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."
คุณไปพบแพทย์และรับการตรวจ แพทย์บอกว่าคุณมีระดับคลอเรสเตอรอลสูง และคุณจะได้ประโยชน์จากการรักษา คุณก็เลยได้ยามากล่องหนึ่ง คุณมีความมั่นใจ แพทย์ของคุณก็มั่นใจว่ามันจะได้ผล บริษัทที่ผลิตมันขึ้นมาได้ทำการศึกษา ที่ถูกส่งผลไปยังองค์กรอาหารและยา พวกเขาศึกษามันอย่างระมัดระวัง เป็นขั้นตอน และพวกเขารับรองมัน พวกเขามีแนวคิดโดยคร่าว ว่ามันทำงานอย่างไร พวกเขามีแนวคิดโดยคร่าวว่า มันมีผลข้างเคียงอย่างไร มันน่าจะโอเค คุณได้สนทนานิดหน่อยกับแพทย์ของคุณ และแพทย์ก็กังวลนิดหน่อย เพราะว่าคุณดูเศร้า ๆ ไม่เป็นตัวของตัวเอง คุณไม่อาจมีความสุขกับสิ่งต่าง ๆ ในชีวิต ได้มากเท่าที่คุณเคยเป็น แพทย์ของคุณบอกว่า "รู้อะไรไหม ผมคิดว่าคุณเป็นโรคซึมเศร้า ผมจะให้ยาอีกตัวกับคุณนะ"
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?
ตอนนี้ เรากำลังพูดถึงยาสองอย่าง ยานี้ -- ที่คนนับล้านใช้ บริษัททำการศึกษา และองค์กรอาหารและยา ตรวจสอบมัน -- เป็นยาที่ดี คิดว่ามันน่าจะโอเค คิดว่ามันน่าจะโอเค แต่ เดี๋ยวก่อนนะ เราได้ทำการศึกษายาทั้งสองนี้ด้วยกัน มากแค่ไหน
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.
ครับ มันยากมากที่จะทำอย่างนั้น อันที่จริง มันไม่ได้ถูกทำเป็นประจำ เราพึ่งพาสิ่งที่เราเรียกว่า "การควบคุมหลังการขาย" หลังจากที่ยาเข้าสู่ตลาด เราจะรู้ได้อย่างไร ว่ากำลังเกิดเรื่องร้าย ๆ ขึ้น ระหว่างยาทั้งสอง สาม ห้า เจ็ด อย่างนี้ ลองถามคนใกล้ตัวคุณ ที่ผ่านการตรวจมาสองสามครั้งก็ได้ ว่าพวกเขาใช้ยากี่อย่าง
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.
ทำไมผมต้องใส่ใจเกี่ยวกับปัญหานี้ด้วย ผมใส่ใจมันอย่างมาก ผมเป็นนักวิทยาศาสตร์ด้านสารสนเทศศาสตร์ และข้อมูล และความคิดส่วนตัวของผมก็คือ ความหวังเดียว -- เพียงความหวังเดียว -- ที่จะเข้าใจปฏิสัมพันธ์เหล่านี้ได้ คือการใช้อำนาจของข้อมูลต่าง ๆ ที่มีอยู่มากมาย เพื่อที่จะหาว่าเมื่อใดที่ ยาสามารถใช้ด้วยกันได้อย่างปลอดภัย และเมื่อมันไม่ปลอดภัย
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.
ฉนั้น ให้ผมได้เล่าเรื่อง วิทยาศาสตร์ข้อมูลกับคุณ และมันเริ่มต้นกับนักเรียนของผม ชื่อ นิค ผมเรียกเขาว่า "นิค" เพราะว่านั่นเป็นชื่อของเขา
(Laughter)
(เสียงหัวเราะ)
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.
