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."
Ketika Anda pergi ke dokter dan melakukan beberapa tes, dan dokter mengatakan Anda punya kolesterol tinggi dan Anda sebaiknya meminum obat. Anda diberi sekotak obat. Anda yakin, dan dokter Anda juga yakin bahwa (pengobatan) ini akan berhasil. Produsen obat ini sudah melakukan banyak pengujian dan mengirimnya ke BPOM. BPOM mempelajari dengan teliti, dengan skeptis, dan mengizinkannya. Mereka tahu konsep cara kerjanya, mereka tahu efek sampingnya, seharusnya aman. Anda mengobrol lagi dengan dokter Anda dan dia sedikit khawatir karena Anda terlihat sedih, tidak seperti biasanya, Anda tidak bisa menikmati hidup seperti biasanya Anda lakukan. Dokter berkata, "Menurut saya, Anda mengalami depresi. Saya akan memberi obat lain untuk Anda."
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?
Jadi kita bicara soal dua jenis obat sekarang. Obat ini juga -- sudah digunakan oleh jutaan orang, produsen telah menelitinya, BPOM memberikan izin -- semuanya aman. Harusnya semua baik-baik saja. Harusnya semua akan baik-baik saja. Tapi, tunggu sebentar. Berapa banyak yang telah kita pelajari tentang penggabungan keduanya?
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.
Nah, sangat sulit melakukannya. Bahkan, biasanya tidak dilakukan. Kita hanya bergantung pada yang disebut "pengawasan setelah penjualan," setelah obat beredar di pasaran. Bagaimana kita bisa mengetahui jika hal buruk terjadi karena pemakaian 2 pengobatan ini? Tiga? Lima? Tujuh? Tanyakan pada kenalan Anda yang didiagnosa beberapa penyakit, berapa jenis obat yang mereka pakai?
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.
Kenapa saya peduli dengan ini? Saya sangat peduli. Saya seorang ilmuwan IT dan data, dan sebenarnya, menurut saya, satu-satunya harapan untuk memahami interaksi (antara obat) ini adalah dengan menggali berbagai sumber data untuk memahami kapan obat-obatan aman digunakan bersamaan dan kapan tidak terlalu aman.
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.
Mari saya ceritakan satu cerita tentang ilmu data. Kisah ini berawal dengan murid saya, Nick. Kita sebut dia "Nick," karena itulah namanya.
(Laughter)
(Tertawa)
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 adalah pelajar muda. Saya berkata padanya, "Nick, kita harus memahami kerja obat, bagaimana mereka bekerja bersamaan dan terpisah, tapi kita tidak mengerti sepenuhnya. Tapi BPOM sudah punya database yang luar biasa, yaitu database efek samping obat. Informasi ini tersedia di internet -- dapat dilihat publik dan dapat diunduh seketika -- ratusan ribu laporan efek samping dari pasien, dokter, produsen, apoteker. Dan laporan ini sangat sederhana: ada daftar penyakit yang diderita pasien, obat-obatan yang mereka gunakan, dan semua efek samping yang mereka alami. Bukan semua efek samping yang terjadi di Amerika sekarang, tapi efek samping dari ratusan ribu obat.
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.
Jadi saya katakan pada Nick, "Mari kita ambil glukosa sebagai contoh, Glukosa sangat penting dan kita tahu ada hubungannya dengan diabetes. Mari kita lihat apakah kita memahami reaksi glukosa. Saya mengirim Nick pergi. Saat Nick kembali,
"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, " katanya, "Saya telah mengelompokkan efek samping obat berdasarkan database ini, dan bisa memberitahumu apakah obat itu mungkin mengubah glukosa atau tidak".
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."
Dia melakukannya. Dengan sederhana sekali. Dia melihat semua obat yang diketahui mengubah glukosa, dan obat-obatan yang tidak mengubah glukosa, dan berkata "Apakah pebedaan dari efek samping keduanya? Tingkat kelelahan? Selera makan? Kebiasaan buang air kecil?" Semua ini untuk memberinya prediksi yang sangat bagus. Katanya, "Russ, saya bisa memprediksi dengan akurasi 93% apakah sebuah obat akan mengubah glukosa."
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."
Saya bilang, "Nick, itu hebat." Dia anak muda, saya harus membangun kepercayaan dirinya. "Tapi ada satu masalah. Setiap dokter di dunia tahu obat mana yang dapat mengubah glukosa, karena itulah inti dari pekerjaan dokter. Kamu sudah bekerja dengan baik, tapi ini tidak terlalu menarik, pastinya tidak layak dipublikasi."
