TEDGlobal 2011
Ben Goldacre: Battling bad science
Ben Goldacre: Harc a gonosz tudománnyal
Filmed:
Readability: 4.3
2,713,579 views
Nap mint nap új egészségügyi tanácsok jelennek meg, de honnan tudhatjuk hogy igazuk van? Ben Goldacre orvos és epidemiológus megmutatja nekünk, felpörgetve, a tények eltorzításának módját, kezdve a vakítóan egyértelmű táplálkozási követelményektől egészen a gyógyszeripar körmönfont trükkjeiig.
Ben Goldacre - Debunker
Ben Goldacre unpicks dodgy scientific claims made by scaremongering journalists, dubious government reports, pharmaceutical corporations, PR companies and quacks. Full bio
Ben Goldacre unpicks dodgy scientific claims made by scaremongering journalists, dubious government reports, pharmaceutical corporations, PR companies and quacks. Full bio
Double-click the English transcript below to play the video.
00:15
So I'm a doctor, but I kind of slipped sideways into research,
0
0
3000
Orvos vagyok, de elkanyarodtam a kutatás felé,
00:18
and now I'm an epidemiologist.
1
3000
2000
jelenleg pedig epidemiológus (járványszakértő) vagyok.
00:20
And nobody really knows what epidemiology is.
2
5000
2000
Valójában senki nem tudja, mi az az epidemiológia.
00:22
Epidemiology is the science of how we know in the real world
3
7000
3000
Az epidemiológia annak a tudománya, hogy hogyan döntsük el a való világban,
00:25
if something is good for you or bad for you.
4
10000
2000
hogy valami jó vagy rossz nekünk.
00:27
And it's best understood through example
5
12000
2000
A legegyszerűbb egy példán keresztül megérteni,
00:29
as the science of those crazy, wacky newspaper headlines.
6
14000
5000
mint amilyen az őrült, kiszámíthatatlan újsághírek tudománya.
00:34
And these are just some of the examples.
7
19000
2000
És ez csak néhány példa.
00:36
These are from the Daily Mail. Every country in the world has a newspaper like this.
8
21000
3000
Ezek a Daily Mail-ből vannak. A világ minden országának van egy ehhez hasonló újsága.
00:39
It has this bizarre, ongoing philosophical project
9
24000
3000
Van egy bizarr, jelenleg is zajló bölcs projektjük
00:42
of dividing all the inanimate objects in the world
10
27000
2000
a világ összes élettelen tárgyának a felosztására
00:44
into the ones that either cause or prevent cancer.
11
29000
3000
rákot okozó és megelőző csoportokba.
00:47
So here are some of the things they said cause cancer recently:
12
32000
2000
Itt van néhány dolog, amiről mostanában az állították, hogy rákot okoz:
00:49
divorce, Wi-Fi, toiletries and coffee.
13
34000
2000
válás, Wi-Fi, pipere cikkek és kávé.
00:51
Here are some of the things they say prevents cancer:
14
36000
2000
Néhány dolog, amiről azt mondják, megelőzi a rákot:
00:53
crusts, red pepper, licorice and coffee.
15
38000
2000
kenyérhéj, pirospaprika, édesgyökér és kávé.
00:55
So already you can see there are contradictions.
16
40000
2000
Máris látható, hogy ellentmondások vannak.
00:57
Coffee both causes and prevents cancer.
17
42000
2000
A kávé okozója és egyben megelőzője is a ráknak.
00:59
And as you start to read on, you can see
18
44000
2000
Ahogy elkezdjük olvasni, látható,
01:01
that maybe there's some kind of political valence behind some of this.
19
46000
3000
hogy talán valamilyen politikai ellenőrzés állhat e mögött.
01:04
So for women, housework prevents breast cancer,
20
49000
2000
Tehát a nőknél a házimunka megelőzi a mellrákot,
01:06
but for men, shopping could make you impotent.
21
51000
3000
de a férfiaknál a vásárlás impotenciát okozhat.
01:09
So we know that we need to start
22
54000
3000
Látjuk, hogy el kell kezdenünk
01:12
unpicking the science behind this.
23
57000
3000
felfejteni a mögötte levő tudományt.
01:15
And what I hope to show
24
60000
2000
Amit remélhetőleg meg tudok mutatni
01:17
is that unpicking dodgy claims,
25
62000
2000
az az, hogy a gyanús állítások felfejtése,
01:19
unpicking the evidence behind dodgy claims,
26
64000
2000
a gyanús állítások mögött álló tények felfejtése
01:21
isn't a kind of nasty carping activity;
27
66000
3000
nem egy csúnya, kötekedős foglalkozás;
01:24
it's socially useful,
28
69000
2000
szociálisan hasznos
01:26
but it's also an extremely valuable
29
71000
2000
és rendkívül értékes
01:28
explanatory tool.
30
73000
2000
felvilágosító eszköz.
01:30
Because real science is all about
31
75000
2000
Mivel a valós tudomány lényegében
01:32
critically appraising the evidence for somebody else's position.
32
77000
2000
mások bizonyítékainak a kritikus értékeléséről szól.
01:34
That's what happens in academic journals.
33
79000
2000
Ez történik az akadémiai folyóiratokban.
01:36
That's what happens at academic conferences.
34
81000
2000
Ez történik az akadémiai konferenciákon.
01:38
The Q&A session after a post-op presents data
35
83000
2000
A posztoperációs bemutató utáni Q&A rész
01:40
is often a blood bath.
36
85000
2000
gyakran egy vérfürdő.
01:42
And nobody minds that. We actively welcome it.
37
87000
2000
És ez senkit sem zavar. Élénken üdvözöljük.
01:44
It's like a consenting intellectual S&M activity.
38
89000
3000
Olyan mint egy konszenzusos intellektuális S&M tevékenység.
