TEDMED 2010
Thomas Goetz: It's time to redesign medical data
โทมัส โกเอทซ์ : ถึงเวลาเปลี่ยนวิธีนำเสนอข้อมูลทางการแพทย์แล้ว
Filmed:
Readability: 3.5
587,895 views
เป็นเรื่องยากมากที่จะเข้าถึงข้อมูลทางการแพทย์ของคุณเอง และยังเป็นเรื่องที่ยากมากที่จะอ่านและทำความเข้าใจข้อมูลทั้งหมด ทั้งๆที่ข้อมูลเหล่านี้ สามารถช่วยให้คุณมีสุขภาพที่ดีขึ้นถ้ารู้จักวิธีใช้ประโยชน์จากมัน โทมัส โกเอทซ์จะแสดงให้เห็น การเปลี่ยนวิธีการนำเสนอข้อมูลทางการแพทย์เหล่านั้น เพื่อให้ทุกคนเกิดความเข้าใจจากมันได้มากขึ้น
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
ผมจะมาพูดให้ทุกคนฟัง
00:17
about how we can tap
1
2000
2000
เกี่ยวกับเรื่องว่าเรา
00:19
a really underutilized resource in health care,
2
4000
2000
ไม่ได้ใช้ประโยชน์เต็มๆจากข้อมูลทางด้านสุขภาพ
00:21
which is the patient,
3
6000
2000
ซึ่งเราในที่นี้คือผู้ป่วย
00:23
or, as I like to use the scientific term,
4
8000
3000
หรือ--ที่ผมชอบใช้ศัพท์ทางวิทยาศาสตร์ว่า--
00:26
people.
5
11000
2000
ประชาชน
00:28
Because we are all patients, we are all people.
6
13000
2000
เพราะว่าทุกคนก็คือผู้ป่วย ทุกคนก็คือประชาชน
00:30
Even doctors are patients at some point.
7
15000
2000
แม้แต่แพทย์เองบางครั้งก็ยังกลายมาเป็นผู้ป่วย
00:32
So I want to talk about that
8
17000
2000
ดังนั้นผมจึงอยากจะพูดเกี่ยวกับเรื่องนี้
00:34
as an opportunity
9
19000
2000
ในแง่ที่ว่ามันเป็นโอกาส
00:36
that we really have failed to engage with very well in this country
10
21000
3000
ซึ่งจริงๆแล้วถือประเทศเราล้มเหลวในเรื่องการใช้ประโยชน์จากข้อมูลเหล่านี้
00:39
and, in fact, worldwide.
11
24000
2000
พูดกันจริงๆแล้ว ถือว่าล้มเหลวกันทั่วโลกเลย
00:41
If you want to get at the big part --
12
26000
2000
ถ้าคุณอยากจะเข้าใจในภาพใหญ่--
00:43
I mean from a public health level, where my training is --
13
28000
3000
ซึ่งผมหมายถึงงานสาธารณสุข สาขาของผม
00:46
you're looking at behavioral issues.
14
31000
2000
เรามองถึงเรื่องปัญหาทางพฤติกรรม
00:48
You're looking at things where people are actually given information,
15
33000
3000
เรากำลังมองว่าแท้จริงแล้วประชาชนได้รับข้อมูลอะไร
00:51
and they're not following through with it.
16
36000
2000
และทำไมพวกเขาไม่สามารถทำตามข้อมูลนั้นได้ทั้งหมด
00:53
It's a problem that manifests itself in diabetes,
17
38000
4000
ปัญหานี้เราเห็นได้จากโรคเบาหวาน
00:57
obesity, many forms of heart disease,
18
42000
2000
โรคอ้วนและโรคหลอดเลือดหัวใจต่างๆ
00:59
even some forms of cancer -- when you think of smoking.
19
44000
3000
หรือแม้แต่โรคมะเร็ง เมื่อเรานึกถึงการสูบบุหรี่
01:02
Those are all behaviors where people know what they're supposed to do.
20
47000
3000
พฤติกรรมต่างๆที่เราก็รู้กันอยู่แล้วว่าเราควรจะทำอะไร
01:05
They know what they're supposed to be doing,
21
50000
2000
เรารู้ว่าเราควรจะทำอะไร
01:07
but they're not doing it.
22
52000
2000
แต่เราก็ยังไม่ทำอยู่ดี
01:09
Now behavior change is something
23
54000
2000
การปรับเปลี่ยนพฤติกรรมเป็นอะไรที่--
01:11
that is a long-standing problem in medicine.
24
56000
2000
มีมานานแล้วในทางการแพทย์
01:13
It goes all the way back to Aristotle.
25
58000
2000
ย้อนนานไปจนถึงยุคของอริสโตเติล
01:15
And doctors hate it, right?
26
60000
2000
และพวกแพทย์ก็ไม่ชอบเลย ใช่ไหมครับ
01:17
I mean, they complain about it all the time.
27
62000
2000
พวกแพทย์ก็บ่นกันตลอดเวลา
01:19
We talk about it in terms of engagement, or non-compliance.
28
64000
3000
เมื่อเราพูดถึงเรื่องของให้ความมีส่วนร่วม หรือการไม่ให้ความร่วมมือในการรักษา
01:22
When people don't take their pills,
29
67000
2000
เมื่อพูดถึงที่คนไม่กินยาที่ได้รับ
01:24
when people don't follow doctors' orders --
30
69000
2000
เมื่อพวกเราไม่ทำตามคำสั่งของแพทย์
01:26
these are behavior problems.
31
71000
2000
ซึ่งล้วนเป็นปัญหาทางด้านพฤติกรรม
01:28
But for as much as clinical medicine
32
73000
2000
แต่ไม่ว่าการแพทย์จะบ่นเรื่อง
01:30
agonizes over behavior change,
33
75000
2000
เกี่ยวกับการปรับเปลี่ยนพฤติกรรม
01:32
there's not a lot of work done
34
77000
2000
แต่ไม่ได้ความก้าวหน้าทางนี้มากนัก
01:34
in terms of trying to fix that problem.
35
79000
3000
ในเรื่องของการพยายามจะแก้ปัญหา
01:37
So the crux of it
36
82000
2000
ดังนั้นเรื่องสำคัญก็คือ
01:39
comes down to this notion of decision-making --
37
84000
2000
กลับมาให้ความสำคัญกับการตัดสินใจ--
01:41
giving information to people in a form
38
86000
2000
การให้ข้อมูลแก่ประชาชนในรูปแบบใหม่
01:43
that doesn't just educate them
39
88000
2000
ซึ่งไม่ใช่แค่การให้ความรู้กับพวกเขา
01:45
or inform them,
40
90000
2000
หรือแค่ให้ข้อมูล
01:47
but actually leads them to make better decisions,
41
92000
2000
แต่ควรให้ข้อมูลที่จะนำไปสู่การตัดสินใจได้ดีขึ้น
01:49
better choices in their lives.
42
94000
2000
ทางเลือกที่ดีขึ้นสำหรับชีวิตของพวกเขา
01:51
One part of medicine, though,
43
96000
2000
มีสาขาทางการแพทย์หนึ่ง
01:53
has faced the problem of behavior change pretty well,
44
98000
4000
ซึ่งแก้ปัญหาการปรับเปลี่ยนพฤติกรรมได้ดี
01:57
and that's dentistry.
45
102000
2000
และนั่นก็คือทันตกรรม
01:59
Dentistry might seem -- and I think it is --
46
104000
2000
ทันตกรรมอาจจะดูเหมือน--ผมคิดว่าดูเหมือนนะ
02:01
many dentists would have to acknowledge
47
106000
2000
ว่าทันตแพทย์จะต้องยอมรับนะว่า
02:03
it's somewhat of a mundane backwater of medicine.
48
108000
2000
ไม่ได้มีอะไรพิเศษในแผนกทันตกรรม
02:05
Not a lot of cool, sexy stuff happening in dentistry.
