Přijdete k doktorovi a udělají Vám nějaké testy. Doktor zjistí, že máte vysoký choresterol, a že by Vám asi pomohly léky. Takže dostanete krabičku léků. Máte určitou důvěru, Váš doktor má určitou důvěru, že to bude fungovat. Ta firma, která je vynalezla udělala řadu studií, odevzdala je FDA. Oni je pečlivě prozkoumali, a skepticky je potvrdili. Mají určitou představu, jak fungují, mají určitou představu, jaké jsou vedlejší účinky. Mělo by to být OK. Máte další rozhovor se svým doktorem, a Váš doktor se obává, protože jste byli melancholičtí, necítili jste se dobře, nedařilo se Vám užívat si života normálně. Váš doktor řekne, "Myslím, že máte trochu depresi. Předepíši Vám další lék."
So you go to the doctor and get some tests. The doctor determines that you have high cholesterol and you would benefit from medication to treat it. So you get a pillbox. You have some confidence, your physician has some confidence that this is going to work. The company that invented it did a lot of studies, submitted it to the FDA. They studied it very carefully, skeptically, they approved it. They have a rough idea of how it works, they have a rough idea of what the side effects are. It should be OK. You have a little more of a conversation with your physician and the physician is a little worried because you've been blue, haven't felt like yourself, you haven't been able to enjoy things in life quite as much as you usually do. Your physician says, "You know, I think you have some depression. I'm going to have to give you another pill."
Takže teď mluvíme o dvou lécích. I druhý lék užívají miliony lidí, výrobce provedl studie, FDA to zkontrolovala -- všechno v pořádku. Všechno by mělo být v pořádku. Všechno by mělo být v pořádku. Ale, počkejte chvilku. Studovali jsme je dohromady?
So now we're talking about two medications. This pill also -- millions of people have taken it, the company did studies, the FDA looked at it -- all good. Think things should go OK. Think things should go OK. Well, wait a minute. How much have we studied these two together?
Je velmi složité to udělat. Po pravdě, normálně se to nedělá. Zcela závisíme na tom, čemu se říká "post-marketingový dohled." Poté, co jsou léky uvedeny na trh, jak zjistíme, že dva léky společně fungují špatně? Tři? Pět? Sedm? Zeptejte se Vašich blízkých s několika diagnózami, kolik léků užívají.
Well, it's very hard to do that. In fact, it's not traditionally done. We totally depend on what we call "post-marketing surveillance," after the drugs hit the market. How can we figure out if bad things are happening between two medications? Three? Five? Seven? Ask your favorite person who has several diagnoses how many medications they're on.
Proč se zabývám tímto problémem? Záleží mi na něm hodně. Jsem informatik a analytik dat a podle mně opravdu jediná šance - jediná šance, jak porozumět těmto interakcím je použít hodně různých zdrojů dat, abychom zjistili, které léky mohou být bezpečně užívány společně, a kdy to není bezpečné.
Why do I care about this problem? I care about it deeply. I'm an informatics and data science guy and really, in my opinion, the only hope -- only hope -- to understand these interactions is to leverage lots of different sources of data in order to figure out when drugs can be used together safely and when it's not so safe.
Řeknu Vám příběh vědy o datech. Začíná mým studentem Nickem. Budeme mu říkat "Nick," protože se tak jmenuje.
So let me tell you a data science story. And it begins with my student Nick. Let's call him "Nick," because that's his name.
(Smích)
(Laughter)
Nick byl mladý student. Řekl jsem, "Víš, Nicku, musíme pochopit, jak léky fungují a jak fungují dohromady, a jak fungují zvlášť, a moc dobře tomu nerozumíme. Ale FDA zveřejnila tuhle skvělou databázi. Je to databáze nežádoucích účinků. Doslova je dali na web- veřejně přístupné, všichni byste si je nyní mohli stáhnout- stovky tisíc zpráv o nepříznivých účincích od pacientů, doktorů, společností a lékárníků. Tyto zprávy jsou celkem jednoduché: obsahuji všechny pacientovy nemoci, všechny užívané léky, a všechny nežádoucí účinky, anebo vedlejší účinky, které zažil. Nejsou to všechny nežádoucí účinky, které se dnes objeví v USA, ale jsou to stovky a stovky tisíc léků.