01:47
So what I'm going to show you
39
92000
2000
Meg fogom mutatni Önöknek
01:49
is all of the main things,
40
94000
2000
az összes főbb dolgot,
01:51
all of the main features of my discipline --
41
96000
2000
az összes fontosabb funkciót az én tudományterületemről --
01:53
evidence-based medicine.
42
98000
2000
ami a tényekre alapuló orvostudomány.
01:55
And I will talk you through all of these
43
100000
2000
Sorbaveszem mindezeket
01:57
and demonstrate how they work,
44
102000
2000
és bemutatom, hogyan működnek,
01:59
exclusively using examples of people getting stuff wrong.
45
104000
3000
kizárólag valamit rosszul csináló emberek példáit használva.
02:02
So we'll start with the absolute weakest form of evidence known to man,
46
107000
3000
A tényeknek az ember által ismert leggyengébb formájával fogjuk kezdeni,
02:05
and that is authority.
47
110000
2000
ami a hatalom.
02:07
In science, we don't care how many letters you have after your name.
48
112000
3000
A tudományban minket nem érdekel, hány betű van valaki neve után.
02:10
In science, we want to know what your reasons are for believing something.
49
115000
3000
A tudományban mi azokat az okokat akarjuk tudni, amiért az emberek hisznek valamiben.
02:13
How do you know that something is good for us
50
118000
2000
Honnan tudjuk, hogy valami jó nekünk
02:15
or bad for us?
51
120000
2000
vagy valami rossz nekünk?
02:17
But we're also unimpressed by authority,
52
122000
2000
Nem hat meg minket a hatalom sem,
02:19
because it's so easy to contrive.
53
124000
2000
mivel nagyon könnyű kitalálni.
02:21
This is somebody called Dr. Gillian McKeith Ph.D,
54
126000
2000
Ő itt Dr. Gillian McKeith Ph.D,
02:23
or, to give her full medical title, Gillian McKeith.
55
128000
3000
vagy, a teljes orvosi titulusával együtt, Gillian McKeith.
02:26
(Laughter)
56
131000
3000
(Nevetés)
02:29
Again, every country has somebody like this.
57
134000
2000
Ismét, minden egyes országnak van valaki hasonlója.
02:31
She is our TV diet guru.
58
136000
2000
Ő a mi tévés étrend gurunk.
02:33
She has massive five series of prime-time television,
59
138000
3000
Kemény ötrészes adása van főműsoridőben,
02:36
giving out very lavish and exotic health advice.
60
141000
3000
melyben egzotikus egészségügyi tanácsokat osztogat bőkezűen.
02:39
She, it turns out, has a non-accredited correspondence course Ph.D.
61
144000
3000
Amint kiderült, egy nem akreditált, látogatás nélküli doktorival rendelkezik
02:42
from somewhere in America.
62
147000
2000
valahonnan Amerikából.
02:44
She also boasts that she's a certified professional member
63
149000
2000
Azzal is dicsekedik, hogy hivatalosan elismert tagja
02:46
of the American Association of Nutritional Consultants,
64
151000
2000
az Amerikai Táplálkozási Tanácsadók Egyesületének (AANC),
02:48
which sounds very glamorous and exciting.
65
153000
2000
ami nagyon elbűvölően és izgalmasan hangzik.
02:50
You get a certificate and everything.
66
155000
2000
Ehhez bizonyítvány meg mindenféle jár.
02:52
This one belongs to my dead cat Hetti. She was a horrible cat.
67
157000
2000
Ez itt az elpusztult macskámé, Hettié. Borzasztó macska volt.
02:54
You just go to the website, fill out the form,
68
159000
2000
Csak be kell lépni a weboldalra, kitölteni egy űrlapot,
02:56
give them $60, and it arrives in the post.
69
161000
2000
kifizetni 60 dollárt, és postán meg fog érkezni.
02:58
Now that's not the only reason that we think this person is an idiot.
70
163000
2000
Namármost, nem ez az egyetlen ok, amiért mi idiótának tartjuk ezt a személyt.
03:00
She also goes and says things like,
71
165000
2000
Olyan dolgokat is mond, hogy
03:02
you should eat lots of dark green leaves,
72
167000
2000
rengeteg sötétzöld levelet kell együnk,
03:04
because they contain lots of chlorophyll, and that will really oxygenate your blood.
73
169000
2000
mert nagyon sok klorofilt tartalmaz, ami feltölti oxigénnel a vért.
03:06
And anybody who's done school biology remembers
74
171000
2000
És mindenki, aki tanult biológiát az iskolában, emlékszik,
03:08
that chlorophyll and chloroplasts
75
173000
2000
hogy a klorofil és kloroplasztisz
03:10
only make oxygen in sunlight,
76
175000
2000
csak napfényben termel oxigént,
03:12
and it's quite dark in your bowels after you've eaten spinach.
77
177000
3000
és a beleinkben eléggé sötét van, miután megettük a spenótot.
03:15
Next, we need proper science, proper evidence.
78
180000
3000
Azután, megfelelő tudományra, megfelelő bizonyítékokra is szükségünk van.
03:18
So, "Red wine can help prevent breast cancer."
79
183000
2000
"A vörösbor segíthet a mellrák megelőzésében."
03:20
This is a headline from the Daily Telegraph in the U.K.
80
185000
2000
Ez egy főcím a Daily Telegraph-ból, az Egyesült Királyságból.
03:22
"A glass of red wine a day could help prevent breast cancer."
81
187000
3000
"Napi egy pohár vörösbor segíthet a mellrák megelőzésében."
03:25
So you go and find this paper, and what you find
82
190000
2000
Szóval, megtaláljuk ezt az újságot, és azt látjuk, hogy
03:27
is it is a real piece of science.
83
192000
2000
ez egy darabka valódi tudomány.
03:29
It is a description of the changes in one enzyme
84
194000
3000
Egy enzimben végbemenő változások leírása,
03:32
when you drip a chemical extracted from some red grape skin
85
197000
3000
amikor egy vörös szőlőhéjből kivont vegyi anyagot csepegtetünk
03:35
onto some cancer cells
86
200000
2000
néhány rákos sejtre
03:37
in a dish on a bench in a laboratory somewhere.
