021-22889554
021-26703715
مشاوره آموزشی رایگان

021-22889554  |  021-26703715 مشاوره آموزشی رایگان

وقتی داروها را ترکیب می‌کنیم، چه اتفاقی می‌افتد؟

Russ Altman

What really happens when you mix medications?

If you take two different medications for two different reasons, here's a sobering thought: your doctor may not fully understand what happens when they're combined, because drug interactions are incredibly hard to study. In this fascinating and accessible talk, Russ Altman shows how doctors are studying unexpected drug interactions using a surprising resource: search engine queries.


تگ های مرتبط :

Big Problems, Curiosity, Data
فرض کنین رفتین دکتر و چند تا آزمایش دادین. دکتر تشخیص میده که کلسترول شما بالاست و بهتره دارو مصرف کنید. پس یک بسته قرص می گیرید. تا حدودی مطمئن هستید، پزشک شما تا حدودی مطمئنه که این دارو اثر خواهد کرد. شرکتی که اون دارو رو اختراع کرده مطالعات زیادی انجام داده و به اف دی ای (سازمان غذا و دارو) ارائه کرده. اونها به دقت و وسواس بررسی و تأییدش کردن. اونها جزئیات نحوه ی تأثیر اونو میدونن، اونها جزئیات عوارض جانبی اونو میدونن. باید درست باشه. کمی بیشتر با پزشکتان حرف می‌زنید و پزشکتان کمی نگرانه چون شما افسرده شدین،
سر حال نیستین، مثل سابق از زندگی لذت نمی‌برین. پزشک شما میگه، «ببینید، فکر کنم افسرده شدی. یک قرص دیگه به شما میدم.» پس حالا داریم درباره دو تا دارو صحبت می‌کنیم. این قرص هم-- میلیونها نفر اونو مصرف کردن، شرکت مطالعاتی انجام داده، اف دی ای اونو بررسی کرده-- همه چیز خوبه. فکر می‌کنید همه چیز درسته. فکر می کنید همه چیز درسته. خوب، یک دقیقه صبر کنید. چقدر این دو دارو رو با هم مطالعه کردیم؟ خوب، انجام این کار خیلی سخته. در واقع این کار مرسوم نیست. این کاملاً وابسته به چیزیه که ما بهش میگیم ‌«نظارت پس از فروش،»
بعد از ورود دارو به بازار. چطور میشه فهمید اتفاق بدی افتاده بین دو دارو؟ سه؟ پنج؟ هفت؟ از هر کس که چند تا مریضی داشته باشه میخواین بپرسین چند تا دارو مصرف می کنن. چرا این مسئله برام مهمه؟ برام خیلی مهمه. من متخصص انفورماتیک و داده شناسی هستم و به نظرم، تنها راه-- تنها راه-- فهمیدن این تداخلات استفاده از منابع متعدد و متنوع داده‌هاست برای این که بفهمیم مصرف هم زمان داروها کی بی‌خطره و کی بی خطر نیست. پس بذارین یه قصه بگم درباره ی علم داده شناسی.
این قصه با دانشجویم "نیک" شروع میشه. بذارین "نیک" صداش کنیم، چون اسمش همینه. (خنده) نیک یه دانشجوی جوان بود. بهش گفتم، "ببین، نیک، باید نحوه ی اثر داروها رو بدونیم و این که با هم چه اثری دارن و جدا از هم چه اثری دارن، و چیز زیادی نمی‌دونیم. اما اف دی ای یه پایگاه داده جالب داره. یه پایگاه داده درباره عوارض دارویی. این داده‌ها عیناً در اینترنت منتشر شده-- در دسترس عموم، همه همین الان می‌تونین دانلودش کنین-- صدها تا هزاران گزارش عوارض دارویی از بیماران، دکترها، شرکتها و داروسازها.