(Laughter)
(Tertawa)
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."
"Saya tahu, Russ. Saya sudah menebak kamu akan bilang begitu." Nick itu pintar. "Saya tahu kamu akan bilang begitu, jadi saya melakukan satu percobaan lain, Saya memeriksa pasien di database yang menggunakan dua obat, dan saya periksa tanda yang sama, tanda perubahan glukosa, untuk orang yang memakai dua obat, dimana salah satu obat saja tidak mengubah glukosa, tetapi ketika bersamaan ada sinyal perubahan."
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.
Saya bilang, "Oh, pintar. Ide bagus. Tunjukkan daftarnya." Dan ada banyak obat, tidak terlalu menarik. Tapi yang menarik perhatian saya, ada 2 obat dalam daftar: paroxetine atau Paxil, obat anti depresi; dan pravastatin atau Pravachol, obat kolestrerol.
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."
Dan saya bilang,"Wow. Jutaan orang di Amerika menggunakan dua obat ini." Bahkan, belakangan kami mengetahui 15 juta warga Amerika menggunakan paroxetine ketika itu, dan 15 juta menggunakan pravastatin, dan kami perkirakan sejuta orang mengunakan keduanya. Jadi ada sejuta orang yang mungkin mengalami masalah glukosa jika riset Nick berdasarkan database BPOM ini benar. Tapi ini masih tidak layak terbit, meskipun saya senang dengan yang kamu lakukan dengan riset komputer ini, tapi kita belum memiliki bukti yang layak. Jadi kita harus melakukan sesuatu. Mari kita lihat rekam medis eletronik Stanford. Kita punya salinan yang dapat digunakan untuk penelitian, kita hapus infomasi identitas (pasien). Dan saya berkata, "Mari lihat apakah pasien yang menggunakan kedua obat ini
Now there are thousands and thousands of people
punya masalah glukosa."
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.
Nah, ada ribuan orang di rekam medis Stanford yang memakai paroxetine dan pravastatin. Tapi kami butuh pasien khusus. Kami butuh pasien yang menggunakan salah satu dan diukur glukosanya, lalu menggunakan obat kedua dan diukur lagi glukosanya, semua ini dalam periode tertentu -- misalnya dalam dua bulan. kami menemukan 10 pasien. Akan tetapi, 8 dari 10 pasien mengalami kenaikan glukosa ketika mereka mendapat P kedua -- kita sebut kedua obat ini P dan P -- ketika mendapat P kedua. Yang mana pun bisa jadi yang pertama, dan ketika menggunakan obat kedua glukosa naik 20mg /desiliter. Sekadar mengingatkan, kalau Anda bukan penderita diabetes, Anda berfungsi normal dengan glukosa sekitar 90. Kalau naik ke 120, 125, dokter Anda mulai berpikir kemungkinan Anda terkena diabetes. Jadi, lonjakan 20 sangat berarti.
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."
Saya berkata, "Nick, ini sangat keren. Tapi, maaf, kita masih belum bisa menerbitkan ini, karena ini hanya 10 pasien dan itu tidak cukup."
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.
Jadi apa yang bisa kita lakukan? Mari hubungi teman-teman kita di Harvard dan Vanderbilt, -- Harvard di Boston, dan Vanderbilt di Nashville -- yang juga punya rekam medis elektorik seperti punya kita. Mari lihat apakah mereka bisa menemukan pasien seperti ini yang menggunakan 1 P, lalu P lainnya, dan diukur glukosanya dalam batas yang kita butuhkan.
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.
Tuhan memberkahi mereka, Vanderbilt dalam seminggu menemukan 40 pasien, gejala yang sama. Harvard menemukan 100 pasien, gejala yang sama. Maka akhirnya, kami punya 150 pasien dari 3 pusat medis berbeda yang memberi tahu kami bahwa pasien yang mengkonsumsi 2 obat ini mengalami lonjakan glukosa yang berarti.
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.
Lebih menarik lagi, kami mengesampingkan penderita diabetes, karena kadar glukosa penderita diabetes sudah kacau. Ketika kita lihat kadar glukosa penderita diabetes, kenaikannya 60mg /desiiter, tidak hanya 20. Ini masalah besar, dan kami berkata, "Kita harus menerbitkan ini." Kami kirimkan makalahnya. Semuanya adalah bukti data, data dari BPOM, data dari Stanford, data dari Vanderbilt, data dari Harvard. Kami belum melakukan satu percobaan apa pun.
