What really happens when you mix medications? | Russ Altman

번역: Jihyeon J. Kim 검토: hansom Lee

So you go to the doctor and get some tests.

여러분은 의사에게 가서 몇가지 검사를 받습니다.

The doctor determines that you have high cholesterol

의사는 여러분의 높은 콜레스테롤 수치를 확인했고

and you would benefit from medication to treat it.

약을 통해서 치료해야 한다고 합니다.

So you get a pillbox.

그래서 약을 받았습니다.

You have some confidence,

여러분은 어떤 확신이 있고

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

여러분의 의사는 이 약이 효능이 있다는 확신이 있습니다.

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

그 약을 만든 제약회사는 많은 자체실험 했고, FDA에 그걸 제출했습니다.

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

FDA는 매우 신중하고 회의적으로 검토한 다음 그 약을 승인했습니다.

They have a rough idea of how it works,

그들은 그 약이 어떻게 작용하는지 대충 알고 있고

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

부작용이 어떤지도 대충 알고 있습니다.

It should be OK.

이것은 괜찮을 겁니다.

You have a little more of a conversation with your physician

약 처방 후, 여러분은 의사와 조금 더 대화를 나누었습니다.

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

의사는 살짝 걱정했습니다. 여러분의 내내 우울한 모습과

haven't felt like yourself,

여러분답지 않은 모습

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

평소만큼 삶을 즐기는 못하고 있는 모습을 말입니다.

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

여러분의 의사는 말합니다. "우울증 증세가 있는 것 같네요.

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

제가 다른 약을 처방해 드리죠."

So now we're talking about two medications.

이제 우리는 이 두 약에 대한 이야기를 할 것입니다.

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

우을증 약 역시-- 수백만 명이 복용하고 있고,

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

제약회사가 검토를 했고, FDA가 그 약을 살펴봤죠. 모든 것이 좋았죠.

Think things should go OK.

이것이 괜찮을 거라고 생각합니다.

Think things should go OK.

이것이 괜찮을 거라고 생각합니다.

Well, wait a minute.

음, 잠깐만요.

How much have we studied these two together?

이 두 약을 같이 먹었을 경우에 대해 실험해본 적이 얼마나 될까요?

Well, it's very hard to do that.

글쎄요, 이런 실험을 하는 것이 굉장히 어렵습니다.

In fact, it's not traditionally done.

사실, 전통적으로 그런 실험을 하진 않습니다.

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

우리는 약이 시장에 출시되어 팔린 후

전적으로 "시판 후 조사"라고 부르는 것에 의존합니다.

after the drugs hit the market.

How can we figure out if bad things are happening

만약에 나쁜 일이 두 약 사이에 일어났다면

between two medications?

우리는 이걸 어떻게 알아낼 수 있을까요?

Three? Five? Seven?

3개는? 5개는? 7개는요?

Ask your favorite person who has several diagnoses

여러 번 진료를 받은 친한 사람에게

how many medications they're on.

몇 개의 약을 복용하고 있는 지 물어보세요.

Why do I care about this problem?

왜 제가 이 문제에 대해서 신경쓰냐고요?

I care about it deeply.

저는 진심으로 걱정스럽습니다.

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

저는 정보학자이자 데이터 과학자입니다. 그리고 정말로, 제 생각에는

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

이러한 상호작용을 이해하기 위한 유일한 희망-- 유일한 희망은

is to leverage lots of different sources of data

다른 많은 정보 원천의 이점을

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

약을 같이 먹었을때 안전한지 안전하지 않은지

알아내기위해 활용하는 것입니다.

and when it's not so safe.

So let me tell you a data science story.

제가 한가지 데이터 정보학 이야기를 들려드리죠.

And it begins with my student Nick.

이 이야기는 제 학생 닉과 함께 시작합니다.

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

그를 "닉"이라고 하도록 하죠, 왜냐하면 그게 그의 이름이거든요.

(Laughter)

(웃음)

Nick was a young student.

닉은 어린 학생이었습니다.

