TEDMED 2010
Thomas Goetz: It's time to redesign medical data
Thomas Goetz: Tervezzünk ránézésre is érthető orvosi leleteket
Filmed:
Readability: 3.5
587,895 views
Az orvosi leleted: nehéz hozzájutni, lehetetlen elolvasni -- és tele van információkkal, melyek egészségesebbé tehetnek, ha tudod, hogyan kell használni őket. A TEDMED-en, Thomas Goetz szemügyre veszi az orvosi leleteket és merész felhívást tesz az újratervezésre, hogy áttekinthetőbbek legyenek.
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
Azért jöttem, hogy arról beszéljek,
00:17
about how we can tap
1
2000
2000
hogyan tudunk megragadni
00:19
a really underutilized resource in health care,
2
4000
2000
egy igazán kihasználatlan forrást az egészségügyben,
00:21
which is the patient,
3
6000
2000
ami a páciens,
00:23
or, as I like to use the scientific term,
4
8000
3000
vagy--ahogy mi szeretjük tudományosan leírni--
00:26
people.
5
11000
2000
az emberek.
00:28
Because we are all patients, we are all people.
6
13000
2000
Mert mi mind páciensek, emberek vagyunk.
00:30
Even doctors are patients at some point.
7
15000
2000
Esetenként még az orvosok is páciensek.
00:32
So I want to talk about that
8
17000
2000
Tehát erről szeretnék beszélni,
00:34
as an opportunity
9
19000
2000
mint egy lehetőségről,
00:36
that we really have failed to engage with very well in this country
10
21000
3000
mellyel nem voltunk képesek sikeresen kapcsolatot teremteni ebben az országban,
00:39
and, in fact, worldwide.
11
24000
2000
és valójában világszerte.
00:41
If you want to get at the big part --
12
26000
2000
Ha mindjárt a lényegre akarnak térni--
00:43
I mean from a public health level, where my training is --
13
28000
3000
úgy értem a közegészségügyi szintet, mely területen képzettséget szereztem--
00:46
you're looking at behavioral issues.
14
31000
2000
akkor láthatják a viselkedési gondokat,
00:48
You're looking at things where people are actually given information,
15
33000
3000
láthatják ahogy az emberek általában kapják az információt,
00:51
and they're not following through with it.
16
36000
2000
és nem követik azt következetesen.
00:53
It's a problem that manifests itself in diabetes,
17
38000
4000
Ez a probléma megnyilvánul a cukorbetegség,
00:57
obesity, many forms of heart disease,
18
42000
2000
elhízás, a szívbetegség számos formájában,
00:59
even some forms of cancer -- when you think of smoking.
19
44000
3000
és néhány rákfajta esetében--csak gondoljunk a dohányzásra.
01:02
Those are all behaviors where people know what they're supposed to do.
20
47000
3000
Ezek mind viselkedésformák, az emberek tudják, hogy mit kellene tenniük.
01:05
They know what they're supposed to be doing,
21
50000
2000
Ők tudják mit kellene tenni,
01:07
but they're not doing it.
22
52000
2000
de nem teszik.
01:09
Now behavior change is something
23
54000
2000
Most a viselkedés megváltoztatása egy
01:11
that is a long-standing problem in medicine.
24
56000
2000
régóta fennálló probléma az orvoslásban.
01:13
It goes all the way back to Aristotle.
25
58000
2000
Mindez egészen Arisztotelész-ig visszavezethető.
01:15
And doctors hate it, right?
26
60000
2000
És az orvosok ezt gyűlölik, valóban.
01:17
I mean, they complain about it all the time.
27
62000
2000
Mármint, állandóan erről panaszkodnak.
01:19
We talk about it in terms of engagement, or non-compliance.
28
64000
3000
Amiről beszélünk az az elkötelezettség, vagy figyelmen kívül hagyás,
01:22
When people don't take their pills,
29
67000
2000
mint amikor az emberek nem veszik be a tablettáikat,
01:24
when people don't follow doctors' orders --
30
69000
2000
amikor az emberek nem követik az orvosi utasításokat.
01:26
these are behavior problems.
31
71000
2000
Ezek viselkedési gondok.
01:28
But for as much as clinical medicine
32
73000
2000
De amennyire a klinikai orvoslás
01:30
agonizes over behavior change,
33
75000
2000
szenved a viselkedésváltozástól,
01:32
there's not a lot of work done
34
77000
2000
annyira kevés változás történt
01:34
in terms of trying to fix that problem.
35
79000
3000
a konkrét problémák megoldása terén.
01:37
So the crux of it
36
82000
2000
Tehát a kritikus pont
01:39
comes down to this notion of decision-making --
37
84000
2000
lemenni a döntéshozatali szintre--
01:41
giving information to people in a form
38
86000
2000
informálni az embereket,
01:43
that doesn't just educate them
39
88000
2000
nem csak oktatni
01:45
or inform them,
40
90000
2000
vagy informálni őket, hanem
01:47
but actually leads them to make better decisions,
41
92000
2000
tulajdonképp jobb döntésekhez segíteni őket,
01:49
better choices in their lives.
42
94000
2000
hogy jobban válasszanak életük során.
01:51
One part of medicine, though,
43
96000
2000
Az orvosok egy része azért
01:53
has faced the problem of behavior change pretty well,
44
98000
4000
elég jól szembenézett a viselkedésváltozás problémájával,
01:57
and that's dentistry.
45
102000
2000
és ez a fogászat.
01:59
Dentistry might seem -- and I think it is --
46
104000
2000
A fogászat, úgy tűnhet-- ahogy én is gondolom--
02:01
many dentists would have to acknowledge
47
106000
2000
sok fogorvosnak ezt el kellene ismernie,
02:03
it's somewhat of a mundane backwater of medicine.
48
108000
2000
valahogy hétköznapi, az orvoslás állóvize.
02:05
Not a lot of cool, sexy stuff happening in dentistry.
49
110000
3000
Nem sok laza, szexi dolog történik a fogászatban.
