Vocero | Transcripción |
| Olivia Lippincott | Qué |
| wenjba | Es un placer para mí hablar sobre esto. Obtener información de alta calidad del sistema de etiquetado de medicamentos de la FDA y del descubrimiento del JMP. |
| Y hoy voy a hablar de cuatro porciones. En primer lugar, brindaré información general sobre el monitoreo posterior a la comercialización de medicamentos y cuál es el esfuerzo de la agencia reguladora de la FDA y la industria. Y también voy a utilizar un conjunto de datos de etiquetas de medicamentos. |
| para analizar el texto y usar el Explorador de texto en JMP y también usar el complemento |
| complemento JMP |
| XGBoost para analizar esta información de DILI y luego dar la conclusión y también el tutorial de XGBoost del Dr. Russ Wolfinger también está presente en esta JMP Discovery Summit, así que vaya a su tutorial si está interesado en XGBoost. |
| Entonces, el desarrollo de medicamentos, según la descripción de la FDA para el procesamiento de medicamentos, |
| se puede dividir en cinco etapas y las dos primeras etapas, descubrir e investigar preclínicos, muchos en el |
| en el estudio con animales y la evaluación química, y luego tres etapas involucran al ser humano. Y JMP tiene tres productos, incluidos JMP Genomics, JMP Clinical, |
| JMP y JMP Pro, que han cubierto todas las etapas del descubrimiento del fármaco. Y JMP Genomics es el sistema ómico que se puede utilizar para la selección de biomarcadores clínicos y ómicos y JMP Clinical es específico para el ensayo clínico. |
| y seguimiento posterior a la comercialización de la seguridad y eficacia del medicamento. Y también el JMP Pro se puede utilizar para la limpieza de datos de medicamentos, extracción, identificación de objetivos, desarrollo de formulaciones, DOE, QbD, bioensayos, etc. Por lo tanto, se puede utilizar en todas las etapas de |
| el desarrollo de fármacos. |
| Entonces, en el desarrollo de este fármaco, existe una causa única más frecuente, llamada DILI, que en realidad puede detenerse para el ensayo clínico. |
| La FDA u otra agencia reguladora puede rechazar la aprobación del medicamento, o retirarlo del mercado una vez que esté en el mercado. Esta es la causa única más frecuente llamada DILI y se puede encontrar información en la guía de la FDA y también en otras publicaciones científicas. Entonces |
| ¿Qué es DILI? En realidad, esto es una lesión hepática inducida por fármacos. |
| se llama DILI y tienes la FDA, hace casi más de 10 años, en 2009, publicaron una guía para DILI, |
| Cómo realizar la evaluación y el seguimiento, la FDA ofrece varios años de capacitación DILI para el investigador clínico y esa información aún se puede encontrar en línea hoy. |
| Y tienen conferencias, también organizadas por la FDA, el año pasado. Y, por supuesto, para el DILI, cómo se define al sujeto o paciente que podría tener un caso DILI, tienen la Ley de Hy que está incluida en el |
| Orientación de la FDA. |
| Aquí hay un ejemplo de la evaluación DILI para el ensayo clínico, aquí en el ensayo clínico, |
| en la Clínica JMP por la Ley de Hy. Entonces, la Ley de Hy es la condición combinada de varias enzimas hepáticas cuando se elevan a un cierto nivel, |
| entonces uno pensaría que serían los posibles casos de la Ley de Hy. Entonces tienes potencialmente ese daño hepático. Entonces aquí usamos el color para identificar el |
| posibles casos de la Ley de Hy, el rojo es un sí, el azul es un no. Y también las diferentes rondas y triángulos pertenecían a diferentes grupos de tratamiento. También utilizamos un diagrama de burbujas de JMP para mostrar la |
| las elevaciones de enzimas a lo largo del tiempo... momento... durante el período del ensayo clínico. Entonces esto es típico. Son 15 días. Entonces tienes el |
| Asunto, el arranque fue bastante normal. Luego se vuelven locos. Los altos niveles de enzima hepática indican que son potencialmente |
