TEDMED 2015
Russ Altman: What really happens when you mix medications?
Russ Altman: Mi történik, ha kombináljuk az orvosságokat?
Filmed:
Readability: 4.2
1,766,922 views
Ha eltérő okból két gyógyszert szedünk, kijózanító gondolatunk támadhat: talán orvosunk nem teljesen érti, mi történhet, ha kombinálja őket? A gyógyszerek kölcsönhatását ugyanis elképesztően nehéz tanulmányozni. Érdekes és világos előadásában Russ Altman bemutatja, hogyan tanulmányozzák az orvosok a gyógyszerek nem várt kölcsönhatásait egy meglepő forrás segítségével: keresőmotoros lekérdezéssel.
Russ Altman - Big data techno-optimist and internist
Russ Altman uses machine learning to better understand adverse effects of medication. Full bio
Russ Altman uses machine learning to better understand adverse effects of medication. Full bio
Double-click the English transcript below to play the video.
00:12
So you go to the doctor
and get some tests.
and get some tests.
0
811
3321
Felkeressük az orvosunkat,
s ő néhány laborvizsgálatot végez.
s ő néhány laborvizsgálatot végez.
00:16
The doctor determines
that you have high cholesterol
that you have high cholesterol
1
4674
2620
Megállapítja, hogy magas
a koleszterinszintünk.
a koleszterinszintünk.
00:19
and you would benefit
from medication to treat it.
from medication to treat it.
2
7318
3171
Jó lenne, ha erre gyógyszert szednénk.
00:22
So you get a pillbox.
3
10981
1556
Gyógyszert ír föl rá.
00:25
You have some confidence,
4
13505
1199
Bízunk benne,
00:26
your physician has some confidence
that this is going to work.
that this is going to work.
5
14728
2937
s orvosunk is bízik benne, hogy hatni fog.
A gyógyszerfejlesztő a kísérletei
eredményét beadta az engedélyező szervnek.
eredményét beadta az engedélyező szervnek.
00:29
The company that invented it did
a lot of studies, submitted it to the FDA.
a lot of studies, submitted it to the FDA.
6
17689
3553
00:33
They studied it very carefully,
skeptically, they approved it.
skeptically, they approved it.
7
21266
3107
A szerv alaposan tanulmányozta őket,
majd megadta az engedélyt.
majd megadta az engedélyt.
Nagyjából ismerik a szer
hatásmechanizmusát,
hatásmechanizmusát,
00:36
They have a rough idea of how it works,
8
24397
1889
00:38
they have a rough idea
of what the side effects are.
of what the side effects are.
9
26310
2453
kb. ismertek a mellékhatások.
00:40
It should be OK.
10
28787
1150
Jónak kell lennie.
00:42
You have a little more
of a conversation with your physician
of a conversation with your physician
11
30864
2818
Egy kicsit még beszélgetünk az orvossal,
00:45
and the physician is a little worried
because you've been blue,
because you've been blue,
12
33706
2963
a doki egy kicsit ideges, látja.
hogy le vagyok törve,
hogy le vagyok törve,
00:48
haven't felt like yourself,
13
36693
1293
pocsékul érzem magam,
00:50
you haven't been able to enjoy things
in life quite as much as you usually do.
in life quite as much as you usually do.
14
38010
3731
nem tudok úgy örülni az élet
dolgainak, ahogy szoktam.
dolgainak, ahogy szoktam.
00:53
Your physician says, "You know,
I think you have some depression.
I think you have some depression.
15
41765
3186
"Azt hiszem, maga egy kissé
levert – mondja a doki –
levert – mondja a doki –
00:57
I'm going to have to give
you another pill."
you another pill."
16
45792
2315
arra adok egy másik tablettát."
01:00
So now we're talking
about two medications.
about two medications.
17
48934
2483
Úgyhogy most már két gyógyszerről van szó.
01:03
This pill also -- millions
of people have taken it,
of people have taken it,
18
51441
3104
E milliók által szedett gyógyszerre is
elvégezték a kísérleteket,
elvégezték a kísérleteket,
01:06
the company did studies,
the FDA looked at it -- all good.
the FDA looked at it -- all good.
19
54569
3631
a hatóság engedélyezte – minden rendben.
01:10
Think things should go OK.
20
58823
2057
Ezzel rendben lesz.
01:12
Think things should go OK.
21
60904
2197
Ezzel is rendben lesz.
01:15
Well, wait a minute.
22
63125
1439
De várjunk csak!
01:16
How much have we studied
these two together?
these two together?
23
64588
3517
Mennyit vizsgálták a két szert együtt?
01:20
Well, it's very hard to do that.
24
68630
2300
Nos, ezt elég nehéz elvégezni.
01:22
In fact, it's not traditionally done.
25
70954
2130
Az a helyzet, hogy nem szokták.
01:25
We totally depend on what we call
"post-marketing surveillance,"
"post-marketing surveillance,"
26
73108
5518
Teljesen az ún. "forgalomba hozatalt
követő vizsgálat"-tól függünk
követő vizsgálat"-tól függünk
01:30
after the drugs hit the market.
27
78650
1880
a gyógyszerek piacra kerülése után.
01:32
How can we figure out
if bad things are happening
if bad things are happening
28
80996
2848
Hogyan deríthetjük ki, ha két szer
01:35
between two medications?
29
83868
1357
károsan hat egymásra?
01:37
Three? Five? Seven?
30
85249
2030
És ha három? Öt? Hét?
01:39
Ask your favorite person
who has several diagnoses
who has several diagnoses
31
87708
2415
Kérdezzék meg több betegségben szenvedő
01:42
how many medications they're on.
32
90147
1834
jó ismerősüket, hányfélét szed.
01:44
Why do I care about this problem?
33
92530
1580
Miért foglalkoztat ez a kérdés?
01:46
I care about it deeply.
34
94134
1157
Nagyon is foglalkoztat.
