TEDMED 2015
Russ Altman: What really happens when you mix medications?
รัส อัลท์แมน (Russ Altman): เกิดอะไรขึ้นเมื่อคุณใช้ยาแบบผสมผสาน
Filmed:
Readability: 4.2
1,766,922 views
ถ้าคุณใช้ยาสองตัวด้วยเหตุผลที่แตกต่างกัน นี่คือความคิดด้านมืด แพทย์ของคุรอาจไม่เข้าใจอย่างถ่องแท้ ว่าเกิดอะไรขึ้นเมื่อพวกเขาใช้มันด้วยกัน เพราะว่าปฏิสัมพันธ์ของยาศึกษาได้ยากมาก ในการบรรยายที่น่าทึ่งและเข้าใจง่ายนี้ รัส อัลท์แมน แสดงว่าแทพย์กำลังศึกษาปฏิสัมพันธ์ของยาที่คาดไม่ถึงโดยใช้แหล่งที่น่าทึ่ง ซึ่งก็คือการป้อนคำค้นหาได้อย่างไร
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
คุณไปพบแพทย์และรับการตรวจ
00:16
The doctor determines
that you have high cholesterol
that you have high cholesterol
1
4674
2620
แพทย์บอกว่าคุณมีระดับคลอเรสเตอรอลสูง
00:19
and you would benefit
from medication to treat it.
from medication to treat it.
2
7318
3171
และคุณจะได้ประโยชน์จากการรักษา
00:22
So you get a pillbox.
3
10981
1556
คุณก็เลยได้ยามากล่องหนึ่ง
00:25
You have some confidence,
4
13505
1199
คุณมีความมั่นใจ
00:26
your physician has some confidence
that this is going to work.
that this is going to work.
5
14728
2937
แพทย์ของคุณก็มั่นใจว่ามันจะได้ผล
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
บริษัทที่ผลิตมันขึ้นมาได้ทำการศึกษา
ที่ถูกส่งผลไปยังองค์กรอาหารและยา
ที่ถูกส่งผลไปยังองค์กรอาหารและยา
00:33
They studied it very carefully,
skeptically, they approved it.
skeptically, they approved it.
7
21266
3107
พวกเขาศึกษามันอย่างระมัดระวัง
เป็นขั้นตอน และพวกเขารับรองมัน
เป็นขั้นตอน และพวกเขารับรองมัน
00:36
They have a rough idea of how it works,
8
24397
1889
พวกเขามีแนวคิดโดยคร่าว
ว่ามันทำงานอย่างไร
ว่ามันทำงานอย่างไร
00:38
they have a rough idea
of what the side effects are.
of what the side effects are.
9
26310
2453
พวกเขามีแนวคิดโดยคร่าวว่า
มันมีผลข้างเคียงอย่างไร
มันมีผลข้างเคียงอย่างไร
00:40
It should be OK.
10
28787
1150
มันน่าจะโอเค
00:42
You have a little more
of a conversation with your physician
of a conversation with your physician
11
30864
2818
คุณได้สนทนานิดหน่อยกับแพทย์ของคุณ
00:45
and the physician is a little worried
because you've been blue,
because you've been blue,
12
33706
2963
และแพทย์ก็กังวลนิดหน่อย
เพราะว่าคุณดูเศร้า ๆ
เพราะว่าคุณดูเศร้า ๆ
00:48
haven't felt like yourself,
13
36693
1293
ไม่เป็นตัวของตัวเอง
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
คุณไม่อาจมีความสุขกับสิ่งต่าง ๆ ในชีวิต
ได้มากเท่าที่คุณเคยเป็น
ได้มากเท่าที่คุณเคยเป็น
00:53
Your physician says, "You know,
I think you have some depression.
I think you have some depression.
15
41765
3186
แพทย์ของคุณบอกว่า "รู้อะไรไหม
ผมคิดว่าคุณเป็นโรคซึมเศร้า
ผมคิดว่าคุณเป็นโรคซึมเศร้า
00:57
I'm going to have to give
you another pill."
you another pill."
16
45792
2315
ผมจะให้ยาอีกตัวกับคุณนะ"
01:00
So now we're talking
about two medications.
about two medications.
17
48934
2483
ตอนนี้ เรากำลังพูดถึงยาสองอย่าง
01:03
This pill also -- millions
of people have taken it,
of people have taken it,
18
51441
3104
ยานี้ -- ที่คนนับล้านใช้
01:06
the company did studies,
the FDA looked at it -- all good.
the FDA looked at it -- all good.
19
54569
3631
บริษัททำการศึกษา และองค์กรอาหารและยา
ตรวจสอบมัน -- เป็นยาที่ดี
ตรวจสอบมัน -- เป็นยาที่ดี
01:10
Think things should go OK.
20
58823
2057
คิดว่ามันน่าจะโอเค
01:12
Think things should go OK.
21
60904
2197
คิดว่ามันน่าจะโอเค
01:15
Well, wait a minute.
22
63125
1439
แต่ เดี๋ยวก่อนนะ
01:16
How much have we studied
these two together?
these two together?
23
64588
3517
เราได้ทำการศึกษายาทั้งสองนี้ด้วยกัน
มากแค่ไหน
มากแค่ไหน
01:20
Well, it's very hard to do that.
24
68630
2300
ครับ มันยากมากที่จะทำอย่างนั้น
01:22
In fact, it's not traditionally done.
25
70954
2130
อันที่จริง มันไม่ได้ถูกทำเป็นประจำ
01:25
We totally depend on what we call
"post-marketing surveillance,"
"post-marketing surveillance,"
26
73108
5518
เราพึ่งพาสิ่งที่เราเรียกว่า
"การควบคุมหลังการขาย"
"การควบคุมหลังการขาย"
01:30
after the drugs hit the market.
27
78650
1880
หลังจากที่ยาเข้าสู่ตลาด
01:32
How can we figure out
if bad things are happening
if bad things are happening
28
80996
2848
เราจะรู้ได้อย่างไร
ว่ากำลังเกิดเรื่องร้าย ๆ ขึ้น
ว่ากำลังเกิดเรื่องร้าย ๆ ขึ้น
01:35
between two medications?
29
83868
1357
ระหว่างยาทั้งสอง
01:37
Three? Five? Seven?
30
85249
2030
สาม ห้า เจ็ด อย่างนี้
01:39
Ask your favorite person
who has several diagnoses
who has several diagnoses
31
87708
2415
ลองถามคนใกล้ตัวคุณ
ที่ผ่านการตรวจมาสองสามครั้งก็ได้
ที่ผ่านการตรวจมาสองสามครั้งก็ได้
01:42
how many medications they're on.
32
90147
1834
ว่าพวกเขาใช้ยากี่อย่าง
01:44
Why do I care about this problem?
33
92530
1580
ทำไมผมต้องใส่ใจเกี่ยวกับปัญหานี้ด้วย
01:46
I care about it deeply.
34
94134
1157
ผมใส่ใจมันอย่างมาก
01:47
I'm an informatics and data science guy
and really, in my opinion,
and really, in my opinion,
35
95315
4304
ผมเป็นนักวิทยาศาสตร์ด้านสารสนเทศศาสตร์
และข้อมูล และความคิดส่วนตัวของผมก็คือ
และข้อมูล และความคิดส่วนตัวของผมก็คือ
01:51
the only hope -- only hope --
to understand these interactions
to understand these interactions
36
99643
3745
ความหวังเดียว -- เพียงความหวังเดียว --
ที่จะเข้าใจปฏิสัมพันธ์เหล่านี้ได้
ที่จะเข้าใจปฏิสัมพันธ์เหล่านี้ได้
01:55
is to leverage lots
of different sources of data
of different sources of data
37
103412
3056
คือการใช้อำนาจของข้อมูลต่าง ๆ
ที่มีอยู่มากมาย
ที่มีอยู่มากมาย
01:58
in order to figure out
when drugs can be used together safely
when drugs can be used together safely
38
106492
3556
เพื่อที่จะหาว่าเมื่อใดที่
ยาสามารถใช้ด้วยกันได้อย่างปลอดภัย
ยาสามารถใช้ด้วยกันได้อย่างปลอดภัย
02:02
and when it's not so safe.