Nick was a young student. I said, "You know, Nick, we have to understand how drugs work and how they work together and how they work separately, and we don't have a great understanding. But the FDA has made available an amazing database. It's a database of adverse events. They literally put on the web -- publicly available, you could all download it right now -- hundreds of thousands of adverse event reports from patients, doctors, companies, pharmacists. And these reports are pretty simple: it has all the diseases that the patient has, all the drugs that they're on, and all the adverse events, or side effects, that they experience. It is not all of the adverse events that are occurring in America today, but it's hundreds and hundreds of thousands of drugs.
Tak jsem řekl Nickovi, "Zamysleme se nad glukózou. Glukóza je velmi důležitá, a my víme, že je spojená s cukrovkou. Zkusme zjistit, jestli můžeme pochopit odezvu glukózy. Poslal jsem Nicka pryč. Nick přišel zpátky.
So I said to Nick, "Let's think about glucose. Glucose is very important, and we know it's involved with diabetes. Let's see if we can understand glucose response. I sent Nick off. Nick came back.
"Russi," řekl, "vytvořil jsem klasifikátor, který může ukázat vedlejší účinky léků na základě zkoumání této databáze, a může Vám říct, jestli ten lék pravděpodobně ovlivní glukózu či ne."
"Russ," he said, "I've created a classifier that can look at the side effects of a drug based on looking at this database, and can tell you whether that drug is likely to change glucose or not."
Zvládl to. Svým způsobem to bylo jednoduché. Vzal všechny léky, o kterých víme, že mění glukózu, a řadu léků, které nemění glukózu, a řekl, "Jaký je rozdíl mezi jejich vedlejšími účinky? Rozdíl v únavě? V chuti k jídlu? V močení?" Všechny tyto věci dohromady mu daly velmi dobrý prediktor. Řekl, "Russi, mohu předpovědět s přesností 93 %, kdy lék změní glukózu."
He did it. It was very simple, in a way. He took all the drugs that were known to change glucose and a bunch of drugs that don't change glucose, and said, "What's the difference in their side effects? Differences in fatigue? In appetite? In urination habits?" All those things conspired to give him a really good predictor. He said, "Russ, I can predict with 93 percent accuracy when a drug will change glucose."
Řekl jsem, "Nicku, to je skvělé." Je to mladý student, musíte budovat jeho sebedůvěru. "Ale Nicku, je tu problém. Každý doktor na světě ví, že všechny léky mění glukózu, protože to je základ naší praxe. Takže skvělé, dobrá práce, ale ne moc zajímavé, určitě ne publikovatelné."
I said, "Nick, that's great." He's a young student, you have to build his confidence. "But Nick, there's a problem. It's that every physician in the world knows all the drugs that change glucose, because it's core to our practice. So it's great, good job, but not really that interesting, definitely not publishable."
(Smích)
(Laughter)
Řekl, "Já vím, Russ. Myslel jsem si, že to řekneš." Nick je chytrý. "Myslel jsem si, že to řekneš, udělal jsem ještě jeden pokus. Podíval jsem se na všechny v této databázi užívající dva léky, a hledal jsem podobné signály, signály měnící se glukózy, pro osoby užívající tyto dva léky, kde každý lék zvlášť neovlivnil glukózu, ale dohromady jsem viděl výrazný signál."
He said, "I know, Russ. I thought you might say that." Nick is smart. "I thought you might say that, so I did one other experiment. I looked at people in this database who were on two drugs, and I looked for signals similar, glucose-changing signals, for people taking two drugs, where each drug alone did not change glucose, but together I saw a strong signal."
A já řekl, "Aha! Jsi chytrý. Dobrý nápad. Ukaž mi ten seznam." A je tu řada léků, nepříliš zajímavých. Ale co mne zaujalo, na seznamu byly dva léky: paroxetin, nebo Paxil, antidepresant, a pravastin, nebo Pravachol, lék na cholesterol.
And I said, "Oh! You're clever. Good idea. Show me the list." And there's a bunch of drugs, not very exciting. But what caught my eye was, on the list there were two drugs: paroxetine, or Paxil, an antidepressant; and pravastatin, or Pravachol, a cholesterol medication.
A já jsem řekl, "Aha. Miliony Američanů užívají tyto dva léky." Později jsme zjistili, že na paroxetinu bylo 15 miliónů Američanů, 15 miliónů na pravastinu, a milión, odhadem, na obou. Takže to je milión lidí, kteří mohou mít problémy s glukózou, pokud obstojí tenhle mechanický nesmysl, který s databází FDA provedl. Řekl jsem, "Stále to není publikovatelné, ale protože se mi líbí, co jsi s tím provedl, s tím strojovým učením, ale není to standardní důkaz." Takže musíme provést něco jiného. Pojďme do Stanfordských elektronických lékařských záznamů. Máme jejich kopii pro výzkumné účely, odstranili jsem identifikující informace. Řekl jsem, "Podívejme se, jestli lidé na těchto dvou lécích mají problémy s hladinou cukru krvi."
