What really happens when you mix medications? | Russ Altman

Translator: Babak Azizafshari Reviewer: Leila Ataei

So you go to the doctor and get some tests.

فرض کنین رفتین دکتر و چند تا آزمایش دادین.

The doctor determines that you have high cholesterol

دکتر تشخیص میده که کلسترول شما بالاست

and you would benefit from medication to treat it.

و بهتره دارو مصرف کنید.

So you get a pillbox.

پس یک بسته قرص می گیرید.

You have some confidence,

تا حدودی مطمئن هستید،

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

پزشک شما تا حدودی مطمئنه که این دارو اثر خواهد کرد.

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

شرکتی که اون دارو رو اختراع کرده مطالعات زیادی انجام داده و به اف دی ای (سازمان غذا و دارو) ارائه کرده.

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

اونها به دقت و وسواس بررسی و تأییدش کردن.

They have a rough idea of how it works,

اونها جزئیات نحوه ی تأثیر اونو میدونن،

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

اونها جزئیات عوارض جانبی اونو میدونن.

It should be OK.

باید درست باشه.

You have a little more of a conversation with your physician

کمی بیشتر با پزشکتان حرف می‌زنید

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

و پزشکتان کمی نگرانه چون شما افسرده شدین،

haven't felt like yourself,

سر حال نیستین،

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

مثل سابق از زندگی لذت نمی‌برین.

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

پزشک شما میگه، «ببینید، فکر کنم افسرده شدی.

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

یک قرص دیگه به شما میدم.»

So now we're talking about two medications.

پس حالا داریم درباره دو تا دارو صحبت می‌کنیم.

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

این قرص هم-- میلیونها نفر اونو مصرف کردن،

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

شرکت مطالعاتی انجام داده، اف دی ای اونو بررسی کرده-- همه چیز خوبه.

Think things should go OK.

فکر می‌کنید همه چیز درسته.

Think things should go OK.

فکر می کنید همه چیز درسته.

Well, wait a minute.

خوب، یک دقیقه صبر کنید.

How much have we studied these two together?

چقدر این دو دارو رو با هم مطالعه کردیم؟

Well, it's very hard to do that.

خوب، انجام این کار خیلی سخته.

In fact, it's not traditionally done.

در واقع این کار مرسوم نیست.

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

این کاملاً وابسته به چیزیه که ما بهش میگیم ‌«نظارت پس از فروش،»

after the drugs hit the market.

بعد از ورود دارو به بازار.

How can we figure out if bad things are happening

چطور میشه فهمید اتفاق بدی افتاده

between two medications?

بین دو دارو؟

Three? Five? Seven?

سه؟ پنج؟ هفت؟

Ask your favorite person who has several diagnoses

از هر کس که چند تا مریضی داشته باشه میخواین بپرسین

how many medications they're on.

چند تا دارو مصرف می کنن.

Why do I care about this problem?

چرا این مسئله برام مهمه؟

I care about it deeply.

برام خیلی مهمه.

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

من متخصص انفورماتیک و داده شناسی هستم و به نظرم،

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

تنها راه-- تنها راه-- فهمیدن این تداخلات

is to leverage lots of different sources of data

استفاده از منابع متعدد و متنوع داده‌هاست

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

برای این که بفهمیم مصرف هم زمان داروها کی بی‌خطره

and when it's not so safe.

و کی بی خطر نیست.

So let me tell you a data science story.

پس بذارین یه قصه بگم درباره ی علم داده شناسی.

And it begins with my student Nick.

این قصه با دانشجویم "نیک" شروع میشه.

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

بذارین "نیک" صداش کنیم، چون اسمش همینه.

(Laughter)

(خنده)

Nick was a young student.

نیک یه دانشجوی جوان بود.

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

بهش گفتم، "ببین، نیک، باید نحوه ی اثر داروها رو بدونیم

and how they work together and how they work separately,

و این که با هم چه اثری دارن و جدا از هم چه اثری دارن،

and we don't have a great understanding.

