TEDMED 2009
David Agus: A new strategy in the war on cancer
เดวิด เอกัส: กลยุทธ์ใหม่ในสงครามต้านมะเร็ง
Filmed:
Readability: 4.3
830,903 views
เดวิด เอกัสอธิบายว่าการรักษาโรคมะเร็งที่ปฏิบัติสืบเนื่องกันมาเน้นไปที่การโจมตีเซลล์เป็นรายตัวโดยไม่คำนึงถึงผลที่อาจจะตามมา เขาเสนอแนะวิธีการใหม่ที่ใช้ความรู้ผสมผสานจากหลายศาสตร์ ทั้งใช้ยาที่ต่างออกไป แบบจำลองคอมพิวเตอร์ และการวิเคราะห์โปรตีน เพื่อรักษาและวิเคราะห์ร่างกายโดยรวมทั้งหมด
David Agus - Cancer Doctor
Although a highly-accomplished conventional doctor, David Agus has embraced the future of medicine and is constantly exploring ways that new technologies can help in the fight against cancer. Full bio
Although a highly-accomplished conventional doctor, David Agus has embraced the future of medicine and is constantly exploring ways that new technologies can help in the fight against cancer. Full bio
Double-click the English transcript below to play the video.
00:15
I'm a cancer doctor, and I walked out of my office
0
0
3000
ผมเป็นแพทย์รักษาโรคมะเร็ง และผมเดินออกมาจากห้องทำงานของผม
00:18
and walked by the pharmacy in the hospital three or four years ago,
1
3000
4000
แล้วเดินผ่านแผนกยาของโรงพยาบาลเมื่อสามหรือสี่ปีที่แล้ว
00:22
and this was the cover of Fortune magazine
2
7000
3000
และนี่เป็นปกของนิตยสาร "ฟอร์จูน"
00:25
sitting in the window of the pharmacy.
3
10000
2000
ที่อยู่ในตู้โชว์ของแผนกยาตอนนั้น
00:27
And so, as a cancer doctor, you look at this,
4
12000
2000
ในฐานะแพทย์รักษามะเร็ง พอได้มาเห็นนี่เข้า
00:29
and you get a little bit downhearted.
5
14000
2000
ก็อดรู้สึกเศร้าใจบ้างไม่ได้ครับ
00:31
But when you start to read the article by Cliff,
6
16000
3000
แต่เมื่อได้เริ่มอ่านบทความของคลิฟ
00:34
who himself is a cancer survivor,
7
19000
2000
ซึ่งเป็นผู้รอดชีวิตจากโรคมะเร็ง
00:36
who was saved by a clinical trial
8
21000
2000
โดยได้การทดลองทางการแพทย์ช่วยชีวิตไว้
00:38
where his parents drove him from New York City to upstate New York
9
23000
4000
พ่อแม่ของเขาขับรถพาเขา จากตัวเมืองนิวยอร์ค ไปยังตอนเหนือของนิวยอร์ค
00:42
to get an experimental therapy for --
10
27000
2000
เพื่อทดลองรับการรักษา --
00:44
at the time -- Hodgkin's disease, which saved his life,
11
29000
3000
ในตอนนั้นคือ -- โรคฮอดจ์กิ้น และช่วยให้เขารอดชีวิตมาได้
00:47
he makes remarkable points here.
12
32000
3000
เขาชี้ประเด็นที่น่าที่งไว้ในบทความนี้
00:50
And the point of the article was that we have gotten
13
35000
3000
ประเด็นนั้นก็คือ ปัจจุบันเราได้รับ
00:53
reductionist in our view of biology,
14
38000
3000
แนวคิดการศึกษาแบบลดทอนในทางชีววิทยา
00:56
in our view of cancer.
15
41000
2000
มาใช้กับโรคมะเร็งด้วย
00:58
For the last 50 years, we have focused on treating
16
43000
3000
ช่วง 50 ปีที่ผ่านมา เราได้เน้นการรักษาพยาบาลไปที่
01:01
the individual gene
17
46000
2000
ยีนจำเพาะตัว
01:03
in understanding cancer, not in controlling cancer.
18
48000
3000
เน้นเรื่องความเข้าใจมะเร็ง ไม่ใช่การควบคุมมะเร็ง
01:06
So, this is an astounding table.
19
51000
3000
นี่เป็นตารางที่น่าตกใจมาก
01:09
And this is something that sobers us in our field everyday
20
54000
3000
และเป็นสิ่งที่ทำให้เราหูตาสว่างถึงสาขาวิชาของเราทุกวันเลยครับ
01:12
in that, obviously, we've made remarkable impacts
21
57000
2000
เห็นได้ชัดว่า เราได้สร้างความเปลี่ยนแปลงที่น่าทึ่งขึ้นมา
01:14
on cardiovascular disease,
22
59000
2000
ต่อโรคหัวใจ
01:16
but look at cancer. The death rate in cancer
23
61000
3000
แต่เมื่อดูที่โรคมะเร็ง อัตราการตายของโรคมะเร็ง
01:19
in over 50 years hasn't changed.
24
64000
3000
ในช่วงกว่า 50 ปีที่ผ่านมายังไม่เปลี่ยนเลย
01:22
We've made small wins in diseases like chronic myelogenous leukemia,
25
67000
4000
เราเอาชนะได้บ้าง ในกรณีของมะเร็งเม็ดเลือดขาว
01:26
where we have a pill that can put 100 percent of people in remission,
26
71000
3000
ที่เรามียาเม็ด ซึ่งช่วยทุเลามะเร็งลงได้ในผู้ป่วยจำนวนทั้ง 100 เปอร์เซนต์
01:29
but in general, we haven't made an impact at all in the war on cancer.
27
74000
6000
แต่โดยรวมแล้ว เรายังไม่ได้สร้างความเปลี่ยนแปลงอะไร ในสงครามต้านมะเร็งเลย
01:35
So, what I'm going to tell you today,
28
80000
3000
สิ่งที่ผมจะเล่าให้คุณฟังในวันนี้
01:38
is a little bit of why I think that's the case,
29
83000
3000
เป็นเหตุผลส่วนหนึ่งว่า ทำไมผมจึงคิดว่าเป็นอย่างนั้น
01:41
and then go out of my comfort zone
30
86000
2000
แล้วออกไปนอกกรอบเรื่องที่ผมคุ้นชิน
01:43
and tell you where I think it's going,
31
88000
3000
และเล่าถึงทิศทางที่ผมคิดว่าเรื่องนี้กำลังมุ่งไป
01:46
where a new approach -- that we hope to push forward
32
91000
3000
เป็นวิธีการแนวใหม่ -- ซึ่งเราตั้งใจจะผลักดันสนับสนุน
01:49
in terms of treating cancer.
33
94000
4000
ในแง่ของการรักษาโรคมะเร็ง
01:53
Because this is wrong.
34
98000
3000
เพราะว่าสิ่งนี้มันผิดครับ
01:56
So, what is cancer, first of all?
35
101000
2000
งั้น อันดับแรกเลย มะเร็งคืออะไร?
01:58
Well, if one has a mass or an abnormal blood value, you go to a doctor,
36
103000
5000
ถ้าใครมีก้อนหรือคุณภาพของเลือดที่ผิดปรกติ คุณก็ไปหาหมอ
02:03
they stick a needle in.
37
108000
2000
หมอก็ทิ่มเข็มฉีดยาเข้าไป
02:05
They way we make the diagnosis today is by pattern recognition:
38
110000
4000
วิธีการที่เราวินิจฉัยโรคในปัจุบันนี้ก็คือ การตรวจจับรูปแบบของโรค
02:09
Does it look normal? Does it look abnormal?
39
114000
4000
มันดูเป็นปรกติไหม? มันดูผิดปรกติไหม?
02:13
So, that pathologist is just like looking at this plastic bottle.
40
118000
3000
ที่พยาธิแพทย์ทำ ก็เหมือนกับการดูขวดพลาสติกนี่ครับ
02:16
This is a normal cell. This is a cancer cell.
41
121000
3000
นี่คือเซลล์ปรกติ ส่วนนี่คือเซลล์มะเร็ง
02:19
That is the state-of-the-art today in diagnosing cancer.
42
124000
5000
นั่นเป็นวิธีการวินิจฉัยโรคมะเร็งที่ดีที่สุด เท่าที่มีในปัจจุบันแล้วครับ
02:24
There's no molecular test,
43
129000
3000
ไม่มีการทดสอบโมเลกุล
02:27
there's no sequencing of genes that was referred to yesterday,
44
132000
3000
ไม่มีการจัดลำดับยีนส์ที่เราพูดถึงกันเมื่อวาน
02:30
there's no fancy looking at the chromosomes.
45
135000
3000
ไม่มีการการตรวจสอบลงลึกเรื่องโครโมโซมส์เลย
02:33
This is the state-of-the-art and how we do it.
46
138000
3000
นี่เป็นวิธีทันสมัยที่สุดเท่าที่เรามีอยู่ครับ
02:36
You know, I know very well, as a cancer doctor, I can't treat advanced cancer.
47
141000
6000
ผมรู้ดี ในฐานะแพทย์มะเร็ง ว่าผมรักษามะเร็งระยะสุดท้ายไม่ได้
02:42
So, as an aside, I firmly believe in the field of trying to identify cancer early.
48
147000
7000
ดังนั้น ผมขอเสริมว่า ผมจึงเชื่ออย่างยิ่ง ในการพยายามหามะเร็งให้พบแต่เนิ่นๆ
02:49
It is the only way you can start to fight cancer, is by catching it early.
49
154000
5000
มันเป็นวิธีการเดียว ที่คุณสามารถต่อสู้กับมะเร็งได้ คือการจับตัวมันให้ได้แต่เนิ่นๆ
02:54
We can prevent most cancers.
