What really happens when you mix medications? | Russ Altman

Překladatel: Kateřina Jabůrková Korektor: Jakub Cervenka

So you go to the doctor and get some tests.

Přijdete k doktorovi a udělají Vám nějaké testy.

The doctor determines that you have high cholesterol

Doktor zjistí, že máte vysoký choresterol,

and you would benefit from medication to treat it.

a že by Vám asi pomohly léky.

So you get a pillbox.

Takže dostanete krabičku léků.

You have some confidence,

Máte určitou důvěru,

your physician has some confidence that this is going to work.

Váš doktor má určitou důvěru, že to bude fungovat.

The company that invented it did a lot of studies, submitted it to the FDA.

Ta firma, která je vynalezla udělala řadu studií, odevzdala je FDA.

They studied it very carefully, skeptically, they approved it.

Oni je pečlivě prozkoumali, a skepticky je potvrdili.

They have a rough idea of how it works,

Mají určitou představu, jak fungují,

they have a rough idea of what the side effects are.

mají určitou představu, jaké jsou vedlejší účinky.

It should be OK.

Mělo by to být OK.

You have a little more of a conversation with your physician

Máte další rozhovor se svým doktorem,

and the physician is a little worried because you've been blue,

a Váš doktor se obává, protože jste byli melancholičtí,

haven't felt like yourself,

necítili jste se dobře,

you haven't been able to enjoy things in life quite as much as you usually do.

nedařilo se Vám užívat si života normálně.

Your physician says, "You know, I think you have some depression.

Váš doktor řekne, "Myslím, že máte trochu depresi.

I'm going to have to give you another pill."

Předepíši Vám další lék."

So now we're talking about two medications.

Takže teď mluvíme o dvou lécích.

This pill also -- millions of people have taken it,

I druhý lék užívají miliony lidí,

the company did studies, the FDA looked at it -- all good.

výrobce provedl studie, FDA to zkontrolovala -- všechno v pořádku.

Think things should go OK.

Všechno by mělo být v pořádku.

Think things should go OK.

Všechno by mělo být v pořádku.

Well, wait a minute.

Ale, počkejte chvilku.

How much have we studied these two together?

Studovali jsme je dohromady?

Well, it's very hard to do that.

Je velmi složité to udělat.

In fact, it's not traditionally done.

Po pravdě, normálně se to nedělá.

We totally depend on what we call "post-marketing surveillance,"

Zcela závisíme na tom, čemu se říká "post-marketingový dohled."

after the drugs hit the market.

Poté, co jsou léky uvedeny na trh,

How can we figure out if bad things are happening

jak zjistíme, že dva léky

between two medications?

společně fungují špatně?

Three? Five? Seven?

Tři? Pět? Sedm?

Ask your favorite person who has several diagnoses

Zeptejte se Vašich blízkých s několika diagnózami,

how many medications they're on.

kolik léků užívají.

Why do I care about this problem?

Proč se zabývám tímto problémem?

I care about it deeply.

Záleží mi na něm hodně.

I'm an informatics and data science guy and really, in my opinion,

Jsem informatik a analytik dat a podle mně opravdu jediná šance -

the only hope -- only hope -- to understand these interactions

jediná šance, jak porozumět těmto interakcím

is to leverage lots of different sources of data

je použít hodně různých zdrojů dat,

in order to figure out when drugs can be used together safely

abychom zjistili, které léky mohou být bezpečně užívány společně,

and when it's not so safe.

a kdy to není bezpečné.

So let me tell you a data science story.

Řeknu Vám příběh vědy o datech.

And it begins with my student Nick.

Začíná mým studentem Nickem.

Let's call him "Nick," because that's his name.

Budeme mu říkat "Nick," protože se tak jmenuje.

(Laughter)

(Smích)

Nick was a young student.

Nick byl mladý student.

I said, "You know, Nick, we have to understand how drugs work

Řekl jsem, "Víš, Nicku, musíme pochopit, jak léky fungují

and how they work together and how they work separately,

a jak fungují dohromady, a jak fungují zvlášť,

and we don't have a great understanding.

a moc dobře tomu nerozumíme.