01:47
I'm an informatics and data science guy
and really, in my opinion,
and really, in my opinion,
35
95315
4304
Informatikus és adattudós vagyok,
és véleményem szerint
és véleményem szerint
01:51
the only hope -- only hope --
to understand these interactions
to understand these interactions
36
99643
3745
az egyetlen reményünk,
hogy megértsük a kölcsönhatásokat,
hogy megértsük a kölcsönhatásokat,
01:55
is to leverage lots
of different sources of data
of different sources of data
37
103412
3056
ha kihasználjuk a különféle adatforrásokat
01:58
in order to figure out
when drugs can be used together safely
when drugs can be used together safely
38
106492
3556
annak eldöntésére, mikor szedhetők
biztonsággal egyes gyógyszerek együtt,
biztonsággal egyes gyógyszerek együtt,
02:02
and when it's not so safe.
39
110072
1777
és mikor nem biztonságos.
02:04
So let me tell you a data science story.
40
112615
2051
Íme egy adatokkal kapcsolatos történet.
02:06
And it begins with my student Nick.
41
114690
2154
Nickkel, tanítványommal kezdődik.
02:08
Let's call him "Nick,"
because that's his name.
because that's his name.
42
116868
2380
Nevezzük Nicknek, mivel úgy hívják.
02:11
(Laughter)
43
119272
1592
(Nevetés)
02:12
Nick was a young student.
44
120888
1201
"Nick – szóltam
02:14
I said, "You know, Nick, we have
to understand how drugs work
to understand how drugs work
45
122113
3079
ifjú diákomhoz –, meg kellene
értenünk a gyógyszerek hatását:
értenünk a gyógyszerek hatását:
02:17
and how they work together
and how they work separately,
and how they work separately,
46
125216
2626
hogyan hatnak együtt, külön-külön.
02:19
and we don't have a great understanding.
47
127866
1922
Nem sokat tudunk róla."
De elérhetjük a hatóság, az FDA
óriási adatbázisát,
óriási adatbázisát,
02:21
But the FDA has made available
an amazing database.
an amazing database.
48
129812
2405
02:24
It's a database of adverse events.
49
132241
1699
ami a kedvezőtlen hatásokról szól.
02:26
They literally put on the web --
50
134321
1642
Gyakorlatilag a weben van,
02:27
publicly available, you could all
download it right now --
download it right now --
51
135987
3119
bárkinek hozzáférhető, letölthető róla
02:31
hundreds of thousands
of adverse event reports
of adverse event reports
52
139130
3627
kedvezőtlen hatásokról szóló
százezernyi jelentés,
százezernyi jelentés,
02:34
from patients, doctors,
companies, pharmacists.
companies, pharmacists.
53
142781
3760
ami betegektől, orvosoktól,
cégektől és gyógyszerészektől jött.
cégektől és gyógyszerészektől jött.
02:38
And these reports are pretty simple:
54
146565
1749
Nagyon egyszerű jelentések:
02:40
it has all the diseases
that the patient has,
that the patient has,
55
148338
2658
felsorolják, mi bajuk a betegeknek,
02:43
all the drugs that they're on,
56
151020
1767
milyen gyógyszereket szednek,
02:44
and all the adverse events,
or side effects, that they experience.
or side effects, that they experience.
57
152811
3818
minden tapasztalt kedvezőtlen
vagy mellékhatást.
vagy mellékhatást.
02:48
It is not all of the adverse events
that are occurring in America today,
that are occurring in America today,
58
156653
3436
Nem minden kedvezőtlen hatás
fordul elő ma az USA-ban,
fordul elő ma az USA-ban,
02:52
but it's hundreds and hundreds
of thousands of drugs.
of thousands of drugs.
59
160113
2578
de vagy százezernyi orvosságról írnak.
02:54
So I said to Nick,
60
162715
1299
Azt mondtam Nicknek:
02:56
"Let's think about glucose.
61
164038
1826
"Nézzük meg a glükózt, a szőlőcukrot!
02:57
Glucose is very important,
and we know it's involved with diabetes.
and we know it's involved with diabetes.
62
165888
3567
A glükóz nagyon fontos, és tudjuk róla,
hogy köze van a cukorbetegséghez.
hogy köze van a cukorbetegséghez.
03:01
Let's see if we can understand
glucose response.
glucose response.
63
169479
3970
Nézzük meg, megérthetjük-e
a szőlőcukor reakcióját!"
a szőlőcukor reakcióját!"
03:05
I sent Nick off. Nick came back.
64
173473
2458
Nick elment, aztán visszajött.
03:08
"Russ," he said,
65
176248
1786
"Russ, – mondta –
03:10
"I've created a classifier that can
look at the side effects of a drug
look at the side effects of a drug
66
178351
5112
egy mellékhatás alapján
osztályozó rendszert állítottam össze,
osztályozó rendszert állítottam össze,
03:15
based on looking at this database,
67
183487
2051
amely az adatbázist használva kimutatja,
03:17
and can tell you whether that drug
is likely to change glucose or not."
is likely to change glucose or not."
68
185562
4271
hogy egy orvosságtól
megváltozik-e a vércukorszint."
megváltozik-e a vércukorszint."
03:21
He did it. It was very simple, in a way.
69
189857
2016
Megcsinálta. Elég egyszerű volt.
03:23
He took all the drugs
that were known to change glucose
that were known to change glucose
70
191897
2635
Csoportosította a gyógyszereket aszerint,
03:26
and a bunch of drugs
that don't change glucose,
that don't change glucose,
71
194556
2389
hogy megváltoztatják-e
a vércukorszintet vagy sem,
a vércukorszintet vagy sem,
03:28
and said, "What's the difference
in their side effects?
in their side effects?
72
196969
2888
és föltette a kérdést:
"Miben különböznek a mellékhatásaik?
"Miben különböznek a mellékhatásaik?
03:31
Differences in fatigue? In appetite?
In urination habits?"
In urination habits?"
73
199881
4852
Kimerültség? Étvágy? Vizelési szokások?"
03:36
All those things conspired
to give him a really good predictor.
to give him a really good predictor.
74
204757
2960
E tényezők révén Nick tényleg
jó jelzőrendszert hozott létre.
jó jelzőrendszert hozott létre.
