스피커 | 성적 증명서 |
| 올리비아 리핀콧 | 무엇 |
| 웬즈바 | 이에 대해 이야기하게 되어 기쁩니다. FDA 의약품 라벨링 시스템과 JMP 발견에서 고품질 정보를 얻으세요. |
| 그리고 오늘 저는 네 부분에 대해 이야기하겠습니다. 먼저, 의약품 시판 후 모니터링에 대한 배경 정보와 FDA 규제 기관 및 업계의 노력에 대해 말씀드리겠습니다. 또한 약물 라벨 데이터 세트를 사용하겠습니다. |
| 텍스트를 분석하고 JMP의 텍스트 탐색기를 사용하며 추가 기능도 사용합니다. |
| JMP 추가 기능 |
| 이 DILI 정보를 분석한 후 결론을 제공하는 XGBoost와 Russ Wolfinger 박사의 XGBoost 튜토리얼도 이번 JMP Discovery Summit에 있으므로 XGBoost에 관심이 있다면 그의 튜토리얼을 방문해 보세요. |
| 따라서 약물 개발은 약물 처리에 대한 FDA 설명에 따르면, |
| 5단계로 나눌 수 있으며 처음 2단계는 전임상 단계에서 발견하고 연구하는 경우가 많습니다. |
| 동물 연구와 화학적 검사를 위한 것이고, 그 다음 세 단계에는 인간이 포함됩니다. 그리고 JMP에는 JMP Genomics, JMP Clinical, |
| JMP와 JMP Pro는 신약 개발의 모든 단계를 다루었습니다. 그리고 JMP Genomics는 오믹스 및 임상 바이오마커 선택에 사용할 수 있는 오믹스 시스템이고, JMP Clinical은 임상시험에 특화된 시스템입니다. |
| 약물 안전성과 효능에 대한 시판 후 모니터링. 또한 JMP Pro는 약물 데이터 정리, 마이닝, 표적 식별, 제제 개발, DOE, QbD, 생물학적 분석 등에 사용할 수 있습니다. 따라서 약물의 모든 단계에서 사용할 수 있습니다. |
| 약물 개발. |
| 따라서 이 약물 개발에는 DILI라고 하는 가장 빈번한 단일 원인이 있으며 실제로 임상 시험을 위해 중단될 수 있습니다. |
| 해당 약품은 FDA 또는 기타 규제 기관의 승인이 거부되거나 약품이 출시된 후 회수될 수 있습니다. 따라서 이는 DILI라고 하는 가장 흔한 단일 원인이며 FDA 가이드 및 기타 과학 출판물에서 정보를 찾을 수 있습니다. 그래서 |
| 딜리가 뭐야? 이것은 실제로 약물로 인한 간 손상입니다. |
| DILI라고 불리는데 FDA가 있는데, 약 10년 전인 2009년에 그들은 DILI에 대한 가이드를 출판했습니다. |
| 평가 및 후속 조치 방법에 대해 FDA는 임상 조사자를 위해 다년간의 DILI 교육을 제공하며 이러한 정보는 오늘날에도 여전히 온라인에서 찾을 수 있습니다. |
| 그리고 작년에 FDA가 주최한 회의도 있었습니다. 물론 DILI의 경우 피험자나 환자를 정의하는 방법에 따라 DILI 사례가 있을 수 있으며 Hy의 법칙이 포함됩니다. |
| FDA 지침. |
| 여기 임상 실험을 위한 DILI 평가의 예가 있습니다. 여기 임상 실험에서는 |
| Hy의 법칙에 따른 JMP Clinical에서. 그래서 Hy의 법칙은 여러 간 효소가 특정 수준으로 상승할 때의 조합 조건입니다. |
| 그렇다면 가능한 Hy의 법칙 사례가 될 것이라고 생각할 것입니다. 따라서 잠재적으로 간이 손상될 수 있습니다. 그래서 여기서는 색상을 사용하여 |
