揚聲器 | 成績單 |
| 奧莉薇亞·利平科特 | 什麼 |
| 溫吉巴 | 我很高興談論這一點，從 FDA 藥物標籤系統和 JMP discovery 中獲取高品質資訊。 |
| 今天我要講四個部分。 首先，我將提供一些有關藥物上市後監控的背景信息，以及 FDA 監管機構和行業所做的努力。 而且，我將使用藥品標籤資料集 |
| 分析文字並使用 JMP 中的文字資源管理器，也可以使用插件 |
| JMP 插件 |
| XGBoost 分析此 DILI 信息，然後給出結論，Russ Wolfinger 博士的 XGBoost 教程也出現在本次 JMP Discovery Summit 中，因此如果您對 XGBoost 感興趣，請轉到他的教程。 |
| 所以藥物開發，根據 FDA 對藥物加工的描述， |
| 它可以分為五個階段，前兩個階段，發現和研究臨床前，很多在 |
| 首先進行動物研究和化學篩選，然後接下來的三個階段涉及人類。 JMP擁有JMP Genomics、JMP Clinical、 |
| JMP 和 JMP Pro，涵蓋了藥物發現的每個階段。 JMP Genomics 是可用於組學和臨床生物標記選擇的組學系統，JMP Clinical 專門針對臨床試驗 |
| 以及藥品安全性和有效性的上市後監測。 而JMP Pro還可用於藥物資料清理、挖掘、標靶識別、製劑開發、DOE、QbD、生物測定等，因此可用於藥物的各個階段。 |
| 藥物開發。 |
| 因此，在這種藥物開發中，有一種最常見的單一原因，稱為 DILI，實際上可以停止進行臨床試驗。 |
| FDA 或其他監管機構可能會拒絕批准該藥物，或在該藥物上市後將其召回。 因此，這是最常見的單一原因，稱為 DILI，可以在 FDA 指南和其他科學出版物中找到相關資訊。 所以 |
| 什麼是帝力？ 這其實是藥物性肝損傷， |
| 稱為 DILI，FDA，早在 10 多年前的 2009 年，他們就發布了 DILI 指南， |
| 如何評估和跟進，FDA 為臨床研究者提供了多年的 DILI 培訓，這些資訊今天仍然可以在網路上找到。 |
| 就在去年，他們也舉辦了同樣由 FDA 舉辦的會議。 當然，對於 DILI，你如何定義受試者或患者可能有 DILI 案例，他們有海氏定律，該定律包含在 |
| FDA 指導。 |
| 這是臨床試驗 DILI 評估的一個例子，在臨床試驗中， |
| 在 JMP 臨床中，根據海氏定律。 所以海氏定律是幾種肝臟酵素升高到一定程度時的組合條件， |
| 那你會認為這可能是海氏定律案件。 所以你的肝臟可能會受損。 所以這裡我們用顏色來識別 |
| 可能的海氏定律情況下，紅色的是“是”，藍色的是“否”。不同的圓形和三角形也來自不同的治療組。 我們也使用 JMP 氣泡圖來顯示 |
| 在臨床試驗期間，酵素隨著時間的推移而升高。 所以這是典型的。 這一等就是15天。 那你就有了 |
| 主題，開始很正常。 然後他們的肝臟酵素水平達到瘋狂的高水平，表明他們有可能 |
| DILI 可能的情況。 |
| 所以，FDA有兩大資料庫，實際上可以處理上市後的問題 |
| 藥品安全監測。 一種是藥品標籤，我們將從該資料庫中取得資料。 另一個是 FDA 不良事件通報系統，他們 |
| 然後他們有來自 NIH 和 NCBI 的信息，他們非常積極地 |
| 建立了這個LiverTox並且有很多信息，處理DILI。 FDA 還有另一個資料庫，名為 Liver Toxic |