And I said, "Huh. There are millions of Americans on those two drugs." In fact, we learned later, 15 million Americans on paroxetine at the time, 15 million on pravastatin, and a million, we estimated, on both. So that's a million people who might be having some problems with their glucose if this machine-learning mumbo jumbo that he did in the FDA database actually holds up. But I said, "It's still not publishable, because I love what you did with the mumbo jumbo, with the machine learning, but it's not really standard-of-proof evidence that we have." So we have to do something else. Let's go into the Stanford electronic medical record. We have a copy of it that's OK for research, we removed identifying information. And I said, "Let's see if people on these two drugs have problems with their glucose."
Ve Stanfordských lékařských záznamech Jsou tisíce a tisíce lidí, kteří užívají paroxetin a pravastatin. My ale potřebovali speciální pacienty. Potřebovali jsme pacienty, kteří užívali jeden z nich a znali hladinu cukru v krvi, a poté dostali ten druhý a měli znovu změřenou hladinu cukru, to vše v rozumném časovém období -- okolo dvou měsíců. A když jsme to udělali, našli jsme 10 pacientů. Ale osm z 10 měli výkyv v hladině cukru, když dostali druhé P -- nazýváme je P a P -- když dostali to druhé P. Kterýkoliv mohl být první, pak přišel ten druhý a glukóza se zvýšila o 20 miligramů na decilitr. Jen pro připomenutí, pokud nejste diabetik, normálně chodíte okolo, s glukózou okolo 90. A když se dostane na 120, 125, Váš doktor začne uvažovat o diagnóze cukrovky. Takže skok o 20 -- celkem zásadní.
Now there are thousands and thousands of people in the Stanford medical records that take paroxetine and pravastatin. But we needed special patients. We needed patients who were on one of them and had a glucose measurement, then got the second one and had another glucose measurement, all within a reasonable period of time -- something like two months. And when we did that, we found 10 patients. However, eight out of the 10 had a bump in their glucose when they got the second P -- we call this P and P -- when they got the second P. Either one could be first, the second one comes up, glucose went up 20 milligrams per deciliter. Just as a reminder, you walk around normally, if you're not diabetic, with a glucose of around 90. And if it gets up to 120, 125, your doctor begins to think about a potential diagnosis of diabetes. So a 20 bump -- pretty significant.
Řekl jsem, "Nicku, tohle je vážně cool. Ale, obávám se, že stále nemáme článek, protože tohle je 10 pacientů to není dost pacientů."
I said, "Nick, this is very cool. But, I'm sorry, we still don't have a paper, because this is 10 patients and -- give me a break -- it's not enough patients."
Co můžeme dělat? Řekli jsme si, že zavoláme přátelům na Harvardu a Vanderbiltu, kteří -- Harvard v Bostonu, Vanderbilt v Nashville, kteří také mají lékařské záznamy podobné našim. Uvidíme, jestli najdou podobné pacienty s jedním P, druhým P, měřeními glukózy v rozmezí, které potřebujeme.
So we said, what can we do? And we said, let's call our friends at Harvard and Vanderbilt, who also -- Harvard in Boston, Vanderbilt in Nashville, who also have electronic medical records similar to ours. Let's see if they can find similar patients with the one P, the other P, the glucose measurements in that range that we need.
Bůh jim žehnej, Vanderbilt našli za týden 40 takových pacientů, stejný trend. Harvard našel 100 pacientů, stejný trend. Nakonec jsme měli 150 pacientů ze tří různých zdravotnických center, kteří nám říkali, že pacienti, kteří užívají tyto dva léky, měli celkem podstatný skok ve své glukóze.
God bless them, Vanderbilt in one week found 40 such patients, same trend. Harvard found 100 patients, same trend. So at the end, we had 150 patients from three diverse medical centers that were telling us that patients getting these two drugs were having their glucose bump somewhat significantly.
Zajímavější je, že jsme vynechali diabetiky, protože diabetici už rozkolísanou glukózu mají. Když jsme se podívali na glukózu diabetiků, stoupala o 60 miligramů na decilitr, ne 20. Tohle bylo podstatné, a řekli jsme, "Tohle musíme publikovat." Odeslali jsme článek. Všechno to bylo podloženo daty, daty z FDA, ze Stanfordu, z Vanderbiltu, z Harvardu. Neudělali jsme ani jediný skutečný experiment.
