スピーカー | 成績証明書 |
| オリヴィア・リッピンコット | 何 |
| ウェンジバ | これについてお話できることを嬉しく思います。FDA 医薬品ラベル システムおよび JMP ディスカバリーから質の高い情報を入手してください。 |
| そして今日は4つの部分についてお話します。 最初に、医薬品の市販後のモニタリングに関する背景情報と、FDA 規制当局と業界の取り組みについて説明します。 また、医薬品ラベルのデータセットも使用します。 |
| テキストを分析するには、JMP の Text Explorer を使用し、アドインも使用します。 |
| JMP アドイン |
| XGBoost は、この DILI 情報を分析して結論を出します。また、Russ Wolfinger 博士による XGBoost チュートリアルもこの JMP Discovery Summit に含まれているため、XGBoost に興味がある場合は彼のチュートリアルにアクセスしてください。 |
| つまり、FDAの医薬品加工に関する説明によれば、医薬品開発は、 |
| それは 5 つの段階に分けることができ、最初の 2 つの段階では、前臨床の発見と研究が行われます。 |
| 動物実験と化学スクリーニングが行われ、その後の 3 つの段階では人間が関与します。 JMP には、JMP Genomics、JMP Clinical、 |
| JMP と JMP Pro は、創薬のあらゆる段階をカバーしています。 JMP Genomics はオミックスおよび臨床バイオマーカーの選択に使用できるオミクス システムであり、JMP Clinical は臨床試験に特化しています。 |
| 医薬品の安全性と有効性に関する市販後のモニタリング。 また、JMP Pro は、医薬品データのクリーニング、マイニング、ターゲットの特定、製剤開発、DOE、QbD、バイオアッセイなどにも使用できます。そのため、医薬品のあらゆる段階で使用できます。 |
| 薬の開発。 |
| したがって、この医薬品開発では、DILI と呼ばれる最も頻繁に起こる単一の原因が実際に臨床試験のために中止されます。 |
| この薬は、FDA またはその他の規制当局によって承認が拒否されるか、市販後にリコールされる可能性があります。 したがって、これは DILI と呼ばれる単一の原因で最も頻繁に発生するものであり、その情報は FDA ガイドやその他の科学出版物にも記載されています。 それで |
| ディリとは何ですか？ これは実際には薬物性肝障害です。 |
| DILI と呼ばれるもので、FDA があります。ほぼ 10 年以上前の 2009 年に、彼らは DILI のガイドを出版しました。 |
| 評価とフォローアップの方法については、FDA が臨床研究者向けに複数年にわたる DILI トレーニングを提供しており、それらの情報は現在でもオンラインで見つけることができます。 |
| そして、ちょうど昨年にもFDAが主催してカンファレンスを開催しました。 そしてもちろん DILI については、被験者や患者が DILI の場合があると定義する方法があり、彼らにはハイの法則があり、 |
| FDA のガイダンス。 |
| ここに臨床試験の DILI 評価の例を示します。臨床試験では、 |
| ハイの法則によるJMP臨床で。 つまり、ハイの法則は、いくつかの肝臓酵素が一定のレベルに上昇したときの組み合わせ条件です。 |
| そうすれば、ハイの法則が当てはまる可能性があると考えるでしょう。 つまり、肝臓にダメージを与えている可能性があります。 ここでは色を使用して識別します |
| ハイの法則の可能性がある場合、赤いものは「はい」、青いものは「いいえ」です。また、異なる丸と三角形は異なる治療グループからのものでした。 また、JMP バブル プロットを使用して、 |
| 臨床試験期間中の時間...タイミング...による酵素の上昇。 これは典型的なものです。 これは 15 日間です。 それから、あなたは |
| 件名、起動はごく普通でした。 その後、肝酵素のレベルが異常に高くなり、潜在的に肝臓の酵素が低下していることを示しています。 |
| DILI の可能性のあるケース。 |
| つまり、FDA には 2 つの主要なデータベースがあり、実際には市販後のデータに対処できます。 |
| 医薬品の安全性を監視します。 1 つは医薬品ラベルで、このデータベースからデータを取得します。 もう 1 つは FDA 有害事象報告システムです。 |
| その後、NIH と NCBI からも非常に積極的に意見が出されました。 |
| この LiverTox を構築し、DILI に対処するための多くの情報を持っています。 そして FDA には Liver Toxic という別のデータベースがあります |