87
202000
3000
egy edényben, egy padon, valahol egy laboratóriumban.
03:40
And that's a really useful thing to describe
88
205000
2000
És ezt valóban hasznos dolog leírni
03:42
in a scientific paper,
89
207000
2000
egy tudományos cikkben,
03:44
but on the question of your own personal risk
90
209000
2000
de azzal kapcsolatban, hogy mekkora az esélye
03:46
of getting breast cancer if you drink red wine,
91
211000
2000
a mellráknak, ha valaki vörösbort iszik,
03:48
it tells you absolutely bugger all.
92
213000
2000
semmit sem mond.
03:50
Actually, it turns out that your risk of breast cancer
93
215000
2000
Tulajdonképpen kiderült, hogy a mellrák veszélye
03:52
actually increases slightly
94
217000
2000
valójában némileg megnövekedik
03:54
with every amount of alcohol that you drink.
95
219000
2000
minden elfogyasztott alkoholmennyiséggel.
03:56
So what we want is studies in real human people.
96
221000
4000
Mi valódi embereket szeretnénk tanulmányozni.
04:00
And here's another example.
97
225000
2000
És itt egy másik példa.
04:02
This is from Britain's leading diet and nutritionist in the Daily Mirror,
98
227000
3000
Ez Nagy-Britannia vezető étkezési és táplálkozási szakemberétől származik a Daily Mirror-ban,
04:05
which is our second biggest selling newspaper.
99
230000
2000
ami a második legnagyobb példányszámban eladott újságunk.
04:07
"An Australian study in 2001
100
232000
2000
"Egy 2001-es ausztráliai kutatás
04:09
found that olive oil in combination with fruits, vegetables and pulses
101
234000
2000
kimutatta, hogy az olívaolaj gyümölcsökkel, zöldségekkel és hüvelyesekkel kombinálva
04:11
offers measurable protection against skin wrinklings."
102
236000
2000
kimutatható védelmet nyújt a bőr ráncosodása ellen."
04:13
And then they give you advice:
103
238000
2000
Azután ezt tanácsolják:
04:15
"If you eat olive oil and vegetables, you'll have fewer skin wrinkles."
104
240000
2000
"Ha olívaolajat és zöldségeket eszünk, kevesebb bőrráncunk lesz."
04:17
And they very helpfully tell you how to go and find the paper.
105
242000
2000
Nagyon segítőkészen elmondják, hol találhatók meg ezek a tanulmányok.
04:19
So you go and find the paper, and what you find is an observational study.
106
244000
3000
Nekiállunk megkeresni a cikket és találunk egy megfigyeléseken alapuló tanulmányt.
04:22
Obviously nobody has been able
107
247000
2000
Természetesen senki nem volt képes
04:24
to go back to 1930,
108
249000
2000
visszamenni 1930-ba,
04:26
get all the people born in one maternity unit,
109
251000
3000
fogni az összes egy szülészeten született embert,
04:29
and half of them eat lots of fruit and veg and olive oil,
110
254000
2000
és felét gyümölccsel, zöldséggel és olívaolajjal etetni,
04:31
and then half of them eat McDonald's,
111
256000
2000
a másik felét pedig McDonald's-os étellel,
04:33
and then we see how many wrinkles you've got later.
112
258000
2000
azután megfigyelni, mennyire ráncosodnak.
04:35
You have to take a snapshot of how people are now.
113
260000
2000
Az emberek jelenlegi állapotáról kell pillanatképet készíteni.
04:37
And what you find is, of course,
114
262000
2000
Természetesen, kiderül,
04:39
people who eat veg and olive oil have fewer skin wrinkles.
115
264000
3000
hogy azoknak, akik zöldségeket és olívaolajat esznek, kevesebb a ráncuk.
04:42
But that's because people who eat fruit and veg and olive oil,
116
267000
3000
De ez azért van, mert azok, akik gyümölcsöt, zöldséget és olívaolajat esznek,
04:45
they're freaks, they're not normal, they're like you;
117
270000
3000
azok fura emberek, nem normálisak, olyanak mint Önök;
04:48
they come to events like this.
118
273000
2000
ehhez hasonló eseményekre járnak.
04:50
They are posh, they're wealthy, they're less likely to have outdoor jobs,
119
275000
3000
Elegánsak, jómódúak, kisebb valószínűséggel végeznek kinti munkát,
04:53
they're less likely to do manual labor,
120
278000
2000
kisebb valószínűséggel végeznek kétkezi munkát,
04:55
they have better social support, they're less likely to smoke --
121
280000
2000
jobb szociális támogatásuk van, kevésbé valószínű, hogy dohányoznak --
04:57
so for a whole host of fascinating, interlocking
122
282000
2000
tehát egy egész sereg érdekes
04:59
social, political and cultural reasons,
123
284000
2000
szociális, politikai és kulturális ok miatt
05:01
they are less likely to have skin wrinkles.
124
286000
2000
kisebb valószínűséggel ráncosodik a bőrük.
05:03
That doesn't mean that it's the vegetables or the olive oil.
125
288000
2000
Ez nem jelenti azt, hogy a zöldségek vagy az olívaolaj az oka.
05:05
(Laughter)
126
290000
2000
(Nevetés)
05:07
So ideally what you want to do is a trial.
127
292000
3000
Tehát ideális esetben egy kísérletet akarunk végezni.
05:10
And everybody thinks they're very familiar with the idea of a trial.
128
295000
2000
Mindenki azt hiszi, hogy nagyon otthonosan mozog a kísérletekben.
05:12
Trials are very old. The first trial was in the Bible -- Daniel 1:12.
129
297000
3000
A kísérletek nagyon régiek. Az első kísérletet a Bibliában találjuk -- Dániel 1:12.
