Πας, λοιπόν, στον γιατρό και κάνεις κάποιες εξετάσεις. O γιατρός βρίσκει πως έχεις υψηλή χοληστερόλη και θα ωφεληθείς από μια φαρμακευτική αγωγή. Οπότε βρίσκεσαι με ένα κουτί χαπιών. Τα εμπιστεύεσαι κι ο γιατρός σου πιστεύει πως θα έχουν αποτέλεσμα. Η εταιρεία που τα παρασκεύασε έκανε μελέτες, τις υπέβαλε στον FDA, τον Οργανισμό Τροφίμων και Φαρμάκων των ΗΠΑ. Εκείνοι τις μελέτησαν με μεγάλη προσοχή και σκεπτικισμό, πριν τις εγκρίνουν. Έχουν μια γενική ιδέα για το πώς δρουν. Έχουν μια γενική ιδέα για τις πιθανές παρενέργειες. Θα πρέπει να είναι εντάξει. Συζητάς περισσότερο με τον γιατρό σου κι εκείνος είναι λίγο ανήσυχος γιατί έχεις μελαγχολήσει, δεν αισθάνεσαι πολύ καλά και δεν απολαμβάνεις τη ζωή όπως πριν. Ο γιατρός σου λέει, «Ξέρεις, νομίζω ότι έχεις πάθει ένα είδος κατάθλιψης. Θα σου δώσω άλλο ένα χάπι».
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."
Οπότε τώρα, πρέπει να πάρεις δύο φάρμακα. Αυτό το χάπι -- εκατομμύρια άνθρωποι το παίρνουν, η εταιρεία έκανε μελέτες, ο FDA το εξέτασε -- όλα καλά. Νομίζεις ότι όλα θα πάνε καλά. Νομίζεις ότι όλα θα πάνε καλά. Όμως, μισό λεπτό. Πόσο έχουν μελετηθεί αυτά τα δύο μαζί;
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?
Ε, λοιπόν, αυτό είναι πολύ δύσκολο. Συνήθως μάλιστα δε συμβαίνει. Εξαρτόμαστε από αυτό που λέγεται «παρακολούθηση μετά την κυκλοφορία», αφότου τα φάρμακα φθάσουν στην αγορά. Πώς μπορούμε να ξέρουμε αν κάτι κακό συμβαίνει με την ταυτόχρονη χορήγηση δύο φαρμάκων; Τριών; Πέντε; Επτά; Ρωτήστε κάποιον που έχει διαγνωσθεί με διάφορες παθήσεις πόσα φάρμακα παίρνει.
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.
Γιατί μ' απασχολεί αυτό το πρόβλημα; Και μάλιστα πολύ σοβαρά. Ο τομέας μου είναι η Πληροφορική και η Επιστήμη Δεδομένων, και πιστεύω, πως η μόνη μας ελπίδα -- η μόνη -- να κατανοήσουμε αυτές τις αλληλεπιδράσεις είναι να αξιοποιήσουμε πολλά δεδομένα από διάφορες πηγές για να καταλάβουμε πότε τα φάρμακα μπορούν να ληφθούν ταυτόχρονα με ασφάλεια και πότε υπάρχει κίνδυνος. Να σας πω μια ιστορία από την Επιστήμη των Δεδομένων.
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. So let me tell you a data science story.
Αρχίζει με τον φοιτητή μου, τον Νικ. Ας τον πούμε «Νικ», επειδή έτσι τον λένε.
And it begins with my student Nick. Let's call him "Nick," because that's his name.