39
110072
1777
และเมื่อมันไม่ปลอดภัย
02:04
So let me tell you a data science story.
40
112615
2051
ฉนั้น ให้ผมได้เล่าเรื่อง
วิทยาศาสตร์ข้อมูลกับคุณ
วิทยาศาสตร์ข้อมูลกับคุณ
02:06
And it begins with my student Nick.
41
114690
2154
และมันเริ่มต้นกับนักเรียนของผม ชื่อ นิค
02:08
Let's call him "Nick,"
because that's his name.
because that's his name.
42
116868
2380
ผมเรียกเขาว่า "นิค"
เพราะว่านั่นเป็นชื่อของเขา
เพราะว่านั่นเป็นชื่อของเขา
02:11
(Laughter)
43
119272
1592
(เสียงหัวเราะ)
02:12
Nick was a young student.
44
120888
1201
นิคเป็นนักเรียนหนุ่ม
02:14
I said, "You know, Nick, we have
to understand how drugs work
to understand how drugs work
45
122113
3079
ผมบอกว่า "นิค รู้อะไรไหม
เราต้องทำความเข้าใจต่อการทำงานของยา
เราต้องทำความเข้าใจต่อการทำงานของยา
02:17
and how they work together
and how they work separately,
and how they work separately,
46
125216
2626
และการที่มันทำงานด้วยกัน
และการที่มันทำงานแยกกัน
และการที่มันทำงานแยกกัน
02:19
and we don't have a great understanding.
47
127866
1922
และเราก็ไม่ค่อยเข้าใจมันสักเท่าไร
02:21
But the FDA has made available
an amazing database.
an amazing database.
48
129812
2405
แต่องค์การอาหารและยา
ได้ทำฐานข้อมูลที่น่าทึ่ง
ได้ทำฐานข้อมูลที่น่าทึ่ง
02:24
It's a database of adverse events.
49
132241
1699
มันเป็นฐานข้อมูลของผลร้ายที่เกิดขึ้น
02:26
They literally put on the web --
50
134321
1642
พวกเขาเขียนไว้บนเว็บไซต์--
02:27
publicly available, you could all
download it right now --
download it right now --
51
135987
3119
มันเป็นสาธารณะ คุณสามารถดาวน์โหลด
มันตอนนี้ได้เลย --
มันตอนนี้ได้เลย --
02:31
hundreds of thousands
of adverse event reports
of adverse event reports
52
139130
3627
รายงานผลร้ายที่เกิดขึ้นเป็นแสน ๆ
02:34
from patients, doctors,
companies, pharmacists.
companies, pharmacists.
53
142781
3760
จากผู้ป่วย แพทย์ บริษัท เภสัช
02:38
And these reports are pretty simple:
54
146565
1749
และรายงานเหล่านี้ค่อนข้างจะเรียบง่าย
02:40
it has all the diseases
that the patient has,
that the patient has,
55
148338
2658
มันมีรายการโรคที่ผู้ป่วยเป็น
02:43
all the drugs that they're on,
56
151020
1767
ยาทั้งหมดที่พวกเขาใช้
02:44
and all the adverse events,
or side effects, that they experience.
or side effects, that they experience.
57
152811
3818
และการเกิดผลร้าย หรือผลข้างเคียงต่าง ๆ
ที่พวกเขาเจอ
ที่พวกเขาเจอ
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
มันไม่ใช่ผลร้ายทั้งหมด
ที่เกิดขึ้นในอเมริกาทุกวันนี้
ที่เกิดขึ้นในอเมริกาทุกวันนี้
02:52
but it's hundreds and hundreds
of thousands of drugs.
of thousands of drugs.
59
160113
2578
แต่มียาเป็นร้อย และเป็นแสน
02:54
So I said to Nick,
60
162715
1299
ผมเลยบอกกับนิคว่า
02:56
"Let's think about glucose.
61
164038
1826
"มาคิดกันเถึงระดับกลูโคสนะ
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
ระดับกลูโคสมีความสำคัญอย่างมาก
และเรารู้ว่ามันเกี่ยวข้องกับเบาหวาน
และเรารู้ว่ามันเกี่ยวข้องกับเบาหวาน
03:01
Let's see if we can understand
glucose response.
glucose response.
63
169479
3970
มาดูกันว่า เราเข้าใจการตอบสนองกลูโคส
หรือเปล่า
หรือเปล่า
03:05
I sent Nick off. Nick came back.
64
173473
2458
ผมส่งนิคออกไป แล้วนิคก็กลับมา
03:08
"Russ," he said,
65
176248
1786
"รัส" เขาพูด
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
"ผมสร้างตัวจัดกลุ่ม
ที่สามารถดูผลข้างเคียงของยา
ที่สามารถดูผลข้างเคียงของยา
03:15
based on looking at this database,
67
183487
2051
โดยดูจากฐานข้อมูลนี้
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
และสามารถบอกคุณได้ว่า
ยานั้นน่าจะเปลี่ยนระดับกลูโคสได้หรือไม่"
ยานั้นน่าจะเปลี่ยนระดับกลูโคสได้หรือไม่"
03:21
He did it. It was very simple, in a way.
69
189857
2016
เขาทำเช่นนั้น มันค่อนข้างจะง่ายทีเดียว
03:23
He took all the drugs
that were known to change glucose
that were known to change glucose
70
191897
2635
เขาเอายาทั้งหมด
ที่เรารู้ว่ามันเปลี่ยนระดับกลูโคส
ที่เรารู้ว่ามันเปลี่ยนระดับกลูโคส
03:26
and a bunch of drugs
that don't change glucose,
that don't change glucose,
71
194556
2389
และจัดกลุ่มยา
ที่ไม่มีผลในการเปลี่ยนระดับกลูโคส
ที่ไม่มีผลในการเปลี่ยนระดับกลูโคส
03:28
and said, "What's the difference
in their side effects?
in their side effects?
72
196969
2888
และบอกว่า "ผลข้างเคียงของพวกเขา
มีอะไรที่ต่างกัน
มีอะไรที่ต่างกัน
03:31
Differences in fatigue? In appetite?
In urination habits?"
In urination habits?"
73
199881
4852
มีความเมื่อยล้าต่างกัน ความอยากอาหาร
หรือพฤติกรรมการขับปัสสาวะ"
หรือพฤติกรรมการขับปัสสาวะ"
03:36
All those things conspired
to give him a really good predictor.
to give him a really good predictor.
74
204757
2960
ทั้งหมดนี้หลอมรวม
ให้เขาเป็นนักคาดคะเนชั้นเลิศ
ให้เขาเป็นนักคาดคะเนชั้นเลิศ
03:39
He said, "Russ, I can predict
with 93 percent accuracy
with 93 percent accuracy
75
207741
2548
เขาบอกว่า "รัส ผมสามารถคาดคะเนได้
ที่ระดับความแม่นยำ 93 เปอร์เซ็นต์
ที่ระดับความแม่นยำ 93 เปอร์เซ็นต์
03:42
when a drug will change glucose."
76
210313
1572
ว่าเมื่อไรยาจะเปลี่ยนระดับกลูโคส"
03:43
I said, "Nick, that's great."
77
211909
1416
ผมบอกว่า "นิค นั่นมันยอดไปเลย"
03:45
He's a young student,
you have to build his confidence.
you have to build his confidence.
78
213349
2896
เขาเป็นนักเรียนหนุ่ม
เราต้องเสริมความม้่นใจให้เขาหน่อย
เราต้องเสริมความม้่นใจให้เขาหน่อย
03:48
"But Nick, there's a problem.