02:08
But they have really taken this problem of behavior change
50
113000
3000
De ők mégis komolyan vették a viselkedés problémáját
02:11
and solved it.
51
116000
2000
és megoldották.
02:13
It's the one great preventive health success
52
118000
2000
Ez egy nagy megelőző egészségügyi siker,
02:15
we have in our health care system.
53
120000
2000
ami a mi közegészségügyünk része.
02:17
People brush and floss their teeth.
54
122000
2000
Emberek mossák és fogselymezik fogaikat.
02:19
They don't do it as much as they should, but they do it.
55
124000
3000
Nem teszik annyiszor mint kellene, de megteszik.
02:22
So I'm going to talk about one experiment
56
127000
2000
Tehát szeretnék egy kísérletről beszélni,
02:24
that a few dentists in Connecticut
57
129000
2000
melyet néhány Connecticut-i fogász
02:26
cooked up about 30 years ago.
58
131000
2000
forralt ki kb. 30 évvel ezelőtt.
02:28
So this is an old experiment, but it's a really good one,
59
133000
2000
Tehát ez egy nagyon régi kísérlet, de egy nagyon jó,
02:30
because it was very simple,
60
135000
2000
mert nagyon egyszerű volt,
02:32
so it's an easy story to tell.
61
137000
2000
úgyhogy ezt egy egyszerűen elmesélhető történet.
02:34
So these Connecticut dentists decided
62
139000
2000
Tehát ezek a Connecticut-i fogászok eldöntötték,
02:36
that they wanted to get people to brush their teeth and floss their teeth more often,
63
141000
3000
ráveszik az embereket, mossanak fogat és használjanak sűrűbben fogselymet.
02:39
and they were going to use one variable:
64
144000
2000
És különböző dolgokat használtak erre:
02:41
they wanted to scare them.
65
146000
2000
Meg akarták ijeszteni őket.
02:43
They wanted to tell them how bad it would be
66
148000
3000
El akarták mondani mennyire rossz lehet,
02:46
if they didn't brush and floss their teeth.
67
151000
2000
ha nem mosnak fogat vagy nem használnak fogselymet.
02:48
They had a big patient population.
68
153000
3000
Nagy számú páciensük volt.
02:51
They divided them up into two groups.
69
156000
2000
Felosztották őket két csoportra.
02:53
They had a low-fear population,
70
158000
2000
Volt egy alacsony félelmű populációjuk,
02:55
where they basically gave them a 13-minute presentation,
71
160000
2000
ők általában 13 perces előadást kaptak,
02:57
all based in science,
72
162000
2000
a tudományra alapozva,
02:59
but told them that, if you didn't brush and floss your teeth,
73
164000
3000
de elmondták, ha nem mosnak fogat és nem használnak fogselymet,
03:02
you could get gum disease. If you get gum disease, you will lose your teeth,
74
167000
3000
akkor ínybetegségük lehet. Ha ínybetegséget kapnak, elveszthetik fogaikat,
03:05
but you'll get dentures, and it won't be that bad.
75
170000
2000
de kaphatnak műfogsort és az már nem lesz olyan rossz.
03:07
So that was the low-fear group.
76
172000
2000
Tehát ez volt az alacsony félelmű csoport.
03:09
The high-fear group, they laid it on really thick.
77
174000
3000
A nagy félelmű csoport mélyebbre merült.
03:12
They showed bloody gums.
78
177000
2000
Vérző ínyeket mutattak,
03:14
They showed puss oozing out from between their teeth.
79
179000
3000
fogak közül szivárgó gennyt mutattak,
03:17
They told them that their teeth were going to fall out.
80
182000
2000
elmondták, hogy a fogaik ki fognak hullani,
03:19
They said that they could have infections
81
184000
2000
beszéltek a lehetséges fertőzésekről,
03:21
that would spread from their jaws to other parts of their bodies,
82
186000
3000
ami a szájukból szétterjedhet a testük egyéb részére,
03:24
and ultimately, yes, they would lose their teeth.
83
189000
2000
és végezetül, igen, elveszthetik a fogaikat.
03:26
They would get dentures, and if you got dentures,
84
191000
2000
Kaphatnak műfogsort, és ha műfogsort kapnak,
03:28
you weren't going to be able to eat corn-on-the-cob,
85
193000
2000
akkor nem fognak tudni csöves főtt-kukoricát enni,
03:30
you weren't going to be able to eat apples,
86
195000
2000
nem ehetnek majd almát,
03:32
you weren't going to be able to eat steak.
87
197000
2000
nem ehetnek majd steak-et;
03:34
You'll eat mush for the rest of your life.
88
199000
2000
és pépet ehetnek hátralévő életükben.
03:36
So go brush and floss your teeth.
89
201000
3000
Tehát menj, moss fogat és használj fogselymet.
03:39
That was the message. That was the experiment.
90
204000
2000
Ez volt az üzenet, ez volt a kísérlet.
03:41
Now they measured one other variable.
91
206000
2000
Most egy másik változót használtak mérésre.
03:43
They wanted to capture one other variable,
92
208000
2000
Egy változót akartak megfigyelni,
03:45
which was the patients' sense of efficacy.
93
210000
3000
ami a páciensek hatékonyság érzése.
03:48
This was the notion of whether the patients felt
94
213000
2000
Arról volt szó, hogy a betegek mennyire érezték,
03:50
that they actually would go ahead and brush and floss their teeth.
95
215000
3000
valóban fogat mosnak majd és fogselymet is használnak majd.
03:53
So they asked them at the beginning,
96
218000
2000
Tehát megkérdezték őket a kezdetkor,
03:55
"Do you think you'll actually be able to stick with this program?"
97
220000
2000
"Tényleg úgy gondolja, hogy képes betartani ezt a programot?"
03:57
And the people who said, "Yeah, yeah. I'm pretty good about that,"
98
222000
2000
És azok az emberek, akik azt mondták: "Igen, igen. Ebben jó leszek."
