What really happens when you mix medications? | Russ Altman

Translator: Kelwalin Dhanasarnsombut Reviewer: Rawee Ma

So you go to the doctor and get some tests.

คุณไปพบแพทย์และรับการตรวจ

The doctor determines that you have high cholesterol

แพทย์บอกว่าคุณมีระดับคลอเรสเตอรอลสูง

and you would benefit from medication to treat it.

และคุณจะได้ประโยชน์จากการรักษา

So you get a pillbox.

คุณก็เลยได้ยามากล่องหนึ่ง

You have some confidence,

คุณมีความมั่นใจ

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

แพทย์ของคุณก็มั่นใจว่ามันจะได้ผล

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

บริษัทที่ผลิตมันขึ้นมาได้ทำการศึกษา ที่ถูกส่งผลไปยังองค์กรอาหารและยา

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

พวกเขาศึกษามันอย่างระมัดระวัง เป็นขั้นตอน และพวกเขารับรองมัน

They have a rough idea of how it works,

พวกเขามีแนวคิดโดยคร่าว ว่ามันทำงานอย่างไร

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

พวกเขามีแนวคิดโดยคร่าวว่า มันมีผลข้างเคียงอย่างไร

It should be OK.

มันน่าจะโอเค

You have a little more of a conversation with your physician

คุณได้สนทนานิดหน่อยกับแพทย์ของคุณ

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

และแพทย์ก็กังวลนิดหน่อย เพราะว่าคุณดูเศร้า ๆ

haven't felt like yourself,

ไม่เป็นตัวของตัวเอง

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

คุณไม่อาจมีความสุขกับสิ่งต่าง ๆ ในชีวิต ได้มากเท่าที่คุณเคยเป็น

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

แพทย์ของคุณบอกว่า "รู้อะไรไหม ผมคิดว่าคุณเป็นโรคซึมเศร้า

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

ผมจะให้ยาอีกตัวกับคุณนะ"

So now we're talking about two medications.

ตอนนี้ เรากำลังพูดถึงยาสองอย่าง

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

ยานี้ -- ที่คนนับล้านใช้

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

บริษัททำการศึกษา และองค์กรอาหารและยา ตรวจสอบมัน -- เป็นยาที่ดี

Think things should go OK.

คิดว่ามันน่าจะโอเค

Think things should go OK.

คิดว่ามันน่าจะโอเค

Well, wait a minute.

แต่ เดี๋ยวก่อนนะ

How much have we studied these two together?

เราได้ทำการศึกษายาทั้งสองนี้ด้วยกัน มากแค่ไหน

Well, it's very hard to do that.

ครับ มันยากมากที่จะทำอย่างนั้น

In fact, it's not traditionally done.

อันที่จริง มันไม่ได้ถูกทำเป็นประจำ

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

เราพึ่งพาสิ่งที่เราเรียกว่า "การควบคุมหลังการขาย"

after the drugs hit the market.

หลังจากที่ยาเข้าสู่ตลาด

How can we figure out if bad things are happening

เราจะรู้ได้อย่างไร ว่ากำลังเกิดเรื่องร้าย ๆ ขึ้น

between two medications?

ระหว่างยาทั้งสอง

Three? Five? Seven?

สาม ห้า เจ็ด อย่างนี้

Ask your favorite person who has several diagnoses

ลองถามคนใกล้ตัวคุณ ที่ผ่านการตรวจมาสองสามครั้งก็ได้

how many medications they're on.

ว่าพวกเขาใช้ยากี่อย่าง

Why do I care about this problem?

ทำไมผมต้องใส่ใจเกี่ยวกับปัญหานี้ด้วย

I care about it deeply.

ผมใส่ใจมันอย่างมาก

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

ผมเป็นนักวิทยาศาสตร์ด้านสารสนเทศศาสตร์ และข้อมูล และความคิดส่วนตัวของผมก็คือ

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

ความหวังเดียว -- เพียงความหวังเดียว -- ที่จะเข้าใจปฏิสัมพันธ์เหล่านี้ได้

is to leverage lots of different sources of data

คือการใช้อำนาจของข้อมูลต่าง ๆ ที่มีอยู่มากมาย

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

เพื่อที่จะหาว่าเมื่อใดที่ ยาสามารถใช้ด้วยกันได้อย่างปลอดภัย

and when it's not so safe.

และเมื่อมันไม่ปลอดภัย

So let me tell you a data science story.

ฉนั้น ให้ผมได้เล่าเรื่อง วิทยาศาสตร์ข้อมูลกับคุณ

And it begins with my student Nick.