05:15
It's very straightforward -- you take a bunch of people, you split them in half,
130
300000
2000
Nagyon egyszerű -- veszünk egy csapat embert, kétfelé osztjuk őket,
05:17
you treat one group one way, you treat the other group the other way,
131
302000
2000
egyik csoportot egy módon kezeljük, a másikat másképp,
05:19
and a little while later, you follow them up
132
304000
2000
majd kis idő múlva megnézzük,
05:21
and see what happened to each of them.
133
306000
2000
mi történt mindegyikükkel.
05:23
So I'm going to tell you about one trial,
134
308000
2000
Egy olyan kísérletről fogok mesélni,
05:25
which is probably the most well-reported trial
135
310000
2000
amely valószínűleg a legjobban dokumentált
05:27
in the U.K. news media over the past decade.
136
312000
2000
az Egyesült Királyság médiájában az elmúlt évtizedben.
05:29
And this is the trial of fish oil pills.
137
314000
2000
Ez a halolaj tabletták kísérlete.
05:31
And the claim was fish oil pills improve school performance and behavior
138
316000
2000
A feltételezés az volt, hogy a halolaj javítja az iskolai teljesítményt és viselkedést
05:33
in mainstream children.
139
318000
2000
az átlagos gyerekeknél.
05:35
And they said, "We've done a trial.
140
320000
2000
Azt mondták, hogy "Végeztünk egy kísérletet.
05:37
All the previous trials were positive, and we know this one's gonna be too."
141
322000
2000
Az összes eddigi kísérlet sikeres volt, és tudjuk, hogy ez is az lesz."
05:39
That should always ring alarm bells.
142
324000
2000
Ez rögtön megkongatja a vészharangot.
05:41
Because if you already know the answer to your trial, you shouldn't be doing one.
143
326000
3000
Mert ha előre tudjuk egy kísérlet eredményét, akkor nem kell elvégezni.
05:44
Either you've rigged it by design,
144
329000
2000
Azért mert szándékosan így volt tervezve,
05:46
or you've got enough data so there's no need to randomize people anymore.
145
331000
3000
vagy mert már elég adatot gyűjtöttünk és nincs szükség további emberek bevonására.
05:49
So this is what they were going to do in their trial.
146
334000
3000
Tehát a következő kísérletet végzik el.
05:52
They were taking 3,000 children,
147
337000
2000
Adott 3000 gyerek,
05:54
they were going to give them all these huge fish oil pills,
148
339000
2000
mindegyiküknek adnak ezekből a hatalmas halolaj tablettákból,
05:56
six of them a day,
149
341000
2000
hatot naponta,
05:58
and then a year later, they were going to measure their school exam performance
150
343000
3000
és egy év múlva lemérik az iskolai vizsgákon nyújtott teljesítményüket,
06:01
and compare their school exam performance
151
346000
2000
és összehasonlítják az eredményeiket
06:03
against what they predicted their exam performance would have been
152
348000
2000
azokkal a megjósolt eredményekkel, amiket elértek volna
06:05
if they hadn't had the pills.
153
350000
3000
a tabletták nélkül.
06:08
Now can anybody spot a flaw in this design?
154
353000
3000
Kiszúrja valaki a hibát ebben a tervben?
06:11
And no professors of clinical trial methodology
155
356000
3000
Klinikai kísérleti módszertanos tanárok
06:14
are allowed to answer this question.
156
359000
2000
nem válaszolhatnak erre a kérdésre.
06:16
So there's no control; there's no control group.
157
361000
2000
Tehát nincs kontroll; nincs kontrollcsoport.
06:18
But that sounds really techie.
158
363000
2000
De ez nagyon tudományosan hangzott.
06:20
That's a technical term.
159
365000
2000
Ez egy technikai kifejezés.
06:22
The kids got the pills, and then their performance improved.
160
367000
2000
A gyerekek megkapják a tablettákat, a teljesítményük pedig javulni fog.
06:24
What else could it possibly be if it wasn't the pills?
161
369000
3000
Mi más történhetett volna a tabletták nélkül?
06:27
They got older. We all develop over time.
162
372000
3000
Idősebbekké válnak. Mindannyian fejlődünk idővel.
06:30
And of course, also there's the placebo effect.
163
375000
2000
Természetesen, figyelembe kell venni a placebo hatást is.
06:32
The placebo effect is one of the most fascinating things in the whole of medicine.
164
377000
2000
A placebo effektus az egyik legelbűvölőbb dolog az egész orvostudományban.
06:34
It's not just about taking a pill, and your performance and your pain getting better.
165
379000
3000
Nem csak a teljesítmény növekedéséről és a fájdalom csökkenéséről szól, miután bevettünk egy tablettát.
06:37
It's about our beliefs and expectations.
166
382000
2000
A hitünkről és elvárásainkról is szól.
06:39
It's about the cultural meaning of a treatment.
167
384000
2000
Egy kezelés kulturális jelentőségéről szól.
06:41
And this has been demonstrated in a whole raft of fascinating studies
168
386000
3000
És ez egy sor csodálatos kísérletben lett bizonyítva
06:44
comparing one kind of placebo against another.
169
389000
3000
különböző placebókat összehasonlítva.
06:47
So we know, for example, that two sugar pills a day
170
392000
2000
Tudjuk például, hogy napi két cukortabletta
06:49
are a more effective treatment for getting rid of gastric ulcers
171
394000
2000
sokkal hatásosabb kezelés a gyomorfekélyre
06:51
than one sugar pill.
172
396000
2000
mint egy cukortabletta.
06:53
Two sugar pills a day beats one sugar pill a day.
173
398000
2000
Napi két cukortabletta jobb mint egy cukortabletta.
06:55
And that's an outrageous and ridiculous finding, but it's true.
174
400000
3000
Ez egy felháborító és nevetséges felfedezés, de igaz.
