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."
Doktora gittiniz ve bazı testleri yaptırdınız. Doktor yüksek kolesterolünüzün olduğunu ve bunu tedavi etmek için ilaçlardan yararlanabileceğinizi söyledi. Böylelikle ilaç kutusunu aldınız. İşe yarayacağına dair sizin de doktorunuzun da biraz inancı var. Bunu icat eden şirket birçok çalışma yaptı ve FDA'nın onayına sundu. FDA çok dikkatli bir şekilde üzerinde çalıştı ve ilacı onayladı. Nasıl çalıştığına ve yan etkilerine dair yaklaşık tahminleri var. Buraya kadar tamam. Doktorunuzla biraz daha konuştunuz ve doktorunuz keyifsiz göründüğünüz için endişelendi, kendinizi iyi hissetmiyorsunuz, artık normalde olduğu gibi hayatınızdan zevk alamıyorsunuz. Doktorunuz size "Depresyonun olduğunu düşünüyorum. Sana başka bir ilaç daha vereceğim." diyor.
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?
Artık iki ilaçtan bahsediyoruz. Bu ilaç -- milyonlarca insanın aldığı, firmanın hakkında çalışmalar yaptığı, FDA'nın kontrol ettiği bir ilaç -- oldukça güzel. İşlerin iyi gittiğini düşünün. İşlerin iyi gittiğini düşünün. Bekleyin bir dakika. Kaç tane çalışmada bu ikisini birlikte değerlendirdik ki?
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.
Bunu yapmak oldukça zordur. Aslında normalde pek de yapılmaz. "Pazarlama sonrası denetim" dediğimiz, ilacın piyasaya çıktıktan sonraki deneyimlere tamamen bel bağlamış durumdayız. Bu iki ilaç arasında kötü etkileşimler oluyorsa, bunları nasıl anlayacağız? 3? 5? Peki ya 7 olursa? Birden fazla tanı almış olan, sevdiğiniz herhangi bir insana kaç ilaç kullandığını sorun.
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.
Neden bu problemi önemsiyorum? Bunu son derece önemsiyorum. Ben bir bilişimciyim ve veri bilimi insanıyım, bence gerçekten, bu husustaki tek umut çok sayıda veri kaynağını kullanarak ilaçların ne zaman birlikte güvenle kullanılabileceğini ya da kullanılamayacağını aradaki etkileşimleri hesaba katarak tespit edebiliriz.
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.
Size bir veri bilimi hikayesi anlatayım: Nick adındaki bir öğrencimle başlıyor. Ona "Nick" diyelim. Çünkü bu onun gerçek adı.
(Laughter)
(Kahkahalar)
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 genç bir öğrenciydi. Ona, "Nick, bildiğin üzere ilaçların nasıl çalıştığını, birlikte ve ayrı ayrı nasıl çalıştıklarını anlamak zorundayız. Henüz çoğu şey bilmiyoruz."dedim. FDA mükemmel, kullanışlı bir veritabanı hazırladı. Bu veritabanı ilaç etkileşimlerini içeriyor. Harfiyen internet sitesine koymuşlar. İsteyen herkes şimdi bile gidip indirebilir. Hastalar, doktorlar, şirketler ve eczacılar tarafından bildirilmiş yüz binlerce ilaç etkileşimi bildirimi var. Bu bildiriler oldukça basit; Hastanın sahip olduğu tüm hastalıklar, kullandığı tüm ilaçlar ve deneyimledikleri tüm yan etkiler ve etkileşimler. Amerika'da yaşanan ilaç etkileşimlerinin hepsi bu değil. Daha geride yüzlerce, yüz binlerce ilaç var.
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.
Sonra Nick'e dedim ki, "Glikozu ele alalım, Glikoz hayli önemli, ve biliyoruz ki diyabetle de ilişkilli. Belki de kan şekeri üzerinden bu sorunu çözebiliriz ." Nick'le vedalaştık. Sonrasında Nick geri geldi.
"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," dedi "Veritabanından ilacın yan etkilerine bakacak, sana bu ilacın kan şekerini oynatıp oynatmayacağını söyleyecek bir sınıflandırıcı yarattım."
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."
Çok basit çalışıyor temelde. Kan şekerini oynattığı bilinen bütün ilaçları alıyor, ayrıca kan şekerine etki etmeyen bir grup ilacı da alıyor ve şunu soruyor "Bu ilaçların yan etkileri arasında ne fark var? Yorgunluk? İştah? İdrar sıklığı?" Bunların tümü onun iyi tahminler yapmasını sağladı. "Russ, yüzde 93 isabetle bir ilacın kan şekerine etkisini bulabiliyorum" dedi.
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."