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

저는 말했죠. "있잖아, 닉, 우리는 약들이 어떻게 작용하는지

and how they work together and how they work separately,

같이는 어떻게 작용하고 따로는 어떻게 작용하는지

and we don't have a great understanding.

이해를 해야 하는데 그러한 이해가 충분히 되어있지 않아.

But the FDA has made available an amazing database.

하지만 FDA는 이용할 수 있는 놀라운 데이터베이스를 만들었지.

It's a database of adverse events.

약물의 부작용에 대한 자료지.

They literally put on the web --

그 자료는 문자 그대로 웹에 올라와 있고--

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

공공연하게 이용할 수 있고, 지금 당장 그 자료를 다운받을 수 있지.

hundreds of thousands of adverse event reports

환자들, 의사들, 회사들, 약사들로부터 나온

from patients, doctors, companies, pharmacists.

수백 수천개의 부작용 관련 보고서들 말이야.

And these reports are pretty simple:

그리고 그 보고서의 내용은 꽤 간단해.

it has all the diseases that the patient has,

환자가 가지고 있는 모든 질병

all the drugs that they're on,

환자가 복용하는 모든 약물

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

그리고 모든 부작용 사례들, 혹은 환자가 겪고 있는 부작용들이 있지.

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

오늘날 미국에서 일어나는 모든 부작용에 관한 건 아니지만

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

수백 수천개의 약물에 관련된 거야."

So I said to Nick,

계속 전 닉에게 말했죠.

"Let's think about glucose.

"포도당에 관하여 생각해보자.

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

포도당은 매우 중요하지. 그리고 당뇨병과 관련있다는 것도 알지.

Let's see if we can understand glucose response.

포도당 반응을 이해할 수 있는지 한번 보자꾸나.

I sent Nick off. Nick came back.

저는 닉을 보냈습니다. 닉은 돌아왔죠.

"Russ," he said,

"러스," 그는 말했습니다,

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

"제가 그 데이터베이스를 바탕으로

약의 부작용을 볼 수 있는 분류표를 만들었어요.

based on looking at this database,

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

그리고 그 분류표는 약이 포도당을 변화시키는지 아닌지를 알려주죠.

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

그는 해냈습니다. 이건 매우 간단했죠. 어느 정도는요.

He took all the drugs that were known to change glucose

그는 포도당에 변화시킨다고 알려진 모든 약과

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

변화시키지 않는 모든 약들의 작용 사례를 모은 후,

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

생각했습니다. "이 약들의 부작용의 차이점은 무엇일까?"

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

피로?, 식욕?, 배뇨 습관?에 따른 차이점인가?

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

이 모든 것들이 모여서 그에게 정말 좋은 예측변수가 됐죠.

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

그는 말했죠, "러스, 저는 93%의 정확성으로

when a drug will change glucose."

약이 언제 포도당으로 변하는지 예측할 수 있어요."

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

저는 말했죠, "닉, 그거 대단한데."

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

그는 어린 학생이고, 그의 자신감을 키워줘야 했어요.

"But Nick, there's a problem.

"하지만 닉, 문제가 있단다.

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

이 세상의 모든 의사는 약이 포도당으로 변한다는 사실을 알지.

because it's core to our practice.

그걸 아는게 의사로서의 진료의 핵심이니까.

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

그래서 대단하고, 잘했지만, 정말로 흥미롭지 않단다.

definitely not publishable."

절대 논문으로 낼 수 없다는거지."

(Laughter)

(웃음)

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

그가 말했죠, "알아요, 러스. 그렇게 말할 거라고 생각했어요."

Nick is smart.

닉은 똑똑했어요.

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

"그렇게 말하실 줄 알고, 다른 실험 하나를 더 했어요.

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

저는 두 종류의 약을 복용하는 사람들을 찾아봤어요.

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

그리고 그 중에서 포도당 변화와 비슷한 증상을 보이는 것들을 찾아봤죠.

for people taking two drugs,

두 약을 먹는 사람들 중에

where each drug alone did not change glucose,

각각의 약이 포도당을 변화시키지 않음에도 불구하고

but together I saw a strong signal."

