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."
Je gaat naar de dokter en krijgt een aantal tests. De arts vindt een hoog cholesterolgehalte en het zou goed voor je zijn als je wat medicatie nam. Je krijgt wat pillen. Je vertrouwt erop en je arts vertrouwt erop dat ze gaan werken. Het bedrijf deed heel wat studies en diende die in bij de FDA. Ze keken alles nauwkeurig en sceptisch na, en keurde ze goed. Ze hebben een ruw idee van de werking en van wat de bijwerkingen zijn. Het zou in orde moeten zijn. Je praat nog wat na met je arts en de arts is bezorgd, omdat je wat treurig was, je niet goed voelde en niet zoveel plezier in het leven had als gewoonlijk. Je arts zegt: "Ik denk dat je wat depressief bent. Laat me je ook nog een andere pil voorschrijven."
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?
Dus hebben we het nu over twee medicijnen. Deze pil, net zo -- miljoenen mensen hebben ze gebruikt, het bedrijf deed studies, de FDA keek er naar -- allemaal goed. Je denkt dat alles nu in orde is. Je denkt dat alles nu in orde is. Wacht eens even. Hebben we deze twee samen wel bestudeerd?
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.
Nou, dat is heel moeilijk. Sterker nog, het gebeurt normaal gesproken niet. Wij zijn helemaal afhankelijk van 'veiligheidsonderzoek na toelating', nadat de geneesmiddelen op de markt komen. Hoe kunnen we erachter komen wat er gebeurt als we twee medicijnen combineren. Of drie? Vijf? Zeven? Vraag eens aan iemand met een aantal kwalen hoeveel medicijnen hij moet nemen.
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.
Waarom tob ik zo over dit probleem? Ik houd me bezig met informatica en datawetenschap. Naar mijn mening ligt de enige hoop om deze interacties te begrijpen in het benutten van veel verschillende gegevensbronnen. Zo kunnen we erachter komen of medicaties veilig samen kunnen worden gebruikt en wanneer het niet zo veilig is.
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.
Ik vertel jullie een verhaal uit de datawetenschap. Het begint met mijn student Nick. Laten we hem 'Nick' noemen, want zo heet hij.
(Laughter)
(Gelach)
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 was een jonge student. Ik zei: "Nick, we moeten begrijpen hoe medicijnen werken, hoe ze samenwerken en hoe ze afzonderlijk werken. We weten er niet veel over." Maar de FDA heeft een geweldige databank beschikbaar gemaakt, een databank van bijwerkingen. Hij staat op een website -- publiek beschikbaar, iedereen kan het downloaden -- met honderdduizenden bijwerkingen gemeld door patiënten, artsen, bedrijven, apothekers. Deze verslagen zijn vrij eenvoudig: ze geven alle ziekten die de patiënten hebben, alle medicijnen die ze nemen en alle nadelige bijwerkingen die ze ervaren. Het zijn niet alle bijwerkingen die zich nu voordoen in Amerika, maar het gaat wel over honderdduizenden geneesmiddelen.
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.
Dus zei ik tegen Nick: "Laten we nadenken over glucose. Glucose is erg belangrijk en we weten dat het heeft te maken met diabetes. Laten we eens kijken of we de glucoserespons kunnen begrijpen." Ik stuurde Nick eropuit. Nick kwam terug.
"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," zei hij, "ik heb een indeler gemaakt die kan kijken welke bijwerkingen een medicijn heeft volgens de gegevens in deze databank en of dat medicijn invloed heeft op de glucosespiegel."
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."
Hij had het voor elkaar. Eigenlijk best simpel. Hij nam alle medicijnen die de glucosespiegel veranderen en een aantal die dat niet doen en zei: "Wat is het verschil in hun bijwerkingen? Verschillen in vermoeidheid? In eetlust? In plasgewoonten?" Al die dingen samen gaven een echt goede voorspelling. Hij zei: "Ik kan met 93% zekerheid voorspellen of een geneesmiddel glucose verandert."
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."
Ik zeg: "Geweldig." Hij is nog jong, je moet hem wat aanmoedigen. "Maar Nick, er is een probleem. Elke arts ter wereld weet welke medicijnen glucose veranderen, dat is basispraktijk. Geweldig, goed gedaan, maar niet echt interessant en zeker niet publiceerbaar."