"Harika" dedim ona. Genç bir öğrenci o, kendine güvenini kırmamalısınız. "Nick problem var. Dünyada her doktor, tüm ilaçların glikozu değiştirdiğini bilir çünkü bu bizim uygulamanın özüdür. Bu harika, iyi bir iş ama yeterince ilginç değil ve kesinlikle yayınlanamaz
(Laughter)
(Kahkahalar)
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."
Biliyorum Russ, senin Nick’in zeki olduğunu söyleyeceğini düşündüm, dedi. ve bir başka deney daha yaptım diye söylersin diye düşündüm. Veritabanında iki ilaç alan insanlara baktım. Ve benzer sinyallere, iki ilaç alan insanların değişen glikoz değişim sinyallerine baktım Ve her bir ilaç tek başına glikozu değiştirmedi Fakat bu iki ilacın beraber güçlü bir sinyal verdiğini gördüm.
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.
Ve ben “Ah, ne kadar zekisin, çok iyi bir fikir, hadi bana listeyi göster” dedim. Ve önümde heyecan verici olmayan bir ilaç listesi vardı. Fakat listede iki ilaca gözüm takıldı: Bunlar bir antidepresan olan paroksetin veya paxil ve kolesterol ilacı olan pravastatin veya pravachol.
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."
Ve ben “ hah, bu iki ilacı alan milyonlarca Amerikan var” dedim Aslında biz bunu . sonradan öğrendik 15 milyon Amerikan paroksetin alırken, aynı anda 15 milyon pravastatin alıyor ve 1 milyon, ki bu bizim tahminimizdi, her ikisini birden alıyor. Ve bu glikoz sorunları olan bir milyon insan onun FDA veri tabanında yaptığı, makine tarafından öğrenilen anlamsız dil, aslında gösterildi. Fakat ben “hala bunun yayınlanabilir olmadığını, Yaptığın ve makinanın öğrendiği anlamsız dili sevdiğimi, fakat elimizdeki gerçek kanıtın standart bir kanıt olmadığını söyledim Bu yüzden başka bir şey yapmak zorundaydık. Hadi Stanford elektronik medikal kayıtlara girelim. Biz de onların bir kopyası mevcuttu ve bunlar araştırma için yeterliydi. Tanımlanma bilgilerini kaldırdık. Ve ben “ hadi o zaman bu iki ilacı alan insanların Glikozlarında bir sorun var mı bir görelim” dedim
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.
Stanford medikal kayıtlarında paroksetin ve pravastatin alan binlerce ve binlerce insan vardı. ancak bizim özel hastalara ihtiyacımız vardı. Bizim ihtiyaç duyduğumuz hastalar, bir ilacı alıp ve glikoz ölçümü yapan sonra ikinciyi alıp tekrar glikoz ölçümü yapanlar olmalıydı. Ve tüm bunlar iki ay gibi makul bir zaman aralığında olmalıydı. Ve biz bunu yaptığımızda, 10 hasta bulduk. Bunlardan 8 tanesinin glikozunda ikinci P’yi aldığında fırlama oluyordu. onlar ikinci P’yi aldıklarında, olan fırlamayı P ve P -- diye adlandırıyorduk Herhangi birini önce alıyordu ve ikincisi sonradan geliyordu. Ve glikoz desilitre başına 20 miligram yükseliyordu. Sadece bir hatırlatma. Diyabet değilseniz, normalde glikozunuz 90 civarında seyreder. Ama 120,125 olursa doktorunuz sizin potansiyel bir diyabet hastası olduğunuzu düşünmeye başlar. Böyle bir 20'lik bir artış- oldukça önemlidir-
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."
Ben “ Nick bu çok iyi. Fakat üzgünüm, hala bir makalemiz yok, 10 hasta var ve – biraz ara verelim- bu yeterli hasta sayısı değil” dedim.
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.
Biz ne yapabiliriz diye düşündük Bostandaki Harvard ve Nashnille'de Vanderbilt'deki arkadaşlarımızı aramaya karar verdik. çünkü, orada bizdeki medikal kayıtlara benzer elektronik kayıtlar mevcuttu. P ilacı kullanan ve diğer P ilacı kullanan aynı hastalardaki ihtiyacımız olan glikoz ölçümlerini görelim.
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.
Şükürler olsun ki, 1 haftada içinde Vanderbilt'de aynı eğilimlerde olan 40 hasta buldu. Hardvard, aynı eğilimlerde 100 hasta buldu. Sonunda 3 farklı merkezde bu iki aynı ilacı alan 150 hastamız vardı ve onların glikozlarında önemli ölçüde artış saptandı.
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.