و این گزارشها کاملاً ساده است: همه بیماریهایی که مریض داره، همه داروهایی که مصرف می‌کنه، و همه عوارض جانبی که تجربه کرده. این همه عوارضی نیست که امروز تو آمریکا اتفاق میفته، اما صدها و صدها تا هزاران دارو اینجا هست. پس به نیک گفتم، «بیا به قند فکر کنیم. قند خیلی مهمه، و میدونیم که به دیابت ربط داره. بذار ببینیم چه اتفاقی برای قند میفته.» نیک مرخص شد. وقتی برگشت، گفت، «راس، من یه نرم افزار درست کردم که عوارض جانبی داروها رو نگاه میکنه از روی این پایگاه داده،
و به ما میگه این دارو ممکنه قند خون رو بالا ببره یا نه.» موفق شد. به عبارتی خیلی ساده بود. همه داروهایی رو که ثابت شده قند رو تغییر میدن و گروهی از داروها که قند رو تغییر نمیدن با هم مقایسه کرد، و گفت، «عوارضشون چه فرقی داره؟ فرق از نظر خستگی؟ از نظر اشتها؟ از نظر اجابت مزاج؟» همه اینها دست به دست هم داد تا قدرت پیش بینی واقعاً خوبی بهش بده. گفت، «راس، میتونم با دقت ۹۳ درصد پیش بینی کنم چه موقع یه دارو قند رو تغییر میده.» گفتم،«نیک، این عالیه.» او دانشجوی جوونیه که باید بهش اعتماد به نفس داد. « اما نیک، یه مشکل هست.
این که هر پزشکی تو دنیا میدونه چه داروهایی قند رو تغییر میدن، چون این تو حرفه ی ما یه اصله. عالیه، خسته نباشی، اما نه تا اون حد، مطمئناً قابل چاپ نیست.» (خنده) گفت، «میدونم، راس، فکر می‌کردم اینو بگی.» نیک باهوشه. «فکر می کردم اینو بگی، پس یه آزمایش دیگه انجام دادم. نگاه کردم چه کسانی تو این پایگاه داده دو دارو مصرف می کنن، و دنبال پیامها هم گشتم، پیامهای تغییر قند، برای افرادی که دو دارو مصرف می‌کنن، که هیچ کدوم از داروها به تنهایی قند رو تغییر نمیدن، اما با هم پیام قدرتمندی دیدم.»
و گفتم، «هی! تو باهوشی. فکر خوبیه. فهرست رو بهم نشون بده.» و چند تا دارو بود، خیلی هیجان انگیز نبود. اما چیزی که توی فهرست نظر منو جلب کرد دو تا دارو بود: پاروکستین، یا پاکسیل، یه ضدافسردگی؛ و پراواستاتین، یا پراواکول، یه داروی چربی خون. و گفتم، «هه. میلیونها آمریکایی این دو تا رو مصرف می‌کنن.» در واقع، بعدها متوجه شدیم، اون موقع پانزده میلیون آمریکایی پاروکستین مصرف می‌کردن و پانزده میلیون پراواستاتین، و حساب کردیم، یک میلیون نفر هر دو رو مصرف می‌کردن. خوب یعنی یک میلیون نفر ممکنه یه مشکلی با قند خودشون داشته باشن اگه این مامبو جامبو (اجی مجی) که نیک با هوش مصنوعی و پایگاه داده‌های اف دی ای انجام داده
واقعاً کار کنه. اما گفتم، «هنوز قابل چاپ نیست، چون عاشق اون کاری هستم که با اجی مجی و هوش مصنوعی انجام دادی، اما شواهدی که داریم قطعی نیست.» باید یه کار دیگه کنیم. بیا بریم سراغ پرونده الکترونیک پزشکی استنفورد. یه نسخه ازش داریم که برای تحقیق مشکل نداره، اطلاعات هویتی رو ازش حذف کردیم. و گفتم، «بذار ببینیم افرادی که این دو تا دارو رو مصرف می‌کنن با قندشون مشکل دارن.» خوب هزاران هزار نفر در پرونده‌های الکترونیک پزشکی استنفورد هستن که پاروکستین و پراواستاتین مصرف می‌کنن.