(Laughter)
(Gelach)
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."
Hij: "Ik weet het, Russ. Ik verwachtte dit." Nick is slim. "Ik dacht dat je dat ging zeggen, dus deed ik nog een experiment. Ik keek naar de mensen die twee geneesmiddelen namen en zocht naar vergelijkbare signalen over glucoseverandering bij dat soort mensen, waarbij elk geneesmiddel op zich glucose niet wijzigde maar samen een sterk signaal gaven."
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.
En ik zei: "Oh, slim van je. Goed idee. Toon me de lijst." Er stonden veel medicijnen op, niet erg spannend. Maar twee geneesmiddelen sprongen eruit: paroxetine, of Paxil, een antidepressivum; en pravastatine, of Pravachol, een cholesterolmedicatie.
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."
En ik zei: "Ha! Miljoenen Amerikanen nemen die twee geneesmiddelen." 15 miljoen Amerikanen nemen paroxetine, zo bleek later, en 15 miljoen pravastatine, en één miljoen nemen beide, schatten we. Dat is dus een miljoen mensen met misschien wat glucoseproblemen, als dit gegoochel van machinaal leren met de FDA-database klopte. Ik zei: "Toch is het niet te publiceren. Ik hou wel van dat gegoochel met dat machinaal leren, maar we hebben nog geen harde bewijzen. Dus moeten we iets anders doen. Laten we Stanfords elektronisch medisch dossier bekijken." We hadden een kopie die geschikt was onderzoek, zonder identificerende informatie. Ik zeg: "Eens kijken of mensen met die twee geneesmiddelen problemen hebben met hun glucose."
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.
Nu staan er duizenden en duizenden mensen in de Stanford medische dossiers die paroxetine en pravastatine nemen, maar we hadden speciale patiënten nodig: patiënten die er één namen en een glucosemeting hadden gehad, dan het tweede kregen en nog een glucosemeting hadden, allemaal binnen een redelijke termijn -- zoiets als twee maanden. Aan die specificaties voldeden 10 patiënten. 8 van de 10 hadden een glucoseopstoot toen ze de tweede P kregen -- we noemen ze P en P -- dus toen ze de tweede P kregen. Elke P kon de eerste zijn, maar als de tweede kwam, ging de glucose omhoog met 20 mg per deciliter. Ter vergelijking, als je geen diabetes hebt, loop je normaal rond met een glucose van ongeveer 90. Als het 120, 125 wordt, gaat je arts denken aan een mogelijke diabetes. Dus een opstoot van 20 is vrij significant.
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."
Ik zei: "Nick, dit is erg cool. Maar, het spijt me, we hebben nog steeds geen artikel, want dit zijn 10 patiënten, dat zijn er veel te weinig."
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.
Wat konden we doen? We belden onze vrienden aan Harvard en Vanderbilt, die ook -- Harvard in Boston, Vanderbilt in Nashville -- die ook zulke elektronische medische dossiers hebben. Eens zien of ze vergelijkbare patiënten konden vinden met de ene P, de andere P en de glucosemetingen in het bereik dat we nodig hebben.
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.
Godzijdank vond Vanderbilt in één week 40 dergelijke patiënten met dezelfde trend. Harvard vond 100 patiënten, dezelfde trend. Uiteindelijk hadden we dus 150 patiënten uit drie verschillende medische centra die ons vertelden dat patiënten die deze twee geneesmiddelen kregen een nogal aanzienlijke glucoseopstoot vertoonden.
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.
Interessanter is dat we diabetici hadden weggelaten, omdat diabetici sowieso vreemde glucosewaarden hebben. Toen bekeken we de glucose van de diabetici, die ging niet met 20 maar met 60 mg per deciliter omhoog. Dit was belangrijk en we zeiden: "Dit moeten we publiceren." We dienden de paper in. Het waren louter gegevensbewijzen: gegevens van de FDA, gegevens uit Stanford, gegevens uit Vanderbilt, gegevens van Harvard. We hadden geen enkel echt experiment uitgevoerd.