같이 먹으니 아주 강한 반응을 봤어요."

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

저는 말했죠. "오! 똑똑하구나. 좋은 생각이야. 그 리스트 좀 보여줘."

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

여러 종류의 약물들이 있었습니다. 딱히 흥미롭진 않았죠.

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

하지만 그 목록에서 제 눈을 사로잡은 두개의 약물이 있었습니다.

paroxetine, or Paxil, an antidepressant;

파록세틴, 혹은 팍실,항우울제와

and pravastatin, or Pravachol, a cholesterol medication.

프라바스태틴, 혹은 프라바콜, 콜레스테롤 치료제였습니다.

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

전 말했죠. "어, 이 둘은 수백만의 미국인이 먹고 있는 약이네."

In fact, we learned later,

사실 나중에 알게 된 사실이지만

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

파록세틴과 프라바스태틴은 당시 각각 1500만의 미국인,

and a million, we estimated, on both.

그리고 100만명이,우리가 추정했을때. 둘 다 먹었죠.

So that's a million people

즉 100만 명의 사람들이

who might be having some problems with their glucose

포도당에 문제가 있다는 것입니다.

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

FDA 보고를 이용해서 닉이 그럴싸하게 만들어낸

actually holds up.

머신러닝에 따르면 말이죠.

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

하지만 저는 말했습니다. "아직 논문으로 낼 수는 없어.

because I love what you did with the mumbo jumbo,

너가 이런 예측기를 이용해서 만들어 낸 예측을

with the machine learning,

나는 개인적으로 참 마음에 들지만

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

우리가 가지고 있는 증거는 사실 입증할만 증거가 되지 못해"

So we have to do something else.

그래서 우리는 뭔가 다른 것을 해야 했습니다.

Let's go into the Stanford electronic medical record.

스탠포드의 전자 의무기록을 이용하기로 했죠.

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

조사에 이용해도 괜찮은 기록들을 복사했습니다.

we removed identifying information.

물론 개인 정보들은 삭제했죠.

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

그리고 저는 말했죠. "이 두 약을 같이 복용한 사람들의

have problems with their glucose."

포도당에 문제가 있는지 조사해 보자."

Now there are thousands and thousands of people

기록 안에는 수천만 그리고 수천만 명의 사람들이

in the Stanford medical records that take paroxetine and pravastatin.

파록세틴과 프라바스타틴을 복용한 사람들이 있었습니다.

But we needed special patients.

그러나 우리는 특별한 환자들이 필요했습니다.

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

두 약 중에 하나를 복용한 뒤 포도당 검사를 받고

then got the second one and had another glucose measurement,

그 다음에 두번째 약을 복용한 후, 다른 포도당 검사를 받고

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

두 검사를 일정 시간, 예를 들어 2달 사이에 받은 사람들말이죠.

And when we did that, we found 10 patients.

이 기준을 적용했을 때 우린 10명의 환자를 발견했습니다.

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

그런데 10명중 8명의 포도당 수치가 올라갔습니다.

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

두 번째 p를 복용했을 때 말입니다. 우리는 이것을 P와 P로 부릅시다.

when they got the second P.

두 번째 P를 복용했을 때말이죠.

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

어느 약을 먼저 먹든 두 번째 약을 복용했을 때

glucose went up 20 milligrams per deciliter.

포도당 수치가 20mg/dl 가 올라갔습니다.

Just as a reminder,

다시 상기해보자면

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

당뇨병 환자가 아닌 이상 평상시처럼 걸으면

with a glucose of around 90.

90정도의 포도당 수치가 나옵니다.

And if it gets up to 120, 125,

그래서 수치가 120이나 125까지 상승한다면

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

의사는 그것을 당뇨의 징후로 생각할 것입니다.

So a 20 bump -- pretty significant.

그러므로 20의 상승은 -- 꽤 중요합니다.

I said, "Nick, this is very cool.

전 말했습니다. "닉, 아주 훌륭해.

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

하지만 미안. 아직도 우린 논문을 발표할 수 없어.