| 知識庫和我們的合作者 Tong 博士在本次演示中也是如此。 他們對 DILI 有很多了解，並為公共資訊建立了這個特定的資料庫。 |
| 所以藥品標籤。 當您購買處方藥時，每個人可能都見過這一點。 你的藥物附帶了那些冗長的紙。 |
| 因此，它們還帶有很小的字體文字，儘管有時它太小而無法閱讀，但它們確實包含有關該藥物的許多有用的科學信息 |
| 然後有兩個部分將與我今天的演講相關，即警告和預防措施部分。 所以基本上，有關藥物不良事件和任何事情的所有資訊都需要 |
| 請注意這兩部分。 而這個藥物其實有 |
| 超過2000字描述警告和注意事項。 幸運的是，並非每種藥物都有那麼多副作用或不良事件。 有些藥物是這樣的 |
| 其中一種二甲雙胍，居然有一小節為警告和注意事項。 因此，舊版的藥品標籤將警告和注意事項放在單獨的部分中，而新版本則將它們放在一起。 所以這個是他們發布的新版本......他們有那兩個 |
| 部分在一起。 但這種藥物的副作用就小得多。 因此，FDA 使用 JMP 和 JMP 臨床進行安全性分析，我們實際上幫助最終確定藥物標籤中列出的每項不良事件。 |
| 這就是今天要呈現的數據。 因此，我們使用的是 FDA 研究人員和我剛剛從他們那裡提取的 462 個藥物標籤中的警告和預防措施部分。 |
| 並對每種藥物分配了 DILI 指標。 1 表示是，0 表示否。所以從這個分佈中，你可以看到 |
| 大約有...164 種藥物 |
| 潛在的 DILI 案例，298 個沒有，藥物標籤資料的原始格式是 XML 格式，可以透過 JMP 一次匯入。 |
| 因此，對於 DILI 關鍵字，FDA 經過多年的努力才制定了這個關鍵字清單。 然後他們實際上由專家閱讀了數百種藥物標籤，然後決定哪些可能成為 DILI 案例。 然後他們想出了那些 |
| 大約 44 個單字或術語被指定為關鍵字，為藥物指定 |
| 可能是 DILI 案件。 您可能也聽過 MedDRA，這是一本針對監管活動的醫學字典。 它們有不同等級的標準化術語，最受歡迎的是首選術語。 我今天要用。 |
| 所以在 |
| 警告和預防措施，如果我們將所有內容放在一起，您可以看到，您的目錄中有超過 12,000 個術語 |
| 警告和注意事項部分。 你可以看到「病人」和「可能」是主導詞 |
| 不……不應與本案的醫療病例及醫療資訊相關。 所以我們可以刪除它，你可以看到沒有任何其他詞在這個詞中如此占主導地位 |
| 雲，但它仍然有許多與醫學無關的單詞，例如“使用”和“報告”，我們可以放入... |
| 可以將它們刪除到我們的分析清單中。 因此，在文字資源管理器中，我們可以將它們放入停用詞中，而且我們通常使用 |
| 不同的文字資源管理器技術包括詞幹擷取、標記化、正規表示式、重新編碼和手動刪除。 |
| 清理列表。 但它有 12,000 個術語，因此可能非常耗時。 |
| 但由於我們有我們感興趣的列表，所以我們想利用我們已經知道我們對該系統中的術語感興趣的內容。 |
| 那麼我們要做的就是在演示中向您展示，我們將僅使用 DILI 關鍵字以及 MedDRA 中的首選術語來產生有趣的術語和短語來進行預測。 |
| 這是我們看到的僅使用 DILI 關鍵字的範例。 然後你就可以看到這裡的所有內容，甚至可以在清單中看到。 你有一個計數 |
| 在每個術語的側面顯示它們在術語中重複了多少次 |
| 警告和注意事項部分，您還可以看到更多色彩，更多內容 |