| このプレゼンテーションでは、Knowledge Base と私たちの共同研究者である Tong 博士による指導がありました。 彼らは DILI について多くの知識を持っており、公開情報用にこの特別なデータベースを構築しました。 |
| それで薬物ラベル。 処方薬を受け取るときに、誰もがこれを見たことがあるでしょう。 薬には長文の紙が付いてきますね。 |
| そのため、小さなフォントの単語も付属しています。小さすぎて読めない場合もありますが、この薬に関する多くの有用な科学情報が含まれています。 |
| それから、今日の私のプレゼンテーションに関連する 2 つのポーションは、警告と予防措置と呼ばれるセクションになります。 したがって、基本的には、薬物有害事象などに関するすべての情報が必要です。 |
| これら 2 つのセクションでは注意してください。 そしてこの薬は実際に |
| 2000語を超える文字で警告や注意事項が説明されています。 そして幸いなことに、すべての薬にそれほど多くの副作用や有害事象があるわけではありません。 このような薬もありますが、 |
| メトホルミンの 1 つには、実際には警告と注意事項に関する小さなセクションがあります。 そのため、古いバージョンの医薬品ラベルには警告と注意事項が別々のセクションに記載されていますが、新しいバージョンではそれらがまとめられています。 つまり、これは彼らが追加した新しいバージョンに含まれています...彼らはそれらの2つを持っています |
| セクションを一緒にします。 しかし、これは副作用がはるかに少ないです。 そのため、JMP と JMP 臨床は FDA によって安全性分析を実施するために利用されており、実際に私たちは医薬品ラベルに記載されているすべての有害事象の最終決定を支援しています。 |
| これが今日発表されたデータです。 そこで私たちは、FDA 研究者によって抽出され、私が研究者から入手したばかりの 462 の医薬品ラベルの警告と予防措置のセクションを使用しています。 |
| そして、DILI 指標は各薬剤に割り当てられました。 1 は「はい」、0 は「いいえ」です。この分布から、次のことがわかります。 |
| 約 1...164 種類の薬物が |
| DILI の可能性があるケースとそうでないケースが 298 件あり、医薬品ラベル データの元の形式は XML 形式であり、JMP によって一度に複数インポートできます。 |
| DILI キーワードについては、このキーワード リストを作成するために FDA が長年の努力を重ねてきました。 その後、専門家が実際に何百もの医薬品ラベルを読み、何が DILI 症例となる可能性があるかを判断しました。 それで彼らはそれらを思いつきます |
| 医薬品に関して表示されるキーワードとして表示される約44の単語または用語 |
| DILIのケースである可能性があります。 また、規制活動のための医学辞書である MedDRA についても聞いたことがあるかもしれません。 標準化された用語にはさまざまなレベルがあり、最も一般的な用語は優先用語です。 今日も利用する予定です。 |
| それで、 |
| 警告と予防策、すべてをまとめると、12,000 以上の用語があることがわかります。 |
| 警告と注意事項のセクション。 そして、「患者」と「かもしれない」が優勢であることがわかります。 |
| この場合、医療事件や医療情報に関連してはなりません。 したがって、それを削除できます。この単語でこれほど支配的な単語は他にないことがわかります。 |
| クラウドですが、「使用」や「報告」など、医療に関係のない単語がまだたくさんあります... |
| 分析リストからそれらを削除することができます。 したがって、テキスト エクスプローラーでは、それらをストップ ワードに入れることができます。また、通常は |
| さまざまな Text Explorer テクノロジーにより、ステミング、トークン化、正規表現、再コーディング、および手動での削除が行われます。 |
| リストをクリーンアップします。 ただし、用語が 12,000 あるため、非常に時間がかかる可能性があります。 |
| しかし、関心のあるリストはあるので、このシステムの用語で何に関心があるのかがすでにわかっていることを利用したいと考えています。 |
| それでは、これから何をするかというと、DILI キーワードと MedDRA からの優先用語のみを使用して、予測を行うための興味深い用語とフレーズを生成することをデモで示します。 |
| ここでは、DILI キーワードのみを使用した例を示します。 そうすれば、ここにあるすべてが表示され、リストでも確認できます。 カウント番号があります |
| 各用語の横に、それらがその中で何回繰り返されるかが表示されます。 |
| 警告と注意事項のセクションに加えて、よりカラフルな、より多くの情報を確認できます。 |
