What really happens when you mix medications? | Russ Altman

מתרגם: Michael Coslovsky מבקר: Zeeva Livshitz

So you go to the doctor and get some tests.

אתם הולכים לרופא והוא רושם לכם כמה בדיקות.

The doctor determines that you have high cholesterol

הרופא קובע שיש לכם כולסטרול גבוה

and you would benefit from medication to treat it.

ושכדאי לכם לקחת תרופה בשביל זה.

So you get a pillbox.

אז אתם מקבלים קופסת גלולות.

You have some confidence,

יש לכם ביטחון מסוים,

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

לרופא שלכם יש ביטחון מסוים שזה יעשה את העבודה.

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

החברה שפיתחה את זה ערכה מחקרים רבים,

הגישה את זה למינהל המזון והתרופות,

הם בחנו את זה ביסודיות, בספקנות. הם אישרו את זה.

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

They have a rough idea of how it works,

יש להם מושג כללי איך זה עובד,

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

יש להם מושג כללי מה הן תופעות הלוואי.

It should be OK.

זה צריך להיות בסדר.

You have a little more of a conversation with your physician

אתם מנהלים שיחה קצת יותר מעמיקה עם הרופא שלכם

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

והרופא קצת מודאג כי לאחרונה הייתם במצב רוח רע,

haven't felt like yourself,

לא הרגשתם כרגיל,

לא הצלחתם ליהנות מהדברים בחיים כמו בדרך כלל.

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.

הרופא אומר, "אתם יודעים, אני חושב שאתם קצת בדיכאון.

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

"אני אצטרך לתת לכם עוד כדור."

So now we're talking about two medications.

עכשיו אנחנו כבר מדברים על שתי תרופות.

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

גם הכדור הזה-- מיליוני אנשים לקחו אותו,

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

החברה עשתה מחקרים, המינהל בחן אותו -- הכל טוב.

Think things should go OK.

סביר שהכל יהיה בסדר.

Think things should go OK.

סביר שהכל יהיה בסדר.

Well, wait a minute.

אבל, רק רגע.

How much have we studied these two together?

כמה חקרנו את שתי אלו ביחד?

Well, it's very hard to do that.

את זה קשה מאד לעשות.

In fact, it's not traditionally done.

למעשה, לא נוהגים לעשות זאת.

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

אנחנו מסתמכים באופן מוחלט על "מעקב לאחר השיווק",

after the drugs hit the market.

אחרי שהתרופות הופצו למכירה.

How can we figure out if bad things are happening

איך אנחנו יכולים לגלות אם דברים לא טובים קורים

between two medications?

בין שתי תרופות?

Three? Five? Seven?

שלוש? חמש? שבע תרופות?

Ask your favorite person who has several diagnoses

שאלו את האדם האהוב עליכם שיש לו כמה אבחונים

how many medications they're on.

כמה תרופות הוא לוקח כרגע.

Why do I care about this problem?

למה איכפת לי מהבעיה הזו? איכפת לי ממנה מאד.

I care about it deeply.

אני מידען וחוקר נתונים, ולמען האמת, לדעתי,

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

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

התקווה היחידה -- היחידה -- להבין את האינטראקציות הללו

is to leverage lots of different sources of data

היא לנצל הרבה מקורות של נתונים

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

כדי למצוא מתי ניתן להשתמש בתרופות בו-זמנית באופן בטוח

and when it's not so safe.

ומתי זה לא כל כך בטוח.

So let me tell you a data science story.

אז תרשו לי לספר לכם סיפור ממדעי הנתונים.

And it begins with my student Nick.

והוא מתחיל עם הסטודנט שלי, ניק.

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

נקרא לו "ניק", כי זה השם שלו.

(Laughter)

(צחוק)

Nick was a young student.

ניק היה סטודנט צעיר.

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

אמרתי, "אתה יודע, ניק, אנחנו צריכים להבין איך תרופות עובדות

and how they work together and how they work separately,

"איך הן עובדות ביחד, ואיך הן עובדות בנפרד,

and we don't have a great understanding.