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.
Maar we waren nerveus. Dus Nick ging, terwijl het paper werd beoordeeld, naar het lab. We vonden iemand die daarmee overweg kon. Ik kan dat niet. Ik zorg voor patiënten, maar werk niet met pipetten. Ze leerden ons hoe muizen geneesmiddelen toe te dienen. We gaven de muizen een P, paroxetine. We gaven een aantal andere muizen pravastatine. We gaven een derde groep muizen beide. En ziedaar, glucose ging met 20 tot 60 mg per deciliter omhoog in de muizen.
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.
Het artikel werd geaccepteerd puur op het gegevensbewijs, maar we voegden een notitie toe: tussen haakjes, als je dit aan muizen geeft, gaat het omhoog.
That was great, and the story could have ended there. But I still have six and a half minutes.
Dat was geweldig. Het verhaal kon hier stoppen. Maar ik heb nog zes en een halve minuut.
(Laughter)
(Gelach)
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?"
Dus gingen we er nog wat over nadenken en ik weet niet meer wie het bedacht, maar iemand zei: "Ik vraag me af of patiënten die deze twee geneesmiddelen innemen bijwerkingen van hyperglykemie vertonen. Dat zou kunnen en zou moeten. Hoe gaan we dat ooit vinden?"
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."
Wat zou je in dat geval doen? Je nam al één medicijn, dan krijg je er een of twee bij en je krijgt een raar gevoel. Wat doe je dan? Je gaat naar Google en typt de twee geneesmiddelen in die je gebruikt, of de ene die je neemt, en je typt 'bijwerkingen'. Wat ervaar je? Dus zeiden we: "Oké, laten we Google vragen om hun zoeklogboeken met ons te delen, zodat we kunnen zien of patiënten met dit soort zoekopdrachten bezig zijn." Google wees, spijtig genoeg, ons verzoek af. Ik zat vast. Op een diner zei ik tegen een collega van Microsoft Research: "We wilden dit onderzoek doen, maar Google zei nee, de spelbrekers." Hij zei: "Nou, wij hebben Bing."
(Laughter)
(Gelach)
Yeah. That's great. Now I felt like I was --
Ja. Dat is geweldig. Nu voelde ik me --
(Laughter)
(Gelach)
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.
alsof ik weer praatte met Nick. Hij werkt voor een van de grootste bedrijven in de wereld en ik probeer hem een beter gevoel te geven. Hij zei: "Russ, misschien begrijp je het niet. Het zijn niet alleen gegevens van Bing maar je kan Internet Explorer gebruiken voor zoekopdrachten op Google, Yahoo, Bing ... We bewaren de gegevens 18 maanden lang alleen voor onderzoeksdoeleinden." Ik zei: "Dat begint erop te lijken!" Dit was Eric Horvitz, mijn vriend bij 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.
We deden een studie waarin we 50 woorden selecteerden die Jan Modaal in zou typen als hij hyperglycemie zou hebben, zoals 'vermoeidheid', 'geen eetlust', 'veel urineren', 'veel plassen' -- sorry, maar dat soort dingen typt men dan in. We hadden dus 50 'diabeteswoorden'. We bepaalden eerst de referentietoestand. Het bleek dat in ongeveer 0,5% tot 1% van alle zoekopdrachten op het internet een van die woorden voorkomt. Dat is onze referentie. Als mensen "paroxetine" of "Paxil" intypen -- dat zijn synoniemen -- samen met een van die woorden, dan stijgt dat tot ongeveer 2% van de diabetes-type woorden, als je al weet dat 'paroxetine' erin staat. Met 'pravastatine' gaat het naar zo'n 3% ten opzichte van de referentie. Als zowel 'paroxetine' en 'pravastatine' in de zoekopdracht staan, gaat het naar de 10%, een enorme drie- tot viervoudige toename in de opdrachten met de twee medicijnen waarin we geïnteresseerd waren samen met diabetes-type woorden, of hyperglykemie-type woorden.
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.