But the FDA has made available an amazing database.

Ale FDA zveřejnila tuhle skvělou databázi.

It's a database of adverse events.

Je to databáze nežádoucích účinků.

They literally put on the web --

Doslova je dali na web-

publicly available, you could all download it right now --

veřejně přístupné, všichni byste si je nyní mohli stáhnout-

hundreds of thousands of adverse event reports

stovky tisíc zpráv o nepříznivých účincích

from patients, doctors, companies, pharmacists.

od pacientů, doktorů, společností a lékárníků.

And these reports are pretty simple:

Tyto zprávy jsou celkem jednoduché:

it has all the diseases that the patient has,

obsahuji všechny pacientovy nemoci,

all the drugs that they're on,

všechny užívané léky,

and all the adverse events, or side effects, that they experience.

a všechny nežádoucí účinky, anebo vedlejší účinky, které zažil.

It is not all of the adverse events that are occurring in America today,

Nejsou to všechny nežádoucí účinky, které se dnes objeví v USA,

but it's hundreds and hundreds of thousands of drugs.

ale jsou to stovky a stovky tisíc léků.

So I said to Nick,

Tak jsem řekl Nickovi,

"Let's think about glucose.

"Zamysleme se nad glukózou.

Glucose is very important, and we know it's involved with diabetes.

Glukóza je velmi důležitá, a my víme, že je spojená s cukrovkou.

Let's see if we can understand glucose response.

Zkusme zjistit, jestli můžeme pochopit odezvu glukózy.

I sent Nick off. Nick came back.

Poslal jsem Nicka pryč. Nick přišel zpátky.

"Russ," he said,

"Russi," řekl,

"I've created a classifier that can look at the side effects of a drug

"vytvořil jsem klasifikátor, který může ukázat vedlejší účinky léků

based on looking at this database,

na základě zkoumání této databáze,

and can tell you whether that drug is likely to change glucose or not."

a může Vám říct, jestli ten lék pravděpodobně ovlivní glukózu či ne."

He did it. It was very simple, in a way.

Zvládl to. Svým způsobem to bylo jednoduché.

He took all the drugs that were known to change glucose

Vzal všechny léky, o kterých víme, že mění glukózu,

and a bunch of drugs that don't change glucose,

a řadu léků, které nemění glukózu,

and said, "What's the difference in their side effects?

a řekl, "Jaký je rozdíl mezi jejich vedlejšími účinky?

Differences in fatigue? In appetite? In urination habits?"

Rozdíl v únavě? V chuti k jídlu? V močení?"

All those things conspired to give him a really good predictor.

Všechny tyto věci dohromady mu daly velmi dobrý prediktor.

He said, "Russ, I can predict with 93 percent accuracy

Řekl, "Russi, mohu předpovědět s přesností 93 %,

when a drug will change glucose."

kdy lék změní glukózu."

I said, "Nick, that's great."

Řekl jsem, "Nicku, to je skvělé."

He's a young student, you have to build his confidence.

Je to mladý student, musíte budovat jeho sebedůvěru.

"But Nick, there's a problem.

"Ale Nicku, je tu problém.

It's that every physician in the world knows all the drugs that change glucose,

Každý doktor na světě ví, že všechny léky mění glukózu,

because it's core to our practice.

protože to je základ naší praxe.

So it's great, good job, but not really that interesting,

Takže skvělé, dobrá práce, ale ne moc zajímavé,

definitely not publishable."

určitě ne publikovatelné."

(Laughter)

(Smích)

He said, "I know, Russ. I thought you might say that."

Řekl, "Já vím, Russ. Myslel jsem si, že to řekneš."

Nick is smart.

Nick je chytrý.

"I thought you might say that, so I did one other experiment.

"Myslel jsem si, že to řekneš, udělal jsem ještě jeden pokus.