| ワールド クラウドのグラフィックを使用してパターンを認識させます。 そして、医療用語を追加します。これは、医療関連の用語です。 したがって、12,000 の用語から、DILI キーワードと医学的に推奨される用語を含む 1,190 の用語まで減少しています。 したがって、これは良いことだと思います |
| 分析を行うために開始する用語リスト。 |
| そこで私たちがやっているのは、 |
| JMP Text Explorer では、用語...ドキュメント用語マトリックスを保存できます。 つまり、1 であればこのドキュメントがこの用語を参照したことを意味し、0 であればこのドキュメントを意味します。 |
| 見たことがありませんが、この単語のケースがあります。 |
| それでは、私たちは、 |
| XGBoost は k フォールドを作成し、3 つの k フォールドを作成し、それぞれを 5 列で使用します。 |
| そこで、この機械では JMP Pro のアドインである XGBoost ツリー モデルを学習し、DILI インジケーターを使用します。 |
| をターゲット変数として使用し、DILI キーワードと、20 回以上出現した MedDRA 優先用語も使用します。 |
| ...予測者として。 次に、相互検証 XGBoost を使用し、それを 300 回繰り返します。 これで、統計的なパフォーマンス指標が得られ、DILI に対する用語の重要性が得られました。 |
| 相互作用の予測プロファイラーを使用でき、新薬予測のための予測式を生成して保存できることが分かりました。 |
| ということでデモに行ってきます。 |
| これは、 |
| JMPで。 |
| したがって、3 つの列があります。 基本的には、医薬品 ID であるインデックスを持っています。 そうすれば、警告と予防措置が得られます。さらに多くのものが含まれている可能性があります |
| という言葉が登場しているので、基本的には各薬剤の情報がすべて揃っています。 これでDILIインジケーターが完成しました。 そこで私たちは、 |
| まずはテキストエクスプローラー。 分析があります。テキスト エクスプローラーに移動して、これを使用できます。 |
| これは警告および予防措置のテキストであり、あなたは...通常、ここで別のことを行うことができ、文字を最小化することができ、通常は 2 に進むか、他のことを行うことができます。 または、ステミングを使用することも、正規表現を使用することもできます。 |
| あらゆる種類のことをする |
| 式と当社の制限では制限される可能性があります。 たとえば、カスタマイズを使用できます |
| 正規表現を使用して、すべての数値を削除します。 数値だけの場合は削除しても構いませんが、リストを使用するので、それらには一切触れず、単に「わかりました」と言うだけで済みます。 |
| つまり、このリスト全体、すべてが表示されます。 だから今私は言うつもりだ、私が気にしているのは |
| ああ、これについては、できる... |
| ワードクラウド。 |
| そして |
| 中央に置きたいと言いたい |
| そして色も欲しいです。 |
| それで、これを見ると、患者が非常に支配的であることがわかり、それからあなたは言うことができます、わかりました、これは間違いなく...そうではありません... |
| に入ってはいけません |
| 分析中。 したがって、ストップワードを選択して右クリックして追加するだけです。 |
| したがって、それらは削除されてリストに表示されなくなり、 |
| ワードクラウド。 |
| そこで今、あなたに見せたいものがあるのですが、 |
| システムには他にも不要な単語がたくさんあるので、そうすることでクリーンアップが早くなると思います。 ということで実際に選んでみると |
| そしてストップワードにすべてを入れます。 |
| そこで、「アクション」を削除できない理由がわかりませんが、すべてを削除しました。 |
| でも、1つだけでも大丈夫です。 それで私がやることは、ここに行くことです。 フレーズを管理して、キーワードをインポートしたいと言いました。 キーワードはただ... |
| とてもシンプルです。 タイトル、 |
| 1 つの列のデータにはすべての名前リストが含まれるだけです。 それで、それをインポートして、ローカルに貼り付けます。 ここが私の地元の図書館になります。 そして私は、「わかりました」と言いました。 |
| これで、私が持っているキーワードだけが得られました。 |
| さて、これで…分析は後ほどしたいと思います。 キーワードなので、それらすべてを分析に含めたいと考えています。 それで、ここに行きます、赤い三角形、テキストエクスプローラー内のすべて、隠し関数、この中に隠されています |