| DILI posibles casos. |
| Entonces, la FDA tiene dos bases de datos principales, que en realidad pueden ocuparse de la poscomercialización. |
| Monitoreo de la seguridad de los medicamentos. Una es la etiqueta de un medicamento y obtendremos los datos de esta base de datos. Otro es el Sistema de Notificación de Eventos Adversos de la FDA, ellos |
| luego tienen del NIH y NCBI, tienen muy activamente |
| Construí este LiverTox y tengo mucha información, trata con el DILI. Y la FDA tiene otra base de datos llamada Liver Toxic |
| Base de conocimientos y estuvo liderado por el Dr. Tong, quien es nuestro compañero en esta presentación. Tienen mucho conocimiento sobre el DILI y construyeron esta base de datos específica para información pública. |
| Entonces la etiqueta del medicamento. Probablemente todo el mundo haya visto esto cuando compra medicamentos recetados. Tienes esos papeles llenos de palabras que vienen con tu droga. |
| Por lo tanto, también vienen con palabras en letra diminuta, aunque a veces son demasiado pequeñas para leer, pero contienen mucha información científica útil sobre este medicamento. |
| Luego dos pociones estarán relacionadas con mi presentación de hoy, serían las secciones llamadas advertencias y precauciones. Básicamente, toda la información sobre el evento adverso del medicamento y cualquier cosa debe ser |
| tenga cuidado en estas dos secciones. Y esta droga realmente tiene |
| Más de 2000 palabras describen las advertencias y precauciones. Y, afortunadamente, no todos los medicamentos tienen tantos efectos secundarios o eventos adversos. Algunas drogas como esta, |
| uno de los Metformina, en realidad tiene una pequeña sección de advertencias y precauciones. Entonces, la versión anterior de la etiqueta del medicamento tiene advertencias y precauciones en secciones separadas, y la nueva versión las tiene juntas. Entonces este está en la nueva versión que pusieron...tienen esos dos |
| secciones juntas. Pero éste tiene muchos menos efectos secundarios. Entonces, JMP y JMP Clinical han recurrido a la FDA para realizar el análisis de seguridad y, de hecho, ayudamos a finalizar cada evento adverso enumerado en las etiquetas de los medicamentos. |
| Estos son los datos que se presentaron hoy. Así que estamos usando la sección de advertencia y precaución en las etiquetas de 462 medicamentos que extrajeron los investigadores de la FDA y que acabo de recibir de ellos. |
| Y a cada fármaco se le asignó el indicador DILI. 1 es sí y el cero es no. Entonces, a partir de esta distribución, puedes ver que hay |
| alrededor de uno...164 medicamentos tiene |
| casos potenciales de DILI y 298 no lo hacen y el formato original de los datos de la etiqueta del medicamento está en formato XML y JMP puede importarlo multiplicado a la vez. |
| Entonces, para las palabras clave DILI, la FDA hizo un esfuerzo de muchos años para crear esta lista de palabras clave. Luego, consultaron al experto, leyeron cientos de etiquetas de medicamentos y luego decidieron en qué podrían convertirse potencialmente los casos de DILI. Entonces se les ocurren esos |
| alrededor de 44 palabras o términos que se indicarán como palabra clave, que se indicarán para el medicamento |
| Podrían ser los casos DILI. Y es posible que también haya oído hablar de MedDRA, que es un diccionario médico para actividades regulatorias. Tienen diferentes niveles de términos estandarizados y el más popular es el término preferido. Voy a usar hoy. |
| Entonces en el |
| Advertencia y precaución, puede ver si juntamos todo, tiene más de 12,000 términos en el |
| Advertencias y la sección de precauciones. Y puedes ver que "pacientes" y "pueden" es un dominante que |
| hecho no... no debe estar relacionado con los casos médicos y la información médica en este caso. Entonces podemos eliminar eso, puedes ver que ninguna otra palabra es tan dominante en esta palabra. |