49
110000
3000
ไม่ได้มีอะไรที่ดูเจริญหูเจริญตาในแผนกทันตกรรมเลย
02:08
But they have really taken this problem of behavior change
50
113000
3000
แต่พวกเขาก็มีปัญหาเกี่ยวกับการเปลี่ยนพฤติกรรม
02:11
and solved it.
51
116000
2000
และสามารถแก้ปัญหาได้
02:13
It's the one great preventive health success
52
118000
2000
ซึ่งเป็นวิธีป้องกันกับเกี่ยวกับสุขภาพที่ประสบความสำเร็จอันหนึ่ง
02:15
we have in our health care system.
53
120000
2000
ในระบบสุขภาพของเรา
02:17
People brush and floss their teeth.
54
122000
2000
นั่นคือการแปรงฟันและใช้ไหมขัดฟัน
02:19
They don't do it as much as they should, but they do it.
55
124000
3000
พวกเราไม่ได้พยายามทำมันให้มากเท่าที่ควรจะทำ แต่ก็ยังทำอยู่
02:22
So I'm going to talk about one experiment
56
127000
2000
ผมจะพูดถึงเรื่องการทดลองอันหนึ่ง
02:24
that a few dentists in Connecticut
57
129000
2000
ซึ่งเกิดจากกลุ่มทันตแพทย์ในคอนเนคติคัต
02:26
cooked up about 30 years ago.
58
131000
2000
เกิดขึ้นเมื่อประมาณ 30ปีที่ผ่านมา
02:28
So this is an old experiment, but it's a really good one,
59
133000
2000
ดังนั้นจึงเป็นการทดลองที่ค่อนข้างเก่า แต่เป็นตัวอย่างที่ดีอันหนึ่ง
02:30
because it was very simple,
60
135000
2000
เพราะว่ามันเป็นอะไรที่ง่ายๆ
02:32
so it's an easy story to tell.
61
137000
2000
และเป็นเรื่องที่สามารถมาเล่าสู่กันฟังได้อย่างง่ายๆ
02:34
So these Connecticut dentists decided
62
139000
2000
ทันตแพทย์ในคอนเนติคัตกลุ่มนี้ได้ตัดสินใจว่า
02:36
that they wanted to get people to brush their teeth and floss their teeth more often,
63
141000
3000
พวกเขาอยากให้ประชาชนหันมาแปรงฟันและใช้ไหมขัดฟันกันให้มากขึ้น
02:39
and they were going to use one variable:
64
144000
2000
พวกเขาจะใช้ตัวแปรหนึ่งในการทดลองนี้ ซึ่งคือ:
02:41
they wanted to scare them.
65
146000
2000
การทำให้ประชาชนรู้สึกกลัว
02:43
They wanted to tell them how bad it would be
66
148000
3000
พวกเขาต้องการจะทำให้ประชาชนรู้ว่ามันแย่แค่ไหน
02:46
if they didn't brush and floss their teeth.
67
151000
2000
ถ้าไม่แปรงฟันหรือใช้ไหมขัดฟัน
02:48
They had a big patient population.
68
153000
3000
เขาได้ทดลองในผู้ป่วยกลุ่มใหญ่
02:51
They divided them up into two groups.
69
156000
2000
โดยแบ่งออกเป็นผู้ป่วยเป็นสองกลุ่ม
02:53
They had a low-fear population,
70
158000
2000
กลุ่มแรกคือกลุ่มที่มีความกลัวน้อย
02:55
where they basically gave them a 13-minute presentation,
71
160000
2000
ซึ่งกลุ่มนี้จะถูกจัดให้ดูการนำเสนอทั้งหมด 13 นาที
02:57
all based in science,
72
162000
2000
ซึ่งล้วนแล้วแต่เป็นเรื่องทางวิทยาศาสตร์
02:59
but told them that, if you didn't brush and floss your teeth,
73
164000
3000
แต่จะสื่อสารกับกลุ่มนี้ว่า ถ้าพวกเขาไม่แปรงฟันและใช้ไหมขัดฟันแล้ว
03:02
you could get gum disease. If you get gum disease, you will lose your teeth,
74
167000
3000
พวกเขาอาจจะเกิดโรคเหงือก และถ้าเป็นโรคเหงือก พวกเขาก็จะเสียฟันไป
03:05
but you'll get dentures, and it won't be that bad.
75
170000
2000
แต่ก็จะได้ใช้ฟันปลอม ซึ่งก็อาจจะไม่เลวร้ายขนาดนั้นก็ได้
03:07
So that was the low-fear group.
76
172000
2000
นั่นเป็นกลุ่มที่มีความกลัวน้อย
03:09
The high-fear group, they laid it on really thick.
77
174000
3000
ส่วนกลุ่มที่มีความกลัวมาก เขาจะเข้มงวดมากกว่า
03:12
They showed bloody gums.
78
177000
2000
จะโชว์ให้เห็นรูปเหงือกที่เต็มไปด้วยเลือด
03:14
They showed puss oozing out from between their teeth.
79
179000
3000
โชว์รูปเลือดไหลซึมออกมาระหว่างฟัน
03:17
They told them that their teeth were going to fall out.
80
182000
2000
บอกว่าถ้าไม่ดูแลฟันให้ดีท้ายที่สุดฟันจะร่วงหมด
03:19
They said that they could have infections
81
184000
2000
เขาบอกกลุ่มนี้ว่าอาจเกิดการติดเชื้อได้
03:21
that would spread from their jaws to other parts of their bodies,
82
186000
3000
เชื้อนี้อาจจะกระจายจากขากรรไกรไปยังทั่วร่างกายได้
03:24
and ultimately, yes, they would lose their teeth.
83
189000
2000
และท้ายที่สุด พวกเขาก็ต้องเสียฟันไป
03:26
They would get dentures, and if you got dentures,
84
191000
2000
พวกเขาต้องใช้ฟันปลอม และถ้าพวกเขาต้องใช้ฟันปลอม
03:28
you weren't going to be able to eat corn-on-the-cob,
85
193000
2000
เขาก็จะไม่สามารถกินข้าวโพดจากฝักได้
03:30
you weren't going to be able to eat apples,
86
195000
2000
เขาจะไม่สามารถกินแอปเปิ้ลได้
03:32
you weren't going to be able to eat steak.
87
197000
2000
เขาจะไม่สามารถกินสเต๊คได้
03:34
You'll eat mush for the rest of your life.
88
199000
2000
พวกเขาต้องกินอาหารเหลวไปตลอดชีวิต
03:36
So go brush and floss your teeth.
89
201000
3000
ดังนั้นไปแปรงฟันและใช้ไหมขัดฟันกันเถอะ
03:39
That was the message. That was the experiment.
90
204000
2000
นั่นเป็นสารที่ส่งให้ นั่นเป็นการทดลอง
03:41
Now they measured one other variable.
91
206000
2000
ตอนนี้พวกเขาจะวัดตัวแปรอีกตัวหนึ่ง
03:43
They wanted to capture one other variable,
92
208000
2000
พวกเขาอยากวัดตัวแปรอีกตัวหนึ่ง
03:45
which was the patients' sense of efficacy.
93
210000
3000
นั่นคือความเชื่อมั่นว่าจะเปลี่ยนพฤติกรรม
03:48
This was the notion of whether the patients felt
94
213000
2000
ความคิดที่ว่าผู้ป่วยจะรู้สึกอย่างไร
03:50
that they actually would go ahead and brush and floss their teeth.
95
215000
3000
พวกเขาจะแปรงฟันและใช้ไหมขัดฟันจริงๆไหม
03:53
So they asked them at the beginning,
96
218000
2000
เขาก็เลยถามผู้ป่วยตั้งแต่เริ่มต้นเลยว่า
03:55
"Do you think you'll actually be able to stick with this program?"