(Γέλια)
(Laughter)
Ο Νικ ήταν νεαρός φοιτητής. Του είπα, «Νικ, πρέπει να κατανοήσουμε πώς δρουν τα φάρμακα, πώς δρουν σε συνδυασμό και πώς δρουν μεμονωμένα, κάτι που δεν το κατανοούμε καλά». Όμως ο FDA έχει κάνει διαθέσιμη μια τεράστια βάση δεδομένων. Δεδομένα ανεπιθύμητων αντιδράσεων. Είναι στο διαδίκτυο, Κυριολεκτικά, ανοιχτά σε όλους. Ο καθένας μπορεί να τα κατεβάσει άμεσα. Εκατοντάδες χιλιάδες αναφορές ανεπιθύμητων αντιδράσεων από ασθενείς, γιατρούς, εταιρείες, φαρμακοποιούς. Οι αναφορές αυτές είναι πολύ απλές: Περιλαμβάνουν όλες τις παθήσεις ενός ασθενούς, όλα τα φάρμακα που παίρνει, όλες τις ανεπιθύμητες αντιδράσεις ή παρενέργειες, που παρουσιάζουν. Δεν είναι το σύνολο των ανεπιθύμητων αντιδράσεων που εκδηλώνονται στις Η.Π.Α. είναι όμως εκατοντάδες χιλιάδες φάρμακα. Είπα λοιπόν στον Νικ: «Ας επικεντρωθούμε στη γλυκόζη. Η γλυκόζη είναι πολύ σημαντική, ξέρουμε ότι σχετίζεται με το διαβήτη. Ας δούμε αν κατανοούμε την απόκριση στη γλυκόζη». Τον έστειλα για έρευνα. Ο Νικ γύρισε.
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. 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.
«Ρας», μου είπε, «δημιούργησα μια ταξινόμηση των ανεπιθύμητων αντιδράσεων ενός φαρμάκου από αυτή τη βάση δεδομένων, που δείχνει αν το φάρμακο μπορεί να επηρεάσει τη γλυκόζη ή όχι».
"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."
Το κατάφερε. Ήταν σχετικά απλό. Πήρε όλα τα φάρμακα που ήταν γνωστό ότι επηρέαζαν τη γλυκόζη και κάποια φάρμακα που δεν επηρεάζουν τη γλυκόζη, κι αναρωτήθηκε αν υπάρχει διαφορά στις ανεπιθύμητες ενέργειες. Υπάρχει διαφορά στην κόπωση, στην όρεξη, στην ούρηση; Όλα αυτά συνδυάστηκαν ώστε να του δώσουν μια καλή πρόβλεψη. Μου είπε, «Ρας, μπορώ να προβλέψω με ακρίβεια 93% αν ένα φάρμακο επηρεάζει τη γλυκόζη».
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."
Του λέω, «Μπράβο Νικ, σπουδαία». Νέος φοιτητής είναι, πρέπει ν' αποκτήσει αυτοπεποίθηση. «Όμως, Νικ, υπάρχει πρόβλημα. Κάθε γιατρός στον κόσμο γνωρίζει όλα τα φάρμακα που επηρεάζουν τη γλυκόζη, είναι βασικό στην εκπαίδευσή τους. Άρα, έκανες καλή δουλειά, αλλά δεν είναι και τόσο ενδιαφέρον, και σίγουρα δεν είναι δημοσιεύσιμο».
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."
(Γέλια)
(Laughter)
«Το ξέρω, Ρας» μου λέει. «Ήξερα ότι θα το πεις αυτό». Έξυπνος ο Νικ. «Το ήξερα και γι' αυτό έκανα άλλο ένα πείραμα. Μελέτησα σ' αυτή τη βάση δεδομένων τα άτομα που έπαιρναν δύο φάρμακα κι έψαξα για παρόμοια συμπτώματα, μεταβολής της γλυκόζης, σε άτομα που έπαιρναν δύο φάρμακα. Όταν δηλαδή το ένα φάρμακο δεν επηρέαζε τη γλυκόζη, αλλά σε συνδυασμό υπήρχε σοβαρή ένδειξη».
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."
«Μπράβο, έξυπνο», του λέω. «Για δείξε μου τη λίστα». Είναι πολλά τα φάρμακα, δεν είναι πολύ συναρπαστικό. Αλλά αυτό που τράβηξε την προσοχή μου ήταν δύο φάρμακα στη λίστα: η παροξετίνη ή Paxil, ένα αντικαταθλιπτικό και η πραβαστατίνη ή Pravachol, ένα φάρμακο για τη χοληστερόλη.
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.