| 世界雲中的圖形以獲得可識別的模式。 然後我們加入醫學術語，即醫學相關術語。 因此，它仍然從 12,000 個術語減少到 1190 個術語，其中包括 DILI 關鍵字和醫療首選術語。 所以我們認為這會是好事 |
| 我們從術語列表開始進行分析。 |
| 所以我們所做的是在 |
| JMP Text Explorer，我們可以儲存術語...文件術語矩陣。 這意味著，如果你看到1，則表示該文檔已見過該術語，如果它說，如果這是0，則表示該文檔 |
| 沒看到，有這個字的情況。 |
| 那我們，在 |
| XGBoost 將進行 k 次折疊，以及 3 k 次折疊，每次使用 5 列。 |
| 因此，我們在此機器學習中使用並使用 JMP Pro 中添加的 XGBoost 樹模型，並且我們...使用 DILI 指標 |
| 作為目標變量，他們使用 DILI 關鍵字以及已出現超過 20 次的 MedDRA 首選術語 |
| ……作為預測者。 然後我們使用交叉驗證 XGBoost 然後進行 300 次互動。 現在我們得到了統計效能指標，我們得到了 DILI 的術語重要性， |
| 我們得到，我們可以使用預測分析器進行交互，我們還可以產生並保存新藥預測的預測公式。 |
| 所以我要去示範。 |
| 這是我們在 |
| 在 JMP 中。 |
| 所以你有一個三列。 基本上你有索引，它是藥物 ID。 然後你就有了警告和預防措施，它可能包含更多內容 |
| 說它出現了，所以基本上有每種藥物的所有資訊。 現在您有了 DILI 指標。 所以我們做 |
| 首先是文字瀏覽器。 我們有分析，你去Text Explorer，你可以用這個 |
| 輸入，這是警告和預防措施文本，您...通常您可以在這裡做不同的事情，您可以最小化字符，通常人們會選擇 2 或做其他事情。 或者你可以使用詞幹或是你可以使用正規表示式來 |
| 做各種 |
| 公式和在我們的限制中可以是有限的。 例如，您可以使用自訂 |
| 正規表示式刪除所有數字。 如果只是數字，您可以刪除它們，但由於我們將使用列表，所以我們不會觸及其中任何一個，我們可以簡單地說，好吧， |
| 所以它出現了整個列表，一切。 所以現在我要說的是，我只關心 |
| 哦，對於這個，你可以做...你可以展示 |
| 詞雲。 |
| 和 |
| 我們想說我想把它居中 |
| 我也想要顏色。 |
| 所以你看到這個，你看到病人是如此占主導地位，然後你可以說，好吧，這絕對是…不是… |
| 不應該在 |
| 分析中。 所以我只需選擇並右鍵單擊新增停用詞。 |
| 因此，您將看到那些被刪除的內容，不再顯示在您的清單中，也不再顯示在 |
| 詞雲。 |
| 所以現在我想向你展示一些我 |
| 我認為這會加快清理速度，因為系統中可能有很多我不需要的其他單字。 所以我實際上選擇 |
| 並將所有內容放入停用詞中。 |
| 所以我刪除了所有內容，但我不知道為什麼無法刪除“操作”。 |
| 但如果只有一個也沒關係。 所以我要做的就是去這裡。 我說管理短語，我想匯入我的關鍵字。 關鍵字只要有一個... |
| 很簡單。 標題， |
| 一列資料僅包含所有姓名清單。 所以我導入它，並將其貼到本地。 這將是我當地的圖書館。 我說，好吧。 |
| 所以現在我只得到了我擁有的關鍵字。 |
| 好的，現在這個是……我想稍後再進行分析。 我想將它們全部包含在我的分析中，因為它們是關鍵字。 所以我到這裡，紅色三角形，文字資源管理器中的所有內容，隱藏的功能，隱藏在這個 |
| 紅色三角形。 所以我說儲存矩陣。 所以我想要一個，我想要 44 個以上 |