More interestingly, we had left out diabetics, because diabetics already have messed up glucose. When we looked at the glucose of diabetics, it was going up 60 milligrams per deciliter, not just 20. This was a big deal, and we said, "We've got to publish this." We submitted the paper. It was all data evidence, data from the FDA, data from Stanford, data from Vanderbilt, data from Harvard. We had not done a single real experiment.
Ale byli jsme nervózní. Takže Nick, zatímco byl článek posuzován, šel do laboratoře. Našli jsme někoho, kdo něco věděl o laboratořích. To já nedělám. Starám se o pacienty, ale nedělám pipety. Naučili nás, jak dávat myším léky. Vzali jsme myši a dali jsme jim jedno P, paroxetin. Jiným myším jsme dali pravastatin. A třetí skupině myší jsme dali oba. A podívejme, glukóza stoupla o 20 až 60 miligramů na decilitr u myší.
But we were nervous. So Nick, while the paper was in review, went to the lab. We found somebody who knew about lab stuff. I don't do that. I take care of patients, but I don't do pipettes. They taught us how to feed mice drugs. We took mice and we gave them one P, paroxetine. We gave some other mice pravastatin. And we gave a third group of mice both of them. And lo and behold, glucose went up 20 to 60 milligrams per deciliter in the mice.
Takže článek byl přijat, založen pouze na datech, a na konec jsme přidali malou poznámku, mimochodem, pokud je dáte myším, stoupne nahoru.
So the paper was accepted based on the informatics evidence alone, but we added a little note at the end, saying, oh by the way, if you give these to mice, it goes up.
To bylo skvělé, a ten příběh by tu mohl skončit. Ale ještě pořád mám šest a půl minuty.
That was great, and the story could have ended there. But I still have six and a half minutes.
(Smích.)
(Laughter)
Tak jsme seděli a přemýšleli o tom všem, a nepamatuji si, koho to napadlo, ale někdo řekl, "Zajímalo by mne, jestli si pacienti užívající tyto dva léky, všímají vedlejších účinků hyperglykémie. Mohli by a měli by. Jak to zjistíme?"
So we were sitting around thinking about all of this, and I don't remember who thought of it, but somebody said, "I wonder if patients who are taking these two drugs are noticing side effects of hyperglycemia. They could and they should. How would we ever determine that?"
Řekli jsme, no, co uděláte? Mluvíme o užívání léků, jednoho či dvou nových, a máte zvláštní pocit. Co uděláte? Půjdete na Google a zadáte ty dva léky, které užíváte, nebo ten jeden, který užíváte, a napíšete "vedlejší účinky". Co zažíváte? Tak jsme řekli OK, zeptáme se Googlu, jestli nám zpřístupní záznamy o vyhledávání, abychom se na ně mohli podívat a vidět, zda pacienti toto hledají. Google, bohužel musím říct, odmítl naši žádost. Byl jsem zklamaný. Byl jsem na večeři s kolegou, který pracuje v Microsoft Research, a řekl jsem, "Chtěli jsme udělat tuto studii a Google řekl ne. Je to trochu zklamání." Řekl, "No, my máme vyhledávání na Bingu."
We said, well, what do you do? You're taking a medication, one new medication or two, and you get a funny feeling. What do you do? You go to Google and type in the two drugs you're taking or the one drug you're taking, and you type in "side effects." What are you experiencing? So we said OK, let's ask Google if they will share their search logs with us, so that we can look at the search logs and see if patients are doing these kinds of searches. Google, I am sorry to say, denied our request. So I was bummed. I was at a dinner with a colleague who works at Microsoft Research and I said, "We wanted to do this study, Google said no, it's kind of a bummer." He said, "Well, we have the Bing searches."
(Smích.)
(Laughter)
Jo. To je skvělé. Cítil jsem se jako bych --
Yeah. That's great. Now I felt like I was --
(Smích.)
(Laughter)
Měl jsem pocit, jako bych znovu mluvil s Nickem. Pracuje pro jednu z největších výzkumných organizacích na světě, a já se ho snažím utěšit. Ale on řekl, "Ne Russi- ty mi možná nerozumíš. Máme nejenom vyhledávání na Bingu, ale pokud použiješ Internet Explorer pro vyhledávání na Googlu, Yahoo, Bingu, čemkoliv... po 18 měsíců si ponecháváme tyto údaje pouze pro výzkumné účely. Řekl jsem, "Teď se bavíme pořádně!" To byl Eric Horvitz, můj přítel z Microsoftu.