นิคเป็นนักเรียนหนุ่ม ผมบอกว่า "นิค รู้อะไรไหม เราต้องทำความเข้าใจต่อการทำงานของยา และการที่มันทำงานด้วยกัน และการที่มันทำงานแยกกัน และเราก็ไม่ค่อยเข้าใจมันสักเท่าไร แต่องค์การอาหารและยา ได้ทำฐานข้อมูลที่น่าทึ่ง มันเป็นฐานข้อมูลของผลร้ายที่เกิดขึ้น พวกเขาเขียนไว้บนเว็บไซต์-- มันเป็นสาธารณะ คุณสามารถดาวน์โหลด มันตอนนี้ได้เลย -- รายงานผลร้ายที่เกิดขึ้นเป็นแสน ๆ จากผู้ป่วย แพทย์ บริษัท เภสัช และรายงานเหล่านี้ค่อนข้างจะเรียบง่าย มันมีรายการโรคที่ผู้ป่วยเป็น ยาทั้งหมดที่พวกเขาใช้ และการเกิดผลร้าย หรือผลข้างเคียงต่าง ๆ ที่พวกเขาเจอ มันไม่ใช่ผลร้ายทั้งหมด ที่เกิดขึ้นในอเมริกาทุกวันนี้ แต่มียาเป็นร้อย และเป็นแสน
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.
ผมเลยบอกกับนิคว่า "มาคิดกันเถึงระดับกลูโคสนะ ระดับกลูโคสมีความสำคัญอย่างมาก และเรารู้ว่ามันเกี่ยวข้องกับเบาหวาน มาดูกันว่า เราเข้าใจการตอบสนองกลูโคส หรือเปล่า ผมส่งนิคออกไป แล้วนิคก็กลับมา
"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."
"รัส" เขาพูด "ผมสร้างตัวจัดกลุ่ม ที่สามารถดูผลข้างเคียงของยา โดยดูจากฐานข้อมูลนี้ และสามารถบอกคุณได้ว่า ยานั้นน่าจะเปลี่ยนระดับกลูโคสได้หรือไม่"
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."
เขาทำเช่นนั้น มันค่อนข้างจะง่ายทีเดียว เขาเอายาทั้งหมด ที่เรารู้ว่ามันเปลี่ยนระดับกลูโคส และจัดกลุ่มยา ที่ไม่มีผลในการเปลี่ยนระดับกลูโคส และบอกว่า "ผลข้างเคียงของพวกเขา มีอะไรที่ต่างกัน มีความเมื่อยล้าต่างกัน ความอยากอาหาร หรือพฤติกรรมการขับปัสสาวะ" ทั้งหมดนี้หลอมรวม ให้เขาเป็นนักคาดคะเนชั้นเลิศ เขาบอกว่า "รัส ผมสามารถคาดคะเนได้ ที่ระดับความแม่นยำ 93 เปอร์เซ็นต์ ว่าเมื่อไรยาจะเปลี่ยนระดับกลูโคส"
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."
ผมบอกว่า "นิค นั่นมันยอดไปเลย" เขาเป็นนักเรียนหนุ่ม เราต้องเสริมความม้่นใจให้เขาหน่อย "แต่นิค มันมีปัญหาอยู่นะ แพทย์ทุกคนในโลกรู้ว่ายาทั้งหมดนี้ จะเปลี่ยนระดับกลูโคส เพราะว่ามันเป็นส่วนสำคัญ ของงานของเราอยู่แล้ว ฉะนั้น มันเจ๋งดี แต่ไม่น่าสนใจเท่าไร แน่นอนว่าตีพิมพ์ไม่ได้แน่ ๆ "
(Laughter)
(เสียงหัวเราะ)
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."
เขาบอกว่า "ผมรู้ รัส ผมคิดว่าคุณอาจพูดแบบนั้น" นิคเป็นคนฉลาดครับ "ผมคิดว่าคุณอาจพูดอย่างนั้น ผมก็เลยทำการทดลองอีกอัน ดูว่าในคนในฐานข้อมูลนี้ คนไหนที่ใช้ยาสองอย่าง และผมมองหาสัญญาณที่คล้ายกัน สัญญาณการเปลี่ยนแปลงระดับกลูโคส ในคนที่ใช้ยาสองอย่าง ซึ่งยาอย่างเดียว จะไม่เปลี่ยนแปลงระดับกลูโคส แต่ถ้าใช้ด้วยกันแล้ว ผมจะเห็นสัญญาณที่ชัดเจน"
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.