และมันเริ่มต้นกับนักเรียนของผม ชื่อ นิค

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

ผมเรียกเขาว่า "นิค" เพราะว่านั่นเป็นชื่อของเขา

(Laughter)

(เสียงหัวเราะ)

Nick was a young student.

นิคเป็นนักเรียนหนุ่ม

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

ผมบอกว่า "นิค รู้อะไรไหม เราต้องทำความเข้าใจต่อการทำงานของยา

and how they work together and how they work separately,

และการที่มันทำงานด้วยกัน และการที่มันทำงานแยกกัน

and we don't have a great understanding.

และเราก็ไม่ค่อยเข้าใจมันสักเท่าไร

But the FDA has made available an amazing database.

แต่องค์การอาหารและยา ได้ทำฐานข้อมูลที่น่าทึ่ง

It's a database of adverse events.

มันเป็นฐานข้อมูลของผลร้ายที่เกิดขึ้น

They literally put on the web --

พวกเขาเขียนไว้บนเว็บไซต์--

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

มันเป็นสาธารณะ คุณสามารถดาวน์โหลด มันตอนนี้ได้เลย --

hundreds of thousands of adverse event reports

รายงานผลร้ายที่เกิดขึ้นเป็นแสน ๆ

from patients, doctors, companies, pharmacists.

จากผู้ป่วย แพทย์ บริษัท เภสัช

And these reports are pretty simple:

และรายงานเหล่านี้ค่อนข้างจะเรียบง่าย

it has all the diseases that the patient has,

มันมีรายการโรคที่ผู้ป่วยเป็น

all the drugs that they're on,

ยาทั้งหมดที่พวกเขาใช้

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

และการเกิดผลร้าย หรือผลข้างเคียงต่าง ๆ ที่พวกเขาเจอ

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

มันไม่ใช่ผลร้ายทั้งหมด ที่เกิดขึ้นในอเมริกาทุกวันนี้

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

แต่มียาเป็นร้อย และเป็นแสน

So I said to Nick,

ผมเลยบอกกับนิคว่า

"Let's think about glucose.

"มาคิดกันเถึงระดับกลูโคสนะ

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

ระดับกลูโคสมีความสำคัญอย่างมาก และเรารู้ว่ามันเกี่ยวข้องกับเบาหวาน

Let's see if we can understand glucose response.

มาดูกันว่า เราเข้าใจการตอบสนองกลูโคส หรือเปล่า

I sent Nick off. Nick came back.

ผมส่งนิคออกไป แล้วนิคก็กลับมา

"Russ," he said,

"รัส" เขาพูด

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

"ผมสร้างตัวจัดกลุ่ม ที่สามารถดูผลข้างเคียงของยา

based on looking at this database,

โดยดูจากฐานข้อมูลนี้

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

และสามารถบอกคุณได้ว่า ยานั้นน่าจะเปลี่ยนระดับกลูโคสได้หรือไม่"

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

เขาทำเช่นนั้น มันค่อนข้างจะง่ายทีเดียว

He took all the drugs that were known to change glucose

เขาเอายาทั้งหมด ที่เรารู้ว่ามันเปลี่ยนระดับกลูโคส

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

และจัดกลุ่มยา ที่ไม่มีผลในการเปลี่ยนระดับกลูโคส

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

และบอกว่า "ผลข้างเคียงของพวกเขา มีอะไรที่ต่างกัน

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

มีความเมื่อยล้าต่างกัน ความอยากอาหาร หรือพฤติกรรมการขับปัสสาวะ"

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

ทั้งหมดนี้หลอมรวม ให้เขาเป็นนักคาดคะเนชั้นเลิศ

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

เขาบอกว่า "รัส ผมสามารถคาดคะเนได้ ที่ระดับความแม่นยำ 93 เปอร์เซ็นต์

when a drug will change glucose."

ว่าเมื่อไรยาจะเปลี่ยนระดับกลูโคส"

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

ผมบอกว่า "นิค นั่นมันยอดไปเลย"

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

เขาเป็นนักเรียนหนุ่ม เราต้องเสริมความม้่นใจให้เขาหน่อย

"But Nick, there's a problem.

"แต่นิค มันมีปัญหาอยู่นะ

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

แพทย์ทุกคนในโลกรู้ว่ายาทั้งหมดนี้ จะเปลี่ยนระดับกลูโคส

because it's core to our practice.