و چیز زیادی نمی‌دونیم.

But the FDA has made available an amazing database.

اما اف دی ای یه پایگاه داده جالب داره.

It's a database of adverse events.

یه پایگاه داده درباره عوارض دارویی.

They literally put on the web --

این داده‌ها عیناً در اینترنت منتشر شده--

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

در دسترس عموم، همه همین الان می‌تونین دانلودش کنین--

hundreds of thousands of adverse event reports

صدها تا هزاران گزارش عوارض دارویی

from patients, doctors, companies, pharmacists.

از بیماران، دکترها، شرکتها و داروسازها.

And these reports are pretty simple:

و این گزارشها کاملاً ساده است:

it has all the diseases that the patient has,

همه بیماریهایی که مریض داره،

all the drugs that they're on,

همه داروهایی که مصرف می‌کنه،

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

و همه عوارض جانبی که تجربه کرده.

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

این همه عوارضی نیست که امروز تو آمریکا اتفاق میفته،

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

اما صدها و صدها تا هزاران دارو اینجا هست.

So I said to Nick,

پس به نیک گفتم،

"Let's think about glucose.

«بیا به قند فکر کنیم.

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

قند خیلی مهمه، و میدونیم که به دیابت ربط داره.

Let's see if we can understand glucose response.

بذار ببینیم چه اتفاقی برای قند میفته.»

I sent Nick off. Nick came back.

نیک مرخص شد. وقتی برگشت،

"Russ," he said,

گفت، «راس،

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

من یه نرم افزار درست کردم که عوارض جانبی داروها رو نگاه میکنه

based on looking at this database,

از روی این پایگاه داده،

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

و به ما میگه این دارو ممکنه قند خون رو بالا ببره یا نه.»

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

موفق شد. به عبارتی خیلی ساده بود.

He took all the drugs that were known to change glucose

همه داروهایی رو که ثابت شده قند رو تغییر میدن

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

و گروهی از داروها که قند رو تغییر نمیدن با هم مقایسه کرد،

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

و گفت، «عوارضشون چه فرقی داره؟

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

فرق از نظر خستگی؟ از نظر اشتها؟ از نظر اجابت مزاج؟»

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

همه اینها دست به دست هم داد تا قدرت پیش بینی واقعاً خوبی بهش بده.

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

گفت، «راس، میتونم با دقت ۹۳ درصد پیش بینی کنم

when a drug will change glucose."

چه موقع یه دارو قند رو تغییر میده.»

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

گفتم،«نیک، این عالیه.»

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

او دانشجوی جوونیه که باید بهش اعتماد به نفس داد.

"But Nick, there's a problem.

« اما نیک، یه مشکل هست.

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

این که هر پزشکی تو دنیا میدونه چه داروهایی قند رو تغییر میدن،

because it's core to our practice.

چون این تو حرفه ی ما یه اصله.

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

عالیه، خسته نباشی، اما نه تا اون حد،

definitely not publishable."

مطمئناً قابل چاپ نیست.»

(Laughter)

(خنده)

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

گفت، «میدونم، راس، فکر می‌کردم اینو بگی.»

Nick is smart.

نیک باهوشه.

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

«فکر می کردم اینو بگی، پس یه آزمایش دیگه انجام دادم.

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

نگاه کردم چه کسانی تو این پایگاه داده دو دارو مصرف می کنن،

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

و دنبال پیامها هم گشتم، پیامهای تغییر قند،

for people taking two drugs,

برای افرادی که دو دارو مصرف می‌کنن،

where each drug alone did not change glucose,

که هیچ کدوم از داروها به تنهایی قند رو تغییر نمیدن،

but together I saw a strong signal."

اما با هم پیام قدرتمندی دیدم.»

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

و گفتم، «هی! تو باهوشی. فکر خوبیه. فهرست رو بهم نشون بده.»

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

و چند تا دارو بود، خیلی هیجان انگیز نبود.