اما ما مریضهای خاصی رو لازم داشتیم. مریضهایی رو لازم داشتیم که یکی از اونها رو مصرف می‌کرده و یه آزمایش قند داشته، بعد داروی دوم رو گرفته و یه آزمایش قند دیگه داده، همه طی یه فاصله زمانی قابل قبول-- چیزی حدود دو ماه. و وقتی این کار رو انجام دادیم، ده تا مریض پیدا کردیم. اما هشت تا از ده مریض قندشون بالا رفته بود وقنی "پی" دوم رو گرفته بودن-- بهش میگیم پی اول و پی دوم-- وقتی پی دوم رو گرفته بودن. فرقی نداشت هر کدوم اول باشه، با اضافه شدن دومی، قند بیست تا بالا رفته بود. فقط به عنوان یادآوری، اگه دیابتی نباشین، اوضاع شما عادیه
با قند حدود نود. و اگه به صدوبیست، صدوبیست وپنج برسه، دکتر شما به فکر تشخیص احتمالی دیابت میفته. یعنی افزایش بیست تا-- کاملاً معنی داره. گفتم،«نیک، خیلی عالیه. اما متأسفم، هنوز مقاله ای نداریم، چون این ده تا مریضه و-- اجازه بدین-- این مریضها کافی نیست.» بعدش گفتیم، چه کار میتونیم بکنیم؟ و گفتیم، بیا به دوستامون در هاروارد و وندربلت زنگ بزنیم، که اونها هم-- هاروارد در بوستون، وندربلت در نشویل، که اونها هم مثل ما پرونده الکترونیک پزشکی دارن. بیا ببینیم اونها هم میتونن مریضهای مشابه پیدا کنن
با پی اول، پی دوم، آزمایش قند، با نتیجه‌ای که ما لازم داریم. خدا عمرشون بده، وندربلت در عرض یک هفته چهل مورد پیدا کرد، با همون مشخصات. هاروارد صد تا پیدا کرد، با همون مشخصات. یعنی در نهایت صدوپنجاه تا مریض داشتیم از سه مرکز پزشکی مختلف که اون مریضها این دو تا دارو رو می گرفتن و به ما می‌گفتن قندشون تا حد معنی دار بالا رفته. جالبتر این که، دیابتی‌ها رو کنار گذاشته بودیم، چون دیابتی‌ها خودشون قند بالا دارن. وقتی به قند دیابتی‌ها نگاه کردیم، شصت تا بالا رفته بود، نه فقط بیست تا. موفقیت بزرگی بود، و گفتیم، «این یکی رو باید چاپ کنیم.»
مقاله رو تحویل دادیم. همه ی اونها شواهد داده‌ای بود، داده‌های اف دی ای، داده‌های استنفورد، داده‌های وندربلت، داده‌های هاروارد. آزمایش واقعی انجام نداده بودیم. اما نگران بودیم. در حالی که مقاله در دست بررسی بود، نیک به آزمایشگاه رفت. کسی رو پیدا کردیم که از آزمایشگاه سررشته داشت. من بلد نیستم. مریض می‌بینم اما کار با پیپت رو بلد نیستم. به ما گفتن به موشها دارو بدیم. موشها رو گرفتیم و بهشون پی اول، پاروکستین دادیم. به موشهای دیگه پراواستاتین دادیم.
و به گروه سوم هر دو رو دادیم. و قند موشها بیست تا شصت تا بالا رفت. یعنی مقاله فقط بر اساس شواهد داده‌ای پذیرفته شد، اما یه یادداشت به آخرش اضافه کردیم، و گفتیم که در هر حال، اگه این داروها رو به موشها بدین، قند بالا میره. این عالی بود، و داستان میتونست همونجا تموم بشه. اما هنوز شش و نیم دقیقه وقت دارم. (خنده) همه جا می‌نشستیم و درباره ش فکر می‌کردیم، و یادم نیست کی به فکرش رسید، اما یکی گفت، "نمیدونم آیا مریض‌هایی که این دو دارو رو مصرف میکنن خودشون متوجه عوارض جانبی افزایش قند خون میشن.