เพราะว่ามันเป็นส่วนสำคัญ ของงานของเราอยู่แล้ว

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

ฉะนั้น มันเจ๋งดี แต่ไม่น่าสนใจเท่าไร

definitely not publishable."

แน่นอนว่าตีพิมพ์ไม่ได้แน่ ๆ "

(Laughter)

(เสียงหัวเราะ)

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

เขาบอกว่า "ผมรู้ รัส ผมคิดว่าคุณอาจพูดแบบนั้น"

Nick is smart.

นิคเป็นคนฉลาดครับ

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

"ผมคิดว่าคุณอาจพูดอย่างนั้น ผมก็เลยทำการทดลองอีกอัน

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

ดูว่าในคนในฐานข้อมูลนี้ คนไหนที่ใช้ยาสองอย่าง

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

และผมมองหาสัญญาณที่คล้ายกัน สัญญาณการเปลี่ยนแปลงระดับกลูโคส

for people taking two drugs,

ในคนที่ใช้ยาสองอย่าง

where each drug alone did not change glucose,

ซึ่งยาอย่างเดียว จะไม่เปลี่ยนแปลงระดับกลูโคส

but together I saw a strong signal."

แต่ถ้าใช้ด้วยกันแล้ว ผมจะเห็นสัญญาณที่ชัดเจน"

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

และผมบอกว่า "โอ้ คุณนี่ฉลาดจริง ๆ ความคิดเจ๋งมาก ขอผมดูหน่อยสิ"

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

และก็มียามากมายในรายการนั้น ไม่ค่อยน่าสนใจเท่าไร

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

แต่ที่สะดุดตาผมก็คือ ในรายการนั้นมียาสองอย่าง

paroxetine, or Paxil, an antidepressant;

พารอกซิทิน หรือพาซิล ยาต้านอาการซึมเศร้า

and pravastatin, or Pravachol, a cholesterol medication.

และพราวาสตาติน หรือพราวาคอล ยาที่ใช้รักษาอาการที่เกี่ยวกับคลอเรสเตอรอล

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

และผมบอกว่า "อ้า มีชาวอเมริกันหลายล้าน ที่ใช้ยานั่น"

In fact, we learned later,

อันที่จริง ต่อมาเรารู้ว่า

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

มีคนอเมริกัน 15 ล้านคนที่ใช้พารอกซิทิน ในเวลานั้น อีก 15 ล้านคนใช้พราวาสตาติน

and a million, we estimated, on both.

และอีกล้าน จากการกะประมาณ ใช้ทั้งสองอย่าง

So that's a million people

ฉะนั้นมีคนล้านคน

who might be having some problems with their glucose

ที่อาจมีปัญหาเกี่ยวกับระดับกลูโคส

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

ถ้าเครื่องจักรเรียนรู้ (machine-learning) จอมยุ่ง ที่เขาสร้างขึ้นในฐานข้อมูลองค์กรอาหารและยา

actually holds up.

ทำงานได้ดี

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

แต่ผมบอกว่า "มันยังไม่สามารถตีพิมพ์ได้

because I love what you did with the mumbo jumbo,

เพราะผมชอบที่ผมทำกับเจ้านี่

with the machine learning,

กับเครื่องจักรเรียนรู้

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

แต่สิ่งที่เรามี มันไม่ใช่หลักฐานตามมาตราฐานจริง ๆ"

So we have to do something else.

เราจะต้องทำอย่างอื่นอีก

Let's go into the Stanford electronic medical record.

ไปดูบันทึกทางการแพทย์อิเล็กทรอนิค ของสแตนฟอร์ดดีกว่า

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

เราได้สำเนามา นั่นก็โอเคแล้วสำหรับการวิจัย

we removed identifying information.

เราลบข้อมูลส่วนบุคคลออกไป

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

และผมพูดว่า "มาดูกันว่า คนที่ใช้ยาสองชนิดนี้

have problems with their glucose."

มีปัญหากับระดับกลูโคสของเขาหรือเปล่า"

Now there are thousands and thousands of people

ตอนนี้ มีคนเป็นพัน ๆ

in the Stanford medical records that take paroxetine and pravastatin.

ในบันทึกทางการแพทย์ของสแตนฟอร์ด ที่ใช้ยาพารอกซิทิน และพราวาสตาติน

But we needed special patients.

แต่เราต้องการผู้ป่วยที่พิเศษ

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

เราต้องการผู้ป่วยที่ใช้ยาตัวหนึ่ง และได้รับการวัดระดับกลูโคส

then got the second one and had another glucose measurement,

จากนั้นได้ยาตัวที่สอง และได้รับการวัดระดับกลูโคสอีกครั้ง

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

โดยทั้งหมดนี้ทำในช่วงเวลาที่สมเหตุสมผล -- ในเวลาประมาณสองเดือน

And when we did that, we found 10 patients.