"ואין לנו הבנה מי יודע מה."

But the FDA has made available an amazing database.

אבל מינהל המזון והתרופות הנגיש מאגר מידע מדהים.

It's a database of adverse events.

זה מאגר מידע של תופעות שליליות.

They literally put on the web --

הם ממש מעלים לאינטרנט --

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

נגיש לציבור, כולכם יכולים להוריד את זה ממש עכשיו --

hundreds of thousands of adverse event reports

מאות אלפי דו"חות של אירועי תופעות שליליות

from patients, doctors, companies, pharmacists.

ממטופלים, רופאים, חברות, רוקחים.

And these reports are pretty simple:

והדו"חות האלה הם פשוטים למדי:

it has all the diseases that the patient has,

כתובות בהם כל המחלות מהן סובל המטופל,

all the drugs that they're on,

כל התרופות שהוא לוקח,

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

וכל התופעות השליליות, או תופעות הלוואי, שהם חווים.

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

אלו לא כל התופעות השליליות שמתרחשות באמריקה כיום,

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

אבל אלו מאות ומאות אלפי תרופות.

So I said to Nick,

אז אמרתי לניק, "בוא נחשוב על גלוקוז.

"Let's think about glucose.

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

"הגלוקוז חשוב מאד, ואנחנו יודעים שהוא קשור בסכרת.

Let's see if we can understand glucose response.

"בוא נראה אם נוכל להבין את התגובה לגלוקוז."

I sent Nick off. Nick came back.

שלחתי את ניק לדרכו. ניק חזר.

"Russ," he said,

"ראס", הוא אמר,

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

"יצרתי כלי מיון שיכול לבחון את תופעות הלוואי של תרופה

based on looking at this database,

"בהתבסס על מאגר המידע הזה,

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

"שיכול לומר לך אם סביר שהתרופה הזו תשנה את רמת הגלוקוז."

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

הוא עשה זאת. זה מאד פשוט, איכשהו.

He took all the drugs that were known to change glucose

הוא לקח את כל התרופות שהיה ידוע שהן משנות את הגלוקוז

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

וכמה תרופות שלא משנות את הגלוקוז,

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

ואמר, "מה ההבדל בתופעות הלוואי שלהן?

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

"ההבדל בתחושת התשישות? בתיאבון? בהרגלי מתן השתן?"

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

כל הדברים הללו יחד נתנו לו כלי בעל יכולות ניבוי ממש טובות.

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

הוא אמר, "ראס, אני יכול לנבא, בדיוק של 93 אחוזים

when a drug will change glucose."

"מתי תרופה תשנה את הגלוקוז."

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

אמרתי, "ניק, זה נהדר."

הוא סטודנט צעיר וצריך לעודד את הבטחון העצמי שלו.

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

"אבל ניק, יש בעיה:

"But Nick, there's a problem.

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

"כל רופא בעולם מכיר את כל התרופות שמשנות את הגלוקוז,

because it's core to our practice.

"כי זה חשוב מאד בפרקטיקה שלנו.

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

"אז נהדר, עבודה טובה, אבל לא באמת כל כך מעניין,

definitely not publishable."

"ובהחלט לא משהו שאפשר לפרסם."

(Laughter)

(צחוק)

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

הוא אמר, "אני יודע, ראס. חשבתי שזה מה שתגיד."

Nick is smart.

ניק בחור פיקח.

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

"חשבתי שזה מה שתגיד, אז עשיתי עוד ניסוי אחד.

"בדקתי אנשים במאגר המידע הזה שלקחו שתי תרופות בו זמנית,

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

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

"וחיפשתי סימנים דומים, סימני שינוי רמת גלוקוז,

for people taking two drugs,

"אצל אנשים שלוקחים שתי תרופות,

where each drug alone did not change glucose,

"כאשר כל אחת מהתרופות בפני עצמה לא משנה את רמת הגלוקוז,

but together I saw a strong signal."