03:39
He said, "Russ, I can predict
with 93 percent accuracy
with 93 percent accuracy
75
207741
2548
"Russ, 93%-os pontossággal
előre tudom jelezni,
előre tudom jelezni,
hogy a szer módosítja-e a cukrot."
03:42
when a drug will change glucose."
76
210313
1572
"Nick, ez pompás!" – így én.
03:43
I said, "Nick, that's great."
77
211909
1416
03:45
He's a young student,
you have to build his confidence.
you have to build his confidence.
78
213349
2896
Zöldfülű diák, erősítsük
csak az önbizalmát!
csak az önbizalmát!
03:48
"But Nick, there's a problem.
79
216269
1390
"De Nick, az a bibi,
03:49
It's that every physician in the world
knows all the drugs that change glucose,
knows all the drugs that change glucose,
80
217683
3960
hogy minden orvos ismeri
a vércukorszintet befolyásoló szereket,
a vércukorszintet befolyásoló szereket,
03:53
because it's core to our practice.
81
221667
2038
mert ez szakmai kétszerkettő.
03:55
So it's great, good job,
but not really that interesting,
but not really that interesting,
82
223729
3722
Amit csináltál jó, de nem
lőnek vele nyulat,
lőnek vele nyulat,
03:59
definitely not publishable."
83
227475
1531
és biztosan nem publikálható."
04:01
(Laughter)
84
229030
1014
(Nevetés)
04:02
He said, "I know, Russ.
I thought you might say that."
I thought you might say that."
85
230068
2550
"Russ, tudom, sejtettem,
hogy ezt mondod" – felelte.
hogy ezt mondod" – felelte.
04:04
Nick is smart.
86
232642
1152
Nick éles eszű.
04:06
"I thought you might say that,
so I did one other experiment.
so I did one other experiment.
87
234149
2874
"Sejtettem, hogy ezt mondod,
így másik kutatást is végeztem.
így másik kutatást is végeztem.
04:09
I looked at people in this database
who were on two drugs,
who were on two drugs,
88
237047
2928
Az adatbázisban megnéztem azokat,
akik két gyógyszert szednek,
akik két gyógyszert szednek,
04:11
and I looked for signals similar,
glucose-changing signals,
glucose-changing signals,
89
239999
4422
és kerestem a vércukorszintjük
változására utaló jeleket
változására utaló jeleket
04:16
for people taking two drugs,
90
244445
1624
arra az esetre,
04:18
where each drug alone
did not change glucose,
did not change glucose,
91
246093
5569
amikor egy-egy gyógyszer
nem hatott a vércukorszintre,
nem hatott a vércukorszintre,
04:23
but together I saw a strong signal."
92
251686
2460
de kettő már igen.
04:26
And I said, "Oh! You're clever.
Good idea. Show me the list."
Good idea. Show me the list."
93
254170
3149
"Okos vagy, jó ötlet! Nézzük,
mire jutottál!" – mondtam.
mire jutottál!" – mondtam.
04:29
And there's a bunch of drugs,
not very exciting.
not very exciting.
94
257343
2254
A listán egy csomó
érdektelen gyógyszer van.
érdektelen gyógyszer van.
04:31
But what caught my eye
was, on the list there were two drugs:
was, on the list there were two drugs:
95
259621
3932
De a listán két orvosság
ötlött a szemembe:
ötlött a szemembe:
04:35
paroxetine, or Paxil, an antidepressant;
96
263577
3393
a paroxetin, egy antidepresszáns,
04:39
and pravastatin, or Pravachol,
a cholesterol medication.
a cholesterol medication.
97
267756
3570
és a pravasztatin,
egy koleszteringyógyszer.
egy koleszteringyógyszer.
04:43
And I said, "Huh. There are millions
of Americans on those two drugs."
of Americans on those two drugs."
98
271936
4283
Megjegyeztem: "Hűha, ezt a két szert
több millió amerikai szedi."
több millió amerikai szedi."
04:48
In fact, we learned later,
99
276243
1246
Később megtudtuk,
04:49
15 million Americans on paroxetine
at the time, 15 million on pravastatin,
at the time, 15 million on pravastatin,
100
277513
6032
hogy jelenleg 15-15 millióan szedik
a paroxetint, illetve a pravasztatint,
a paroxetint, illetve a pravasztatint,
04:55
and a million, we estimated, on both.
101
283569
2817
és sejthetően egymillióan mindkettőt.
04:58
So that's a million people
102
286767
1254
Tehát egymilliónyinak
05:00
who might be having some problems
with their glucose
with their glucose
103
288045
2453
lehet baja a vércukrával,
05:02
if this machine-learning mumbo jumbo
that he did in the FDA database
that he did in the FDA database
104
290522
3206
ha ezt a hatósági adatbázisból
gépi tanulás csiribirijével kinyert
gépi tanulás csiribirijével kinyert
05:05
actually holds up.
105
293752
1254
eredmények alátámasztják.
De azt mondtam: "Ez még nem publikálható,
05:07
But I said, "It's still not publishable,
106
295030
1927
05:08
because I love what you did
with the mumbo jumbo,
with the mumbo jumbo,
107
296981
2296
mert bár tetszik, amit hókuszpókuszoltál
05:11
with the machine learning,
108
299301
1246
a gépi tanulással,
05:12
but it's not really standard-of-proof
evidence that we have."
evidence that we have."
109
300571
3864
de ez nem megdönthetetlen bizonyíték."
05:17
So we have to do something else.
110
305618
1589
Valami mást kell csinálnunk.
05:19
Let's go into the Stanford
electronic medical record.
electronic medical record.
111
307231
2876
Menjünk bele a Stanford elektronikus
orvosi feljegyzéseibe.
orvosi feljegyzéseibe.
05:22
We have a copy of it
that's OK for research,
that's OK for research,
112
310131
2064
Megvan nekünk, kutatásra megfelel,
05:24
we removed identifying information.
113
312219
2046
és kiszedtük belőle az információt.
05:26
And I said, "Let's see if people
on these two drugs
on these two drugs
114
314581
2503
"Nézzük meg, hogy a mindkét
gyógyszert szedőknek
gyógyszert szedőknek
05:29
have problems with their glucose."