06:58
We know from three different studies on three different types of pain
175
403000
2000
Három eltérő típusú fájdalmon végzett különböző tanulmányból tudjuk, hogy
07:00
that a saltwater injection is a more effective treatment for pain
176
405000
3000
a sósvíz injekció hatásosabb kezelés a fájdalomra
07:03
than taking a sugar pill, taking a dummy pill that has no medicine in it --
177
408000
4000
mint egy cukortabletta, egy gyógyszerutánzat, aminek semmilyen hatása sincs --
07:07
not because the injection or the pills do anything physically to the body,
178
412000
3000
nem azért, mert az injekciónak vagy a tablettáknak bármilyen fizikai hatása lenne a szervezetre,
07:10
but because an injection feels like a much more dramatic intervention.
179
415000
3000
hanem mert egy injekció sokkal drámaibb beavatkozásnak tűnik.
07:13
So we know that our beliefs and expectations
180
418000
2000
Tehát tudjuk, hogy a hitünk és elvárásaink
07:15
can be manipulated,
181
420000
2000
manipulálhatóak,
07:17
which is why we do trials
182
422000
2000
ezért végzünk olyan kísérleteket,
07:19
where we control against a placebo --
183
424000
2000
ahol a placebót kontrolláljuk --
07:21
where one half of the people get the real treatment
184
426000
2000
ahol az emberek fele valódi kezelést kap,
07:23
and the other half get placebo.
185
428000
2000
míg a másik fele placebót.
07:25
But that's not enough.
186
430000
3000
Mindez még nem elég.
07:28
What I've just shown you are examples of the very simple and straightforward ways
187
433000
3000
Amiket eddig mutattam Önöknek, azok nagyon egyszerű és egyenes módszerek arra,
07:31
that journalists and food supplement pill peddlers
188
436000
2000
ahogy az újságírók és étrendkiegészítő tablettákkal házalók
07:33
and naturopaths
189
438000
2000
és természetgyógyászok
07:35
can distort evidence for their own purposes.
190
440000
3000
eltorzíthatják a tényeket saját céljaik szerint.
07:38
What I find really fascinating
191
443000
2000
Amit valóban lenyűgözőnek találok
07:40
is that the pharmaceutical industry
192
445000
2000
az az, hogy a gyógyszeripar
07:42
uses exactly the same kinds of tricks and devices,
193
447000
2000
ugyanazokat a trükköket és eszközöket használja,
07:44
but slightly more sophisticated versions of them,
194
449000
3000
de némileg kifinomultabb verzióban,
07:47
in order to distort the evidence that they give to doctors and patients,
195
452000
3000
azért, hogy eltorzítsák az orvosoknak és betegeknek nyújtott bizonyítékokat,
07:50
and which we use to make vitally important decisions.
196
455000
3000
amiket mi életbevágó döntések meghozatalára használunk.
07:53
So firstly, trials against placebo:
197
458000
2000
Elöször is, kísérletek a placebóval szemben:
07:55
everybody thinks they know that a trial should be
198
460000
2000
mindenki úgy hiszi, hogy tudja, egy kísérlet
07:57
a comparison of your new drug against placebo.
199
462000
2000
a placebo és az új gyógyszer közötti összehasonlítás kell legyen.
07:59
But actually in a lot of situations that's wrong.
200
464000
2000
Valójában rengeteg helyzetben ez nem igaz.
08:01
Because often we already have a very good treatment that is currently available,
201
466000
3000
Mivel gyakran már létezik egy nagyon jó, jelenleg is elérhető kezelés,
08:04
so we don't want to know that your alternative new treatment
202
469000
2000
így minket nem érdekel, hogy az új alternatív kezelés
08:06
is better than nothing.
203
471000
2000
jobb-e mint a semmi.
08:08
We want to know that it's better than the best currently available treatment that we have.
204
473000
3000
Mi azt akarjuk tudni, hogy jobb, mint a jelenleg elérhető legjobb kezelés.
08:11
And yet, repeatedly, you consistently see people doing trials
205
476000
3000
És még mindig, ismételten, kísérletező embereket látunk állandóan,
08:14
still against placebo.
206
479000
2000
még mindig a placebo ellen.
08:16
And you can get license to bring your drug to market
207
481000
2000
Engedélyt lehet szerezni a gyógyszerek árusítására
08:18
with only data showing that it's better than nothing,
208
483000
2000
egyszerűen olyan adatokkal, melyek alátámasztják, hogy jobb, mint semmi,
08:20
which is useless for a doctor like me trying to make a decision.
209
485000
3000
ami haszontalan egy hozzám hasonló döntés előtt álló orvosnak.
08:23
But that's not the only way you can rig your data.
210
488000
2000
De nem ez az egyetlen módja az adatok felcicomázásának.
08:25
You can also rig your data
211
490000
2000
Úgy is fel lehet díszíteni az adatokat,
08:27
by making the thing you compare your new drug against
212
492000
2000
ha az új gyógyszert összehasonlítjuk
08:29
really rubbish.
213
494000
2000
egy igazán vacakkal.
08:31
You can give the competing drug in too low a dose,
214
496000
2000
Adhatjuk a versengő gyógszert túl kis adagokban,
08:33
so that people aren't properly treated.
215
498000
2000
így az emberek nem kapnak megfelelő kezelést.
08:35
You can give the competing drug in too high a dose,
216
500000
2000
Adhatjuk a versengő gyógyszert túl nagy adagokban
08:37
so that people get side effects.
217
502000
2000
hogy az emberek mellékhatásokat produkáljanak.
08:39
And this is exactly what happened
218
504000
2000
Pontosan ez történt
08:41
which antipsychotic medication for schizophrenia.
219
506000
2000
a skizofréniára alkalmazott antipszichotikus gyógyszerekkel.
08:43
20 years ago, a new generation of antipsychotic drugs were brought in
220
508000
3000
20 évvel ezelőtt az antipszichotikus gyógyszerek új generációja jelent meg
08:46
and the promise was that they would have fewer side effects.
221
511000
3000
kevesebb mellékhatás ígéretével.