79
216269
1390
"แต่นิค มันมีปัญหาอยู่นะ
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
แพทย์ทุกคนในโลกรู้ว่ายาทั้งหมดนี้
จะเปลี่ยนระดับกลูโคส
จะเปลี่ยนระดับกลูโคส
03:53
because it's core to our practice.
81
221667
2038
เพราะว่ามันเป็นส่วนสำคัญ
ของงานของเราอยู่แล้ว
ของงานของเราอยู่แล้ว
03:55
So it's great, good job,
but not really that interesting,
but not really that interesting,
82
223729
3722
ฉะนั้น มันเจ๋งดี แต่ไม่น่าสนใจเท่าไร
03:59
definitely not publishable."
83
227475
1531
แน่นอนว่าตีพิมพ์ไม่ได้แน่ ๆ "
04:01
(Laughter)
84
229030
1014
(เสียงหัวเราะ)
04:02
He said, "I know, Russ.
I thought you might say that."
I thought you might say that."
85
230068
2550
เขาบอกว่า "ผมรู้ รัส
ผมคิดว่าคุณอาจพูดแบบนั้น"
ผมคิดว่าคุณอาจพูดแบบนั้น"
04:04
Nick is smart.
86
232642
1152
นิคเป็นคนฉลาดครับ
04:06
"I thought you might say that,
so I did one other experiment.
so I did one other experiment.
87
234149
2874
"ผมคิดว่าคุณอาจพูดอย่างนั้น
ผมก็เลยทำการทดลองอีกอัน
ผมก็เลยทำการทดลองอีกอัน
04:09
I looked at people in this database
who were on two drugs,
who were on two drugs,
88
237047
2928
ดูว่าในคนในฐานข้อมูลนี้
คนไหนที่ใช้ยาสองอย่าง
คนไหนที่ใช้ยาสองอย่าง
04:11
and I looked for signals similar,
glucose-changing signals,
glucose-changing signals,
89
239999
4422
และผมมองหาสัญญาณที่คล้ายกัน
สัญญาณการเปลี่ยนแปลงระดับกลูโคส
สัญญาณการเปลี่ยนแปลงระดับกลูโคส
04:16
for people taking two drugs,
90
244445
1624
ในคนที่ใช้ยาสองอย่าง
04:18
where each drug alone
did not change glucose,
did not change glucose,
91
246093
5569
ซึ่งยาอย่างเดียว
จะไม่เปลี่ยนแปลงระดับกลูโคส
จะไม่เปลี่ยนแปลงระดับกลูโคส
04:23
but together I saw a strong signal."
92
251686
2460
แต่ถ้าใช้ด้วยกันแล้ว
ผมจะเห็นสัญญาณที่ชัดเจน"
ผมจะเห็นสัญญาณที่ชัดเจน"
04:26
And I said, "Oh! You're clever.
Good idea. Show me the list."
Good idea. Show me the list."
93
254170
3149
และผมบอกว่า "โอ้ คุณนี่ฉลาดจริง ๆ
ความคิดเจ๋งมาก ขอผมดูหน่อยสิ"
ความคิดเจ๋งมาก ขอผมดูหน่อยสิ"
04:29
And there's a bunch of drugs,
not very exciting.
not very exciting.
94
257343
2254
และก็มียามากมายในรายการนั้น
ไม่ค่อยน่าสนใจเท่าไร
ไม่ค่อยน่าสนใจเท่าไร
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
แต่ที่สะดุดตาผมก็คือ
ในรายการนั้นมียาสองอย่าง
ในรายการนั้นมียาสองอย่าง
04:35
paroxetine, or Paxil, an antidepressant;
96
263577
3393
พารอกซิทิน หรือพาซิล
ยาต้านอาการซึมเศร้า
ยาต้านอาการซึมเศร้า
04:39
and pravastatin, or Pravachol,
a cholesterol medication.
a cholesterol medication.
97
267756
3570
และพราวาสตาติน หรือพราวาคอล
ยาที่ใช้รักษาอาการที่เกี่ยวกับคลอเรสเตอรอล
ยาที่ใช้รักษาอาการที่เกี่ยวกับคลอเรสเตอรอล
04:43
And I said, "Huh. There are millions
of Americans on those two drugs."
of Americans on those two drugs."
98
271936
4283
และผมบอกว่า "อ้า มีชาวอเมริกันหลายล้าน
ที่ใช้ยานั่น"
ที่ใช้ยานั่น"
04:48
In fact, we learned later,
99
276243
1246
อันที่จริง ต่อมาเรารู้ว่า
04:49
15 million Americans on paroxetine
at the time, 15 million on pravastatin,
at the time, 15 million on pravastatin,
100
277513
6032
มีคนอเมริกัน 15 ล้านคนที่ใช้พารอกซิทิน
ในเวลานั้น อีก 15 ล้านคนใช้พราวาสตาติน
ในเวลานั้น อีก 15 ล้านคนใช้พราวาสตาติน
04:55
and a million, we estimated, on both.
101
283569
2817
และอีกล้าน จากการกะประมาณ ใช้ทั้งสองอย่าง
04:58
So that's a million people
102
286767
1254
ฉะนั้นมีคนล้านคน
05:00
who might be having some problems
with their glucose
with their glucose
103
288045
2453
ที่อาจมีปัญหาเกี่ยวกับระดับกลูโคส
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
ถ้าเครื่องจักรเรียนรู้ (machine-learning) จอมยุ่ง
ที่เขาสร้างขึ้นในฐานข้อมูลองค์กรอาหารและยา
ที่เขาสร้างขึ้นในฐานข้อมูลองค์กรอาหารและยา
05:05
actually holds up.
105
293752
1254
ทำงานได้ดี
05:07
But I said, "It's still not publishable,
106
295030
1927
แต่ผมบอกว่า "มันยังไม่สามารถตีพิมพ์ได้
05:08
because I love what you did
with the mumbo jumbo,
with the mumbo jumbo,
107
296981
2296
เพราะผมชอบที่ผมทำกับเจ้านี่
05:11
with the machine learning,
108
299301
1246
กับเครื่องจักรเรียนรู้
05:12
but it's not really standard-of-proof
evidence that we have."
evidence that we have."
109
300571
3864
แต่สิ่งที่เรามี
มันไม่ใช่หลักฐานตามมาตราฐานจริง ๆ"
มันไม่ใช่หลักฐานตามมาตราฐานจริง ๆ"
05:17
So we have to do something else.
110
305618
1589
เราจะต้องทำอย่างอื่นอีก
05:19
Let's go into the Stanford
electronic medical record.
electronic medical record.
111
307231
2876
ไปดูบันทึกทางการแพทย์อิเล็กทรอนิค
ของสแตนฟอร์ดดีกว่า
ของสแตนฟอร์ดดีกว่า
05:22
We have a copy of it
that's OK for research,
that's OK for research,
112
310131
2064
เราได้สำเนามา นั่นก็โอเคแล้วสำหรับการวิจัย
05:24
we removed identifying information.
113
312219
2046
เราลบข้อมูลส่วนบุคคลออกไป
05:26
And I said, "Let's see if people
on these two drugs
on these two drugs
114
314581
2503
และผมพูดว่า "มาดูกันว่า
คนที่ใช้ยาสองชนิดนี้
คนที่ใช้ยาสองชนิดนี้
05:29
have problems with their glucose."
115
317108
1769
มีปัญหากับระดับกลูโคสของเขาหรือเปล่า"
05:31
Now there are thousands
and thousands of people
and thousands of people
116
319242
2207
ตอนนี้ มีคนเป็นพัน ๆ
05:33
in the Stanford medical records
that take paroxetine and pravastatin.
that take paroxetine and pravastatin.
117
321473
3459
ในบันทึกทางการแพทย์ของสแตนฟอร์ด
ที่ใช้ยาพารอกซิทิน และพราวาสตาติน
ที่ใช้ยาพารอกซิทิน และพราวาสตาติน
05:36
But we needed special patients.
