague promise that it's going to work no matter what,
252
588000
3000
זו אינה הבטחה סתמית שהתרופה תעזור בכל מקרה,
10:06
but you get the statistics for how effective it is.
253
591000
3000
אלא מקבלים את הסטטיסטיקה לגבי יעילותה.
10:09
And finally, you understand what those choices are.
254
594000
3000
ולבסוף, אתם מבינים מה הן האפשרויות העומדות בפניכם.
10:12
You can start to unpack the choices involved
255
597000
2000
אפשר להתחיל לפתוח את האפשרויות
10:14
because of the side effects.
256
599000
2000
בגלל תופעות הלוואי.
10:16
Every time you take a drug, you're walking into a possible side effect.
257
601000
3000
בכל פעם שלוקחים תרופה, יש אפשרות שתהיה תופעת לוואי.
10:19
So it spells those out in very clean terms,
258
604000
2000
אז זה רשום במושגים מאד ברורים.
10:21
and that works.
259
606000
2000
וזה עובד.
10:23
So I love this. I love that drug facts box.
260
608000
2000
אז אני מת על זה. אני מת על תיבת המידע התרופתי.
10:25
And so I was thinking about,
261
610000
2000
אז חשבתי,
10:27
what's an opportunity that I could have
262
612000
2000
איפה ישנה עוד הזדמנות
10:29
to help people understand information?
263
614000
3000
לעזור לאנשים להבין מידע?
10:32
What's another latent body of information that's out there
264
617000
4000
היכן ישנו עוד מאגר ידע חבוי
10:36
that people are really not putting to use?
265
621000
3000
שאף אחד לא משתמש בו.
10:39
And so I came up with this: lab test results.
266
624000
3000
אז עלה לי הרעיון הבא: תוצאות מעבדה.
10:42
Blood test results are this great source of information.
267
627000
3000
בדיקות דם הן מקור מידע מעולה.
10:45
They're packed with information.
268
630000
2000
הן מפוצצות במידע.
10:47
They're just not for us. They're not for people. They're not for patients.
269
632000
3000
הן פשוט לא עבורנו; הן לא עבור אנשים; הן לא עבור חולים.
10:50
They go right to doctors.
270
635000
2000
הן מגיעות ישר לרופאים.
10:52
And God forbid -- I think many doctors, if you really asked them,
271
637000
3000
והס מלהזכיר - אני חושב שהרבה רופאים, אם תשאלו אותם,
10:55
they don't really understand all this stuff either.
272
640000
3000
לא ממש מבינים את הדברים האלה.
10:58
This is the worst presented information.
273
643000
3000
זהו המידע שמוגש בצורה הגרועה ביותר.
11:01
You ask Tufte, and he would say,
274
646000
3000
אם הייתם שואלים את טאפטי (Tufte) הוא היה אומר,
11:04
"Yes, this is the absolute worst presentation of information possible."
275
649000
3000
"כן, זוהי הצורה הגרועה ביותר להציג מידע."
11:07
What we did at Wired
276
652000
2000
מה שעשינו ב-Wired
11:09
was we went, and I got our graphic design department
277
654000
2000
זה שפנינו למחלקת העיצוב הגרפי שלנו
11:11
to re-imagine these lab reports.
278
656000
2000
כדי שידמיינו מחדש את תוצאות המעבדה האלו.
11:13
So that's what I want to walk you through.
279
658000
2000
וזה מה שאני רוצה להציג לכם.
11:15
So this is the general blood work before,
280
660000
3000
אז הנה תוצאות בדיקות דם כלליות לפני,
11:18
and this is the after, this is what we came up with.
281
663000
2000
והנה מה שאנחנו עיצבנו.
11:20
The after takes what was four pages --
282
665000
2000
העיצוב שלנו לוקח את מה שהיה ארבעה עמודים -
11:22
that previous slide was actually
283
667000
2000
השקף הקודם היה למעשה
11:24
the first of four pages of data
284
669000
2000
העמוד הראשון מבין ארבעה עמודי מידע
11:26
that's just the general blood work.