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

اما چیزی که توی فهرست نظر منو جلب کرد دو تا دارو بود:

paroxetine, or Paxil, an antidepressant;

پاروکستین، یا پاکسیل، یه ضدافسردگی؛

and pravastatin, or Pravachol, a cholesterol medication.

و پراواستاتین، یا پراواکول، یه داروی چربی خون.

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

و گفتم، «هه. میلیونها آمریکایی این دو تا رو مصرف می‌کنن.»

In fact, we learned later,

در واقع، بعدها متوجه شدیم،

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

اون موقع پانزده میلیون آمریکایی پاروکستین مصرف می‌کردن و پانزده میلیون پراواستاتین،

and a million, we estimated, on both.

و حساب کردیم، یک میلیون نفر هر دو رو مصرف می‌کردن.

So that's a million people

خوب یعنی یک میلیون نفر

who might be having some problems with their glucose

ممکنه یه مشکلی با قند خودشون داشته باشن

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

اگه این مامبو جامبو (اجی مجی) که نیک با هوش مصنوعی و پایگاه داده‌های اف دی ای انجام داده

actually holds up.

واقعاً کار کنه.

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

اما گفتم، «هنوز قابل چاپ نیست،

because I love what you did with the mumbo jumbo,

چون عاشق اون کاری هستم که با اجی مجی

with the machine learning,

و هوش مصنوعی انجام دادی،

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

اما شواهدی که داریم قطعی نیست.»

So we have to do something else.

باید یه کار دیگه کنیم.

Let's go into the Stanford electronic medical record.

بیا بریم سراغ پرونده الکترونیک پزشکی استنفورد.

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

یه نسخه ازش داریم که برای تحقیق مشکل نداره،

we removed identifying information.

اطلاعات هویتی رو ازش حذف کردیم.

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

و گفتم، «بذار ببینیم افرادی که این دو تا دارو رو مصرف می‌کنن

have problems with their glucose."

با قندشون مشکل دارن.»

Now there are thousands and thousands of people

خوب هزاران هزار نفر

in the Stanford medical records that take paroxetine and pravastatin.

در پرونده‌های الکترونیک پزشکی استنفورد هستن که پاروکستین و پراواستاتین مصرف می‌کنن.

But we needed special patients.

اما ما مریضهای خاصی رو لازم داشتیم.

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

مریضهایی رو لازم داشتیم که یکی از اونها رو مصرف می‌کرده و یه آزمایش قند داشته،

then got the second one and had another glucose measurement,

بعد داروی دوم رو گرفته و یه آزمایش قند دیگه داده،

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

همه طی یه فاصله زمانی قابل قبول-- چیزی حدود دو ماه.

And when we did that, we found 10 patients.

و وقتی این کار رو انجام دادیم، ده تا مریض پیدا کردیم.

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

اما هشت تا از ده مریض قندشون بالا رفته بود

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

وقنی "پی" دوم رو گرفته بودن-- بهش میگیم پی اول و پی دوم--

when they got the second P.

وقتی پی دوم رو گرفته بودن.

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

فرقی نداشت هر کدوم اول باشه، با اضافه شدن دومی،

glucose went up 20 milligrams per deciliter.

قند بیست تا بالا رفته بود.

Just as a reminder,

فقط به عنوان یادآوری،

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

اگه دیابتی نباشین، اوضاع شما عادیه

with a glucose of around 90.

با قند حدود نود.

And if it gets up to 120, 125,

و اگه به صدوبیست، صدوبیست وپنج برسه،

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

دکتر شما به فکر تشخیص احتمالی دیابت میفته.

So a 20 bump -- pretty significant.

یعنی افزایش بیست تا-- کاملاً معنی داره.

I said, "Nick, this is very cool.

گفتم،«نیک، خیلی عالیه.

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

اما متأسفم، هنوز مقاله ای نداریم،

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

چون این ده تا مریضه و-- اجازه بدین--

it's not enough patients."

این مریضها کافی نیست.»