115
317108
1769
van-e bajuk a cukrukkal" – mondtam.
05:31
Now there are thousands
and thousands of people
and thousands of people
116
319242
2207
Több ezer beteg van
05:33
in the Stanford medical records
that take paroxetine and pravastatin.
that take paroxetine and pravastatin.
117
321473
3459
a Stanford adatbázisában,
akik paroxetint és pravasztatint szednek.
akik paroxetint és pravasztatint szednek.
05:36
But we needed special patients.
118
324956
1799
De nem minden páciens volt érdekes.
05:38
We needed patients who were on one of them
and had a glucose measurement,
and had a glucose measurement,
119
326779
4597
Olyanok kellettek, akik az egyiket
szedték, és mérték a vércukrukat,
szedték, és mérték a vércukrukat,
05:43
then got the second one and had
another glucose measurement,
another glucose measurement,
120
331400
3449
majd a másikat is kezdték szedni,
és akkor is mérték a vércukrukat,
és akkor is mérték a vércukrukat,
05:46
all within a reasonable period of time --
something like two months.
something like two months.
121
334873
3615
mindezt ésszerű időintervallumon,
mondjuk két hónapon belül.
mondjuk két hónapon belül.
05:50
And when we did that,
we found 10 patients.
we found 10 patients.
122
338512
3159
10 ilyen beteget találtunk.
05:54
However, eight out of the 10
had a bump in their glucose
had a bump in their glucose
123
342592
4538
A 10 közül nyolc betegnek
megnőtt a vércukorszintje,
megnőtt a vércukorszintje,
05:59
when they got the second P --
we call this P and P --
we call this P and P --
124
347154
2645
amikor szedni kezdte a másik P nevű szert,
06:01
when they got the second P.
125
349823
1310
– ezt hívjuk P + P-nek.
06:03
Either one could be first,
the second one comes up,
the second one comes up,
126
351157
2562
Mindegy melyikkel kezdi,
s mikor hozzáveszi a másikat,
s mikor hozzáveszi a másikat,
06:05
glucose went up
20 milligrams per deciliter.
20 milligrams per deciliter.
127
353743
2847
a vércukor 20 mg/dl értékkel fölszökik.
06:08
Just as a reminder,
128
356614
1158
Csak emlékeztetőül:
06:09
you walk around normally,
if you're not diabetic,
if you're not diabetic,
129
357796
2325
aki nem cukorbeteg, vidáman sétálgat
06:12
with a glucose of around 90.
130
360145
1359
kb. 90-es vércukorszinttel.
06:13
And if it gets up to 120, 125,
131
361528
2076
De ha 120-125-re felszökik, orvosa
06:15
your doctor begins to think
about a potential diagnosis of diabetes.
about a potential diagnosis of diabetes.
132
363628
3450
már cukorbetegséget gyanít.
06:19
So a 20 bump -- pretty significant.
133
367102
2991
Úgyhogy a 20-as növekedés jelentős.
06:22
I said, "Nick, this is very cool.
134
370601
1904
"Nick – mondtam –, ez frankó,
06:25
But, I'm sorry, we still
don't have a paper,
don't have a paper,
135
373616
2053
de ne haragudj, ez kevés a cikkhez,
06:27
because this is 10 patients
and -- give me a break --
and -- give me a break --
136
375693
2579
mert 10 beteg, ne is akard bemesélni,
06:30
it's not enough patients."
137
378296
1245
mintának 10 beteg kevés."
06:31
So we said, what can we do?
138
379565
1306
Akkor most mit tegyünk?
06:32
And we said, let's call our friends
at Harvard and Vanderbilt,
at Harvard and Vanderbilt,
139
380895
2976
Jó, hívjuk föl barátainkat
a Harvardon és a Vanderbilten,
a Harvardon és a Vanderbilten,
06:35
who also -- Harvard in Boston,
Vanderbilt in Nashville,
Vanderbilt in Nashville,
140
383895
2587
a Harvardnak Bostonban
és Vanderbiltnek Nashville-ben
és Vanderbiltnek Nashville-ben
06:38
who also have electronic
medical records similar to ours.
medical records similar to ours.
141
386506
2821
is van a miénkhez hasonló
elektronikus orvosi adatbázisa.
elektronikus orvosi adatbázisa.
06:41
Let's see if they can find
similar patients
similar patients
142
389351
2020
Találnak-e hasonló betegeket
06:43
with the one P, the other P,
the glucose measurements
the glucose measurements
143
391395
3276
az egyik és a másik P-vel
és mért vércukorszinttel
és mért vércukorszinttel
06:46
in that range that we need.
144
394695
1600
a nekünk kellő intervallumban.
06:48
God bless them, Vanderbilt
in one week found 40 such patients,
in one week found 40 such patients,
145
396787
4955
Az Isten áldja meg őket, a Vanderbilt
egy hét alatt talált 40 ilyen beteget.
egy hét alatt talált 40 ilyen beteget.
06:53
same trend.
146
401766
1189
A szabályszerűség azonos.
06:55
Harvard found 100 patients, same trend.
147
403804
3620
A Harvard 100 ilyet talált,
a szabályszerűség ugyanaz.
a szabályszerűség ugyanaz.
06:59
So at the end, we had 150 patients
from three diverse medical centers
from three diverse medical centers
148
407448
4281
Végül a három egészségügyi
intézményből volt 150 betegünk,
intézményből volt 150 betegünk,
07:03
that were telling us that patients
getting these two drugs
getting these two drugs
149
411753
3297
akik alátámasztották,
hogy a két gyógyszert szedők
hogy a két gyógyszert szedők
07:07
were having their glucose bump
somewhat significantly.
somewhat significantly.
150
415074
2703
vércukorszintje szignifikánsan felszökött.
07:10
More interestingly,
we had left out diabetics,
we had left out diabetics,
151
418317
2810
Kihagytuk a cukorbetegeket,
07:13
because diabetics already
have messed up glucose.
have messed up glucose.
152
421151
2317
mert az ő cukruk már
eleve nincs rendben.
eleve nincs rendben.