"אבל יחד, הן נתנו סימן חזק."

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

ואני אמרתי, "או! אתה פיקח. רעיון טוב. תראה לי את הרשימה."

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

ויש קבוצה של תרופות, לא מאוד מרגש.

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

אבל מה שמשך את תשומת לבי היה, שברשימה היו שתי תרופות:

paroxetine, or Paxil, an antidepressant;

פארוקסטין, או פקסיל, נוגד דיכאון;

and pravastatin, or Pravachol, a cholesterol medication.

ופרבסטאטין, או פראבאכול, תרופה לכולסטרול.

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

ואני אמרתי, "אהה! מיליוני אמריקאים לוקחים את שתי התרופות האלה."

In fact, we learned later,

בפועל גילינו אחר כך,

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

ש-15 מיליון אמריקאים לוקחים פארוקסטין בכל רגע נתון, 15 מיליון על פרבסטטין,

and a million, we estimated, on both.

וכמיליון, הערכנו, לוקחים את שתיהן.

So that's a million people

אז מדובר במיליון אנשים שאולי סובלים מבעיות עם הגלוקוז שלהם

who might be having some problems with their glucose

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

אם ההוקוס פוקוס של הלמידת-מכונה שלו במאגר המידע של מינהל המזון והתרופות

actually holds up.

יעמוד במבחן.

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

אבל אמרתי, "זה עדיין לא מספיק לפירסום,

because I love what you did with the mumbo jumbo,

"כי אני אוהב את מה שעשית עם ההוקוס-פוקוס ולמידת המכונה,

with the machine learning,

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

"אבל מה שיש לנו איננו בדיוק ראיות בלתי מעורערות."

So we have to do something else.

אז אנחנו צריכים לעשות משהו אחר.

Let's go into the Stanford electronic medical record.

בוא ניכנס למאגר הרפואי האלקטרוני של סטנפורד.

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

יש לנו עותק שלו שמתאים למחקר,

הוצאנו מידע מזהה.

we removed identifying information.

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

ואני אמרתי, "בוא נראה אם לאנשים שלוקחים את שתי התרופות האלה

have problems with their glucose."

"יש בעיה עם הגלוקוז שלהם."

Now there are thousands and thousands of people

יש אלפים רבים של אנשים

in the Stanford medical records that take paroxetine and pravastatin.

במאגר הרפואי של סטנפורד שלוקחים פרוקסטין ופרבסטטין.

But we needed special patients.

אבל היינו זקוקים למטופלים מיוחדים.

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

היינו זקוקים למטופלים שלוקחים אחת מהתרופות האלה ושיש להם מדידות של גלוקוז,

then got the second one and had another glucose measurement,

ואז התחילו עם השנייה והיתה להם מדידת גלוקוז נוספת,

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

כל זה בתקופה לא ארוכה מדי -- משהו כמו חודשיים.

And when we did that, we found 10 patients.

וכשעשינו את זה, מצאנו 10 מטופלים.

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

אבל, ל-8 מתוך ה-10 היתה קפיצה ברמת הגלוקוז

כשהם קיבלו את ה-"פ" השנייה -- אנחנו קוראים לזה "פ" ו-"פ" --

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

when they got the second P.

כשהם קיבלו את ה-"פ" השנייה.

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

זה לא משנה איזה היתה קודם, ברגע שבאה השנייה,

glucose went up 20 milligrams per deciliter.

רמת הגלוקוז עלתה ב-20 מיליגרם לדציליטר.

Just as a reminder,

רק כתזכורת,

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

באופן טבעי יש לכם, אם אתם לא חולי סכרת,

רמת גלוקוז בסביבות ה-90.

with a glucose of around 90.

And if it gets up to 120, 125,

ואם זה עולה ל-120, 125,

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

הרופא שלכם מתחיל לחשוב על אבחון של סכרת בפוטנציה.

So a 20 bump -- pretty significant.