97
220000
2000
“คุณคิดว่าคุณสามารถจะจริงจังกันโปรแกรมนี้ได้หรือไม่”
03:57
And the people who said, "Yeah, yeah. I'm pretty good about that,"
98
222000
2000
กลุ่มที่ตอบว่า “ได้ ได้ สามารถทำได้”
03:59
they were characterized as high efficacy,
99
224000
2000
จะจัดเป็นกลุ่มที่มีความเชื่อมั่นสูง
04:01
and the people who said,
100
226000
2000
ส่วนกลุ่มที่บอกว่า
04:03
"Eh, I never get around to brushing and flossing as much as I should,"
101
228000
2000
“เออ ไม่แน่ใจ ว่าจะทำได้มากเท่าที่ควรทำหรือเปล่า”
04:05
they were characterized as low efficacy.
102
230000
2000
จะถูกจัดอยู่ในกลุ่มที่มีความเชื่อมั่นต่ำ
04:07
So the upshot was this.
103
232000
3000
ซึ่งผลสรุปก็คือ
04:10
The upshot of this experiment
104
235000
2000
ผลสรุปของการทดลองนี้คือ
04:12
was that fear was not really a primary driver
105
237000
3000
ความกลัวไม่ใช่แรงขับเคลื่อนอันดับแรก
04:15
of the behavior at all.
106
240000
2000
ของเปลี่ยนแปลงพฤติกรรม
04:17
The people who brushed and flossed their teeth
107
242000
2000
กลุ่มที่แปรงฟันและใช้ไหมขัดฟันมากขึ้น
04:19
were not necessarily the people
108
244000
2000
ไม่จำเป็นจะต้องเป็นคนที่
04:21
who were really scared about what would happen --
109
246000
2000
คนที่กลัวว่าจะเกิดอะไรขึ้นถ้าเขาไม่แปรงฟัน
04:23
it's the people who simply felt that they had the capacity
110
248000
3000
กลุ่มที่มีความเชื่อมั่นว่าเขามีความสามารถ
04:26
to change their behavior.
111
251000
2000
ที่จะเปลี่ยนแปลงพฤติกรรมของเขาต่างหากที่เปลี่ยน
04:28
So fear showed up as not really the driver.
112
253000
3000
ดังนั้นความกลัวจึงไม่ใช่แรงขับเคลื่อนที่สำคัญ
04:31
It was the sense of efficacy.
113
256000
3000
แต่เป็นความรู้สึกว่าความเชื่อมั่นที่จะทำได้ต่างหาก
04:34
So I want to isolate this,
114
259000
2000
ผมอยากจะแยกให้เห็นนะครับ
04:36
because it was a great observation --
115
261000
2000
เพราะว่ามันการสังเกตที่น่าสนใจมาก
04:38
30 years ago, right, 30 years ago --
116
263000
2000
ว่าเมื่อ 30 ปีที่ผ่านมา...30 ปีเลยนะครับ
04:40
and it's one that's laid fallow in research.
117
265000
3000
และนี่เป็นผลจากงานวิจัย
04:43
It was a notion that really came out
118
268000
2000
มันเป็นความคิดที่ออกมาจาก
04:45
of Albert Bandura's work,
119
270000
2000
งานของคุณอัลเบิรต แบนดูร่า
04:47
who studied whether
120
272000
2000
ผู้ที่ศึกษาเกี่ยวกับ
04:49
people could get a sense of empowerment.
121
274000
3000
คนที่รู้สึกว่าตัวเองมีอำนาจในตัวเอง
04:52
The notion of efficacy basically boils down to one -- that
122
277000
3000
ความคิดเรื่องความเชื่อมั่นในตัวเองนั้นจริงๆแล้วสรุปได้ว่า
04:55
if somebody believes that they have the capacity to change their behavior.
123
280000
3000
ถ้าเรามีความเชื่อมั่นเราก็จะสามารถที่จะเปลี่ยนแปลงพฤติกรรมได้
04:58
In health care terms, you could characterize this
124
283000
3000
และในทางการแพทย์ เราสามารถระบุได้ว่า
05:01
as whether or not somebody feels
125
286000
2000
ว่าคนนี้มีความเชื่อมั่นหรือไม่เชื่อมั่น
05:03
that they see a path towards better health,
126
288000
2000
ว่าเขาสามารถเห็นทางที่จะทำให้มีสุขภาพที่ดีขึ้น
05:05
that they can actually see their way towards getting better health,
127
290000
2000
ถ้าเขาสามารถเห็นทางที่จะทำให้มีสุขภาพที่ดีขึ้นจริงๆ
05:07
and that's a very important notion.
128
292000
2000
และนั่นเป็นความคิดที่สำคัญมาก
05:09
It's an amazing notion.
129
294000
2000
เป็นความคิดที่อัศจรรย์มาก
05:11
We don't really know how to manipulate it, though, that well.
130
296000
3000
เรายังไม่ทราบอย่างแน่ชัดว่าอะไรอยู่เบื้องหลังความคิดนี้
05:14
Except, maybe we do.
131
299000
3000
แต่บางครั้ง...เราก็รู้
05:17
So fear doesn't work, right? Fear doesn't work.
132
302000
2000
ซึ่งความกลัวไม่ได้ผล ใช่ไหมครับ..ความกลัวไม่ใช้เหตุผลแน่นอน
05:19
And this is a great example
133
304000
2000
และนี่เป็นตัวอย่างที่ดีมาก
05:21
of how we haven't learned that lesson at all.
134
306000
3000
ที่แสดงให้เห็นว่าเราไม่ได้เรียนรู้อะไรจากบทเรียนนั้นเลย
05:24
This is a campaign from the American Diabetes Association.
135
309000
3000
นี่เป็นการรณรงค์จากสมาคมโรคเบาหวานของประเทศอเมริกา
05:27
This is still the way we're communicating messages about health.
136
312000
3000
นี่ยังคงเป็นวิธีที่เราใช้ส่งสารเกี่ยวกับเรื่องสุขภาพ
05:30
I mean, I showed my three-year-old this slide last night,
137
315000
3000
เมื่อคืนนี้ผมโชว์ให้ลูกวัยสามขวบของผมดู
05:33
and he's like, "Papa, why is an ambulance in these people's homes?"
138
318000
4000
เขาก็ถามผมว่า “พ่อครับ ทำไมรถฉุกเฉินถึงเข้าไปอยู่ในบ้านคนได้ล่ะครับ”
05:37
And I had to explain, "They're trying to scare people."
139
322000
3000
ผมต้องอธิบายว่า “พวกเขาต้องการจะทำให้ผู้คนกลัวน่ะลูก”
05:40
And I don't know if it works.
140
325000
2000
แต่ผมไม่รู้นะครับว่า ว่ามันจะได้ผลหรือเปล่า
05:42
Now here's what does work:
141
327000
2000
ส่่่วนนี่คือสิ่งที่ทำแล้วได้ผลจริง
05:44
personalized information works.
142
329000
2000
นั่นคือข้อมูลส่วนบุคคล
05:46
Again, Bandura recognized this
143
331000
2000
ซึ่งคุณแบนดูร่า รู้เรื่องนี้
05:48
years ago, decades ago.
144
333000
2000
หลายปีมาแล้ว หลายสิบปีมาแล้ว
05:50
When you give people specific information
145
335000
2000
เมื่อเราให้ข้อมูลที่จำเพาะเจาะจงกับประชาชน
05:52
about their health, where they stand,
146
337000
2000
เกี่ยวกับสุขภาพของเขา ว่าเป็นอย่างไรบ้าง
05:54
and where they want to get to, where they might get to,
147
339000
2000
อะไรที่เขาอยากให้เกิด อะไรที่อาจเกิดขึ้นกับเขา
05:56
that path, that notion of a path --
148
341000
2000
เส้นทางนั้น ความคิดเกี่ยวกับเส้นทางนั้น
05:58
that tends to work for behavior change.
