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."
Felkeressük az orvosunkat, s ő néhány laborvizsgálatot végez. Megállapítja, hogy magas a koleszterinszintünk. Jó lenne, ha erre gyógyszert szednénk. Gyógyszert ír föl rá. Bízunk benne, s orvosunk is bízik benne, hogy hatni fog. A gyógyszerfejlesztő a kísérletei eredményét beadta az engedélyező szervnek. A szerv alaposan tanulmányozta őket, majd megadta az engedélyt. Nagyjából ismerik a szer hatásmechanizmusát, kb. ismertek a mellékhatások. Jónak kell lennie. Egy kicsit még beszélgetünk az orvossal, a doki egy kicsit ideges, látja. hogy le vagyok törve, pocsékul érzem magam, nem tudok úgy örülni az élet dolgainak, ahogy szoktam. "Azt hiszem, maga egy kissé levert – mondja a doki – arra adok egy másik tablettát."
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?
Úgyhogy most már két gyógyszerről van szó. E milliók által szedett gyógyszerre is elvégezték a kísérleteket, a hatóság engedélyezte – minden rendben. Ezzel rendben lesz. Ezzel is rendben lesz. De várjunk csak! Mennyit vizsgálták a két szert együtt?
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.
Nos, ezt elég nehéz elvégezni. Az a helyzet, hogy nem szokták. Teljesen az ún. "forgalomba hozatalt követő vizsgálat"-tól függünk a gyógyszerek piacra kerülése után. Hogyan deríthetjük ki, ha két szer károsan hat egymásra? És ha három? Öt? Hét? Kérdezzék meg több betegségben szenvedő jó ismerősüket, hányfélét szed.
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.
Miért foglalkoztat ez a kérdés? Nagyon is foglalkoztat. Informatikus és adattudós vagyok, és véleményem szerint az egyetlen reményünk, hogy megértsük a kölcsönhatásokat, ha kihasználjuk a különféle adatforrásokat annak eldöntésére, mikor szedhetők biztonsággal egyes gyógyszerek együtt, és mikor nem biztonságos.
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.
Íme egy adatokkal kapcsolatos történet. Nickkel, tanítványommal kezdődik. Nevezzük Nicknek, mivel úgy hívják.
(Laughter)
(Nevetés)
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.
"Nick – szóltam ifjú diákomhoz –, meg kellene értenünk a gyógyszerek hatását: hogyan hatnak együtt, külön-külön. Nem sokat tudunk róla." De elérhetjük a hatóság, az FDA óriási adatbázisát, ami a kedvezőtlen hatásokról szól. Gyakorlatilag a weben van, bárkinek hozzáférhető, letölthető róla kedvezőtlen hatásokról szóló százezernyi jelentés, ami betegektől, orvosoktól, cégektől és gyógyszerészektől jött. Nagyon egyszerű jelentések: felsorolják, mi bajuk a betegeknek, milyen gyógyszereket szednek, minden tapasztalt kedvezőtlen vagy mellékhatást. Nem minden kedvezőtlen hatás fordul elő ma az USA-ban, de vagy százezernyi orvosságról írnak.
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.
Azt mondtam Nicknek: "Nézzük meg a glükózt, a szőlőcukrot! A glükóz nagyon fontos, és tudjuk róla, hogy köze van a cukorbetegséghez. Nézzük meg, megérthetjük-e a szőlőcukor reakcióját!" Nick elment, aztán visszajött.
"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."
"Russ, – mondta – egy mellékhatás alapján osztályozó rendszert állítottam össze, amely az adatbázist használva kimutatja, hogy egy orvosságtól megváltozik-e a vércukorszint."
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."
Megcsinálta. Elég egyszerű volt. Csoportosította a gyógyszereket aszerint, hogy megváltoztatják-e a vércukorszintet vagy sem, és föltette a kérdést: "Miben különböznek a mellékhatásaik? Kimerültség? Étvágy? Vizelési szokások?" E tényezők révén Nick tényleg jó jelzőrendszert hozott létre. "Russ, 93%-os pontossággal előre tudom jelezni, hogy a szer módosítja-e a cukrot."
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."