אז קפיצה של 20 -- די משמעותי.

I said, "Nick, this is very cool.

אמרתי, "ניק, זה ממש מדליק.

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

"אבל לצערי עדיין אין לנו מאמר, "כי זה 10 מטופלים, בחייך --

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

"זה לא מספיק מטופלים."

it's not enough patients."

So we said, what can we do?

אז אמרנו, מה אנחנו יכולים לעשות?

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

ואמרנו, בוא נקרא לחברים שלנו בהרוורד ובוונדרבילט,

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

שגם -- אוניברסיטאות הרוורד בבוסטון, ו-וונדרבילט בנשוויל,

who also have electronic medical records similar to ours.

שגם להם יש מאגרי מידע רפואי אלקטרוניים דומים לשלנו,

Let's see if they can find similar patients

ונראה אם הם יכולים למצוא לנו מטופלים דומים

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

עם ה-"פ" האחת ועם ה-"פ" השניה, ועם מדידות הגלוקוז

in that range that we need.

בתחום שאנחנו צריכים.

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

וונדרבילט, יבורכו, מצאו בשבוע אחד 40 מטופלים כאלו

same trend.

עם אותה המגמה.

Harvard found 100 patients, same trend.

הרוורד מצאו 100 מטופלים. אותה המגמה.

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

כך שלבסוף, היו לנו 150 מטופלים משלושה מרכזים רפואיים

that were telling us that patients getting these two drugs

שהראו לנו שמטופלים שמקבלים את שתי התרופות הללו

were having their glucose bump somewhat significantly.

קיבלו קפיצת גלוקוז משמעותית.

More interestingly, we had left out diabetics,

ויותר מעניין, לא הכללנו את חולי הסכרת,

because diabetics already have messed up glucose.

כי אצל חולי סכרת, הגלוקוז כבר משובש.

When we looked at the glucose of diabetics,

כשהסתכלנו על הגלוקוז של חולי סכרת,

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

הוא עלה ב-60 מ"ג לדציליטר, לא רק 20.

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

זה היה משהו רציני, ואמרנו, "אנחנו חייבים לפרסם את זה."

We submitted the paper.

הגשנו את המאמר. הכל היה ראיות מנתונים,

It was all data evidence,

data from the FDA, data from Stanford,

נתונים ממינהל המזון והתרופות, נתונים מסטנפורד,

נתונים מוונדרבילט, נתונים מהרוורד.

data from Vanderbilt, data from Harvard.

לא עשינו אפילו ניסוי אמיתי אחד.

We had not done a single real experiment.

But we were nervous.

אבל היינו מתוחים.

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

אז ניק, בזמן שהמאמר עבר ביקורת, הלך למעבדה.

We found somebody who knew about lab stuff.

מצאנו מישהו שמתמצא במעבדות.

I don't do that.

אני לא מתעסק בזה.

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

אני מטפל בחולים, אבל אני לא עושה פיפטות.

They taught us how to feed mice drugs.

הם לימדו אותנו להאכיל עכברים בתרופות.

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

לקחנו עכברים ונתנו להם "פ" אחת, פרוקסטין.

We gave some other mice pravastatin.

לכמה עכברים אחרים נתנו פרבסטטין.

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

ולקבוצה שלישית של עכברים נתנו את שניהם.

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

והפלא ופלא, רמות הגלוקוז עלו בעכברים ב-20 עד 60 מ"ג לדציליטר.

in the mice.

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

אז המאמר התקבל בהתבסס על הראיות מהנתונים בלבד,

but we added a little note at the end,

אבל הוספנו הערה קטנה בסוף:

"אה, דרך אגב, אם נותנים את זה לעכברים, זה עולה."

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

זה היה נהדר, והסיפור יכול היה להסתיים שם.

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

But I still have six and a half minutes.

אבל יש לי עוד שש וחצי דקות.