และเมื่อเราทำอย่างนั้น เราพบผู้ป่วย 10 ราย

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

อย่างไรก็ดี แปดจาก 10 มีระดับกลูโคสที่ลดลง

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

เมื่อพวกเขาได้ยาพีตัวที่สอง -- พวกเราเรียกมันว่า พี และ พี --

when they got the second P.

เมื่อพวกเขาได้ยาพีตัวที่สอง

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

ยาตัวใดตัวหนึ่งสามารถเป็นตัวแรกได้ และตัวที่สองก็คืออีกตัวหนึ่ง

glucose went up 20 milligrams per deciliter.

ระดับกลูโคสสูงขึ้นถึง 20 มิลลิกรัมต่อเดซิลิตร

Just as a reminder,

ขอบอกคุณสักนิดว่า

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

คุณเดินไปเดินมาเป็นปกติ ถ้าคุณไม่เป็นเบาหวาน

with a glucose of around 90.

ด้วยระดับน้ำตาลประมาณ 90

And if it gets up to 120, 125,

และถ้ามันสูงถึง 120, 125

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

แพทย์ของคุณจะเริ่มติดถึง การวินิจฉัยเกี่ยวกับเบาหวานที่น่าจะเป็นไปได้

So a 20 bump -- pretty significant.

ฉะนั้น การที่มันสูงขึ้น 20 -- ค่อนข้างมีนัยสำคัญ

I said, "Nick, this is very cool.

ผมพูดว่า "นิค นี่มันเจ๋งมาก

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

แต่ผมเสียใจด้วยนะ เรายังไม่สามารถตีพิมพ์ได้

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

เพราะว่าผู้ป่วย 10 คน และ -- เดี๋ยวก่อนนะ --

it's not enough patients."

มันไม่เพียงพอ"

So we said, what can we do?

เราก็เลยบอกว่า เราจะทำอย่างไรดี

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

และเราก็บอกว่า ลองโทรหาเพื่อนของเรา ที่ฮาร์วาร์ดและวานเดอร์บิลท์

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

ผู้ที่ยัง -- ฮาร์วาร์ดในบอสตัน วานเดอร์บิลท์ในแนชวิล

who also have electronic medical records similar to ours.

ผู้ที่มีบันทึกทางการแพทย์อิเล็กทรอนิต ที่คล้ายกับของเรา

Let's see if they can find similar patients

ลองมาดูว่า พวกเราจะพบ คนไข้ที่คล้าย ๆ กันหรือเปล่า

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

ที่ใช้ยาพีตัวแรก และพีอีกตัว และมีผลระดับกลูโคส

in that range that we need.

ในช่วงที่เราต้องการ

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

พระเจ้าช่วย วาลเดอร์บิลท์ พบคนไข้แบบนั้น 40 รายในหนึ่งสัปดาห์

same trend.

ในรูปแบบเดียวกัน

Harvard found 100 patients, same trend.

ฮาร์วาร์ดพบผู้ป่วย 100 คน ที่มีรูปแบบเดียวกัน

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

ฉะนั้น สุดท้ายแล้วเรามีผู้ป่วย 150 ราย จากบันทึกทางการแพทย์ต่าง ๆ สามแห่ง

that were telling us that patients getting these two drugs

นั่นกำลังบอกกับเราว่า ผู้ป่วยที่ใช้ยาสองอย่างนี้

were having their glucose bump somewhat significantly.

มีการเพิ่มขึ้นของระดับกลูโคส ที่ค่อนข้างมีนัยสำคัญ

More interestingly, we had left out diabetics,

ที่น่าสนใจไปกว่านั้น เราได้ตัดผู้ที่เป็นเบาหวานออกไป

because diabetics already have messed up glucose.

เพราะว่า เบาหวาน ทำระดับกลูโคสยุ่งเหยิงอยู่แล้ว

When we looked at the glucose of diabetics,

เมื่อเราดูที่ระดับกลูโคสในผู้ที่เป็นเบาหวาน

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

มันสูงขึ้นถึง 60 มิลลิกรัมต่อเดซิลิตร ไม่ใช่เพียง 20

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

นั่นเป็นเรื่องใหญ่ และเราบอกว่า "เราต้องตีพิมพ์สิ่งนี้"

We submitted the paper.