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.
Tetapi kami gugup. Waktu makalahnya sedang di-review, Nick pergi ke ke lab. Kami menemukan seseorang yang mengerti tentang lab. Saya tidak mengerti lab. Saya merawat pasien, tetapi tidak dengan pipet. Mereka mengajari kami cara memberi obat pada tikus. Kami ambil tikus dan memberi mereka satu P, paroxetine. Dan kami memberi P lain - pravastatin pada tikus yang lain. Dan kelompok tikus ketiga kami berikan kedua obat itu. Dan secara mengejutkan, kadar glukosa meningkat 20 sampai 60mg/desiliter pada tikus-tikus itu.
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.
Makalah ini diterima berdasarkan bukti data saja, tapi kami menambahkan catatan yang mengatakan, ketika obat diberikan pada tikus, glukosa mereka juga naik.
That was great, and the story could have ended there. But I still have six and a half minutes.
Jadi bagus, dan kisah ini bisa berakhir di sini. Tapi saya masih punya 6 setengah menit.
(Laughter)
(Tertawa)
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?"
Kami sedang berkumpul memikirkan semua ini, dan seseorang terpikir, saya lupa siapa, tapi dia bilang, "Saya terpikir apakah pasien yang mengkonsumsi 2 obat ini juga menyadari efek samping dari hyperglycemia. Harusnya mereka menyadarinya. Bagaimana kita bisa mengetahuinya?"
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."
Jadi, apa yang kamu lakukan? Anda menggunakan satu atau dua obat baru, dan merasa agak aneh. Apa yang Anda lakukan? Anda buka Google dan mengetik 2 obat yang Anda minum atau satu obat yang Anda minum, dan mengetik "efek samping." Apa yang Anda rasakan? Jadi kami putuskan untuk bertanya pada Google apakah mereka bisa membagi Log Pencarian pada kami agar kami dapat mencari tahu apakah pasien melakukan pencarian seperti ini. Sayang sekali, Google menolak permintaan kami. Saya kecewa. Saat makan malam dengan teman yang bekerja di Microsoft Research saya cerita, "Kami ingin melakukan penelitian ini, tapi Google menolak, sungguh mengecewakan. Dia bilang, "Kami punya mesin pencari Bing."
(Laughter)
(Tertawa)
Yeah. That's great. Now I felt like I was --
Ya. Itu bagus sekali. Saya merasa seperti --
(Laughter)
(Tertawa)
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.
Seperti saya sedang bicara dengan Nick lagi. Dia bekerja di salah satu perusahaan terbesar di dunia, dan sudah mencoba membuatnya merasa lebih baik. Tapi dia bilang, "Tidak, Russ -- mungkin kamu tidak mengerti. Kami tidak hanya punya Bing, tapi kalau kamu pakai IE untuk melakukan pencarian di Google, Yahoo, Bing, mesin pencari apa pun... Untuk 18 bulan, kami menyimpan data itu untuk penelitan saja." Saya berkata, "Nah, ini baru menarik." Dia Eric Horvitz, teman saya di Microsoft.
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.
Jadi kami melakukan penelitian dimana kami menetapkan 50 kata yang mungkin akan diketik orang awam kalau mereka punya hyperglycemia, sepeti "kecapekan," "kehilangan nafsu makan," "sering kencing," -- maaf, tapi itu salah satu yang umumnya akan Anda ketik. Jadi kami punya 50 frase yang kami sebut "kta-kata diabetes." Dan pertama kami menetapkan nilai dasar. Ternyata sekitar 0.5 sampai 1 persen dari semua pencarian di internet menggunakan salah satu kata itu. Jadi itu adalah nilai dasar kami. Bila seseorang mengetik "paroxetine" atau "Paxil" -- keduanya adalah sama -- dan salah satu kata itu, temuan kami naik 2 persen dari kata-kata diabetes, kalau Anda sudah tahu bahwa disana terdapat kata "paroxetine." Dengan kata "pravastatin," temuan naik sekitar 3 pesen dari nilai dasar. Kalau keduanya -- "paroxetine" dan "pravastatin" -- ada dalam pencarian, nilainya naik hingga 10 persen, meningkat hingga 3-4 kali lipat pada pencarian dengan 2 obat yang menjadi fokus penelitian ini dan kata-kata diabetes atau kata-kata hyperglycemia.
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.