285
671000
2000
ואלו הן רק התוצאות הכלליות.
11:28
It goes on and on and on, all these values, all these numbers you don't know.
286
673000
3000
זה ממשיך עוד ועוד, כל הערכים האלו, כל המספרים האלו שאתם לא מכירים.
11:31
This is our one-page summary.
287
676000
3000
והנה דף הסיכום שלנו.
11:34
We use the notion of color.
288
679000
2000
אנחנו משתמשים בצבע.
11:36
It's an amazing notion that color could be used.
289
681000
3000
זה רעיון מדהים שאפשר להשתמש בצבע.
11:39
So on the top-level you have your overall results,
290
684000
3000
אז בחלק העליון יש את התוצאות הכלליות שלכם,
11:42
the things that might jump out at you from the fine print.
291
687000
3000
הדברים שעשויים לעניין אתכם מתוך האותיות הקטנות.
11:45
Then you can drill down
292
690000
2000
ואז אפשר להכנס לפרטים
11:47
and understand how actually we put your level in context,
293
692000
3000
ולהבין את ההקשר של התוצאה המספרית,
11:50
and we use color to illustrate
294
695000
2000
ואנחנו משתמשים בצבע כדי להסביר
11:52
exactly where your value falls.
295
697000
2000
בדיוק איפה התוצאה שלכם נמצאת.
11:54
In this case, this patient is slightly at risk of diabetes
296
699000
3000
במקרה הזה, החולה בסיכון קל לסוכרת
11:57
because of their glucose level.
297
702000
2000
בשל רמת הגלוקוזה שלו.
11:59
Likewise, you can go over your lipids
298
704000
2000
באופן דומה, אפשר לעבור על הליפידים שלכם
12:01
and, again, understand what your overall cholesterol level is
299
706000
3000
ושוב, להבין את רמת הכולסטרול הכללית שלכם
12:04
and then break down into the HDL and the LDL if you so choose.
300
709000
3000
ואז לפרק אותה ל-HDL ול-LDL אם תבחרו לעשות כן.
12:07
But again, always using color
301
712000
2000
אבל שוב, תמיד תוך שימוש בצבע
12:09
and personalized proximity
302
714000
2000
וקירבה אישית
12:11
to that information.
303
716000
2000
למידע הזה.
12:13
All those other values,
304
718000
2000
כל הערכים האחרים האלה,
12:15
all those pages and pages of values that are full of nothing,
305
720000
2000
כל הדפים על גבי דפים של ערכים חסרי ערך,
12:17
we summarize.
306
722000
2000
אנחנו מסכמים.
12:19
We tell you that you're okay, you're normal.
307
724000
2000
אנחנו אומרים לכם שאתם בסדר, אתם נורמאליים.
12:21
But you don't have to wade through it. You don't have to go through the junk.
308
726000
3000
אבל אתם לא צריכים לדשדש בזה. אתם לא צריכים לעבור על כל הזבל.
12:24
And then we do two other very important things
309
729000
2000
ואז אנחנו עושים עוד שני דברים מאד חשובים
12:26
that kind of help fill in this feedback loop:
310
731000
2000
שעוזרים להשלים את נושא לולאת המשוב.
12:28
we help people understand in a little more detail
311
733000
2000
אנחנו עוזרים לאנשים להבין קצת יותר
12:30
what these values are and what they might indicate.
312
735000
3000
מהם הערכים האלו ומה הם עשויים להביע.
12:33
And then we go a further step -- we tell them what they can do.
313
738000
3000
ואז אנחנו מתקדמים צעד נוסף: אנחנו אומרים להם מה הם יכולים לעשות.
12:36
We give them some insight
314
741000
2000
אנחנו מספקים להם מעט תובנה
12:38
into what choices they can make, what actions they can take.
315
743000
3000
לגבי הבחירות העומדות בפניהם, הפעולות שהם יכולים לבצע.
12:41
So that's our general blood work test.
316
746000
3000
אז אלו תוצאות בדיקות הדם הכלליות שלנו.