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

왜냐면 10명의 환자는 그리고--잠시만요--

it's not enough patients."

너무 적은 수거든."

So we said, what can we do?

우린 어떻게 하지?라고 말했죠.

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

그리고 우리는 말했죠. 하버드와 반더빌트에 있는 친구에게 연락해보자.

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

보스턴의 하버드, 내쉬빌의 반더빌트 그 대학들도

who also have electronic medical records similar to ours.

우리랑 비슷한 의무기록이 있으니까.

Let's see if they can find similar patients

그들이 하나의 P와 또 다른 P를 복용하고

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

포도당 검사를 받은 환자들을 우리의 기준에 맞춰서

in that range that we need.

찾을 수 있는지 보려고 했죠.

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

운이 좋게도, 1주일동안 반더빌트 기록에서는

같은 경향의 환자 40명을 찾았습니다.

same trend.

Harvard found 100 patients, same trend.

하버드에서는 100명의 환자들을 찾았습니다. 같은 경향이죠.

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

결국 우리는 세 개의 대학병원에서 150명의 환자들을 찾아낼 수 있었고

that were telling us that patients getting these two drugs

그 기록들이 우리에게 말해준 것은 이러한 두 개의 약을 복용한 환자들의

were having their glucose bump somewhat significantly.

포도당 수치가 어느정도 상당히 올라갔다는 것입니다.

More interestingly, we had left out diabetics,

더 흥미로운 점은 저희가 당뇨병환자를 제외해두었다는 것입니다.

because diabetics already have messed up glucose.

왜냐면 이미 당뇨병 환자들은 포도당이 엉망이 되었기 때문입니다.

When we looked at the glucose of diabetics,

저희가 당뇨환자의 포도당 수치를 봤을 때

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

20보다 더한 60mg/dl 의 상승을 보였습니다.

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

이건 중요한 일이었고 우리는 "우리는 이걸 논문으로 내자."라고 말했죠.

We submitted the paper.

우리는 학술지에 논문을 제출했죠.

It was all data evidence,

전부 데이터 증거였죠.

data from the FDA, data from Stanford,

FDA, 스탠포드

data from Vanderbilt, data from Harvard.

반더빌트, 그리고 하버드에서 가져온 데이터들이었죠.

We had not done a single real experiment.

우리는 실제 실험은 하나도 하지 않았었죠.

But we were nervous.

하지만 우리는 불안했습니다.

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

논문이 검토되는 동안, 닉은 실험실로 향했습니다.

We found somebody who knew about lab stuff.

실험을 잘 아는 누군가를 찾아냈죠.

I don't do that.

전 실험을 하지는 않죠.

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

환자는 돌보지만, 피펫은 다루지 않죠.

They taught us how to feed mice drugs.

실험실 사람들은 저희에게 쥐에게 약을 먹이는 법을 알려줬습니다.

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

저흰 쥐들에게 하나의 약 (P) 파록세틴을 투여했죠.

We gave some other mice pravastatin.

다른 쥐들에겐 프라바스태틴을 투여했습니다.

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

그리고 세 번째 그룹에는 두 약을 동시에 투여했습니다.

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

놀랍게도, 쥐들의 포도당 수치는 20에서 60까지 상승했습니다.

in the mice.

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

논문은 데이터 증거들만으로 출판이 되었지만,

but we added a little note at the end,

저희는 뒤에 조금 더 내용을 붙였습니다.

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

쥐 실험에서도 비슷한 내용이 나왔다는 식으로 말이죠.

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

훌륭한 논문이었고, 저희의 이야기는 여기서 끝날 수도 있었습니다.

But I still have six and a half minutes.

하지만 저에게 아직도 6분 30초가 더 남았죠.

(Laughter)

(웃음)

So we were sitting around thinking about all of this,

그래서 우리는 앉아서 이 모든 것들에 대해 생각했죠.

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

누군지는 기억 안나지만, 누군가 말하길.

"I wonder if patients who are taking these two drugs

"두 약을 동시에 먹었던 환자들이

are noticing side effects of hyperglycemia.