118
324956
1799
แต่เราต้องการผู้ป่วยที่พิเศษ
05:38
We needed patients who were on one of them
and had a glucose measurement,
and had a glucose measurement,
119
326779
4597
เราต้องการผู้ป่วยที่ใช้ยาตัวหนึ่ง
และได้รับการวัดระดับกลูโคส
และได้รับการวัดระดับกลูโคส
05:43
then got the second one and had
another glucose measurement,
another glucose measurement,
120
331400
3449
จากนั้นได้ยาตัวที่สอง
และได้รับการวัดระดับกลูโคสอีกครั้ง
และได้รับการวัดระดับกลูโคสอีกครั้ง
05:46
all within a reasonable period of time --
something like two months.
something like two months.
121
334873
3615
โดยทั้งหมดนี้ทำในช่วงเวลาที่สมเหตุสมผล
-- ในเวลาประมาณสองเดือน
-- ในเวลาประมาณสองเดือน
05:50
And when we did that,
we found 10 patients.
we found 10 patients.
122
338512
3159
และเมื่อเราทำอย่างนั้น เราพบผู้ป่วย 10 ราย
05:54
However, eight out of the 10
had a bump in their glucose
had a bump in their glucose
123
342592
4538
อย่างไรก็ดี แปดจาก 10
มีระดับกลูโคสที่ลดลง
มีระดับกลูโคสที่ลดลง
05:59
when they got the second P --
we call this P and P --
we call this P and P --
124
347154
2645
เมื่อพวกเขาได้ยาพีตัวที่สอง --
พวกเราเรียกมันว่า พี และ พี --
พวกเราเรียกมันว่า พี และ พี --
06:01
when they got the second P.
125
349823
1310
เมื่อพวกเขาได้ยาพีตัวที่สอง
06:03
Either one could be first,
the second one comes up,
the second one comes up,
126
351157
2562
ยาตัวใดตัวหนึ่งสามารถเป็นตัวแรกได้
และตัวที่สองก็คืออีกตัวหนึ่ง
และตัวที่สองก็คืออีกตัวหนึ่ง
06:05
glucose went up
20 milligrams per deciliter.
20 milligrams per deciliter.
127
353743
2847
ระดับกลูโคสสูงขึ้นถึง
20 มิลลิกรัมต่อเดซิลิตร
20 มิลลิกรัมต่อเดซิลิตร
06:08
Just as a reminder,
128
356614
1158
ขอบอกคุณสักนิดว่า
06:09
you walk around normally,
if you're not diabetic,
if you're not diabetic,
129
357796
2325
คุณเดินไปเดินมาเป็นปกติ
ถ้าคุณไม่เป็นเบาหวาน
ถ้าคุณไม่เป็นเบาหวาน
06:12
with a glucose of around 90.
130
360145
1359
ด้วยระดับน้ำตาลประมาณ 90
06:13
And if it gets up to 120, 125,
131
361528
2076
และถ้ามันสูงถึง 120, 125
06:15
your doctor begins to think
about a potential diagnosis of diabetes.
about a potential diagnosis of diabetes.
132
363628
3450
แพทย์ของคุณจะเริ่มติดถึง
การวินิจฉัยเกี่ยวกับเบาหวานที่น่าจะเป็นไปได้
การวินิจฉัยเกี่ยวกับเบาหวานที่น่าจะเป็นไปได้
06:19
So a 20 bump -- pretty significant.
133
367102
2991
ฉะนั้น การที่มันสูงขึ้น 20 --
ค่อนข้างมีนัยสำคัญ
ค่อนข้างมีนัยสำคัญ
06:22
I said, "Nick, this is very cool.
134
370601
1904
ผมพูดว่า "นิค นี่มันเจ๋งมาก
06:25
But, I'm sorry, we still
don't have a paper,
don't have a paper,
135
373616
2053
แต่ผมเสียใจด้วยนะ
เรายังไม่สามารถตีพิมพ์ได้
เรายังไม่สามารถตีพิมพ์ได้
06:27
because this is 10 patients
and -- give me a break --
and -- give me a break --
136
375693
2579
เพราะว่าผู้ป่วย 10 คน และ
-- เดี๋ยวก่อนนะ --
-- เดี๋ยวก่อนนะ --
06:30
it's not enough patients."
137
378296
1245
มันไม่เพียงพอ"
06:31
So we said, what can we do?
138
379565
1306
เราก็เลยบอกว่า เราจะทำอย่างไรดี
06:32
And we said, let's call our friends
at Harvard and Vanderbilt,
at Harvard and Vanderbilt,
139
380895
2976
และเราก็บอกว่า ลองโทรหาเพื่อนของเรา
ที่ฮาร์วาร์ดและวานเดอร์บิลท์
ที่ฮาร์วาร์ดและวานเดอร์บิลท์
06:35
who also -- Harvard in Boston,
Vanderbilt in Nashville,
Vanderbilt in Nashville,
140
383895
2587
ผู้ที่ยัง -- ฮาร์วาร์ดในบอสตัน
วานเดอร์บิลท์ในแนชวิล
วานเดอร์บิลท์ในแนชวิล
06:38
who also have electronic
medical records similar to ours.
medical records similar to ours.
141
386506
2821
ผู้ที่มีบันทึกทางการแพทย์อิเล็กทรอนิต
ที่คล้ายกับของเรา
ที่คล้ายกับของเรา
06:41
Let's see if they can find
similar patients
similar patients
142
389351
2020
ลองมาดูว่า พวกเราจะพบ
คนไข้ที่คล้าย ๆ กันหรือเปล่า
คนไข้ที่คล้าย ๆ กันหรือเปล่า
06:43
with the one P, the other P,
the glucose measurements
the glucose measurements
143
391395
3276
ที่ใช้ยาพีตัวแรก และพีอีกตัว
และมีผลระดับกลูโคส
และมีผลระดับกลูโคส
06:46
in that range that we need.
144
394695
1600
ในช่วงที่เราต้องการ
06:48
God bless them, Vanderbilt
in one week found 40 such patients,
in one week found 40 such patients,
145
396787
4955
พระเจ้าช่วย วาลเดอร์บิลท์
พบคนไข้แบบนั้น 40 รายในหนึ่งสัปดาห์
พบคนไข้แบบนั้น 40 รายในหนึ่งสัปดาห์
06:53
same trend.
146
401766
1189
ในรูปแบบเดียวกัน
06:55
Harvard found 100 patients, same trend.
147
403804
3620
ฮาร์วาร์ดพบผู้ป่วย 100 คน
ที่มีรูปแบบเดียวกัน
ที่มีรูปแบบเดียวกัน
06:59
So at the end, we had 150 patients
from three diverse medical centers
from three diverse medical centers
148
407448
4281
ฉะนั้น สุดท้ายแล้วเรามีผู้ป่วย 150 ราย
จากบันทึกทางการแพทย์ต่าง ๆ สามแห่ง
จากบันทึกทางการแพทย์ต่าง ๆ สามแห่ง
07:03
that were telling us that patients
getting these two drugs
getting these two drugs
149
411753
3297
นั่นกำลังบอกกับเราว่า
ผู้ป่วยที่ใช้ยาสองอย่างนี้
ผู้ป่วยที่ใช้ยาสองอย่างนี้
07:07
were having their glucose bump
somewhat significantly.
somewhat significantly.
150
415074
2703
มีการเพิ่มขึ้นของระดับกลูโคส
ที่ค่อนข้างมีนัยสำคัญ
ที่ค่อนข้างมีนัยสำคัญ
07:10
More interestingly,
we had left out diabetics,
we had left out diabetics,
151
418317
2810
ที่น่าสนใจไปกว่านั้น
เราได้ตัดผู้ที่เป็นเบาหวานออกไป
เราได้ตัดผู้ที่เป็นเบาหวานออกไป
07:13
because diabetics already
have messed up glucose.
have messed up glucose.