149
343000
2000
มีแนวโน้มว่าทำให้เกิดการเปลี่ยนแปลงพฤติกรรมได้
06:00
So let me just spool it out a little bit.
150
345000
2000
ผมจะอธิบายให้เห็นภาพสักนิดนะครับ
06:02
So you start with personalized data, personalized information
151
347000
3000
เมื่อเราเร่ิมต้นด้วยข้อมูลส่วนตัว
06:05
that comes from an individual,
152
350000
2000
ซึ่งมาจากข้อมูลส่วนตัวของแต่ละคน
06:07
and then you need to connect it to their lives.
153
352000
3000
จากนั้นเราต้องทำให้มันเชื่อมต่อกับชีวิตของเขา
06:10
You need to connect it to their lives,
154
355000
2000
เราจำเป็นต้องให้มันเชื่อมต่อกับชีวิตของเขา
06:12
hopefully not in a fear-based way, but one that they understand.
155
357000
2000
โดยไม่ใช้เรื่องความกลัวเป็นหลัก แต่ใช้ความเข้าใจ
06:14
Okay, I know where I sit. I know where I'm situated.
156
359000
3000
ให้รู้ว่าเขาอยู่ในตำแหน่งไหน สุขภาพของเขาเป็นอย่างไร
06:17
And that doesn't just work for me in terms of abstract numbers --
157
362000
3000
และไม่ใช่แสดงให้เห็นในรูปตัวเลขเท่านั้น
06:20
this overload of health information
158
365000
2000
นั่นเป็นข้อมูลทางสุขภาพที่มากเกินไป
06:22
that we're inundated with.
159
367000
2000
มันมากเกินไป
06:24
But it actually hits home.
160
369000
2000
แต่มันค่อนข้างตรงประเด็น
06:26
It's not just hitting us in our heads; it's hitting us in our hearts.
161
371000
2000
มันไม่ได้แค่ทำให้เรารู้สึกที่สมองแต่ทำให้เรารู้สึกที่หัวใจ
06:28
There's an emotional connection to information
162
373000
2000
มันมีความอารมณ์รู้สึกซึ่งเชื่อมต่อกับข้อมูลเหล่านั้น
06:30
because it's from us.
163
375000
2000
เพราะว่ามันเป็นข้อมูลจากพวกเราเอง
06:32
That information then needs to be connected to choices,
164
377000
3000
ข้อมูลเหล่านี้จำเป็นต้องเชื่อมต่อกับหลายๆทางเลือก
06:35
needs to be connected to a range of options,
165
380000
2000
จำเป็นต้องเชื่อมกับหลายๆหนทาง
06:37
directions that we might go to --
166
382000
2000
ทิศทางที่เราอาจจะเลือกเดินไป
06:39
trade-offs, benefits.
167
384000
2000
การแลกเปลี่ยน ประโยชน์ที่จะได้รับ
06:41
Finally, we need to be presented with a clear point of action.
168
386000
3000
สุดท้ายเราจำเป็นที่ต้องแสดงให้เห็นด้วยการกระทำที่ชัดเจน
06:44
We need to connect the information
169
389000
2000
เราจำเป็นที่ต้องเชื่อมต่อข้อมูลเหล่านี้
06:46
always with the action,
170
391000
2000
ควบคู่กับการกระทำตลอดเวลา
06:48
and then that action feeds back
171
393000
2000
และต้องมีการกระทำสะท้อนกลับ
06:50
into different information,
172
395000
2000
ในข้อมูลที่แตกต่างกันออกไป
06:52
and it creates, of course, a feedback loop.
173
397000
2000
และมันจะช่วยสร้างผลสะท้อนกลับของการกระทำ
06:54
Now this is a very well-observed and well-established notion
174
399000
3000
นี่เป็นการสังเกตการณ์ที่ดีและเป็นความคิดที่ดี
06:57
for behavior change.
175
402000
2000
สำหรับการเปลี่ยนแปลงพฤติกรรม
06:59
But the problem is that things -- in the upper-right corner there --
176
404000
3000
แต่ปัญหาก็คือสิ่งที่อยู่มุมบนขวาตรงนั้น
07:02
personalized data, it's been pretty hard to come by.
177
407000
2000
นั่นคือข้อมูลส่วนบุคคล ซึ่งถือว่าเป็นส่วนที่ยากที่จะได้มา
07:04
It's a difficult and expensive commodity,
178
409000
3000
มันเป็นส่วนที่ยากและมีค่าใช้จ่ายสูง
07:07
until now.
179
412000
2000
จนถึงเดี๋ยวนี้
07:09
So I'm going to give you an example, a very simple example of how this works.
180
414000
3000
ผมจะยกตัวอย่างให้ดูนะครับ เป็นตัวอย่างง่ายๆที่แสดงให้เห็นว่าทำงานยังไง
07:12
So we've all seen these. These are the "your speed limit" signs.
181
417000
3000
พวกเราเคยเห็นนี่กันหมดแล้วนะครับ นี่คือ “ป้ายจำกัดความเร็ว”
07:15
You've seen them all around,
182
420000
2000
เราเห็นมันได้ทั่วไปนะครับ
07:17
especially these days as radars are cheaper.
183
422000
2000
โดยเฉพาะเดี๋ยวนี้เรดาห์ราคาถูกลงมาก
07:19
And here's how they work in the feedback loop.
184
424000
2000
นี่จะแสดงให้เห็นว่าผลสะท้อนกลับของการกระทำทำงานยังไง
07:21
So you start with the personalized data
185
426000
2000
เราเริ่มต้นจากข้อมูลส่วนตัว
07:23
where the speed limit on the road that you are at that point
186
428000
2000
ป้ายจำกัดความเร็วบนถนนก็คือที่ที่เราอยู่ตอนนั้น
07:25
is 25,
187
430000
2000
คือไม่เกิน 25 ไมล์ต่อชั่วโมง
07:27
and, of course, you're going faster than that.
188
432000
2000
และแน่นอนว่าเราขับกันมาเร็วกว่านั้น
07:29
We always are. We're always going above the speed limit.
189
434000
3000
ที่เราก็ทำๆกันอยู่ก็คือเรามักจะขับรถเร็วกว่าป้ายจำกัดความเร็ว
07:32
The choice in this case is pretty simple.
190
437000
2000
ทางเลือกในกรณีนี้ ง่ายๆก็คือ
07:34
We either keep going fast, or we slow down.
191
439000
2000
จะขับเร็วเรื่อยๆอย่างนั้นหรือลดความเร็วลง
07:36
We should probably slow down,
192
441000
2000
ซึ่งเราก็อาจจะลดความเร็วลง
07:38
and that point of action is probably now.
193
443000
2000
ซึ่งเราลงมือทำในตอนนั้นเลย
07:40
We should take our foot off the pedal right now,
194
445000
3000
เราควรจะยกเท้าออกมาจากคันเร่งตอนนั้นเลย
07:43
and generally we do. These things are shown to be pretty effective
195
448000
3000
ซึ่งทั่วไปแล้วเราก็ทำกัน จากเหตุการณ์นี้แสดงให้เห็นว่าวิธีนี้ได้ผลดี
07:46
in terms of getting people to slow down.
196
451000
2000
ในกรณีที่ทำให้ทุกคนลดความเร็ว
07:48
They reduce speeds by about five to 10 percent.
197
453000
2000
พวกเขาก็จะลดความเร็วลงประมาณ 5-10%
07:50
They last for about five miles,
198
455000
2000
แล้วก็จะทำต่อไปอีกประมาณ 5 ไมล์
07:52
in which case we put our foot back on the pedal.
199
457000
2000
แล้วก็จะกลับมาเหยียบคันเร่งเหมือนเดิม
07:54
But it works, and it even has some health repercussions.
200
459000
2000
แต่มันก็ยังได้ผล และยังมีผลทางสุขภาพด้วย
07:56
Your blood pressure might drop a little bit.
