TED演講｜葯不能亂吃！同時吃好幾種葯會發生什麼？

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?

演講實錄

你去看醫生，接受了一些檢查。醫生診斷出你的膽固醇過高，建議你服藥治療可能有幫助。所以，你拿到了藥罐子。你有點信心，你的醫師也有信心，認為這葯會有效。發明這個葯的公司做了很多的研究，然後呈送給FDA。他們很仔細、審慎地研究，並核准了這藥物上市。他們大概知道這藥物如何運作，也大略知道會有什麼副作用，應該沒問題。你跟醫師又多聊了一會，而醫師有點擔心，因為你很憂鬱，精神欠佳。無法像平常一樣盡情享受生活點滴。你的醫師說：「我認為你有一點精神憂鬱，我再開個葯給你。」

所以，我們現在有兩種葯了。這個葯也有好幾百萬人服用過，公司做了研究，FDA也檢查過，全部都沒問題。想一下，這東西沒問題，OK的。想一下，那東西沒問題，OK的。但，請等一下。我們對這兩種葯混在一起吃做了多少研究？

圖片來源：123RF

其實，這很難評估。事實上，傳統上都不會做。在藥物上市後，我們完全倚賴一種叫做「上市後監察系統」的機制，我們要如何確認，兩種葯之間是否有什麼不好的事會發生？三種？五種？七種呢？問你身邊有各種疾病在身的人，他們正在吃多少葯。

為什麼我在乎這個問題？我非常在乎。我是研究信息和數據科學的人，真的，在我看來，了解藥物彼此間的交互影響唯一的希望只有運用不同來源的龐大數據，才能找出這些葯何時可以安全地一起服用，以及何時不行。

所以，讓我來告訴各位一個數據科學的故事。這要從我的學生尼克開始講起。我們就稱呼他為尼克吧，因為那就是他的本名。

尼克很年輕，我說：「尼克，我們必須了解藥物如何運作，以及藥物在一起會如何運作、分開會如何運作，而我們並沒有了解很深。」但FDA已經有一個很驚人的資料庫，是一個藥物不良反應通報資料庫。數據真的直接放在網路上供大眾查詢，你現在就可以全部下載，從病人、醫生、公司、藥劑師通報上來好幾百萬個的藥物不良反應通報。這些報告都相當簡單：上面有病人所有疾病及所有藥物的使用狀況，還有他們經歷過的所有不良反應事件或副作用。雖然沒有現今在美國發生的所有不良反應事件，但卻有上百萬種藥物資科。

所以，我跟尼克說：「我們來想一想葡萄糖。葡萄糖非常重要，而且大家都知道它與糖尿病有關。讓我們來看看是否可以了解葡萄糖的反應。」我請尼克去找數據。

他回來後說：「洛斯，我已經建造了一個分辨器，可以透過這個資料庫來檢視一種藥物的副作用，而且還可以告訴你，這個葯會否改變病人血糖狀況。」

他用一個方法做到了，很簡單。他把所有已知會改變葡萄糖的藥物及所有不會改變的藥物拿出來做比較，「它們之間的副作用有什麼分別？疲勞狀況上的差異？食慾上的差異？排尿習慣上的差異」？所有這些事情都可以協助他做出一個很棒的預測器。他說：「洛斯，我能預測哪種葯可改變血糖，準確率可以高達93%。」

我說：「尼克，這太棒了！」他是個年輕的學生，你必須建立他的信心。「但，尼克，有一個問題。就是全世界的醫師都知道這些葯會改變葡萄糖，因為這是我們的核心。所以，你很棒，幹得好，但並沒有人對這有興趣，絕對還不適合公布你的研究結果。」

他說：「我知道，洛斯。我知道你可能會這麼說。」尼克很聰明。「我知道你會這麼說，所以我多做了另一項實驗。我仔細觀察資料庫里同時服用兩種葯的人，然後尋找他們之間葡萄糖改變的相似訊號，但前提是，這些藥單獨服用不會改變葡萄糖，一起服用時，會有強烈訊號的藥物。」

我說：「喔！你真聰明，好主意，讓我看一下列表。」有一大堆葯，並沒有令人非常興奮。但引起我注意的是，列表上有兩種葯：帕羅西汀或稱克憂果，這是一種治療憂鬱症的葯，還有普伐他汀或稱美百樂，一種治療心臟疾病的葯。