We publiceerden dat en het kreeg wat aandacht. De reden dat het aandacht verdient, is dat patiënten ons hun bijwerkingen indirect meedelen door middel van hun zoekopdrachten. Wij brachten dit onder de aandacht van de FDA. Ze waren geïnteresseerd. Zij hebben monitorprogramma's voor sociale media ontwikkeld om onder meer samen te werken met Microsoft, die hiervoor een mooie infrastructuur had, om te kijken naar Twitter-gegevens, Facebook-gegevens, zoeklogboeken, om te proberen de eerste tekenen te zien dat medicijnen individueel of gezamenlijk problemen veroorzaken.
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.
Wat leer ik hiervan? Waarom dit verhaal? In de eerste plaats hebben we nu de belofte om uit de grotere dataverzamelingen interacties tussen geneesmiddelen te kunnen begrijpen, wellicht zelfs de fundamentele werking van geneesmiddelen. Hoe werken medicijnen? Dit creëert een nieuw ecosysteem voor het begrijpen van de werking van geneesmiddelen en het optimaliseren van het gebruik.
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.
Nick vertrok. Hij is nu professor aan Columbia. Hij deed dit in zijn doctoraat voor honderden paren van medicijnen. Hij vond een aantal zeer belangrijke interacties, we herhaalden ze en toonden aan dat dit een manier is die echt werkt voor het vinden van geneesmiddelinteracties.
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.
Maar er is nog wat. We gebruiken geneesmiddelen niet alleen per paar tegelijk. Er zijn patiënten die drie, vijf, zeven, zelfs negen geneesmiddelen innemen. Is de interactie tussen die negen onderzocht? Ja, we kunnen het paarsgewijs, A en B, A en C, A en D doen, maar hoe zit het met A, B, C, D, E, F, G allemaal samen, bij dezelfde patiënt. Misschien maakt hun interactie ze wel effectiever, of minder effectief, of veroorzaakt ze onverwachte bijwerkingen. We hebben echt geen idee. Het is voor ons onontgonnen terrein om gegevens te gebruiken om de interactie van geneesmiddelen proberen te begrijpen.
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.
Nog twee lessen: denk eens na over hoeveel goeds we hebben kunnen doen doordat mensen informatie over hun bijwerkingen hebben verstrekt, via hun apothekers, uit zichzelf of via hun artsen, en doordat ze hebben toegestaan dat de databanken van Stanford, Harvard en Vanderbilt werden gebruikt voor onderzoek. Mensen maken zich zorgen over gegevens, over hun privacy en veiligheid -- dat moet ook. We moeten veilige systemen hebben. Maar onze systemen mogen die gegevens niet afsluiten, omdat het een te rijke bron is van inspiratie, innovatie en ontdekking, voor nieuwe dingen in de geneeskunde.
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.
Nog één ding hierover. Bij deze twee geneesmiddelen was het een beetje een triest verhaal. De combinatie veroorzaakte problemen. Ze verhoogden de glucose. Ze kunnen bij iemand diabetes veroorzaken die dat anders niet zou krijgen en dus moet je die twee heel voorzichtig samen gebruiken, of misschien wel niet. Misschien beter iets anders voorschrijven. Maar het had ook anders kunnen zijn. We hadden ook twee of drie medicijnen kunnen vinden met een gunstige invloed op elkaars werking. We hadden bij combinaties nieuwe effecten kunnen vinden die de medicijnen individueel niet hebben. Combinaties die samen geen problemen veroorzaken maar een nieuwe en innovatieve behandeling kunnen vormen voor ziekten waar we niets voor hebben of waarvoor de behandeling niet effectief is. Bij de hedendaagse behandeling met geneesmiddelen zijn alle belangrijke doorbraken -- voor HIV, tuberculose, voor depressie, voor diabetes -- altijd een cocktail van geneesmiddelen.
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?
Dat is hier het positieve en een onderwerp voor een andere TED Talk: hoe kunnen we gebruik maken van diezelfde gegevensbronnen om combinaties van geneesmiddelen met goede effecten te vinden. Combinaties die ons nieuwe behandelingen geven en die nieuwe inzichten verschaffen over hoe medicijnen werken, zodat we nog beter voor onze patiënten kunnen zorgen.
Thank you very much.
Veel dank.
(Applause)
(Applaus)