152
421151
2317
เพราะว่า เบาหวาน
ทำระดับกลูโคสยุ่งเหยิงอยู่แล้ว
ทำระดับกลูโคสยุ่งเหยิงอยู่แล้ว
07:15
When we looked
at the glucose of diabetics,
at the glucose of diabetics,
153
423492
2238
เมื่อเราดูที่ระดับกลูโคสในผู้ที่เป็นเบาหวาน
07:17
it was going up 60 milligrams
per deciliter, not just 20.
per deciliter, not just 20.
154
425754
3435
มันสูงขึ้นถึง 60 มิลลิกรัมต่อเดซิลิตร
ไม่ใช่เพียง 20
ไม่ใช่เพียง 20
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
นั่นเป็นเรื่องใหญ่ และเราบอกว่า
"เราต้องตีพิมพ์สิ่งนี้"
"เราต้องตีพิมพ์สิ่งนี้"
07:25
We submitted the paper.
156
433236
1179
เราส่งบทความของเราไปยังสำนักพิมพ์
07:26
It was all data evidence,
157
434439
2111
ทุกอย่างมีหลักฐานข้อมูล
07:28
data from the FDA, data from Stanford,
158
436574
2483
ข้อมูลจากองค์กรอาหารและยา
ข้อมูลจากสแตนฟอร์ด
ข้อมูลจากสแตนฟอร์ด
07:31
data from Vanderbilt, data from Harvard.
159
439081
1946
ข้อมูลจากแบนเดอร์บิลท์
ข้อมูลจากฮาร์วาร์ด
ข้อมูลจากฮาร์วาร์ด
07:33
We had not done a single real experiment.
160
441051
2396
เราไม่ได้ทำการทดลองจริง ๆ สักครั้ง
07:36
But we were nervous.
161
444495
1296
แต่เราก็ตื่นเต้น
07:38
So Nick, while the paper
was in review, went to the lab.
was in review, went to the lab.
162
446201
3730
ในขณะที่บทความของเราถูกตรวจอยู่นั้น
นิคก็เลยไปที่ห้องทดลอง
นิคก็เลยไปที่ห้องทดลอง
07:41
We found somebody
who knew about lab stuff.
who knew about lab stuff.
163
449955
2462
เราพบกับคนที่รู้เรื่องต่าง ๆ ในห้องทดลอง
07:44
I don't do that.
164
452441
1393
ผมไม่ได้ทำอะไรพวกนี้
07:45
I take care of patients,
but I don't do pipettes.
but I don't do pipettes.
165
453858
2417
ผมดูแลคนไข้ แต่ไม่เคยจับปิเปตต์
07:49
They taught us how to feed mice drugs.
166
457420
3053
พวกเขาสอนผมว่าต้องป้อนยาให้หนูอย่างไร
07:52
We took mice and we gave them
one P, paroxetine.
one P, paroxetine.
167
460864
2414
เราเอาหนูมาและเราให้พีหนึ่ง
พารอกซิทินกับพวกมัน
พารอกซิทินกับพวกมัน
07:55
We gave some other mice pravastatin.
168
463302
2508
เราให้พราวาสตาตินกับหนูอีกกลุ่ม
07:57
And we gave a third group
of mice both of them.
of mice both of them.
169
465834
3595
และเราให้หนูกลุ่มที่สามกินยาทั้งสองอย่าง
08:01
And lo and behold, glucose went up
20 to 60 milligrams per deciliter
20 to 60 milligrams per deciliter
170
469893
3946
และดูเถอะดู ระดับกลูโคสสูงขึ้นไปถึง
20 ถึง 60 มิลลิกรัมต่อเดซิลิตร
20 ถึง 60 มิลลิกรัมต่อเดซิลิตร
08:05
in the mice.
171
473863
1171
ในหนูพวกนี้
08:07
So the paper was accepted
based on the informatics evidence alone,
based on the informatics evidence alone,
172
475058
3158
บทความของเราได้รับการยอมรับ
โดยหลักฐานทางข้อมูลเพียงอย่างเดียว
โดยหลักฐานทางข้อมูลเพียงอย่างเดียว
08:10
but we added a little note at the end,
173
478240
1894
แต่เราเพิ่มข้อความในส่วนท้าย
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
ที่ว่า โอ แต่จะบอกอะไรให้
ถ้าคุณให้ยากับหนู ระดับมันจะเพิ่มขึ้น
ถ้าคุณให้ยากับหนู ระดับมันจะเพิ่มขึ้น
08:15
That was great, and the story
could have ended there.
could have ended there.
175
483081
2508
นั่นมันยอดเลย และเรื่องก็น่าจะจบลงตรงนั้น
08:17
But I still have six and a half minutes.
176
485613
1997
แต่ผมยังมีอีกหกนาทีครึ่ง
08:19
(Laughter)
177
487634
2807
(เสียงหัวเราะ)
08:22
So we were sitting around
thinking about all of this,
thinking about all of this,
178
490465
2815
พวกเรามานั่งล้อมวงกันแล้วคิดเกี่ยวกับสิ่งนี้
08:25
and I don't remember who thought
of it, but somebody said,
of it, but somebody said,
179
493304
2735
และผมก็จำไม่ได้ว่าใครคิด
แต่ใครสักคนพูดว่า
แต่ใครสักคนพูดว่า
08:28
"I wonder if patients
who are taking these two drugs
who are taking these two drugs
180
496063
3201
"ผมสงสัยจังว่าคนไข้ที่ได้รับยาทั้งสอง
08:31
are noticing side effects
of hyperglycemia.
of hyperglycemia.
181
499288
3553
สังเกตเห็นผลข้างเคียง
ของการมีกลูโคสมากนี้ไหม
ของการมีกลูโคสมากนี้ไหม
08:34
They could and they should.
182
502865
1496
พวกเขาควรและน่าจะเห็น
08:36
How would we ever determine that?"
183
504761
1877
เราจะรู้ได้อย่างไร"
08:39
We said, well, what do you do?
184
507551
1443
พวกเราบอกว่า เอาล่ะ คุณจะทำอย่างไร
08:41
You're taking a medication,
one new medication or two,
one new medication or two,
185
509018
2580
คุณใช้ยา ยาตัวใหม่หนึ่งหรือสองตัว
08:43
and you get a funny feeling.
186
511622
1538
และมีอาการแปลก ๆ
08:45
What do you do?
187
513184
1151
คุณจะทำอย่างไร
08:46
You go to Google
188
514359
1151
คุณจะไปกูเกิล
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
และพิมพ์ชื่อยาทั้งสองที่คุณใช้
หรือยาตัวหนึ่งที่คุณใช้
หรือยาตัวหนึ่งที่คุณใช้
08:50
and you type in "side effects."
190
518907
1603
และคุณจะพิมพ์คำว่า "ผลข้างเคียง"
08:52
What are you experiencing?
191
520534
1356
คุณจะเจออะไร
08:54
So we said OK,
192
522239
1151
เราเลยบอกว่า เอาล่ะ
08:55
let's ask Google if they will share
their search logs with us,
their search logs with us,
193
523414
3056
ลองถามกูเกิลดูสิ ว่าพวกเขาจะแบ่งปัน
ผลการป้อนคำค้นหากับเราไหม
ผลการป้อนคำค้นหากับเราไหม
08:58
so that we can look at the search logs
194
526494
1833
เพื่อที่เราจะสามารถดูผลการป้อนคำค้นหาได้
09:00
and see if patients are doing
these kinds of searches.
these kinds of searches.
195
528351
2565
และดูว่าผู้ป่วยทำการค้นหา
อะไรพวกนี้หรือเปล่า
อะไรพวกนี้หรือเปล่า
09:02
Google, I am sorry to say,
denied our request.
denied our request.