ممکنه و باید بشن. چطوری میتونیم مشخص‌اش کنیم؟ ما گفتیم، خوب، چی کار می‌کنی؟ یه دارو داری مصرف می‌کنی، یکی دو تا داروی جدید، و احساس خوبی داری. چی کار می‌کنی؟ میری به گوگل و اسم دو دارو که گرفتی می‌نویسی یا یه دارو که مصرف می‌کنی، و "عوارض جانبی" رو می‌نویسی، چه تجربه‌ای داشتید؟ خوب ما گفتیم مشکلی نبود، بذارین از گوگل بپرسیم آیا سوابق جستجو رو به ما میگه، تا به سوابق جستجو نگاه کنیم و ببینیم مریضها چه نوع جستجوهایی رو انجام میدن.
گوگل، متأسفم که اینو میگم، درخواست ما رو رد کرد. خوب، ناامید شده بودم. داشتم با یه همکار شام می‌خوردم که در مرکز پژوهش میکروسافت کار می‌کنه و گفتم، « می‌خواستیم این مطالعه رو انجام بدیم. گوگل جواب رد داد، یه جورایی ناامید کننده است.» گفت، «خوب، ما جستجوی بینگ رو داریم.» (خنده) آره. عالیه. حالا حس می‌کردم-- (خنده) حس می‌کردم باز دارم با نیک حرف میزنم. او برای یکی از بزرگترین شرکت های جهان کار می‌کنه، و من داشتم سعی می کردم احساس بهتری داشته باشه.
اما او گفت، «نه، راس-- شاید متوجه نشدی. ما نه تنها جستجوی بینگ رو داریم، بلکه اگه برای جستجوی گوگل از اینترنت اکسپلورر استفاده کنی، یاهو، بینگ، هر چی... بعد، برای هجده ماه، اون داده‌ها رو فقط با اهداف تحقیقاتی نگه می‌داریم.» گفتم، «این شد حرف حساب!» این اریک هورویتز بود، دوستم در میکروسافت. پس یه تحقیق انجام دادیم پنجاه کلمه رو تعریف کردیم که یه فرد عادی ممکنه بنویسه اگه دچار افزایش قند خون بشه، مثل "خستگی،" "بی اشتهایی،" " تکرر ادراری،" "پرشاشی"-- ببخشید، اما این یکی از چیزایی هست که ممکنه بنویسید. پس پنجاه عبارت داشتیم که بهش می گفتیم "کلمات دیابت."
و ابتدا یه بررسی اولیه انجام دادیم. و معلوم شد حدود نیم تا یک درصد همه ی جستجوها در اینترنت شامل یکی از این کلمات است. خوب این یه رقم اولیه بود. اگه مردم بنویسن "پاروکستین" یا "پاکسیل"-- اینها مترادف هستن-- و یکی از اون کلمات، رقم حدود دو درصد بیشتر از کلمات دیابتی میشه، اگه قبلاً بدونین که اون کلمه "پاروکستین" است. اگه اون کلمه "پراواستاتین" باشه، رقم حدود سه درصد بیشتر از رقم اولیه میشه. اگه هر دو کلمه ی "پاروکستین" و "پراواستاتین" در جستجو باشن، رقم تا ده درصد بالا میره، یه افزایش قابل توجه سه تا چهار برابری در اون جستجوها با دو تا دارو که مورد نظر ما بود،
و کلمات دیابتی یا کلمات مشابه افزایش قند خون. اینو چاپ کردیم، و تا حدودی توجه‌ها رو جلب کرد. علت قابل توجه بودنش اینه که بیماران عوارض جانبی خودشون رو غیرمستقیم به ما میگن از طریق جستجوهاشون. ما توجه اف دی ای رو به اینها جلب کردیم. اونها علاقمند بودن. اونها برنامه‌هایی راه انداخته بودن برای نظرسنجی در رسانه‌های اجتماعی برای همکاری با مایکروسافت، که زیرساختار خوبی برای انجام این کار داشت و سایر جاها، بررسی فیدهای توییتر، بررسی فیدهای فیسبوک، بررسی سوابق جستجو،