07:15
When we looked
at the glucose of diabetics,
at the glucose of diabetics,
153
423492
2238
Mikor a vércukrukat figyeltük,
07:17
it was going up 60 milligrams
per deciliter, not just 20.
per deciliter, not just 20.
154
425754
3435
nem 20, hanem 60 mg/dl-rel ugrott meg.
07:21
This was a big deal, and we said,
"We've got to publish this."
"We've got to publish this."
155
429760
3452
Nagy fogás volt, és a közzététel
mellett döntöttünk.
mellett döntöttünk.
07:25
We submitted the paper.
156
433236
1179
Benyújtottuk a cikket
07:26
It was all data evidence,
157
434439
2111
a bizonyító adatokkal,
07:28
data from the FDA, data from Stanford,
158
436574
2483
adatok a hatóságtól, a Stanford adatai,
07:31
data from Vanderbilt, data from Harvard.
159
439081
1946
a Vanderbilt és a Harvard adatai.
07:33
We had not done a single real experiment.
160
441051
2396
Egyetlen árva kísérletet sem végeztünk.
07:36
But we were nervous.
161
444495
1296
De idegesek voltunk,
07:38
So Nick, while the paper
was in review, went to the lab.
was in review, went to the lab.
162
446201
3730
ezért miközben a cikk lektoráláson volt,
Nick bement a laborba.
Nick bement a laborba.
07:41
We found somebody
who knew about lab stuff.
who knew about lab stuff.
163
449955
2462
Találtunk valakit, aki értett
a labormunkához.
a labormunkához.
07:44
I don't do that.
164
452441
1393
Én nem.
07:45
I take care of patients,
but I don't do pipettes.
but I don't do pipettes.
165
453858
2417
Betegeket ápolok,
de pipettákhoz nem értek.
de pipettákhoz nem értek.
07:49
They taught us how to feed mice drugs.
166
457420
3053
Kitanítottak minket, hogyan kell
gyógyszerezni az egereket.
gyógyszerezni az egereket.
07:52
We took mice and we gave them
one P, paroxetine.
one P, paroxetine.
167
460864
2414
Adtunk az egereknek paroxetint.
07:55
We gave some other mice pravastatin.
168
463302
2508
Más egereknek meg pravasztatint.
07:57
And we gave a third group
of mice both of them.
of mice both of them.
169
465834
3595
A harmadik egércsoportnak mindkettőt.
08:01
And lo and behold, glucose went up
20 to 60 milligrams per deciliter
20 to 60 milligrams per deciliter
170
469893
3946
És lám, az egerek vércukra decinként
08:05
in the mice.
171
473863
1171
20-60 mg-mal fölment.
08:07
So the paper was accepted
based on the informatics evidence alone,
based on the informatics evidence alone,
172
475058
3158
Az egyedül informatikai bizonyítékon
alapuló cikkünket elfogadták,
alapuló cikkünket elfogadták,
08:10
but we added a little note at the end,
173
478240
1894
de rövid megjegyzést fűztünk hozzá,
08:12
saying, oh by the way,
if you give these to mice, it goes up.
if you give these to mice, it goes up.
174
480158
2899
miszerint ha ezt adjuk az egereknek,
a vércukruk fölmegy.
a vércukruk fölmegy.
08:15
That was great, and the story
could have ended there.
could have ended there.
175
483081
2508
Ez pompás volt, és a mesém
itt véget is érhetne.
itt véget is érhetne.
08:17
But I still have six and a half minutes.
176
485613
1997
De még van hat és fél percem.
08:19
(Laughter)
177
487634
2807
(Nevetés)
08:22
So we were sitting around
thinking about all of this,
thinking about all of this,
178
490465
2815
Csak ültünk, és ezeken filóztunk,
08:25
and I don't remember who thought
of it, but somebody said,
of it, but somebody said,
179
493304
2735
nem tudom, melyikünknek jutott eszébe:
08:28
"I wonder if patients
who are taking these two drugs
who are taking these two drugs
180
496063
3201
"Vajon akik mindkét gyógyszert szedik,
08:31
are noticing side effects
of hyperglycemia.
of hyperglycemia.
181
499288
3553
észreveszik-e a magas
vércukorszint mellékhatásait?
vércukorszint mellékhatásait?
08:34
They could and they should.
182
502865
1496
Észrevehetik és kellene is.
08:36
How would we ever determine that?"
183
504761
1877
Hogyan határozhatnánk meg?"
08:39
We said, well, what do you do?
184
507551
1443
Mit szoktunk tenni?
08:41
You're taking a medication,
one new medication or two,
one new medication or two,
185
509018
2580
Kapunk egy-két új gyógyszert,
08:43
and you get a funny feeling.
186
511622
1538
aztán fura érzésünk támad.
08:45
What do you do?
187
513184
1151
Mit szoktunk tenni?
08:46
You go to Google
188
514359
1151
Guglizunk, beírjuk
08:47
and type in the two drugs you're taking
or the one drug you're taking,
or the one drug you're taking,
189
515534
3349
a két új gyógyszer nevét, vagy az egyikét
08:50
and you type in "side effects."
190
518907
1603
azzal, hogy "mellékhatás".
08:52
What are you experiencing?
191
520534
1356
Mit tapasztalunk?
08:54
So we said OK,
192
522239
1151
Jó, akkor kérjük el
08:55
let's ask Google if they will share
their search logs with us,
their search logs with us,
193
523414
3056
a Google-tól a keresések napló-fájljait,
08:58
so that we can look at the search logs
194
526494
1833
hogy végignézhessük őket:
09:00
and see if patients are doing
these kinds of searches.
these kinds of searches.
195
528351
2565
vajon a betegek keresnek-e ilyen infót?
09:02
Google, I am sorry to say,
denied our request.
denied our request.
196
530940
3275
Sajnos, a Google nem volt készséges.
09:06
So I was bummed.
197
534819
1151
Elkenődtem.
09:07
I was at a dinner with a colleague
who works at Microsoft Research
who works at Microsoft Research
198
535994
3166
Vacsoráztunk egy Microsoft Researchnél
dolgozó munkatársammal.
dolgozó munkatársammal.