| nube, pero todavía tiene muchas palabras médicas no relacionadas como "uso" y "informado" que podríamos incluir... |
| podríamos eliminarlos de nuestra lista de análisis. Entonces, en el Explorador de texto, podemos ponerlos en la palabra vacía y también normalmente usábamos el |
| Otra tecnología de Text Explorer es la derivación, tokenización, expresiones regulares, recodificación y eliminación manual. |
| para limpiar la lista. Pero tenía 12.000 términos, por lo que podía llevar mucho tiempo. |
| Pero como tenemos la lista que nos interesa, queremos aprovechar que ya sabemos lo que nos interesa en los términos de este sistema. |
| Entonces, lo que vamos a hacer y les mostraré en la demostración que solo usaremos las palabras clave DILI, más el término preferido de MedDRA para generar los términos interesantes y las frases para hacer la predicción. |
| Aquí está el ejemplo que vimos usando solo las palabras clave DILI. Luego ves todo aquí, puedes verlo incluso en la lista. tienes un numero de conteo |
| se muestra al lado para cada uno de los términos, cuántas veces se repiten en el |
| sección de advertencias y precauciones y también puedes ver más colorido, más |
| gráfico en la nube mundial para que se reconozca un patrón. Y luego agregamos los términos médicos, que eran los términos relacionados con la medicina. Por lo tanto, todavía se ha reducido de los 12.000 términos a los 1.190 términos que incluían palabras clave DILI y términos médicos preferidos. Entonces pensamos que esto sería lo bueno. |
| lista de términos con la que comenzar para hacer nuestro análisis. |
| Entonces lo que hacemos es en el |
| JMP Text Explorer, podemos guardar el término...matriz de términos del documento. Eso significa que si ve 1, significa que este documento ha visto este término, si dice, si esto es 0, significa este documento. |
| No ha visto, tiene un caso de esta palabra. |
| Entonces nosotros, en el |
| XGBoost hará k pliegues y tres k pliegues, use cada uno con cinco columnas. |
| Entonces usamos en este aprendizaje automático y usamos el modelo de árbol XGBoost que se agrega para JMP Pro y nosotros... usando el indicador DILI. |
| como variable objetivo y utilizan las palabras clave DILI y también los términos preferidos de MedDRA que han aparecido más de 20 veces. |
| a... como predictor. Luego usamos una validación cruzada XGBoost y luego la interacción 300 veces. Ahora tenemos métricas estadísticas de desempeño, obtenemos la importancia del término para DILI, |
| y obtenemos, podemos usar el generador de perfiles de predicción para interacciones y también podemos generar y guardar la fórmula de predicción para la predicción de nuevos medicamentos. |
| Entonces voy a la demostración. |
| Esta es una tabla de muestra que obtuvimos en el |
| en JMP. |
| Entonces tienes tres columnas. Básicamente tienes el índice, que es una identificación de medicamento. Luego tienes la advertencia y la precaución, podría haber contenido mucho más. |
| palabras que ha aparecido, así que básicamente tengo toda la información para cada medicamento. Ahora tienes un indicador DILI. Entonces hacemos el |
| Explorador de texto primero. Tenemos análisis, vas al Explorador de texto, puedes usar esto |
| entrada, que es un texto de advertencia y precaución y usted... normalmente puede hacer diferentes cosas aquí, puede minimizar caracteres, normalmente la gente va a 2 o hace otras cosas. O podrías usar la derivación o podrías usar la expresión regular y |
| hacer todo tipo de |
| fórmula y en nuestra limitación puede ser limitado. Por ejemplo, puedes usar un personalizar |
| regex para eliminar todos los números. Eso es solo un número, puedes eliminarlos, pero como vamos a usar una lista, no tocaremos ninguno de ellos, podemos ir aquí y simplemente decir, está bien, |