08:49
So people set about doing trials of these new drugs
222
514000
2000
Tehát elkezdtek kísérletezni az új gyógyszerekkel
08:51
against the old drugs,
223
516000
2000
a régiekkel szemben,
08:53
but they gave the old drugs in ridiculously high doses --
224
518000
2000
de a régieket nevetségesen magas dózisokban adták --
08:55
20 milligrams a day of haloperidol.
225
520000
2000
napi 20 milligram haloperidolt.
08:57
And it's a foregone conclusion,
226
522000
2000
És az előrelátható következtetés,
08:59
if you give a drug at that high a dose,
227
524000
2000
ha egy gyógyszert nagy dózisokban alkalmazunk,
09:01
that it will have more side effects and that your new drug will look better.
228
526000
3000
hogy több mellékhatása lesz, és az új gyógyszer jobbnak fog látszani.
09:04
10 years ago, history repeated itself, interestingly,
229
529000
2000
Érdekes módon 10 évvel ezelőtt a történelem ismételte önmagát,
09:06
when risperidone, which was the first of the new-generation antipscyhotic drugs,
230
531000
3000
amikor a risperidone-ra, ami az első újgenerációs antipszichotikus gyógyszer volt,
09:09
came off copyright, so anybody could make copies.
231
534000
3000
lejárt a szabadalom, tehát bárki lemásolhatta.
09:12
Everybody wanted to show that their drug was better than risperidone,
232
537000
2000
Mindenki be akarta bizonyítani, hogy az ő gyógyszere jobb, mint a risperidone,
09:14
so you see a bunch of trials comparing new antipsychotic drugs
233
539000
3000
ezért sok olyan kísérletet láthatunk, ami új antipszichotikus gyógyszert hasonlít össze
09:17
against risperidone at eight milligrams a day.
234
542000
2000
napi 8 milligram risperidone-al.
09:19
Again, not an insane dose, not an illegal dose,
235
544000
2000
Mégegyszer, nem egy őrült dózis, nem illegális dózis,
09:21
but very much at the high end of normal.
236
546000
2000
de nagyon a felső határa a normálisnak.
09:23
And so you're bound to make your new drug look better.
237
548000
3000
Így az új gyógyszer jobbnak látszik.
09:26
And so it's no surprise that overall,
238
551000
3000
Ezért nem meglepő, hogy általánosan,
09:29
industry-funded trials
239
554000
2000
az ipar által támogatott kísérletek
09:31
are four times more likely to give a positive result
240
556000
2000
négyszer valószínűbben végződnek pozitív eredménnyel,
09:33
than independently sponsored trials.
241
558000
3000
mint a függetlenül támogatott kísérletek.
09:36
But -- and it's a big but --
242
561000
3000
De -- és ez egy nagy de --
09:39
(Laughter)
243
564000
2000
(Nevetés)
09:41
it turns out,
244
566000
2000
kiderült,
09:43
when you look at the methods used by industry-funded trials,
245
568000
3000
az ipar által támogatott kísérletek módszereit vizsgálva,
09:46
that they're actually better
246
571000
2000
hogy ezek lényegében jobbak
09:48
than independently sponsored trials.
247
573000
2000
mint a függetlenül támogatott kísérletek.
09:50
And yet, they always manage to to get the result that they want.
248
575000
3000
Mégis mindig sikerül az elvárt eredményt elérniük.
09:53
So how does this work?
249
578000
2000
Hogy is működik ez?
09:55
How can we explain this strange phenomenon?
250
580000
3000
Hogy tudjuk megmagyarázni ezt a fura jelenséget?
09:58
Well it turns out that what happens
251
583000
2000
Amint kiderült, az történik, hogy
10:00
is the negative data goes missing in action;
252
585000
2000
a negatív adatok eltűnnek;
10:02
it's withheld from doctors and patients.
253
587000
2000
elhallgatják az orvosok és páciensek elől.
10:04
And this is the most important aspect of the whole story.
254
589000
2000
És ez a legfontosabb aspektusa az egész történetnek.
10:06
It's at the top of the pyramid of evidence.
255
591000
2000
A bizonyítékok piramisának a csúcsa.
10:08
We need to have all of the data on a particular treatment
256
593000
3000
Egy bizonyos kezelés összes adatára szükségünk van
10:11
to know whether or not it really is effective.
257
596000
2000
ahhoz, hogy eldöntsük, valóban hatékony-e.
10:13
And there are two different ways that you can spot
258
598000
2000
Két különböző módon lehet kiszúrni,
10:15
whether some data has gone missing in action.
259
600000
2000
hogy valahol eltűntek adatok.
10:17
You can use statistics, or you can use stories.
260
602000
3000
Statisztika használatával vagy történetek segítségével.
10:20
I personally prefer statistics, so that's what I'm going to do first.
261
605000
2000
Személyesen a statisztikát részesítem előnyben, ezért ezt fogom először bemutatni.
10:22
This is something called funnel plot.
262
607000
2000
Ezt tölcsér ábrának hívják.
10:24
And a funnel plot is a very clever way of spotting
263
609000
2000
Egy tölcsér ábra nagyon eszes mód annak a kiszúrására,
10:26
if small negative trials have disappeared, have gone missing in action.
264
611000
3000
hogy kis negatív kísérleti eredmények eltűntek.
10:29
So this is a graph of all of the trials
265
614000
2000
Ez az összes kísérlet grafikonja
10:31
that have been done on a particular treatment.
266
616000
2000
egy bizonyos kezelés esetében.
10:33
And as you go up towards the top of the graph,
267
618000
2000
Ahogy lentről a grafikon teteje felé haladunk,
10:35
what you see is each dot is a trial.
268
620000
2000
látható, hogy minden egyes pont egy kísérlet.
10:37
And as you go up, those are the bigger trials, so they've got less error in them.
269
622000
3000
A fentiek a nagyobb kísérletek, tehát kevesebb hibát tartalmaznak.