I looked at people in this database who were on two drugs,

Podíval jsem se na všechny v této databázi užívající dva léky,

and I looked for signals similar, glucose-changing signals,

a hledal jsem podobné signály, signály měnící se glukózy,

for people taking two drugs,

pro osoby užívající tyto dva léky,

where each drug alone did not change glucose,

kde každý lék zvlášť neovlivnil glukózu,

but together I saw a strong signal."

ale dohromady jsem viděl výrazný signál."

And I said, "Oh! You're clever. Good idea. Show me the list."

A já řekl, "Aha! Jsi chytrý. Dobrý nápad. Ukaž mi ten seznam."

And there's a bunch of drugs, not very exciting.

A je tu řada léků, nepříliš zajímavých.

But what caught my eye was, on the list there were two drugs:

Ale co mne zaujalo, na seznamu byly dva léky:

paroxetine, or Paxil, an antidepressant;

paroxetin, nebo Paxil, antidepresant,

and pravastatin, or Pravachol, a cholesterol medication.

a pravastin, nebo Pravachol, lék na cholesterol.

And I said, "Huh. There are millions of Americans on those two drugs."

A já jsem řekl, "Aha. Miliony Američanů užívají tyto dva léky."

In fact, we learned later,

Později jsme zjistili, že

15 million Americans on paroxetine at the time, 15 million on pravastatin,

na paroxetinu bylo 15 miliónů Američanů,

15 miliónů na pravastinu,

and a million, we estimated, on both.

a milión, odhadem, na obou.

So that's a million people

Takže to je milión lidí,

who might be having some problems with their glucose

kteří mohou mít problémy s glukózou,

if this machine-learning mumbo jumbo that he did in the FDA database

pokud obstojí tenhle mechanický nesmysl,

actually holds up.

který s databází FDA provedl.

But I said, "It's still not publishable,

Řekl jsem, "Stále to není publikovatelné,

because I love what you did with the mumbo jumbo,

ale protože se mi líbí, co jsi s tím provedl,

with the machine learning,

s tím strojovým učením,

but it's not really standard-of-proof evidence that we have."

ale není to standardní důkaz."

So we have to do something else.

Takže musíme provést něco jiného.

Let's go into the Stanford electronic medical record.

Pojďme do Stanfordských elektronických lékařských záznamů.

We have a copy of it that's OK for research,

Máme jejich kopii pro výzkumné účely,

we removed identifying information.

odstranili jsem identifikující informace.

And I said, "Let's see if people on these two drugs

Řekl jsem, "Podívejme se, jestli lidé na těchto dvou lécích

have problems with their glucose."

mají problémy s hladinou cukru krvi."

Now there are thousands and thousands of people

Ve Stanfordských lékařských záznamech

in the Stanford medical records that take paroxetine and pravastatin.

Jsou tisíce a tisíce lidí, kteří užívají paroxetin a pravastatin.

But we needed special patients.

My ale potřebovali speciální pacienty.

We needed patients who were on one of them and had a glucose measurement,

Potřebovali jsme pacienty, kteří užívali jeden z nich a znali hladinu cukru v krvi,

then got the second one and had another glucose measurement,

a poté dostali ten druhý a měli znovu změřenou hladinu cukru,

all within a reasonable period of time -- something like two months.

to vše v rozumném časovém období -- okolo dvou měsíců.

And when we did that, we found 10 patients.

A když jsme to udělali, našli jsme 10 pacientů.

However, eight out of the 10 had a bump in their glucose

Ale osm z 10 měli výkyv v hladině cukru,

when they got the second P -- we call this P and P --

když dostali druhé P -- nazýváme je P a P --

when they got the second P.

když dostali to druhé P.

Either one could be first, the second one comes up,

Kterýkoliv mohl být první, pak přišel ten druhý a

glucose went up 20 milligrams per deciliter.

glukóza se zvýšila o 20 miligramů na decilitr.

Just as a reminder,

Jen pro připomenutí,

you walk around normally, if you're not diabetic,

pokud nejste diabetik, normálně chodíte okolo,

with a glucose of around 90.

s glukózou okolo 90.

And if it gets up to 120, 125,

A když se dostane na 120, 125,

your doctor begins to think about a potential diagnosis of diabetes.