201
461000
2000
ความดันโลหิตของคุณอาจจะลดลงนิดหน่อย
07:58
Maybe there's fewer accidents, so there's public health benefits.
202
463000
3000
บางทีอาจะอุบัติเหตุน้อยลง แปลว่าได้ประโยชน์ทางสุขภาพส่วนรวม
08:01
But by and large, this is a feedback loop
203
466000
2000
แต่ถ้ามองภาพรวมแล้ว นี่เป็นผลสะท้อนกลับของการกระทำ
08:03
that's so nifty and too rare.
204
468000
3000
ซึ่งเป็นอะไรที่ดี และพบได้น้อย
08:06
Because in health care, most health care,
205
471000
2000
เพราะส่วนใหญ่ในทางการแพทย์แล้ว
08:08
the data is very removed from the action.
206
473000
3000
ข้อมูลมักจะถูกแยกออกจากการลงมือทำ
08:11
It's very difficult to line things up so neatly.
207
476000
3000
มันเป็นการยากที่จะทำให้ข้อมูลทุกอย่างดูเรียบร้อย
08:14
But we have an opportunity.
208
479000
2000
แต่เราก็มีโอกาสที่จะทำได้
08:16
So I want to talk about, I want to shift now to think about
209
481000
2000
ดังนั้นผมถึงอยากจะพูดถึงเรื่องนี้ เรื่องการเปลี่ยนความคิดเกี่ยวกับ
08:18
how we deliver health information in this country,
210
483000
2000
การส่งต่อข้อมูลเรื่องสุขภาพในประเทศนี้
08:20
how we actually get information.
211
485000
3000
การที่เราจะได้รับข้อมูลนั้นกันอย่างไร
08:23
This is a pharmaceutical ad.
212
488000
3000
นี่เป็นตัวอย่างโฆษณายา
08:26
Actually, it's a spoof. It's not a real pharmaceutical ad.
213
491000
2000
จริงๆแล้วมันเป็นตัวเลียนแบบ ไม่ใช่ตัวจริงโฆษณาจริง
08:28
Nobody's had the brilliant idea
214
493000
2000
คงยังไม่มีใครที่จะมีความคิดดีๆแบบนี้
08:30
of calling their drug Havidol quite yet.
215
495000
3000
แบบที่ตั้งชื่อยาของเขาว่า “ฮาวิดอล”
08:34
But it looks completely right.
216
499000
2000
แต่ว่ามันดูเหมือนจริงๆ
08:36
So it's exactly the way we get
217
501000
2000
มันเหมือนกันข้อมูลจริงที่เราได้รับ
08:38
health information and pharmaceutical information,
218
503000
3000
ทั้งข้อมูลสุขภาพและข้อมูลเกี่ยวกับเรื่องยา
08:41
and it just sounds perfect.
219
506000
2000
และมันฟังดูสมบูรณ์แบบมากๆ
08:43
And then we turn the page of the magazine,
220
508000
2000
และเมื่อเราพลิกไปยังหน้าถัดไป
08:45
and we see this --
221
510000
3000
และเราก็จะเห็นนี่ ใช่ไหมครับ
08:48
now this is the page the FDA requires pharmaceutical companies
222
513000
3000
หน้านี้เป็นข้อมูลที่องค์การอาหารและยาระบุว่าต้องมี
08:51
to put into their ads, or to follow their ads,
223
516000
3000
แนบไปกับในโฆษณา หรือตามหลังโฆษณายา
08:54
and to me, this is one of the most
cynical exercises in medicine.
cynical exercises in medicine.
224
519000
4000
สำหรับผมแล้วนี่คือการเหยียดหยามครั้งใหญ่มากๆ
08:58
Because we know.
225
523000
2000
เพราะเราต่างก็รู้กันอยู่
09:00
Who among us would actually say that people read this?
226
525000
2000
มีใครที่นี้จะพูดว่าคนอ่านข้อมูลเหล่านี้
09:02
And who among us would actually say
227
527000
2000
ใครล่ะครับที่จะบอก
09:04
that people who do try to read this
228
529000
2000
ว่าจริงแล้วคนที่พยายามจะอ่าน
09:06
actually get anything out of it?
229
531000
2000
เข้าใจอะไรด้วย
09:08
This is a bankrupt effort
230
533000
2000
นี่ถือว่าเป็นการพยายามล้มเหลว
09:10
at communicating health information.
231
535000
3000
ในการให้ข้อมูลด้านสุขภาพ
09:13
There is no good faith in this.
232
538000
2000
ไม่มีความเชื่อที่ดีในที่นี้เลย
09:15
So this is a different approach.
233
540000
2000
ส่วนนี่เป็นอีกวิธีที่แตกต่าง
09:17
This is an approach that has been developed
234
542000
3000
เป็นอีกวิธีหนึ่งที่พัฒนาโดย
09:20
by a couple researchers at Dartmouth Medical School,
235
545000
3000
กลุ่มนักวิจัยที่โรงเรียนแพทย์ดาร์เมาทธ์
09:23
Lisa Schwartz and Steven Woloshin.
236
548000
2000
คุณลิซา สวาทซ์และคุณสตีเวน โวโลชิน
09:25
And they created this thing called the "drug facts box."
237
550000
3000
พวกเขาสร้างสิ่งนี้ขึ้นมาเรียกว่าข้อเท็จจริงของยา
09:28
They took inspiration from, of all things,
238
553000
2000
พวกเขาได้แรงบัลดาลใจมาจาก
09:30
Cap'n Crunch.
239
555000
2000
ซีเรียลที่ชื่อว่าแคปแอนด์ครันช์
09:32
They went to the nutritional information box
240
557000
3000
โดยพวกเขาศึกษาจากตารางแสดงคุณค่าทางอาหาร
09:35
and saw that what works for cereal, works for our food,
241
560000
3000
และเห็นว่ามันได้ผลดีทั้งกับซีเรียลและอาหาร
09:38
actually helps people understand what's in their food.
242
563000
3000
มันช่วยให้พวกเราเข้าใจส่วนประกอบในอาหารได้ดีขึ้น
09:42
God forbid we should use that same standard
243
567000
2000
จะเป็นยังไง ถ้าเราก็น่าจะใช้มาตรฐานอาหาร
09:44
that we make Cap'n Crunch live by
244
569000
2000
ที่เราใช้กับแคปแอนด์ครันช์
09:46
and bring it to drug companies.
245
571000
3000
ไปใช้กับบริษัทยาดู
09:49
So let me just walk through this quickly.
246
574000
2000
ผมจะพูดเรื่องนี้ให้ฟังอย่างรวดเร็วนะครับ
09:51
It says very clearly what the drug is for, specifically who it is good for,
247
576000
3000
ข้อมูลนี้จะบอกอย่างชัดเจนว่ายาตัวนี้ใช้สำหรับรักษาโรคอะไร และใครที่ควรใช้ยา
09:54
so you can start to personalize your understanding
248
579000
2000
ดังนั้นคุณจะสามารถเริ่มทำความเข้าใจด้วยตัวคุณเอง
09:56
of whether the information is relevant to you
249
581000
2000
ว่าข้อมูลไหนที่สำคัญกับคุณบ้าง
09:58
or whether the drug is relevant to you.
250
583000
2000
หรือเข้าใจว่ายานี้สำคัญกับคุณยังไง
10:00
You can understand exactly what the benefits are.
251
585000
3000
คุณจะเข้าใจถึงประโยชน์ของยานี้
10:03
It isn't this kind of vague promise that it's going to work no matter what,
252
588000
3000
มันไม่ใช่อะไรที่คลุมเครืออีกต่อไป
10:06
but you get the statistics for how effective it is.
253
591000
3000
แต่คุณจะทราบข้อมูลทางสถิติถึงประสิทธิภาพของมัน
10:09
And finally, you understand what those choices are.