Daha ilginci, biz diyabetlileri bıraktık çünkü onların glikozları çoktan bozulmuştu. Diyabetlilerin glikozlarına baktığımızda desilitre başına 20 değil, 60 miligram artmıştı. Bu büyük bir şeydi ve "bunu yayınlamalıyız" dedik. Makaleyi, FDA'den, Stanford'dan Vanderbilt'ten, Hardvard'dan tüm kanıtlarla sunduk. Biz tek bir gerçek deney yapmamıştık.
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.
Gergindik. Makale gözden geçilirken, Nick laba gitti ve lab işlerinden anlayan birisini bulduk. Bunu ben yapmadım. Hastalarla ilgilenirim ama pipetleme işini ben yapmam. Bize nasıl fareleri ilaçlarla besleyeceğimizi öğrettiler. Fareleri aldık ve onlara bir P, paroksetine verdik. Diğer bir farelere pravastatin verdik ve üçüncü bir gruba iki ilacı birden verdik. Farelerde, glikoz desilitre başına 20'den 60'a kadar arttığını gözlemledik.
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.
Makale, yalnızca kanıtlara dayanılarak kabul edildi fakat biz sonuna eğer bu ikisini farelere verirseniz glikoz artar diye ufak bir not ekledik.
That was great, and the story could have ended there. But I still have six and a half minutes.
Bu harika bir şeydi ve hikaye burada bitmeliydi. Fakat hala 6 buçuk dakikam var.
(Laughter)
(Kahkahalar)
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?"
Biz hala bunun üzerine düşünüyorduk Kim düşündü hatırlamıyorum ama birisi eğer hastalar bu iki ilacı beraber alırlarsa hiperglisemi yan etkilerini görür, dedi. Oldu ve olmalıydı. Biz bunu nasıl belirleyebilirdik?
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."
"Ne yapmalıyız?" diye sorduk. Bir ilaç alıyorsun ve bir ya da iki ilaç daha ekleniyor ve eğlenceli duyguların oluyor. Ne yaparsınız? Google'ı açıp, aldığı iki ilacın veya tek ilacın adını yazıp yan etkilerini araştırırsın. Ne umuyorsunuz? Biz "tamam" diyip Google'a girdik ve onların araştırma günlüklerine bizimle paylaşıp paylaşmayacaklarını sorduk bu yüzden araştırma günlüklerine baktık ve hastaların böyle bir araştırma yapıp yapmadıklarını gördük. Google" üzgünüm ama isteğiniz rededildi" dedi. Ben şok oldum. Microsoftta çalışan bir arkadaşla yemekteydim ve "Böyle bir çalışma yapmak istedik ama Google "hayır, bu bir tür beleşçilik" dedi, dedim Arkadaşımsa" evet bizim Bing araştırmalarımız var" dedi.
(Laughter)
(Kahkahalar)
Yeah. That's great. Now I felt like I was --
Evet Bu harika Şimdi ben---
(Laughter)
( kahkahalar)
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.
Tekrar Nick ile konuşuyormuşum gibi hissettim. O dünyadanın en büyük şirketlerinden birisinde çalışıyor ve ben onun kendisinin daha iyi hissetmesi için çabalıyorum. Ama "Hayır, Russ anlamamış olabilirsin" dedi "Bizim sadece Bing araştırmalarımız yok Eğer siz İnternet Explorer'ı kullanarak Google'da, Yahoo'da , Bing'de veya herhangi bir yerde arama yaparsanız Biz o datayı 18 ay koruma altına alırız." dedi "Ha şöyle!" dedim. Microsoft'ta çalışan Eric Horvitz adında bir arkadaşımdı.
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.
Bunun üzerine biz bir çalışma yaptık Hiperglisemisi olan normal insanların yazdığı 50 kelime belirledik. Örneğin "yorgunluk, iştah kaybı, sık idrara çıkma, fazla idrar yapma--" gibi üzgünüm ama bu yazılan şeylerden bir tanesi. Böylelikle biz 50 ifade belirleyerek onları "diyabet kelimeleri" olarak adlandırdık. Biz ilk olarak alt sınırı belirledik. ve bu konuda tüm İnternet aramalarının yüzde 0.5 ile biri arasında bu kelimelerden birini içerir. Böylelikler bu bizim alt sınır oranımız oldu. Eğer insanlar "paroksetin veya paxil -- bunlar eş anlamlıdır-- kelimelerinden birisini arattığında diyabet kelimelerinin oranı yüzde ikiye yükselecektir. Eğer, paroksetin kelimesinin olduğunu biliyorsanız, eğer o kelime pravastatinse, oran alt sınırdan yüzde üçe yükselecektir. Sorgulamada hem paroksetin hem de pravastatin varsa, oran yüzde 10'a çıkacaktır. diyabet kelimeleri veya hiperglisemi kelimeleri içerisinde ilgilendiğimiz bu iki ilaç ile ilgili oldukça büyük üç dört katlık bir artış.