12:44
Then we went to CRP test.
317
749000
2000
אחרי זה עברנו לבדיקת CRP (חלבון בדם).
12:46
In this case, it's a sin of omission.
318
751000
2000
הפעם מדובר בהשמטת מידע.
12:48
They have this huge amount of space,
319
753000
2000
יש להם את המרווח הגדול הזה,
12:50
and they don't use it for anything, so we do.
320
755000
2000
והם לא משתמשים בו, אז אנחנו כן.
12:52
Now the CRP test is often done
321
757000
2000
בדיקת ה-CRP מבוצעת לעיתים קרובות
12:54
following a cholesterol test,
322
759000
2000
בעקבות בדיקת כולסטרול,
12:56
or in conjunction with a cholesterol test.
323
761000
2000
או בשילוב עם בדיקת כולסטרול.
12:58
So we take the bold step
324
763000
2000
אז עשינו מעשה נועז
13:00
of putting the cholesterol information on the same page,
325
765000
3000
ושמנו את המידע לגבי הכולסטרול באותו העמוד,
13:03
which is the way the doctor is going to evaluate it.
326
768000
2000
שזו הדרך שבה הרופא יבחן אותו.
13:05
So we thought the patient might actually want to know the context as well.
327
770000
3000
אז חשבנו שאולי החולה הזה גם ירצה לדעת את ההקשר.
13:08
It's a protein that shows up
328
773000
2000
זהו חלבון שמופיע
13:10
when your blood vessels might be inflamed,
329
775000
2000
כשכלי הדם עלולים להיות מודלקים,
13:12
which might be a risk for heart disease.
330
777000
2000
שעלול להוות סיכון למחלת לב.
13:14
What you're actually measuring
331
779000
2000
מה שאתם מודדים למעשה
13:16
is spelled out in clean language.
332
781000
2000
מוצג בשפה ברורה.
13:18
Then we use the information
333
783000
2000
ואז אנחנו משתמשים במידע
13:20
that's already in the lab report.
334
785000
2000
שכבר נמצא בתוצאות המעבדה.
13:22
We use the person's age and their gender
335
787000
2000
אנחנו לוקחים את גיל החולה ואת מינו
13:24
to start to fill in the personalized risks.
336
789000
3000
כדי להתחיל להשלים את הסיכונים האישיים שלו.
13:27
So we start to use the data we have
337
792000
2000
אז אנחנו מתחילים להשתמש בנתונים שבידינו
13:29
to run a very simple calculation
338
794000
2000
כדי לבצע חישוב פשוט מאד
13:31
that's on all sorts of online calculators
339
796000
2000
שנמצא בכל מיני מחשבונים ברשת
13:33
to get a sense of what the actual risk is.
340
798000
3000
כדי לקבל תחושה לגבי הסיכון האמיתי.
13:36
The last one I'll show you is a PSA test.
341
801000
2000
הבדיקה האחרונה שאראה לכם היא בדיקת PSA (אנטיגנים בבלוטת הערמונית).
13:38
Here's the before, and here's the after.
342
803000
3000
הנה התוצאות לפני, והנה אחרי.
13:41
Now a lot of our effort on this one --
343
806000
2000
הרבה מהמאמץ שלנו במקרה זה -
13:43
as many of you probably know,
344
808000
2000
וכפי שרבים מכם יודעים כנראה,
13:45
a PSA test is a very controversial test.
345
810000
2000
בדיקת ה-PSA היא מאד שנויה במחלוקת.
13:47
It's used to test for prostate cancer,
346
812000
2000
היא משמשת לבדיקת סרטן הערמונית,
13:49
but there are all sorts of reasons
347
814000
2000
אבל ישנן כל מיני סיבות לכך
13:51
why your prostate might be enlarged.
348
816000
2000
שבלוטת הערמונית שלכם תהיה מוגדלת.
13:53
And so we spent a good deal of our time
349
818000
2000
אז בילינו הרבה מזמננו
13:55
indicating that.
350
820000
2000
בלציין זאת.