50
159000
3000
เราป้องกันมะเร็งส่วนใหญ่ได้ครับ
02:57
You know, the previous talk alluded to preventing heart disease.
51
162000
3000
การพูดครั้งก่อน กล่าวถึงการป้องกันโรคหัวใจ
03:00
We could do the same in cancer.
52
165000
2000
เราทำสิ่งเดียวกันนั้นกับโรคมะเร็งได้ครับ
03:02
I co-founded a company called Navigenics,
53
167000
2000
ผมได้ร่วมก่อตั้งบริษัทชื่อว่า "นาวิจีนิคส์"
03:04
where, if you spit into a tube --
54
169000
2000
ที่ซึ่ง ถ้าคุณถ่มนํ้าลายลงในหลอดแก้ว
03:06
and we can look look at 35 or 40 genetic markers for disease,
55
171000
6000
เราจะมองหาตัวชี้บ่งการเกิดโรคทางพันธุศาสตร์ได้ 35 หรือ 40 ตัว
03:12
all of which are delayable in many of the cancers --
56
177000
2000
ซึ่งทั้งหมดถ่วงเวลาการเกิดออกไปได้ ในกรณีมะเร็งหลายๆชนิด
03:14
you start to identify what you could get,
57
179000
4000
เราจะระบุมะเร็งที่คุณมีโอกาสเป็น
03:18
and then we can start to work to prevent them.
58
183000
3000
แล้วเราก็จะเริ่มทำงาน เพื่อป้องกันมันได้
03:21
Because the problem is, when you have advanced cancer,
59
186000
3000
เพราะปัญหาก็คือ เมื่อคุณเป็นมะเร็งระยะสุดท้าย
03:24
we can't do that much today about it, as the statistics allude to.
60
189000
4000
เราก็ทำอะไรไม่ค่อยได้แล้ว สำหรับปัจจุบันนี้ อย่างที่สถิติแสดงให้เห็น
03:28
So, the thing about cancer is that it's a disease of the aged.
61
193000
4000
ดังนั้น เรื่องสำคัญเกี่ยวกับมะเร็งก็คือ มะเร็งเป็นโรคของคนแก่
03:32
Why is it a disease of the aged?
62
197000
2000
ทำไมมันจึงเป็นโรคของคนแก่หรือครับ?
03:34
Because evolution doesn't care about us after we've had our children.
63
199000
4000
ก็เพราะว่าวิวัฒนาการไม่สนใจเรา หลังจากเรามีลูกแล้วครับ
03:39
See, evolution protected us during our childbearing years
64
204000
3000
กล่าวคือ วิวัฒนาการจะปกป้องเรา ในช่วงวัยที่เราผลิตลูก
03:42
and then, after age 35 or 40 or 45,
65
207000
4000
แล้วพอหลังจากอายุ 35 หรือ 40 หรือ 45 ปี
03:46
it said "It doesn't matter anymore, because they've had their progeny."
66
211000
4000
มันก็บอกว่า ไม่สำคัญแล้วล่ะ เพราะแต่ละคนก็มีทายาทกันแล้วนี่
03:50
So if you look at cancers, it is very rare -- extremely rare --
67
215000
5000
ดังนั้น สำหรับมะเร็ง จึงเป็นเรื่องยากมาก ยากมากเหลือเกิน
03:55
to have cancer in a child, on the order of thousands of cases a year.
68
220000
5000
ที่จะพบมะเร็งในเด็ก อยู่ในระดับหลักพันรายต่อปีเท่านั้นครับ
04:00
As one gets older? Very, very common.
69
225000
4000
แต่พอเราแก่ตัวลง กลับมีคนเป็นกันเยอะมากๆ
04:04
Why is it hard to treat?
70
229000
2000
ทำไมมะเร็งถึงรักษายากหรือครับ?
04:06
Because it's heterogeneous,
71
231000
2000
ก็เพราะว่ามันเป็นเซลล์เนื้อผสม
04:08
and that's the perfect substrate for evolution within the cancer.
72
233000
5000
ซึ่งเป็นสารตั้งต้นอันสมบูรณ์แบบ สำหรับการเติบโตในเนื้อมะเร็งเลย
04:13
It starts to select out for those bad, aggressive cells,
73
238000
4000
เริ่มด้วยการเลือกขจัดเซลล์ไม่ดีที่พร้อมจะรุกรานร่างกายออกไป
04:17
what we call clonal selection.
74
242000
4000
ที่เราเรียกว่า "โคลนัล ซีเลคชั่น"
04:21
But, if we start to understand
75
246000
3000
แต่ ถ้าเราตระหนัก
04:24
that cancer isn't just a molecular defect, it's something more,
76
249000
5000
ว่ามะเร็งไม่ใช่แค่ความบกพร่องของโมเลกุล แต่มีอะไรมากกว่านั้น
04:29
then we'll get to new ways of treating it, as I'll show you.
77
254000
4000
เราก็จะเล็งเห็นวิธีการรักษาใหม่ๆ อย่างที่ผมจะแสดงให้คุณดู
04:33
So, one of the fundamental problems we have in cancer
78
258000
2000
ปัญหาพื้นฐานอย่างหนึ่งเกี่ยวกับมะเร็ง
04:35
is that, right now, we describe it by a number of adjectives, symptoms:
79
260000
4000
ก็คือ ปัจจุบันนี้ เราอธิบายมะเร็ง โดยใช้คำคุณศัพธ์ หรืออาการของโรคต่างๆ
04:39
"I'm tired, I'm bloated, I have pain, etc."
80
264000
3000
ฉันรู้สึกเหนื่อย, แน่นอึดอัด, เจ็บปวด, ฯลฯ
04:42
You then have some anatomic descriptions,
81
267000
2000
แล้วก็มีคำอธิบายในเชิงกายวิภาค
04:44
you get that CT scan: "There's a three centimeter mass in the liver."
82
269000
4000
คุณเข้าเครื่อง CAT scan มีก้อนเนื้อขนาดสามเซ็นติเมตรอยู่ในตับ
04:48
You then have some body part descriptions:
83
273000
3000
แล้วหมอก็อธิบายโรคตามส่วนของร่างกาย
04:51
"It's in the liver, in the breast, in the prostate."
84
276000
2000
มันอยู่ในตับ, ในเต้านม, ในต่อมลูกหมาก
04:53
And that's about it.
85
278000
3000
และก็แค่นั้นแหละครับ
04:56
So, our dictionary for describing cancer is very, very poor.
86
281000
4000
คลังคำที่เราใช้อธิบายมะเร็ง จึงแย่เอามากๆ
05:00
It's basically symptoms.
87
285000
2000
เป็นแค่คำบอกอาการของโรค
05:02
It's manifestations of a disease.
88
287000
3000
เป็นคำบอกการสำแดงอาการของโรคเท่านั้น
05:05
What's exciting is that over the last two or three years,
89
290000
3000
ที่น่าตื่นเต้นก็คือ เมื่อสองหรือสามปีที่ผ่านมา
05:08
the government has spent 400 million dollars,
90
293000
2000
รัฐบาลได้ใช้เงิน 400 ล้านดอลล่าร์
05:10
and they've allocated another billion dollars,
91
295000
3000
และได้จัดสรรเงินอีกพันล้านดอลล่าร์
05:13
to what we call the Cancer Genome Atlas Project.
92
298000
2000
ให้กับสิ่งที่เราเรียกว่า "โครงการแผนผังพันธุกรรมมะเร็ง"
05:15
So, it is the idea of sequencing all of the genes in the cancer,
93
300000
4000
เป็นแนวคิด ที่จะจัดเรียงลำดับหน่วยพันธุกรรมของยีนทั้งหมดในมะเร็ง
05:19
and giving us a new lexicon, a new dictionary to describe it.
94
304000
5000
ทำให้เรามีศัพท์บัญญัติใหม่ๆ มีคลังคำใหม่ๆ เพื่อใช้อธิบายมะเร็ง
05:24
You know, in the mid-1850's in France,
95
309000
3000
กลางทศวรรษที่ 1850 ในฝรั่งเศส
05:27
they started to describe cancer by body part.
96
312000
3000
เราเริ่มต้นอธิบายมะเร็ง โดยใช้อวัยวะของร่างกาย
05:30
That hasn't changed in over 150 years.
97
315000
4000
วิธีนี้ ไม่ได้เปลี่ยนไปเลยตลอด 150 ปี
05:34
It is absolutely archaic that we call cancer
98
319000
4000
เป็นเรื่องโบราณล้าสมัยจริงๆ ที่เราเรียกมะเร็ง
05:38
by prostate, by breast, by muscle.
99
323000
4000
โดยใช้คำว่า ต่อมลูกหมาก, เต้านม, กล้ามเนื้อ
05:42
It makes no sense, if you think about it.
100
327000
3000
ไม่สมเหตุสมผลเลย ถ้าเราคิดเกี่ยวกับเรื่องนี้
05:45
So, obviously, the technology is here today,
101
330000
3000
เห็นได้ชัดว่า ตอนนี้เรามีเทคโนโลยีแล้ว
05:48
and, over the next several years, that will change.
102
333000
3000
และ อีกหลายปีข้างหน้า สิ่งนี้จะเปลียนไปครับ
05:51
You will no longer go to a breast cancer clinic.
103
336000
2000
คุณจะไม่ไปคลีนิคมะเร็งเต้านมอีกต่อไปแล้ว
05:53
You will go to a HER2 amplified clinic, or an EGFR activated clinic,
104
338000
5000
คุณจะไปที่คลินิคขยายโปรตีน HER2 หรือคลินิคกระตุ้นโปรตีน EGFR
05:58
and they will go to some of the pathogenic lesions
105
343000
2000
หมอก็จะตรวจที่แผลติดเชื้อ
06:00
that were involved in causing this individual cancer.