และผมบอกว่า "โอ้ คุณนี่ฉลาดจริง ๆ ความคิดเจ๋งมาก ขอผมดูหน่อยสิ" และก็มียามากมายในรายการนั้น ไม่ค่อยน่าสนใจเท่าไร แต่ที่สะดุดตาผมก็คือ ในรายการนั้นมียาสองอย่าง พารอกซิทิน หรือพาซิล ยาต้านอาการซึมเศร้า และพราวาสตาติน หรือพราวาคอล ยาที่ใช้รักษาอาการที่เกี่ยวกับคลอเรสเตอรอล
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."
และผมบอกว่า "อ้า มีชาวอเมริกันหลายล้าน ที่ใช้ยานั่น" อันที่จริง ต่อมาเรารู้ว่า มีคนอเมริกัน 15 ล้านคนที่ใช้พารอกซิทิน ในเวลานั้น อีก 15 ล้านคนใช้พราวาสตาติน และอีกล้าน จากการกะประมาณ ใช้ทั้งสองอย่าง ฉะนั้นมีคนล้านคน ที่อาจมีปัญหาเกี่ยวกับระดับกลูโคส ถ้าเครื่องจักรเรียนรู้ (machine-learning) จอมยุ่ง ที่เขาสร้างขึ้นในฐานข้อมูลองค์กรอาหารและยา ทำงานได้ดี แต่ผมบอกว่า "มันยังไม่สามารถตีพิมพ์ได้ เพราะผมชอบที่ผมทำกับเจ้านี่ กับเครื่องจักรเรียนรู้ แต่สิ่งที่เรามี มันไม่ใช่หลักฐานตามมาตราฐานจริง ๆ" เราจะต้องทำอย่างอื่นอีก ไปดูบันทึกทางการแพทย์อิเล็กทรอนิค ของสแตนฟอร์ดดีกว่า เราได้สำเนามา นั่นก็โอเคแล้วสำหรับการวิจัย เราลบข้อมูลส่วนบุคคลออกไป และผมพูดว่า "มาดูกันว่า คนที่ใช้ยาสองชนิดนี้ มีปัญหากับระดับกลูโคสของเขาหรือเปล่า"
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.
ตอนนี้ มีคนเป็นพัน ๆ ในบันทึกทางการแพทย์ของสแตนฟอร์ด ที่ใช้ยาพารอกซิทิน และพราวาสตาติน แต่เราต้องการผู้ป่วยที่พิเศษ เราต้องการผู้ป่วยที่ใช้ยาตัวหนึ่ง และได้รับการวัดระดับกลูโคส จากนั้นได้ยาตัวที่สอง และได้รับการวัดระดับกลูโคสอีกครั้ง โดยทั้งหมดนี้ทำในช่วงเวลาที่สมเหตุสมผล -- ในเวลาประมาณสองเดือน และเมื่อเราทำอย่างนั้น เราพบผู้ป่วย 10 ราย อย่างไรก็ดี แปดจาก 10 มีระดับกลูโคสที่ลดลง เมื่อพวกเขาได้ยาพีตัวที่สอง -- พวกเราเรียกมันว่า พี และ พี -- เมื่อพวกเขาได้ยาพีตัวที่สอง ยาตัวใดตัวหนึ่งสามารถเป็นตัวแรกได้ และตัวที่สองก็คืออีกตัวหนึ่ง ระดับกลูโคสสูงขึ้นถึง 20 มิลลิกรัมต่อเดซิลิตร ขอบอกคุณสักนิดว่า คุณเดินไปเดินมาเป็นปกติ ถ้าคุณไม่เป็นเบาหวาน ด้วยระดับน้ำตาลประมาณ 90 และถ้ามันสูงถึง 120, 125 แพทย์ของคุณจะเริ่มติดถึง การวินิจฉัยเกี่ยวกับเบาหวานที่น่าจะเป็นไปได้ ฉะนั้น การที่มันสูงขึ้น 20 -- ค่อนข้างมีนัยสำคัญ
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."
ผมพูดว่า "นิค นี่มันเจ๋งมาก แต่ผมเสียใจด้วยนะ เรายังไม่สามารถตีพิมพ์ได้ เพราะว่าผู้ป่วย 10 คน และ -- เดี๋ยวก่อนนะ -- มันไม่เพียงพอ"
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.