(Laughter)

(צחוק)

So we were sitting around thinking about all of this,

אז אנחנו יושבים לנו וחושבים על כל זה,

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

ואני לא זוכר מי חשב על זה, אבל מישהו אמר,

"מעניין אם מטופלים שלוקחים את שתי התרופות הללו

"I wonder if patients who are taking these two drugs

are noticing side effects of hyperglycemia.

"מבחינים בתופעות לוואי של היפר-גליקמיה.

They could and they should.

"הם עלולים וצפויים לחוות זאת."

How would we ever determine that?"

איך נוכל לבדוק את זה?

We said, well, what do you do?

אמרנו, טוב, מה עושים?

אם אתם לוקחים תרופה, תרופה חדשה אחת או שתיים,

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

and you get a funny feeling.

ויש לכם הרגשה מוזרה.

What do you do?

מה אתם עושים?

You go to Google

אתם נכנסים לגוגל

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

ומקלידים את שתי התרופות שאתם לוקחים או את האחת שאתם לוקחים,

and you type in "side effects."

ואתם מקלידים "תופעות לוואי."

What are you experiencing?

את מה שאתם חווים.

So we said OK,

אז אמרנו "בסדר,

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

"נשאל את גוגל אם הם ישתפו אותנו ברישומי החיפושים שלהם,

so that we can look at the search logs

"כך שנוכל לבחון את רישומי החיפוש

and see if patients are doing these kinds of searches.

"ולבדוק אם מטופלים עורכים חיפושים כאלה."

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

גוגל, צר לי לומר, סירבו לבקשה שלנו.

So I was bummed.

אז הייתי בבאסה.

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

הייתי בארוחת ערב עם חבר שעובד ב"מיקרוסופט מחקר"

ואמרתי, "רצינו לעשות איזה מחקר,

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

"גוגל סירבו, זה די באסה."

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

הוא אמר, "טוב, לנו יש את החיפושים מבינג."

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

(Laughter)

(צחוק)

Yeah.

כן.

That's great.

נהדר.

Now I felt like I was --

עכשיו הרגשתי כאילו אני -

(Laughter)

(צחוק)

I felt like I was talking to Nick again.

הרגשתי כאילו אני מדבר אל ניק שוב.

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

הוא עובד באחת החברות הגדולות בעולם,

ואני עוד מנסה לגרום לו להרגיש יותר טוב.

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

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

אבל הוא אמר, "לא, ראס, אולי אינך מבין.

"לא רק שיש לנו החיפושים של בינג:

We not only have Bing searches,

"אם אתה משתמש באינטרנט אקספלורר כדי לעשות חיפושים בגוגל,

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

Yahoo, Bing, any ...

"יאהו, בינג, מה שלא יהיה...

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

"אז למשך שנה וחצי אנו שומרים את המידע הזה ל'מטרות מחקר' בלבד."

I said, "Now you're talking!"

אמרתי, "אלו דיבורים!"

This was Eric Horvitz, my friend at Microsoft.

זה היה אריק הורוביץ, החבר שלי במיקרוסופט.

So we did a study

אז עשינו מחקר

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

בו הגדרנו 50 מילים שאדם רגיל עשוי להקליד

if they're having hyperglycemia,

אם יש לו היפרגליקמיה,

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

כגון "תשישות", "חוסר תיאבון", "נותן הרבה שתן", "משתין הרבה" --

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

סלחו לי, אבל זה אחד הדברים שהוא עשוי להקליד.

אז יש לנו 50 ביטויים שכינינו: "מילות הסכרת."

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

And we did first a baseline.

וקודם יצרנו בסיס.

And it turns out that about .5 to one percent

ומסתבר שבערך חצי אחוז עד אחוז אחד

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

מכל החיפושים באינטרנט מכיל את אחת מהמילים הללו.

So that's our baseline rate.

זאת הרמה הבסיסית שלנו.

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

אם אנשים מקלידים "פרוקסטין" או "פקסיל" -- אלה מילים נרדפות --

and one of those words,

ואת אחת המילים הללו,

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

אז תדירות הופעת מילות הסכרת עולה מעל שני אחוזים,

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

אם יודעים שהמילה "פרוקסטין" כבר קיימת.