254
594000
3000
และท้ายที่สุดคุณจะเข้าใจว่าคุณมีทางเลือกอะไรบ้าง
10:12
You can start to unpack the choices involved
255
597000
2000
คุณสามารถเร่ิ่มศึกษาทางเลือกอื่นๆที่เกี่ยวข้อง
10:14
because of the side effects.
256
599000
2000
เพราะอาการข้างเคียงจากการใช้ยา
10:16
Every time you take a drug, you're walking into a possible side effect.
257
601000
3000
ทุกครั้งที่กินยา คุณก็มีโอกาสเกิดจะอาการข้างเคียงนั้น
10:19
So it spells those out in very clean terms,
258
604000
2000
ข้อมูลเหล่านี้จะช่วยให้คุณเข้าใจโดยใช้ภาษาที่ง่ายขึ้น
10:21
and that works.
259
606000
2000
และมันได้ผลด้วยครับ
10:23
So I love this. I love that drug facts box.
260
608000
2000
ผมชอบมากเลย ผมชอบข้อเท็จจริงของยานี้
10:25
And so I was thinking about,
261
610000
2000
และผมก็คิดถึงเรื่องนี้
10:27
what's an opportunity that I could have
262
612000
2000
โอกาสอะไรที่ผมควรจะมี
10:29
to help people understand information?
263
614000
3000
เพื่อช่วยให้ทุกคนเข้าใจในข้อมูลสุขภาพมากขึ้น
10:32
What's another latent body of information that's out there
264
617000
4000
ยังมีข้อมูลอะไรอีกบ้างที่ยังคลุมเครือ
10:36
that people are really not putting to use?
265
621000
3000
ข้อมูลอะไรที่พวกเรายังไม่ได้ใช้ประโยชน์
10:39
And so I came up with this: lab test results.
266
624000
3000
ดังนั้นผมจึงอยากให้เห็นถึงผลการตรวจค่าแลป
10:42
Blood test results are this great source of information.
267
627000
3000
ผลการตรวจเลือดซึ่งถือว่าเป็นข้อมูลที่ดีมาก
10:45
They're packed with information.
268
630000
2000
มันเต็มแน่นไปด้วยข้อมูล
10:47
They're just not for us. They're not for people. They're not for patients.
269
632000
3000
แต่ไม่ใช่สำหรับเรา ไม่ใช่สำหรับประชาชนอย่างเรา ไม่ใช่สำหรับผู้ป่วย
10:50
They go right to doctors.
270
635000
2000
แต่มีไว้สำหรับแพทย์เท่านั้น
10:52
And God forbid -- I think many doctors, if you really asked them,
271
637000
3000
และผมคิดว่าถ้าเราถามแพทย์หลายๆคน ถามกันจริงๆเลยนะครับ
10:55
they don't really understand all this stuff either.
272
640000
3000
พวกเขาเองก็คงไม่เข้าใจในทุกส่วนเหมือนกัน
10:58
This is the worst presented information.
273
643000
3000
นี่เป็นการแสดงข้อมูลที่แย่มาก
11:01
You ask Tufte, and he would say,
274
646000
3000
ถ้าเราถามคุณทัฟตี้เขาก็คงบอกเหมือนกันว่า
11:04
"Yes, this is the absolute worst presentation of information possible."
275
649000
3000
“ใช่ นี่เป็นนำเสนอข้อมูลที่แย่ที่สุด”
11:07
What we did at Wired
276
652000
2000
ส่ิงที่เราทำที่นิตยสาร Wired ก็คือ
11:09
was we went, and I got our graphic design department
277
654000
2000
เรานำข้อมูลนี้ไปยังแผนกกราฟฟิคดีไซน์
11:11
to re-imagine these lab reports.
278
656000
2000
ให้ออกแบบการนำเสนอผลแลปให้ใหม่
11:13
So that's what I want to walk you through.
279
658000
2000
ซึ่งเป็นสิ่งที่ผมอยากแสดงให้ทุกท่านได้เห็นกันในวันนี้
11:15
So this is the general blood work before,
280
660000
3000
นี่เป็นผลการตรวจเลือดแบบเดิมครับ
11:18
and this is the after, this is what we came up with.
281
663000
2000
และนี่ข้อมูลหลังจากที่เราได้ออกแบบใหม่
11:20
The after takes what was four pages --
282
665000
2000
ตอนแรกมีความยาวถึงสี่หน้ากระดาษ
11:22
that previous slide was actually
283
667000
2000
ซึ่งสไลด์แรกนั้นจริงๆแล้ว
11:24
the first of four pages of data
284
669000
2000
เป็นแผ่นแรกจากข้อมูลทั้งสี่แผ่น
11:26
that's just the general blood work.
285
671000
2000
นั้นเป็นเพียงผลการตรวจเลือดทั่วไป
11:28
It goes on and on and on, all these values, all these numbers you don't know.
286
673000
3000
มันเต็มไปด้วยตัวเลข ค่าแลปต่างๆ ซึ่งเราเองไม่เข้าใจ
11:31
This is our one-page summary.
287
676000
3000
ส่่วนนี่เป็นข้อมูลสรุปในหนึ่งหน้ากระดาษ
11:34
We use the notion of color.
288
679000
2000
เราใช้ความคิดเกี่ยวกับเรื่องของสี
11:36
It's an amazing notion that color could be used.
289
681000
3000
เรานำความคิดเกี่ยวกับเรื่องสีมาใช้เพื่อให้ดูง่าย
11:39
So on the top-level you have your overall results,
290
684000
3000
ซึ่งข้างบนสุดคุณจะเห็นภาพรวมของผลทั้งหมด
11:42
the things that might jump out at you from the fine print.
291
687000
3000
สิ่งที่ทำให้เห็นได้ชัดขึ้นจากในรายละเอียดย่อยๆ
11:45
Then you can drill down
292
690000
2000
ให้คุณสามารถเข้าใจได้
11:47
and understand how actually we put your level in context,
293
692000
3000
และเริ่มเข้าใจมากขึ้นว่าคุณเทียบกับคนอื่นแล้วเป็นอย่างไร
11:50
and we use color to illustrate
294
695000
2000
และเราใช้สีเพื่อแสดงให้เห็น
11:52
exactly where your value falls.
295
697000
2000
ว่าค่าผลเลือดของคุณอยู่ในระดับไหน
11:54
In this case, this patient is slightly at risk of diabetes
296
699000
3000
ในกรณีนี้ ผู้ป่วยคนนี้เริ่มมีความเสี่ยงที่จะเกิดโรคเบาหวาน
11:57
because of their glucose level.
297
702000
2000
เพราะระดับน้ำตาลในเลือดของเขา
11:59
Likewise, you can go over your lipids
298
704000
2000
ซึ่งคุณสามารถดูข้อมูลระดับไขมันในเลือดได้แบบเดียวกันนี้
12:01
and, again, understand what your overall cholesterol level is
299
706000
3000
และทำความเข้าใจว่าระดับโคเลสเตอรอลของคุณ
12:04
and then break down into the HDL and the LDL if you so choose.
300
709000
3000
คุณยังสามารถดูละเอียดลงถึงค่าไขมันที่ดี (HDL) และไขมันไม่ดี (LDL)
12:07
But again, always using color
301
712000
2000
ซึ่งเราก็ใช้เทคนิคเรื่องสีอีกครั้ง
12:09
and personalized proximity
302
714000
2000
และให้ข้อมูลเปรียบเทียบกับส่วนรวม
12:11
to that information.
303
716000
2000
ลงไปในข้อมูลเหล่านั้น
12:13
All those other values,
304
718000
2000
ค่าผลตรวจต่างๆ
12:15
all those pages and pages of values that are full of nothing,
305
720000
2000
หลายแผ่นๆนั้น เต็มไปไปด้วยข้อมูลที่ไม่มีความหมายอะไร
12:17
we summarize.
306
722000
2000
เราจึงสรุปได้
12:19
We tell you that you're okay, you're normal.