106
345000
4000
ที่มีส่วนก่อให้เกิดมะเร็งแต่ละอย่างๆ
06:04
So, hopefully, we will go from being the art of medicine
107
349000
3000
ดังนั้น จึงหวังได้ว่า เราจะคืบหน้า จากการเป็นศิลปะทางการแพทย์
06:07
more to the science of medicine,
108
352000
2000
ไปเป็นวิทยาศาสตร์ทางการแพทย์ได้มากขึ้น
06:09
and be able to do what they do in infectious disease,
109
354000
3000
และสามารถทำสิ่งที่เราทำกันกับโรคติดเชื้อได้
06:12
which is look at that organism, that bacteria,
110
357000
3000
นั่นคือ ศึกษาสิ่งที่มีชีวิตนั้นๆ แบคทีเรียตัวนั้น
06:15
and then say, "This antibiotic makes sense,
111
360000
3000
แล้วก็บอกได้ว่า ยาปฏิชีวนะตัวนี้ใช้ได้
06:18
because you have a particular bacteria that will respond to it."
112
363000
4000
เพราะว่า เรามีเชื้อโรคตัวใดตัวหนึ่งที่ตอบรับกับยา
06:22
When one is exposed to H1N1, you take Tamiflu,
113
367000
4000
เมื่อคุณติดเชื้อ H1N1 คุณก็กินยาทามิฟลู
06:26
and you can remarkably decrease the severity of symptoms
114
371000
3000
คุณก็จะลดความรุนแรงของโรคได้ อย่างยอดเยี่ยม
06:29
and prevent many of the manifestations of the disease.
115
374000
3000
และป้องกันการสำแดงอาการของโรค ได้อีกหลายๆอย่าง
06:32
Why? Because we know what you have, and we know how to treat it --
116
377000
5000
ทำไมหรือ? เพราะเรารู้ว่า คุณเป็นโรคอะไร และรู้ว่าจะรักษาโรคนั้นได้อย่างไร
06:37
although we can't make vaccine in this country, but that's a different story.
117
382000
4000
ถึงเราจะผลิตวัคซีนในประเทศนี้ไม่ได้ แต่นั่นเป็นคนละเรื่องกันอีก
06:41
The Cancer Genome Atlas is coming out now.
118
386000
3000
แผนผังแสดงชุดหน่วยพันธุกรรมมะเร็ง กำลังจะออกมาแล้ว
06:44
The first cancer was done, which was brain cancer.
119
389000
4000
มะเร็งแรกเสร็จสมบูรณ์แล้ว ซึ่งก็คือมะเร็งสมอง
06:48
In the next month, the end of December, you'll see ovarian cancer,
120
393000
4000
ในเดือนหน้า ปลายเดือนธันวาคม คุณจะได้เห็นแผนภูมิมะเร็งรังไข่
06:52
and then lung cancer will come several months after.
121
397000
4000
แล้วมะเร็งปอดจะตามมา อีกหลายเดือนหลังจากนั้น
06:56
There's also a field of proteomics that I'll talk about in a few minutes,
122
401000
3000
นอกจากนั้น ยังมีสาขาการศึกษาโปรตีน ซึ่งผมจะพูดถึงในอีกไม่กี่นาทีนี้
06:59
which I think is going to be the next level
123
404000
3000
ที่ผมคิดว่า กำลังจะเป็นขั้นถัดไป
07:02
in terms of understanding and classifying disease.
124
407000
4000
ในการทำความเข้าใจ และการจำแนกโรค
07:06
But remember, I'm not pushing genomics,
125
411000
2000
แต่จำไว้นะครับ ผมไม่ได้สนับสนุนให้วิชายีนส์ศึกษา
07:08
proteomics, to be a reductionist.
126
413000
3000
และโปรตีนศึกษา เป็นไปตามแนวคิดการศึกษาแบบลดทอน
07:11
I'm doing it so we can identify what we're up against.
127
416000
3000
ผมกำลังทำงานนี้ เพื่อที่เราจะระบุได้ว่า เรากำลังต่อสู้กับอะไร
07:14
And there's a very important distinction there that we'll get to.
128
419000
4000
ตรงนี้ มีข้อแตกต่างที่สำคัญมาก ซึ่งไว้ผมจะได้อธิบายต่อไป
07:18
In health care today, we spend most of the dollars --
129
423000
3000
ในการรักษาพยาบาลยุคปัจจุบัน เราหมดเงินส่วนใหญ่ไปกับ
07:21
in terms of treating disease --
130
426000
3000
เรื่องการรักษาโรค --
07:24
most of the dollars in the last two years of a person's life.
131
429000
4000
เงินส่วนมาก ถูกใช้ไปในสองปีสุดท้าย ของชีวิตคนๆหนึ่ง
07:28
We spend very little, if any, dollars in terms of identifying what we're up against.
132
433000
5000
เราใช้เงินน้อยมากๆ ถ้าใชัไปจริง ในการระบุว่า เรากำลังเผชิญกับปัญหาอะไร
07:33
If you could start to move that, to identify what you're up against,
133
438000
4000
ถ้าเราเริ่มเปลี่ยนไปเน้นเรื่องการระบุว่า เรากำลังเผชิญกับปัญหาอะไรได้
07:37
you're going to do things a hell of a lot better.
134
442000
3000
เราจะทำสิ่งต่างๆได้ดีขึ้นอีกมากครับ
07:40
If we could even take it one step further and prevent disease,
135
445000
4000
ถ้าเราพยายามรุดหน้าไปอีกขั้น และทำการป้องกันโรค
07:44
we can take it enormously the other direction,
136
449000
3000
เราจะก้าวหน้าไปได้อย่างมากในอีกทิศทางหนึ่ง
07:47
and obviously, that's where we need to go, going forward.
137
452000
4000
และเห็นได้ชัดว่า นั่นคือที่ๆเราจำเป็นต้องไป รุดไปข้างหน้า
07:51
So, this is the website of the National Cancer Institute.
138
456000
3000
นี่เป็นเว็บไซท์ของ "สถาบันมะเร็งแห่งชาติ"
07:54
And I'm here to tell you, it's wrong.
139
459000
3000
และผมขอบอกไว้ตรงนี้เลยครับว่า มันผิด
07:57
So, the website of the National Cancer Institute
140
462000
2000
เว็บไซท์ของสถาบันมะเร็งแห่งชาติ
07:59
says that cancer is a genetic disease.
141
464000
4000
บอกว่า มะเร็งเป็นโรคทางพันธุกรรม
08:03
The website says, "If you look, there's an individual mutation,
142
468000
4000
เว็บไซท์นี้บอกว่า ถ้าคุณดู จะมีเซลล์กลายพันธุ์ขึ้นตัวนึง
08:07
and maybe a second, and maybe a third,
143
472000
2000
แล้วก็ อาจจะมีตัวที่สอง แล้วก็ตัวที่สาม
08:09
and that is cancer."
144
474000
2000
นั่นแหละ มะเร็ง
08:11
But, as a cancer doc, this is what I see.
145
476000
4000
แต่ ในฐานะที่เป็นหมอมะเร็ง นี่คือสิ่งที่ผมเห็นครับ
08:15
This isn't a genetic disease.
146
480000
2000
นี่ไม่ใช่โรคทางพันธุกรรม
08:17
So, there you see, it's a liver with colon cancer in it,
147
482000
3000
ที่คุณเห็นนี้ เป็นตับ ที่มีมะเร็งลำไส้ใหญ่อยู่ข้างใน
08:20
and you see into the microscope a lymph node
148
485000
2000
พอส่องกล้องจุลทรรศน์ ก็จะเห็นต่อมนํ้าเหลือง
08:22
where cancer has invaded.
149
487000
2000
ที่มะเร็งลุกลามเข้าไป
08:24
You see a CT scan where cancer is in the liver.
150
489000
4000
คุณจะเห็นภาพ CAT scan ซึ่งมีมะเร็งอยู่ในตับ
08:28
Cancer is an interaction of a cell
151
493000
3000
มะเร็งเป็นปฏิสัมพันธ์ระหว่างกันของเซลล์
08:31
that no longer is under growth control with the environment.
152
496000
5000
ซึ่งไม่ได้ถูกควบคุมการเติบโตให้สอดคล้องกับสภาพแวดล้อม
08:36
It's not in the abstract; it's the interaction with the environment.
153
501000
4000
มะเร็งไม่ได้มีเพียงภาพกว้างๆ แต่เป็นปฏิสัมพันธ์ที่เกิดกับสภาพแวดล้อมด้วย
08:40
It's what we call a system.
154
505000
3000
มันเป็นสิ่งที่เราเรียกว่า ระบบ
08:43
The goal of me as a cancer doctor is not to understand cancer.
155
508000
4000
เป้าหมายของผมในฐานะแพทย์มะเร็ง ไม่ใช่เพื่อเข้าใจมะเร็ง
08:47
And I think that's been the fundamental problem over the last five decades,
156
512000
3000
และผมคิดว่า เรื่องนี้เป็นปัญหาพื้นฐาน ในช่วงห้าทศวรรษที่ผ่านมา
08:50
is that we have strived to understand cancer.
157
515000
3000
กล่าวคือ เราพยายามอย่างหนัก ที่จะเข้าใจมะเร็ง
08:53
The goal is to control cancer.
158
518000
3000
เป้าหมายคือ การควบคุมมะเร็ง
08:56
And that is a very different optimization scheme,
159
521000
2000
และนั่นเป็นแผนบรรลุผลที่แตกต่างไปมาก
08:58
a very different strategy for all of us.
160
523000
3000
เป็นกลยุทธ์ที่แตกต่างไปมาก สำหรับเราทุกคน
09:01
I got up at the American Association of Cancer Research,
161
526000
2000
ผมลุกขึ้นพูด ที่สมาคมวิจัยมะเร็งอเมริกัน
09:03
one of the big cancer research meetings, with 20,000 people there,
162
528000
4000
ซึ่งเป็นหนึ่งในการประชุมงานวิจัยมะเร็งที่สำคัญ มีคนเข้าประชุม 20,000 คน
09:07
and I said, "We've made a mistake.