เราก็เลยบอกว่า เราจะทำอย่างไรดี และเราก็บอกว่า ลองโทรหาเพื่อนของเรา ที่ฮาร์วาร์ดและวานเดอร์บิลท์ ผู้ที่ยัง -- ฮาร์วาร์ดในบอสตัน วานเดอร์บิลท์ในแนชวิล ผู้ที่มีบันทึกทางการแพทย์อิเล็กทรอนิต ที่คล้ายกับของเรา ลองมาดูว่า พวกเราจะพบ คนไข้ที่คล้าย ๆ กันหรือเปล่า ที่ใช้ยาพีตัวแรก และพีอีกตัว และมีผลระดับกลูโคส ในช่วงที่เราต้องการ
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.
พระเจ้าช่วย วาลเดอร์บิลท์ พบคนไข้แบบนั้น 40 รายในหนึ่งสัปดาห์ ในรูปแบบเดียวกัน ฮาร์วาร์ดพบผู้ป่วย 100 คน ที่มีรูปแบบเดียวกัน ฉะนั้น สุดท้ายแล้วเรามีผู้ป่วย 150 ราย จากบันทึกทางการแพทย์ต่าง ๆ สามแห่ง นั่นกำลังบอกกับเราว่า ผู้ป่วยที่ใช้ยาสองอย่างนี้ มีการเพิ่มขึ้นของระดับกลูโคส ที่ค่อนข้างมีนัยสำคัญ
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.
ที่น่าสนใจไปกว่านั้น เราได้ตัดผู้ที่เป็นเบาหวานออกไป เพราะว่า เบาหวาน ทำระดับกลูโคสยุ่งเหยิงอยู่แล้ว เมื่อเราดูที่ระดับกลูโคสในผู้ที่เป็นเบาหวาน มันสูงขึ้นถึง 60 มิลลิกรัมต่อเดซิลิตร ไม่ใช่เพียง 20 นั่นเป็นเรื่องใหญ่ และเราบอกว่า "เราต้องตีพิมพ์สิ่งนี้" เราส่งบทความของเราไปยังสำนักพิมพ์ ทุกอย่างมีหลักฐานข้อมูล ข้อมูลจากองค์กรอาหารและยา ข้อมูลจากสแตนฟอร์ด ข้อมูลจากแบนเดอร์บิลท์ ข้อมูลจากฮาร์วาร์ด เราไม่ได้ทำการทดลองจริง ๆ สักครั้ง
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.
แต่เราก็ตื่นเต้น ในขณะที่บทความของเราถูกตรวจอยู่นั้น นิคก็เลยไปที่ห้องทดลอง เราพบกับคนที่รู้เรื่องต่าง ๆ ในห้องทดลอง ผมไม่ได้ทำอะไรพวกนี้ ผมดูแลคนไข้ แต่ไม่เคยจับปิเปตต์ พวกเขาสอนผมว่าต้องป้อนยาให้หนูอย่างไร เราเอาหนูมาและเราให้พีหนึ่ง พารอกซิทินกับพวกมัน เราให้พราวาสตาตินกับหนูอีกกลุ่ม และเราให้หนูกลุ่มที่สามกินยาทั้งสองอย่าง และดูเถอะดู ระดับกลูโคสสูงขึ้นไปถึง 20 ถึง 60 มิลลิกรัมต่อเดซิลิตร ในหนูพวกนี้
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.
บทความของเราได้รับการยอมรับ โดยหลักฐานทางข้อมูลเพียงอย่างเดียว แต่เราเพิ่มข้อความในส่วนท้าย ที่ว่า โอ แต่จะบอกอะไรให้ ถ้าคุณให้ยากับหนู ระดับมันจะเพิ่มขึ้น
That was great, and the story could have ended there. But I still have six and a half minutes.
นั่นมันยอดเลย และเรื่องก็น่าจะจบลงตรงนั้น แต่ผมยังมีอีกหกนาทีครึ่ง
(Laughter)
(เสียงหัวเราะ)
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?"