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.
Bunu yayınladık ve aksiyon aldık. Aksiyon almamızın nedeni ise, araştırma süresince, hastalar bize dolaylı yoldan yan etkilerini anlatmalarıydı. Bunu FDA dikkatine sunduk ve onlar ilgilendiler. Microsoft ile ortaklaşa sosyal medya üzerinden oldukça iyi bir alt yapısı olan Twitter aramalarına, Facebook aramalarına Araştırma loglarına bakmak için anket programları kurarak, ayrı ayrı veya birlikte ilaçların erken belirtilerini, olası problemleri görmeye çalıştılar. Bundan ne çıkarmalıyım?
What do I take from this? Why tell this story?
Neden bu hikayeyi anlattım?
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.
İlk olarak, Büyük ve orta ölçekli veriler gerçekten temelde ilaç etkilerini, ilaç etkileşimlerini anlamamıza yardım etmektedir. Bu ilaçlar nasıl işliyor? Onlar, ilaçların işleyişi ve kullanımını anlamamız için yeni bir ekosistem yarattı ve yaratacak. Nick bu işe devam etti ve şuan Kolombiya'da profesör. O doktorasını yüzlerce çift ilaçlar ile yaptı. Pek çok önemli etkileşimler buldu ilaç-ilaç etkileşimlerini bularak bunun bu şekilde işleyeceğini gösterdik. Fakat bir kaç şey var.
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.
Biz aynı zamanda ilaç çiftleri kullanmadık. Daha önce belirttiğim gibi, üç, beş, yedi , dokuz ilaç kullanan hastalar var. Onların 9 yönlü etkileşimleri mi çalışıldı peki? Evet, biz A ve B, A ve C , A ve D gibi ikililer yaparak çalıştık. Peki aynı hasta tarafından A, B,C, D, E, F, G hepsi alınırsa ne olur? Belki de her biri ötekiyle etkileşerek diğerlerini daha etkili yapabilir veya etkisini azaltabilir. veya beklenmedik yan etkiler oluşabilir? Gerçekten bir fikrimiz yok. Açık mavi gökyüzü ve dataları kullanmamız ve onların etkileşimlerini anlamaya çalışmamız için ucu açık bir alan.
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.
2 önemli nokta: yaratmaya çalıştığımız gücü düşünmenizi istiyorum. Eczacılar, kendileri, doktorları aracılığıyla gönüllü olan insanlardaki yan etki datalarını Stanford, Harvard, Vanderbilt'deki verileri araştırma için kullanmamızı sağlayan insanları. insanlar veriler için kaygı duyuyorlar. Gizlilikleri ve güvenlikleri hakkında endişeleniyorlar ki endişelenmeliler de. Güvenlik sistemlerine ihtiyacımız var. Fakat, verileri gizleyebilecek bir sisteme sahip değiliz. Çünkü, tıpta yeni şeylerin ilham, yenilik ve keşfi için oldukça pahalı bir kaynak.
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.
Son olarak şunu söylemek istiyorum. Bu durumda, biraz üzücü bir hikaye oldu ancak aslında çeşitli problemlere sebep olan iki ilaç bulduk. Bu ilaçlar glukozu yükselterek, kişinin diyabet olmasına neden olabiliyorlar. Diyabet olmayanlar ise, bu iki ilacı beraber dikkatli bir şekilde kullanmalılar. Belki beraber kullanmamalı reçete edilirken, farklı seçimler yapabilirsiniz. Fakat bir başka alternatif daha vardı. Biz iki veya üç ilacın olumlu yönde etkileşimleri bulduk, ilaçların yeni etkileşimlerini bulduk. Hiç bir ilaç tek başına yan etki yaratmazken, beraber alındığında yan etkilere sebep olmaktadır. Bu, tedavisi olmayan veya etkili bir tedavi bulunmayan hastalıklar için, değişik ve yeni bir tedavi yöntemi olabilir. Bugünki ilaç tedavilerini düşünecek olursak, tüm yeni buluşları-- örneğin HIV, tüberküloz, depresyon, diyabet-- Her zaman bir ilaç kokteyilidir.
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?
Ve işte başka ve farklı bir günde farklı bir yönden TED Talk konusu: Hastalarımıza daha iyi bakmak için, bize yeni tedaviler, yeni bakış açıları sağlayacak kombine ilaçların iyi etkilerini bulmak için aynı veri kaynaklarını nasıl kullanabiliriz?
Thank you very much.
Çok teşekkürler!
(Applause)
(alkış)