I felt like I was talking to Nick again. He works for one of the largest companies in the world, and I'm already trying to make him feel better. But he said, "No, Russ -- you might not understand. We not only have Bing searches, but if you use Internet Explorer to do searches at Google, Yahoo, Bing, any ... Then, for 18 months, we keep that data for research purposes only." I said, "Now you're talking!" This was Eric Horvitz, my friend at Microsoft.
Tak jsme udělali studii, ve které jsme definovali 50 slov, které by normální člověk mohl zadat pokud má hyperglykémii, jako "únava", "ztráta chuti k jídlu", "hodně močení", "hodně čůrání"- omluvte mne, ale je to jedna z věcí, které by mohl zadat. Měli jsme 50 frází, které jsme nazvali "diabetická slova". Udělali jsme tak základnu. A ukázalo se, že asi 0,5 až 1 % všech vyhledávání na Internetu obsahují jedno z těch slov. To je náš základní poměr. Když lidé zadají "paroxetin" nebo "Paxil"- to jsou synonyma- a jedno z těch slov, ten poměr stoupne na asi 2 % diabetických slov, a jak už víte, to je to slovo "paroxetin". Pokud je to "pravastatin", základní poměr stoupne asi o 3 % od základny. Když se oba zároveň vyskytují ve vyhledávání, poměr stoupne asi na 10 %, obrovský tří- až čtyřnásobný nárůst v těch hledáních, kde jsou oba léky a slovy typu diabetes nebo hyperglykémie.
So we did a study where we defined 50 words that a regular person might type in if they're having hyperglycemia, like "fatigue," "loss of appetite," "urinating a lot," "peeing a lot" -- forgive me, but that's one of the things you might type in. So we had 50 phrases that we called the "diabetes words." And we did first a baseline. And it turns out that about .5 to one percent of all searches on the Internet involve one of those words. So that's our baseline rate. If people type in "paroxetine" or "Paxil" -- those are synonyms -- and one of those words, the rate goes up to about two percent of diabetes-type words, if you already know that there's that "paroxetine" word. If it's "pravastatin," the rate goes up to about three percent from the baseline. If both "paroxetine" and "pravastatin" are present in the query, it goes up to 10 percent, a huge three- to four-fold increase in those searches with the two drugs that we were interested in, and diabetes-type words or hyperglycemia-type words.
Publikovali jsme to a vzbudili jsme pozornost. Důvod, proč si to zasluhuje pozornost je ten, že pacienti nám nepřímo říkají své vedlejší účinky skrz svoje vyhledávání. Upozornili jsme na to FDA. A FDA to zaujalo. Vytvořili programy na sledování sociálních médií ve spoluprácí s Microsoftem, který na to měl hezkou infrastrukturu, a dalšími, ke zkoumání příspěvků na Twitteru,na Facebooku, záznamů o vyhledávání, abychom brzy viděli signály, že léky samostatně nebo dohromady, způsobují problémy.
We published this, and it got some attention. The reason it deserves attention is that patients are telling us their side effects indirectly through their searches. We brought this to the attention of the FDA. They were interested. They have set up social media surveillance programs to collaborate with Microsoft, which had a nice infrastructure for doing this, and others, to look at Twitter feeds, to look at Facebook feeds, to look at search logs, to try to see early signs that drugs, either individually or together, are causing problems.
Co z toho je? Proč tento příběh? Především máme příslib velkého a středně velkého množství dat k pochopení interakcí mezi léky a skutečného fungování léků. Jak fungují léky? Toto vytvoří a vytvořilo nový ekosystém pro pochopení fungování léků a optimalizaci jejich užívání. Nick pokračoval dále; je profesorem na Columbii. Svou dizertační práci věnoval stovkám párů léků. Nalezl několik velmi významných interakcí, tak jsme to zopakovali a ukázali, že toto je skutečně fungující způsob nalézání interakcí mezi léky.
What do I take from this? Why tell this story? Well, first of all, we have now the promise of big data and medium-sized data to help us understand drug interactions and really, fundamentally, drug actions. How do drugs work? This will create and has created a new ecosystem for understanding how drugs work and to optimize their use. Nick went on; he's a professor at Columbia now. He did this in his PhD for hundreds of pairs of drugs. He found several very important interactions, and so we replicated this and we showed that this is a way that really works for finding drug-drug interactions.