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

אם זה "פרבסטטין", התדירות עולה לכ-3% מרמת הבסיס.

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

אם "פרוקסטין" ו"פרבסטטין" מופיעות שתיהן בשאילתא,

it goes up to 10 percent,

זה עולה עד ל-10 אחוזים,

a huge three- to four-fold increase

עליה ענקית של פי שלוש או ארבע

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

בחיפושים הללו עם שתי התרופות שמעניינות אותנו,

and diabetes-type words or hyperglycemia-type words.

ומילות הסכרת או מילות היפרגליקמיה.

We published this,

פרסמנו את זה,

and it got some attention.

וזה זכה לקצת תשומת לב.

The reason it deserves attention

הסיבה שזה ראוי לתשומת לב

is that patients are telling us their side effects indirectly

היא שכך המטופלים מספרים לנו בעקיפין על תופעות הלוואי שלהם

through their searches.

דרך החיפושים שלהם.

We brought this to the attention of the FDA.

הסבנו לכך את תשומת הלב של מינהל המזון והתרופות.

They were interested.

זה סיקרן אותם.

They have set up social media surveillance programs

הם התקינו תוכניות מעקב אחרי רשתות חברתיות

to collaborate with Microsoft,

בשיתוף פעולה עם מיקרוסופט,

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

שיש לה תשתית יפה לשם כך, ועם אחרים,

to look at Twitter feeds,

לבחון ציוצים בטוויטר,

to look at Facebook feeds,

לבחון פרסומים בפייסבוק,

to look at search logs,

לבחון רישומים ממנועי חיפוש,

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

כדי לנסות ולאתר סימנים מוקדמים לכך שתרופות, בנפרד או ביחד,

are causing problems.

יוצרות בעיות.

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

מה הלקח שלי בכל זה? למה לספר את הסיפור?

ובכן, קודם כל,

Well, first of all,

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

יש לנו כעת את ההבטחה הגלומה בנתונים רבים ובינוניים

to help us understand drug interactions

שיאפשרו לנו להבין אינטראקציות בין תרופות

and really, fundamentally, drug actions.

ובעצם, באופן בסיסי, פעילות של תרופות.

How do drugs work?

איך עובדות תרופות?

This will create and has created a new ecosystem

זה ייצור, וכבר יצר, מערכת אקולוגית חדשה

for understanding how drugs work and to optimize their use.

בשביל להבין איך תרופות עובדות ולמטב את השימוש בהן.

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

ניק התקדם הלאה; עכשיו הוא פרופסור באוניברסיטת קולומביה.

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

הוא עשה את זה בדוקטורט שלו עם מאות זוגות של תרופות.

He found several very important interactions,

הוא מצא כמה אינטראקציות מאד חשובות,

and so we replicated this

וכך שיכפלנו את זה

and we showed that this is a way that really works

והראינו שזו דרך שבאמת פועלת

for finding drug-drug interactions.

ומצליחה לאתר אינטראקציות בין-תרופתיות.

However, there's a couple of things.

אבל יש כמה דברים.

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

אנחנו לא לוקחים בבת אחת רק זוגות של תרופות.

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

כפי שאמרתי קודם, ישנם מטופלים שלוקחים שלוש, חמש, שבע, תשע תרופות.

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

האם הן באמת נחקרו בהקשר לאינטראקציה התשע-כיוונית שלהן?

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

נכון, אנחנו יכולים לבחון זוגות: א ו-ב, א ו-ג, א ו-ד,

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

אבל מה עם א, ב, ג, ד, ה, ו, ו-ז כולם ביחד,

being taken by the same patient,

בהילקחן על ידי אותו המטופל,

perhaps interacting with each other

שאולי יוצרות אינטראקציה ביניהן

in ways that either makes them more effective or less effective

בדרכים שמגבירות או מקטינות את יעילותן,

or causes side effects that are unexpected?