然後我說：「哈！有上百萬美國人正在服用這兩種葯」。事實上，我們之後才知道，當時有1500萬美國人正在服用帕羅西汀，1500萬人正在服用普伐他汀，而我們預估有100萬人，同時服用這兩個葯。所以，有100萬人可能有葡萄糖上的問題，如果他用FDA的資料庫做的機械學習判讀器真的有用的話。但我說：「還是不能發表，因為我雖然喜歡你做的機械學習判讀器，但我們沒有真正的證明標準來證明我們是正確的。」所以，我們來必須做些其他事來驗證。我們去找斯坦福的電子病例紀錄。我們有一個副本，可以用來研究，我們移除了病人的個人資料。我說：「讓我們來看看，服用這兩種葯的人是否有葡萄糖上的疾病。」

圖片來源：TED視頻

在斯坦福病例紀錄中有成千上萬的人同時服用這兩種葯。但我們需要特定病患。我們需要已經做葡萄糖檢測且服用其中一種葯的病人，另外再找到另一個已經做過另一個葡萄糖檢測的病人，全部都在合理期間做的，例如兩個月內。當我們開始著手進行時，我們找到十個病人。然而，十個人裡面有八個葡萄糖異常增加現象，在他們服用第二個P時─我們稱呼這個叫P和P——當他們服用了第二個P。哪一個先服用都行，當第二個葯服用後，葡萄糖濃度每公升會增加20毫克。提醒各位一下，如果你能正常走動，沒有糖尿病，你的葡萄糖濃度約90毫克／公升。如果上升到120、125，你的醫生會開始認為你有潛在的糖尿病癥狀。所以，一下子增加20是相當明顯的。

我說：「尼克，這很酷。但，很抱歉，我們仍然沒辦法寫報告，因為只有十個病人，饒了我吧，病人樣本數根本不夠。」

所以，那怎麼辦？我們來打電話給哈佛及范德堡大學的朋友，就是波士頓的哈佛及納什維爾的范德堡，他們都有跟我們很像的電子病曆紀錄。讓我們看看，他們是否也可以找到相同的病人，也有我們需要的已經服用這兩種葯，並做過葡萄糖檢測的病人。

上天保佑，范德堡一個星期內找到40個有同樣趨勢的病人。哈佛找到100個有同樣趨勢的病人。所以，最後，我們從三個不同的醫學中心找到150個病人服用過這兩種葯，然後有葡萄糖異常增加現象。

有趣的是，我們沒有考慮糖尿病患者，因為糖尿病患者本身的血糖濃度就已經很混亂。當我們觀察糖尿病患者的血糖濃度時，會上升到每公升60毫克，不只20毫克。這事情很重要，我們說：「我們必須發布這件事。」我們遞交報告，裡面全部都是數據證明，有來自FDA、斯坦福的數據、有來自范德堡、哈佛醫學院的數據，我們完全沒有做任何實驗。

但我們很緊張。所以，當報告送去審核時，尼克就去了實驗室。我們找到會做實驗的人。我不做實驗的。他們教我們如何喂老鼠吃藥。我們給第一組老鼠餵食帕羅西汀，給第二組老鼠餵食普伐他汀。第三組的老鼠兩種葯都餵食。驚奇的是，葡萄糖每公升上升20到60毫克，老鼠也有相同的反應。

所以，只有數據證據的報告被接受了，但我們在最後加了註記說，如果把藥物給老鼠，葡萄糖也會上升。

太棒了，故事其實就到這裡結束。但，我還有六分半鐘。

所以，我們坐下來想一下所有的事，我忘記誰曾經說過，但有人說：「不曉得同時服用這兩種葯的病人，是否有注意到高血糖症的副作用。他們可能知道，也必須知道。我們要如何確定？」

我們說，好吧，你會怎麼做？你服用了一種葯，一個或兩個新葯，然後你感覺怪怪的。你會怎麼做？你會去問Google，然後搜尋你在服用的一或兩個藥名，然後加上「副作用」。你會找到什麼？所以，我們說，好，我們來問Google能否跟我們分享搜尋紀錄，讓我們可以觀察搜尋紀錄，看是否有病人也在做同樣的搜尋。很抱歉我得這麼說，但Google拒絕了我們的請求。所以，我很煩惱。我跟一個在微軟研究室的同事吃晚餐時，我跟他說：「我們想做這個研究，Google說不行，我有點煩惱。」他說：「我們有Bing搜索引擎啊。」

是啊！太棒了。現在，我感覺……

我好像又在鼓勵尼克一樣。他在全世界數一數二的公司上班，我已經開始要安慰他了。但他說：「不，洛斯，你可能沒搞懂。我們不只有Bing啊，如果你用IE瀏覽器在Google、雅虎、Bing等任何搜索引擎上搜索詞條，之後18個月，我們保留這些數據僅做研究目的使用。」我說：「這才象話嘛！」這就是我的微軟朋友艾瑞克．霍維茲。