196
530940
3275
ผมเสียใจที่จะต้องบอกว่า
กูเกิลปฏิเสธคำขอของเรา
กูเกิลปฏิเสธคำขอของเรา
09:06
So I was bummed.
197
534819
1151
ผมผิดหวังครับ
09:07
I was at a dinner with a colleague
who works at Microsoft Research
who works at Microsoft Research
198
535994
3166
ผมกำลังรับประทานอาหารเย็น
กับเพื่อนร่วมงานที่ไมโครซอร์ฟ รีเซิร์ช
กับเพื่อนร่วมงานที่ไมโครซอร์ฟ รีเซิร์ช
09:11
and I said, "We wanted to do this study,
199
539184
1941
ผมบอกว่า "ผมอยากจะทำการศึกษานี้
09:13
Google said no, it's kind of a bummer."
200
541149
1880
กูเกิลบอกว่า ไม่ มันน่าผิดหวังจริง ๆ"
09:15
He said, "Well, we have
the Bing searches."
the Bing searches."
201
543053
2086
เขาบอกว่า "ถ้าอย่างนั้น เรามี บิง เสิร์จ นะ"
09:18
(Laughter)
202
546195
3483
(เสียงหัวเราะ)
09:22
Yeah.
203
550805
1267
ครับ
09:24
That's great.
204
552096
1151
ยอดไปเลย
09:25
Now I felt like I was --
205
553271
1151
ตอนนี้ผมรู้สึกว่าผม --
09:26
(Laughter)
206
554446
1000
(เสียงหัวเราะ)
09:27
I felt like I was talking to Nick again.
207
555470
2412
ผมรู้สีกว่าผมกำลังพูดอยู่กับนิคอีกแล้ว
09:30
He works for one of the largest
companies in the world,
companies in the world,
208
558437
2624
เขาทำงานให้กับบริษัท
ที่ใหญ่ที่สุดในโลกแห่งหนึ่ง
ที่ใหญ่ที่สุดในโลกแห่งหนึ่ง
09:33
and I'm already trying
to make him feel better.
to make him feel better.
209
561085
2206
และผมก็พร้อมที่จะลองทำให้เขารู้สึกดีขึ้น
09:35
But he said, "No, Russ --
you might not understand.
you might not understand.
210
563315
2445
แต่เขาบอกว่า "ไม่ รัส คุณไม่เข้าใจหรอก
09:37
We not only have Bing searches,
211
565784
1500
พวกเรามีแค่ บิง เสิร์จ
09:39
but if you use Internet Explorer
to do searches at Google,
to do searches at Google,
212
567308
3340
แต่ถ้าคุณใช้ อินเทอร์เน็ต เอ็กซ์พลอเลอร์
ทำการค้นหาในกูเกิล
ทำการค้นหาในกูเกิล
09:42
Yahoo, Bing, any ...
213
570672
1891
ยาฮู, บิง หรืออะไรก็ตาม
09:44
Then, for 18 months, we keep that data
for research purposes only."
for research purposes only."
214
572587
3643
จากนั้น เราจะเก็บข้อมูลเอาไว้เพื่อจุดประสงค์
ในการวิจัยเท่านั้น เป็นเวลา 18 เดือน"
ในการวิจัยเท่านั้น เป็นเวลา 18 เดือน"
09:48
I said, "Now you're talking!"
215
576254
1936
ผมบอกว่า "นั่นแหละ ค่อยเข้าท่าหน่อย"
09:50
This was Eric Horvitz,
my friend at Microsoft.
my friend at Microsoft.
216
578214
2198
นี่คือ อิริค ฮอร์วิทซ์
เพื่อนของผมที่ไมโครซอร์ฟ
เพื่อนของผมที่ไมโครซอร์ฟ
09:52
So we did a study
217
580436
1695
เราทำการศึกษา
09:54
where we defined 50 words
that a regular person might type in
that a regular person might type in
218
582155
4619
ซึ่งเรากำหนดคำ 50 คน
ที่คนทั่วไปจะพิมพ์
ที่คนทั่วไปจะพิมพ์
09:58
if they're having hyperglycemia,
219
586798
1602
ถ้าพวกเขามีภาวะน้ำตาลสูง
10:00
like "fatigue," "loss of appetite,"
"urinating a lot," "peeing a lot" --
"urinating a lot," "peeing a lot" --
220
588424
4762
เช่น "ปวดเมื่อย" "ไม่อยากอาหาร"
"ปัสสาวะมาก" "ฉี่เยอะ" --
"ปัสสาวะมาก" "ฉี่เยอะ" --
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
ขอโทษครับ แต่นั่นอาจเป็นคำที่คุณจะพิมพ์
10:08
So we had 50 phrases
that we called the "diabetes words."
that we called the "diabetes words."
222
596001
2790
เราได้กลุ่มคำมา 50 กลุ่มคำ
ที่เรียกว่า "คำที่เกี่ยวกับเบาหวาน"
ที่เรียกว่า "คำที่เกี่ยวกับเบาหวาน"
10:10
And we did first a baseline.
223
598815
2063
และเราก็สร้างเส้นมาตราฐานล่างก่อน
10:12
And it turns out
that about .5 to one percent
that about .5 to one percent
224
600902
2704
และกลายเป็นว่าประมาณ .5 ถึง 1 เปอร์เซ็นต์
10:15
of all searches on the Internet
involve one of those words.
involve one of those words.
225
603630
2982
ของผู้ทำการค้นหาทางอินเทอร์เน็ต
ใช้คำที่เกี่ยวข้องกับคำพวกนี้
ใช้คำที่เกี่ยวข้องกับคำพวกนี้
10:18
So that's our baseline rate.
226
606636
1742
ฉะนั้น นั่นเป็นเส้นมาตราฐานล่างของเรา
10:20
If people type in "paroxetine"
or "Paxil" -- those are synonyms --
or "Paxil" -- those are synonyms --
227
608402
4143
ถ้าคนพิมพ์คำว่า "พารอกซิทิน"
หรือ "พาซิล" -- นั่นเป็นคำเหมือนนะครับ --
หรือ "พาซิล" -- นั่นเป็นคำเหมือนนะครับ --
10:24
and one of those words,
228
612569
1215
และหนึ่งในคำเหล่านี้
10:25
the rate goes up to about two percent
of diabetes-type words,
of diabetes-type words,
229
613808
4890
อัตราการใช้คำที่เกี่ยวกับเบาหวาน
จะสูงขึ้นถึงประมาณสองเปอร์เซ็นต์
จะสูงขึ้นถึงประมาณสองเปอร์เซ็นต์
10:30
if you already know
that there's that "paroxetine" word.
that there's that "paroxetine" word.
230
618722
3044
ถ้าคุณรู้แล้วว่านั่นมีคำว่า "พารอกซิทิน"
อยู่ด้วย
อยู่ด้วย
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
ถ้ามันเป็น "พราวาสตาติน" อัตราการใช้คำ
จะสูงจากเส้นล่างถึงสามเปอร์เซ็นต์
จะสูงจากเส้นล่างถึงสามเปอร์เซ็นต์
10:39
If both "paroxetine" and "pravastatin"
are present in the query,
are present in the query,
232
627171
4390
ถ้าทั้งคำว่า "พารอกซิทิน" และ
"พราวาสตาติน" อยู่ในข้อความค้นหา
"พราวาสตาติน" อยู่ในข้อความค้นหา
10:43
it goes up to 10 percent,
233
631585
1669
มันจะสูงถึง 10 เปอร์เซ็นต์
10:45
a huge three- to four-fold increase
234
633278
3461
ซึ่งเป็นการเพิ่มขึ้นสามถึงสี่เท่า
10:48
in those searches with the two drugs
that we were interested in,
that we were interested in,
235
636763
3389
ในผู้ที่ค้นหาด้วยยาสองชนิด
ที่เราสนใจ
ที่เราสนใจ
10:52
and diabetes-type words
or hyperglycemia-type words.
or hyperglycemia-type words.