307
724000
2000
เราบอกได้ว่าคุณโอเคนะ คุณปกติ
12:21
But you don't have to wade through it. You don't have to go through the junk.
308
726000
3000
แต่คุณไม่จำเป็นต้องไปดูทั้งหมด คุณไม่ต้องอ่านสิ่งที่ไม่จำเป็นเหล่านั้น
12:24
And then we do two other very important things
309
729000
2000
จากนั้นเราจะทำสองอย่างที่มีความสำคัญ
12:26
that kind of help fill in this feedback loop:
310
731000
2000
ซึ่งช่วยเติมเต็มวงผลสะท้อนกลับของเราได้
12:28
we help people understand in a little more detail
311
733000
2000
เราช่วยให้ทุกคนเข้าใจในรายละเอียดเล็กน้อยๆ
12:30
what these values are and what they might indicate.
312
735000
3000
ว่าค่าแลปเหล่านี้คืออะไรและชี้ให้เห็นถึงอะไร
12:33
And then we go a further step -- we tell them what they can do.
313
738000
3000
แล้วเราก็ก้าวไปอีกขั้น คือบอกเขาว่าเขาจะทำอะไรได้บ้าง
12:36
We give them some insight
314
741000
2000
เราให้ข้อมูลให้เขาเข้าใจมากขึ้น
12:38
into what choices they can make, what actions they can take.
315
743000
3000
ว่าเขามีทางเลือกอะไรบ้าง อะไรบ้างที่เขาควรจะทำ
12:41
So that's our general blood work test.
316
746000
3000
และนั้นคือข้อมูลผลการตรวจเลือด
12:44
Then we went to CRP test.
317
749000
2000
เราไปดูผลการตรวจการอักเสบต่างๆในร่างกายบ้างนะครับ
12:46
In this case, it's a sin of omission.
318
751000
2000
ตัวอย่างนี้ เป็นอะไรที่น่าเสียดายมาก
12:48
They have this huge amount of space,
319
753000
2000
เห็นไหมครับว่ามีที่เหลือว่างตรงนี้อีกเยอะเลย
12:50
and they don't use it for anything, so we do.
320
755000
2000
พวกเขาก็ปล่อยให้ว่างอย่างนั้น ดังนั้นเราเลยใช้พื้นที่ซะเลย
12:52
Now the CRP test is often done
321
757000
2000
การตรวจการอักเสบนี้มักจะทำ
12:54
following a cholesterol test,
322
759000
2000
หลังจากเราตรวจระดับโคเลสเตอรอล
12:56
or in conjunction with a cholesterol test.
323
761000
2000
หรือทำไปพร้อมๆกับการตรวจโคเลสเตอรอล
12:58
So we take the bold step
324
763000
2000
เราจะประหยัดขั้นตอนเลยโดย
13:00
of putting the cholesterol information on the same page,
325
765000
3000
ใส่ผลตรวจโคเลสเตอรอลไว้ในหน้าเดียวกัน
13:03
which is the way the doctor is going to evaluate it.
326
768000
2000
เพื่อให้แพทย์สามารถวิเคราะห์ข้อมูลได้เลยทันที
13:05
So we thought the patient might actually want to know the context as well.
327
770000
3000
ซึ่งเราคิดว่าผู้ป่วยเองก็คงอยากทราบข้อมูลเหล่านี้เหมือนกัน
13:08
It's a protein that shows up
328
773000
2000
มันเป็นค่าโปรตีนที่จะแสดงผล
13:10
when your blood vessels might be inflamed,
329
775000
2000
เมื่อเกิดการอักเสบที่หลอดเลือด
13:12
which might be a risk for heart disease.
330
777000
2000
ซึ่งอาจทำให้เกิดความเสี่ยงต่อการเกิดโรคหัวใจ
13:14
What you're actually measuring
331
779000
2000
เราจะวัด
13:16
is spelled out in clean language.
332
781000
2000
แล้วแสดงผลโดยใช้ภาษาที่เข้าใจง่าย
13:18
Then we use the information
333
783000
2000
แล้วใช้ข้อมูลที่มีอยู่
13:20
that's already in the lab report.
334
785000
2000
ซึ่งอยู่ในรายงานผลแลปอยู่แล้ว
13:22
We use the person's age and their gender
335
787000
2000
เราจะใช้ข้อมูลอายุและเพศของแต่ละคน
13:24
to start to fill in the personalized risks.
336
789000
3000
เพื่อประเมินถึงความเสี่ยงการเกิดโรคหัวใจของแต่ละคน
13:27
So we start to use the data we have
337
792000
2000
เราเริ่มใช้ข้อมูลที่เรามีอยู่
13:29
to run a very simple calculation
338
794000
2000
แล้วคำนวณด้วยวิธีง่ายๆ
13:31
that's on all sorts of online calculators
339
796000
2000
ใช้มีแหล่งคำนวณให้ทางออนไลน์ด้วย
13:33
to get a sense of what the actual risk is.
340
798000
3000
เพื่อดูว่าความเสี่ยงนั้นคืออะไร
13:36
The last one I'll show you is a PSA test.
341
801000
2000
และท้ายนี้ผมจะโชว์ให้ดูผลการตรวจค่าPSA
13:38
Here's the before, and here's the after.
342
803000
3000
นี่เป็นข้อมูลก่อน และนี่คือหลัง
13:41
Now a lot of our effort on this one --
343
806000
2000
นี่เป็นความพยายามอย่างมากของพวกเรา
13:43
as many of you probably know,
344
808000
2000
ซึ่งหลายๆคนอาจจะรู้นะครับ
13:45
a PSA test is a very controversial test.
345
810000
2000
ว่าการตรวจPSAนั้นข้อมูลยังคงขัดแย้งกันอยู่
13:47
It's used to test for prostate cancer,
346
812000
2000
ปกติใช้กันเพื่อตรวจหาการเป็นมะเร็งต่อมลูกหมาก
13:49
but there are all sorts of reasons
347
814000
2000
แต่จริงๆแล้วมีหลายเหตุผล
13:51
why your prostate might be enlarged.
348
816000
2000
ว่าทำไมต่อมลูกหมากถึงใหญ่ขึ้นได้
13:53
And so we spent a good deal of our time
349
818000
2000
ดังนั้นเราได้ใช้เวลาของเรา
13:55
indicating that.
350
820000
2000
เพื่อแสดงให้เห็น
13:57
We again personalized the risks.
351
822000
2000
แล้วเราก็ประเมินความเสี่ยงของแต่ละคนอีกครั้ง
13:59
So this patient is in their 50s,
352
824000
2000
ผู้ป่วยรายนี้อายุ 50 ปี
14:01
so we can actually give them a very precise estimate
353
826000
2000
เราสามารถจะให้ข้อมูลที่ค่อนข้างแม่นยำกับเขา
14:03
of what their risk for prostate cancer is.
354
828000
2000
ว่าความเสี่ยงของการเป็นมะเร็งต่อมลูกหมากของเขาเป็นอย่างไร
14:05
In this case it's about 25 percent, based on that.
355
830000
3000
ซึ่งผู้่ป่วยรายนี้มีความเสี่ยงอยู่ที่ประมาณ 25 เปอร์เซนต์
14:08
And then again, the follow-up actions.
356
833000
3000
และเราก็ทำตามขั้นตอนเดิมอีกครั้ง
14:11
So our cost for this was less than 10,000 dollars, all right.
357
836000
3000
ซึ่งค่าใช้จ่ายทั้งหมดน้อยกว่าหนึ่งหมื่นดอลลาห์
14:14
That's what Wired magazine spent on this.
358
839000
3000
นี่ค่าใช้จ่ายที่นิตยสารWiredใช้ไป
14:17
Why is Wired magazine doing this?