เราส่งบทความของเราไปยังสำนักพิมพ์

It was all data evidence,

ทุกอย่างมีหลักฐานข้อมูล

data from the FDA, data from Stanford,

ข้อมูลจากองค์กรอาหารและยา ข้อมูลจากสแตนฟอร์ด

data from Vanderbilt, data from Harvard.

ข้อมูลจากแบนเดอร์บิลท์ ข้อมูลจากฮาร์วาร์ด

We had not done a single real experiment.

เราไม่ได้ทำการทดลองจริง ๆ สักครั้ง

But we were nervous.

แต่เราก็ตื่นเต้น

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

ในขณะที่บทความของเราถูกตรวจอยู่นั้น นิคก็เลยไปที่ห้องทดลอง

We found somebody who knew about lab stuff.

เราพบกับคนที่รู้เรื่องต่าง ๆ ในห้องทดลอง

I don't do that.

ผมไม่ได้ทำอะไรพวกนี้

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

ผมดูแลคนไข้ แต่ไม่เคยจับปิเปตต์

They taught us how to feed mice drugs.

พวกเขาสอนผมว่าต้องป้อนยาให้หนูอย่างไร

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

เราเอาหนูมาและเราให้พีหนึ่ง พารอกซิทินกับพวกมัน

We gave some other mice pravastatin.

เราให้พราวาสตาตินกับหนูอีกกลุ่ม

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

และเราให้หนูกลุ่มที่สามกินยาทั้งสองอย่าง

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

และดูเถอะดู ระดับกลูโคสสูงขึ้นไปถึง 20 ถึง 60 มิลลิกรัมต่อเดซิลิตร

in the mice.

ในหนูพวกนี้

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

บทความของเราได้รับการยอมรับ โดยหลักฐานทางข้อมูลเพียงอย่างเดียว

but we added a little note at the end,

แต่เราเพิ่มข้อความในส่วนท้าย

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

ที่ว่า โอ แต่จะบอกอะไรให้ ถ้าคุณให้ยากับหนู ระดับมันจะเพิ่มขึ้น

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

นั่นมันยอดเลย และเรื่องก็น่าจะจบลงตรงนั้น

But I still have six and a half minutes.

แต่ผมยังมีอีกหกนาทีครึ่ง

(Laughter)

(เสียงหัวเราะ)

So we were sitting around thinking about all of this,

พวกเรามานั่งล้อมวงกันแล้วคิดเกี่ยวกับสิ่งนี้

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

และผมก็จำไม่ได้ว่าใครคิด แต่ใครสักคนพูดว่า

"I wonder if patients who are taking these two drugs

"ผมสงสัยจังว่าคนไข้ที่ได้รับยาทั้งสอง

are noticing side effects of hyperglycemia.

สังเกตเห็นผลข้างเคียง ของการมีกลูโคสมากนี้ไหม

They could and they should.

พวกเขาควรและน่าจะเห็น

How would we ever determine that?"

เราจะรู้ได้อย่างไร"

We said, well, what do you do?

พวกเราบอกว่า เอาล่ะ คุณจะทำอย่างไร

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

คุณใช้ยา ยาตัวใหม่หนึ่งหรือสองตัว

and you get a funny feeling.

และมีอาการแปลก ๆ

What do you do?

คุณจะทำอย่างไร

You go to Google

คุณจะไปกูเกิล

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

และพิมพ์ชื่อยาทั้งสองที่คุณใช้ หรือยาตัวหนึ่งที่คุณใช้

and you type in "side effects."

และคุณจะพิมพ์คำว่า "ผลข้างเคียง"

What are you experiencing?

คุณจะเจออะไร

So we said OK,

เราเลยบอกว่า เอาล่ะ

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

ลองถามกูเกิลดูสิ ว่าพวกเขาจะแบ่งปัน ผลการป้อนคำค้นหากับเราไหม

so that we can look at the search logs

เพื่อที่เราจะสามารถดูผลการป้อนคำค้นหาได้

and see if patients are doing these kinds of searches.

และดูว่าผู้ป่วยทำการค้นหา อะไรพวกนี้หรือเปล่า

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

ผมเสียใจที่จะต้องบอกว่า กูเกิลปฏิเสธคำขอของเรา

So I was bummed.

ผมผิดหวังครับ

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

ผมกำลังรับประทานอาหารเย็น กับเพื่อนร่วมงานที่ไมโครซอร์ฟ รีเซิร์ช

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

ผมบอกว่า "ผมอยากจะทำการศึกษานี้

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

กูเกิลบอกว่า ไม่ มันน่าผิดหวังจริง ๆ"

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

เขาบอกว่า "ถ้าอย่างนั้น เรามี บิง เสิร์จ นะ"

(Laughter)

(เสียงหัวเราะ)

Yeah.