09:11
and I said, "We wanted to do this study,
199
539184
1941
"Meg kéne csinálni a kutatást, a Google
09:13
Google said no, it's kind of a bummer."
200
541149
1880
nemet mondott, le vagyok törve."
09:15
He said, "Well, we have
the Bing searches."
the Bing searches."
201
543053
2086
Erre ő: "Ott a Bing keresőnk."
09:18
(Laughter)
202
546195
3483
(Nevetés)
09:22
Yeah.
203
550805
1267
Eeegen.
09:24
That's great.
204
552096
1151
Ez nagyszerű.
09:25
Now I felt like I was --
205
553271
1151
Úgy éreztem magam...
09:26
(Laughter)
206
554446
1000
(Nevetés)
09:27
I felt like I was talking to Nick again.
207
555470
2412
... mintha megint Nickkel beszélnék.
09:30
He works for one of the largest
companies in the world,
companies in the world,
208
558437
2624
A világ egyik legnagyobb cégénél dolgozik,
09:33
and I'm already trying
to make him feel better.
to make him feel better.
209
561085
2206
és én már épp készültem leápolni,
09:35
But he said, "No, Russ --
you might not understand.
you might not understand.
210
563315
2445
de ő így szólt: "Russ,
bizonyára félreértesz.
bizonyára félreértesz.
09:37
We not only have Bing searches,
211
565784
1500
Nemcsak a Bing keresőnk van,
09:39
but if you use Internet Explorer
to do searches at Google,
to do searches at Google,
212
567308
3340
de az Internet Explorer látja,
amit Google-lal,
amit Google-lal,
09:42
Yahoo, Bing, any ...
213
570672
1891
Yahooval, Binggel, bármivel keresnek.
09:44
Then, for 18 months, we keep that data
for research purposes only."
for research purposes only."
214
572587
3643
Másfél évig tároljuk azokat az adatokat,
kizárólag kutatási célból."
kizárólag kutatási célból."
09:48
I said, "Now you're talking!"
215
576254
1936
Erre azt mondtam: "Ez már döfi!"
09:50
This was Eric Horvitz,
my friend at Microsoft.
my friend at Microsoft.
216
578214
2198
A fiú Eric Horvitz volt,
a microsoftos cimbim.
a microsoftos cimbim.
09:52
So we did a study
217
580436
1695
Megcsináltuk a kutatást,
09:54
where we defined 50 words
that a regular person might type in
that a regular person might type in
218
582155
4619
kiválasztottunk 50 szót,
amit egy átlagos személy begépel,
amit egy átlagos személy begépel,
09:58
if they're having hyperglycemia,
219
586798
1602
ha magas a vércukorszintje,
10:00
like "fatigue," "loss of appetite,"
"urinating a lot," "peeing a lot" --
"urinating a lot," "peeing a lot" --
220
588424
4762
pl. kimerültség, étvágytalanság,
gyakori vizelés, már elnézést,
gyakori vizelés, már elnézést,
10:05
forgive me, but that's one
of the things you might type in.
of the things you might type in.
221
593210
2767
de ilyeneket szoktak beírni.
10:08
So we had 50 phrases
that we called the "diabetes words."
that we called the "diabetes words."
222
596001
2790
50 kifejezést, ún. cukorbaj
szavakat találtunk.
szavakat találtunk.
10:10
And we did first a baseline.
223
598815
2063
Először meghatároztuk a bázist.
10:12
And it turns out
that about .5 to one percent
that about .5 to one percent
224
600902
2704
Kiderült, hogy az internetes
keresések 0,5–1%-ában
keresések 0,5–1%-ában
10:15
of all searches on the Internet
involve one of those words.
involve one of those words.
225
603630
2982
e szavak egyike fordul elő.
10:18
So that's our baseline rate.
226
606636
1742
Ez a mi százalékos arányunk.
10:20
If people type in "paroxetine"
or "Paxil" -- those are synonyms --
or "Paxil" -- those are synonyms --
227
608402
4143
Ha valaki beírja a paroxetint
vagy a Paxilt – ezek szinonimák –
vagy a Paxilt – ezek szinonimák –
10:24
and one of those words,
228
612569
1215
valamelyiket közülük,
10:25
the rate goes up to about two percent
of diabetes-type words,
of diabetes-type words,
229
613808
4890
az arány a cukorbaj szavak
2%-áig megy föl,
2%-áig megy föl,
10:30
if you already know
that there's that "paroxetine" word.
that there's that "paroxetine" word.
230
618722
3044
ha már tudjuk, hogy létezik
a paroxetin szó.
a paroxetin szó.
10:34
If it's "pravastatin," the rate goes up
to about three percent from the baseline.
to about three percent from the baseline.
231
622191
4547
A pravasztatin esetén az arány
a bázishoz képest 3%-kal nő.
a bázishoz képest 3%-kal nő.
10:39
If both "paroxetine" and "pravastatin"
are present in the query,
are present in the query,
232
627171
4390
Ha mindkét szóra egyszerre rákerestek,
10:43
it goes up to 10 percent,
233
631585
1669
az arány 10%-kal nőtt,
10:45
a huge three- to four-fold increase
234
633278
3461
ez jó 3-4-szeres növekedés
10:48
in those searches with the two drugs
that we were interested in,
that we were interested in,
235
636763
3389
a bennünket érdeklő két gyógyszerre
történt rákereséseknél
történt rákereséseknél
10:52
and diabetes-type words
or hyperglycemia-type words.
or hyperglycemia-type words.
236
640176
3566
és a cukorbaj szavaknál
vagy a magas vércukor típusú szavaknál.
vagy a magas vércukor típusú szavaknál.
Publikáltuk az eredményeket,
10:56
We published this,
237
644216
1265
10:57
and it got some attention.
238
645505
1466
és némi figyelmet keltettek.
10:58
The reason it deserves attention
239
646995
1778
Azért érdemelnek figyelmet,
11:00
is that patients are telling us
their side effects indirectly
their side effects indirectly
240
648797
4312
mert a betegek közvetve,
keresésükkel adják meg
keresésükkel adják meg
11:05
through their searches.