So we said, what can we do?

بعدش گفتیم، چه کار میتونیم بکنیم؟

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

و گفتیم، بیا به دوستامون در هاروارد و وندربلت زنگ بزنیم،

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

که اونها هم-- هاروارد در بوستون، وندربلت در نشویل،

who also have electronic medical records similar to ours.

که اونها هم مثل ما پرونده الکترونیک پزشکی دارن.

Let's see if they can find similar patients

بیا ببینیم اونها هم میتونن مریضهای مشابه پیدا کنن

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

با پی اول، پی دوم، آزمایش قند،

in that range that we need.

با نتیجه‌ای که ما لازم داریم.

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

خدا عمرشون بده، وندربلت در عرض یک هفته چهل مورد پیدا کرد،

same trend.

با همون مشخصات.

Harvard found 100 patients, same trend.

هاروارد صد تا پیدا کرد، با همون مشخصات.

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

یعنی در نهایت صدوپنجاه تا مریض داشتیم از سه مرکز پزشکی مختلف

that were telling us that patients getting these two drugs

که اون مریضها این دو تا دارو رو می گرفتن و به ما می‌گفتن

were having their glucose bump somewhat significantly.

قندشون تا حد معنی دار بالا رفته.

More interestingly, we had left out diabetics,

جالبتر این که، دیابتی‌ها رو کنار گذاشته بودیم،

because diabetics already have messed up glucose.

چون دیابتی‌ها خودشون قند بالا دارن.

When we looked at the glucose of diabetics,

وقتی به قند دیابتی‌ها نگاه کردیم،

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

شصت تا بالا رفته بود، نه فقط بیست تا.

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

موفقیت بزرگی بود، و گفتیم، «این یکی رو باید چاپ کنیم.»

We submitted the paper.

مقاله رو تحویل دادیم.

It was all data evidence,

همه ی اونها شواهد داده‌ای بود،

data from the FDA, data from Stanford,

داده‌های اف دی ای، داده‌های استنفورد،

data from Vanderbilt, data from Harvard.

داده‌های وندربلت، داده‌های هاروارد.

We had not done a single real experiment.

آزمایش واقعی انجام نداده بودیم.

But we were nervous.

اما نگران بودیم.

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

در حالی که مقاله در دست بررسی بود، نیک به آزمایشگاه رفت.

We found somebody who knew about lab stuff.

کسی رو پیدا کردیم که از آزمایشگاه سررشته داشت.

I don't do that.

من بلد نیستم.

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

مریض می‌بینم اما کار با پیپت رو بلد نیستم.

They taught us how to feed mice drugs.

به ما گفتن به موشها دارو بدیم.

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

موشها رو گرفتیم و بهشون پی اول، پاروکستین دادیم.

We gave some other mice pravastatin.

به موشهای دیگه پراواستاتین دادیم.

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

و به گروه سوم هر دو رو دادیم.

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

و قند موشها بیست تا شصت تا

in the mice.

بالا رفت.

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

یعنی مقاله فقط بر اساس شواهد داده‌ای پذیرفته شد،

but we added a little note at the end,

اما یه یادداشت به آخرش اضافه کردیم،

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

و گفتیم که در هر حال، اگه این داروها رو به موشها بدین، قند بالا میره.

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

این عالی بود، و داستان میتونست همونجا تموم بشه.

But I still have six and a half minutes.

اما هنوز شش و نیم دقیقه وقت دارم.

(Laughter)

(خنده)

So we were sitting around thinking about all of this,

همه جا می‌نشستیم و درباره ش فکر می‌کردیم،

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

و یادم نیست کی به فکرش رسید، اما یکی گفت،

"I wonder if patients who are taking these two drugs

"نمیدونم آیا مریض‌هایی که این دو دارو رو مصرف میکنن

are noticing side effects of hyperglycemia.

خودشون متوجه عوارض جانبی افزایش قند خون میشن.

They could and they should.

ممکنه و باید بشن.

How would we ever determine that?"