13:57
We again personalized the risks.
351
822000
2000
שוב התאמנו אישית את הסיכונים.
13:59
So this patient is in their 50s,
352
824000
2000
אז החולה הזה הוא בשנות ה-50 שלו,
14:01
so we can actually give them a very precise estimate
353
826000
2000
ואנחנו יכולים לספק לו הערכה מאד מדויקת
14:03
of what their risk for prostate cancer is.
354
828000
2000
של הסיכון שלו לחלות בסרטן הערמונית.
14:05
In this case it's about 25 percent, based on that.
355
830000
3000
במקרה הזה הסבירות היא של 25%, בהסתמך על כך.
14:08
And then again, the follow-up actions.
356
833000
3000
ושוב, הפעולות לביצוע.
14:11
So our cost for this was less than 10,000 dollars, all right.
357
836000
3000
אז העלות עבור הפעילות שלנו הייתה פחות מ-$10,000, בסדר.
14:14
That's what Wired magazine spent on this.
358
839000
3000
זה מה שירחון Wired הוציא על זה.
14:17
Why is Wired magazine doing this?
359
842000
2000
למה ירחון Wired עושה את זה?
14:19
(Laughter)
360
844000
3000
(צחוק)
14:22
Quest Diagnostics and LabCorp,
361
847000
2000
חברת Quest Diagnostics וחברת LabCorp,
14:24
the two largest lab testing companies --
362
849000
3000
שני מכוני הבדיקה הגדולים ביותר:
14:27
last year, they made profits of over 700 million dollars
363
852000
3000
בשנה שעברה הרוויחו למעלה מ-700 מיליון דולרים
14:30
and over 500 million dollars respectively.
364
855000
3000
ו-500 מיליון דולרים בהתאמה.
14:33
Now this is not a problem of resources;
365
858000
2000
אז זו אינה בעית משאבים,
14:35
this is a problem of incentives.
366
860000
3000
זוהי בעית תמריצים.
14:38
We need to recognize that the target of this information
367
863000
3000
עלינו להבין שמטרת המידע הזה
14:41
should not be the doctor, should not be the insurance company.
368
866000
3000
לא אמורה להיות הרופא ולא חברת הביטוח;
14:44
It should be the patient.
369
869000
2000
היא אמורה להיות החולה.
14:46
It's the person who actually, in the end,
370
871000
2000
זהו הבן אדם שלמעשה, בסופו של יום,
14:48
is going to be having to change their lives
371
873000
2000
יצטרך לשנות את חייו
14:50
and then start adopting new behaviors.
372
875000
2000
ולהתחיל לאמץ התנהגויות חדשות.
14:52
This is information that is incredibly powerful.
373
877000
2000
זהו מידע רב עוצמה.
14:54
It's an incredibly powerful catalyst to change.
374
879000
3000
הוא מהווה זרז חזק לשינוי.
14:57
But we're not using it. It's just sitting there.
375
882000
2000
אבל איננו משתמשים בו; הוא פשוט יושב שם.
14:59
It's being lost.
376
884000
2000
הוא הולך לאיבוד.
15:01
So I want to just offer four questions
377
886000
2000
אז אני מציע ארבע שאלות
15:03
that every patient should ask,
378
888000
2000
שלדעתי כל חולה צריך לשאול,
15:05
because I don't actually expect people
379
890000
2000
בגלל שאיני מצפה שאנשים באמת
15:07
to start developing these lab test reports.
380
892000
2000
יתחילו לפתח את דוחות המעבדה האלו.
15:09
But you can create your own feedback loop.
381
894000
2000
אבל אתם יכולים לייצר לעצמכם לולאת משוב אישית.
15:11
Anybody can create their feedback loop by asking these simple questions:
382
896000
3000
כל אחד יכול לייצר משוב אישי אם ישאל את השאלות הפשוטות הבאות:
15:14
Can I have my results?
383
899000
2000
אפשר לקבל את התוצאות שלי?
15:16
And the only acceptable answer is --
384
901000
2000
והתשובה היחידה המקובלת תהיה -
15:18
(Audience: Yes.) -- yes.