Kami menerbitkan temuan ini dan mendapat perhatian. Penelitian ini layak diperhatikan karena pasien memberi tahu kita efek samping mereka secara tidak langsung lewat pencarian mereka. Kami membawa penelitian ini ke BPOM dan mereka pun tertarik. Mereka membuat program pengawasan di media sosial untuk bekerjasama dengan Microsoft, yang punya infrastruktur untuk melakukannya, dan lainnya, mereka melihat Log Twitter, melihat Log Facebook, Log Pencarian, untuk mencari tahu tanda-tanda awal ketika kedua obat ini menyebabkan masalah, baik bersamaan atau terpisah.
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.
Jadi apa pembelajarannya? Kenapa menceritakan ini? Baik, yang pertama, kami sekarang mendapatkan komitmen perusahaan data besar dan sedang untuk membatu kita memahami interaksi obat-obatan dan pada dasarnya, reaksi obat. Bagaimana obat bekerja? Ini akan membuat dan telah membentuk ekosistem baru untuk memahami bagaimana obat bekerja dan memaksimalkan fungsinya. Nick meneruskan karirnya; Dia profesor di Columbia sekarang. Dia melakukan studi ini untuk disertasi doktornya pada ratusan pasang obat-obatan. Dia menemukan beberapa interaksi penting, dan kami mengulang studi ini dan menunjukkan bahwa ini adalah jalan yang tepat untuk mencari tahu interaksi obat.
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.
Akan tetapi, ada beberapa hal. Kita tidak hanya menggunakan sepasang obat pada satu waktu. Seperti saya bilang tadi, ada pasien yang meminum 3, 5, 7, 9 obat. Apakah obat-obatan ini sudah dipelajari interaksinya ketika digunakan bersamaan? Tentu kita bisa pasangkan dua-dua, A dan B, A dan C, A dan D, tetapi bagaimana jika A, B, C, D, E, F, G secara bersamaan, dikonsumsi oleh pasien yang sama, mungkin interaksi diantara mereka bisa membuat mereka lebih efektif atau menjadi tidak efektif atau menimbulkan efek samping yang tidak diharapkan? Kita sungguh tidak tahu. Ini adalah bidang yang sangat luas dan terbuka bagi kita untuk menggunakan data dan mencoba memahami Interaksi antara obat-obat ini.
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.
Dua pelajaran lagi: Saya ingin Anda pikirkan tentang kekuatan yang bisa kita hasilkan dengan data dari orang-orang yang sukarela memberikan reaksi buruk mereka melalui apoteker, diri mereka sendiri, dan dokter mereka, Orang-orang yang mengizinkan database di Stanford, Harvard, Vanderbilt, digunakan untuk penelitian. Orang-orang khawatir akan data mereka, akan privasi dan keamanan mereka -- dan memang seharusnya begitu. Kita butuh sistem yang aman. Tapi harusnya sistem itu tidak menutup akses kita pada data, karena ini adalah sumber yang sangat kaya akan inspirasi, inovasi dan penemuan hal-hal baru di bidang kedokteran.
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.
Yang terakhir yang ingin saya katakan adalah, dalam studi ini kami menemukan 2 obat dan ceritanya agak sedih. Kedua obat ini menimbulkan masalah. Keduanya meningkatkan glukosa. Mereka bisa menyebabkan seseorang terkena diabetes yang sebelumnya tidak punya diabetes, dan supaya Anda berhati-hati menggunakan kedua obat ini secara bersamaan, mungkin tidak bersamaan, gunakan obat lain ketika Anda menulis resep. Tapi ada kemungkinan lain. Kita bisa menemukan 2 obat atau 3 obat yang interaksinya menguntungkan. Kita bisa menemukan efek baru obat yang sendiri-sendiri tidak ditemukan pada kedua obat ini tapi muncul saat digunakan bersamaan, alih-alih efek samping. Mereka bisa jadi pengobatan baru bagi penyakit yang belum bisa diobati atau pengobatannya belum efektif. Kalau kita pikirkan tentang pengobatan saat ini, semua terobosan besar -- untuk HIV, untuk tuberculosis, untuk depresi, untuk diabetes -- semuanya adalah campuran berbagai obat.
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?
Jadi sisi positifnya disini, dan topik untuk TED Talk berikutnya, adalah bagaimana kita bisa menggunakan sumber data yang sama untuk mencari efek positif dari kombinasi obat-obatan yang akan menyediakan kita pengobatan baru, wawasan baru tentang cara kerja obat dan memungkinkan kita untuk merawat pasien lebih baik?
Thank you very much.
Terima kasih banyak.
(Applause)
(Tepuk tangan)