Lautsprecher | Transkript |
| Olivia Lippincott | Was |
| wenjba | Es ist mir eine Freude, darüber zu sprechen. Erhalten Sie hochwertige Informationen aus dem FDA-Arzneimittelkennzeichnungssystem und der JMP-Erkennung. |
| Und heute werde ich über vier Portionen sprechen. Zunächst gebe ich einige Hintergrundinformationen zur Überwachung nach der Markteinführung von Arzneimitteln und zu den Bemühungen der FDA-Zulassungsbehörde und der Industrie. Außerdem werde ich einen Datensatz zur Arzneimittelkennzeichnung verwenden |
| um den Text zu analysieren und den Text-Explorer in JMP zu verwenden und auch das Add-In zu verwenden |
| JMP-Add-In |
| XGBoost analysiert diese DILI-Informationen und gibt dann die Schlussfolgerung. Außerdem ist das XGBoost-Tutorial von Dr. Russ Wolfinger bei diesem JMP Discovery Summit ebenfalls anwesend. Wenn Sie sich für XGBoost interessieren, besuchen Sie bitte sein Tutorial. |
| Also die Arzneimittelentwicklung, laut FDA-Beschreibung für die Arzneimittelverarbeitung, |
| Es kann in fünf Phasen unterteilt werden, und die ersten beiden Phasen, Entdeckung und Forschung, sind präklinisch, viele in der |
| in der Tierstudie und im chemischen Screening, und in späteren drei Phasen wird der Mensch einbezogen. Und JMP verfügt über drei Produkte, darunter JMP Genomics, JMP Clinical, |
| JMP und JMP Pro, die alle Phasen der Arzneimittelentwicklung abgedeckt haben. Und JMP Genomics ist das Omics-System, das für die Auswahl von Omics und klinischen Biomarkern verwendet werden kann, und JMP Clinical ist spezifisch für die klinische Studie |
| und Post-Marketing-Überwachung der Arzneimittelsicherheit und -wirksamkeit. Darüber hinaus kann JMP Pro für die Bereinigung von Arzneimitteldaten, das Mining, die Zielidentifizierung, die Formulierungsentwicklung, DOE, QbD, Bioassays usw. verwendet werden. Es kann also in jeder Phase eingesetzt werden |
| die Medikamentenentwicklung. |
| Bei dieser Medikamentenentwicklung gibt es also am häufigsten eine einzige Ursache, die als DILI bezeichnet wird und tatsächlich für die klinische Studie gestoppt werden kann. |
| Die Zulassung des Arzneimittels kann von der FDA oder einer anderen Aufsichtsbehörde abgelehnt oder zurückgerufen werden, sobald das Arzneimittel auf dem Markt ist. Dies ist also die häufigste Einzelursache, die als DILI bezeichnet wird. Informationen finden Sie im FDA-Leitfaden und auch in anderen wissenschaftlichen Veröffentlichungen. Also |
| Was ist DILI? Dabei handelt es sich tatsächlich um eine medikamenteninduzierte Leberschädigung. |
| Es heißt DILI und Sie haben die FDA. Vor fast zehn Jahren, im Jahr 2009, veröffentlichten sie einen Leitfaden für DILI. |
| Wie die Bewertung und Nachverfolgung erfolgt, bietet die FDA eine mehrjährige DILI-Schulung für den klinischen Prüfer an und diese Informationen können auch heute noch online abgerufen werden. |
| Und sie haben die Konferenzen, die ebenfalls von der FDA organisiert wurden, erst letztes Jahr. Und natürlich gilt für das DILI, wie Sie das Subjekt definieren oder der Patient einen DILI-Fall haben könnte, dort das Hy-Gesetz, das darin enthalten ist |
| FDA-Anleitung. |
| Hier ist ein Beispiel für die DILI-Bewertung für die klinische Studie, hier in der klinischen Studie: |
| im JMP Clinical nach Hy's Law. Das Hy-Gesetz ist also die Kombinationsbedingung für die verschiedenen Leberenzyme, wenn sie auf ein bestimmtes Niveau ansteigen. |