236
640176
3566
และคำที่เกี่ยวข้องกับเบาหวาน
หรือคำที่เกี่ยวข้องกับภาวะน้ำตาลสูง
หรือคำที่เกี่ยวข้องกับภาวะน้ำตาลสูง
10:56
We published this,
237
644216
1265
เราตีพิมพ์สิ่งนี้
10:57
and it got some attention.
238
645505
1466
และได้รับความสนใจบ้าง
10:58
The reason it deserves attention
239
646995
1778
เหตุผลที่มันสมควรได้รับความสนใจ
11:00
is that patients are telling us
their side effects indirectly
their side effects indirectly
240
648797
4312
ก็คือผู้ป่วยกำลังบอกเรา
ถึงผลข้างเคียงที่เกิดขึ้นพวกเขา
ถึงผลข้างเคียงที่เกิดขึ้นพวกเขา
11:05
through their searches.
241
653133
1156
ผ่านการค้นหาของพวกเขา
11:06
We brought this
to the attention of the FDA.
to the attention of the FDA.
242
654313
2138
พวกเราทำให้องค์กรอาหารและยาสนใจ
11:08
They were interested.
243
656475
1269
พวกเขาสนอกสนใจ
11:09
They have set up social media
surveillance programs
surveillance programs
244
657768
3606
พวกเขาตั้งโครงการตรวจตรา
ทางสื่อสังคมออนไลน์
ทางสื่อสังคมออนไลน์
11:13
to collaborate with Microsoft,
245
661398
1751
เพื่อร่วมมือกับไมโครซอร์ฟ
11:15
which had a nice infrastructure
for doing this, and others,
for doing this, and others,
246
663173
2794
ซึ่งมีโครงสร้างพื้นฐานที่ดี
สำหรับการทำงานนี้และงานอื่น ๆ
สำหรับการทำงานนี้และงานอื่น ๆ
11:17
to look at Twitter feeds,
247
665991
1282
เพื่อดูที่หน้าข่าวทวิตเตอร์
11:19
to look at Facebook feeds,
248
667297
1716
เพื่อดูที่หน้าข่าวเฟสบุ๊ค
11:21
to look at search logs,
249
669037
1311
เพื่อดูที่ผลการป้อนคำค้นหา
11:22
to try to see early signs that drugs,
either individually or together,
either individually or together,
250
670372
4909
เพื่อที่จะพยายามมองหาสัญญาณขั้นแรก
ที่ยาไม่ว่าจะเป็นการใช้เดี่ยวหรือใช้ร่วมกัน
ที่ยาไม่ว่าจะเป็นการใช้เดี่ยวหรือใช้ร่วมกัน
11:27
are causing problems.
251
675305
1589
ก่อให้เกิดปัญหา
11:28
What do I take from this?
Why tell this story?
Why tell this story?
252
676918
2174
ผมได้อะไรจากสิ่งนี้หรือครับ
ทำไมผมต้องมาเล่าเรื่องนี้ด้วย
ทำไมผมต้องมาเล่าเรื่องนี้ด้วย
11:31
Well, first of all,
253
679116
1207
ครับ ประการแรก
11:32
we have now the promise
of big data and medium-sized data
of big data and medium-sized data
254
680347
4037
ตอนนี้พวกเราข้อมูลมากมายที่น่าวางใจ
และข้อมูลขนาดกลาง
และข้อมูลขนาดกลาง
11:36
to help us understand drug interactions
255
684408
2918
ที่จะช่วยให้เราเข้าใจปฏิสัมพันธ์ของยา
11:39
and really, fundamentally, drug actions.
256
687350
2420
และอันที่จริง โดยพื้นฐาน กิจกรรมของยา
11:41
How do drugs work?
257
689794
1413
ยาทำงานได้อย่างไร
11:43
This will create and has created
a new ecosystem
a new ecosystem
258
691231
2836
มันจะสร้างและได้สร้างระบบนิเวศใหม่
11:46
for understanding how drugs work
and to optimize their use.
and to optimize their use.
259
694091
3267
สำหรับความเข้าใจต่อการทำงานของยา
และเพื่อปรับการใช้พวกมันให้เหมาะสม
และเพื่อปรับการใช้พวกมันให้เหมาะสม
11:50
Nick went on; he's a professor
at Columbia now.
at Columbia now.
260
698303
2659
นิคยังคงเดินหน้าต่อไป
ตอนนี้เขาเป็นศาสตราจารย์ที่โคลัมเบียแล้ว
ตอนนี้เขาเป็นศาสตราจารย์ที่โคลัมเบียแล้ว
11:52
He did this in his PhD
for hundreds of pairs of drugs.
for hundreds of pairs of drugs.
261
700986
4072
เขาทำสิ่งนี้ตอนเขาเป็นนักเรียนปริญญาเอก
โดยการดูยาหลายร้อยคู่
โดยการดูยาหลายร้อยคู่
11:57
He found several
very important interactions,
very important interactions,
262
705082
2517
เขาพบปฏิสัมพันธ์ที่สำคัญมาก ๆ
ในยาบางคู่
ในยาบางคู่
11:59
and so we replicated this
263
707623
1214
และเราก็ได้ทำซ้ำ
12:00
and we showed that this
is a way that really works
is a way that really works
264
708861
2574
และได้แสดงว่านี่เป็นวิธีที่ได้ผลจริง ๆ
12:03
for finding drug-drug interactions.
265
711459
2339
ในการค้นหาปฏิสัมพันธ์ระหว่างยา
12:06
However, there's a couple of things.
266
714282
1734
อย่างไรก็ดี ยังมีอีกสองสามอย่าง
12:08
We don't just use pairs
of drugs at a time.
of drugs at a time.
267
716040
3046
เราไม่ได้แค่จับคู่ยาเท่านั้น
12:11
As I said before, there are patients
on three, five, seven, nine drugs.
on three, five, seven, nine drugs.
268
719110
4469
อย่างที่ผมบอกก่อนหน้านี้ มีคนไข้
ที่ใช้ยาสาม , ห้า, เจ็ด, เก้าอย่าง
ที่ใช้ยาสาม , ห้า, เจ็ด, เก้าอย่าง
12:15
Have they been studied with respect
to their nine-way interaction?
to their nine-way interaction?
269
723981
3642
พวกเขาเคยได้ศึกษาโดยคำนึงถึง
ปฎิสัมพันธ์ทั้งเก้าทางนั้นหรือเปล่า
ปฎิสัมพันธ์ทั้งเก้าทางนั้นหรือเปล่า
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
ครับ เราสามารถทำการจับคู่
A และ B A และ C A และ D ได้
A และ B A และ C A และ D ได้
12:23
but what about A, B, C,
D, E, F, G all together,
D, E, F, G all together,
271
731879
4286
แล้ว A B C D E F G ด้วยกันทั้งหมด
12:28
being taken by the same patient,
272
736189
1762
ที่ถูกใช้โดยคนไข้คนเดียวกันล่ะ
12:29
perhaps interacting with each other
273
737975
2118
บางทีมันมีปฏิสัมพันธ์ระหว่างกันและกัน
12:32
in ways that either makes them
more effective or less effective
more effective or less effective
274
740117
3778
ในแบบที่ไม่ทำให้พวกมัน
มีประสิทธิภาพมากขึ้นก็น้อยลง
มีประสิทธิภาพมากขึ้นก็น้อยลง
12:35
or causes side effects
that are unexpected?
that are unexpected?
275
743919
2332
หรืออาจทำให้เกิดผลข้างเคียงที่ไม่คาดคิด
12:38
We really have no idea.
276
746275
1827
เราไม่รู้เลยจริง ๆ
12:40
It's a blue sky, open field
for us to use data
for us to use data
277
748126
3756
มันเหมือนท้องฟ้าที่กว้างใหญ่
ทุ่งหญ้ากว้างไกล สำหรับเราที่จะใช้ข้อมูล
ทุ่งหญ้ากว้างไกล สำหรับเราที่จะใช้ข้อมูล
12:43
to try to understand
the interaction of drugs.
the interaction of drugs.