385
903000
2000
(קהל: כן.) - כן.
15:20
What does this mean? Help me understand what the data is.
386
905000
2000
מה זה אומר? עיזרו לי להבין את הנתונים.
15:22
What are my options? What choices are now on the table?
387
907000
3000
מה האפשרויות שלי? אלו בחירות מונחות לפני?
15:25
And then, what's next?
388
910000
2000
ולבסוף, מה קורה עכשיו?
15:27
How do I integrate this information
389
912000
2000
איך אני משלב את המידע הזה
15:29
into the longer course of my life?
390
914000
2000
באורח חיי לאורך זמן?
15:32
So I want to wind up by just showing
391
917000
2000
אז אני רוצה לסיים בכך שאראה
15:34
that people have the capacity to understand this information.
392
919000
2000
שאנשים יכולים להבין את המידע הזה.
15:36
This is not beyond the grasp of ordinary people.
393
921000
3000
אנשים רגילים יכולים לקלוט אותו.
15:39
You do not need to have the education level of people in this room.
394
924000
3000
אינכם צריכים את רמת ההשכלה של האנשים בחדר הזה.
15:42
Ordinary people are capable of understanding this information,
395
927000
3000
אנשים רגילים יכולים להבין את המידע הזה,
15:45
if we only go to the effort of presenting it to them
396
930000
3000
אם רק נתאמץ להציג להם אותו
15:48
in a form that they can engage with.
397
933000
2000
בצורה שהם יכולים להתחבר אליה.
15:50
And engagement is essential here,
398
935000
2000
וההתחברות היא הכרחית,
15:52
because it's not just giving them information;
399
937000
2000
כי איננו נותנים להם רק מידע,
15:54
it's giving them an opportunity to act.
400
939000
2000
אלא גם הזדמנות לפעול.
15:56
That's what engagement is. It's different from compliance.
401
941000
2000
זוהי מהות ההתחברות; היא שונה מציות.
15:58
It works totally different from the way we talk about behavior
402
943000
3000
היא פועלת בצורה שונה לגמרי מהצורה שאנו מדברים על התנהגות
16:01
in medicine today.
403
946000
2000
בתחום הרפואה היום.
16:03
And this information is out there.
404
948000
2000
והמידע הזה זמין.
16:05
I've been talking today about latent information,
405
950000
2000
אני דיברתי היום על מידע חבוי,
16:07
all this information that exists in the system
406
952000
2000
כל המידע הזה שקיים במערכת
16:09
that we're not putting to use.
407
954000
2000
ושאיננו משתמשים בו.
16:11
But there are all sorts of other bodies of information
408
956000
2000
אבל ישנם מקורות מידע מגוונים
16:13
that are coming online,
409
958000
2000
שעולים לרשת.
16:15
and we need to recognize the capacity of this information
410
960000
3000
ועלינו לזהות את היכולת של מידע זה
16:18
to engage people, to help people
411
963000
2000
לגרום לאנשים להתחבר, לעזור לאנשים
16:20
and to change the course of their lives.
412
965000
2000
לשנות את מהלך חייהם.
16:22
Thank you very much.
413
967000
2000
תודה רבה.
16:24
(Applause)
414
969000
3000
(מחיאות כפיים)
ABOUT THE SPEAKER
Thomas Goetz - Healthcare communicatorThomas Goetz is the co-founder of Iodine and author of "The Decision Tree: Taking Control of Your Health in the New Era of Personalized Medicine.”
Why you should listen
Thomas Goetz is the co-founder of Iodine, a new company that gives consumers better information -- and better visualizations -- of their health data. The former executive editor of Wired, Goetz has a Master's of Public Health from UC Berkeley. In 2010 he published The Decision Tree, a fascinating look at modern medical decisionmaking and technology. Former FDA commissioner Dr. David Kessler called the book "a game changer.” His next book, The Remedy, explores the germ theory of disease and the quest to cure tuberculosis.
Thomas Goetz | Speaker | TED.com