고혈당같은 눈에 띄는 부작용을 겪었는지 궁금하네요."

They could and they should.

가능한 일이었고, 사실 그들이 겪었어야 하는 일이었죠.

How would we ever determine that?"

하지만 우리가 그걸 어떻게 찾아낼 수 있을까?

We said, well, what do you do?

우리는 글쎄, 너라면 뭘 했을까? 라고 말했죠.

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

너가 새로운 약 하나 혹은 두개를 먹기 시작했는데

and you get a funny feeling.

몸이 뭔가 이상한 느낌이 들기 시작했어.

What do you do?

너라면 뭘 할 거 같아?

You go to Google

구글에 들어가서

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

너가 먹는 약 한 개 혹은 두 개를 검색한 다음

and you type in "side effects."

"부작용"이라고 입력하지 않았을까.

What are you experiencing?

검색하면 무엇이 나올까?

So we said OK,

그래서 우리는 알겠다.

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

구글에 연락해 그들의 검색 기록을 공유할 수 있냐고 물어봤죠.

so that we can look at the search logs

검색을 기록을 보고

and see if patients are doing these kinds of searches.

환자들이 정말로 그런 검색을 했는지 알아보기 위해서였죠.

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

하지만, 이런 말을 해서 유감이지만 우리의 요청을 거절했죠.

So I was bummed.

저는 벽에 부딪친 느낌이었죠.

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

어느 날, 저는 마이크로소프트에서 일하는 동료와 저녁을 먹었습니다.

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

전 말했죠. "우린 이 연구를 꼭 하고싶어."

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

"근데 구글은 협조를 안 해주고, 나에겐 방법이 없어."

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

그는 말했죠. "그러면. 우리에게 빙 검색 기록이 있는데?"

(Laughter)

(웃음)

Yeah.

오.

That's great.

그거 좋네.

Now I felt like I was --

그 때 저는 정말...

(Laughter)

(웃음)

I felt like I was talking to Nick again.

닉하고 다시 이야기하는 느낌이었죠.

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

그는 전세계에서 가장 큰 회사에서 일하고 있어서

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

전 그의 기분을 좋게 해주려고 하고 있었죠.

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

하지만 그는 덧붙였어요. "러스, 좀 더 알아야 할 게 있어."

We not only have Bing searches,

"우린 빙 검색기록만 가지고 있는 게 아니야."

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

"인터넷 익스프롤러로 구글이나, 야후나, 빙이나

Yahoo, Bing, any ...

어디서든 검색하는 그 기록들..

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

우린 그 기록을 오로지 연구 목적으로 18개월간 보관한다고."

I said, "Now you're talking!"

전 말했죠. "아,이제 이해했다!"

This was Eric Horvitz, my friend at Microsoft.

이 친구는 에릭 호비츠인데 마이크로소프트에서 일하는 제 친구입니다.

So we did a study

그래서 우리는 연구를 시작했죠.

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

저희는 일반 사람이 고혈당에 관해

if they're having hyperglycemia,

검색할만한 50개의 단어를 정의했습니다.

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

"피로", "식욕저하", "소변을 많이 볼 때", "오줌을 많이 쌀 때"..

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

듣기엔 웃기지만, 저 검색어들이 사람들이 쓸 만한 단어들이에요.

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

그래서, 저희는 50개의 단어를 가지고 있었죠. 일명 "당뇨병 단어들"

And we did first a baseline.

이 단어들을 먼저 기준으로 선정했죠.

And it turns out that about .5 to one percent

그리고 저희는 인터넷 검색중 0.5에서 1% 가량이

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

이 단어들을 포함하고 있음을 발견했습니다.

So that's our baseline rate.

이게 우리의 기준빈도였죠.

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

만약에 사람들이 "프록세틴" 혹은 "팍실"을 검색하고 이러한 증상들

and one of those words,

그리고 이러한 단어들중

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

당뇨병과 관련해서 그 비율이 2%까지 올라갔습니다.