برای این که سعی کنیم متوجه علائم زودرسی بشیم که اون داروها، جداگانه یا باهم، مشکلاتی ایجاد می‌ٰکنن. چه نتیجه‌ای از این می‌گیرم؟ چرا این داستان رو میگم؟ خوب، اول از همه، ما هم اکنون چشم انداز داده‌های بزرگ و داده‌های متوسط رو داریم برای کمک به فهم تداخلات دارویی و یه واقعیت اساسی، اثر داروها. داروها چه اثری دارن؟ این اکوسیستم جدیدی ایجاد خواهد کرد و ایجاد کرده برای فهم نحوه اثر داروها و بهینه سازی مصرف اونها. نیک ادامه داد؛ حالا در کلمبیا یه استاده. این کار رو در پی اچ دی خودش برای صدها جفت دارو انجام داد. صدها تداخل خیلی مهم دارویی پیدا کرد،
و بنابراین توسعه‌ش دادیم و نشون دادیم که این روش واقعاً مؤثره برای پیدا کردن تداخلات بین دو دارو. اما، چند نکته هست. ما فقط از دو دارو استفاده نمی‌کنیم. همون طور که قبلاً گفتم، بعضی مریضها از سه، پنج، هفت، نه دارو استفاده می‌کنن. آیا مطالعه‌ای با توجه به تداخلات نه گانه انجام شده؟ بله، می‌تونیم تداخلات دوتایی رو بررسی کنیم، بین آ و ب، بین آ و س، آ و د، اما همه ی اینها با هم چی؟ اگه یه مریض همه رو با هم مصرف کنه، ممکنه با هم تداخل داشته باشن به طریقی که اثراتشون بیشتر یا کمتر بشه یا عوارضی ایجاد بشه که غیرمنتظره باشه؟
در واقع چیزی نمی‌دونیم. این آسمون آبیه، میدان بزرگی برای ما برای استفاده از داده‌ها برای این که سعی کنیم تداخلات دارویی رو بفهمیم. دو درس دیگه: ازتون میخوام به قدرتی فکر کنید که به دست میاد با داده‌های افرادی که عوارض جانبی خود را داوطلبانه در اختیار ما میذارن از طریق دکتر داروساز، خودشون یا دکتر معالج، افرادی که اجازه دادن پایگاه‌های داده در استنفورد، هاروارد، وندربلت، برای پژوهش استفاده بشه. مردم نگران داده‌ها هستند. اونها نگران حریم شخصی و امنیت خودشون هستن-- باید باشن. ما به سامانه های امن نیاز داریم. اما نمی‌تونیم سامانه‌ای داشته باشیم که اون داده‌ها رو کاملاً از دسترس خارج کنه،
چون یه منبع بسیار ارزشمنده برای الهام گرفتن، نوآوری و اکتشاف برای چیزهای جدید در پزشکی. و چیز آخری که میخوام بگم اینه که، ما در این مورد دو دارو پیدا کردیم و داستانش کمی غم انگیز بود. دو دارو که واقعاً مشکل ساز بودن. قند خون رو بالا می‌بردن. این داروها ممکنه فردی رو دچار دیابت کنن، که در غیر این دچار دیابت نمی‌شد، و بنابراین ممکنه تصمیم بگیریم در مورد مصرف هم زمان این دو دارو احتیاط کنیم، شاید از مصرف هم زمان به طور کلی خودداری کنیم، موقع تجویز دارو تصیم های متفاوتی بگیریم. اما یه احتمال دیگه وجود داره.