163
532000
3000
ผมพูดว่า เราได้ทำผิดพลาดไปแล้ว
09:10
We've all made a mistake, myself included,
164
535000
3000
พวกเราทั้งหมดได้ทำพลาดไปแล้ว รวมทั้งตัวผมด้วย
09:13
by focusing down, by being a reductionist.
165
538000
2000
เพราะการศึกษาแบบเจาะจง แบบลดทอนองค์ประกอบ
09:15
We need to take a step back."
166
540000
2000
เราต้องถอยหลังออกมาครับ
09:17
And, believe it or not, there were hisses in the audience.
167
542000
2000
และ เชื่อมั้ยครับว่า มีเสียงไม่เห็นด้วยออกมาจากผู้ชม
09:19
People got upset, but this is the only way we're going to go forward.
168
544000
4000
มีคนไม่พอใจ แต่นี่เป็นวิธีเดียว ที่เราจะก้าวไปข้างหน้าได้
09:23
You know, I was very fortunate to meet Danny Hillis a few years ago.
169
548000
4000
ผมโชคดีมาก ที่ได้พบ แดนนี่ ฮิลลิส เมื่อสองสามปีที่แล้ว
09:27
We were pushed together, and neither one of us really wanted to meet the other.
170
552000
4000
เราถูกผลักดันให้มาพบกัน และเราทั้งสองคน จริงๆแล้วก็ไม่อยากจะพบกัน
09:31
I said, "Do I really want to meet a guy from Disney, who designed computers?"
171
556000
4000
ผมพูดว่า "จริงหรือ ที่ผมอยากจะพบใครก็ไม่รู้จากดิสนี่ย์ ที่ออกแบบคอมพิวเตอร์?"
09:35
And he was saying: Does he really want to meet another doctor?
172
560000
3000
ส่วนเขาก็พูดว่า จริงหรือ ที่เขาอยากจะพบหมอที่ไหนไม่รู้อีกคนหนึ่ง
09:38
But people prevailed on us, and we got together,
173
563000
2000
แต่คนเขาก็ชักชวนเราให้พบกัน และเราก็มาร่วมมือกัน
09:40
and it's been transformative in what I do, absolutely transformative.
174
565000
5000
ซึ่งเป็นการพลิกโฉมสิ่งที่ผมทำไปเลย พลิกโฉมอย่างสิ้นเชิงเลย
09:46
We have designed, and we have worked on the modeling --
175
571000
3000
เราได้ออกแบบ และทำงานด้านแบบจำลองคอมพิวเตอร์ --
09:49
and much of these ideas came from Danny and from his team --
176
574000
4000
และหลายๆแนวคิดเลย ที่ได้มาจากแดนนี่ และทีมงานของเขา --
09:53
the modeling of cancer in the body as complex system.
177
578000
3000
แบบจำลองคอมพิวเตอร์ของมะเร็งในร่างกาย ที่เป็นระบบซับซ้อน
09:56
And I'll show you some data there
178
581000
2000
และผมจะแสดงข้อมูลบางอย่างให้คุณดู
09:58
where I really think it can make a difference and a new way to approach it.
179
583000
4000
ซึ่งผมเชื่อว่าสามารถสร้างความเปลี่ยนแปลง และเป็นแนวทางใหม่ในการต้านมะเร็ง
10:02
The key is, when you look at these variables and you look at this data,
180
587000
4000
กุญแจสำคัญคือ เมื่อคุณดูที่ตัวแปรเหล่านี้ และดูข้อมูลเหล่านี้
10:06
you have to understand the data inputs.
181
591000
4000
คุณต้องเข้าใจข้อมูลที่นำไปใช้
10:10
You know, if I measured your temperature over 30 days,
182
595000
4000
ถ้าผมวัดอุณหภูมิของร่างกายคุณ ในช่วง 30 วัน
10:14
and I asked, "What was the average temperature?"
183
599000
2000
และผมถามว่า อุณหภูมิเฉลี่ยเป็นเท่าไร
10:16
and it came back at 98.7, I would say, "Great."
184
601000
4000
แล้วผลออกมาเป็น 98.7 ผมก็จะบอกว่าเยี่ยม
10:20
But if during one of those days
185
605000
2000
แต่ถ้าเกิดมีวันหนึ่งในช่วงนั้น
10:22
your temperature spiked to 102 for six hours,
186
607000
3000
อุณหภูมิของคุณสูงถึง 102 นานหกชั่วโมง
10:25
and you took Tylenol and got better, etc.,
187
610000
2000
และคุณทานยาไทลีนอล และรู้สึกดีขึ้น, ฯลฯ
10:27
I would totally miss it.
188
612000
2000
ผมก็จะไม่ได้ข้อมูลนี้เลย
10:29
So, one of the problems, the fundamental problems in medicine
189
614000
3000
ดังนั้น ปัญหาพื้นฐานที่สำคัญอย่างหนึ่งทางการแพทย์
10:32
is that you and I, and all of us,
190
617000
2000
ก็คือทั้งคุณ และผม และพวกเราทุกคน
10:34
we go to our doctor once a year.
191
619000
2000
ไปหาหมอแค่ปีละครั้ง
10:36
We have discrete data elements; we don't have a time function on them.
192
621000
4000
เรามีรูปแบบข้อมูลที่ไม่ต่อเนื่องกัน เราไม่ได้พิจารณาข้อมูลที่ต่อเนื่องด้านเวลา
10:40
Earlier it was referred to this direct life device.
193
625000
3000
ก่อนหน้านี้ มีการพูดถึงเจ้าสิ่งประดิษฐ์เพื่อชีวิตโดยตรงนี้
10:43
You know, I've been using it for two and a half months.
194
628000
3000
ผมใช้เครื่องนี้มานานสองเดือนครึ่งแล้วครับ
10:46
It's a staggering device, not because it tells me
195
631000
2000
เป็นเครื่องมือที่น่าทึ่งมาก ไม่ใช่เพราะว่ามันบอกผม
10:48
how many kilocalories I do every day,
196
633000
3000
ว่าทุกๆวัน ผมใช้พลังงานไปกี่กิโลแคลอรี่
10:51
but because it looks, over 24 hours, what I've done in a day.
197
636000
4000
แต่เพราะว่ามันเก็บข้อมูล ตลอด 24 ชั่วโมงเลย ว่าผมทำอะไรบ้างในหนึ่งวัน
10:55
And I didn't realize that for three hours I'm sitting at my desk,
198
640000
3000
ผมไม่รู้ตัวเลยว่า ผมนั่งอยู่ที่โต๊ะทำงาน นานถึงสามชั่วโมง
10:58
and I'm not moving at all.
199
643000
2000
โดยไม่ได้เคลื่อนไหวไปไหนเลย
11:00
And a lot of the functions in the data that we have as input systems here
200
645000
5000
และตัวแปรหลายๆตัวในข้อมูล ที่เรานำไปใช้เป็นระบบป้อนข้อมูลนี้
11:05
are really different than we understand them,
201
650000
3000
ต่างไปจากที่เราเข้าใจอย่างมากจริงๆครับ
11:08
because we're not measuring them dynamically.
202
653000
2000
เพราะว่าเราไม่ได้วัดมันในแบบที่แสดงการเปลียนแปลง
11:10
And so, if you think of cancer as a system,
203
655000
5000
ดังนั้น ถ้าคุณคิดว่ามะเร็งเป็นระบบ
11:15
there's an input and an output and a state in the middle.
204
660000
4000
มีทั้งข้อมูลป้อนเข้า และผลที่ออกมา และสภาวะระหว่างกลาง
11:19
So, the states, are equivalent classes of history,
205
664000
3000
สภาวะที่ว่า คือกลุ่มประวัติ ซึ่งมีความสำคัญเท่าๆกัน
11:22
and the cancer patient, the input, is the environment,
206
667000
3000
และคนป่วยเป็นโรคมะเร็ง ข้อมูลที่นำมาใช้คือสภาพแวดล้อม,
11:25
the diet, the treatment, the genetic mutations.
207
670000
4000
อาหาร, การให้การรักษา, การกลายพันธุ์ทางพันธุกรรม
11:29
The output are our symptoms:
208
674000
3000
ผลที่ออกมา ก็คืออาการป่วย
11:32
Do we have pain? Is the cancer growing? Do we feel bloated, etc.?
209
677000
4000
เรามีอาการเจ็บปวดไหม? มะเร็งกำลังโตขึ้นใช่ไหม? เรารู้สึกแน่นอึดอัดไหม, ฯลฯ?
11:36
Most of that state is hidden.
210
681000
4000
สภาวะเหล่านั้น มักไม่มีใครเห็น
11:40
So what we do in our field is we change and input,
211
685000
3000
ดังนั้น สิ่งที่เราทำในสาขาของเราก็คือ เปลี่ยนข้อมูลป้อนเข้าเสีย
11:43
we give aggressive chemotherapy,
212
688000
2000
เราใช้เคมีบำบัดเชิงรุก
11:45
and we say, "Did that output get better? Did that pain improve, etc.?"
213
690000
5000
แล้วก็ถามว่า ผลที่ออกมาดีขึ้นไหม? อาการเจ็บปวดทุเลาลงไหม, ฯลฯ?
11:50
And so, the problem is that it's not just one system,
214
695000
4000
ปัญหาก็คือ มะเร็งไม่ใช่เพียงแค่ระบบเดี่ยว
11:54
it's multiple systems on multiple scales.
215
699000
3000
มันเป็นระบบหลายระบบ ในระดับหลายระดับ
11:57
It's a system of systems.