| dann würden Sie denken, es wären die möglichen Fälle von Hy's Law. Sie haben also möglicherweise Leberschäden. Hier verwenden wir also die Farbe, um das zu identifizieren |
| mögliche Hy's Law-Fälle, das rote ist ein Ja, das blaue ist ein Nein. Und auch die unterschiedlichen Rund- und Dreiecksformen stammten aus unterschiedlichen Behandlungsgruppen. Wir verwenden auch ein JMP-Blasendiagramm, um das anzuzeigen |
| Die Enzyme erhöhen sich im Laufe der Zeit...Zeitpunkt...während der Zeit des klinischen Versuchszeitraums. Das ist also typisch. Das sind 15 Tage. Dann haben Sie das |
| Thema, das Starten war ganz normal. Dann werden sie irgendwie verrückt. Hohe Werte des Leberenzyms weisen darauf hin, dass dies möglicherweise der Fall ist |
| DILI mögliche Fälle. |
| Die FDA verfügt also über zwei große Datenbanken, mit denen sie sich tatsächlich mit der Zeit nach der Markteinführung befassen kann |
| Überwachung der Arzneimittelsicherheit. Eine davon ist ein Arzneimitteletikett, dessen Daten wir aus dieser Datenbank beziehen. Ein anderes ist das FDA Adverse Event Reporting System |
| Dann haben sie vom NIH und vom NCBI sehr aktiv gearbeitet |
| Ich habe dieses LiverTox aufgebaut und habe viele Informationen, die sich mit dem DILI befassen. Und die FDA verfügt über eine weitere Datenbank mit dem Namen „Liver Toxic“. |
| Die Wissensdatenbank und die Führung durch Dr. Tong, der unser Kollege ist, sind in dieser Präsentation vertreten. Sie verfügen über umfangreiche Kenntnisse über das DILI und haben diese spezielle Datenbank zur öffentlichen Information aufgebaut. |
| Also Arzneimitteletikett. Das hat wahrscheinlich jeder gesehen, wenn man ein verschreibungspflichtiges Medikament bekommt. Sie haben dieses wortreiche Papier mit Ihrer Droge bekommen. |
| Daher enthalten sie auch winzige Schriftwörter, die zwar manchmal zu klein zum Lesen sind, aber dennoch viele nützliche wissenschaftliche Informationen über dieses Medikament enthalten |
| Dann werden zwei Tränke mit meiner heutigen Präsentation in Zusammenhang stehen, nämlich die Abschnitte „Warnungen“ und „Vorsichtsmaßnahmen“. Also im Grunde genommen alle Informationen über das unerwünschte Arzneimittelwirkungsereignis und alles, was benötigt wird |
| Seien Sie in diesen beiden Abschnitten gewarnt. Und das hat dieses Medikament tatsächlich |
| Über 2000 Wörter beschreiben die Warnungen und Vorsichtsmaßnahmen. Und glücklicherweise hat nicht jedes Medikament so viele Nebenwirkungen oder Nebenwirkungen. Einige Medikamente wie dieses, |
| Eines der Metformine hat tatsächlich einen kleinen Abschnitt mit Warnhinweisen und Vorsichtsmaßnahmen. Daher sind in der älteren Version des Arzneimitteletiketts in den einzelnen Abschnitten Warnhinweise und Vorsichtsmaßnahmen aufgeführt, in der neuen Version sind sie zusammengefasst. Das hier ist also in der neuen Version, die sie veröffentlicht haben ... sie haben diese beiden |
| Abschnitte zusammen. Aber dieses hat viel weniger Nebenwirkungen. Deshalb haben JMP und die JMP-Klinik die FDA mit der Durchführung der Sicherheitsanalyse beauftragt und wir helfen tatsächlich dabei, alle auf den Arzneimitteletiketten aufgeführten unerwünschten Ereignisse abzuschließen. |