Váš doktor začne uvažovat o diagnóze cukrovky.

So a 20 bump -- pretty significant.

Takže skok o 20 -- celkem zásadní.

I said, "Nick, this is very cool.

Řekl jsem, "Nicku, tohle je vážně cool.

But, I'm sorry, we still don't have a paper,

Ale, obávám se, že stále nemáme článek,

because this is 10 patients and -- give me a break --

protože tohle je 10 pacientů

it's not enough patients."

to není dost pacientů."

So we said, what can we do?

Co můžeme dělat?

And we said, let's call our friends at Harvard and Vanderbilt,

Řekli jsme si, že zavoláme přátelům na Harvardu a Vanderbiltu,

who also -- Harvard in Boston, Vanderbilt in Nashville,

kteří -- Harvard v Bostonu, Vanderbilt v Nashville,

who also have electronic medical records similar to ours.

kteří také mají lékařské záznamy podobné našim.

Let's see if they can find similar patients

Uvidíme, jestli najdou podobné pacienty

with the one P, the other P, the glucose measurements

s jedním P, druhým P, měřeními glukózy

in that range that we need.

v rozmezí, které potřebujeme.

God bless them, Vanderbilt in one week found 40 such patients,

Bůh jim žehnej, Vanderbilt našli za týden 40 takových pacientů,

same trend.

stejný trend.

Harvard found 100 patients, same trend.

Harvard našel 100 pacientů, stejný trend.

So at the end, we had 150 patients from three diverse medical centers

Nakonec jsme měli 150 pacientů ze tří různých zdravotnických center,

that were telling us that patients getting these two drugs

kteří nám říkali, že pacienti, kteří užívají tyto dva léky,

were having their glucose bump somewhat significantly.

měli celkem podstatný skok ve své glukóze.

More interestingly, we had left out diabetics,

Zajímavější je, že jsme vynechali diabetiky,

because diabetics already have messed up glucose.

protože diabetici už rozkolísanou glukózu mají.

When we looked at the glucose of diabetics,

Když jsme se podívali na glukózu diabetiků,

it was going up 60 milligrams per deciliter, not just 20.

stoupala o 60 miligramů na decilitr, ne 20.

This was a big deal, and we said, "We've got to publish this."

Tohle bylo podstatné, a řekli jsme, "Tohle musíme publikovat."

We submitted the paper.

Odeslali jsme článek.

It was all data evidence,

Všechno to bylo podloženo daty,

data from the FDA, data from Stanford,

daty z FDA, ze Stanfordu,

data from Vanderbilt, data from Harvard.

z Vanderbiltu, z Harvardu.

We had not done a single real experiment.

Neudělali jsme ani jediný skutečný experiment.

But we were nervous.

Ale byli jsme nervózní.

So Nick, while the paper was in review, went to the lab.

Takže Nick, zatímco byl článek posuzován, šel do laboratoře.

We found somebody who knew about lab stuff.

Našli jsme někoho, kdo něco věděl o laboratořích.

I don't do that.

To já nedělám.

I take care of patients, but I don't do pipettes.

Starám se o pacienty, ale nedělám pipety.

They taught us how to feed mice drugs.

Naučili nás, jak dávat myším léky.

We took mice and we gave them one P, paroxetine.

Vzali jsme myši a dali jsme jim jedno P, paroxetin.

We gave some other mice pravastatin.

Jiným myším jsme dali pravastatin.

And we gave a third group of mice both of them.

A třetí skupině myší jsme dali oba.

And lo and behold, glucose went up 20 to 60 milligrams per deciliter

A podívejme, glukóza stoupla o 20 až 60 miligramů na decilitr

in the mice.

u myší.

So the paper was accepted based on the informatics evidence alone,

Takže článek byl přijat, založen pouze na datech,

but we added a little note at the end,

a na konec jsme přidali malou poznámku,

saying, oh by the way, if you give these to mice, it goes up.

mimochodem, pokud je dáte myším, stoupne nahoru.

That was great, and the story could have ended there.

To bylo skvělé, a ten příběh by tu mohl skončit.

But I still have six and a half minutes.