216
702000
3000
มันเป็นระบบหนึ่ง ของหลายๆระบบ
12:00
And so, when you start to look at emergent systems,
217
705000
2000
ดังนั้น เมื่อคุณเริ่มดูระบบที่เพิ่งเกิดใหม่
12:02
you can look at a neuron under a microscope.
218
707000
3000
คุณลองดูเซลล์ประสาทผ่านกล้องจุลทรรศน์ก็ได้ครับ
12:05
A neuron under the microscope is very elegant
219
710000
2000
เซลล์ประสาท เมื่อดูด้วยกล้องจุลทรรศน์ งดงามมากครับ
12:07
with little things sticking out and little things over here,
220
712000
3000
มีอะไรต่ออะไรเล็กๆยื่นออกมา ตรงโน้นนิดตรงนี้หน่อย
12:10
but when you start to put them together in a complex system,
221
715000
4000
แต่พอคุณเริ่มรวมมันเข้ากัน เป็นระบบที่ซับซ้อน
12:14
and you start to see that it becomes a brain,
222
719000
2000
คุณก็จะเริ่มเห็นว่า มันกลายเป็นสมอง
12:16
and that brain can create intelligence,
223
721000
3000
และสมองนั้น สร้างความเฉลียวฉลาดได้ครับ
12:19
what we're talking about in the body,
224
724000
2000
สิ่งที่เรากำลังพูดถึงกันอยู่ก็คือ ในร่างกาย
12:21
and cancer is starting to model it like a complex system.
225
726000
3000
มะเร็งจะเริ่มก่อรูป เป็นเหมือนระบบที่ซับซ้อน
12:24
Well, the bad news is that these robust --
226
729000
3000
ข่าวร้ายก็คือ ระบบที่ทนทาน --
12:27
and robust is a key word --
227
732000
2000
ทนทานนี้เป็นคำสำคัญนะครับ --
12:29
emergent systems are very hard to understand in detail.
228
734000
4000
และเพิ่งเกิดใหม่นี้ ทำความเข้าใจรายละเอียดได้ยากมากๆ
12:33
The good news is you can manipulate them.
229
738000
3000
ข่าวดีก็คือ คุณยังจัดการกับมันได้
12:36
You can try to control them
230
741000
2000
คุณอาจลองควบคุมมันดู
12:38
without that fundamental understanding of every component.
231
743000
3000
โดยไม่ต้องเข้าใจส่วนประกอบทุกๆส่วน อย่างลึกซึ้งก็ได้
12:41
One of the most fundamental clinical trials in cancer
232
746000
3000
การทดลองทางการแพทย์ขั้นพื้นฐานที่สุดอย่างหนึ่งเกี่ยวกับมะเร็ง
12:44
came out in February in the New England Journal of Medicine,
233
749000
3000
ถูกตีพิมพ์ เมื่อเดือนกุมภาพันธ์ ใน "วารสารการแพทย์นิวอิงแลนด์",
12:47
where they took women who were pre-menopausal with breast cancer.
234
752000
4000
ซึ่งเขาใช้ผู้หญิงวัยก่อนหมดประจำเดือน ที่เป็นมะเร็งเต้านม
12:51
So, about the worst kind of breast cancer you can get.
235
756000
3000
ซึ่งเป็นมะเร็งเต้านม ชนิดร้ายแรงที่สุดที่คุณจะเป็นได้เลย
12:54
They had gotten their chemotherapy,
236
759000
2000
พวกเขาได้รับการรักษาด้วยเคมีบำบัด
12:56
and then they randomized them,
237
761000
2000
แล้วแพทย์ก็สุ่มเลือกผู้ป่วย
12:58
where half got placebo,
238
763000
2000
ครึ่งหนึ่งได้ยาหลอก ไม่มีผลทางการรักษา
13:00
and half got a drug called Zoledronic acid that builds bone.
239
765000
4000
และอีกครึ่งหนึ่ง ได้รับยา "กรดโซเลโดรนิค" ที่ใช้สร้างกระดูก
13:04
It's used to treat osteoporosis,
240
769000
2000
ใช้สำหรับรักษาโรคกระดูกอ่อน
13:06
and they got that twice a year.
241
771000
2000
ผู้ป่วยได้รับยานี้ปีละสองครั้ง
13:08
They looked and, in these 1,800 women,
242
773000
4000
แพทย์ดูผล และในจำนวนหญิงผู้ป่วย 1,800 คน
13:12
given twice a year a drug that builds bone,
243
777000
3000
ที่ได้รับยาสร้างกระดูกปีละสองครั้ง
13:15
you reduce the recurrence of cancer by 35 percent.
244
780000
5000
สามารถลดการเกิดขึ้นใหม่ของมะเร็ง ได้ประมาณ 35 เปอร์เซนท์
13:21
Reduce occurrence of cancer by a drug
245
786000
2000
เป็นการลดการเติบโตของมะเร็งด้วยยา
13:23
that doesn't even touch the cancer.
246
788000
2000
ซึ่งไม่ได้แตะต้องมะเร็งด้วยซํ้า
13:25
So the notion, you change the soil, the seed doesn't grow as well.
247
790000
5000
แนวคิดก็คือ พอคุณเปลี่ยนดิน เมล็ดพืชก็ไม่สามารถเติบโตได้เหมือนเดิม
13:30
You change that system,
248
795000
3000
พอคุณเปลี่ยนระบบนั้น
13:33
and you could have a marked effect on the cancer.
249
798000
2000
คุณก็จะสร้างผลกระทบที่เห็นได้ชัดต่อมะเร็งได้ครับ
13:35
Nobody has ever shown -- and this will be shocking --
250
800000
3000
ไม่มีใครเคยแสดงให้เห็นเลย -- เรื่องนี้น่าตกใจมากๆครับ --
13:38
nobody has ever shown that most chemotherapy
251
803000
3000
ไม่มีใครเคยแสดงให้เห็นเลยว่า การรักษาด้วยเคมีบำบัดส่วนมาก
13:41
actually touches a cancer cell.
252
806000
2000
มีการแตะต้องเซลล์มะเร็งจริงๆ
13:43
It's never been shown.
253
808000
2000
มันไม่เคยถูกนำมาแสดง
13:45
There's all these elegant work in the tissue culture dishes,
254
810000
3000
มีแต่งานเก๋ไก๋ในจานเพาะเลี้ยงเนื้อเยื่อพวกนี้
13:48
that if you give this cancer drug, you can do this effect to the cell,
255
813000
3000
ที่ ถ้าคุณให้ยารักษามะเร็งตัวนี้ ก็จะเกิดผลอย่างนี้ต่อเซลล์
13:51
but the doses in those dishes are nowhere near
256
816000
3000
แต่ปริมาณยาในจานทดลองเหล่านั้น ไม่ได้ใกล้เคียงกับ
13:54
the doses that happen in the body.
257
819000
4000
ปริมาณยาที่เกิดขึ้นในร่างกายคนเลยครับ
13:58
If I give a woman with breast cancer a drug called Taxol
258
823000
3000
ถ้าผมให้ยารักษามะเร็งเต้านมชื่อ "แท็กซอล" กับผู้ป่วยสตรี
14:01
every three weeks, which is the standard,
259
826000
2000
ทุกๆสามสัปดาห์ ซึ่งเป็นมาตรฐาน
14:03
about 40 percent of women with metastatic cancer
260
828000
2000
ประมาณร้อยละ 40 ของหญิงที่ป่วยเป็นมะเร็งแบบลุกลามสู่อวัยวะอื่น
14:05
have a great response to that drug.
261
830000
3000
มีผลตอบรับกับยานี้อย่างดีเยี่ยม
14:08
And a response is 50 percent shrinkage.
262
833000
2000
นั่นคือ มีการหดตัวของมะเร็งลงร้อยละ 50
14:10
Well, remember that's not even an order of magnitude,
263
835000
2000
อย่าลืมว่า นี่ยังไม่ได้ใช้หน่วยวัดเป็นขนาดจริงๆเลยด้วยซ้ำ
14:12
but that's a different story.
264
837000
2000
แต่นั่นเป็นคนละเรื่องอีกครับ
14:14
They then recur, I give them that same drug every week.
265
839000
4000
มะเร็งเกิดขึ้นใหม่อีก ผมก็ให้ยาเดิมกับผู้ป่วยทุกสัปดาห์
14:18
Another 30 percent will respond.
266
843000
3000
ร้อยละ 30 จะตอบรับกับยา
14:21
They then recur, I give them that same drug
267
846000
2000
พอมะเร็งกลับมาอีก ผมก็ให้ยาเดิมกับผู้ป่วยอีก
14:23
over 96 hours by continuous infusion,
268
848000
3000
กว่า 96 ชั่วโมงโดยให้ยาทางเส้นเลือดอย่างต่อเนื่อง
14:26
another 20 or 30 percent will respond.
269
851000
3000
อีกร้อยละ 20 หรือ 30 จะตอบรับกับยา
14:29
So, you can't tell me it's working by the same mechanism in all three size.
270
854000
4000
ดังนั้น คุณบอกผมไม่ได้หรอกครับว่า มะเร็งมันมีกลไกทำงานแบบเดียวกันในทั้งสามขนาด
14:33
It's not. We have no idea the mechanism.
271
858000
3000
ไม่ใช่เลย เราไม่รู้อะไรเกี่ยวกับกลไกนั้นเลย
14:36
So the idea that chemotherapy may just be disrupting
272
861000
3000
ดังนั้น แนวคิดที่ว่าเคมีบำบัด อาจแค่เข้าขัดขวางการทำงานของ
14:39
that complex system,
273
864000
3000
ระบบซับซ้อนนั้น
14:42
just like building bone disrupted that system and reduced recurrence,
274
867000
5000
เหมือนกับการสร้างกระดูก ทำให้ระบบสับสนและลดการกลับมาเกิดใหม่
14:47
chemotherapy may work by that same exact way.