| 在我的分析中。 我說好吧。 所以你會看到，一切都會保存到我的... |
| 到列，矩陣。 |
| 所以現在我想要加什麼，我想要再講一次。 我也想導入 |
| 那些首選條款。 |
| 進入 |
| 我的資料庫，我的本地資料。 |
| 然後我也想 |
| 其實我想在本地 |
| 到 |
| 所以我說，好吧。 |
| 所以現在我有了混合，兩者 |
| MedDRA 的首選術語以及我的關鍵字。 所以你現在可以看到 |
| 短語已經改變。 |
| 這樣我就可以將它們添加到我的清單中。 對我的安全術語矩陣列表也是如此，並獲取所有數字……我想要包含的所有術語。 我想在這裡指出的一件事是這些術語......我們需要改變 |
| 一種模型格式。 這是模型類型仍在繼續。 我想將它們更改為名義上的。 我稍後會告訴你為什麼我這樣做。 |
| 所以現在我有了，我可以去 |
| XGBoost，位於插件中。 我們可以讓...k折疊列以確保我可以做到 |
| 交叉驗證。 我可以只使用索引，預設要建立的 k 折疊列數為 3，每列內的折疊數 (k) 為 5，我們只需使用預設值。 |
| 好吧，它會很快生成三列。 最後，你會看到折疊 A、B、C，其中三個。 |
| 所以我們得到了，然後我們... |
| 我想做的另一件事是在... |
| 所以我們可以 |
| 我們可以創建另一個 |
| 短語 |
| 其中包含一切...that has everything in...這個短語包含一切，包括關鍵字和 PT，但我想創建一個只包含 |
| 只有 |
| 只有 |
| 首選術語，但沒有關鍵字，所以我可以將這些關鍵字添加到本地例外中，然後說，好的。 所以這些字只會有首選術語，但不會有 |
| 關鍵字。這樣我就可以建立另一個列表，保存另一個列表 |
| 文件 |
| 比這一個我想要的字。 所以 |
| 有 1000 個，但這個術語只有 20 個。 所以他們要做的就是他們被保留的條款要嘛滿足... |
| 至少有 |
| 出現超過20次或達到1000次，哪一次就會出現在我的清單中。 |
| 所以現在我有完整的表格，其中有關鍵字，也有 MedDRA 術語，其中有 20 多個，顯示超過 20 次，現在還有？？？準備分析的列 |
| XGBoost。 |
| 所以現在我能做的就是去XGBoost。 我可以去 |
| 現在分析。 所以我要向您展示的是我可以使用這個 DILI 指示器，然後 X 響應就是我剛剛為關鍵字和 |
| 首選詞。 現在，我使用三個驗證 |
| 然後點選確定運行。 運行大約需要五分鐘。 所以我已經得到我想給你看的結果了。 |
| 所以你有了... |
| 這就是看起來的樣子。 |
| 調音設計。 我們會檢查一下。 你有 |
| 實際上會找到一個好的條件讓你這麼做。 您也可以，如果您有 |
| 像羅斯·沃爾芬格（Ross Wolfinger）一樣有豐富的經驗，他會進入這裡，手動改變一些條件，然後你可能會得到最好的結果。 |
| 但對於許多像我這樣沒有太多 XGBoost 經驗的人來說，我寧願使用這種調優設計，也不願意只用機器來調校。 |
| 先幫我選擇一下，然後我就可以進去了，我們可以稍微調整一下，這取決於我在這裡需要做什麼。 這就是我們得到的結果。 你可以使用...你可以看到這裡是 |
| 不同的 |
| 此模型的效能指標的統計指標，預設顯示僅具有準確性，您可以使用對它們進行排序來單擊該列。 您可以對它們進行排序，而且它還有更多其他流行的效能指標，例如 |
| MCC、AUC、 |