| 가능한 Hy의 법칙 사례에서 빨간색은 예, 파란색은 아니오입니다. 또한 다른 원형과 삼각형은 다른 치료 그룹에서 나온 것입니다. 또한 JMP 버블 도표를 사용하여 다음을 표시합니다. |
| 효소 수치는 임상 시험 기간 동안 시간...타이밍...을 통해 증가합니다. 그래서 이것은 전형적인 것입니다. 이것은 15 일입니다. 그렇다면 당신은 |
| 주제, 시작은 꽤 평범했습니다. 그런 다음 그들은 간 효소 수치가 엄청나게 높아질 가능성이 있음을 나타냅니다. |
| DILI 가능한 경우. |
| 따라서 FDA에는 실제로 시판 후 문제를 처리할 수 있는 두 가지 주요 데이터베이스가 있습니다. |
| 약물 안전성을 모니터링합니다. 하나는 약물 라벨이고 우리는 이 데이터베이스에서 데이터를 얻을 것입니다. 또 다른 하나는 FDA 부작용 보고 시스템입니다. |
| 그런 다음 NIH와 NCBI에서 매우 적극적으로 |
| 이 LiverTox를 구축하고 많은 정보를 가지고 있으며 DILI를 처리합니다. 그리고 FDA에는 Liver Toxic이라는 또 다른 데이터베이스가 있습니다. |
| 기술 자료와 이번 프리젠테이션에서는 우리의 공동 동료인 Dr. Tong의 주도가 있었습니다. 그들은 DILI에 대해 많은 지식을 갖고 있으며 공개 정보를 위한 특정 데이터베이스를 구축했습니다. |
| 그래서 마약 라벨. 아마 처방약을 받을 때 누구나 이런 모습을 본 적이 있을 것입니다. 당신은 마약과 함께 그 장황한 종이를 가지고 있습니다. |
| 따라서 때로는 너무 작아서 읽을 수 없지만 이 약에 대한 유용한 과학적 정보가 많이 포함되어 있다는 점에서 아주 작은 글꼴 단어도 함께 제공됩니다. |
| 그러면 오늘 제 프레젠테이션과 관련된 두 가지 물약이 있을 것입니다. 바로 경고와 주의 사항이라는 섹션입니다. 따라서 기본적으로 약물 부작용 및 기타 사항에 대한 모든 정보는 |
| 이 두 섹션에서 경고를 받습니다. 그리고 이 약은 실제로 |
| 2000개 이상의 단어가 경고 및 주의 사항에 대해 설명합니다. 다행스럽게도 모든 약물이 그렇게 많은 부작용이나 부작용을 보이는 것은 아닙니다. 이런 약도 있고, |
| Metformin 중 하나에는 실제로 경고 및 예방 조치에 대한 작은 섹션이 있습니다. 따라서 이전 버전의 약품 라벨에는 별도의 섹션에 경고와 주의 사항이 포함되어 있으며, 새 버전에서는 이를 함께 모아 놓았습니다. 그래서 이것은 그들이 넣은 새 버전에 있습니다...그들은 그 두 가지를 가지고 있습니다 |
| 섹션을 함께 사용합니다. 그러나 이것은 부작용이 훨씬 적습니다. 따라서 JMP와 JMP 임상은 FDA에서 안전성 분석을 수행하는 데 활용되었으며 우리는 실제로 약물 라벨에 나열된 모든 부작용을 마무리하는 데 도움을 주었습니다. |
| 이것이 오늘 발표하게 된 데이터입니다. 그래서 우리는 FDA 연구진이 추출한 462개의 약물 라벨에 있는 경고 및 주의 사항 섹션을 사용하고 있습니다. |
| 그리고 각 약물에는 DILI 지표가 할당되었습니다. 1은 예이고 0은 아니오입니다. 이 분포에서 다음과 같은 것을 볼 수 있습니다. |
| 약 1...164가지 약물이 포함되어 있습니다. |