10:40
So they're less likely to be randomly false positives, randomly false negatives.
270
625000
3000
Kisebb eséllyel lesznek hamis pozitívak, hamis negatívak.
10:43
So they all cluster together.
271
628000
2000
Mindegyikük egy pontba csoportosul.
10:45
The big trials are closer to the true answer.
272
630000
2000
A nagy kísérletek közelebb vannak az igazi válaszhoz.
10:47
Then as you go further down at the bottom,
273
632000
2000
Azután, ahogy lefele megyünk,
10:49
what you can see is, over on this side, the spurious false negatives,
274
634000
3000
ezen az oldalon a hamis negatívak láthatóak,
10:52
and over on this side, the spurious false positives.
275
637000
2000
ezen az oldalon pedig a hamis pozitívak.
10:54
If there is publication bias,
276
639000
2000
Ha torzítás történt,
10:56
if small negative trials have gone missing in action,
277
641000
3000
ha kis negatív kísérletek elveszlődtek,
10:59
you can see it on one of these graphs.
278
644000
2000
az látható ezeken a grafikonokon.
11:01
So you can see here that the small negative trials
279
646000
2000
Tehát itt látható, hogy a kis negatív kísérletek,
11:03
that should be on the bottom left have disappeared.
280
648000
2000
amelyek bal oldalt alul kellene legyenek, eltűntek.
11:05
This is a graph demonstrating the presence of publication bias
281
650000
3000
Ez a grafikon a publikációs torzításnak a bemutatása
11:08
in studies of publication bias.
282
653000
2000
a publikációs torzítás tanulmányozásában.
11:10
And I think that's the funniest epidemiology joke
283
655000
2000
Úgy gondolom, hogy ez a legmókásabb epidemiológiai vicc,
11:12
that you will ever hear.
284
657000
2000
amit valaha is hallani fogunk.
11:14
That's how you can prove it statistically,
285
659000
2000
Így lehet statisztikusan bebizonyítani,
11:16
but what about stories?
286
661000
2000
de mi van a történetekkel?
11:18
Well they're heinous, they really are.
287
663000
2000
Nagyon szörnyűek, valóban azok.
11:20
This is a drug called reboxetine.
288
665000
2000
Ez egy reboxetine-nek nevezett gyógyszer.
11:22
This is a drug that I myself have prescribed to patients.
289
667000
2000
Egy gyógyszer, amit én is felírtam a pácienseimnek.
11:24
And I'm a very nerdy doctor.
290
669000
2000
És én egy nagyon stréber orvos vagyok.
11:26
I hope I try to go out of my way to try and read and understand all the literature.
291
671000
3000
Legjobb tudásom szerint megpróbálok elolvasni és megérteni minden szakirodalmat.
11:29
I read the trials on this. They were all positive. They were all well-conducted.
292
674000
3000
Elolvastam a kísérleteket. Mind pozitívak voltak. Mind jól szervezettek voltak.
11:32
I found no flaw.
293
677000
2000
Semilyen hibát nem találtam.
11:34
Unfortunately, it turned out,
294
679000
2000
Sajnos kiderült,
11:36
that many of these trials were withheld.
295
681000
2000
hogy sok kísérlet nem került nyilvánosságra.
11:38
In fact, 76 percent
296
683000
2000
Lényegében 76 százalékát
11:40
of all of the trials that were done on this drug
297
685000
2000
az összes, ezzel a gyógyszerrel végzett kísérletnek
11:42
were withheld from doctors and patients.
298
687000
2000
elhallgatták az orvosok és páciensek elől.
11:44
Now if you think about it,
299
689000
2000
Ha belegondolnak,
11:46
if I tossed a coin a hundred times,
300
691000
2000
ha feldobok egy pénzérmét százszor,
11:48
and I'm allowed to withhold from you
301
693000
2000
és én elhallgathatom Önök elől
11:50
the answers half the times,
302
695000
2000
a válaszok felét,
11:52
then I can convince you
303
697000
2000
akkor meg tudom győzni Önöket
11:54
that I have a coin with two heads.
304
699000
2000
hogy van egy érmém két fejjel.
11:56
If we remove half of the data,
305
701000
2000
Ha elvesszük az adatok felét,
11:58
we can never know what the true effect size of these medicines is.
306
703000
3000
sose tudhatjuk, mi a valódi hatása ezeknek a gyógyszereknek.
12:01
And this is not an isolated story.
307
706000
2000
Ez nem egy egyedi történet.
12:03
Around half of all of the trial data on antidepressants has been withheld,
308
708000
4000
Az antidepresszánsokon végzett kísérletek adatainak körülbelül a fele nem került nyilvánosságra,
12:07
but it goes way beyond that.
309
712000
2000
de ez ennél sokkal messzebbre nyúlik.
12:09
The Nordic Cochrane Group were trying to get a hold of the data on that
310
714000
2000
A Nordic Cochrane Group megpróbálta elérni az összes adatot,
12:11
to bring it all together.
311
716000
2000
hogy összegyűjtse az egészet.
12:13
The Cochrane Groups are an international nonprofit collaboration
312
718000
3000
A Cochrane Groups egy nemzetközi nonprofit együttműködés,
12:16
that produce systematic reviews of all of the data that has ever been shown.
313
721000
3000
ami módszeresen felülvizsgálja az összes valaha bemutatott adatot.
12:19
And they need to have access to all of the trial data.
314
724000
3000
Szükségük van az összes kísérleti eredményre.
12:22
But the companies withheld that data from them,
315
727000
3000
De a vállalatok eltitkolták ezeket az adatokat előlük,
12:25
and so did the European Medicines Agency
316
730000
2000
és ugyanígy tett az Európai Gyógyszerügynökség (EMA) is
12:27
for three years.
317
732000
2000
három évig.
12:29
This is a problem that is currently lacking a solution.
318
734000
3000
Ez egy jelenleg megoldás nélküli probléma.