ممکن بود دو یا سه دارو پیدا کنیم که تداخل سودمند داشته باشن. ممکن بود اثرات دارویی جدیدی پیدا کنیم که هیچ کدوم به تنهایی نداشتن، اما با هم، به جای عوارض جانبی، ممکن بود درمان جدید و نوینی باشن برای امراضی که علاج ندارن یا درمان اونها مؤثر نیست. اگه امروز درباره درمان دارویی فکر کنیم، همه درمانهای اصلی-- برای اچ آی وی، سل، افسردگی، دیابت-- همیشه ترکیبی از چند دارو هستن. و بنابراین نکته مثبتش، و موضوع یه سخنرانی دیگه در یه روز دیگه،
اینه که چطور میتونیم با استفاده از همون منابع داده‌ها آثار مثبت ترکیب داروها رو پیدا کنیم، که درمانهای جدیدی برای ما فراهم کنه، دیدگاه‌های جدیدی درباره نحوه اثر داروها ایجاد کنه و به ما امکان بده از مریضهامون بهتر مراقبت کنیم؟ خیلی متشکرم. (تشویق)
So you go to the doctor and get some tests. The doctor determines that you have high cholesterol and you would benefit from medication to treat it. So you get a pillbox. You have some confidence, your physician has some confidence that this is going to work. The company that invented it did a lot of studies, submitted it to the FDA. They studied it very carefully, skeptically, they approved it. They have a rough idea of how it works, they have a rough idea of what the side effects are. It should be OK. You have a little more of a conversation with your physician
and the physician is a little worried because you've been blue, haven't felt like yourself, 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. I'm going to have to give you another pill." So now we're talking about two medications. This pill also -- millions of people have taken it, the company did studies, the FDA looked at it -- all good. Think things should go OK. Think things should go OK. Well, wait a minute. How much have we studied these two together?
Well, it's very hard to do that. In fact, it's not traditionally done. We totally depend on what we call "post-marketing surveillance," after the drugs hit the market. How can we figure out if bad things are happening between two medications? Three? Five? Seven? Ask your favorite person who has several diagnoses how many medications they're on. Why do I care about this problem? I care about it deeply. I'm an informatics and data science guy and really, in my opinion, the only hope -- only hope -- to understand these interactions
is to leverage lots of different sources of data in order to figure out when drugs can be used together safely and when it's not so safe. So let me tell you a data science story. And it begins with my student Nick. Let's call him "Nick," because that's his name. (Laughter) Nick was a young student. I said, "You know, Nick, we have to understand how drugs work and how they work together and how they work separately, and we don't have a great understanding. But the FDA has made available an amazing database. It's a database of adverse events.
They literally put on the web -- publicly available, you could all download it right now -- hundreds of thousands of adverse event reports from patients, doctors, companies, pharmacists. And these reports are pretty simple: it has all the diseases that the patient has, all the drugs that they're on, and all the adverse events, or side effects, that they experience. It is not all of the adverse events that are occurring in America today, but it's hundreds and hundreds of thousands of drugs. So I said to Nick, "Let's think about glucose.
Glucose is very important, and we know it's involved with diabetes. Let's see if we can understand glucose response. I sent Nick off. Nick came back. "Russ," he said, "I've created a classifier that can look at the side effects of a drug based on looking at this database, and can tell you whether that drug is likely to change glucose or not." He did it. It was very simple, in a way. He took all the drugs that were known to change glucose and a bunch of drugs that don't change glucose, and said, "What's the difference in their side effects? Differences in fatigue? In appetite? In urination habits?"
All those things conspired to give him a really good predictor. He said, "Russ, I can predict with 93 percent accuracy when a drug will change glucose." I said, "Nick, that's great." He's a young student, you have to build his confidence. "But Nick, there's a problem. It's that every physician in the world knows all the drugs that change glucose, because it's core to our practice. So it's great, good job, but not really that interesting, definitely not publishable." (Laughter) He said, "I know, Russ. I thought you might say that."