או גורמות לתופעות לוואי בלתי צפויות?

We really have no idea.

באמת שאין לנו מושג.

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

זהו אופק פתוח, תחום לא-ידוע עבורנו באשר לשימוש בנתונים

to try to understand the interaction of drugs.

כדי לנסות ולהבין אינטראקציות בין תרופות.

Two more lessons:

שני לקחים נוספים:

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

אני רוצה שתחשבו על הכוח שהצלחנו ליצור

with the data from people who had volunteered their adverse reactions

עם הנתונים מאנשים שנידבו את התופעות השליליות שלהם

through their pharmacists, through themselves, through their doctors,

דרך הרוקחים שלהם, בעצמם, דרך הרופאים שלהם,

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

האנשים שאיפשרו למאגרי המידע בסטאנפורד, הרוורד, וונדרבילט,

to be used for research.

להיות מנוצלים לצרכי מחקר.

People are worried about data.

אנשים מודאגים בקשר למידע.

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

הם דואגים לפרטיות ולבטחון שלהם-- ובצדק.

אנחנו צריכים מערכות מאובטחות.

We need secure systems.

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

אבל אנחנו לא יכולים שתהיה מערכת שחוסמת את הנתונים,

because it is too rich of a source

כי זה מקור יותר מדי עשיר

of inspiration, innovation and discovery

של השראה, חדשנות וגילוי

for new things in medicine.

עבור דברים חדשים ברפואה.

And the final thing I want to say is,

והדבר האחרון שאני רוצה לומר הוא,

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

במקרה הזה מצאנו שתי תרופות וזה היה סיפור קצת עצוב.

The two drugs actually caused problems.

שתי התרופות באמת יצרו בעיות.

They increased glucose.

הם הגבירו רמות גלוקוז.

They could throw somebody into diabetes

הם יכלו לגרום למישהו סכרת

who would otherwise not be in diabetes,

שבנסיבות אחרות לא היתה לו,

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

כך שכדאי להשתמש בשתי התרופות האלה מאד בזהירות ביחד,

אולי לא לקחת אותן יחד,

perhaps not together,

make different choices when you're prescribing.

אולי לרשום תרופות אחרות.

But there was another possibility.

אבל היתה אפשרות אחרת.

We could have found two drugs or three drugs

יכולנו למצוא שתיים או שלוש תרופות

that were interacting in a beneficial way.

שפועלות באינטראקציה ויוצרות אפקט חיובי.

We could have found new effects of drugs

היינו יכולים לגלות אפקטים חדשים של תרופות

that neither of them has alone,

שלא קיימים לאף אחת מהן בנפרד,

but together, instead of causing a side effect,

אך ביחד, במקום לגרום לתופעות לוואי,

they could be a new and novel treatment

הן יכולות להוות טיפול חדש וחדשני

for diseases that don't have treatments

למחלות להן אין לנו טיפול או שהטיפול בהן איננו יעיל.

or where the treatments are not effective.

אם ניקח טיפול תרופתי כיום, את כל פריצות הדרך החשובות --

If we think about drug treatment today,

all the major breakthroughs --

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

לאיידס, לשחפת, לדיכאון, לסכרת --

it's always a cocktail of drugs.

זה תמיד קוקטייל של תרופות.

And so the upside here,

כך שהצד החיובי כאן,

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

והנושא להרצאת TED אחרת, ביום אחר,

is how can we use the same data sources

הוא איך אנחנו יכולים להשתמש באותם מקורות המידע

to find good effects of drugs in combination

כדי למצוא אפקטים חיוביים של שילובי תרופות

that will provide us new treatments,

שייצרו לנו טיפולים חדשים,

new insights into how drugs work

תובנות חדשות באשר לדרכי הפעולה של תרופות,

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

ויאפשרו לנו לטפל בחולים שלנו אפילו יותר טוב?

Thank you very much.

תודה רבה.

(Applause)

(מחיאות כפיים)