ครับ

That's great.

ยอดไปเลย

Now I felt like I was --

ตอนนี้ผมรู้สึกว่าผม --

(Laughter)

(เสียงหัวเราะ)

I felt like I was talking to Nick again.

ผมรู้สีกว่าผมกำลังพูดอยู่กับนิคอีกแล้ว

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

เขาทำงานให้กับบริษัท ที่ใหญ่ที่สุดในโลกแห่งหนึ่ง

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

และผมก็พร้อมที่จะลองทำให้เขารู้สึกดีขึ้น

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

แต่เขาบอกว่า "ไม่ รัส คุณไม่เข้าใจหรอก

We not only have Bing searches,

พวกเรามีแค่ บิง เสิร์จ

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

แต่ถ้าคุณใช้ อินเทอร์เน็ต เอ็กซ์พลอเลอร์ ทำการค้นหาในกูเกิล

Yahoo, Bing, any ...

ยาฮู, บิง หรืออะไรก็ตาม

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

จากนั้น เราจะเก็บข้อมูลเอาไว้เพื่อจุดประสงค์ ในการวิจัยเท่านั้น เป็นเวลา 18 เดือน"

I said, "Now you're talking!"

ผมบอกว่า "นั่นแหละ ค่อยเข้าท่าหน่อย"

This was Eric Horvitz, my friend at Microsoft.

นี่คือ อิริค ฮอร์วิทซ์ เพื่อนของผมที่ไมโครซอร์ฟ

So we did a study

เราทำการศึกษา

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

ซึ่งเรากำหนดคำ 50 คน ที่คนทั่วไปจะพิมพ์

if they're having hyperglycemia,

ถ้าพวกเขามีภาวะน้ำตาลสูง

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

เช่น "ปวดเมื่อย" "ไม่อยากอาหาร" "ปัสสาวะมาก" "ฉี่เยอะ" --

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

ขอโทษครับ แต่นั่นอาจเป็นคำที่คุณจะพิมพ์

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

เราได้กลุ่มคำมา 50 กลุ่มคำ ที่เรียกว่า "คำที่เกี่ยวกับเบาหวาน"

And we did first a baseline.

และเราก็สร้างเส้นมาตราฐานล่างก่อน

And it turns out that about .5 to one percent

และกลายเป็นว่าประมาณ .5 ถึง 1 เปอร์เซ็นต์

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

ของผู้ทำการค้นหาทางอินเทอร์เน็ต ใช้คำที่เกี่ยวข้องกับคำพวกนี้

So that's our baseline rate.

ฉะนั้น นั่นเป็นเส้นมาตราฐานล่างของเรา

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

ถ้าคนพิมพ์คำว่า "พารอกซิทิน" หรือ "พาซิล" -- นั่นเป็นคำเหมือนนะครับ --

and one of those words,

และหนึ่งในคำเหล่านี้

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

อัตราการใช้คำที่เกี่ยวกับเบาหวาน จะสูงขึ้นถึงประมาณสองเปอร์เซ็นต์

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

ถ้าคุณรู้แล้วว่านั่นมีคำว่า "พารอกซิทิน" อยู่ด้วย

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

ถ้ามันเป็น "พราวาสตาติน" อัตราการใช้คำ จะสูงจากเส้นล่างถึงสามเปอร์เซ็นต์

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

ถ้าทั้งคำว่า "พารอกซิทิน" และ "พราวาสตาติน" อยู่ในข้อความค้นหา

it goes up to 10 percent,

มันจะสูงถึง 10 เปอร์เซ็นต์

a huge three- to four-fold increase

ซึ่งเป็นการเพิ่มขึ้นสามถึงสี่เท่า

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

ในผู้ที่ค้นหาด้วยยาสองชนิด ที่เราสนใจ

and diabetes-type words or hyperglycemia-type words.

และคำที่เกี่ยวข้องกับเบาหวาน หรือคำที่เกี่ยวข้องกับภาวะน้ำตาลสูง

We published this,

เราตีพิมพ์สิ่งนี้

and it got some attention.

และได้รับความสนใจบ้าง

The reason it deserves attention

เหตุผลที่มันสมควรได้รับความสนใจ

is that patients are telling us their side effects indirectly

ก็คือผู้ป่วยกำลังบอกเรา ถึงผลข้างเคียงที่เกิดขึ้นพวกเขา

through their searches.