Και λέω, «Α, εκατομμύρια Αμερικανοί παίρνουν αυτά τα δύο φάρμακα». Και όπως μάθαμε αργότερα, 15 εκατομμύρια Αμερικανοί παίρνουν παροξετίνη, 15 εκατομμύρια παίρνουν πραβαστατίνη και ένα εκατομμύριο, κατά τους υπολογισμούς μας, και τα δύο. Άρα, ένα εκατομμύριο άνθρωποι ίσως έχουν προβλήματα με το σάκχαρο, αν αυτή η έξυπνη μηχανή που έφτιαξε με τα δεδομένα του FDA, κάνει δουλειά. Είπα, όμως, «Και πάλι δεν είναι δημοσιεύσιμο, γιατί, μ' αρέσει μεν αυτό που έκανες με την έξυπνη μηχανή, αλλά το αποτέλεσμα δεν είναι ασφαλής απόδειξη». Άρα πρέπει να κάνουμε κάτι άλλο. Ας δούμε το ηλεκτρονικό ιατρικό αρχείο του Στάνφορντ. Έχουμε ένα αντίγραφο, διαθέσιμο προς διερεύνηση, αφαιρώντας τις προσωπικές πληροφορίες. Είπα λοιπόν, «Ας δούμε αν όσοι παίρνουν και τα δύο φάρμακα έχουν πρόβλημα με το σάκχαρό τους».
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."
Υπάρχουν φυσικά χιλιάδες άνθρωποι στα ιατρικά αρχεία του Στάνφορντ που παίρνουν παροξετίνη και πραβαστατίνη. Όμως χρειαζόμασταν ειδικούς ασθενείς. Θέλαμε ασθενείς που έπαιρναν ένα φάρμακο και παρακολούθησαν τη γλυκόζη τους, μετά πήραν το δεύτερο και ξαναμέτρησαν τη γλυκόζη τους, για μια λογική χρονική περίοδο- κάπου δύο μήνες. Το κάναμε αυτό, και βρήκαμε 10 ασθενείς. Παρόλα αυτά, 8 στους 10 παρουσίασαν αύξηση της γλυκόζης όταν πήραν τη δεύτερη Π -ας τις ονομάσουμε Π και Π- όταν πήραν τη δεύτερη Π. Όποια κι αν πήραν πρώτα και μετά τη δεύτερη, το σάκχαρο ανέβαινε κατά 20 mg/dL. Να υπενθυμίσω, ότι αν δεν είσαι διαβητικός, κυκλοφορείς με τιμή γλυκόζης γύρω στα 90. Αν ανέβει στα 120-125, ο γιατρός σου εξετάζει μια πιθανή διάγνωση διαβήτη. Επομένως, μια αύξηση 20 μονάδων είναι σημαντική.
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.
Είπα, «Νικ, είναι πολύ καλό. Αλλά, λυπάμαι, και πάλι δεν είναι δημοσιεύσιμο, γιατί έχουμε μόνο 10 ασθενείς και βέβαια είναι πολύ λίγοι».
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."
Οπότε λέμε, τι να κάνουμε; Eίπαμε, να μιλήσουμε στους φίλους μας στο Χάρβαρντ, στη Βοστώνη και στο Βάντερμπιλντ, στο Νάσβιλ που έχουν ηλεκτρονικά ιατρικά αρχεία παρόμοια με τα δικά μας. Να δούμε αν μπορούν να βρουν τέτοιους ασθενείς με τη μία Π, την άλλη Π, και τις μετρήσεις σακχάρου στα επίπεδα που μας ενδιαφέρουν.
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.
Να είναι καλά το Βάντερμπιλντ σε μία βδομάδα βρήκε 40 τέτοιους ασθενείς, με την ίδια τάση. Το Χάρβαρντ βρήκε 100 τέτοιους ασθενείς, με την ίδια τάση. Οπότε, τελικά, είχαμε 150 ασθενείς από τρία διαφορετικά ιατρικά κέντρα που έδειχναν ότι οι ασθενείς που έπαιρναν αυτά τα δύο φάρμακα ανέβαζαν σημαντικά τα επίπεδα της γλυκόζης τους.
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.