| 잠재적인 DILI 사례와 298개의 사례는 그렇지 않으며 약물 라벨 데이터의 원래 형식은 XML 형식이며 JMP 곱셈을 통해 한 번에 가져올 수 있습니다. |
| 따라서 DILI 키워드에 대해 FDA는 이 키워드 목록을 작성하기 위해 수년 간의 노력을 기울였습니다. 그런 다음 실제로 전문가가 수백 개의 약물 라벨을 읽고 잠재적으로 DILI 사례가 될 수 있는 것이 무엇인지 결정했습니다. 그래서 그들은 그걸 생각해냈어 |
| 약 44개 정도의 단어 또는 용어를 키워드로 표시, 약품에 표시 |
| DILI 사례가 될 수 있습니다. 또한 규제 활동에 대한 의학 사전인 MedDRA에 대해서도 들어보셨을 것입니다. 그들은 표준화된 용어의 수준이 다르며 가장 인기 있는 용어가 선호되는 용어입니다. 오늘은 제가 사용할 예정입니다. |
| 그래서 |
| 경고 및 예방 조치를 모두 종합해 보면 12,000개가 넘는 용어가 있는 것을 볼 수 있습니다. |
| 경고 및 예방 조치 섹션. 그리고 "환자"와 "할 수 있다"가 지배적인 단어라는 것을 알 수 있습니다. |
| 의료 사건 및 이 사건의 의료 정보와 관련되어서는 안 됩니다. 그래서 우리는 그것을 제거할 수 있습니다. 이 단어에서 다른 어떤 단어도 그렇게 지배적이지 않다는 것을 알 수 있습니다. |
| 클라우드에 포함할 수 있는 "사용", "보고"와 같은 의학적 관련 없는 단어가 여전히 많이 있습니다. |
| 분석 목록에서 제거할 수 있습니다. 따라서 텍스트 탐색기에서 이를 중지 단어에 넣을 수 있으며 일반적으로 |
| 다른 텍스트 탐색기 기술로는 수동으로 형태소 분석, 토큰화, 정규식, 기록 및 삭제가 있습니다. |
| 목록을 정리합니다. 하지만 12,000개의 용어가 있어서 시간이 많이 걸릴 수 있었습니다. |
| 그러나 우리는 관심 있는 목록을 갖고 있으므로 이 시스템의 용어에 관심이 있는 것이 무엇인지 이미 알고 있다는 점을 활용하고 싶습니다. |
| 따라서 우리가 할 일은 DILI 키워드와 MedDRA에서 선호하는 용어만 사용하여 흥미로운 용어와 예측을 수행하는 구문을 생성한다는 점을 데모에서 보여 드리겠습니다. |
| DILI 키워드만 사용하여 본 예는 다음과 같습니다. 그러면 여기 있는 모든 것을 볼 수 있습니다. 목록에서도 볼 수 있습니다. 카운트 번호가 있습니다 |
| 각 용어 옆에 해당 용어가 몇 번 반복되는지 표시되어 있습니다. |
| 경고 및 주의사항 섹션도 볼 수 있으며, 더 다채롭고, 더 많은 내용을 볼 수 있습니다. |
| 패턴을 인식하려면 월드 클라우드의 그래픽을 사용하세요. 그런 다음 의학 용어를 추가합니다. 그것은 의학 관련 용어였습니다. 따라서 여전히 12,000개의 용어에서 DILI 키워드와 의학적 선호 용어를 포함하는 1190개의 용어로 내려왔습니다. 그래서 우리는 이것이 좋을 것이라고 생각합니다 |
| 분석을 수행하기 위해 시작하는 용어 목록입니다. |
| 그래서 우리가 하는 일은 |
| JMP 텍스트 탐색기에서는 용어...문서 용어 매트릭스를 저장할 수 있습니다. 즉, 1이 표시되면 이 문서가 이 용어를 보았다는 의미이고, 0이면 이 문서를 의미합니다. |
| 본 적이 없습니다. 이 단어의 경우가 있습니다. |
| 그럼 우리는 |
| XGBoost는 k 폴드와 3개의 k 폴드를 만들고 각각 5개의 열을 사용합니다. |