275
872000
3000
เคมีบำบัดอาจจะทำงานในทำนองเดียวกันเปี๊ยบ
14:50
The wild thing about that trial also,
276
875000
3000
สิ่งที่น่าตื่นเต้นเกี่ยวกับการทดลองอีกอย่าง
14:53
was that it reduced new primaries, so new cancers, by 30 percent also.
277
878000
7000
คือมันลดการเกิดขึ้นของเนื้อร้ายใหม่ หรือมะเร็งใหม่ ได้ราวร้อยละ 30 ด้วย
15:02
So, the problem is, yours and mine, all of our systems are changing.
278
887000
5000
ดังนั้น ปัญหาทั้งของคุณและของผม ก็คือ ระบบของเราทั้งหมดเปลี่ยนแปลงอยู่ตลอดเวลา
15:07
They're dynamic.
279
892000
2000
มันเปลี่ยนแปลงตลอดเวลา
15:09
I mean, this is a scary slide, not to take an aside,
280
894000
3000
ผมคิดว่า นี่เป็นสไลด์ที่น่ากล้ว ไม่ได้นอกเรื่องนะครับ
15:12
but it looks at obesity in the world.
281
897000
2000
สไลด์นี้แสดงสถิติโรคอ้วนในโลก
15:14
And I'm sorry if you can't read the numbers, they're kind of small.
282
899000
3000
ผมขอโทษด้วยถ้าคุณอ่านต้วเลขไม่ได้ ตัวเลขมันเล็กไปหน่อยครับ
15:17
But, if you start to look at it, that red, that dark color there,
283
902000
4000
แต่ ถ้าคุณลองดู ตรงที่มีสีแดง ที่สีเข้มๆตรงนั้น
15:21
more than 75 percent of the population
284
906000
3000
มากกว่าร้อยละ 75 ของประชากร
15:24
of those countries are obese.
285
909000
3000
ของประเทศเหล่านั้น เป็นโรคอ้วน
15:27
Look a decade ago, look two decades ago: markedly different.
286
912000
4000
เทียบกับทศวรรษก่อน สองทศวรรษก่อน แตกต่างอย่างเห็นได้ชัดครับ
15:31
So, our systems today are dramatically different
287
916000
3000
ดังนั้นระบบของเราในวันนี้ จึงต่างไปจากเดิมมาก
15:34
than our systems a decade or two ago.
288
919000
4000
เมื่อเทียบกับหนึ่งหรือสองทศวรรษก่อน
15:38
So the diseases we have today,
289
923000
3000
ดังนั้น โรคภัยที่เรามีในวันนี้
15:41
which reflect patterns in the system over the last several decades,
290
926000
4000
ซึ่งสะท้อนแบบแผนของระบบ ในหลายๆทศวรรษที่ผ่านมา
15:45
are going to change dramatically over the next decade or so
291
930000
4000
จะเปลี่ยนไปอย่างมาก ในทศวรรษต่อไปหรือหลังจากนั้น
15:49
based on things like this.
292
934000
3000
ถ้าหากดูตามสถิติอย่างนี้
15:52
So, this picture, although it is beautiful, is a 40-gigabyte picture
293
937000
10000
ภาพนี้ ถึงแม้ว่าจะงดงาม เป็นรูปขนาด 40 กิกาไบท์
16:02
of the whole proteome.
294
947000
2000
ของชุดโปรตีนทั้งหมด
16:04
So this is a drop of blood that has gone through a superconducting magnet,
295
949000
4000
นี่เป็นหยดเลือดที่ได้ผ่านแม่เหล็กนำไฟฟ้ายิ่งยวด
16:08
and we're able to get resolution
296
953000
2000
และเราได้ภาพที่มีความละเอียด
16:10
where we can start to see all of the proteins in the body.
297
955000
4000
ขนาดที่เราสามารถเห็นโปรตีนทั้งหมดในร่างกายได้เลย
16:14
We can start to see that system.
298
959000
2000
เราสามารถมองเห็นระบบดังกล่าว
16:16
Each of the red dots are where a protein has actually been identified.
299
961000
4000
จุดสีแดงแต่ละจุด เป็นโปรตีนตัวที่เราระบุชนิดได้แล้ว
16:20
The power of these magnets, the power of what we can do here,
300
965000
2000
พลังของเจ้าแม่เหล็กนี้ พลังของสิ่งที่เราทำได้ตรงนี้
16:22
is that we can see an individual neutron with this technology.
301
967000
5000
คือ เราเห็นลึกถึงอนุภาคนิวตรอนเป็นตัวๆได้เลย ด้วยเทคโนโลยีนี้
16:27
So, again, this is stuff we're doing with Danny Hillis
302
972000
3000
ยํ้าอีกครั้งหนึ่ง นี่คือสิ่งที่เรากำลังทำอยู่ร่วมกับแดนนี่ ฮิลลิส
16:30
and a group called Applied Proteomics,
303
975000
2000
และกลุ่มที่เรียกว่า "โปรตีนศึกษาประยุกต์"
16:32
where we can start to see individual neutron differences,
304
977000
4000
ซึ่งช่วยให้เราเริ่มสังเกตความแตกต่างของนิวตรอนเป็นต้วๆได้
16:36
and we can start to look at that system like we never have before.
305
981000
4000
และเราสามารถศึกษาระบบนั้น ในแบบที่เราไม่เคยทำได้มาก่อน
16:40
So, instead of a reductionist view, we're taking a step back.
306
985000
4000
ดังนั้น แทนที่จะศึกษาแบบลดทอนองค์ประกอบ เราถอยหลังไปหนึ่งก้าว
16:44
So this is a woman, 46 years old,
307
989000
4000
นี่เป็นผู้หญิง อายุ 46 ปี
16:48
who had recurrent lung cancer.
308
993000
3000
ซึ่งกลับมาเป็นมะเร็งปอดอีก
16:51
It was in her brain, in her lungs, in her liver.
309
996000
4000
มะเร็งอยู่ในสมอง ในปอดทั้งสองข้าง ในตับของเธอ
16:55
She had gotten Carboplatin Taxol, Carboplatin Taxotere,
310
1000000
4000
เธอได้รับยา คาร์โบพลาติน แท็กซอล, ดาร์โบพลาติน แท็กโซเทียร์,
16:59
Gemcitabine, Navelbine:
311
1004000
2000
เจ็มไซทาบีน, นาเว็ลบีน
17:01
Every drug we have she had gotten, and that disease continued to grow.
312
1006000
5000
เธอได้รับยาทุกตัวที่เรามี แต่มะเร็งก็ยังลุกลามต่อไปเรื่อยๆ
17:06
She had three kids under the age of 12,
313
1011000
4000
เธอมีลูกสามคน อายุตํ่ากว่า 12
17:10
and this is her CT scan.
314
1015000
2000
นี่คือภาพ CAT scan ของเธอ
17:12
And so what this is, is we're taking a cross-section of her body here,
315
1017000
3000
ที่อยู่ในภาพ ก็คือภาพถ่ายร่างกายตามแนวตัดของเธอ
17:15
and you can see in the middle there is her heart,
316
1020000
3000
ที่คุณเห็นอยู่ตรงกลางภาพนั้น ก็คือหัวใจของเธอครับ
17:18
and to the side of her heart on the left there is this large tumor
317
1023000
4000
และข้างๆหัวใจทางซ้ายมือนั้น ก็คือเนื้องอกขนาดใหญ่
17:22
that will invade and will kill her, untreated, in a matter of weeks.
318
1027000
6000
ที่จะเข้าไปทำร้ายและฆ่าเธอ ถ้าไม่ได้รับการรักษา ในเพียงไม่กี่สัปดาห์
17:28
She goes on a pill a day that targets a pathway,
319
1033000
5000
เธอได้รับยาวันละเม็ด ซึ่งพุ่งเป้าไปที่เส้นทางลำเลียงเลือด
17:33
and again, I'm not sure if this pathway was in the system, in the cancer,
320
1038000
4000
ยํ้าอีกครั้ง ผมก็ไม่แน่ใจว่าเส้นทางลำเลียงนี้อยู่ในระบบ นั่นคือในมะเร็งหรือเปล่า
17:37
but it targeted a pathway, and a month later, pow, that cancer's gone.
321
1042000
6000
แต่ยาพุ่งเป้าไปที่เส้นทางลำเลียง และหนึ่งเดือนหลังจากนั้น เปรี้ยง มะเร็งนั้นก็หมดไป
17:43
Six months later it's still gone.
322
1048000
3000
หกเดือนหลังจากนั้น มันก็ยังไม่กลับมา
17:46
That cancer recurred, and she passed away three years later from lung cancer,
323
1051000
5000
มะเร็งเกิดขึ้นใหม่อีก และเธอก็เสียชีวิตจากมะเร็งปอดสามปีต่อมาด้วยมะเร็งปอด
17:51
but she got three years from a drug
324
1056000
4000
แต่เธอได้ใช้ชีวิตอีกสามปี จากการใช้ยา
17:55
whose symptoms predominately were acne.
325
1060000
2000
ซึ่งมีอาการส่วนใหญ่ เป็นแค่สิว
17:57
That's about it.
326
1062000
2000
เท่านั้นเอง
17:59
So, the problem is that the clinical trial was done,
327
1064000
4000
ปัญหาก็คือ ได้มีการทดลองทางการแพทย์แล้ว
18:03
and we were a part of it,
328
1068000
2000
และเราเป็นส่วนหนึ่งของการทดลอง
18:05
and in the fundamental clinical trial --
329
1070000
2000
และในการทดลองทางการแพทย์ขั้นพื้นฐานนี้
18:07
the pivotal clinical trial we call the Phase Three,
330
1072000
2000
การทดลองที่เป็นจุดเปลี่ยนนี้ เราเรียกว่าระยะที่สาม
18:09
we refused to use a placebo.