Ale ještě pořád mám šest a půl minuty.

(Laughter)

(Smích.)

So we were sitting around thinking about all of this,

Tak jsme seděli a přemýšleli o tom všem,

and I don't remember who thought of it, but somebody said,

a nepamatuji si, koho to napadlo, ale někdo řekl,

"I wonder if patients who are taking these two drugs

"Zajímalo by mne, jestli si pacienti užívající tyto dva léky,

are noticing side effects of hyperglycemia.

všímají vedlejších účinků hyperglykémie.

They could and they should.

Mohli by a měli by.

How would we ever determine that?"

Jak to zjistíme?"

We said, well, what do you do?

Řekli jsme, no, co uděláte?

You're taking a medication, one new medication or two,

Mluvíme o užívání léků, jednoho či dvou nových,

and you get a funny feeling.

a máte zvláštní pocit.

What do you do?

Co uděláte?

You go to Google

Půjdete na Google

and type in the two drugs you're taking or the one drug you're taking,

a zadáte ty dva léky, které užíváte, nebo ten jeden, který užíváte,

and you type in "side effects."

a napíšete "vedlejší účinky".

What are you experiencing?

Co zažíváte?

So we said OK,

Tak jsme řekli OK,

let's ask Google if they will share their search logs with us,

zeptáme se Googlu, jestli nám zpřístupní záznamy o vyhledávání,

so that we can look at the search logs

abychom se na ně mohli podívat

and see if patients are doing these kinds of searches.

a vidět, zda pacienti toto hledají.

Google, I am sorry to say, denied our request.

Google, bohužel musím říct, odmítl naši žádost.

So I was bummed.

Byl jsem zklamaný.

I was at a dinner with a colleague who works at Microsoft Research

Byl jsem na večeři s kolegou, který pracuje v Microsoft Research,

and I said, "We wanted to do this study,

a řekl jsem, "Chtěli jsme udělat tuto studii

Google said no, it's kind of a bummer."

a Google řekl ne. Je to trochu zklamání."

He said, "Well, we have the Bing searches."

Řekl, "No, my máme vyhledávání na Bingu."

(Laughter)

(Smích.)

Yeah.

Jo.

That's great.

To je skvělé.

Now I felt like I was --

Cítil jsem se jako bych --

(Laughter)

(Smích.)

I felt like I was talking to Nick again.

Měl jsem pocit, jako bych znovu mluvil s Nickem.

He works for one of the largest companies in the world,

Pracuje pro jednu z největších výzkumných organizacích na světě,

and I'm already trying to make him feel better.

a já se ho snažím utěšit.

But he said, "No, Russ -- you might not understand.

Ale on řekl, "Ne Russi- ty mi možná nerozumíš.

We not only have Bing searches,

Máme nejenom vyhledávání na Bingu,

but if you use Internet Explorer to do searches at Google,

ale pokud použiješ Internet Explorer pro vyhledávání na Googlu,

Yahoo, Bing, any ...

Yahoo, Bingu, čemkoliv...

Then, for 18 months, we keep that data for research purposes only."

po 18 měsíců si ponecháváme tyto údaje pouze pro výzkumné účely.

I said, "Now you're talking!"

Řekl jsem, "Teď se bavíme pořádně!"

This was Eric Horvitz, my friend at Microsoft.

To byl Eric Horvitz, můj přítel z Microsoftu.

So we did a study

Tak jsme udělali studii,

where we defined 50 words that a regular person might type in

ve které jsme definovali 50 slov, které by normální člověk mohl zadat

if they're having hyperglycemia,

pokud má hyperglykémii,

like "fatigue," "loss of appetite," "urinating a lot," "peeing a lot" --

jako "únava", "ztráta chuti k jídlu", "hodně močení", "hodně čůrání"-

forgive me, but that's one of the things you might type in.

omluvte mne, ale je to jedna z věcí, které by mohl zadat.

So we had 50 phrases that we called the "diabetes words."

Měli jsme 50 frází, které jsme nazvali "diabetická slova".

And we did first a baseline.

Udělali jsme tak základnu.