03:59
they were characterized as high efficacy,
99
224000
2000
... őket egy magas hatékonyság jellemezte,
04:01
and the people who said,
100
226000
2000
és azok az emberek, akik azt mondták,
04:03
"Eh, I never get around to brushing and flossing as much as I should,"
101
228000
2000
"Én sosem fogok annyiszor fogat mosni és selymezni, mint kellene,"
04:05
they were characterized as low efficacy.
102
230000
2000
alacsony hatékonyságot mutattak.
04:07
So the upshot was this.
103
232000
3000
Ez volt a végeredmény.
04:10
The upshot of this experiment
104
235000
2000
A kutatás végeredménye, hogy
04:12
was that fear was not really a primary driver
105
237000
3000
nem a félelem volt az elsődleges oka
04:15
of the behavior at all.
106
240000
2000
a viselkedésnek.
04:17
The people who brushed and flossed their teeth
107
242000
2000
Az emberek, akik mossák és selymezik a fogukat,
04:19
were not necessarily the people
108
244000
2000
nem feltétlenül azok az emberek,
04:21
who were really scared about what would happen --
109
246000
2000
akik igazán megijedtek attól, ami történhet--
04:23
it's the people who simply felt that they had the capacity
110
248000
3000
ezek azok az emberek, akik egyszerűen képesek voltak
04:26
to change their behavior.
111
251000
2000
változtatni a viselkedésükön.
04:28
So fear showed up as not really the driver.
112
253000
3000
Tehát nem a félelem bukkant fel, mint a viselkedés hajtóereje,
04:31
It was the sense of efficacy.
113
256000
3000
hanem a személyes hatékonyság érzése.
04:34
So I want to isolate this,
114
259000
2000
Tehát ezt akarom elkülöníteni,
04:36
because it was a great observation --
115
261000
2000
mert ez egy nagyszerű megfigyelés volt--
04:38
30 years ago, right, 30 years ago --
116
263000
2000
30 évvel ezelőtt, igen, 30 éve
04:40
and it's one that's laid fallow in research.
117
265000
3000
és ez a kutatási eredmény parlagon hevert.
04:43
It was a notion that really came out
118
268000
2000
Ez az elképzelés Albert Bandura
04:45
of Albert Bandura's work,
119
270000
2000
munkáján alapul,
04:47
who studied whether
120
272000
2000
aki azt kutatta, hogy
04:49
people could get a sense of empowerment.
121
274000
3000
az embereket fel lehet-e vértezni.
04:52
The notion of efficacy basically boils down to one -- that
122
277000
3000
A hatékonyság alapjában attól függ,
04:55
if somebody believes that they have the capacity to change their behavior.
123
280000
3000
hogy valaki hisz abban, hogy képes változtatni a viselkedésén.
04:58
In health care terms, you could characterize this
124
283000
3000
Az egészségügyi ellátás szempontjából, ezt úgy jellemezhetik,
05:01
as whether or not somebody feels
125
286000
2000
hogy valakit megfog vagy sem
05:03
that they see a path towards better health,
126
288000
2000
a kilátás a jobb egészségre,
05:05
that they can actually see their way towards getting better health,
127
290000
2000
hogy valójában látják-e a saját útjukat a jobb egészség felé.
05:07
and that's a very important notion.
128
292000
2000
És ez egy nagyon fontos elképzelés.
05:09
It's an amazing notion.
129
294000
2000
Ez egy bámulatos elképzelés.
05:11
We don't really know how to manipulate it, though, that well.
130
296000
3000
Nem igazán tudjuk, hogyan befolyásoljuk.
05:14
Except, maybe we do.
131
299000
3000
Vagy talán mégis.
05:17
So fear doesn't work, right? Fear doesn't work.
132
302000
2000
Tehát a félelem nem működik, igazán, nem működik.
05:19
And this is a great example
133
304000
2000
És ez egy nagyszerű példa arra,
05:21
of how we haven't learned that lesson at all.
134
306000
3000
hogyan nem tanulunk a leckéből.
05:24
This is a campaign from the American Diabetes Association.
135
309000
3000
Ez az Amerikai Cukorbeteg Társaság kampánya.
05:27
This is still the way we're communicating messages about health.
136
312000
3000
Még mindig így kommunikálunk az egészségről.
05:30
I mean, I showed my three-year-old this slide last night,
137
315000
3000
Úgy értem, tegnap este megmutattam ezt a három éves gyerekemnek,
05:33
and he's like, "Papa, why is an ambulance in these people's homes?"
138
318000
4000
és ő erre: "Papa, miért van mentő ezeknek az embereknek a házában?"
05:37
And I had to explain, "They're trying to scare people."
139
322000
3000
És meg kellett magyaráznom, "Megpróbálják megijeszteni ezeket az embereket."
05:40
And I don't know if it works.
140
325000
2000
És nem tudom, hogy ez működik-e.
05:42
Now here's what does work:
141
327000
2000
Most pedig itt van ami működik,
05:44
personalized information works.
142
329000
2000
a személyre szabott információ működik.
05:46
Again, Bandura recognized this
143
331000
2000
Újra, Bandura figyelt fel erre,
05:48
years ago, decades ago.
144
333000
2000
évekkel ezelőtt, évtizedekkel ezelőtt.
05:50
When you give people specific information
145
335000
2000
Amikor az embereket célirányosan informálod
05:52
about their health, where they stand,
146
337000
2000
az egészségükről, az állapotukról,
05:54
and where they want to get to, where they might get to,
147
339000
2000
és hogy merre tartsanak, hova juthatnak,
05:56
that path, that notion of a path --
148
341000
2000
ez az útvonal, az ösvény fogalma,
05:58
that tends to work for behavior change.
149
343000
2000
működik a viselkedés megváltoztatása során.
06:00
So let me just spool it out a little bit.
150
345000
2000
Szóval engedjék meg hogy bemutassam.
06:02
So you start with personalized data, personalized information
151
347000
3000
Tehát a személyre szabott adatokkal, információval kezdjük,
06:05
that comes from an individual,
152
350000
2000
ez egy személytől származik,
06:07
and then you need to connect it to their lives.