Και μάλιστα, δεν είχαμε συμπεριλάβει τους διαβητικούς, γιατί οι διαβητικοί είχαν ήδη αυξημένη γλυκόζη. Όταν προσέξαμε τη γλυκόζη των διαβητικών, είδαμε ότι αυξανόταν κατά 60 mg/dL, όχι μόνο κατά 20. Αυτό ήταν πολύ σημαντικό, οπότε είπαμε, «Πρέπει να το δημοσιεύσουμε». Υποβάλαμε την εργασία. Περιλάμβανε στοιχεία από τα δεδομένα, από τον FDA, από το Στάνφορντ, από το Βάντερμπιλντ και το Χάρβαρντ. Δεν είχαμε κάνει ούτε ένα πείραμα.
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.
Ήμασταν όμως ανήσυχοι. Τότε ο Νικ, όσο η εργασία ήταν υπό αναθεώρηση, μπήκε στο εργαστήριο. Βρήκαμε κάποιον που ήξερε από εργαστηριακή δουλειά. Εγώ δεν ξέρω. Ξέρω να φροντίζω ασθενείς, δεν ξέρω από δοκιμαστικούς σωλήνες. Μας έμαθαν πώς να δίνουμε φάρμακα σε ποντίκια. Δώσαμε στα ποντίκια τη μια Π, την παροξετίνη. Δώσαμε σε κάποια άλλα ποντίκια πραβαστατίνη, Και δώσαμε σε μια τρίτη ομάδα ποντικιών και τις δυο Π. Και ιδού! Η γλυκόζη τους ανέβηκε από 20 ως 60 mg/dL. Οπότε, η εργασία εγκρίθηκε
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.
με βάση μόνο τα πληροφοριακά στοιχεία, όμως προσθέσαμε μια σημείωση στο τέλος που έλεγε: «Παρεμπιπτόντως, και στα ποντίκια αυξάνεται».
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.
Ωραία, η υπόθεση θα μπορούσε να είχε τελειώσει εδώ. Αλλά μου μένουν ακόμη 6,5 λεπτά.
That was great, and the story could have ended there. But I still have six and a half minutes.
(Γέλια)
(Laughter)
Καθόμασταν και τα σκεφτόμασταν όλα αυτά, και δε θυμάμαι ποιος σκέφτηκε, ή κάποιος είπε, «Αναρωτιέμαι αν οι ασθενείς που παίρνουν αυτά τα φάρμακα έχουν προσέξει παρενέργειες από την υπεργλυκαιμία. Θα έπρεπε. Πώς θα μπορούσαμε να το βρούμε αυτό;»
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?"
Τι θα έκανε κάποιος, λοιπόν; Αν πάρεις ένα φάρμακο, ένα νέο φάρμακο ή και δύο, και νιώσεις περίεργα... Τι κάνεις; Πας στο Google και πληκτρολογείς το φάρμακο ή τα δύο φάρμακα που παίρνεις και γράφεις «Παρενέργειες». Τι νιώθεις; Είπαμε, εντάξει, ας ζητήσουμε από την Google να μας δώσει το ιστορικό, τις καταγραφές των αναζητήσεων για να δούμε αν οι ασθενείς κάνουν αυτές τις αναζητήσεις. Δυστυχώς, η Google αρνήθηκε το αίτημά μας. Απογοητεύτηκα. Έτρωγα με ένα συνάδελφο που δουλεύει στο ερευνητικό της Microsoft και του λέω, «Θέλαμε να κάνουμε αυτή την έρευνα, και η Google μας αρνήθηκε». Και μου λέει, «Καλά, υπάρχει και το Bing».
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."
(Γέλια)
(Laughter)
Ναι! Φανταστικά! Μου φαινόταν ότι...
Yeah. That's great. Now I felt like I was --
(Γέλια)
(Laughter)
Μου φαινόταν σαν να μιλούσα πάλι με το Νικ. Δουλεύει σε μία από τις μεγαλύτερες εταιρείες του κόσμου, και ήδη προσπαθώ να τον κάνω να νιώσει καλύτερα. Και μου λέει, «Όχι, Ρας-δεν κατάλαβες. Δεν έχουμε μόνο τις αναζητήσεις του Bing. Αν χρησιμοποιείς Internet Explorer για να ψάξεις στο Google, στη Yahoo, στο Bing, οπουδήποτε... εμείς κρατάμε αυτά τα δεδομένα 18 μήνες, για ερευνητικούς σκοπούς μόνο». «Τώρα μιλάς σωστά!», του λέω. Ήταν ο Έρικ Χόρβιτς, ο φίλος μου απ' τη Microsoft.