| 그래서 우리는 이 기계 학습에 JMP Pro에 추가된 XGBoost 트리 모델을 사용하고 DILI 표시기를 사용합니다. |
| 대상 변수로 DILI 키워드와 20회 이상 나타난 MedDRA 선호 용어를 사용합니다. |
| ...을 예측자로. 그런 다음 교차 검증 XGBoost를 사용하고 300번 상호 작용합니다. 이제 통계적 성능 지표를 얻었고 DILI에 대한 용어 중요성을 얻었습니다. |
| 상호작용을 위해 예측 프로파일러를 사용할 수 있고 신약 예측을 위한 예측 공식을 생성하고 저장할 수도 있습니다. |
| 그래서 데모하러 가겠습니다. |
| 이것은 우리가 얻은 샘플 테이블입니다. |
| JMP에서. |
| 따라서 세 개의 열이 있습니다. 기본적으로 약물 ID인 색인이 있습니다. 그러면 경고와 주의 사항이 표시되며 훨씬 더 많은 내용이 포함될 수 있습니다. |
| 등장하는 단어이므로 기본적으로 각 약품에 대한 모든 정보를 가지고 있습니다. 이제 DILI 표시기가 생겼습니다. 그래서 우리는 |
| 먼저 텍스트 탐색기. 분석이 있습니다. 텍스트 탐색기로 이동하면 다음을 사용할 수 있습니다. |
| 경고 및 예방 조치 텍스트인 입력을 입력하고...일반적으로 여기에서 다른 작업을 수행할 수 있고, 문자를 최소화할 수 있으며, 일반적으로 사람들은 2로 이동하거나 다른 작업을 수행합니다. 또는 형태소 분석을 사용하거나 정규식을 사용하여 |
| 온갖 짓을 다 해 |
| 공식에 따라 제한될 수 있습니다. 예를 들어, 사용자 정의를 사용할 수 있습니다 |
| 모든 숫자를 제거하려면 정규식을 사용하세요. 숫자만 있으면 제거할 수 있지만 목록을 사용할 것이므로 그 중 어떤 것도 건드리지 않고 여기로 가서 간단히 다음과 같이 말하면 됩니다. |
| 그래서 이것의 전체 목록이 나옵니다. 이제 나는 말할 것입니다. 나는 단지 관심이 있는 것에만 관심이 있습니다. |
| 아, 이건 할 수 있어요... 보여주셔도 돼요 |
| 단어 구름. |
| 그리고 |
| 우리는 그것을 중앙에 두고 싶다고 말하고 싶습니다 |
| 그리고 색깔도 보고 싶어요. |
| 그래서 이것을 보면 환자가 너무 지배적이라는 것을 알 수 있습니다. 그러면 당신은 말할 수 있습니다. 좋아요 이것은 확실히... 그렇지 않습니다... |
| 에 있어서는 안 된다 |
| 분석 중. 그래서 저는 중지 단어 추가를 선택하고 마우스 오른쪽 버튼을 클릭합니다. |
| 따라서 해당 항목이 제거되어 더 이상 목록에 표시되지 않으며 더 이상 |
| 단어 구름. |
| 이제 나는 당신에게 뭔가를 보여주고 싶습니다. |
| 시스템에 필요하지 않은 다른 단어가 너무 많기 때문에 정리 속도가 빨라질 것이라고 생각합니다. 그래서 실제로 선택했어요 |
| 모든 것을 불용어에 넣으세요. |
| 그래서 "액션"을 제거할 수 없는 이유를 알 수 없다는 점을 제외하고는 모두 제거했습니다. |
| 하지만 하나만 있으면 괜찮습니다. 그래서 내가 하는 일은 여기로 가는 것입니다. 문구를 관리한다고 했는데 키워드를 가져오고 싶습니다. 키워드는 다음과 같습니다. |
| 매우 간단합니다. 제목, |
| 하나의 열 데이터에는 모든 이름 목록이 있습니다. 그래서 그것을 가져와서 로컬에 붙여넣습니다. 이것은 내 지역 도서관이 될 것입니다. 그리고 나는 말했습니다. |