چطوری میتونیم مشخص‌اش کنیم؟

We said, well, what do you do?

ما گفتیم، خوب، چی کار می‌کنی؟

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

یه دارو داری مصرف می‌کنی، یکی دو تا داروی جدید،

and you get a funny feeling.

و احساس خوبی داری.

What do you do?

چی کار می‌کنی؟

You go to Google

میری به گوگل

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

و اسم دو دارو که گرفتی می‌نویسی یا یه دارو که مصرف می‌کنی،

and you type in "side effects."

و "عوارض جانبی" رو می‌نویسی،

What are you experiencing?

چه تجربه‌ای داشتید؟

So we said OK,

خوب ما گفتیم مشکلی نبود،

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

بذارین از گوگل بپرسیم آیا سوابق جستجو رو به ما میگه،

so that we can look at the search logs

تا به سوابق جستجو نگاه کنیم

and see if patients are doing these kinds of searches.

و ببینیم مریضها چه نوع جستجوهایی رو انجام میدن.

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

گوگل، متأسفم که اینو میگم، درخواست ما رو رد کرد.

So I was bummed.

خوب، ناامید شده بودم.

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

داشتم با یه همکار شام می‌خوردم که در مرکز پژوهش میکروسافت کار می‌کنه

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

و گفتم، « می‌خواستیم این مطالعه رو انجام بدیم.

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

گوگل جواب رد داد، یه جورایی ناامید کننده است.»

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

گفت، «خوب، ما جستجوی بینگ رو داریم.»

(Laughter)

(خنده)

Yeah.

آره.

That's great.

عالیه.

Now I felt like I was --

حالا حس می‌کردم--

(Laughter)

(خنده)

I felt like I was talking to Nick again.

حس می‌کردم باز دارم با نیک حرف میزنم.

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

او برای یکی از بزرگترین شرکت های جهان کار می‌کنه،

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

و من داشتم سعی می کردم احساس بهتری داشته باشه.

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

اما او گفت، «نه، راس-- شاید متوجه نشدی.

We not only have Bing searches,

ما نه تنها جستجوی بینگ رو داریم،

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

بلکه اگه برای جستجوی گوگل از اینترنت اکسپلورر استفاده کنی،

Yahoo, Bing, any ...

یاهو، بینگ، هر چی...

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

بعد، برای هجده ماه، اون داده‌ها رو فقط با اهداف تحقیقاتی نگه می‌داریم.»

I said, "Now you're talking!"

گفتم، «این شد حرف حساب!»

This was Eric Horvitz, my friend at Microsoft.

این اریک هورویتز بود، دوستم در میکروسافت.

So we did a study

پس یه تحقیق انجام دادیم

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

پنجاه کلمه رو تعریف کردیم که یه فرد عادی ممکنه بنویسه

if they're having hyperglycemia,

اگه دچار افزایش قند خون بشه،

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

مثل "خستگی،" "بی اشتهایی،" " تکرر ادراری،" "پرشاشی"--

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

ببخشید، اما این یکی از چیزایی هست که ممکنه بنویسید.

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

پس پنجاه عبارت داشتیم که بهش می گفتیم "کلمات دیابت."

And we did first a baseline.

و ابتدا یه بررسی اولیه انجام دادیم.

And it turns out that about .5 to one percent

و معلوم شد حدود نیم تا یک درصد

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

همه ی جستجوها در اینترنت شامل یکی از این کلمات است.

So that's our baseline rate.

خوب این یه رقم اولیه بود.

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

اگه مردم بنویسن "پاروکستین" یا "پاکسیل"-- اینها مترادف هستن--

and one of those words,

و یکی از اون کلمات،

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

رقم حدود دو درصد بیشتر از کلمات دیابتی میشه،

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

اگه قبلاً بدونین که اون کلمه "پاروکستین" است.

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

اگه اون کلمه "پراواستاتین" باشه، رقم حدود سه درصد بیشتر از رقم اولیه میشه.