| 赤い三角形。 だから私は行列を保存すると言います。 だから私はそれを持ちたい、そして私は44を上げたい |
| 私の分析では。 私は大丈夫と言います。 それでわかるでしょう、すべては私の中に保存されます... |
| 列、行列に。 |
| だから今、私は何を追加したいのか、もう一度そのフレーズが欲しいのです。 私も輸入したい |
| それらの優先用語。 |
| に |
| 私のデータベース、私のローカルデータ。 |
| それから、私もしたいです |
| 実は、地元でやりたいのですが、 |
| に |
| だから私は言います、わかりました。 |
| これで、両方のミックスができました。 |
| MedDRA の優先用語と私のキーワード。 それで、今見ることができます |
| フレーズが変わった。 |
| 私のリストに追加できるように。 安全用語行列リストに対しても同じことを行い、すべての数値を取得します...含めたいすべての用語を取得します。 そして、私がここで指摘したいのは、これらの条件についてです、そして、それらは...我々は変更する必要があります。 |
| ワンモデル形式。 こちらは継続モデルです。 公称値に変更したいです。 なぜそうするのかは後ほど説明します。 |
| それで、私は今、私はに行くことができます |
| XGBoost、アドインに含まれています。 ...k で列を折りたたむことができるので、確実に実行できます。 |
| 相互検証。 インデックスを使用するだけで使用できます。デフォルトでは、作成するkフォールド列の数は3で、各列内のフォールド数（k）は5です。デフォルトをそのまま使用します。 |
| わかりました。非常に迅速に 3 つの列が生成されます。 そして最後には、A、B、C の 3 つの折り目が表示されます。 |
| それでわかりました、それでは... |
| もう一つやりたかったことは... |
| だから私たちはできる |
| 別のものを作成できます |
| フレーズ |
| これにはすべてが含まれています...すべてが含まれています...このフレーズにはキーワードと PT を含むすべてが含まれていますが、 |
| しか持っていない |
| だけを持っています |
| 優先用語はありますが、キーワードがないので、それらのキーワードをローカル例外に追加して、「わかりました」と言うことができます。 したがって、これらの単語には優先用語のみが含まれますが、 |
| キーワード。このようにして、別のリストを作成し、別のリストを保存できます。 |
| ドキュメンテーション |
| これよりも私が欲しい言葉。 それで |
| は 1000 ありますが、今期は 20 しかありません。 それで彼らがすることは、彼らが条件を満たすかどうかを保存することです... |
| 少なくとも持っている |
| 20 回以上表示されるか、1000 回に達すると、マイリストに表示されます。 |
| これで、キーワードが含まれる表が完成しました。また、20 を超える MedDRA 用語も含まれ、20 回以上表示され、??? も含まれています。分析の準備ができたカラム |
| XGブースト。 |
| したがって、今私にできることは、XGBoost に行くことです。 行けるよ |
| 今の分析。 それで、私がこれからお見せするのは、この DILI インジケーターを使用できるということです。その場合、X 応答は、キーワードと |
| 好きな言葉。 ここでは 3 つの検証を使用します |
| 次に「OK」をクリックして実行します。 実行には約 5 分かかります。 それで、すでに結果が出ていますので、お見せしたいと思います。 |
| それで、あなたは... |
| こんな感じです。 |
| チューニングデザイン。 そして、これを確認してみます。 あなたが持っている |
| 実際には、そうするのに最適な条件が見つかります。 持っている場合は、次のこともできます。 |
| ロス・ウルフィンガーのような経験が豊富であれば、彼はここでいくつかの条件を手動で変更し、おそらく最良の結果が得られるでしょう。 |
| しかし、私のような多くの人は XGBoost の経験があまりないため、単にマシンを使って XGBoost を実行するよりも、このチューニング デザインを使用したいと考えています。 |
| 最初に選択してください。その後、私が入ります。少し調整します。ここで何をする必要があるかによって異なります。 これが私たちが得た結果です。 を使用できます...ここで見ることができます |
| 違う |
| このモデルのパフォーマンス メトリックの統計メトリック。デフォルトでは精度のみが表示され、列をクリックして並べ替えを使用できます。 それらを並べ替えることができ、また、次のような他の一般的なパフォーマンス指標も備えています。 |
| MCC、AUC、 |
| RMSE、相関関係。 クリックするとすべて表示されます。 |