153
352000
3000
és ezeket össze kell kapcsolni az életükkel.
06:10
You need to connect it to their lives,
154
355000
2000
Össze kell, hogy kapcsoljuk az életükkel,
06:12
hopefully not in a fear-based way, but one that they understand.
155
357000
2000
és remélhetően nem a félelem alapú úton, de úgy, hogy megértsék.
06:14
Okay, I know where I sit. I know where I'm situated.
156
359000
3000
Rendben, értem hogy hol vagyok. Tudom, hogy hol helyezkedem el.
06:17
And that doesn't just work for me in terms of abstract numbers --
157
362000
3000
És nem csak absztrakt számokban jelenik meg a számomra,
06:20
this overload of health information
158
365000
2000
ez egészségügyi információ áradat,
06:22
that we're inundated with.
159
367000
2000
amivel el vagyunk árasztva,
06:24
But it actually hits home.
160
369000
2000
de valójában eléri célját.
06:26
It's not just hitting us in our heads; it's hitting us in our hearts.
161
371000
2000
Nem csak megértjük, de szíven is talál.
06:28
There's an emotional connection to information
162
373000
2000
Ez egy érzelmi kapcsolat az információval,
06:30
because it's from us.
163
375000
2000
mert rólunk szól.
06:32
That information then needs to be connected to choices,
164
377000
3000
Az információnak választáshoz kell kapcsolódnia,
06:35
needs to be connected to a range of options,
165
380000
2000
nagy számú lehetőséghez kell kapcsolódnia,
06:37
directions that we might go to --
166
382000
2000
számunkra választható irányokhoz,
06:39
trade-offs, benefits.
167
384000
2000
kompromisszumokhoz és előnyökhöz.
06:41
Finally, we need to be presented with a clear point of action.
168
386000
3000
Végezetül, világos cselekvési fogódzókkal kell hogy találkozzunk.
06:44
We need to connect the information
169
389000
2000
Az információt mindig össze kell kapcsolnunk
06:46
always with the action,
170
391000
2000
a cselekvéssel,
06:48
and then that action feeds back
171
393000
2000
és ez a cselekvés visszavezethető
06:50
into different information,
172
395000
2000
egy másik információhoz,
06:52
and it creates, of course, a feedback loop.
173
397000
2000
és ez természetesen egy visszacsatolási hurkot hoz létre.
06:54
Now this is a very well-observed and well-established notion
174
399000
3000
Ez egy jól megfigyelt és megalapozott módszer
06:57
for behavior change.
175
402000
2000
a viselkedés változtatásra.
06:59
But the problem is that things -- in the upper-right corner there --
176
404000
3000
De a baj ezzel a jobb felső sarokban, itt
07:02
personalized data, it's been pretty hard to come by.
177
407000
2000
a személyes adattal van, amihez nagyon nehéz hozzáférni.
07:04
It's a difficult and expensive commodity,
178
409000
3000
Ez egy nehézkes és drága portéka volt,
07:07
until now.
179
412000
2000
egészen mostanáig.
07:09
So I'm going to give you an example, a very simple example of how this works.
180
414000
3000
Szeretnék bemutatni egy példát, egy egyszerű példát, arról, hogyan működik.
07:12
So we've all seen these. These are the "your speed limit" signs.
181
417000
3000
Mindannyian láthatjuk ezeket. Ezek a "sebességkorlátozó" jelzések.
07:15
You've seen them all around,
182
420000
2000
Láthatják körülöttünk,
07:17
especially these days as radars are cheaper.
183
422000
2000
főleg napjainkban, amikor a sebességradar olcsóbb.
07:19
And here's how they work in the feedback loop.
184
424000
2000
És itt van az, ahogyan a visszajelzés hurok működik.
07:21
So you start with the personalized data
185
426000
2000
Tehát a személyes adatokkal kezdődik,
07:23
where the speed limit on the road that you are at that point
186
428000
2000
azon a ponton ahol a sebességhatár az úton
07:25
is 25,
187
430000
2000
25,
07:27
and, of course, you're going faster than that.
188
432000
2000
és persze mi ennél gyorsabban megyünk.
07:29
We always are. We're always going above the speed limit.
189
434000
3000
Mint mindig. Mi mindig a sebességhatár fölött hajtunk.
07:32
The choice in this case is pretty simple.
190
437000
2000
A választás ebben az esetben nagyon egyszerű.
07:34
We either keep going fast, or we slow down.
191
439000
2000
Továbbra is mehetünk gyorsan vagy lelassíthatunk.
07:36
We should probably slow down,
192
441000
2000
Le kellene lassítanunk,
07:38
and that point of action is probably now.
193
443000
2000
és talán itt az ideje cselekedni.
07:40
We should take our foot off the pedal right now,
194
445000
3000
Le kellene vennünk a lábunkat a pedálról, méghozzá most.
07:43
and generally we do. These things are shown to be pretty effective
195
448000
3000
Általában meg is tesszük; tudjuk, hogy ezek a dolgok nagyon hatásosak,
07:46
in terms of getting people to slow down.
196
451000
2000
ha az emberek lelassításáról van szó.
07:48
They reduce speeds by about five to 10 percent.
197
453000
2000
Lecsökkentjük a sebességet 5-10 százalékkal.
07:50
They last for about five miles,
198
455000
2000
Ez körülbelül öt mérföldig tart,
07:52
in which case we put our foot back on the pedal.
199
457000
2000
amikor is visszatesszük a lábunkat a pedálra.
07:54
But it works, and it even has some health repercussions.
200
459000
2000
De működik, és még van néhány egészségügyi következménye is.
07:56
Your blood pressure might drop a little bit.
201
461000
2000
A vérnyomás lejjebb mehet.
07:58
Maybe there's fewer accidents, so there's public health benefits.
202
463000
3000
Talán kevesebb lesz a baleset, tehát van közegészségügyi előnye.
08:01
But by and large, this is a feedback loop
203
466000
2000
De nagy vonalakban ez a visszacsatolás
08:03
that's so nifty and too rare.