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

만약에 "프록세틴"이라는 단어를 알고 있는 경우에 한해서 말이죠.

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

프라바스태틴의 경우는, 기준치에 따르면 3%까지 올라갔죠.

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

두 약의 이름을 동시에 검색할 경우에는,

it goes up to 10 percent,

10%까지 상승했습니다.

a huge three- to four-fold increase

3에서 4배의 엄청난 증가였습니다.

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

우리가 관심있어하는 두 약물과 관련된 검색들과

and diabetes-type words or hyperglycemia-type words.

당뇨병 유형의 단어들 혹은 고혈당 유형의 단어들이 말이죠.

We published this,

우린 이것을 논문으로 제출했습니다.

and it got some attention.

이건 꽤 주목을 받았죠.

The reason it deserves attention

주목을 받은 이유는

is that patients are telling us their side effects indirectly

환자들이 검색을 통해서 부작용에 관해

간접적으로나마 말하고 있기 때문이었죠.

through their searches.

We brought this to the attention of the FDA.

우리는 이 논문을 FDA에 보여줬습니다.

They were interested.

그들은 관심을 보였죠.

They have set up social media surveillance programs

FDA는 소셜미디어 감시 프로그램을 만들었죠.

to collaborate with Microsoft,

마이크로소프트사와 함께 했습니다.

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

이러한 것을 하기 위한 좋은 기반을 가지고 있기 때문이죠. 다른 것들.

to look at Twitter feeds,

트위터 피드를 살피거나,

to look at Facebook feeds,

페이스북 피드를 살피거나

to look at search logs,

검색 기록을 찾아보는데 말이죠.

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

그 관찰을 통해 그들은 그 약을, 따로 혹은 같이 복용하든간에

are causing problems.

문제를 일으키는 지에 대한 초기 증상를 알아보려 했습니다.

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

이로부터 제가 얻는 건 무엇일까요? 왜 이 이야기를 하는 걸까요?

Well, first of all,

글쎄요, 일단.

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

저희는 이제 중간 혹은 큰 규모의 데이터를 약속 받았죠.

to help us understand drug interactions

약 사이의 상호작용을 이해하기 위해서 그리고

and really, fundamentally, drug actions.

정말로, 근본적인 약 작용을 이해하기 위해서 말이죠.

How do drugs work?

어떻게 약이 작용하는지

This will create and has created a new ecosystem

이 데이터는 약이 어떻게 작용하고 약을 잘 활용할 수 있지에 대해

for understanding how drugs work and to optimize their use.

이해할 수 있는 새로운 환경을 만들 것이고 만들어가고 있습니다.

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

닉은 시작했죠; 지금 콜롬비아의 교수입니다.

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

그는 박사과정동안 이 연구를 수백가지의 약으로 확장시켰고,

He found several very important interactions,

여러가지의 중요한 상호작용을 발견하고

and so we replicated this

우리는 이것을 복제해서

and we showed that this is a way that really works

우리는 이 방식이 약과 약 사이의 실제 상호 작용을

for finding drug-drug interactions.

찾아낼 수 있는 방법임을 보여줬죠.

However, there's a couple of things.

하지만, 여기에는 몇 가지 문제가 있습니다.

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

평소에, 우리는 두가지 약만 먹진 않죠.

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

말했듯이, 셋, 다섯, 일곱 혹은 아홉 종류의 약을 먹는 환자도 있습니다.

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

그들은 9가지 상호작용 방식을 연구할때 경이로움을 가진적이 있을까요?

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

짝을 지어 연구할 수도 있겠죠. A랑 B, A랑 C 이런 식 말이죠.

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

하지만 한 환자가 동시에 A,B,C,D,E,F,G 먹으면

being taken by the same patient,

어떻게 할까요?

perhaps interacting with each other

혹시 각각의 상호작용을 통하여

in ways that either makes them more effective or less effective

약의 효과를 더 효과적이게 만들거나 혹은 덜 효과적이게 만들거나

or causes side effects that are unexpected?

혹은 예상할 수 없던 부작용을 일으키지는 않을까요?

We really have no idea.