And it turns out that about .5 to one percent

A ukázalo se, že asi 0,5 až 1 %

of all searches on the Internet involve one of those words.

všech vyhledávání na Internetu obsahují jedno z těch slov.

So that's our baseline rate.

To je náš základní poměr.

If people type in "paroxetine" or "Paxil" -- those are synonyms --

Když lidé zadají "paroxetin" nebo "Paxil"- to jsou synonyma-

and one of those words,

a jedno z těch slov,

the rate goes up to about two percent of diabetes-type words,

ten poměr stoupne na asi 2 % diabetických slov,

if you already know that there's that "paroxetine" word.

a jak už víte, to je to slovo "paroxetin".

If it's "pravastatin," the rate goes up to about three percent from the baseline.

Pokud je to "pravastatin", základní poměr stoupne asi o 3 % od základny.

If both "paroxetine" and "pravastatin" are present in the query,

Když se oba zároveň vyskytují ve vyhledávání,

it goes up to 10 percent,

poměr stoupne asi na 10 %,

a huge three- to four-fold increase

obrovský tří- až čtyřnásobný nárůst

in those searches with the two drugs that we were interested in,

v těch hledáních, kde jsou oba léky

and diabetes-type words or hyperglycemia-type words.

a slovy typu diabetes nebo hyperglykémie.

We published this,

Publikovali jsme to

and it got some attention.

a vzbudili jsme pozornost.

The reason it deserves attention

Důvod, proč si to zasluhuje pozornost

is that patients are telling us their side effects indirectly

je ten, že pacienti nám nepřímo říkají své vedlejší účinky

through their searches.

skrz svoje vyhledávání.

We brought this to the attention of the FDA.

Upozornili jsme na to FDA.

They were interested.

A FDA to zaujalo.

They have set up social media surveillance programs

Vytvořili programy na sledování sociálních médií

to collaborate with Microsoft,

ve spoluprácí s Microsoftem,

which had a nice infrastructure for doing this, and others,

který na to měl hezkou infrastrukturu, a dalšími,

to look at Twitter feeds,

ke zkoumání příspěvků

to look at Facebook feeds,

na Twitteru,na Facebooku,

to look at search logs,

záznamů o vyhledávání,

to try to see early signs that drugs, either individually or together,

abychom brzy viděli signály, že léky samostatně nebo dohromady,

are causing problems.

způsobují problémy.

What do I take from this? Why tell this story?

Co z toho je? Proč tento příběh?

Well, first of all,

Především máme příslib

we have now the promise of big data and medium-sized data

velkého a středně velkého množství dat

to help us understand drug interactions

k pochopení interakcí mezi léky

and really, fundamentally, drug actions.

a skutečného fungování léků.

How do drugs work?

Jak fungují léky?

This will create and has created a new ecosystem

Toto vytvoří a vytvořilo nový ekosystém

for understanding how drugs work and to optimize their use.

pro pochopení fungování léků a optimalizaci jejich užívání.

Nick went on; he's a professor at Columbia now.

Nick pokračoval dále; je profesorem na Columbii.

He did this in his PhD for hundreds of pairs of drugs.

Svou dizertační práci věnoval stovkám párů léků.

He found several very important interactions,

Nalezl několik velmi významných interakcí,

and so we replicated this

tak jsme to zopakovali

and we showed that this is a way that really works

a ukázali, že toto je skutečně fungující způsob

for finding drug-drug interactions.

nalézání interakcí mezi léky.

However, there's a couple of things.

Nicméně je zde pár drobností.

We don't just use pairs of drugs at a time.

Najednou neužíváme pouze dvojice léků.

As I said before, there are patients on three, five, seven, nine drugs.

Jak jsem řekl dříve, jsou pacienti se třemi, pěti, sedmi, devíti léky.

Have they been studied with respect to their nine-way interaction?

Byly zkoumány vzájemné interakce všech devíti?