| 그래서 이제 제가 가지고 있는 키워드만 얻었습니다. |
| 좋아요, 이제 이것은… 분석은 나중에 하고 싶습니다. 그리고 키워드이기 때문에 모두 분석에 포함시키고 싶습니다. 그래서 저는 여기로 갑니다. 빨간색 삼각형, 텍스트 탐색기의 모든 것, 숨겨진 기능, 여기에 숨겨져 있습니다. |
| 빨간색 삼각형. 그래서 나는 행렬을 저장한다고 말합니다. 그래서 하나 갖고 싶고 44개도 갖고 싶어 |
| 내 분석에서는. 나는 괜찮다고 말한다. 보시다시피 모든 것이 내 폴더에 저장됩니다... |
| 열, 행렬에. |
| 그래서 이제 제가 덧붙이고 싶은 말, 한 번 더 그 문구를 갖고 싶습니다. 나도 수입하고싶다 |
| 그 선호하는 용어. |
| 로 |
| 내 데이터베이스, 내 로컬 데이터. |
| 그럼 나도 그러고 싶다 |
| 사실 저는 현지에서 하고 싶어요 |
| 에게 |
| 그래서 나는 말합니다. |
| 이제 저는 두 가지 모두를 혼합했습니다. |
| MedDRA에서 선호하는 용어와 내 키워드. 이제 볼 수 있는 것은 |
| 문구가 바뀌었습니다. |
| 그래서 내 목록에 추가할 수 있습니다. 내 안전한 용어 매트릭스 목록에도 동일한 내용을 적용하여 모든 숫자... 내가 포함하고 싶은 모든 용어를 얻습니다. 여기서 제가 지적하고 싶은 한 가지는 이러한 용어에 대한 것인데...우리는 |
| 하나의 모델 형식. 계속되는 모델형 입니다. 명목상으로 변경하고 싶습니다. 나중에 왜 그렇게 하는지 알려드리겠습니다. |
| 이제 갈 수 있어요. |
| 추가 기능에 포함된 XGBoost입니다. 우리는...k 열을 접어서 다음 작업을 수행할 수 있도록 할 수 있습니다. |
| 교차 검증. 인덱스만 사용할 수 있으며 기본적으로 생성할 k 접기 열의 수는 3이고 각 열 내의 접기 수(k)는 5이므로 기본값을 사용합니다. |
| 예, 세 개의 열이 매우 빠르게 생성됩니다. 그리고 마지막에는 접힌 A, B, C 중 세 개가 보입니다. |
| 그래서 우리는 그것을 얻었고, 그 다음에는... |
| 제가 하고 싶었던 또 다른 일은... |
| 그래서 우리는 할 수있다 |
| 우리는 또 다른 것을 만들 수 있습니다 |
| 구절 |
| which have everything...that have everything in...이 문구에는 키워드와 PT를 포함한 모든 것이 포함되어 있지만 저는 |
| 오직 가지고 있다 |
| 오직 가지고 있다 |
| 선호하는 용어가 있지만 키워드가 없으므로 해당 키워드를 로컬 예외에 추가하고 OK라고 말할 수 있습니다. 따라서 해당 단어에는 선호하는 용어만 있을 뿐, |
| 키워드. 따라서 이 방법으로 다른 목록을 만들고 |
| 선적 서류 비치 |
| 이 말보다 갖고 싶은 말. 그래서 |
| 1000개가 있지만 이 용어에는 20개만 있습니다. 그래서 그들이 할 일은 조건을 저장한 것입니다. |
| 적어도 가지고 |
| 20회 이상 나타나거나 1000회에 도달하면 그 중 하나가 내 목록에 표시됩니다. |
| 이제 키워드가 있고 20개가 넘는 MedDRA 용어가 있고 20번 이상 표시되는 테이블이 완성되었습니다. 이제 ???도 있습니다. 분석 준비가 완료된 컬럼 |