278
751906
2502
เพื่อพยายามเข้าใจการมีปฏิสัมพันธ์ของยา
12:46
Two more lessons:
279
754848
1370
อีกสองบทเรียนครับ
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
ผมอยากให้คุณคิดถึงอำนาจ
ที่เราจะสามารถสร้างได้
ที่เราจะสามารถสร้างได้
12:52
with the data from people who had
volunteered their adverse reactions
volunteered their adverse reactions
281
760465
4711
ด้วยข้อมูลจากผู้คนที่อาสาให้
ข้อมูลผลร้ายที่เกิดขึ้น
ข้อมูลผลร้ายที่เกิดขึ้น
12:57
through their pharmacists,
through themselves, through their doctors,
through themselves, through their doctors,
282
765200
3269
ผ่านเภสัชกรของพวกเขา
ผ่านตัวพวกเขาเอง ผ่านแพทย์ของพวกเขา
ผ่านตัวพวกเขาเอง ผ่านแพทย์ของพวกเขา
13:00
the people who allowed the databases
at Stanford, Harvard, Vanderbilt,
at Stanford, Harvard, Vanderbilt,
283
768493
3667
ผู้คนที่ยอมให้ฐานข้อมูล
กับสแตนฟอร์ด ฮาร์วาร์ด แวนเดอร์บิลท์
กับสแตนฟอร์ด ฮาร์วาร์ด แวนเดอร์บิลท์
13:04
to be used for research.
284
772184
1427
เพื่อใช้ในการวิจัย
13:05
People are worried about data.
285
773929
1445
ผู้คนเป็นกังวลเกี่ยวกับฐานข้อมูล
13:07
They're worried about their privacy
and security -- they should be.
and security -- they should be.
286
775398
3187
พวกเขาเป็นห่วงเรื่องความเป็นส่วนตัว
และความปลอดภัย -- พวกเขาก็ควรครับ
และความปลอดภัย -- พวกเขาก็ควรครับ
13:10
We need secure systems.
287
778609
1151
พวกเราต้องการระบบที่ปลอดภัย
13:11
But we can't have a system
that closes that data off,
that closes that data off,
288
779784
3406
แต่พวกเราไม่สามารถมีระบบ
ที่ปิดตายข้อมูลเหล่านั้นได้
ที่ปิดตายข้อมูลเหล่านั้นได้
13:15
because it is too rich of a source
289
783214
2752
เพราะว่ามันเป็นแหล่งของข้อมูลที่มากมาย
13:17
of inspiration, innovation and discovery
290
785990
3971
ของแรงบันดาลใจ นวัตกรรม และการค้นพบ
13:21
for new things in medicine.
291
789985
1578
สำหรับสิ่งใหม่ในวงการแพทย์
13:24
And the final thing I want to say is,
292
792494
1794
และสิ่งสุดท้ายที่ผมอยากจะบอกก็คือ
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
ในกรณีนี้ เราพบยาสองชนิด
และมันเป็นเรื่องที่ค่อนข้างน่าเสียใจ
และมันเป็นเรื่องที่ค่อนข้างน่าเสียใจ
13:29
The two drugs actually caused problems.
294
797693
1921
ยาสองตัวที่สร้างปัญหา
13:31
They increased glucose.
295
799638
1475
พวกมันเพิ่มระดับกลูโคส
13:33
They could throw somebody into diabetes
296
801137
2446
พวกมันทำให้ใครสักคนเป็นเบาหวาน
13:35
who would otherwise not be in diabetes,
297
803607
2294
ผู้ที่ไม่อย่างนั้นก็คงจะไม่เป็นเบาหวาน
13:37
and so you would want to use
the two drugs very carefully together,
the two drugs very carefully together,
298
805925
3175
และคุณก็จะระมัดระวัง
ในการใช้ยาสองตัวนี้ด้วยกัน
ในการใช้ยาสองตัวนี้ด้วยกัน
13:41
perhaps not together,
299
809124
1151
บางที ไม่ควรใช้มันด้วยกัน
13:42
make different choices
when you're prescribing.
when you're prescribing.
300
810299
2340
ทำการตัดสินใจที่ต่างออกไป
เมื่อคุณเขียนใบสั่งยา
เมื่อคุณเขียนใบสั่งยา
13:44
But there was another possibility.
301
812663
1846
แต่มันยังมีความเป็นไปได้อีกอย่าง
13:46
We could have found
two drugs or three drugs
two drugs or three drugs
302
814533
2344
เราอาจได้พบกับยาสองหรือสามตัว
13:48
that were interacting in a beneficial way.
303
816901
2261
ที่มีปฏิสัมพันธ์ต่อกันในแบบที่เป็นประโยชน์
13:51
We could have found new effects of drugs
304
819616
2712
เราอาจพบกับยาใหม่ที่มีคุณภาพ
13:54
that neither of them has alone,
305
822352
2160
ที่มันทั้งไม่ใช่แค่มันตัวเดียว
13:56
but together, instead
of causing a side effect,
of causing a side effect,
306
824536
2493
แต่ทั้งคู่ แทนที่จะมีผลข้างเคียง
13:59
they could be a new and novel treatment
307
827053
2425
พวกมันอาจเป็นการบำบัดโรค
ที่ใหม่และก้าวหน้า
ที่ใหม่และก้าวหน้า
14:01
for diseases that don't have treatments
308
829502
1882
ที่เรายังไม่มีวิธีการบำบัดรักษา
14:03
or where the treatments are not effective.
309
831408
2007
หรือเมื่อการบำบัดรักษาไม่มีประสิทธิภาพ
14:05
If we think about drug treatment today,
310
833439
2395
ถ้าเราคิดถึงการใช้ยาทุกวันนี้
14:07
all the major breakthroughs --
311
835858
1752
ความก้าวหน้าที่สำคัญทั้งหมด --
14:09
for HIV, for tuberculosis,
for depression, for diabetes --
for depression, for diabetes --
312
837634
4297
สำหรับเอชไอวี สำหรับวัณโรค
สำหรับโรคซึมเศร้า สำหรับเบาหวาน --
สำหรับโรคซึมเศร้า สำหรับเบาหวาน --
14:13
it's always a cocktail of drugs.
313
841955
2830
มันเป็นการใช้ยาหลายอย่างเสมอ
14:16
And so the upside here,
314
844809
1730
และในด้านดี
14:18
and the subject for a different
TED Talk on a different day,
TED Talk on a different day,
315
846563
2849
และหัวข้อสำหรับหลาย ๆ TED Talk
ในวันอื่น ๆ
ในวันอื่น ๆ
14:21
is how can we use the same data sources
316
849436
2593
ก็คือเราจะสามารถใช้แหล่งข้อมูลเดิม
14:24
to find good effects
of drugs in combination
of drugs in combination
317
852053
3563
เพื่อการใช้ยาแบบควบคู่
ที่มีประสิทธิภาพได้อย่างไร
ที่มีประสิทธิภาพได้อย่างไร
14:27
that will provide us new treatments,
318
855640
2175
เพื่อที่มันจะให้การบำบัดรักษาใหม่กับเรา
14:29
new insights into how drugs work
319
857839
1852
ความรู้ลึกซึ้งเรื่องใหม่เรื่องการทำงานของยา
14:31
and enable us to take care
of our patients even better?
of our patients even better?
320
859715
3786
และทำให้เราสามารถดูแลคนไข้ของเรา
ได้ดีขึ้น
ได้ดีขึ้น
14:35
Thank you very much.
321
863525
1166
ขอบคุณมากครับ
14:36
(Applause)
322
864715
3499
(เสียงปรบมือ)
Translated by Kelwalin Dhanasarnsombut
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