"Nick, ez pompás!" – így én. Zöldfülű diák, erősítsük csak az önbizalmát! "De Nick, az a bibi, hogy minden orvos ismeri a vércukorszintet befolyásoló szereket, mert ez szakmai kétszerkettő. Amit csináltál jó, de nem lőnek vele nyulat, és biztosan nem publikálható."
(Laughter)
(Nevetés)
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."
"Russ, tudom, sejtettem, hogy ezt mondod" – felelte. Nick éles eszű. "Sejtettem, hogy ezt mondod, így másik kutatást is végeztem. Az adatbázisban megnéztem azokat, akik két gyógyszert szednek, és kerestem a vércukorszintjük változására utaló jeleket arra az esetre, amikor egy-egy gyógyszer nem hatott a vércukorszintre, de kettő már igen.
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.
"Okos vagy, jó ötlet! Nézzük, mire jutottál!" – mondtam. A listán egy csomó érdektelen gyógyszer van. De a listán két orvosság ötlött a szemembe: a paroxetin, egy antidepresszáns, és a pravasztatin, egy koleszteringyógyszer.
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."
Megjegyeztem: "Hűha, ezt a két szert több millió amerikai szedi." Később megtudtuk, hogy jelenleg 15-15 millióan szedik a paroxetint, illetve a pravasztatint, és sejthetően egymillióan mindkettőt. Tehát egymilliónyinak lehet baja a vércukrával, ha ezt a hatósági adatbázisból gépi tanulás csiribirijével kinyert eredmények alátámasztják. De azt mondtam: "Ez még nem publikálható, mert bár tetszik, amit hókuszpókuszoltál a gépi tanulással, de ez nem megdönthetetlen bizonyíték." Valami mást kell csinálnunk. Menjünk bele a Stanford elektronikus orvosi feljegyzéseibe. Megvan nekünk, kutatásra megfelel, és kiszedtük belőle az információt. "Nézzük meg, hogy a mindkét gyógyszert szedőknek van-e bajuk a cukrukkal" – mondtam.
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.
Több ezer beteg van a Stanford adatbázisában, akik paroxetint és pravasztatint szednek. De nem minden páciens volt érdekes. Olyanok kellettek, akik az egyiket szedték, és mérték a vércukrukat, majd a másikat is kezdték szedni, és akkor is mérték a vércukrukat, mindezt ésszerű időintervallumon, mondjuk két hónapon belül. 10 ilyen beteget találtunk. A 10 közül nyolc betegnek megnőtt a vércukorszintje, amikor szedni kezdte a másik P nevű szert, – ezt hívjuk P + P-nek. Mindegy melyikkel kezdi, s mikor hozzáveszi a másikat, a vércukor 20 mg/dl értékkel fölszökik. Csak emlékeztetőül: aki nem cukorbeteg, vidáman sétálgat kb. 90-es vércukorszinttel. De ha 120-125-re felszökik, orvosa már cukorbetegséget gyanít. Úgyhogy a 20-as növekedés jelentős.
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."
"Nick – mondtam –, ez frankó, de ne haragudj, ez kevés a cikkhez, mert 10 beteg, ne is akard bemesélni, mintának 10 beteg kevés."
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.
Akkor most mit tegyünk? Jó, hívjuk föl barátainkat a Harvardon és a Vanderbilten, a Harvardnak Bostonban és Vanderbiltnek Nashville-ben is van a miénkhez hasonló elektronikus orvosi adatbázisa. Találnak-e hasonló betegeket az egyik és a másik P-vel és mért vércukorszinttel a nekünk kellő intervallumban.
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.
Az Isten áldja meg őket, a Vanderbilt egy hét alatt talált 40 ilyen beteget. A szabályszerűség azonos. A Harvard 100 ilyet talált, a szabályszerűség ugyanaz. Végül a három egészségügyi intézményből volt 150 betegünk, akik alátámasztották, hogy a két gyógyszert szedők vércukorszintje szignifikánsan felszökött.
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.