| RMSE，相關性。 如果您單擊它們，它們都會出現。 |
| 他們會出現在這裡。 因此，無論您需要什麼，無論您想要進行什麼測量，您總能在這裡找到。 |
| 所以現在我將使用，假設我相信驗證的準確性，而不是其他任何東西來處理這種情況。 所以我想做的是我只想看到頂級模型，比如說五個模型。 |
| 那這裡我選擇了五個模型。 然後我到這裡，說我想刪除所有的展示模型。 |
| 所以你會在這裡看到五個模型，然後你可以看到一些模型，即使像這個 19 是綠色的， |
| 它不是完成到一半。 所以有些問題，有些東西不適合這個模型。 我絕對不想用那個，所以我可以選擇其他的。 說我想選這個 |
| 19、我想刪除那個。 所以我可以說我想刪除隱藏的一個。 所以基本上只要你需要做的就可以了。 所以如果你比較的話，看看這個 |
| 指標，它們實際上並沒有太大的不同。 所以我想依靠這個圖形來幫助我選擇最好的一個來表演。 |
| 那你就選擇好的那一個吧。 你可以去這裡 |
| 說，我喜歡模型 12，所以我可以去這裡，說我想做 |
| 分析器。 |
| 所以這是一個非常強大的工具，我認為這是 JMP 所獨有的。 不多 |
| 工具有這個功能。 所以這讓你有機會了解個人 |
| 主動方式中的參數，看看它們如何改變結果。 例如，這兩種情況最常出現在 DILI 案件中。 |
| 您可以看到斜率非常陡，這意味著如果您更改它們，它們將對最終結果預測產生很大影響。 所以你可以看到當 |
| 肝炎和黃疸都顯示為零，實際上您患上 DILI 的可能性非常低。 對於可能出現的 DILI 情況，情況也是如此。 但如果你改變這條線 |
| 到1，你會發現你獲得的機會更高。 如果你移動那些 |
| 更高。 所以你有，你將有辦法 |
| 分析一下，如果他們是 |
| 關鍵是什麼 |
| 影響結果的參數或預測變數。 為此，其中一些，甚至他們的關鍵字，都非常平坦。 所以這意味著如果你改變它，它不會對結果產生太大影響。 所以 |
| 這就是我們在這裡，我們給出了您可以訪問的列表 |
| 看看什麼是最重要的 |
| 計算變數預測的特徵。 所以你可以看到這裡是黃疸，其他的都是相當重要的。 |
| 對於特徵結果，一旦獲取數據，這就是我們擁有的所有結果。 你可以說，好吧，新事物即將到來怎麼樣？ 是的，我們這裡有，你可以說，我想保存預測公式。 |
| 你可以看到它正在積極致力於這方面的工作。 然後在表中，在表的末尾，您將看到預測。 所以記住我們有一個...這是，比如說，嗯， |
| 第一種藥物，第二種藥物幾乎預測它將是 |
| DILI 案件以及接下來的兩個、第三個、第四個和第五個接近零。 所以我們回到這個DILI |
| 指標，我們發現它們實際上列出了。 前五個是正確的。 因此，如果您在收到新資料時...沒有此指示符，則無需閱讀所有標籤。 您運行模型。 就可以看到預測了。 你幾乎知道是否是這樣 |
| 是否屬於 DILI 案件。 |
| 所以我的演示是 |
| 到這裡就結束了，現在我要給結論了。 因此，我們使用文字瀏覽器使用停用詞和短語管理來提取資料關鍵字和 MedDRA 術語，而無需使用停用詞和短語管理。 |
| 手動選擇、刪除和重新編碼。 因此，我們使用視覺化並創建了一個用於預測的文檔術語矩陣。 |
| 我們還使用機器學習來使用 XGBoost 建模，我們希望快速運行 XGBoost 以找到最佳模型並執行預測設定檔。 我們還可以保存 |
| 預測公式來預測新病例。 |
| 謝謝。 我就停在這裡。 |