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

اگه هر دو کلمه ی "پاروکستین" و "پراواستاتین" در جستجو باشن،

it goes up to 10 percent,

رقم تا ده درصد بالا میره،

a huge three- to four-fold increase

یه افزایش قابل توجه سه تا چهار برابری

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

در اون جستجوها با دو تا دارو که مورد نظر ما بود،

and diabetes-type words or hyperglycemia-type words.

و کلمات دیابتی یا کلمات مشابه افزایش قند خون.

We published this,

اینو چاپ کردیم،

and it got some attention.

و تا حدودی توجه‌ها رو جلب کرد.

The reason it deserves attention

علت قابل توجه بودنش

is that patients are telling us their side effects indirectly

اینه که بیماران عوارض جانبی خودشون رو غیرمستقیم به ما میگن

through their searches.

از طریق جستجوهاشون.

We brought this to the attention of the FDA.

ما توجه اف دی ای رو به اینها جلب کردیم.

They were interested.

اونها علاقمند بودن.

They have set up social media surveillance programs

اونها برنامه‌هایی راه انداخته بودن برای نظرسنجی در رسانه‌های اجتماعی

to collaborate with Microsoft,

برای همکاری با مایکروسافت،

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

که زیرساختار خوبی برای انجام این کار داشت و سایر جاها،

to look at Twitter feeds,

بررسی فیدهای توییتر،

to look at Facebook feeds,

بررسی فیدهای فیسبوک،

to look at search logs,

بررسی سوابق جستجو،

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

برای این که سعی کنیم متوجه علائم زودرسی بشیم که اون داروها، جداگانه یا باهم،

are causing problems.

مشکلاتی ایجاد می‌ٰکنن.

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

چه نتیجه‌ای از این می‌گیرم؟ چرا این داستان رو میگم؟

Well, first of all,

خوب، اول از همه،

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

ما هم اکنون چشم انداز داده‌های بزرگ و داده‌های متوسط رو داریم

to help us understand drug interactions

برای کمک به فهم تداخلات دارویی

and really, fundamentally, drug actions.

و یه واقعیت اساسی، اثر داروها.

How do drugs work?

داروها چه اثری دارن؟

This will create and has created a new ecosystem

این اکوسیستم جدیدی ایجاد خواهد کرد و ایجاد کرده

for understanding how drugs work and to optimize their use.

برای فهم نحوه اثر داروها و بهینه سازی مصرف اونها.

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

نیک ادامه داد؛ حالا در کلمبیا یه استاده.

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

این کار رو در پی اچ دی خودش برای صدها جفت دارو انجام داد.

He found several very important interactions,

صدها تداخل خیلی مهم دارویی پیدا کرد،

and so we replicated this

و بنابراین توسعه‌ش دادیم

and we showed that this is a way that really works

و نشون دادیم که این روش واقعاً مؤثره

for finding drug-drug interactions.

برای پیدا کردن تداخلات بین دو دارو.

However, there's a couple of things.

اما، چند نکته هست.

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

ما فقط از دو دارو استفاده نمی‌کنیم.

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

همون طور که قبلاً گفتم، بعضی مریضها از سه، پنج، هفت، نه دارو استفاده می‌کنن.

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

آیا مطالعه‌ای با توجه به تداخلات نه گانه انجام شده؟

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

بله، می‌تونیم تداخلات دوتایی رو بررسی کنیم، بین آ و ب، بین آ و س، آ و د،

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

اما همه ی اینها با هم چی؟

being taken by the same patient,

اگه یه مریض همه رو با هم مصرف کنه،

perhaps interacting with each other

ممکنه با هم تداخل داشته باشن

in ways that either makes them more effective or less effective

به طریقی که اثراتشون بیشتر یا کمتر بشه

or causes side effects that are unexpected?

یا عوارضی ایجاد بشه که غیرمنتظره باشه؟

We really have no idea.

در واقع چیزی نمی‌دونیم.