204
468000
3000
nagyon remek, és túl ritka.
08:06
Because in health care, most health care,
205
471000
2000
Mert az egészségügyben, többnyire az egészségügyben,
08:08
the data is very removed from the action.
206
473000
3000
az adatok távol vannak a cselekvéstől.
08:11
It's very difficult to line things up so neatly.
207
476000
3000
Így nagyon nehéz a dolgokat felsorakoztatni.
08:14
But we have an opportunity.
208
479000
2000
De megvan a lehetőségünk.
08:16
So I want to talk about, I want to shift now to think about
209
481000
2000
Tehát erről akarok beszélni, rátérnék arra, hogy az egészségügyi információk
08:18
how we deliver health information in this country,
210
483000
2000
megosztásáról gondolkodjak, ebben az országban,
08:20
how we actually get information.
211
485000
3000
hogy jelenleg hogyan kapjuk az információt.
08:23
This is a pharmaceutical ad.
212
488000
3000
Ez egy gyógyszerhirdetés.
08:26
Actually, it's a spoof. It's not a real pharmaceutical ad.
213
491000
2000
Valójában ez egy átverés, nem valós gyógyszerreklám.
08:28
Nobody's had the brilliant idea
214
493000
2000
Senkinek se volt még az a briliáns ötlete
08:30
of calling their drug Havidol quite yet.
215
495000
3000
hogy egy gyógyszert Havidolnak hívjanak.
08:34
But it looks completely right.
216
499000
2000
De ez teljesen jól néz ki.
08:36
So it's exactly the way we get
217
501000
2000
Tehát pontosan ez az a mód,
08:38
health information and pharmaceutical information,
218
503000
3000
ahogy az egészségügyi és gyógyszer információt kapjuk,
08:41
and it just sounds perfect.
219
506000
2000
és tökéletesen hangzik.
08:43
And then we turn the page of the magazine,
220
508000
2000
És amikor tovább lapozunk az újságban,
08:45
and we see this --
221
510000
3000
ezt fogjuk látni, pontosan ezt.
08:48
now this is the page the FDA requires pharmaceutical companies
222
513000
3000
Ezen az oldalon látható, hogy mit kér az FDA a gyógyszergyártóktól,
08:51
to put into their ads, or to follow their ads,
223
516000
3000
mit tegyenek a hirdetésekbe vagy mi szerint készítsék el a hirdetéseket.
08:54
and to me, this is one of the most
cynical exercises in medicine.
cynical exercises in medicine.
224
519000
4000
És számomra ez az egyik cinikus orvostudományi gyakorlat.
08:58
Because we know.
225
523000
2000
Mert mi tudjuk.
09:00
Who among us would actually say that people read this?
226
525000
2000
Ki állítja közülünk, hogy ezt valóban elolvassák az emberek?
09:02
And who among us would actually say
227
527000
2000
És ki állítja közülünk, hogy
09:04
that people who do try to read this
228
529000
2000
azok, akik elolvassák,
09:06
actually get anything out of it?
229
531000
2000
bármit is megértenek belőle?
09:08
This is a bankrupt effort
230
533000
2000
Ez egy vesztes helyzet,
09:10
at communicating health information.
231
535000
3000
az egészségügyi információ átadása terén.
09:13
There is no good faith in this.
232
538000
2000
Ennek nincs jövője.
09:15
So this is a different approach.
233
540000
2000
Tehát ez egy más megközelítés.
09:17
This is an approach that has been developed
234
542000
3000
Ezt a megközelítést
09:20
by a couple researchers at Dartmouth Medical School,
235
545000
3000
egy kutató páros fejlesztette ki, a Dartmouth Orvosi Egyetemen:
09:23
Lisa Schwartz and Steven Woloshin.
236
548000
2000
Lisa Schwartz és Steven Woloshin.
09:25
And they created this thing called the "drug facts box."
237
550000
3000
Amit ők alkottak, azt úgy hívják: gyógyszer-adat táblázat.
09:28
They took inspiration from, of all things,
238
553000
2000
Honnan is meríthettek inspirációt, mint
09:30
Cap'n Crunch.
239
555000
2000
Cap'n Crunch-tól.
09:32
They went to the nutritional information box
240
557000
3000
Megnézték a tápanyag információs táblázatot
09:35
and saw that what works for cereal, works for our food,
241
560000
3000
és látták, hogy működik a gabonapehelynél és az ételeknél,
09:38
actually helps people understand what's in their food.
242
563000
3000
tulajdonképp segít az embereknek megérteni mi van az ételükben.
09:42
God forbid we should use that same standard
243
567000
2000
Isten óvjon attól, hogy ugyanezt a szabványt alkalmazzuk,
09:44
that we make Cap'n Crunch live by
244
569000
2000
mint a Cap'n Crunch gabonapehely,
09:46
and bring it to drug companies.
245
571000
3000
és átadjuk a gyógyszergyártóknak.
09:49
So let me just walk through this quickly.
246
574000
2000
Szóval csak hagy fussak át ezen gyorsan.
09:51
It says very clearly what the drug is for, specifically who it is good for,
247
576000
3000
Ez érthetően leírja mire való a gyógyszer, pontosan minek a kezelésére,
09:54
so you can start to personalize your understanding
248
579000
2000
tehát személyre szabhatóan megértheted, hogy
09:56
of whether the information is relevant to you
249
581000
2000
az információ vonatkozik-e rád,
09:58
or whether the drug is relevant to you.
250
583000
2000
vagy hogy a gyógyszer szükséges-e neked.
10:00
You can understand exactly what the benefits are.
251
585000
3000
Pontosan megértheted a hatásait.
10:03
It isn't this kind of vague promise that it's going to work no matter what,
252
588000
3000
Ez nem valami homályos ígéret arra, hogy működni fog bármi áron,
10:06
but you get the statistics for how effective it is.
253
591000
3000
de ad egy statisztikát arról, mennyire hatásos.
10:09
And finally, you understand what those choices are.
254
594000
3000
És végezetül megértheted mi közül választhatsz.