| 彼らはここに現れるでしょう。 したがって、必要なものはすべて、実行したい測定が何であれ、いつでもここで見つけることができます。 |
| したがって、このケースでは、他の何よりも検証の精度を信頼するとします。 だから私がやりたいのは、トップモデルだけ、たとえば5つのモデルを見たいということです。 |
| では、ここで 5 つのモデルを選択します。 それからここに行き、すべてのショーモデルを削除したいとします。 |
| ここに 5 つのモデルが表示され、その後、たとえこの 19 が緑色であっても、いくつかのモデルが表示されます。 |
| 中途半端まで終わらない。 つまり、何かが間違っている、何かがこのモデルに適切ではありません。 それは絶対に使いたくないので、他のものを選択できます。 これを選びたいと言う |
| 19、それを削除したいです。 したがって、非表示のものを削除したいと言えます。 したがって、基本的に必要なことはすべて行うだけです。 比較するならこれを見てください |
| メトリクスは、実際にはそれほど大きくはなく、それほど変わりません。 したがって、パフォーマンスを行うのに最適なグラフィックを選択するために、このグラフィックを頼りにしたいと思います。 |
| それで、良いものを選ぶのです。 ここに行くことができます |
| たとえば、モデル 12 が気に入っているので、ここに行きます。たとえば、 |
| プロファイラー。 |
| これは非常に強力なツールであり、JMP 独自のものだと思います。 あまり多くありません |
| ツールにはこの機能があります。 これにより、個人を観察する機会が得られます |
| パラメータをアクティブな方法で使用し、結果がどのように変化するかを確認します。 たとえば、これら 2 つは DILI 症例で最も頻繁に現れました。 |
| そして、傾きが非常に急であることがわかります。つまり、値を変更すると、最終結果の予測にかなりの影響を与えることになります。 したがって、いつ |
| 肝炎と黄疸は両方ともゼロですが、実際には DILI が 1 になる可能性は非常に低いです。 DILI の可能性がある場合も小文字が当てはまります。 しかし、この行を変更すると、 |
| 1にすると、獲得する可能性が高くなることがわかります。 そして、それらを移動すると、 |
| さらに高い。 それで、あなたには次の方法があります |
| 分析してください。 |
| 鍵は何ですか |
| 結果に影響を与えるパラメータまたは予測子。 そして、これについては、それらの一部は、キーワードさえも、かなりフラットです。 つまり、それを変更しても結果にはそれほど影響はありません。 それで |
| これも私たちもここで、あなたがアクセスできるリストを提供しました |
| 何が最も重要なのかを知るために |
| 変数予測を計算するための機能。 ここにあるのは黄疸であり、他のものは非常に重要であることがわかります。 |
| 特徴の結果については、データを取得すると、これが私たちが得られるすべての結果になります。 そして、あなたはこう言うことができます、まあ...今後の新しいものについてはどうですか? はい、ここにあります。予測式を保存したいと言えます。 |
| そして、それに対して積極的に取り組んでいることがわかります。 そして、表の最後までに、予測が表示されます。 それで、私たちが持っていたことを思い出してください...これは、たとえば、 |
| 最初の薬、2番目の薬は、それが次の薬になるだろうとほぼ予測されていました |
| DILI 症例と次の 2 例、3 例目、4 例目、そして 5 例目はほぼゼロでした。 この DILI に戻ります |
| インジケーターがあり、実際にリストされていることがわかりました。 最初の5つは正解でした。 したがって、新しいデータが入ってきたときにこのインジケーターがない場合でも、すべてのラベルを読む必要はありません。 モデルを実行します。 予測がわかります。 それがあるかどうかはほとんどわかっていました |
| それはDILIの場合かどうかです。 |
| したがって、私のデモは次のようになります |
| ここで終わりにして、結論を述べます。 そのため、テキスト エクスプローラーを使用して、ストップ ワードとフレーズ管理を使用せずにデータ キーワードと MedDRA 用語を抽出しています。 |
| 手動で選択、削除、再コーディングします。 そこで、視覚化を使用し、予測用の文書用語行列を作成しました。 |
| また、XGBoost モデリングを使用するために機械学習を使用しており、XGBoost を迅速に実行して最適なモデルを見つけ、予測プロファイルを実行したいと考えています。 また、保存することもできます |
| 新しい症例を予測するための予測式。 |
| ありがとう。 そして私はここで立ち止まります。 |