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.
Οπότε, κάναμε μια μελέτη στην οποία ορίσαμε 50 λέξεις που ένας συνηθισμένος άνθρωπος θα πληκτρολογούσε αν είχε υπεργλυκαιμία, όπως «κόπωση», «ανορεξία», «συχνουρία», «πολύ κατούρημα», συγγνώμη, αλλά είναι μία απ' τις λέξεις που θα έγραφε κάποιος. Συγκεντρώσαμε 50 φράσεις που τις είπαμε «λέξεις του διαβήτη». Θέσαμε ένα σημείο αναφοράς. Και φάνηκε ότι περίπου 0,5 ως 1% όλων των αναζητήσεων στο Ίντερνετ περιλαμβάνουν μια απ' αυτές τις λέξεις. Αυτό ήταν το σημείο αναφοράς μας. Αν έγραφαν «παροξετίνη» ή «Paxil» - που είναι συνώνυμα - και μία απ' αυτές τις λέξεις η συχνότητα ανέβαινε περίπου στο 2% για τις «λέξεις του διαβήτη», αν ήταν γνωστό ότι υπήρχε η λέξη παροξετίνη. Αν έγραφαν πραβαστατίνη, η συχνότητα ανέβαινε στο 3% από το σημείο αναφοράς. Αν και οι δυο λέξεις «παροξετίνη» και «πραβαστατίνη» υπάρχουν στην αναζήτηση ανεβαίνει στο 10%, μια τεράστια, σχεδόν τετραπλάσια αύξηση, για τις αναζητήσεις με τα δυο φάρμακα που μας ενδιέφεραν, και τις «λέξεις του διαβήτη» ή της υπεργλυκαιμίας.
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.
Το δημοσιεύσαμε αυτό, και έτυχε κάποιας προσοχής. Ο λόγος που αξίζει την προσοχή είναι ότι οι ασθενείς μας λένε για τις παρενέργειες που έχουν έμμεσα, μέσω των αναζητήσεών τους. Το κοινοποιήσαμε στον FDA. Και ενδιαφέρθηκαν. Ξεκίνησαν προγράμματα παρακολούθησης μέσω των μέσων κοινωνικής δικτύωσης σε συνεργασία με τη Microsoft που είχε ισχυρή υποδομή γι' αυτά και για άλλα, για έρευνα στο Twitter και στο Facebook στις καταγραφές των αναζητήσεων, ώστε να δουν πρώιμα σημεία ότι τα φάρμακα, είτε ανεξάρτητα είτε σε συνδυασμό προκαλούν προβλήματα.
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.
Τι συνάγεται απ' αυτό; Γιατί σας λέω αυτή την ιστορία; Λοιπόν, πρώτα-πρώτα, έχουμε τώρα το πλεονέκτημα των μεγα-δεδομένων και των μεσαίας τάξης δεδομένων που μας βοηθούν να καταλάβουμε τις αλληλεπιδράσεις των φαρμάκων και στην πραγματικότητα, στην ουσία, τη δράση τους Πώς δρουν τα φάρμακα. Αυτό θα δημιουργήσει και ήδη δημιούργησε ένα νέο περιβάλλον για την κατανόηση της δράσης των φαρμάκων και τη βελτίωση της χρήσης τους. Ο Νικ προχώρησε. Είναι τώρα καθηγητής στο Κολούμπια. Έκανε το διδακτορικό του πάνω σε εκατοντάδες ζεύγη φαρμάκων. Βρήκε μερικές ενδιαφέρουσες αλληλεπιδράσεις κι έτσι ξανακάναμε την έρευνα και δείξαμε πως είναι μια μέθοδος που αποδίδει για την έρευνα των αλληλεπιδράσεων των φαρμάκων.
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.