| Das sind also die Daten, die heute vorgelegt wurden. Daher verwenden wir den Abschnitt „Warnung und Vorsicht“ in den 462 Arzneimitteletiketten, die von den FDA-Forschern extrahiert wurden und die ich gerade von ihnen erhalten habe. |
| Und jedem Medikament wurde der DILI-Indikator zugeordnet. 1 ist ja und die Null ist nein. Aus dieser Verteilung können Sie also ersehen, dass es welche gibt |
| etwa ein...164 Drogen hat |
| potenzielle DILI-Fälle und 298 nicht, und das Originalformat für die Arzneimitteletikettendaten ist das XML-Format, das von JMP multipliziert auf einmal importiert werden kann. |
| Was die DILI-Schlüsselwörter betrifft, so hat die FDA jahrelang daran gearbeitet, diese Schlüsselwortliste zu erstellen. Dann kamen sie tatsächlich zum Experten, lasen Hunderte von Medikamentenetiketten und entschieden dann, was möglicherweise zu den DILI-Fällen werden könnte. Dann haben sie sich diese ausgedacht |
| ca. 44 anzugebende Wörter oder Begriffe als Schlüsselwort, das für das Medikament angegeben werden soll |
| könnten die DILI-Fälle sein. Und vielleicht haben Sie auch von MedDRA gehört, einem medizinischen Wörterbuch für regulatorische Aktivitäten. Sie haben unterschiedliche Ebenen standardisierter Begriffe und der beliebteste ist der bevorzugte Begriff. Ich werde es heute verwenden. |
| Also im |
| Warnung und Vorsicht, Sie können sehen, ob wir alles zusammenbringen, Sie haben über 12.000 Begriffe im |
| Beachten Sie die Warnhinweise und den Abschnitt „Vorsichtsmaßnahmen“. Und Sie können sehen, dass „patients“ und „may“ ein dominantes Wort sind |
| nicht gemacht...sollte nicht mit den medizinischen Fällen und den medizinischen Informationen in diesem Fall in Zusammenhang stehen. Damit wir das entfernen können, sehen Sie, dass in diesem Wort kein anderes Wort so dominant ist |
| Cloud, aber es gibt immer noch viele medizinische Wörter, die nichts mit der Medizin zu tun haben, wie „verwenden“ und „berichtet“, die wir einfügen könnten … |
| könnten sie aus unserer Analyseliste entfernen. Im Text-Explorer können wir sie also in das Stoppwort einfügen, und normalerweise haben wir auch das verwendet |
| Verschiedene Text-Explorer-Technologien umfassen Stemming, Tokenisierung, Regex, Neukodierung und manuelles Löschen. |
| um die Liste aufzuräumen. Da es jedoch 12.000 Begriffe umfasste, konnte es sehr zeitaufwändig sein. |
| Da wir jedoch über die Liste verfügen, die uns interessiert, möchten wir den Vorteil nutzen, dass wir bereits wussten, wofür wir an den Begriffen in diesem System interessiert sind. |
| Was wir also tun werden, und ich werde Ihnen in der Demo zeigen, dass wir nur die DILI-Schlüsselwörter sowie den bevorzugten Begriff aus MedDRA verwenden, um die interessanten Begriffe und die Phrasen für die Vorhersage zu generieren. |
| Hier ist das Beispiel, das wir nur mit den DILI-Schlüsselwörtern gesehen haben. Dann sehen Sie hier alles, was Sie sogar in der Liste sehen können. Sie haben eine Zählnummer |
| Auf der Seite wird für jeden Begriff angezeigt, wie oft er im Text wiederholt wird |
| Im Abschnitt „Warnungen und Vorsichtsmaßnahmen“ können Sie auch mehr Farben und mehr sehen |
| Grafik in der Weltwolke, um ein Muster zu erkennen. Und dann fügen wir die medizinischen Begriffe hinzu, das waren die medizinbezogenen Begriffe. Es ist also immer noch von 12.000 Begriffen auf 1190 Begriffe heruntergekommen, die DILI-Schlüsselwörter und medizinische Vorzugsbegriffe enthalten. Deshalb denken wir, dass das gut wäre |