331
1074000
3000
เราปฏิเสธไม่ใช้ยาหลอก
18:12
Would you want your mother, your brother, your sister
332
1077000
2000
คุณอยากให้แม่ พี่น้องชาย หรือพี่น้องสาวของคุณ
18:14
to get a placebo if they had advanced lung cancer and had weeks to live?
333
1079000
4000
ได้ยาหลอกหรือครับ ถ้าเขาเป็นมะเร็งปอดขั้นสุดท้าย และจะมีชีวิตอยู่อีกไม่กี่สัปดาห์?
18:18
And the answer, obviously, is not.
334
1083000
2000
คำตอบก็ชัดเจนครับ ว่าไม่
18:20
So, it was done on this group of patients.
335
1085000
2000
ดังนั้น เราเลยทำการทดลองในกลุ่มผู้ป่วยนี้
18:22
Ten percent of people in the trial had this dramatic response that was shown here,
336
1087000
6000
ร้อยละ 10 ของกลุ่มทดลองมีผลตอบรับที่น่าตื่นเต้นมาก ตามที่แสดงอยู่นี้
18:28
and the drug went to the FDA,
337
1093000
3000
และยานี้ก็ไปถึง FDA
18:31
and the FDA said, "Without a placebo,
338
1096000
2000
และ FDA บอกว่า ถ้าไม่ใช้ยาหลอก
18:33
how do I know patients actually benefited from the drug?"
339
1098000
5000
แล้วเราจะรู้ได้อย่างไร ว่าคนไข้ได้รับประโยชน์จากยานี้จริง?
18:38
So the morning the FDA was going to meet,
340
1103000
2000
พอตอนเช้า FDA กำลังจะประชุม
18:40
this was the editorial in the Wall Street Journal.
341
1105000
3000
นี่คือบทบรรณาธิการใน "วอลล์สตรีทเจอร์นัล" ครับ
18:43
(Laughter)
342
1108000
2000
(เสียงหัวเราะ)
18:45
And so, what do you know, that drug was approved.
343
1110000
4000
แล้ว ใครจะไปนึกล่ะ ยานั้นได้รับการอนุมัติครับ
18:49
The amazing thing is another company did the right scientific trial,
344
1114000
4000
สิ่งที่น่าประหลาดใจก็คือ อีกบริษัทหนี่งได้ทำการทดลองทางวิทยาศาสตร์อย่างถูกต้อง
18:53
where they gave half placebo and half the drug.
345
1118000
3000
โดยให้ครึ่งหนึ่งได้รับยาหลอก และอีกครึ่งได้ตัวยาจริง
18:56
And we learned something important there.
346
1121000
2000
และเราเรียนรู้สิ่งสำคัญบางอย่างตรงนั้น
18:58
What's interesting is they did it in South America and Canada,
347
1123000
3000
สิ่งที่น่าสนใจก็คือ เขาทำการทดลองนี้ในอเมริกาใต้และแคนาดา
19:01
where it's "more ethical to give placebos."
348
1126000
3000
ที่ซึ่ง "การให้ยาหลอกมีจริยธรรมมากกว่า"
19:04
They had to give it also in the U.S. to get approval,
349
1129000
2000
พวกเขาต้องให้ยาหลอกในอเมริกาด้วย เพื่อให้ได้รับการอนุมัติ
19:06
so I think there were three U.S. patients
350
1131000
2000
ผมคิดว่ามีคนไข้ชาวอเมริกันสามคน
19:08
in upstate New York who were part of the trial.
351
1133000
2000
ในตอนเหนือของรัฐนิวยอร์ค ที่เข้าร่วมการทดลองนี้
19:10
But they did that, and what they found
352
1135000
2000
เขาได้ให้ยาหลอก และสิ่งที่เขาพบ
19:12
is that 70 percent of the non-responders
353
1137000
3000
ก็คือ ร้อยละ 70 ของคนไข้ที่ไม่ตอบรับยา
19:15
lived much longer and did better than people who got placebo.
354
1140000
5000
มีชีวิตอยู่นานกว่ามาก และอาการดีกว่าผู้ที่ได้รับยาหลอก
19:20
So it challenged everything we knew in cancer,
355
1145000
3000
ผลการทดลองจึงท้าทายทุกอย่างที่เรารู้เกี่ยวกับมะเร็ง
19:23
is that you don't need to get a response.
356
1148000
2000
กล่าวคือ คนไข้ไม่ต้องตอบรับยาก็ได้
19:25
You don't need to shrink the disease.
357
1150000
2000
คุณไม่ต้องทำให้โรคหดตัวลงก็ได้
19:27
If we slow the disease, we may have more of a benefit
358
1152000
4000
ถ้าเราทำให้โรคช้าลง เราอาจจะได้รับประโยชน์มากกว่า
19:31
on patient survival, patient outcome, how they feel,
359
1156000
4000
ในด้านการรอดชีวิตของผู้ป่วย, ผลที่ได้ต่อผู้ป่วย, สิ่งที่คนไข้รู้สึก,
19:35
than if we shrink the disease.
360
1160000
2000
มากกว่าการทำให้มะเร็งหดตัวลง
19:37
The problem is that, if I'm this doc, and I get your CT scan today
361
1162000
3000
ปัญหาก็คือ ถ้าผมเป็นหมอคนนั้น และผมได้ผล CAT scan ของคุณมาในวันนี้
19:40
and you've got a two centimeter mass in your liver,
362
1165000
3000
และคุณมีก้อนขนาดสองเซ็นติเมตรอยู่ในตับ
19:43
and you come back to me in three months and it's three centimeters,
363
1168000
3000
และคุณกลับมาหาผมในอีกสามเดือน และมันโตเป็นสามเซ็นติเมตร
19:46
did that drug help you or not?
364
1171000
2000
ยานั้นมันช่วยคุณหรือเปล่า?
19:48
How do I know?
365
1173000
2000
ผมจะทราบได้อย่างไร?
19:50
Would it have been 10 centimeters, or am I giving you a drug
366
1175000
4000
ยาช่วยให้มันไม่โตเป็น 10 เซ็นติเมตร หรือผมให้ยา
19:54
with no benefit and significant cost?
367
1179000
3000
ที่ไม่มีผลต่อการรักษา และมีค่าใช้จ่ายสูงกันแน่?
19:57
So, it's a fundamental problem.
368
1182000
2000
ดังนั้น นี่จึงเป็นปัญหาพื้นฐานที่สำคัญ
19:59
And, again, that's where these new technologies can come in.
369
1184000
5000
และยํ้าอีกครั้ง นั่นคือที่ที่เทคนิคใหม่ๆ สามารถเข้ามามีบทบาท
20:04
And so, the goal obviously is that you go into your doctor's office --
370
1189000
4000
ดังนั้น เห็นได้ชัดว่าเป้าหมายก็คือ พอคุณไปหาหมอ --
20:08
well, the ultimate goal is that you prevent disease, right?
371
1193000
3000
เป้าหมายสูงสุดก็คือ คุณไปป้องกันโรค ใช่มั้ยครับ
20:11
The ultimate goal is that you prevent any of these things from happening.
372
1196000
4000
เป้าหมายสูงสุดก็คือ คุณป้องกันไม่ให้สิ่งเหล่านี้มันเกิดขึ้น
20:15
That is the most effective, cost-effective,
373
1200000
3000
นั่นเป็นวิธีที่ได้ผลมากที่สุด ด้านค่าใช้จ่าย
20:18
best way we can do things today.
374
1203000
2000
เป็นวิธีที่ดีที่สุดที่เราทำได้ในวันนี้
20:20
But if one is unfortunate to get a disease,
375
1205000
3000
แต่ถ้าใครโชคร้ายพอที่จะเป็นโรค
20:23
you'll go into your doctor's office, he or she will take a drop of blood,
376
1208000
3000
คุณก็ไปหาหมอ คุณหมอก็จะเจาะเลือดหยดนึง
20:26
and we will start to know how to treat your disease.
377
1211000
4000
และเราก็จะรู้ว่า จะรักษาโรคของคุณได้อย่างไร
20:31
The way we've approached it is the field of proteomics,
378
1216000
3000
แนวทางที่เรานำมาใช้รักษาก็คือ ใช้วิชาโปรตีนศึกษา
20:34
again, this looking at the system.
379
1219000
2000
ยํ้าอีกครั้ง การศึกษาระบบแบบนี้
20:36
It's taking a big picture.
380
1221000
2000
เป็นการมองภาพใหญ่
20:38
The problem with technologies like this is
381
1223000
3000
ปัญหาของเทคโนโลยีแบบนี้ก็คือ
20:41
that if one looks at proteins in the body,
382
1226000
2000
ถ้าเราดูโปรตีนในร่างกาย
20:43
there are 11 orders of magnitude difference
383
1228000
3000
จะมีความแตกต่างด้านอันดับของขนาดถึง 11 ระดับ
20:46
between the high-abundant and the low-abundant proteins.
384
1231000
3000
ระหว่างโปรตีนที่มีความอุดมสมบูรณ์สูง และโปรตีนที่มีความอุดมสมบูรณ์ตํ่า
20:49
So, there's no technology in the world that can span 11 orders of magnitude.
385
1234000
5000
ไม่มีเทคโนโลยีใดในโลกที่สามารถใช้กับโปรตีนได้ทั้ง 11 ระดับขนาด
20:54
And so, a lot of what has been done with people like Danny Hillis and others
386
1239000
5000
และดังนั้น หลายๆอย่างที่ได้ลงมือทำกับแดนนี่ ฮิลลิส และคนอื่นๆ
20:59
is to try to bring in engineering principles, try to bring the software.