| XGBoost. |
| 이제 내가 할 수 있는 일은 XGBoost로 가는 것입니다. 나는 갈 수 있다 |
| 지금 분석 중입니다. 그래서 제가 보여드릴 것은 이 DILI 표시기를 사용할 수 있다는 것입니다. 그러면 X 응답은 제가 방금 키워드에 대해 가지고 있던 모든 용어와 |
| 선호하는 단어. 이제 세 가지 유효성 검사를 사용합니다. |
| 그런 다음 확인을 클릭하여 실행하세요. 실행하는 데 약 5분 정도 소요됩니다. 그래서 나는 이미 당신에게 보여주고 싶은 결과를 얻었습니다. |
| 그래서 당신은 ... |
| 이것이 어떻게 생겼는지입니다. |
| 튜닝 디자인입니다. 그리고 우리는 이것을 확인할 것입니다. 당신은 |
| 실제로는 그렇게 하기 위한 좋은 조건을 찾을 것입니다. 당신도 할 수 있습니다. |
| Ross Wolfinger와 같은 경험이 있는 만큼 그는 여기에 들어가서 일부 조건을 수동으로 변경하면 아마도 최상의 결과를 얻을 수 있을 것입니다. |
| 그러나 나처럼 XGBoost에 대한 경험이 많지 않은 많은 사람들을 위해 기계를 사용하는 것보다 이 튜닝 설계를 사용하는 것이 좋습니다. |
| 먼저 저를 선택하세요. 그러면 제가 들어가서 약간 조정할 수 있습니다. 여기서 무엇을 해야 하는지에 따라 다릅니다. 이것이 우리가 얻은 결과입니다. 다음을 사용할 수 있습니다. 여기에서 볼 수 있는 내용은 다음과 같습니다. |
| 다른 |
| 이 모델의 성능 측정항목에 대한 통계 측정항목은 정확성만 표시되며 기본값은 열을 클릭하여 정렬할 수 있습니다. 이를 정렬할 수 있으며 다음과 같은 훨씬 더 널리 사용되는 성능 측정항목도 있습니다. |
| MCC, AUC, |
| RMSE, 상관관계. 클릭하면 모두 표시됩니다. |
| 여기에 표시됩니다. 따라서 필요한 것이 무엇이든, 수행하려는 측정이 무엇이든 언제든지 여기에서 찾을 수 있습니다. |
| 이제 저는 이 경우에 무엇보다 검증 정확도를 신뢰한다고 가정하겠습니다. 그래서 저는 상위 모델, 예를 들어 5개의 모델만 보고 싶습니다. |
| 그래서 여기서는 다섯 가지 모델을 선택했습니다. 그런 다음 여기로 가서 모든 쇼 모델을 제거하고 싶다고 말합니다. |
| 여기 5개의 모델이 표시되고 일부 모델도 볼 수 있습니다. 비록 이 19개가 녹색이지만 |
| 중간에 끝나지 않아요. 뭔가 잘못된 것입니다. 뭔가 이 모델에 적합하지 않습니다. 나는 그 것을 사용하고 싶지 않으므로 다른 것을 선택할 수 있습니다. 이걸 선택하고 싶다고 말해 |
| 19, 저거 없애고 싶어요. 그래서 숨겨진 것을 제거하고 싶다고 말할 수 있습니다. 그래서 기본적으로 당신이 해야 할 일은 무엇이든 할 수 있습니다. 그럼 비교해보시면 이렇습니다 |
| 측정항목은 사실 그다지 많지도, 크게 다르지도 않습니다. 그래서 저는 이 그래픽을 활용하여 공연에 가장 적합한 것을 선택하는 데 도움을 주고 싶습니다. |
| 그럼 좋은 것을 선택하세요. 여기로 가시면 됩니다 |
| 모델 12가 마음에 들어서 여기로 갈 수 있고, 하고 싶다고 말하세요. |
| 프로파일러. |
| 이는 매우 강력한 도구이며 JMP만의 고유한 도구라고 생각합니다. 많지 않음 |