Nick is smart. "I thought you might say that, so I did one other experiment. I looked at people in this database who were on two drugs, and I looked for signals similar, glucose-changing signals, for people taking two drugs, where each drug alone did not change glucose, but together I saw a strong signal." And I said, "Oh! You're clever. Good idea. Show me the list." And there's a bunch of drugs, not very exciting. But what caught my eye was, on the list there were two drugs: paroxetine, or Paxil, an antidepressant; and pravastatin, or Pravachol, a cholesterol medication.
And I said, "Huh. There are millions of Americans on those two drugs." In fact, we learned later, 15 million Americans on paroxetine at the time, 15 million on pravastatin, and a million, we estimated, on both. So that's a million people who might be having some problems with their glucose if this machine-learning mumbo jumbo that he did in the FDA database actually holds up. But I said, "It's still not publishable, because I love what you did with the mumbo jumbo, with the machine learning, but it's not really standard-of-proof evidence that we have."
So we have to do something else. Let's go into the Stanford electronic medical record. We have a copy of it that's OK for research, we removed identifying information. And I said, "Let's see if people on these two drugs have problems with their glucose." Now there are thousands and thousands of people in the Stanford medical records that take paroxetine and pravastatin. But we needed special patients. We needed patients who were on one of them and had a glucose measurement, then got the second one and had another glucose measurement, all within a reasonable period of time -- something like two months.
And when we did that, we found 10 patients. However, eight out of the 10 had a bump in their glucose when they got the second P -- we call this P and P -- when they got the second P. Either one could be first, the second one comes up, glucose went up 20 milligrams per deciliter. Just as a reminder, you walk around normally, if you're not diabetic, with a glucose of around 90. And if it gets up to 120, 125, your doctor begins to think about a potential diagnosis of diabetes. So a 20 bump -- pretty significant. I said, "Nick, this is very cool.
But, I'm sorry, we still don't have a paper, because this is 10 patients and -- give me a break -- it's not enough patients." So we said, what can we do? And we said, let's call our friends at Harvard and Vanderbilt, who also -- Harvard in Boston, Vanderbilt in Nashville, who also have electronic medical records similar to ours. Let's see if they can find similar patients with the one P, the other P, the glucose measurements in that range that we need. God bless them, Vanderbilt in one week found 40 such patients, same trend.
Harvard found 100 patients, same trend. So at the end, we had 150 patients from three diverse medical centers that were telling us that patients getting these two drugs were having their glucose bump somewhat significantly. More interestingly, we had left out diabetics, because diabetics already have messed up glucose. When we looked at the glucose of diabetics, it was going up 60 milligrams per deciliter, not just 20. This was a big deal, and we said, "We've got to publish this." We submitted the paper. It was all data evidence, data from the FDA, data from Stanford,
data from Vanderbilt, data from Harvard. We had not done a single real experiment. But we were nervous. So Nick, while the paper was in review, went to the lab. We found somebody who knew about lab stuff. I don't do that. I take care of patients, but I don't do pipettes. They taught us how to feed mice drugs. We took mice and we gave them one P, paroxetine. We gave some other mice pravastatin. And we gave a third group of mice both of them. And lo and behold, glucose went up 20 to 60 milligrams per deciliter in the mice.
So the paper was accepted based on the informatics evidence alone, but we added a little note at the end, saying, oh by the way, if you give these to mice, it goes up. That was great, and the story could have ended there. But I still have six and a half minutes. (Laughter) So we were sitting around thinking about all of this, and I don't remember who thought of it, but somebody said, "I wonder if patients who are taking these two drugs are noticing side effects of hyperglycemia. They could and they should. How would we ever determine that?"
We said, well, what do you do? You're taking a medication, one new medication or two, and you get a funny feeling. What do you do? You go to Google and type in the two drugs you're taking or the one drug you're taking, and you type in "side effects." What are you experiencing? So we said OK, let's ask Google if they will share their search logs with us, so that we can look at the search logs and see if patients are doing these kinds of searches. Google, I am sorry to say, denied our request.