387
1244000
4000
ก็คือ การพยายามนำหลักด้านวิศวกรรมมาร่วมใช้ ใช้ซอฟต์แวร์เข้าช่วย
21:03
We can start to look at different components along this spectrum.
388
1248000
5000
เราจะสามารถเริ่มดูส่วนประกอบที่แตกต่างกันตามแนวนี้
21:08
And so, earlier was talked about cross-discipline, about collaboration.
389
1253000
5000
ฉะนั้น ก่อนหน้านี้ ที่ผมพูดถึงการประยุกต์ใช้หลายศาสตร์ พูดถึงการร่วมมือกัน
21:13
And I think one of the exciting things that is starting to happen now
390
1258000
3000
และผมคิดว่า สิ่งที่น่าตื่นเต้นอย่างหนึ่ง ที่กำลังเริ่มเกิดขึ้นขณะนี้
21:16
is that people from those fields are coming in.
391
1261000
3000
ก็คือ คนจากหลายๆสาขาวิชา กำลังเข้ามาร่วมกัน
21:19
Yesterday, the National Cancer Institute announced a new program
392
1264000
3000
เมื่อวาน สถาบันมะเร็งแห่งชาติได้ประกาศโปรแกรมใหม่
21:22
called the Physical Sciences and Oncology,
393
1267000
3000
ชื่อว่า วิทยาศาสตร์กายภาพและวิทยามะเร็ง
21:25
where physicists, mathematicians, are brought in to think about cancer,
394
1270000
4000
ที่ซึ่งนักฟิสิกส์ นักคณิตศาสตร์ มาร่วมกันเพื่อช่วยกันคิดเกี่ยวกับมะเร็ง
21:29
people who never approached it before.
395
1274000
3000
คนซึ่งไม่เคยเกี่ยวข้องกับมะเร็งมาก่อน
21:32
Danny and I got 16 million dollars, they announced yesterday,
396
1277000
3000
แดนกับผมได้รับทุน 16 ล้านดอลล่าร์ เขาประกาศแล้วเมื่อวาน
21:35
to try to attach this problem.
397
1280000
2000
เพื่อเป็นการยึดมั่นต่อการแก้ปัญหานี้
21:37
A whole new approach, instead of giving high doses of chemotherapy
398
1282000
4000
เป็นวิธีการใหม่ทั้งหมด แทนที่จะให้เคมีบำบัดในปริมาณสูง
21:41
by different mechanisms,
399
1286000
2000
ก็ใช้กลไกต่างๆ
21:43
to try to bring technology to get a picture of what's actually happening in the body.
400
1288000
6000
เพื่อพยายามนำเทคโนโลยีมาใช้ ให้ได้ภาพของสิ่งที่เกิดขึ้นจริงๆ ในร่างกาย
21:49
So, just for two seconds, how these technologies work --
401
1294000
4000
อีกแค่สองวินาที เรื่องกลไกของเทคโนโลยีพวกนี้ครับ --
21:53
because I think it's important to understand it.
402
1298000
3000
เพราะผมคิดว่า เป็นสิ่งสำคัญที่เราต้องเข้าใจเรื่องนี้ครับ
21:56
What happens is every protein in your body is charged,
403
1301000
3000
สิ่งที่เกิดขึ้นก็คือ โปรตีนทุกตัวในร่างกายเรานั้นมีประจุไฟฟ้า
21:59
so the proteins are sprayed in, the magnet spins them around,
404
1304000
4000
โปรตีนจะถูกฉีดเข้าไป แม่เหล็กก็หมุนโปรตีนเหล่านั้นไปรอบๆ
22:03
and then there's a detector at the end.
405
1308000
2000
แล้วจะมีตัวตรวจจับอยู่ตอนสุดท้าย
22:05
When it hit that detector is dependent on the mass and the charge.
406
1310000
5000
โปรตีนจะไปชนตัวตรวจจับเมื่อใดนั้น ขึ้นอยู่กับมวลและประจุไฟฟ้าในตัวมัน
22:10
And so we can accurately -- if the magnet is big enough,
407
1315000
3000
พูดตรงๆก็คือ, ถ้าแม่เหล็กขนาดใหญ่พอ
22:13
and your resolution is high enough --
408
1318000
2000
และความละเอียดของภาพสูงพอ
22:15
you can actually detect all of the proteins in the body
409
1320000
3000
คุณก็จะสามารถตรวจจับโปรตีนทุกตัวในร่างกายคุณ
22:18
and start to get an understanding of the individual system.
410
1323000
4000
และเริ่มทำความเข้าใจระบบแต่ละระบบได้เลย
22:22
And so, as a cancer doctor,
411
1327000
2000
ดังนั้น ในฐานะแพทย์มะเร็ง
22:24
instead of having paper in my chart, in your chart, and it being this thick,
412
1329000
5000
แทนที่จะมีแผ่นกระดาษ เป็นใบงานของผม ใบงานของคุณ และหนาเตอะขนาดนี้
22:29
this is what data flow is starting to look like in our offices,
413
1334000
4000
การไหลเวียนของข้อมูลในสำนักงานของเรา จะดูคล้ายๆแบบนี้
22:33
where that drop of blood is creating gigabytes of data.
414
1338000
3000
ที่ซึ่งเลือดเพียงหยดเดียว ให้กำเนิดข้อมูลจำนวนมหาศาล
22:36
Electronic data elements are describing every aspect of the disease.
415
1341000
4000
องค์ประกอบข้อมูลเชิงอีเลคโทรนิค จะอธิบายทุกๆแง่มุมของโรค
22:40
And certainly the goal is we can start to learn from every encounter
416
1345000
4000
และแน่นอนว่าเป้าหมายก็คือ เราจะเริ่มเรียนรู้ได้จากการเผชิญหน้าโรคทุกๆครั้ง
22:44
and actually move forward, instead of just having encounter and encounter,
417
1349000
5000
และก้าวไปข้างหน้าได้อย่างจริงจัง แทนที่เพียงต้องเผชิญหน้า ซํ้าแล้วซํ้าอีก
22:49
without fundamental learning.
418
1354000
2000
โดยไม่ได้เรียนรู้ขั้นพื้นฐานเลย
22:51
So, to conclude, we need to get away from reductionist thinking.
419
1356000
6000
ดังนั้น สรุปคือ เราต้องหลีกหนีแนวคิดการศึกษาแบบลดทอนแยกส่วน
22:57
We need to start to think differently and radically.
420
1362000
4000
เราต้องเริ่มคิดให้แตกต่างออกไป และอย่างสุดกู่
23:01
And so, I implore everyone here: Think differently. Come up with new ideas.
421
1366000
4000
ดังนั้น ผมขอร้องทุกท่านที่นี้ ให้คิดต่างออกไป หาแนวคิดใหม่ๆ
23:05
Tell them to me or anyone else in our field,
422
1370000
3000
นำมาบอกผม หรือใครก็ได้ในสาขาวิชาของเรา
23:08
because over the last 59 years, nothing has changed.
423
1373000
3000
เพราะว่า ที่ผ่านมากว่า 59 ปี ไม่มีอะไรเปลี่ยนแปลงเลย
23:11
We need a radically different approach.
424
1376000
3000
เราต้องการแนวทางที่แตกต่างจากเดิม อย่างสุดกู่
23:14
You know, Andy Grove stepped down as chairman of the board at Intel --
425
1379000
3000
เมื่อ แอนดี้ กรูฟ ลาออกจากตำแหน่งประธานกรรมการที่อินเทล --
23:17
and Andy was one of my mentors, tough individual.
426
1382000
3000
แอนดี้เป็นหนึ่งในที่ปรึกษาของผม เป็นคนสู้ไม่ถอย --
23:20
When Andy stepped down, he said,
427
1385000
2000
เมื่อแอนดี้ออกจากตำแหน่ง เขาพูดว่า
23:22
"No technology will win. Technology itself will win."
428
1387000
3000
"ไม่มีเทคโนโลยีใดจะชนะ ตัวเทคโนโลยีเองจะชนะ"
23:25
And I'm a firm believer, in the field of medicine and especially cancer,
429
1390000
4000
และผมเป็นผู้ที่เชื่ออย่างแรงกล้า ในสาขาวิชาการแพทย์ โดยเฉพาะเรื่องมะเร็ง
23:29
that it's going to be a broad platform of technologies
430
1394000
3000
ว่ามะเร็ง จะเป็นโอกาสอันกว้างขวางของเทคโนโลยี
23:32
that will help us move forward
431
1397000
2000
ที่จะช่วยให้เราเคลื่อนไปข้างหน้า
23:34
and hopefully help patients in the near-term.
432
1399000
2000
และหวังว่าจะช่วยผู้ป่วยได้ ในช่วงเวลาอันใกล้
23:36
Thank you very much.
433
1401000
2000
ขอบคุณมากครับ
ABOUT THE SPEAKER
David Agus - Cancer DoctorAlthough a highly-accomplished conventional doctor, David Agus has embraced the future of medicine and is constantly exploring ways that new technologies can help in the fight against cancer.
Why you should listen
David Agus is a medical doctor and a Professor of Medicine at the University of Southern California. However, he is also the founder of a couple of game-changing medical initiatives. In 2006, he co-founded Navigenics with Dietrich Stephan, Ph.D., to form a company that would provide people with their individual genetic information, allowing them to act on any predispositions to disease that they might have and prevent onset. He also founded Oncology.com which was the largest cancer Internet resource and community.
Dr. Agus’ research is focused on the application of proteomics and genomics in the study of cancer, as well as developing new therapeutic treatments for cancer. He serves as Director of the USC Center for Applied Molecular Medicine and the USC Westside Prostate Cancer Center. Agus is also the recipient of several honors and awards, including the American Cancer Society Physician Research Award, a Clinical Scholar Award from the Sloan-Kettering Institute and the International Myeloma Foundation Visionary Science Award.
David Agus | Speaker | TED.com