| Beginnen Sie mit der Begriffsliste, um unsere Analyse durchzuführen. |
| Was wir also tun, ist in der |
| Mit dem JMP Text Explorer können wir die Begriffsmatrix im Dokument speichern. Das heißt, wenn Sie eine 1 sehen, bedeutet dies, dass dieses Dokument diesen Begriff gesehen hat. Wenn dort steht, dass dieser Begriff 0 ist, bedeutet dies, dass dieses Dokument vorhanden ist |
| hat nicht gesehen, habe einen Fall dieses Wortes. |
| Also dann wir, in der |
| XGBoost erstellt eine k-Faltung und drei k-Faltungen, wobei jede mit fünf Spalten verwendet wird. |
| Deshalb verwenden wir in diesem maschinellen Lernen das XGBoost-Baummodell, das für JMP Pro hinzugefügt wurde, und wir ... verwenden den DILI-Indikator |
| als Zielvariable und sie verwenden die DILI-Schlüsselwörter sowie die bevorzugten MedDRA-Begriffe, die mehr als 20 Mal aufgetaucht sind |
| zu...als Prädiktor. Dann verwenden wir eine Kreuzvalidierung XGBoost und dann eine 300-fache Interaktion. Jetzt haben wir statistische Leistungsmetriken, wir erhalten die Begriffsbedeutung für DILI, |
| und wir erhalten, wir können den Vorhersageprofiler für Interaktionen verwenden und auch die Vorhersageformel für die Vorhersage neuer Medikamente generieren und speichern. |
| Also gehe ich zur Demo. |
| Das ist also eine Beispieltabelle, die wir erhalten haben |
| im JMP. |
| Sie haben also drei Spalten. Im Grunde haben Sie den Index, der eine Medikamenten-ID ist. Dann haben Sie die Warnung und Vorsichtsmaßnahme, es hätte viel mehr enthalten können |
| Worte, dass es erschienen ist, also haben Sie im Grunde alle Informationen für jedes Medikament. Jetzt haben Sie einen DILI-Indikator. Also machen wir das |
| Zuerst den Text-Explorer. Wir haben eine Analyse, Sie gehen zum Text-Explorer, Sie können diesen verwenden |
| Eingabe, bei der es sich um einen Warn- und Vorsichtstext handelt, und Sie würden ... normalerweise können Sie hier verschiedene Dinge tun, Sie können Zeichen minimieren, normalerweise gehen die Leute zu 2 oder tun andere Dinge. Oder Sie könnten das Stemming oder den regulären Ausdruck und to verwenden |
| mache alles mögliche |
| Formel und in unserer Begrenzung können begrenzt sein. Beispielsweise können Sie eine Anpassung verwenden |
| Regex, um alle Zahlen zu entfernen. Das heißt, wenn es sich nur um Zahlen handelt, können Sie diese entfernen, aber da wir eine Liste verwenden, werden wir keine davon anfassen, wir können einfach hierher gehen und einfach sagen: „Okay, |
| Es kam also die ganze Liste davon heraus, alles. Jetzt sage ich: Mir geht es nur darum |
| Oh, für dieses hier kannst du...du kannst es zeigen |
| Wortwolke. |
| Und |
| wir wollen sagen, dass ich es zentrieren möchte |
| und ich möchte auch die Farbe. |
| Wenn Sie das hier sehen, sehen Sie, dass der Patient so dominant ist, dann können Sie sagen: „Okay, das ist auf jeden Fall … nicht das …“ |
| sollte nicht in der sein |
| in Analyse. Also wähle ich einfach aus und klicke mit der rechten Maustaste auf „Stoppwort hinzufügen“. |
| Sie werden also sehen, dass diese entfernt und nicht mehr in Ihrer Liste und nicht mehr in der Liste angezeigt werden |
| Wortwolke. |
| Jetzt möchte ich Ihnen etwas zeigen |
| Ich denke, das würde das Aufräumen beschleunigen, denn es könnten so viele andere Wörter im System sein, die ich nicht brauche. Also wähle ich tatsächlich aus |