12:32
And to show how big it goes, this is a drug called Tamiflu,
319
737000
3000
Jelentőségének bemutatása érdekében, ez egy Tamiflu nevű gyógyszer,
12:35
which governments around the world
320
740000
2000
amire a kormányok a világ minden részéről
12:37
have spent billions and billions of dollars on.
321
742000
2000
sok milliárd dollárt költöttek.
12:39
And they spend that money on the promise
322
744000
2000
Annak a reményében költötték el ezt a pénzt,
12:41
that this is a drug which will reduce the rate
323
746000
2000
hogy ez egy olyan gyógyszer, ami csökkenteni fogja
12:43
of complications with flu.
324
748000
2000
az influenzaval járó komplikációkat.
12:45
We already have the data
325
750000
2000
Már rendelkezünk az adatokkal,
12:47
showing that it reduces the duration of your flu by a few hours.
326
752000
2000
melyek azt mutatják, hogy néhány órával csökkenti az influenza időtartamát.
12:49
But I don't really care about that. Governments don't care about that.
327
754000
2000
De engem ez nem igazán érdekel. A kormányokat se érdekli.
12:51
I'm very sorry if you have the flu, I know it's horrible,
328
756000
3000
Nagyon sajnálom ha valakinek influenzája van, tudom hogy borzalmas,
12:54
but we're not going to spend billions of dollars
329
759000
2000
de nem fogunk dollármilliárdokat elkölteni
12:56
trying to reduce the duration of your flu symptoms
330
761000
2000
azért, hogy lerövidítsük az influenza tüneteit
12:58
by half a day.
331
763000
2000
fél nappal.
13:00
We prescribe these drugs, we stockpile them for emergencies
332
765000
2000
Azért írjuk fel ezeket a gyógyszereket, raktározzuk őket vészhelyzet esetére,
13:02
on the understanding that they will reduce the number of complications,
333
767000
2000
mert tudjuk, hogy csökkentik a komplikációk számát,
13:04
which means pneumonia and which means death.
334
769000
3000
ami alatt tüdőgyulladást értünk, ami alatt pedig halált.
13:07
The infectious diseases Cochrane Group, which are based in Italy,
335
772000
3000
Az olaszországi székhelyű, fertőző betegségekkel foglalkozó Cochrane Group
13:10
has been trying to get
336
775000
2000
próbálja megszerezni
13:12
the full data in a usable form out of the drug companies
337
777000
3000
az adatokat valamilyen használható formában a gyógyszergyáraktól,
13:15
so that they can make a full decision
338
780000
3000
azért, hogy pontosan el tudják dönteni
13:18
about whether this drug is effective or not,
339
783000
2000
a gyógyszerről, hatásos-e vagy sem,
13:20
and they've not been able to get that information.
340
785000
3000
de eddig képtelenek voltak hozzájutni ezekhez az információkhoz.
13:23
This is undoubtedly
341
788000
2000
Ez kétségtelenül
13:25
the single biggest ethical problem
342
790000
3000
a legnagyobb etikai probléma,
13:28
facing medicine today.
343
793000
2000
amivel a mai orvostudomány küzd.
13:30
We cannot make decisions
344
795000
3000
Nem tudunk döntéseket hozni
13:33
in the absence of all of the information.
345
798000
4000
az összes információ ismerete nélkül.
13:37
So it's a little bit difficult from there
346
802000
3000
Egy kicsit nehéz innen
13:40
to spin in some kind of positive conclusion.
347
805000
4000
valamilyen pozitív befejezésbe fordulni.
13:44
But I would say this:
348
809000
4000
De én a következőt mondanám:
13:48
I think that sunlight
349
813000
3000
Azt hiszem, hogy a napfény
13:51
is the best disinfectant.
350
816000
2000
a legjobb fertőtlenítő.
13:53
All of these things are happening in plain sight,
351
818000
3000
Mindezek a dolgok előttünk történnek,
13:56
and they're all protected
352
821000
2000
de védi őket
13:58
by a force field of tediousness.
353
823000
3000
az unalmasság erőtere.
14:01
And I think, with all of the problems in science,
354
826000
2000
Úgy gondolom, hogy a tudomány minden problémájával együtt,
14:03
one of the best things that we can do
355
828000
2000
az egyik legjobb dolog amit tehetünk,
14:05
is to lift up the lid,
356
830000
2000
hogy felnyitjuk a fedelet,
14:07
finger around in the mechanics and peer in.
357
832000
2000
megvizsgáljuk a mechanikát és belepillantunk a rendszerbe.
14:09
Thank you very much.
358
834000
2000
Nagyon szépen köszönöm.
14:11
(Applause)
359
836000
3000
(Taps)
ABOUT THE SPEAKER
Ben Goldacre - DebunkerBen Goldacre unpicks dodgy scientific claims made by scaremongering journalists, dubious government reports, pharmaceutical corporations, PR companies and quacks.
Why you should listen
"It was the MMR story that finally made me crack," begins the Bad Science manifesto, referring to the sensationalized -- and now-refuted -- link between vaccines and autism. With that sentence Ben Goldacre fired the starting shot of a crusade waged from the pages of The Guardian from 2003 to 2011, on an addicitve Twitter feed, and in bestselling books, including Bad Science and his latest, Bad Pharma, which puts the $600 billion global pharmaceutical industry under the microscope. What he reveals is a fascinating, terrifying mess.
Goldacre was trained in medicine at Oxford and London, and works as an academic in epidemiology. Helped along by this inexhaustible supply of material, he also travels the speaking circuit, promoting skepticism and nerdish curiosity with fire, wit, fast delivery and a lovable kind of exasperation. (He might even convince you that real science, sober reporting and reason are going to win in the end.)
As he writes, "If you're a journalist who misrepresents science for the sake of a headline, a politician more interested in spin than evidence, or an advertiser who loves pictures of molecules in little white coats, then beware: your days are numbered."
Ben Goldacre | Speaker | TED.com