我們做了一項研究，我們定義出了50個如果一般人有高血糖症時會鍵入的關鍵詞，像是疲勞、沒食慾、頻尿等。請原諒我，但這些就是你可能會鍵入的關鍵詞。所以，我們有了50個短語，我們稱之為「糖尿病關鍵詞」。我們先設定了一條基線。原來，網路上有包含這些關鍵詞的搜尋佔了0.5~1%的比例。所以，這就是我們的基線率，如果大家鍵入「帕羅西汀」或「克憂果」──這些是同義字──以及剛剛其中一個關鍵詞，那糖尿病類型的基線率會上升到2%，如果你已經知道「帕羅西汀」這個字的話。如果是「普伐他汀」，那比率會從基線率上升到3％。如果「帕羅西汀」和「普伐他汀」同時出現，那會上升到10%，有3到4倍的增加，用這兩種葯搜尋，會出現我們感興趣的字在裡面，像是糖尿病類的字或高血糖症類的字。

我們發布了這個研究，並得到一些關注。它值得被關注的原因是，病人會透過搜尋，直接告訴我們藥物的副作用。我們得到了FDA的關注。他們很感興趣。他們已經有社交媒體監測計劃，與微軟展開合作，他們有良好的設備來做這些事，可以觀察推特的動態、觀察臉書的動態、觀察搜尋日誌、嘗試觀察引發問題的無論單一藥物或混合藥物的早期癥狀。

我從這件事學到什麼？為什麼要講這個故事？首先，我們現在有大數據及中型數據撐腰，來幫助我們了解藥物的相互作用，以及真實、基本的藥物作用。藥物是如何作用？這個將會創造一個新的生態系統，來幫助我們了解藥物如何運作以及有效使用它們。尼克繼續往前走，他現在是哥倫比亞的教授。他用好幾百對藥物作為博士研究。他找到一些非常重要的藥物交互作用，所以，我們複製這個模式，展示出利用這樣做來尋找葯與葯之間的作用真的有效。

然而，還有一些事。我們不會同時一次只服用兩種葯。就如我之前所說的，有病人一次是服用三、五、七、九種葯。他們有認真研究這九種葯的相互作用嗎？沒錯，我們可以做成對的葯，A+B、A+C、A+D，但如果同一個病人同時服用ABCDEFG，那可能會互相產生那些作用？藥效更好或更不好？或造成那些意想不到的副作用呢？我們真的不知道。它是個開放式的藍天領域，讓我們可以使用數據，來嘗試了解藥物彼此間的作用。

另外兩件事：我想要各位去想想我們所創造出來的力量，就是我們已經可以透過藥劑師、病人本身、病人的醫師，來取得志願者身上他們的藥物不良反應，這些人同意他們的數據可以被斯坦福、哈佛、范德堡醫學院來做研究使用。他們擔心自己的隱私及安全──他們必須要擔心。我們需要保全系統。但我們不能有一個把數據關起來的系統，因為它的資源太豐盛了，它對醫學界的鼓舞、創新、發現新事物實在太重要了。

最後，我想說的是，我們發現這兩個葯的案例，的確是令人難過的故事。這兩個葯一起服用真的會有問題。同時服用會增加葡萄糖，會造成一個原本沒糖尿病的人發生糖尿病情形，所以，各位如果想一起使用這兩種葯，一定要非常小心，最好不要一起服用，當你要開處方簽時，看看有沒有不同的選擇。但，也有其他的可能。我們或許能找到兩或三種葯，一起服用時也許可以更有效。我們或許也可以找到藥物本身沒有的作用，但在一起服用時不但沒有產生副作用，反而產生新作用，有可能變成最新的絕症疾病治療方式，或者原本的治療方式完全是無效的。如果我們想想現今的藥物治療方式，所有的重大突破──艾滋病、肺結核、憂鬱症，糖尿病──總像是藥物雞尾酒。

這件事的好處是，也許哪一天不同的TED主題，我們又會來到這裡分享，我們要如何用同樣的數據源來找到藥物混用時產生的好效果，它將提供我們新的治療方式，以及對藥物如何作用提供新的見解，並且讓我們的病人得到更好的照顧。

非常謝謝各位。

斯坦福大學生物工程、遺傳學、醫學和計算機科學教授Russ Altman博士的主要研究將計算和信息技術應用於與醫學相關的問題。他目前是NIH主任顧問委員會成員。他是PharmGKB知識庫的創始人以及藥物基因組學公司的顧問。（圖片來源：斯坦福大學官方網站）

本網站所有註明「來源：生物探索」的文字、圖片和音視頻資料，版權均屬於生物探索所有，其他平台轉載需得到授權。本網所有轉載文章系出於傳遞更多信息之目的，且明確註明來源和作者，不希望被轉載的媒體或個人可與我們聯繫(editor@biodiscover.com)，我們將立即進行刪除處理。所有文章僅代表作者觀點，不代表本站立場。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！