| und setze alles in das Stoppwort. |
| Also habe ich alles entfernt, außer dass ich nicht weiß, warum die „Aktion“ nicht entfernt werden kann. |
| Und aber es ist in Ordnung, wenn es nur einen gibt. Also gehe ich hierher. Ich sagte „Phrase verwalten“, ich möchte meine Schlüsselwörter importieren. Stichwort einfach ein... |
| sehr einfach. Der Titel, |
| Einspaltige Daten enthalten lediglich die gesamte Namensliste. Also importiere ich das und füge es in lokal ein. Dies wird meine lokale Bibliothek sein. Und ich sagte: Okay. |
| Jetzt habe ich also nur das Schlüsselwort, das ich habe. |
| OK, das wird jetzt so sein...Ich möchte die Analyse später machen. Und ich möchte sie alle in meine Analyse einbeziehen, weil es sich um Schlüsselwörter handelt. Also gehe ich hierher, das rote Dreieck, alles im Text-Explorer, versteckte Funktionen, darin versteckt |
| rotes Dreieck. Also sage ich „Matrix speichern“. Also möchte ich eins haben und ich möchte 44 hoch |
| in meiner Analyse. Ich sage okay. Sie werden sehen, alles wird auf meinem... gespeichert. |
| zur Spalte, der Matrix. |
| Jetzt möchte ich das, was ich hinzufügen möchte, noch einmal hinzufügen: Ich möchte den Satz noch einmal haben. Ich möchte auch importieren |
| diese bevorzugten Bedingungen. |
| in die |
| meine Datenbank, meine lokalen Daten. |
| Dann möchte ich auch |
| Eigentlich möchte ich vor Ort |
| Zu |
| also sage ich, okay. |
| Jetzt habe ich also die Mischung, beides |
| die bevorzugten Begriffe aus dem MedDRA und auch meine Schlüsselwörter. So können Sie jetzt sehen |
| Phrasen haben sich geändert. |
| Damit ich sie zu meiner Liste hinzufügen kann. Das Gleiche gilt für meine sichere Begriffsmatrixliste und ich bekomme alle Zahlen ... alle Begriffe, die ich einbeziehen möchte. Und das Einzige, worauf ich hier hinweisen möchte, sind diese Begriffe, und sie sind ... wir müssen sie ändern |
| ein Modellformat. Dieser Modelltyp wird fortgesetzt. Ich möchte sie auf nominal ändern. Warum ich das mache, erzähle ich dir später. |
| Jetzt habe ich es also und kann zum gehen |
| XGBoost, das im Add-In enthalten ist. Wir können ... die Spalten falten, um sicherzustellen, dass ich das tun kann |
| Kreuzvalidierung. Ich kann einfach den Index verwenden und standardmäßig beträgt die Anzahl der zu erstellenden k-Faltspalten drei und die Anzahl der Faltungen (k) in jeder Spalte beträgt fünf. Wir verwenden einfach die Standardeinstellung. |
| Sagen Sie, okay, es werden sehr schnell drei Spalten generiert. Und am Ende sehen Sie Falte A, B, C, drei davon. |
| Also haben wir das verstanden, dann haben wir... |
| Eine andere Sache, die ich tun wollte, ist in der... |
| So können wir |
| Wir können ein anderes schaffen |
| Phrase |
| die alles hat...die haben alles in...dieser Satz hat alles, einschließlich der Schlüsselwörter und PT, aber ich möchte einen erstellen, der nur das hat |
| nur haben |
| Habe nur die |
| den bevorzugten Begriff, aber nicht über das Schlüsselwort, also kann ich diese Schlüsselwörter zur lokalen Ausnahme hinzufügen und sagen: „Okay.“ Diese Wörter haben also nur Vorzugsbegriffe, nicht jedoch die |
| Schlüsselwörter. Auf diese Weise kann ich eine weitere Liste erstellen und eine weitere Liste davon speichern |
| Dokumentation |
| Worte als dieses, das ich haben möchte. Also |