10:12
You can start to unpack the choices involved
255
597000
2000
Tehát elkezdheted kibontani a lehetőségeket,
10:14
because of the side effects.
256
599000
2000
mert vannak mellékhatások.
10:16
Every time you take a drug, you're walking into a possible side effect.
257
601000
3000
Minden alkalommal, amikor gyógyszert veszel be, számolni kell a mellékhatásokkal.
10:19
So it spells those out in very clean terms,
258
604000
2000
Tehát világosan érthetővé teszi őket.
10:21
and that works.
259
606000
2000
És ez működik.
10:23
So I love this. I love that drug facts box.
260
608000
2000
Tehát én ezt kedvelem. Kedvelem a gyógyszer-adat táblázatot.
10:25
And so I was thinking about,
261
610000
2000
És azon agyaltam,
10:27
what's an opportunity that I could have
262
612000
2000
milyen lehetőségem van, hogy
10:29
to help people understand information?
263
614000
3000
segítsek az embereknek az információk megértésében?
10:32
What's another latent body of information that's out there
264
617000
4000
Hol van másik lappangó információ tömeg,
10:36
that people are really not putting to use?
265
621000
3000
amit az emberek nem igazán használna ki.
10:39
And so I came up with this: lab test results.
266
624000
3000
És most szeretnék ezzel előjönni: laboreredmények.
10:42
Blood test results are this great source of information.
267
627000
3000
A vérvizsgálati eredmény egy másik nagyszerű információforrás.
10:45
They're packed with information.
268
630000
2000
Ezek tele vannak tömve információval.
10:47
They're just not for us. They're not for people. They're not for patients.
269
632000
3000
Csak épp nem nekünk, nem az embereknek, nem a betegeknek.
10:50
They go right to doctors.
270
635000
2000
Ezek egyből az orvoshoz mennek.
10:52
And God forbid -- I think many doctors, if you really asked them,
271
637000
3000
És Istenemre--úgy gondolom sok orvos, ha tényleg megkérdeznénk,
10:55
they don't really understand all this stuff either.
272
640000
3000
ők se igazán értenék ezt a sok dolgot.
10:58
This is the worst presented information.
273
643000
3000
Ez a legrosszabbul bemutatott információ.
11:01
You ask Tufte, and he would say,
274
646000
3000
Ha megkérdeznéd Tufte-t, ezt mondaná,
11:04
"Yes, this is the absolute worst presentation of information possible."
275
649000
3000
"Igen, ez a legrosszabb információ bemutatás, ami lehetséges."
11:07
What we did at Wired
276
652000
2000
A Wired-nél nekiálltunk és
11:09
was we went, and I got our graphic design department
277
654000
2000
a grafikus tervező osztályunk
11:11
to re-imagine these lab reports.
278
656000
2000
újraálmodta ezeket a laborjelentéseket.
11:13
So that's what I want to walk you through.
279
658000
2000
Tehát ez az amiről beszélni akarok valójában.
11:15
So this is the general blood work before,
280
660000
3000
Ez egy általános vérteszt eredmény régen,
11:18
and this is the after, this is what we came up with.
281
663000
2000
és ilyen lett, ezzel rukkoltunk elő.
11:20
The after takes what was four pages --
282
665000
2000
Tehát az első négy oldalas volt--
11:22
that previous slide was actually
283
667000
2000
ez az előző valójában
11:24
the first of four pages of data
284
669000
2000
csak az első, a négy oldalnyi adatból,
11:26
that's just the general blood work.
285
671000
2000
ami csak az általános vérvizsgálat.
11:28
It goes on and on and on, all these values, all these numbers you don't know.
286
673000
3000
Ez megy tovább és tovább, az összes ezekkel az értékekkel, amiket mi nem értünk.
11:31
This is our one-page summary.
287
676000
3000
Ez az általunk készített egyoldalas összesítés.
11:34
We use the notion of color.
288
679000
2000
Színjelzést használunk.
11:36
It's an amazing notion that color could be used.
289
681000
3000
Nagy dolog: színeket is lehet használni!
11:39
So on the top-level you have your overall results,
290
684000
3000
Tehát legfelül van az összesítő eredmény,
11:42
the things that might jump out at you from the fine print.
291
687000
3000
ezeknek a dolgoknak ki kell emelkedni az apró-betűs részből.
11:45
Then you can drill down
292
690000
2000
Ezután könnyen elmélyedhetünk,
11:47
and understand how actually we put your level in context,
293
692000
3000
és megérthető valójában hogyan helyeztük az állapotodat kontextusba,
11:50
and we use color to illustrate
294
695000
2000
és színeket használunk, hogy megmutassuk
11:52
exactly where your value falls.
295
697000
2000
pontosan hová is esnek az értékeid.
11:54
In this case, this patient is slightly at risk of diabetes
296
699000
3000
Ebben az esetben a betegnek enyhe esélye van a cukorbetegségre,
11:57
because of their glucose level.
297
702000
2000
a glükózszint miatt.
11:59
Likewise, you can go over your lipids
298
704000
2000
Hasonlóképp nézhetjük a lipideket
12:01
and, again, understand what your overall cholesterol level is
299
706000
3000
és megértheti, milyen a koleszterin szintje általában,
12:04
and then break down into the HDL and the LDL if you so choose.
300
709000
3000
és ezután lebontható a HDL és az LDL szintre, ha ezt választja.
12:07
But again, always using color
301
712000
2000
De ismétlem, folytonos színhasználatra van szükség,
12:09
and personalized proximity
302
714000
2000
és szükséges a személyes távolság meghatározása,
12:11
to that information.
303
716000
2000
ehhez az információhoz képest.
12:13
All those other values,
304
718000
2000
Ezeket az értékeket,
12:15
all those pages and pages of values that are full of nothing,
305
720000
2000
és a sok oldalnyi értelmetlen számértéket,
12:17
we summarize.
306
722000
2000
összesítjük.
12:19
We tell you that you're okay, you're normal.