ผ่านการค้นหาของพวกเขา

We brought this to the attention of the FDA.

พวกเราทำให้องค์กรอาหารและยาสนใจ

They were interested.

พวกเขาสนอกสนใจ

They have set up social media surveillance programs

พวกเขาตั้งโครงการตรวจตรา ทางสื่อสังคมออนไลน์

to collaborate with Microsoft,

เพื่อร่วมมือกับไมโครซอร์ฟ

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

ซึ่งมีโครงสร้างพื้นฐานที่ดี สำหรับการทำงานนี้และงานอื่น ๆ

to look at Twitter feeds,

เพื่อดูที่หน้าข่าวทวิตเตอร์

to look at Facebook feeds,

เพื่อดูที่หน้าข่าวเฟสบุ๊ค

to look at search logs,

เพื่อดูที่ผลการป้อนคำค้นหา

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

เพื่อที่จะพยายามมองหาสัญญาณขั้นแรก ที่ยาไม่ว่าจะเป็นการใช้เดี่ยวหรือใช้ร่วมกัน

are causing problems.

ก่อให้เกิดปัญหา

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

ผมได้อะไรจากสิ่งนี้หรือครับ ทำไมผมต้องมาเล่าเรื่องนี้ด้วย

Well, first of all,

ครับ ประการแรก

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

ตอนนี้พวกเราข้อมูลมากมายที่น่าวางใจ และข้อมูลขนาดกลาง

to help us understand drug interactions

ที่จะช่วยให้เราเข้าใจปฏิสัมพันธ์ของยา

and really, fundamentally, drug actions.

และอันที่จริง โดยพื้นฐาน กิจกรรมของยา

How do drugs work?

ยาทำงานได้อย่างไร

This will create and has created a new ecosystem

มันจะสร้างและได้สร้างระบบนิเวศใหม่

for understanding how drugs work and to optimize their use.

สำหรับความเข้าใจต่อการทำงานของยา และเพื่อปรับการใช้พวกมันให้เหมาะสม

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

นิคยังคงเดินหน้าต่อไป ตอนนี้เขาเป็นศาสตราจารย์ที่โคลัมเบียแล้ว

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

เขาทำสิ่งนี้ตอนเขาเป็นนักเรียนปริญญาเอก โดยการดูยาหลายร้อยคู่

He found several very important interactions,

เขาพบปฏิสัมพันธ์ที่สำคัญมาก ๆ ในยาบางคู่

and so we replicated this

และเราก็ได้ทำซ้ำ

and we showed that this is a way that really works

และได้แสดงว่านี่เป็นวิธีที่ได้ผลจริง ๆ

for finding drug-drug interactions.

ในการค้นหาปฏิสัมพันธ์ระหว่างยา

However, there's a couple of things.

อย่างไรก็ดี ยังมีอีกสองสามอย่าง

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

เราไม่ได้แค่จับคู่ยาเท่านั้น

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

อย่างที่ผมบอกก่อนหน้านี้ มีคนไข้ ที่ใช้ยาสาม , ห้า, เจ็ด, เก้าอย่าง

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

พวกเขาเคยได้ศึกษาโดยคำนึงถึง ปฎิสัมพันธ์ทั้งเก้าทางนั้นหรือเปล่า

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

ครับ เราสามารถทำการจับคู่ A และ B A และ C A และ D ได้

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

แล้ว A B C D E F G ด้วยกันทั้งหมด

being taken by the same patient,

ที่ถูกใช้โดยคนไข้คนเดียวกันล่ะ

perhaps interacting with each other

บางทีมันมีปฏิสัมพันธ์ระหว่างกันและกัน

in ways that either makes them more effective or less effective

ในแบบที่ไม่ทำให้พวกมัน มีประสิทธิภาพมากขึ้นก็น้อยลง

or causes side effects that are unexpected?

หรืออาจทำให้เกิดผลข้างเคียงที่ไม่คาดคิด

We really have no idea.

เราไม่รู้เลยจริง ๆ

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

มันเหมือนท้องฟ้าที่กว้างใหญ่ ทุ่งหญ้ากว้างไกล สำหรับเราที่จะใช้ข้อมูล

to try to understand the interaction of drugs.