Kihagytuk a cukorbetegeket, mert az ő cukruk már eleve nincs rendben. Mikor a vércukrukat figyeltük, nem 20, hanem 60 mg/dl-rel ugrott meg. Nagy fogás volt, és a közzététel mellett döntöttünk. Benyújtottuk a cikket a bizonyító adatokkal, adatok a hatóságtól, a Stanford adatai, a Vanderbilt és a Harvard adatai. Egyetlen árva kísérletet sem végeztünk.
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.
De idegesek voltunk, ezért miközben a cikk lektoráláson volt, Nick bement a laborba. Találtunk valakit, aki értett a labormunkához. Én nem. Betegeket ápolok, de pipettákhoz nem értek. Kitanítottak minket, hogyan kell gyógyszerezni az egereket. Adtunk az egereknek paroxetint. Más egereknek meg pravasztatint. A harmadik egércsoportnak mindkettőt. És lám, az egerek vércukra decinként 20-60 mg-mal fölment.
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.
Az egyedül informatikai bizonyítékon alapuló cikkünket elfogadták, de rövid megjegyzést fűztünk hozzá, miszerint ha ezt adjuk az egereknek, a vércukruk fölmegy.
That was great, and the story could have ended there. But I still have six and a half minutes.
Ez pompás volt, és a mesém itt véget is érhetne. De még van hat és fél percem.
(Laughter)
(Nevetés)
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?"
Csak ültünk, és ezeken filóztunk, nem tudom, melyikünknek jutott eszébe: "Vajon akik mindkét gyógyszert szedik, észreveszik-e a magas vércukorszint mellékhatásait? Észrevehetik és kellene is. Hogyan határozhatnánk meg?"
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."
Mit szoktunk tenni? Kapunk egy-két új gyógyszert, aztán fura érzésünk támad. Mit szoktunk tenni? Guglizunk, beírjuk a két új gyógyszer nevét, vagy az egyikét azzal, hogy "mellékhatás". Mit tapasztalunk? Jó, akkor kérjük el a Google-tól a keresések napló-fájljait, hogy végignézhessük őket: vajon a betegek keresnek-e ilyen infót? Sajnos, a Google nem volt készséges. Elkenődtem. Vacsoráztunk egy Microsoft Researchnél dolgozó munkatársammal. "Meg kéne csinálni a kutatást, a Google nemet mondott, le vagyok törve." Erre ő: "Ott a Bing keresőnk."
(Laughter)
(Nevetés)
Yeah. That's great. Now I felt like I was --
Eeegen. Ez nagyszerű. Úgy éreztem magam...
(Laughter)
(Nevetés)
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.
... mintha megint Nickkel beszélnék. A világ egyik legnagyobb cégénél dolgozik, és én már épp készültem leápolni, de ő így szólt: "Russ, bizonyára félreértesz. Nemcsak a Bing keresőnk van, de az Internet Explorer látja, amit Google-lal, Yahooval, Binggel, bármivel keresnek. Másfél évig tároljuk azokat az adatokat, kizárólag kutatási célból." Erre azt mondtam: "Ez már döfi!" A fiú Eric Horvitz volt, a microsoftos cimbim.
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.
Megcsináltuk a kutatást, kiválasztottunk 50 szót, amit egy átlagos személy begépel, ha magas a vércukorszintje, pl. kimerültség, étvágytalanság, gyakori vizelés, már elnézést, de ilyeneket szoktak beírni. 50 kifejezést, ún. cukorbaj szavakat találtunk. Először meghatároztuk a bázist. Kiderült, hogy az internetes keresések 0,5–1%-ában e szavak egyike fordul elő. Ez a mi százalékos arányunk. Ha valaki beírja a paroxetint vagy a Paxilt – ezek szinonimák – valamelyiket közülük, az arány a cukorbaj szavak 2%-áig megy föl, ha már tudjuk, hogy létezik a paroxetin szó. A pravasztatin esetén az arány a bázishoz képest 3%-kal nő. Ha mindkét szóra egyszerre rákerestek, az arány 10%-kal nőtt, ez jó 3-4-szeres növekedés a bennünket érdeklő két gyógyszerre történt rákereséseknél és a cukorbaj szavaknál vagy a magas vércukor típusú szavaknál.
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.