307
724000
2000
Közölni tudjuk, hogy ezek jók, ezek normálisak.
12:21
But you don't have to wade through it. You don't have to go through the junk.
308
726000
3000
De neked nem kell ezen végigmenni. Nem kell végigolvasni a felesleget.
12:24
And then we do two other very important things
309
729000
2000
Ezután két fontos dolgot teszünk,
12:26
that kind of help fill in this feedback loop:
310
731000
2000
hogy kitöltsük ezt a visszajelzési hurkot.
12:28
we help people understand in a little more detail
311
733000
2000
Segítünk egy kicsit jobban megérteni az embereknek a részleteket,
12:30
what these values are and what they might indicate.
312
735000
3000
mik ezek az értékek és mit jeleznek.
12:33
And then we go a further step -- we tell them what they can do.
313
738000
3000
És ezután jön a következő lépés. Elmondjuk mit tehetnek.
12:36
We give them some insight
314
741000
2000
Adunk nekik némi betekintést
12:38
into what choices they can make, what actions they can take.
315
743000
3000
arról, milyen választási lehetőségeik vannak, milyen lépéseket tehetnek.
12:41
So that's our general blood work test.
316
746000
3000
Tehát ez a mi alap vérvizsgálati tesztünk.
12:44
Then we went to CRP test.
317
749000
2000
Ezután következik a CRP teszt.
12:46
In this case, it's a sin of omission.
318
751000
2000
Ebben az esetben ez egy vétkes üresség.
12:48
They have this huge amount of space,
319
753000
2000
Rengeteg helyük van,
12:50
and they don't use it for anything, so we do.
320
755000
2000
és semmit se használnak ebből, tehát mi igen.
12:52
Now the CRP test is often done
321
757000
2000
A CRP tesztet gyakran elvégzik,
12:54
following a cholesterol test,
322
759000
2000
a koleszterin tesztet követően,
12:56
or in conjunction with a cholesterol test.
323
761000
2000
vagy összekapcsolva a koleszterin teszttel.
12:58
So we take the bold step
324
763000
2000
Ezért vesszük a bátorságot,
13:00
of putting the cholesterol information on the same page,
325
765000
3000
és a koleszterin információt ugyanarra az oldalra tesszük,
13:03
which is the way the doctor is going to evaluate it.
326
768000
2000
amilyen módon az orvos is értékelni szokta.
13:05
So we thought the patient might actually want to know the context as well.
327
770000
3000
Úgy gondoltuk, a beteg esetleg szeretné a kontextust is érteni.
13:08
It's a protein that shows up
328
773000
2000
Ez egy fehérje, ami akkor jelenik meg,
13:10
when your blood vessels might be inflamed,
329
775000
2000
amikor a vérerek begyulladnak,
13:12
which might be a risk for heart disease.
330
777000
2000
és ez a szívbetegség veszélyére utal.
13:14
What you're actually measuring
331
779000
2000
Amit valójában mérünk, az
13:16
is spelled out in clean language.
332
781000
2000
érthető nyelven van leírva.
13:18
Then we use the information
333
783000
2000
És ezután felhasználjuk az információt,
13:20
that's already in the lab report.
334
785000
2000
ami már benne van a laborjelentésben.
13:22
We use the person's age and their gender
335
787000
2000
Felhasználjuk a beteg életkorát és nemét,
13:24
to start to fill in the personalized risks.
336
789000
3000
hogy kitöltsük a személyre szabott rizikó részt.
13:27
So we start to use the data we have
337
792000
2000
Tehát kezdjük az adatokkal, amink van,
13:29
to run a very simple calculation
338
794000
2000
hogy egy nagyon egyszerű számítást végezzünk,
13:31
that's on all sorts of online calculators
339
796000
2000
ami benne van sokféle online számológépben,
13:33
to get a sense of what the actual risk is.
340
798000
3000
hogy éreztessük, mi az illető rizikó szintje.
13:36
The last one I'll show you is a PSA test.
341
801000
2000
Az utolsó amit bemutatok az a PSA teszt.
13:38
Here's the before, and here's the after.
342
803000
3000
Itt van előtte és utána.
13:41
Now a lot of our effort on this one --
343
806000
2000
Sok munka van ebben--
13:43
as many of you probably know,
344
808000
2000
ahogy sokan valószínűleg tudják,
13:45
a PSA test is a very controversial test.
345
810000
2000
a PSA egy nagyon vitatott teszt.
13:47
It's used to test for prostate cancer,
346
812000
2000
Ezt használják a prosztatarák kimutatására,
13:49
but there are all sorts of reasons
347
814000
2000
de nagyon sok ok van,
13:51
why your prostate might be enlarged.
348
816000
2000
ami miatt a prosztata megnagyobbodhat.
13:53
And so we spent a good deal of our time
349
818000
2000
És mi nagyon sok időt szentelünk
13:55
indicating that.
350
820000
2000
ennek jelzésére.
13:57
We again personalized the risks.
351
822000
2000
Személyre szabtuk a kockázatelemzést.
13:59
So this patient is in their 50s,
352
824000
2000
Szóval ezek a betegek az ötvenes éveikben vannak,
14:01
so we can actually give them a very precise estimate
353
826000
2000
tehát mi valójában egy igen pontos becslést tudunk nekik adni,
14:03
of what their risk for prostate cancer is.
354
828000
2000
hogy mekkora az esélyük a prosztatarákra.
14:05
In this case it's about 25 percent, based on that.
355
830000
3000
Ebben az esetben kb. 25 százalék esély van rá.
14:08
And then again, the follow-up actions.
356
833000
3000
És újra, az ezt követő intézkedések.
14:11
So our cost for this was less than 10,000 dollars, all right.
357
836000
3000
A költsége ennek kevesebb mint 10,000 dollár, rendben.
14:14
That's what Wired magazine spent on this.
358
839000
3000
Ez az amit a Wired magazin erre elköltött.
14:17
Why is Wired magazine doing this?
359
842000
2000
Miért csinálja ezt a Wired magazin?