พวกเรามานั่งล้อมวงกันแล้วคิดเกี่ยวกับสิ่งนี้ และผมก็จำไม่ได้ว่าใครคิด แต่ใครสักคนพูดว่า "ผมสงสัยจังว่าคนไข้ที่ได้รับยาทั้งสอง สังเกตเห็นผลข้างเคียง ของการมีกลูโคสมากนี้ไหม พวกเขาควรและน่าจะเห็น เราจะรู้ได้อย่างไร"
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."
พวกเราบอกว่า เอาล่ะ คุณจะทำอย่างไร คุณใช้ยา ยาตัวใหม่หนึ่งหรือสองตัว และมีอาการแปลก ๆ คุณจะทำอย่างไร คุณจะไปกูเกิล และพิมพ์ชื่อยาทั้งสองที่คุณใช้ หรือยาตัวหนึ่งที่คุณใช้ และคุณจะพิมพ์คำว่า "ผลข้างเคียง" คุณจะเจออะไร เราเลยบอกว่า เอาล่ะ ลองถามกูเกิลดูสิ ว่าพวกเขาจะแบ่งปัน ผลการป้อนคำค้นหากับเราไหม เพื่อที่เราจะสามารถดูผลการป้อนคำค้นหาได้ และดูว่าผู้ป่วยทำการค้นหา อะไรพวกนี้หรือเปล่า ผมเสียใจที่จะต้องบอกว่า กูเกิลปฏิเสธคำขอของเรา ผมผิดหวังครับ ผมกำลังรับประทานอาหารเย็น กับเพื่อนร่วมงานที่ไมโครซอร์ฟ รีเซิร์ช ผมบอกว่า "ผมอยากจะทำการศึกษานี้ กูเกิลบอกว่า ไม่ มันน่าผิดหวังจริง ๆ" เขาบอกว่า "ถ้าอย่างนั้น เรามี บิง เสิร์จ นะ"
(Laughter)
(เสียงหัวเราะ)
Yeah. That's great. Now I felt like I was --
ครับ ยอดไปเลย ตอนนี้ผมรู้สึกว่าผม --
(Laughter)
(เสียงหัวเราะ)
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.
ผมรู้สีกว่าผมกำลังพูดอยู่กับนิคอีกแล้ว เขาทำงานให้กับบริษัท ที่ใหญ่ที่สุดในโลกแห่งหนึ่ง และผมก็พร้อมที่จะลองทำให้เขารู้สึกดีขึ้น แต่เขาบอกว่า "ไม่ รัส คุณไม่เข้าใจหรอก พวกเรามีแค่ บิง เสิร์จ แต่ถ้าคุณใช้ อินเทอร์เน็ต เอ็กซ์พลอเลอร์ ทำการค้นหาในกูเกิล ยาฮู, บิง หรืออะไรก็ตาม จากนั้น เราจะเก็บข้อมูลเอาไว้เพื่อจุดประสงค์ ในการวิจัยเท่านั้น เป็นเวลา 18 เดือน" ผมบอกว่า "นั่นแหละ ค่อยเข้าท่าหน่อย" นี่คือ อิริค ฮอร์วิทซ์ เพื่อนของผมที่ไมโครซอร์ฟ
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.
เราทำการศึกษา ซึ่งเรากำหนดคำ 50 คน ที่คนทั่วไปจะพิมพ์ ถ้าพวกเขามีภาวะน้ำตาลสูง เช่น "ปวดเมื่อย" "ไม่อยากอาหาร" "ปัสสาวะมาก" "ฉี่เยอะ" -- ขอโทษครับ แต่นั่นอาจเป็นคำที่คุณจะพิมพ์ เราได้กลุ่มคำมา 50 กลุ่มคำ ที่เรียกว่า "คำที่เกี่ยวกับเบาหวาน" และเราก็สร้างเส้นมาตราฐานล่างก่อน และกลายเป็นว่าประมาณ .5 ถึง 1 เปอร์เซ็นต์ ของผู้ทำการค้นหาทางอินเทอร์เน็ต ใช้คำที่เกี่ยวข้องกับคำพวกนี้ ฉะนั้น นั่นเป็นเส้นมาตราฐานล่างของเรา ถ้าคนพิมพ์คำว่า "พารอกซิทิน" หรือ "พาซิล" -- นั่นเป็นคำเหมือนนะครับ -- และหนึ่งในคำเหล่านี้ อัตราการใช้คำที่เกี่ยวกับเบาหวาน จะสูงขึ้นถึงประมาณสองเปอร์เซ็นต์ ถ้าคุณรู้แล้วว่านั่นมีคำว่า "พารอกซิทิน" อยู่ด้วย ถ้ามันเป็น "พราวาสตาติน" อัตราการใช้คำ จะสูงจากเส้นล่างถึงสามเปอร์เซ็นต์ ถ้าทั้งคำว่า "พารอกซิทิน" และ "พราวาสตาติน" อยู่ในข้อความค้นหา มันจะสูงถึง 10 เปอร์เซ็นต์ ซึ่งเป็นการเพิ่มขึ้นสามถึงสี่เท่า ในผู้ที่ค้นหาด้วยยาสองชนิด ที่เราสนใจ และคำที่เกี่ยวข้องกับเบาหวาน หรือคำที่เกี่ยวข้องกับภาวะน้ำตาลสูง
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.