| habe 1000, aber dieser Begriff hat nur 20. Was sie also tun werden, ist, dass ihnen die geretteten Bedingungen entweder erfüllt werden ... |
| Nimm wenigstens |
| mehr als 20 Mal auftauchen oder bis zu 1000 Mal auftauchen. Welches davon, sie werden in meiner Liste angezeigt. |
| Jetzt habe ich also eine vollständige Tabelle, die die Schlüsselwörter und auch die MedDRA-Begriffe enthält, die mehr als 20 haben, mehr als 20 Mal angezeigt werden, jetzt auch ??? Spalte, die für die Analyse bereit ist |
| XGBoost. |
| Was ich jetzt also tun kann, ist, zum XGBoost zu gehen. Ich kann gehen |
| Die Analyse jetzt. Was ich Ihnen also zeigen werde, ist, dass ich diesen DILI-Indikator verwenden kann, dann sind die X-Antwort alle meine Begriffe, die ich gerade für das Schlüsselwort und das hatte |
| bevorzugte Wörter. Jetzt verwende ich die drei Validierungen |
| Klicken Sie dann zum Ausführen auf OK. Die Ausführung dauert etwa fünf Minuten. Ich habe also bereits ein Ergebnis erhalten, das ich Ihnen zeigen möchte. |
| Also hast du... |
| So sieht es aus. |
| Das Tuning-Design. Und wir werden das überprüfen. Du hast |
| Die tatsächliche wird eine gute Voraussetzung für Sie finden, um dies zu tun. Sie können es auch, wenn Sie haben |
| So viel Erfahrung wie Ross Wolfinger auch hat, er wird hier reingehen und einige Bedingungen manuell ändern, dann bekommt man wahrscheinlich das beste Ergebnis. |
| Aber für die vielen Leute wie mich, die nicht viel Erfahrung mit XGBoost haben, würde ich lieber dieses Tuning-Design verwenden, als nur eine Maschine dazu zu haben |
| Wählen Sie zuerst für mich aus, dann kann ich hineingehen, wir können ein wenig anpassen, es hängt davon ab, was ich hier tun muss. Das ist also ein Ergebnis, das wir erhalten haben. Sie können die ... verwenden, die Sie hier sehen können |
| anders |
| Statistikmetriken für Leistungsmetriken für diese Modelle. Standardmäßig wird nur die Genauigkeit angezeigt. Sie können sie sortieren, indem Sie auf die Spalte klicken. Sie können sie sortieren und es gibt auch viele andere beliebte Leistungsmetriken wie z |
| MCC, AUC, |
| RMSE, Korrelation. Sie werden alle angezeigt, wenn Sie darauf klicken. |
| Sie werden hier auftauchen. Was auch immer Sie benötigen und welche Messung Sie durchführen möchten, hier finden Sie immer etwas. |
| Daher werde ich in diesem Fall mehr als alles andere verwenden, sagen wir, ich vertraue der Validierungsgenauigkeit. Ich möchte also nur Topmodels sehen, sagen wir fünf Models. |
| Also, was hier ist, ich wähle fünf Modelle aus. Dann gehe ich hierher und sage, ich möchte alle Showmodelle entfernen. |
| Hier sehen Sie also die fünf Modelle und dann können Sie einige Modelle sehen, auch wenn das, wie dieses 19, grün ist, |
| Es reicht nicht bis zur Hälfte. Es stimmt also etwas nicht, etwas ist für dieses Modell nicht geeignet. Das möchte ich definitiv nicht verwenden, daher kann ich andere auswählen. Angenommen, ich möchte dies auswählen |
| 19, das möchte ich entfernen. Ich kann also sagen, dass ich das Versteckte entfernen möchte. Also im Grunde genau das, was Sie tun müssen. Wenn Sie also vergleichen, sehen Sie dies |
| Metriken, sie sind eigentlich nicht viel, nicht viel unterschiedlich. Deshalb möchte ich mich auf diese Grafik verlassen, um die beste für die Leistung auszuwählen. |
| Dann entscheiden Sie sich für das Gute. Hier können Sie hingehen |