Όμως, υπάρχουν κάποια θέματα. Τώρα, δε μελετάμε ζεύγη φαρμάκων. Όπως είπα νωρίτερα, κάποιοι ασθενείς παίρνουν 3 ,5, 7, 9 φάρμακα. Έχει μελετηθεί η αλληλεπίδραση και των εννιά; Ναι, μπορούμε να το κάνουμε ανά ζέυγη, το Α με το Β, το Α με το Γ, το Α με το Δ, αλλά το Α με το Β, το Γ, το Δ, το Ε το Ζ, το Η, όλα μαζί, να λαμβάνονται από τον ίδιο άρρωστο, και ίσως να αλληλεπιδρούν το ένα με το άλλο με τρόπους που τα κάνουν περισσότερο ή λιγότερο αποτελεσματικά ή προκαλούν απροσδόκητες παρενέργειες; Δεν έχουμε ιδέα. Ανεξερεύνητο, ανοιχτό πεδίο για τη χρήση δεδομένων για να προσπαθήσουμε να κατανοήσουμε την αλληλεπίδραση των φαρμάκων.
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.
Δυο ακόμη μαθήματα: Θα ήθελα να αναλογιστείτε τη δύναμη που μπορούμε να δημιουργήσουμε με τα δεδομένα που διέθεσαν αυτοί που είχαν ανεπιθύμητα συμπτώματα οι ίδιοι ή μέσω των φαρμακοποιών και των γιατρών τους. Οι άνθρωποι που διέθεσαν τις βάσεις δεδομένων στο Στάνφορντ, το Χάρβαρντ, το Βάντερμπιλντ για ερευνητική χρήση. Ο κόσμος ανησυχεί για τα δεδομένα. Ανησυχούν για την ιδιωτικότητα και την ασφάλεια. Καλά κάνουν. Χρειαζόμαστε ασφαλή συστήματα. Αλλά δε γίνεται να έχουμε ένα σύστημα που αποκλείει τα δεδομένα γιατί είναι μια τόσο πλούσια πηγή έμπνευσης, καινοτομίας και νέων ανακαλύψεων, στην Ιατρική.
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.
Και το τελευταίο, που θα ήθελα να πω είναι ότι σ' αυτή την περίπτωση βρήκαμε δύο φάρμακα και ήταν στενάχωρο. Τα δύο φάρμακα προκαλούσαν προβλήματα. Ανέβαζαν το σάκχαρο. Μπορούσαν να κάνουν κάποιον διαβητικό που διαφορετικά δε θα γινόταν, οπότε η ταυτόχρονη χρήση τους πρέπει να γίνεται με μεγάλη προσοχή. Ίσως όχι σε συνδυασμό, να υπάρχουν άλλες επιλογές στη συνταγογράφηση. Αλλά υπάρχει κι άλλη πιθανότητα. Θα μπορούσαμε να βρούμε 2 ή 3 φάρμακα που να αλληλεπιδρούν με ευεργετικό τρόπο. Θα μπορούσαμε να βρούμε νέες δράσεις των φαρμάκων που κανένα από μόνο του δεν είχε, αλλά μαζί, αντί για παρενέργειες θα μπορούσαν να είναι μια νέα θεραπεία για ασθένειες που δε θεραπεύονται ή όπου η αγωγή δεν είναι αποτελεσματική. Αν αναλογιστούμε σήμερα τις μεγάλες τομές στη φαρμακευτική αγωγή, για το AIDS, τη φυματίωση, την κατάθλιψη, το διαβήτη, πάντα δίνονται κοκτέιλ φαρμάκων.
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.
Έτσι, το πλεονέκτημα εδώ, κι ίσως το θέμα μιας άλλης ομιλίας στο TED κάποια στιγμή, είναι η πιθανή χρήση των ίδιων πηγών για να βρούμε ευεργετικές επιδράσεις συνδυασμών φαρμάκων που θα οδηγήσουν σε νέες θεραπείες, νέες ιδέες για τη δράση των φάρμακων ώστε η φροντίδα για τους ασθενείς να βελτιωθεί περισσότερο;
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?
Σας ευχαριστώ πολύ.
Thank you very much.
(Χειροκρότημα)
(Applause)