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

این آسمون آبیه، میدان بزرگی برای ما برای استفاده از داده‌ها

to try to understand the interaction of drugs.

برای این که سعی کنیم تداخلات دارویی رو بفهمیم.

Two more lessons:

دو درس دیگه:

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

ازتون میخوام به قدرتی فکر کنید که به دست میاد

with the data from people who had volunteered their adverse reactions

با داده‌های افرادی که عوارض جانبی خود را داوطلبانه در اختیار ما میذارن

through their pharmacists, through themselves, through their doctors,

از طریق دکتر داروساز، خودشون یا دکتر معالج،

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

افرادی که اجازه دادن پایگاه‌های داده در استنفورد، هاروارد، وندربلت،

to be used for research.

برای پژوهش استفاده بشه.

People are worried about data.

مردم نگران داده‌ها هستند.

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

اونها نگران حریم شخصی و امنیت خودشون هستن-- باید باشن.

We need secure systems.

ما به سامانه های امن نیاز داریم.

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

اما نمی‌تونیم سامانه‌ای داشته باشیم که اون داده‌ها رو کاملاً از دسترس خارج کنه،

because it is too rich of a source

چون یه منبع بسیار ارزشمنده

of inspiration, innovation and discovery

برای الهام گرفتن، نوآوری و اکتشاف

for new things in medicine.

برای چیزهای جدید در پزشکی.

And the final thing I want to say is,

و چیز آخری که میخوام بگم اینه که،

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

ما در این مورد دو دارو پیدا کردیم و داستانش کمی غم انگیز بود.

The two drugs actually caused problems.

دو دارو که واقعاً مشکل ساز بودن.

They increased glucose.

قند خون رو بالا می‌بردن.

They could throw somebody into diabetes

این داروها ممکنه فردی رو دچار دیابت کنن،

who would otherwise not be in diabetes,

که در غیر این دچار دیابت نمی‌شد،

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

و بنابراین ممکنه تصمیم بگیریم در مورد مصرف هم زمان این دو دارو احتیاط کنیم،

perhaps not together,

شاید از مصرف هم زمان به طور کلی خودداری کنیم،

make different choices when you're prescribing.

موقع تجویز دارو تصیم های متفاوتی بگیریم.

But there was another possibility.

اما یه احتمال دیگه وجود داره.

We could have found two drugs or three drugs

ممکن بود دو یا سه دارو پیدا کنیم

that were interacting in a beneficial way.

که تداخل سودمند داشته باشن.

We could have found new effects of drugs

ممکن بود اثرات دارویی جدیدی پیدا کنیم

that neither of them has alone,

که هیچ کدوم به تنهایی نداشتن،

but together, instead of causing a side effect,

اما با هم، به جای عوارض جانبی،

they could be a new and novel treatment

ممکن بود درمان جدید و نوینی باشن

for diseases that don't have treatments

برای امراضی که علاج ندارن

or where the treatments are not effective.

یا درمان اونها مؤثر نیست.

If we think about drug treatment today,

اگه امروز درباره درمان دارویی فکر کنیم،

all the major breakthroughs --

همه درمانهای اصلی--

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

برای اچ آی وی، سل، افسردگی، دیابت--

it's always a cocktail of drugs.

همیشه ترکیبی از چند دارو هستن.

And so the upside here,

و بنابراین نکته مثبتش،

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

و موضوع یه سخنرانی دیگه در یه روز دیگه،

is how can we use the same data sources

اینه که چطور میتونیم با استفاده از همون منابع داده‌ها

to find good effects of drugs in combination

آثار مثبت ترکیب داروها رو پیدا کنیم،

that will provide us new treatments,

که درمانهای جدیدی برای ما فراهم کنه،

new insights into how drugs work

دیدگاه‌های جدیدی درباره نحوه اثر داروها ایجاد کنه

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

و به ما امکان بده از مریضهامون بهتر مراقبت کنیم؟

Thank you very much.

خیلی متشکرم.

(Applause)

(تشویق)