359
842000
2000
แล้วทำไมนิตยสารWirdถึงทำนี่ล่ะครับ
14:19
(Laughter)
360
844000
3000
(หัวเราะ)
14:22
Quest Diagnostics and LabCorp,
361
847000
2000
บริษัทเควสไดแอกโนสติกและแลปคอร์ป
14:24
the two largest lab testing companies --
362
849000
3000
สองบริษัทยักษ์ใหญ่ในเรื่องของการตรวจผลแลป
14:27
last year, they made profits of over 700 million dollars
363
852000
3000
ปีที่แล้วพวกเขาทำกำไรไปกว่า 700 ล้านดอลลาห์
14:30
and over 500 million dollars respectively.
364
855000
3000
และกว่า 500 ล้านตามลำดับ
14:33
Now this is not a problem of resources;
365
858000
2000
นี่ไม่ใช่ปัญหาของทรัพยากรแล้วครับ
14:35
this is a problem of incentives.
366
860000
3000
นี่เป็นปัญหาของแรงบันดาลใจ
14:38
We need to recognize that the target of this information
367
863000
3000
เราควรตระหนักว่าเป้าหมายของข้อมูลนี้
14:41
should not be the doctor, should not be the insurance company.
368
866000
3000
ไม่ใช่ให้เพียงแต่แพทย์หรือบริษัทประกันเท่านั้น
14:44
It should be the patient.
369
869000
2000
แต่ควรจะเป็นผู้ป่วยด้วย
14:46
It's the person who actually, in the end,
370
871000
2000
ซึ่งจริงๆแล้วเป็นคนที่สุดท้าย
14:48
is going to be having to change their lives
371
873000
2000
เป็นคนที่กำลังจะเปลี่ยนชีวิตเขาเอง
14:50
and then start adopting new behaviors.
372
875000
2000
และเริ่มต้นปรับพฤติกรรมใหม่ๆ
14:52
This is information that is incredibly powerful.
373
877000
2000
นี้เป็นข้อมูลที่มีพลังอย่างมาก
14:54
It's an incredibly powerful catalyst to change.
374
879000
3000
เป็นตัวเร่งที่มีพลังอย่างสูงที่จะทำให้เกิดการเปลี่ยนแปลง
14:57
But we're not using it. It's just sitting there.
375
882000
2000
แต่เราไม่เคยใช่มันเลย ปล่อยให้มันอยู่เฉยๆ อย่างนั้น
14:59
It's being lost.
376
884000
2000
และสูญหายไปในที่สุด
15:01
So I want to just offer four questions
377
886000
2000
ผมอยากจะเสนอเพียงแค่ 4 คำถาม
15:03
that every patient should ask,
378
888000
2000
ที่ผู้ป่วยทุกคนควรจะถาม
15:05
because I don't actually expect people
379
890000
2000
เพราะผมไม่ได้คาดหวังให้พวกเรา
15:07
to start developing these lab test reports.
380
892000
2000
ลุกขึ้นมาเปลี่ยนการนำเสนอผลแลปเหล่านี้
15:09
But you can create your own feedback loop.
381
894000
2000
แต่เราสามารถสร้างวงจรผลสะท้อนกลับของเราเองได้
15:11
Anybody can create their feedback loop by asking these simple questions:
382
896000
3000
ใครๆก็สามารถสร้างวงจรสะท้อนกลับของตัวเองได้โดยด้วยคำถามง่ายๆเหล่านี้
15:14
Can I have my results?
383
899000
2000
ฉันขอทราบผลแลปของฉันได้ไหม
15:16
And the only acceptable answer is --
384
901000
2000
และคำตอบเดียวที่ยอมรับได้ก็คือ
15:18
(Audience: Yes.) -- yes.
385
903000
2000
(ผู้ชม : ได้) ได้
15:20
What does this mean? Help me understand what the data is.
386
905000
2000
ข้อมูลเหล่านี้หมายความว่ายังไง คุณช่วยให้อธิบายเข้าใจหน่อยได้ไหม
15:22
What are my options? What choices are now on the table?
387
907000
3000
ฉันมีทางเลือกอะไรบ้าง และตอนนี้ทางเลือกนั้นคืออะไร
15:25
And then, what's next?
388
910000
2000
และ อะไรคือขั้นตอนต่อไป
15:27
How do I integrate this information
389
912000
2000
ฉันจะนำข้อมูลเหล่านี้
15:29
into the longer course of my life?
390
914000
2000
มาปรับใช้ในชีวิตของฉันได้อย่างไร
15:32
So I want to wind up by just showing
391
917000
2000
ผมจะสรุปโดยแสดงให้เห็นนะครับ
15:34
that people have the capacity to understand this information.
392
919000
2000
ว่าทุกคนมีความสามารถที่จะเข้าใจข้อมูลเหล่านี้
15:36
This is not beyond the grasp of ordinary people.
393
921000
3000
มันไม่ใช่เรื่องยากเกินไปสำหรับคนธรรมดาอย่างเราๆที่จะเข้าใจ
15:39
You do not need to have the education level of people in this room.
394
924000
3000
ไม่จำเป็นต้องเป็นแต่คนที่มีศึกษาเท่านั้นที่จะเข้าใจได้
15:42
Ordinary people are capable of understanding this information,
395
927000
3000
คนธรรมดาสามัญชนก็มีความสามารถที่จะเข้าใจข้อมูลเหล่านี้ได้
15:45
if we only go to the effort of presenting it to them
396
930000
3000
ถ้าเราพยายามที่จะอธิบายข้อมูลให้พวกเขา
15:48
in a form that they can engage with.
397
933000
2000
ในรูปแบบที่ทำให้เขาสามารถมีส่วนร่วมได้
15:50
And engagement is essential here,
398
935000
2000
การมีส่วนร่วม ณ จุดนี้ถือว่ามีความจำเป็นอย่างยิ่ง
15:52
because it's not just giving them information;
399
937000
2000
เพราะนี่-ไม่ใช่แค่ข้อมูลเท่านั้น
15:54
it's giving them an opportunity to act.
400
939000
2000
แต่เป็นโอกาสที่จะทำให้พวกเขาเปลี่ยนแปลงพฤติกรรมด้วย
15:56
That's what engagement is. It's different from compliance.
401
941000
2000
นั้นคือการมีส่วนร่วมซึ่งแตกต่างการทำตามแพทย์สั่งอย่างเดียว
15:58
It works totally different from the way we talk about behavior
402
943000
3000
ซึ่งให้ผลต่างกันอย่างมากในแง่ของพฤติกรรม
16:01
in medicine today.
403
946000
2000
ในวงการแพทย์วันนี้
16:03
And this information is out there.
404
948000
2000
และข้อมูลก็อยู่ตรงนั้น
16:05
I've been talking today about latent information,
405
950000
2000
วันนี้ผมได้พูดเกี่ยวกับข้อมูลต่างๆที่คลุมเครือ
16:07
all this information that exists in the system
406
952000
2000
ข้อมูลทั้งหลายที่มีอยู่ในทางการแพทย์
16:09
that we're not putting to use.
407
954000
2000
ซึ่งเราไม่ได้นำมาใช้กันให้เกิดประโยชน์สูงสุด
16:11
But there are all sorts of other bodies of information
408
956000
2000
แต่เราก็มีแหล่งข้อมูลอื่นๆอีกมากมาย
16:13
that are coming online,
409
958000
2000
มีที่ออนไลน์
16:15
and we need to recognize the capacity of this information
410
960000
3000
เราจำเป็นที่ต้องตระหนักถึงประโยชน์ของข้อมูลเหล่านี้
16:18
to engage people, to help people
411
963000
2000
เพื่อให้ทุกคนมีส่วนร่วม เพื่อช่วยเหลือพวกเรา
16:20
and to change the course of their lives.
412
965000
2000
ให้เกิดเปลี่ยนแปลงชีวิตของพวกเขา
16:22
Thank you very much.
413
967000
2000
ขอบคุณมากครับ
16:24
(Applause)
414
969000
3000
(ปรบมือ)
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