เราตีพิมพ์สิ่งนี้ และได้รับความสนใจบ้าง เหตุผลที่มันสมควรได้รับความสนใจ ก็คือผู้ป่วยกำลังบอกเรา ถึงผลข้างเคียงที่เกิดขึ้นพวกเขา ผ่านการค้นหาของพวกเขา พวกเราทำให้องค์กรอาหารและยาสนใจ พวกเขาสนอกสนใจ พวกเขาตั้งโครงการตรวจตรา ทางสื่อสังคมออนไลน์ เพื่อร่วมมือกับไมโครซอร์ฟ ซึ่งมีโครงสร้างพื้นฐานที่ดี สำหรับการทำงานนี้และงานอื่น ๆ เพื่อดูที่หน้าข่าวทวิตเตอร์ เพื่อดูที่หน้าข่าวเฟสบุ๊ค เพื่อดูที่ผลการป้อนคำค้นหา เพื่อที่จะพยายามมองหาสัญญาณขั้นแรก ที่ยาไม่ว่าจะเป็นการใช้เดี่ยวหรือใช้ร่วมกัน ก่อให้เกิดปัญหา
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.
ผมได้อะไรจากสิ่งนี้หรือครับ ทำไมผมต้องมาเล่าเรื่องนี้ด้วย ครับ ประการแรก ตอนนี้พวกเราข้อมูลมากมายที่น่าวางใจ และข้อมูลขนาดกลาง ที่จะช่วยให้เราเข้าใจปฏิสัมพันธ์ของยา และอันที่จริง โดยพื้นฐาน กิจกรรมของยา ยาทำงานได้อย่างไร มันจะสร้างและได้สร้างระบบนิเวศใหม่ สำหรับความเข้าใจต่อการทำงานของยา และเพื่อปรับการใช้พวกมันให้เหมาะสม นิคยังคงเดินหน้าต่อไป ตอนนี้เขาเป็นศาสตราจารย์ที่โคลัมเบียแล้ว เขาทำสิ่งนี้ตอนเขาเป็นนักเรียนปริญญาเอก โดยการดูยาหลายร้อยคู่ เขาพบปฏิสัมพันธ์ที่สำคัญมาก ๆ ในยาบางคู่ และเราก็ได้ทำซ้ำ และได้แสดงว่านี่เป็นวิธีที่ได้ผลจริง ๆ ในการค้นหาปฏิสัมพันธ์ระหว่างยา
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.
อย่างไรก็ดี ยังมีอีกสองสามอย่าง เราไม่ได้แค่จับคู่ยาเท่านั้น อย่างที่ผมบอกก่อนหน้านี้ มีคนไข้ ที่ใช้ยาสาม , ห้า, เจ็ด, เก้าอย่าง พวกเขาเคยได้ศึกษาโดยคำนึงถึง ปฎิสัมพันธ์ทั้งเก้าทางนั้นหรือเปล่า ครับ เราสามารถทำการจับคู่ A และ B A และ C A และ D ได้ แล้ว A B C D E F G ด้วยกันทั้งหมด ที่ถูกใช้โดยคนไข้คนเดียวกันล่ะ บางทีมันมีปฏิสัมพันธ์ระหว่างกันและกัน ในแบบที่ไม่ทำให้พวกมัน มีประสิทธิภาพมากขึ้นก็น้อยลง หรืออาจทำให้เกิดผลข้างเคียงที่ไม่คาดคิด เราไม่รู้เลยจริง ๆ มันเหมือนท้องฟ้าที่กว้างใหญ่ ทุ่งหญ้ากว้างไกล สำหรับเราที่จะใช้ข้อมูล เพื่อพยายามเข้าใจการมีปฏิสัมพันธ์ของยา
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.