| Sagen wir, ich mag das Modell 12, also kann ich hierher gehen und sagen, dass ich das machen möchte |
| Profiler. |
| Das ist also ein sehr leistungsfähiges Tool, meiner Meinung nach einzigartig für JMP. Nicht viele |
| Werkzeuge haben diese Funktion. Dies gibt Ihnen also die Möglichkeit, individuell zu betrachten |
| Parameter in der aktiven Art und Weise und sehen Sie, wie sie das Ergebnis verändern. Diese beiden tauchten beispielsweise am häufigsten in den DILI-Fällen auf. |
| Und Sie können sehen, dass die Steigung ziemlich steil ist, und das bedeutet, wenn Sie sie ändern, werden sie sich erheblich auf die Vorhersagen des Endergebnisses auswirken. So können Sie sehen, wann die |
| Hepatitis und Gelbsucht sagen beide Null aus, Sie haben tatsächlich eine sehr geringe Wahrscheinlichkeit, den DILI als eins zu bekommen. Dies gilt auch für die möglichen DILI-Fälle. Aber wenn Sie diese Zeile ändern, |
| Bei der 1 können Sie sehen, dass die Chance, die Sie erhalten, höher ist. Und wenn Sie diese verschieben |
| noch höher. Das haben Sie also, Sie werden einen Weg dazu haben |
| analysieren, ob sie das sind |
| Was ist der Schlüssel? |
| Parameter oder Prädiktoren, die Ihr Ergebnis beeinflussen. Und dafür sind einige von ihnen, sogar ihr Schlüsselwort, ziemlich flach. Das heißt, wenn Sie das ändern, hat dies keinen großen Einfluss auf das Ergebnis. Also |
| Das ist es und auch wir hier haben die Liste zusammengestellt, die Sie erreichen können |
| um zu sehen, was das Wichtigste ist |
| Funktionen zur Berechnung der Variablenvorhersage. Sie können also sehen, dass hier Gelbsucht und andere sehr wichtig sind. |
| Und für das Feature-Ergebnis: Sobald Sie die Daten erhalten, sind dies alle Ergebnisse, die wir haben. Und Sie können sagen: Was ist mit den neuen Dingen, die kommen? Ja, wir haben hier, man kann sagen, ich möchte die Vorhersageformel speichern. |
| Und man sieht, dass aktiv daran gearbeitet wird. Und dann sehen Sie in der Tabelle am Ende der Tabelle die Vorhersage. Denken Sie also daran, dass wir eines hatten ... das war, sagen wir, nun ja, |
| Das erste Medikament, das zweite war ziemlich genau vorhersehbar, dass es das sein wird |
| DILI-Fälle und die nächsten beiden, der dritte, der vierte und der fünfte lagen nahe bei Null. Also kehren wir zu diesem DILI zurück |
| Indikator und wir haben herausgefunden, dass sie tatsächlich aufgelistet sind. Die ersten fünf waren richtig. Falls Sie diesen Indikator also nicht haben, wenn die neuen Daten eingehen, müssen Sie nicht das gesamte Etikett lesen. Sie führen das Modell aus. Sie können die Vorhersage sehen. So ziemlich du wusstest, ob es so ist |
| ob es sich um DILI-Fälle handelt oder nicht. |
| So wäre mein Deomo |
| Ich ende hier, und jetzt werde ich ein Fazit ziehen. Daher verwenden wir den Text-Explorer, um die Datenschlüsselwörter und MedDRA-Begriffe mit Stoppwörtern und Phrasenverwaltung ohne zu extrahieren |
| manuelle Auswahl, Löschung und Neukodierung. Deshalb verwenden wir eine Visualisierung und haben eine Dokumentbegriffsmatrix zur Vorhersage erstellt. |
| Außerdem verwenden wir maschinelles Lernen für die Verwendung der XGBoost-Modellierung und möchten XGBoost schnell ausführen, um das beste Modell zu finden und ein Vorhersageprofil durchzuführen. Und wir können das auch retten |
| Vorhersageformel zur Vorhersage neuer Fälle. |
| Danke schön. Und ich höre hier auf. |