เพื่อพยายามเข้าใจการมีปฏิสัมพันธ์ของยา

Two more lessons:

อีกสองบทเรียนครับ

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

ผมอยากให้คุณคิดถึงอำนาจ ที่เราจะสามารถสร้างได้

with the data from people who had volunteered their adverse reactions

ด้วยข้อมูลจากผู้คนที่อาสาให้ ข้อมูลผลร้ายที่เกิดขึ้น

through their pharmacists, through themselves, through their doctors,

ผ่านเภสัชกรของพวกเขา ผ่านตัวพวกเขาเอง ผ่านแพทย์ของพวกเขา

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

ผู้คนที่ยอมให้ฐานข้อมูล กับสแตนฟอร์ด ฮาร์วาร์ด แวนเดอร์บิลท์

to be used for research.

เพื่อใช้ในการวิจัย

People are worried about data.

ผู้คนเป็นกังวลเกี่ยวกับฐานข้อมูล

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

พวกเขาเป็นห่วงเรื่องความเป็นส่วนตัว และความปลอดภัย -- พวกเขาก็ควรครับ

We need secure systems.

พวกเราต้องการระบบที่ปลอดภัย

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

แต่พวกเราไม่สามารถมีระบบ ที่ปิดตายข้อมูลเหล่านั้นได้

because it is too rich of a source

เพราะว่ามันเป็นแหล่งของข้อมูลที่มากมาย

of inspiration, innovation and discovery

ของแรงบันดาลใจ นวัตกรรม และการค้นพบ

for new things in medicine.

สำหรับสิ่งใหม่ในวงการแพทย์

And the final thing I want to say is,

และสิ่งสุดท้ายที่ผมอยากจะบอกก็คือ

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

ในกรณีนี้ เราพบยาสองชนิด และมันเป็นเรื่องที่ค่อนข้างน่าเสียใจ

The two drugs actually caused problems.

ยาสองตัวที่สร้างปัญหา

They increased glucose.

พวกมันเพิ่มระดับกลูโคส

They could throw somebody into diabetes

พวกมันทำให้ใครสักคนเป็นเบาหวาน

who would otherwise not be in diabetes,

ผู้ที่ไม่อย่างนั้นก็คงจะไม่เป็นเบาหวาน

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

และคุณก็จะระมัดระวัง ในการใช้ยาสองตัวนี้ด้วยกัน

perhaps not together,

บางที ไม่ควรใช้มันด้วยกัน

make different choices when you're prescribing.

ทำการตัดสินใจที่ต่างออกไป เมื่อคุณเขียนใบสั่งยา

But there was another possibility.

แต่มันยังมีความเป็นไปได้อีกอย่าง

We could have found two drugs or three drugs

เราอาจได้พบกับยาสองหรือสามตัว

that were interacting in a beneficial way.

ที่มีปฏิสัมพันธ์ต่อกันในแบบที่เป็นประโยชน์

We could have found new effects of drugs

เราอาจพบกับยาใหม่ที่มีคุณภาพ

that neither of them has alone,

ที่มันทั้งไม่ใช่แค่มันตัวเดียว

but together, instead of causing a side effect,

แต่ทั้งคู่ แทนที่จะมีผลข้างเคียง

they could be a new and novel treatment

พวกมันอาจเป็นการบำบัดโรค ที่ใหม่และก้าวหน้า

for diseases that don't have treatments

ที่เรายังไม่มีวิธีการบำบัดรักษา

or where the treatments are not effective.

หรือเมื่อการบำบัดรักษาไม่มีประสิทธิภาพ

If we think about drug treatment today,

ถ้าเราคิดถึงการใช้ยาทุกวันนี้

all the major breakthroughs --

ความก้าวหน้าที่สำคัญทั้งหมด --

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

สำหรับเอชไอวี สำหรับวัณโรค สำหรับโรคซึมเศร้า สำหรับเบาหวาน --

it's always a cocktail of drugs.

มันเป็นการใช้ยาหลายอย่างเสมอ

And so the upside here,

และในด้านดี

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

และหัวข้อสำหรับหลาย ๆ TED Talk ในวันอื่น ๆ

is how can we use the same data sources

ก็คือเราจะสามารถใช้แหล่งข้อมูลเดิม

to find good effects of drugs in combination

เพื่อการใช้ยาแบบควบคู่ ที่มีประสิทธิภาพได้อย่างไร

that will provide us new treatments,

เพื่อที่มันจะให้การบำบัดรักษาใหม่กับเรา

new insights into how drugs work

ความรู้ลึกซึ้งเรื่องใหม่เรื่องการทำงานของยา

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

และทำให้เราสามารถดูแลคนไข้ของเรา ได้ดีขึ้น

Thank you very much.

ขอบคุณมากครับ

(Applause)

(เสียงปรบมือ)