อีกสองบทเรียนครับ ผมอยากให้คุณคิดถึงอำนาจ ที่เราจะสามารถสร้างได้ ด้วยข้อมูลจากผู้คนที่อาสาให้ ข้อมูลผลร้ายที่เกิดขึ้น ผ่านเภสัชกรของพวกเขา ผ่านตัวพวกเขาเอง ผ่านแพทย์ของพวกเขา ผู้คนที่ยอมให้ฐานข้อมูล กับสแตนฟอร์ด ฮาร์วาร์ด แวนเดอร์บิลท์ เพื่อใช้ในการวิจัย ผู้คนเป็นกังวลเกี่ยวกับฐานข้อมูล พวกเขาเป็นห่วงเรื่องความเป็นส่วนตัว และความปลอดภัย -- พวกเขาก็ควรครับ พวกเราต้องการระบบที่ปลอดภัย แต่พวกเราไม่สามารถมีระบบ ที่ปิดตายข้อมูลเหล่านั้นได้ เพราะว่ามันเป็นแหล่งของข้อมูลที่มากมาย ของแรงบันดาลใจ นวัตกรรม และการค้นพบ สำหรับสิ่งใหม่ในวงการแพทย์
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.
และสิ่งสุดท้ายที่ผมอยากจะบอกก็คือ ในกรณีนี้ เราพบยาสองชนิด และมันเป็นเรื่องที่ค่อนข้างน่าเสียใจ ยาสองตัวที่สร้างปัญหา พวกมันเพิ่มระดับกลูโคส พวกมันทำให้ใครสักคนเป็นเบาหวาน ผู้ที่ไม่อย่างนั้นก็คงจะไม่เป็นเบาหวาน และคุณก็จะระมัดระวัง ในการใช้ยาสองตัวนี้ด้วยกัน บางที ไม่ควรใช้มันด้วยกัน ทำการตัดสินใจที่ต่างออกไป เมื่อคุณเขียนใบสั่งยา แต่มันยังมีความเป็นไปได้อีกอย่าง เราอาจได้พบกับยาสองหรือสามตัว ที่มีปฏิสัมพันธ์ต่อกันในแบบที่เป็นประโยชน์ เราอาจพบกับยาใหม่ที่มีคุณภาพ ที่มันทั้งไม่ใช่แค่มันตัวเดียว แต่ทั้งคู่ แทนที่จะมีผลข้างเคียง พวกมันอาจเป็นการบำบัดโรค ที่ใหม่และก้าวหน้า ที่เรายังไม่มีวิธีการบำบัดรักษา หรือเมื่อการบำบัดรักษาไม่มีประสิทธิภาพ ถ้าเราคิดถึงการใช้ยาทุกวันนี้ ความก้าวหน้าที่สำคัญทั้งหมด -- สำหรับเอชไอวี สำหรับวัณโรค สำหรับโรคซึมเศร้า สำหรับเบาหวาน -- มันเป็นการใช้ยาหลายอย่างเสมอ
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?
และในด้านดี และหัวข้อสำหรับหลาย ๆ TED Talk ในวันอื่น ๆ ก็คือเราจะสามารถใช้แหล่งข้อมูลเดิม เพื่อการใช้ยาแบบควบคู่ ที่มีประสิทธิภาพได้อย่างไร เพื่อที่มันจะให้การบำบัดรักษาใหม่กับเรา ความรู้ลึกซึ้งเรื่องใหม่เรื่องการทำงานของยา และทำให้เราสามารถดูแลคนไข้ของเรา ได้ดีขึ้น
Thank you very much.
ขอบคุณมากครับ
(Applause)
(เสียงปรบมือ)