So I was bummed. I was at a dinner with a colleague who works at Microsoft Research and I said, "We wanted to do this study, Google said no, it's kind of a bummer." He said, "Well, we have the Bing searches." (Laughter) Yeah. That's great. Now I felt like I was -- (Laughter) I felt like I was talking to Nick again. He works for one of the largest companies in the world, and I'm already trying to make him feel better. But he said, "No, Russ -- you might not understand.
We not only have Bing searches, but if you use Internet Explorer to do searches at Google, Yahoo, Bing, any ... Then, for 18 months, we keep that data for research purposes only." I said, "Now you're talking!" This was Eric Horvitz, my friend at Microsoft. So we did a study where we defined 50 words that a regular person might type in if they're having hyperglycemia, like "fatigue," "loss of appetite," "urinating a lot," "peeing a lot" -- forgive me, but that's one of the things you might type in. So we had 50 phrases that we called the "diabetes words."
And we did first a baseline. And it turns out that about .5 to one percent of all searches on the Internet involve one of those words. So that's our baseline rate. If people type in "paroxetine" or "Paxil" -- those are synonyms -- and one of those words, the rate goes up to about two percent of diabetes-type words, if you already know that there's that "paroxetine" word. If it's "pravastatin," the rate goes up to about three percent from the baseline. If both "paroxetine" and "pravastatin" are present in the query, it goes up to 10 percent, a huge three- to four-fold increase
in those searches with the two drugs that we were interested in, and diabetes-type words or hyperglycemia-type words. We published this, and it got some attention. The reason it deserves attention is that patients are telling us their side effects indirectly through their searches. We brought this to the attention of the FDA. They were interested. They have set up social media surveillance programs to collaborate with Microsoft, which had a nice infrastructure for doing this, and others, to look at Twitter feeds,
to look at Facebook feeds, to look at search logs, to try to see early signs that drugs, either individually or together, are causing problems. What do I take from this? Why tell this story? Well, first of all, we have now the promise of big data and medium-sized data to help us understand drug interactions and really, fundamentally, drug actions. How do drugs work? This will create and has created a new ecosystem for understanding how drugs work and to optimize their use. Nick went on; he's a professor at Columbia now.
He did this in his PhD for hundreds of pairs of drugs. He found several very important interactions, and so we replicated this and we showed that this is a way that really works for finding drug-drug interactions. However, there's a couple of things. We don't just use pairs of drugs at a time. As I said before, there are patients on three, five, seven, nine drugs. Have they been studied with respect to their nine-way interaction? Yes, we can do pair-wise, A and B, A and C, A and D, but what about A, B, C, D, E, F, G all together, being taken by the same patient,
perhaps interacting with each other in ways that either makes them more effective or less effective or causes side effects that are unexpected? We really have no idea. It's a blue sky, open field for us to use data to try to understand the interaction of drugs. Two more lessons: I want you to think about the power that we were able to generate with the data from people who had volunteered their adverse reactions through their pharmacists, through themselves, through their doctors, the people who allowed the databases at Stanford, Harvard, Vanderbilt, to be used for research.
People are worried about data. They're worried about their privacy and security -- they should be. We need secure systems. But we can't have a system that closes that data off, because it is too rich of a source of inspiration, innovation and discovery for new things in medicine. And the final thing I want to say is, in this case we found two drugs and it was a little bit of a sad story. The two drugs actually caused problems. They increased glucose. They could throw somebody into diabetes who would otherwise not be in diabetes,
and so you would want to use the two drugs very carefully together, perhaps not together, make different choices when you're prescribing. But there was another possibility. We could have found two drugs or three drugs that were interacting in a beneficial way. We could have found new effects of drugs that neither of them has alone, but together, instead of causing a side effect, they could be a new and novel treatment for diseases that don't have treatments or where the treatments are not effective. If we think about drug treatment today,
all the major breakthroughs -- for HIV, for tuberculosis, for depression, for diabetes -- it's always a cocktail of drugs. And so the upside here, and the subject for a different TED Talk on a different day, is how can we use the same data sources to find good effects of drugs in combination that will provide us new treatments, new insights into how drugs work and enable us to take care of our patients even better? Thank you very much. (Applause)