241
653133
1156
a mellékhatásokat.
11:06
We brought this
to the attention of the FDA.
to the attention of the FDA.
242
654313
2138
Felhívtuk rá a hatóság figyelmét,
11:08
They were interested.
243
656475
1269
érdekelte őket.
11:09
They have set up social media
surveillance programs
surveillance programs
244
657768
3606
Indítottak egy közösségimédia-figyelő
programot
programot
11:13
to collaborate with Microsoft,
245
661398
1751
a Microsofttal együttműködve,
11:15
which had a nice infrastructure
for doing this, and others,
for doing this, and others,
246
663173
2794
amelynek megvolt az infrastruktúrája,
11:17
to look at Twitter feeds,
247
665991
1282
hogy rálásson a Twitterre,
11:19
to look at Facebook feeds,
248
667297
1716
a Facebookra,
11:21
to look at search logs,
249
669037
1311
a keresések naplófájljaira,
11:22
to try to see early signs that drugs,
either individually or together,
either individually or together,
250
670372
4909
s így korán rábukkanjon, ha egy gyógyszer
akár magában vagy másikkal együtt
akár magában vagy másikkal együtt
11:27
are causing problems.
251
675305
1589
bajt okoz.
11:28
What do I take from this?
Why tell this story?
Why tell this story?
252
676918
2174
Mi szűrhető le ebből? Miért mondom ezt el?
11:31
Well, first of all,
253
679116
1207
Először, mert a big data
11:32
we have now the promise
of big data and medium-sized data
of big data and medium-sized data
254
680347
4037
és a közepes méretű adat azt ígéri,
11:36
to help us understand drug interactions
255
684408
2918
hogy segítségével megérthetjük
a gyógyszerek kölcsönhatását
a gyógyszerek kölcsönhatását
11:39
and really, fundamentally, drug actions.
256
687350
2420
és a gyógyszerek alapvető
hatásmechanizmusát.
hatásmechanizmusát.
11:41
How do drugs work?
257
689794
1413
Hogyan hatnak az orvosságok?
11:43
This will create and has created
a new ecosystem
a new ecosystem
258
691231
2836
Ez új ökorendszert hoz létre,
de már létre is hozott
de már létre is hozott
11:46
for understanding how drugs work
and to optimize their use.
and to optimize their use.
259
694091
3267
a gyógyszerek hatásának megértéséhez
s alkalmazásuk optimalizálásához.
s alkalmazásuk optimalizálásához.
11:50
Nick went on; he's a professor
at Columbia now.
at Columbia now.
260
698303
2659
Nick folytatta: most tanár a Columbián.
11:52
He did this in his PhD
for hundreds of pairs of drugs.
for hundreds of pairs of drugs.
261
700986
4072
PhD-jában több száz gyógyszerpárt
vizsgált.
vizsgált.
Több nagyon lényeges kölcsönhatást talált,
11:57
He found several
very important interactions,
very important interactions,
262
705082
2517
11:59
and so we replicated this
263
707623
1214
vizsgálatait ismételtük.
12:00
and we showed that this
is a way that really works
is a way that really works
264
708861
2574
Kimutattuk, hogy ez a módszer hatékony
12:03
for finding drug-drug interactions.
265
711459
2339
a gyógyszerek kölcsönhatásának
kimutatására.
kimutatására.
12:06
However, there's a couple of things.
266
714282
1734
De ez még nem minden.
12:08
We don't just use pairs
of drugs at a time.
of drugs at a time.
267
716040
3046
A módszer nemcsak
gyógyszerpárokra alkalmazható.
gyógyszerpárokra alkalmazható.
12:11
As I said before, there are patients
on three, five, seven, nine drugs.
on three, five, seven, nine drugs.
268
719110
4469
Már mondtam, hogy egyes betegek
3, 5, 7, 9 féle gyógyszer szednek.
3, 5, 7, 9 féle gyógyszer szednek.
12:15
Have they been studied with respect
to their nine-way interaction?
to their nine-way interaction?
269
723981
3642
Kutatta-e valaki
a 9 gyógyszer kölcsönhatását?
a 9 gyógyszer kölcsönhatását?
12:19
Yes, we can do pair-wise,
A and B, A and C, A and D,
A and B, A and C, A and D,
270
727647
4208
Párosával megy: A+B, A+C, A+D,
12:23
but what about A, B, C,
D, E, F, G all together,
D, E, F, G all together,
271
731879
4286
de mi a helyzet az A, B, C,
D, E, F, G együttese esetén,
D, E, F, G együttese esetén,
12:28
being taken by the same patient,
272
736189
1762
ha a beteg mindegyiket szedi?
12:29
perhaps interacting with each other
273
737975
2118
Talán úgy lépnek
kölcsönhatásra egymással,
kölcsönhatásra egymással,
12:32
in ways that either makes them
more effective or less effective
more effective or less effective
274
740117
3778
hogy egymás hatását
erősítik vagy gyengítik,
erősítik vagy gyengítik,
12:35
or causes side effects
that are unexpected?
that are unexpected?
275
743919
2332
vagy nem várt mellékhatásokat okoznak?
12:38
We really have no idea.
276
746275
1827
Fogalmunk sincs.
12:40
It's a blue sky, open field
for us to use data
for us to use data
277
748126
3756
Egyelőre fehér folt, amelyet adatok
segítségével föltárhatunk,
segítségével föltárhatunk,
12:43
to try to understand
the interaction of drugs.
the interaction of drugs.
278
751906
2502
hogy a gyógyszerek
kölcsönhatását megértsük.
kölcsönhatását megértsük.
12:46
Two more lessons:
279
754848
1370
Még két tanulság.