Nicméně je zde pár drobností. Najednou neužíváme pouze dvojice léků. Jak jsem řekl dříve, jsou pacienti se třemi, pěti, sedmi, devíti léky. Byly zkoumány vzájemné interakce všech devíti? Můžeme párovat A a B, A a C, A a D, ale co A, B, C, D, E, F, G dohromady, užívané jedním pacientem, možná vzájemně reagující způsobem, který zvyšuje nebo snižuje jejich efekt nebo způsobuje nečekané účinky. My opravdu netušíme. Je to pole neorané, příležitost pro nás využít data k pochopení interakcí mezi léky.
However, there's a couple of things. We don't just use pairs of drugs at a time. As I said before, there are patients on three, five, seven, nine drugs. Have they been studied with respect to their nine-way interaction? Yes, we can do pair-wise, A and B, A and C, A and D, but what about A, B, C, D, E, F, G all together, being taken by the same patient, perhaps interacting with each other in ways that either makes them more effective or less effective or causes side effects that are unexpected? We really have no idea. It's a blue sky, open field for us to use data to try to understand the interaction of drugs.
Další dvě věci: chci, abyste přemýšleli o moci, kterou jsme byli schopni vytvořit s daty od lidí, kteří poskytli nežádoucí účinky prostřednictvím lékárníků, nich samotných, jejich doktorů lidé, kteří umožnili databázím ve Stanfordu, Harvardu, Vanderbiltu, užívání pro výzkum. Lidé se bojí o data. Obávají se o své soukromí a bezpečnost - měli by. Potřebujeme bezpečné systémy. Ale nemůžeme mít systém, který uzavírá data, protože je to příliš cenný zdroj inspirace, inovace a objevů nových věcí v lékařství.
Two more lessons: I want you to think about the power that we were able to generate with the data from people who had volunteered their adverse reactions through their pharmacists, through themselves, through their doctors, the people who allowed the databases at Stanford, Harvard, Vanderbilt, to be used for research. People are worried about data. They're worried about their privacy and security -- they should be. We need secure systems. But we can't have a system that closes that data off, because it is too rich of a source of inspiration, innovation and discovery for new things in medicine.
A poslední věc, kterou chci říct je, že jsme v tomto případě našli dva léky a byl to trošku smutný příběh. Dva léky skutečně způsobující problémy. Zvyšovaly glukózu. Mohly u někoho vyvolat cukrovku, u někoho, kdo by ji jinak neměl, a tak byste měli používat tyto léky dohromady velmi opatrně, možná ne společně, prostě zvolit jiné, když je předepisujete. Ale byla zde ještě další možnost. Mohli jsme nalézt dva nebo tři léky, které reagovaly přínosným způsobem. Mohli jsme nalézt nové účinky léků, které by žádný z nich samostatně neměl, ale dohromady způsobovaly nový vedlejší účinek, mohly být novou a novátorskou léčbou chorob, které nemají léčbu nebo jejichž léčba není účinná. Když přemýšlíme o lécích dnes, všechny zlomové průlomy -- pro HIV, tuberkulózu, depresi, cukrovku -- jsou vždy mixem léků.
And the final thing I want to say is, in this case we found two drugs and it was a little bit of a sad story. The two drugs actually caused problems. They increased glucose. They could throw somebody into diabetes who would otherwise not be in diabetes, and so you would want to use the two drugs very carefully together, perhaps not together, make different choices when you're prescribing. But there was another possibility. We could have found two drugs or three drugs that were interacting in a beneficial way. We could have found new effects of drugs that neither of them has alone, but together, instead of causing a side effect, they could be a new and novel treatment for diseases that don't have treatments or where the treatments are not effective. If we think about drug treatment today, all the major breakthroughs -- for HIV, for tuberculosis, for depression, for diabetes -- it's always a cocktail of drugs.
Takže ten pozitivní aspekt, a téma pro odlišnou TED přednášku, je jak můžeme použít stejné zdroje dat pro nalezení positivních účinků kombinace léčiv, které nám poskytnou novou léčbu, nový vhled do fungování léčiv a umožní nám postarat se ještě lépe o naše pacienty.
And so the upside here, and the subject for a different TED Talk on a different day, is how can we use the same data sources to find good effects of drugs in combination that will provide us new treatments, new insights into how drugs work and enable us to take care of our patients even better?
Děkuji Vám.
Thank you very much.
(potlesk)
(Applause)