Publikáltuk az eredményeket, és némi figyelmet keltettek. Azért érdemelnek figyelmet, mert a betegek közvetve, keresésükkel adják meg a mellékhatásokat. Felhívtuk rá a hatóság figyelmét, érdekelte őket. Indítottak egy közösségimédia-figyelő programot a Microsofttal együttműködve, amelynek megvolt az infrastruktúrája, hogy rálásson a Twitterre, a Facebookra, a keresések naplófájljaira, s így korán rábukkanjon, ha egy gyógyszer akár magában vagy másikkal együtt bajt okoz.
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.
Mi szűrhető le ebből? Miért mondom ezt el? Először, mert a big data és a közepes méretű adat azt ígéri, hogy segítségével megérthetjük a gyógyszerek kölcsönhatását és a gyógyszerek alapvető hatásmechanizmusát. Hogyan hatnak az orvosságok? Ez új ökorendszert hoz létre, de már létre is hozott a gyógyszerek hatásának megértéséhez s alkalmazásuk optimalizálásához. Nick folytatta: most tanár a Columbián. PhD-jában több száz gyógyszerpárt vizsgált. Több nagyon lényeges kölcsönhatást talált, vizsgálatait ismételtük. Kimutattuk, hogy ez a módszer hatékony a gyógyszerek kölcsönhatásának kimutatására.
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.
De ez még nem minden. A módszer nemcsak gyógyszerpárokra alkalmazható. Már mondtam, hogy egyes betegek 3, 5, 7, 9 féle gyógyszer szednek. Kutatta-e valaki a 9 gyógyszer kölcsönhatását? Párosával megy: A+B, A+C, A+D, de mi a helyzet az A, B, C, D, E, F, G együttese esetén, ha a beteg mindegyiket szedi? Talán úgy lépnek kölcsönhatásra egymással, hogy egymás hatását erősítik vagy gyengítik, vagy nem várt mellékhatásokat okoznak? Fogalmunk sincs. Egyelőre fehér folt, amelyet adatok segítségével föltárhatunk, hogy a gyógyszerek kölcsönhatását megértsük.
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.
Még két tanulság. Gondoljanak bele, micsoda energia keletkezett a betegek adataiból, akik önként közölték panaszaikat patikusukon, orvosukon keresztül vagy közvetlenül, azokból, akik a Stanfordon, Harvardon, Vanderbilten kutatási célból átengedték az adatbázisukat. Az emberek idegesek adataik miatt. Féltik a magánéletüket, a biztonságukat, – és jól is teszik. Biztonságos rendszerek kellenek. De nem olyanok, amelyek kizárják az adatokat, mert ezek gazdag forrást képeznek az orvoslás új gondolataihoz, újításaihoz és fölfedezéseihez.
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.
Végezetül hangsúlyozom, hogy mi két szert találtunk, s ez csak e szomorú történet egy szelete. A két gyógyszer bajt okozott, növelték a vércukrot. Cukorbetegséget okozhatnak valakinél, aki különben nem kapná el a cukorbajt. Szeretnénk nagyon óvatosan szedni együtt a két gyógyszert, vagy együtt talán nem, dönteni szeretnénk, ha már fölírják őket. Ám volt más lehetőségünk is. Találhattunk volna 2-3 gyógyszert, amelyek előnyösen hatnak egymásra. Találhattunk volna új gyógyhatásokat, amelyet külön-külön egyikük sem mutat föl, de együttesen, mellékhatások helyett, új, szokatlan gyógymódot nyújthatnak a kezelhetetlen betegségekre, vagy azokra, amiknél a kezelés hatástalan. Ha a gyógyszeres kezeléseket nézzük, minden nagy áttörés, pl. a HIV, TBC, depresszió, cukorbaj, gyógyszerek kombinációjával történik.
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?
A módszer ígéretes, és a különböző TED előadások tárgya az, hogy miként használhatjuk ki az adatforrásokat arra, hogy jó hatásokat találjunk orvosságok kombinálásakor, és ez új kezelésekhez vezet, jobban megértjük a gyógyszerek hatását, és így még jobban kezelhetjük betegeinket.
Thank you very much.
Köszönöm szépen.
(Applause)
(Taps)