| 도구에는 이 기능이 있습니다. 그래서 이것은 당신에게 개인을 살펴볼 기회를 제공합니다 |
| 활성 방식으로 매개변수를 설정하고 결과가 어떻게 변경되는지 확인하세요. 예를 들어 이 두 가지는 DILI 사례에서 가장 자주 나타났습니다. |
| 그리고 기울기가 상당히 가파르다는 것을 알 수 있습니다. 즉, 기울기를 변경하면 최종 결과 예측에 상당한 영향을 미치게 됩니다. 그래서 당신은 언제 볼 수 있습니다 |
| 간염과 황달이 모두 0이라고 말하면 실제로 DILI를 하나로 얻을 가능성은 매우 낮습니다. 가능한 DILI 사례의 경우도 마찬가지입니다. 하지만 이 줄을 바꾸면, |
| 1번으로 갈수록 얻을 확률이 더 높다는 것을 알 수 있습니다. 그리고 그걸 옮기면 |
| 심지어 더 높다. 그래서 당신은 다음과 같은 방법을 갖게 될 것입니다. |
| 분석해 보세요. |
| 열쇠는 무엇입니까? |
| 결과에 영향을 미치는 매개변수 또는 예측변수입니다. 그리고 이것에 대해, 그들 중 일부는, 심지어 그들의 키워드조차도 꽤 평평합니다. 즉, 이를 변경해도 결과에는 그다지 영향을 미치지 않습니다. 그래서 |
| 그래서 이것이고 우리도 여기 있습니다. 우리는 여러분이 얻을 수 있는 목록을 제공했습니다. |
| 가장 중요한 것이 무엇인지 알아보기 위해 |
| 변수 예측을 계산하는 기능입니다. 여기 보시면 황달이 있고 다른 것들도 매우 중요하다는 것을 알 수 있습니다. |
| 기능 결과의 경우 일단 데이터를 가져오면 이것이 우리가 가진 모든 결과입니다. 그리고 당신은 다음과 같이 말할 수 있습니다. 음... 새로운 것이 다가오는 것은 어떻습니까? 예, 여기에 있습니다. 예측 공식을 저장하고 싶다고 말할 수 있습니다. |
| 그리고 당신은 그것이 적극적으로 노력하고 있음을 볼 수 있습니다. 그런 다음 표의 끝 부분에서 예측을 볼 수 있습니다. 기억해두세요. 우리에겐 하나가 있었는데...이것은, 음, |
| 첫 번째 약, 두 번째 약은 그것이 될 것이라고 거의 예측했습니다. |
| DILI 사례와 다음 두 번째, 세 번째, 네 번째, 다섯 번째 사례는 0에 가까웠습니다. 그럼 우리는 이 DILI로 돌아갑니다. |
| 표시기를 보고 우리는 그들이 실제로 목록에 있다는 것을 알았습니다. 처음 5개는 1개였습니다. 따라서 새 데이터가 들어올 때 이 표시기가 없는 경우에는 모든 레이블을 읽을 필요가 없습니다. 당신은 모델을 실행합니다. 예측을 볼 수 있습니다. 당신은 그것이 사실인지 거의 알고 있었습니다. |
| DILI 케이스인지 아닌지입니다. |
| 그래서 내 데모는 |
| 여기서 마치고 이제 결론을 내리겠습니다. 그래서 우리는 Text Explorer를 사용하여 Stop Words 및 Phrase Management를 사용하여 데이터 키워드 및 MedDRA 용어를 추출합니다. |
| 수동으로 선택, 삭제 및 녹음합니다. 그래서 우리는 시각화를 사용하고 예측을 위한 문서 용어 매트릭스를 만들었습니다. |
| 또한 XGBoost 모델링을 사용하기 위해 기계 학습을 사용하고 XGBoost를 빠르게 실행하여 최상의 모델을 찾고 프로필 예측을 수행하려고 합니다. 또한 우리는 |
| 새로운 사례를 예측하는 공식을 예측합니다. |
| 감사합니다. 그리고 나는 여기서 멈춘다. |