12:48
I want you to think about the power
that we were able to generate
that we were able to generate
280
756242
4199
Gondoljanak bele, micsoda energia
keletkezett a betegek adataiból,
keletkezett a betegek adataiból,
12:52
with the data from people who had
volunteered their adverse reactions
volunteered their adverse reactions
281
760465
4711
akik önként közölték panaszaikat
12:57
through their pharmacists,
through themselves, through their doctors,
through themselves, through their doctors,
282
765200
3269
patikusukon, orvosukon keresztül
vagy közvetlenül,
vagy közvetlenül,
13:00
the people who allowed the databases
at Stanford, Harvard, Vanderbilt,
at Stanford, Harvard, Vanderbilt,
283
768493
3667
azokból, akik a Stanfordon, Harvardon,
Vanderbilten kutatási célból
Vanderbilten kutatási célból
13:04
to be used for research.
284
772184
1427
átengedték az adatbázisukat.
Az emberek idegesek adataik miatt.
13:05
People are worried about data.
285
773929
1445
13:07
They're worried about their privacy
and security -- they should be.
and security -- they should be.
286
775398
3187
Féltik a magánéletüket, a biztonságukat,
– és jól is teszik.
– és jól is teszik.
Biztonságos rendszerek kellenek.
13:10
We need secure systems.
287
778609
1151
13:11
But we can't have a system
that closes that data off,
that closes that data off,
288
779784
3406
De nem olyanok,
amelyek kizárják az adatokat,
amelyek kizárják az adatokat,
13:15
because it is too rich of a source
289
783214
2752
mert ezek gazdag forrást képeznek
13:17
of inspiration, innovation and discovery
290
785990
3971
az orvoslás új gondolataihoz, újításaihoz
13:21
for new things in medicine.
291
789985
1578
és fölfedezéseihez.
13:24
And the final thing I want to say is,
292
792494
1794
Végezetül hangsúlyozom,
13:26
in this case we found two drugs
and it was a little bit of a sad story.
and it was a little bit of a sad story.
293
794312
3357
hogy mi két szert találtunk, s ez csak
e szomorú történet egy szelete.
e szomorú történet egy szelete.
13:29
The two drugs actually caused problems.
294
797693
1921
A két gyógyszer bajt okozott,
13:31
They increased glucose.
295
799638
1475
növelték a vércukrot.
13:33
They could throw somebody into diabetes
296
801137
2446
Cukorbetegséget okozhatnak valakinél,
13:35
who would otherwise not be in diabetes,
297
803607
2294
aki különben nem kapná el a cukorbajt.
13:37
and so you would want to use
the two drugs very carefully together,
the two drugs very carefully together,
298
805925
3175
Szeretnénk nagyon óvatosan
szedni együtt a két gyógyszert,
szedni együtt a két gyógyszert,
13:41
perhaps not together,
299
809124
1151
vagy együtt talán nem,
13:42
make different choices
when you're prescribing.
when you're prescribing.
300
810299
2340
dönteni szeretnénk, ha már fölírják őket.
13:44
But there was another possibility.
301
812663
1846
Ám volt más lehetőségünk is.
13:46
We could have found
two drugs or three drugs
two drugs or three drugs
302
814533
2344
Találhattunk volna 2-3 gyógyszert,
13:48
that were interacting in a beneficial way.
303
816901
2261
amelyek előnyösen hatnak egymásra.
13:51
We could have found new effects of drugs
304
819616
2712
Találhattunk volna új gyógyhatásokat,
13:54
that neither of them has alone,
305
822352
2160
amelyet külön-külön egyikük sem mutat föl,
13:56
but together, instead
of causing a side effect,
of causing a side effect,
306
824536
2493
de együttesen, mellékhatások helyett,
13:59
they could be a new and novel treatment
307
827053
2425
új, szokatlan gyógymódot nyújthatnak
14:01
for diseases that don't have treatments
308
829502
1882
a kezelhetetlen betegségekre,
14:03
or where the treatments are not effective.
309
831408
2007
vagy azokra, amiknél a kezelés hatástalan.
14:05
If we think about drug treatment today,
310
833439
2395
Ha a gyógyszeres kezeléseket nézzük,
14:07
all the major breakthroughs --
311
835858
1752
minden nagy áttörés,
14:09
for HIV, for tuberculosis,
for depression, for diabetes --
for depression, for diabetes --
312
837634
4297
pl. a HIV, TBC, depresszió, cukorbaj,
14:13
it's always a cocktail of drugs.
313
841955
2830
gyógyszerek kombinációjával történik.
14:16
And so the upside here,
314
844809
1730
A módszer ígéretes,
14:18
and the subject for a different
TED Talk on a different day,
TED Talk on a different day,
315
846563
2849
és a különböző TED előadások tárgya az,
14:21
is how can we use the same data sources
316
849436
2593
hogy miként használhatjuk ki
az adatforrásokat arra,
az adatforrásokat arra,
14:24
to find good effects
of drugs in combination
of drugs in combination
317
852053
3563
hogy jó hatásokat találjunk
orvosságok kombinálásakor,
orvosságok kombinálásakor,
14:27
that will provide us new treatments,
318
855640
2175
és ez új kezelésekhez vezet,
jobban megértjük a gyógyszerek hatását,
14:29
new insights into how drugs work
319
857839
1852
14:31
and enable us to take care
of our patients even better?
of our patients even better?
320
859715
3786
és így még jobban kezelhetjük betegeinket.
14:35
Thank you very much.
321
863525
1166
Köszönöm szépen.
14:36
(Applause)
322
864715
3499
(Taps)
ABOUT THE SPEAKER
Russ Altman - Big data techno-optimist and internistRuss Altman uses machine learning to better understand adverse effects of medication.
Why you should listen
Professor of bioengineering, genetics, medicine and computer science at Stanford University, Russ Altman's primary research interests are in the application of computing and informatics technologies to problems relevant to medicine. He is particularly interested in methods for understanding drug actions at molecular, cellular, organism and population levels, including how genetic variation impacts drug response.
Altman received the U.S. Presidential Early Career Award for Scientists and Engineers, a National Science Foundation CAREER Award and Stanford Medical School's graduate teaching award. He has chaired the Science Board advising the FDA Commissioner and currently serves on the NIH Director’s Advisory Committee. He is a clinically active internist, the founder of the PharmGKB knowledge base, and advisor to pharmacogenomics companies.
Russ Altman | Speaker | TED.com