우린 정말로 알 수 없죠.

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

우리에게 데이터를 이용해 약의 상호작용을 이해하는 건

to try to understand the interaction of drugs.

앞으로 계속 알아가야 할 넓은 광야와도 같습니다.

Two more lessons:

두 가지만 더 이야기하죠.

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

우리가 만들어낼 수 있었던 힘에 대해 생각해보시길 바랍니다 .

with the data from people who had volunteered their adverse reactions

자신들이 겪고 있는 부작용을 데이터를 통해서 자발적으로 알려준 사람들

through their pharmacists, through themselves, through their doctors,

약사를 통해서, 혹은 그들 스스로, 주치의를 통해서

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

데이터베이스를 제공했던 하버드, 스탠포드, 반더빌트대의 사람들이

to be used for research.

연구를 위해 제공했던 데이터들이죠.

People are worried about data.

사람들은 데이터에 대해 불안해합니다.

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

그들은 사생활 침해에 대해 두려워하죠. 그들은 그래야만 하죠.

We need secure systems.

우리는 보안체계가 필요합니다.

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

하지만 우리는 데이터를 차단하는 체계를 가질 수는 없습니다.

because it is too rich of a source

왜냐하면 그 데이터는 새로운 약의 개발을 위한

of inspiration, innovation and discovery

영감, 창의성 그리고 발견을

for new things in medicine.

싹틔우는 기름진 땅이기 때문입니다.

And the final thing I want to say is,

마지막으로 이야기하고 싶은 것은

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

저희 연구는 조금은 슬픈 결론이었다는 것입니다.

The two drugs actually caused problems.

두 개의 약물은 결국 문제를 일으켰습니다.

They increased glucose.

그 약들은 포도당 수치를 올렸습니다.

They could throw somebody into diabetes

누군가를 당뇨병환자로 만들었습니다.

who would otherwise not be in diabetes,

약을 먹지 않았다면, 정상인으로 살 수 있었을텐데 말이죠.

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

그러므로 약을 동시에 먹을 때는 굉장히 신중해야 합니다.

perhaps not together,

같이 먹지 않는 것도 가능하고요.

make different choices when you're prescribing.

약을 처방 받을 때, 다른 약을 처방받을 수도 있겠죠.

But there was another possibility.

하지만, 다른 가능성도 있습니다.

We could have found two drugs or three drugs

우리는 서로 좋은 작용을 하는

that were interacting in a beneficial way.

두 개 혹은 세 개의 약의 조합을 찾을 수도 있습니다.

We could have found new effects of drugs

우리는 약의 새로운 효능을 찾아낼 수도 있습니다.

that neither of them has alone,

약을 혼자 먹었을 때는 보이지 않지만

but together, instead of causing a side effect,

같이 먹었을 때, 부작용을 보이는 대신

they could be a new and novel treatment

새롭고 독창적인 치료법이 발견될 수도 있습니다.

for diseases that don't have treatments

그 치료법은 어쩌면 지금까지 치료법이 없는

or where the treatments are not effective.

혹은 치료법이 효과적이지 않은 병에 큰 도움이 될 수도 있습니다.

If we think about drug treatment today,

현재의 약 처방에 대해 생각해본다면

all the major breakthroughs --

모든 중요한 돌파구들--

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

에이즈, 결핵, 우울증 혹은 당뇨병에 대한 돌파구들은

it's always a cocktail of drugs.

항상 약을 조합했을 때 나타났습니다.

And so the upside here,

그래서 여기서 이야기한 것과

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

다른 날 ,다른 TED 강연의 주제는

is how can we use the same data sources

똑같은 데이터를 이용해서

to find good effects of drugs in combination

좋은 작용을 일으키는 약의 조합을 어떻게 찾아서

that will provide us new treatments,

우리에게 새로운 치료법이 되고

new insights into how drugs work

약의 작용에 대해 새로운 통찰력되어서

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

어떻게 환자를 더 잘 치료할 수 있게 하는가 입니다.

Thank you very much.

감사합니다.

(Applause)

(박수)