Yes, we can do pair-wise, A and B, A and C, A and D,

Můžeme párovat A a B, A a C, A a D,

but what about A, B, C, D, E, F, G all together,

ale co A, B, C, D, E, F, G dohromady,

being taken by the same patient,

užívané jedním pacientem,

perhaps interacting with each other

možná vzájemně reagující způsobem,

in ways that either makes them more effective or less effective

který zvyšuje nebo snižuje jejich efekt

or causes side effects that are unexpected?

nebo způsobuje nečekané účinky.

We really have no idea.

My opravdu netušíme.

It's a blue sky, open field for us to use data

Je to pole neorané, příležitost pro nás využít data

to try to understand the interaction of drugs.

k pochopení interakcí mezi léky.

Two more lessons:

Další dvě věci:

I want you to think about the power that we were able to generate

chci, abyste přemýšleli o moci, kterou jsme byli schopni vytvořit

with the data from people who had volunteered their adverse reactions

s daty od lidí, kteří poskytli nežádoucí účinky

through their pharmacists, through themselves, through their doctors,

prostřednictvím lékárníků, nich samotných, jejich doktorů

the people who allowed the databases at Stanford, Harvard, Vanderbilt,

lidé, kteří umožnili databázím ve Stanfordu, Harvardu, Vanderbiltu,

to be used for research.

užívání pro výzkum.

People are worried about data.

Lidé se bojí o data.

They're worried about their privacy and security -- they should be.

Obávají se o své soukromí a bezpečnost - měli by.

We need secure systems.

Potřebujeme bezpečné systémy.

But we can't have a system that closes that data off,

Ale nemůžeme mít systém, který uzavírá data,

because it is too rich of a source

protože je to příliš cenný zdroj

of inspiration, innovation and discovery

inspirace, inovace a objevů

for new things in medicine.

nových věcí v lékařství.

And the final thing I want to say is,

A poslední věc, kterou chci říct je,

in this case we found two drugs and it was a little bit of a sad story.

že jsme v tomto případě našli dva léky a byl to trošku smutný příběh.

The two drugs actually caused problems.

Dva léky skutečně způsobující problémy.

They increased glucose.

Zvyšovaly glukózu.

They could throw somebody into diabetes

Mohly u někoho vyvolat cukrovku,

who would otherwise not be in diabetes,

u někoho, kdo by ji jinak neměl,

and so you would want to use the two drugs very carefully together,

a tak byste měli používat tyto léky dohromady velmi opatrně,

perhaps not together,

možná ne společně,

make different choices when you're prescribing.

prostě zvolit jiné, když je předepisujete.

But there was another possibility.

Ale byla zde ještě další možnost.

We could have found two drugs or three drugs

Mohli jsme nalézt dva nebo tři léky,

that were interacting in a beneficial way.

které reagovaly přínosným způsobem.

We could have found new effects of drugs

Mohli jsme nalézt nové účinky léků,

that neither of them has alone,

které by žádný z nich samostatně neměl,

but together, instead of causing a side effect,

ale dohromady způsobovaly nový vedlejší účinek,

they could be a new and novel treatment

mohly být novou a novátorskou léčbou

for diseases that don't have treatments

chorob, které nemají léčbu

or where the treatments are not effective.

nebo jejichž léčba není účinná.

If we think about drug treatment today,

Když přemýšlíme o lécích dnes,

all the major breakthroughs --

všechny zlomové průlomy --

for HIV, for tuberculosis, for depression, for diabetes --

pro HIV, tuberkulózu, depresi, cukrovku --

it's always a cocktail of drugs.

jsou vždy mixem léků.

And so the upside here,

Takže ten pozitivní aspekt,

and the subject for a different TED Talk on a different day,

a téma pro odlišnou TED přednášku,

is how can we use the same data sources

je jak můžeme použít stejné zdroje dat

to find good effects of drugs in combination

pro nalezení positivních účinků kombinace léčiv,

that will provide us new treatments,

které nám poskytnou novou léčbu,

new insights into how drugs work

nový vhled do fungování léčiv

and enable us to take care of our patients even better?

a umožní nám postarat se ještě lépe o naše pacienty.

Thank you very much.

Děkuji Vám.

(Applause)

(potlesk)