14:19
(Laughter)
360
844000
3000
(Nevetés)
14:22
Quest Diagnostics and LabCorp,
361
847000
2000
A Quest Diagnostics és a LabCorp,
14:24
the two largest lab testing companies --
362
849000
3000
a két legnagyobb labor tesztelő társaság:
14:27
last year, they made profits of over 700 million dollars
363
852000
3000
Tavaly több mint 700 millió dollár profitot termeltek
14:30
and over 500 million dollars respectively.
364
855000
3000
és külön-külön több mint 500 millió dollárt.
14:33
Now this is not a problem of resources;
365
858000
2000
Tehát nincs gond a forrásokkal,
14:35
this is a problem of incentives.
366
860000
3000
a gond az ösztönzéssel van.
14:38
We need to recognize that the target of this information
367
863000
3000
Fel kell ismernünk, hogy ennek az információnak a célközönsége
14:41
should not be the doctor, should not be the insurance company.
368
866000
3000
nem az orvos és nem a betegbiztosító cég;
14:44
It should be the patient.
369
869000
2000
hanem a beteg maga.
14:46
It's the person who actually, in the end,
370
871000
2000
Ez az a személy, akinek valójában a végén
14:48
is going to be having to change their lives
371
873000
2000
meg kell változtatnia a saját életét,
14:50
and then start adopting new behaviors.
372
875000
2000
és elkezd új viselkedési formákat felvenni.
14:52
This is information that is incredibly powerful.
373
877000
2000
Ez az információ hihetetlenül erőteljes.
14:54
It's an incredibly powerful catalyst to change.
374
879000
3000
A változás hihetetlenül erőteljes katalizátora.
14:57
But we're not using it. It's just sitting there.
375
882000
2000
De nem használjuk, csak ott hever.
14:59
It's being lost.
376
884000
2000
Elvész.
15:01
So I want to just offer four questions
377
886000
2000
Tehát fel akarok tenni négy kérdést,
15:03
that every patient should ask,
378
888000
2000
melyeket bármely beteg megkérdezhet,
15:05
because I don't actually expect people
379
890000
2000
mert nem várom el az emberektől,
15:07
to start developing these lab test reports.
380
892000
2000
hogy elkezdjenek ilyen labor leleteket fejleszteni.
15:09
But you can create your own feedback loop.
381
894000
2000
De megalkotható a saját visszajelzési hurok.
15:11
Anybody can create their feedback loop by asking these simple questions:
382
896000
3000
Bárki készíthet ilyen visszajelzést, ha felteszi ezeket az egyszerű kérdéseket:
15:14
Can I have my results?
383
899000
2000
Megkaphatom az eredményeimet?
15:16
And the only acceptable answer is --
384
901000
2000
És az egyetlen elfogadható válasz:
15:18
(Audience: Yes.) -- yes.
385
903000
2000
(Hallgatóság: Igen.) -- Igen.
15:20
What does this mean? Help me understand what the data is.
386
905000
2000
Mit jelent ez? Segítsen megérteni ezeket az adatokat.
15:22
What are my options? What choices are now on the table?
387
907000
3000
Mik a lehetőségeim? Mik közül választhatok?
15:25
And then, what's next?
388
910000
2000
És aztán, mi következik?
15:27
How do I integrate this information
389
912000
2000
Hogy tudom felhasználni ezt az információt,
15:29
into the longer course of my life?
390
914000
2000
hosszú távon az életemben?
15:32
So I want to wind up by just showing
391
917000
2000
Tehát ezzel csak arra akarom felhívni a figyelmet,
15:34
that people have the capacity to understand this information.
392
919000
2000
hogy az emberek képesek megérteni ezeket az információkat.
15:36
This is not beyond the grasp of ordinary people.
393
921000
3000
Nem haladja meg a hétköznapi emberek értelmi képességeit.
15:39
You do not need to have the education level of people in this room.
394
924000
3000
Nem kell, hogy a jelenlévők képzettségi szintjén legyél.
15:42
Ordinary people are capable of understanding this information,
395
927000
3000
Hétköznapi emberek is képesek feldolgozni ezt az információt,
15:45
if we only go to the effort of presenting it to them
396
930000
3000
ha veszed a fáradságot, hogy úgy add elő,
15:48
in a form that they can engage with.
397
933000
2000
hogy ők is megértsék.
15:50
And engagement is essential here,
398
935000
2000
És a megbeszélés nagyon fontos,
15:52
because it's not just giving them information;
399
937000
2000
mert ez nem csak információ közlés,
15:54
it's giving them an opportunity to act.
400
939000
2000
ez lehetőség adása a változtatásra.
15:56
That's what engagement is. It's different from compliance.
401
941000
2000
Ezt nevezik elkötelezettségnek, ami más mint a megfelelési vágy.
15:58
It works totally different from the way we talk about behavior
402
943000
3000
Ez teljesen másképp működik, mint amikor a viselkedésről beszélünk
16:01
in medicine today.
403
946000
2000
a mai orvoslásban.
16:03
And this information is out there.
404
948000
2000
És ez az információ itt van.
16:05
I've been talking today about latent information,
405
950000
2000
Ma lappangó információról beszéltem,
16:07
all this information that exists in the system
406
952000
2000
és ezek az információk mind elérhetőek a rendszerben,
16:09
that we're not putting to use.
407
954000
2000
csak mi nem használjuk.
16:11
But there are all sorts of other bodies of information
408
956000
2000
De ott van egy halom más információ, ami
16:13
that are coming online,
409
958000
2000
online elérhetővé válik.
16:15
and we need to recognize the capacity of this information
410
960000
3000
És fel kell ismernünk ennek az információnak a kapacitását,
16:18
to engage people, to help people
411
963000
2000
hogy beavassuk az embereket, hogy segítsünk az embereknek,
16:20
and to change the course of their lives.
412
965000
2000
és hogy megváltoztassuk az életüket.
16:22
Thank you very much.
413
967000
2000
Nagyon szépen köszönöm.
16:24
(Applause)
414
969000
3000
(Taps)
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