| Entonces surgió la lista completa de esto, todo. Así que ahora voy a decir que sólo me importa |
| oh, para este, puedes hacer... puedes mostrar el |
| nube de palabras. |
| Y |
| queremos decir quiero centrarlo |
| y también quiero el color. |
| Entonces ves este, ves que el paciente es tan dominante, entonces puedes decir, está bien, esto definitivamente... no el... |
| no debería estar en el |
| en análisis. Así que simplemente selecciono y hago clic derecho en agregar palabra de parada. |
| Entonces verá que se eliminan y ya no se muestran en su lista ni en el |
| nube de palabras. |
| Ahora quiero mostrarles algo que |
| Creo que eso aceleraría la limpieza, porque hay muchas otras palabras que podrían estar en el sistema y que no necesito. Así que en realidad selecciono |
| y poner todo en la palabra vacía. |
| Así que eliminé todo, excepto que no sé por qué no se puede eliminar la "acción". |
| Y está bien si solo hay uno. Entonces lo que hago es ir aquí. Dije administrar frase, quiero importar mis palabras clave. La palabra clave solo tiene un... |
| muy simple. El título, |
| Los datos de una columna solo tienen toda la lista de nombres. Entonces lo importo, lo pego en local. Esta será mi biblioteca local. Y dije, está bien. |
| Entonces ahora solo obtuve la palabra clave que tengo. |
| Bien, ahora este será... Quiero hacer el análisis más tarde. Y quiero utilizarlos todos para incluirlos en mi análisis porque son las palabras clave. Entonces voy aquí, el triángulo rojo, todo en el Explorador de texto, funciones ocultas, ocultas en este |
| triángulo rojo. Entonces digo guardar matriz. Entonces quiero tener uno y quiero 44 arriba |
| en mi análisis. Yo digo bien. Entonces verás, todo se guardará en mi... |
| a la columna, la matriz. |
| Ahora quiero agregar lo que quiero, quiero tener la frase una vez más. yo tambien quiero importar |
| esos términos preferidos. |
| en el |
| mi base de datos, mis datos locales. |
| Entonces también quiero |
| En realidad, quiero hacerlo localmente. |
| a |
| entonces digo, está bien. |
| Así que ahora tengo la mezcla, ambos |
| los términos preferidos de MedDRA y también mis palabras clave. Entonces puedes ver ahora el |
| Las frases han cambiado. |
| Para poder agregarlos a mi lista. Lo mismo para mi lista de matriz de términos seguros y obtener todos los números... todos los términos que quiero que se incluyan. Y lo único que quiero señalar aquí es que estos términos son... tenemos que cambiar el |
| un formato de modelo. Este es el tipo de modelo que continúa. Quiero cambiarlos a nominales. Te diré por qué hago eso más tarde. |
| Ahora que lo tengo, puedo ir al |
| XGBoost, que está en el complemento. Podemos hacer...k doblar las columnas que aseguren que pueda hacer el |
| validación cruzada. Puedo usar solo usar índice y, de forma predeterminada, el número de k columnas de pliegues para crear es tres y el número de pliegues (k) dentro de cada columna es cinco, simplemente usamos el valor predeterminado. |
| Diga, está bien, generará tres columnas muy rápidamente. Y al final, ves el pliegue A, B, C, tres de ellos. |
| Entonces tenemos eso, luego tenemos... |
| Otra cosa que quería hacer es en el... |
| Para que podamos |
| Podemos crear otro |
| frase |
| que tiene todo... que tiene todo en... esta frase tiene todo, incluidas las palabras clave y PT, pero quiero crear una que solo tenga el |
| solo tengo |
| solo tengo el |
| el término preferido, pero no tengo la palabra clave, por lo que puedo agregar esas palabras clave a la excepción local y decir: Está bien. Entonces esas palabras solo tendrán términos preferidos, pero no tendrán la |
| palabras clave. De esta manera puedo crear otra lista, guardar otra lista de |
| documentación |
| palabras que ésta quiero tener. Entonces |
| tiene 1000, pero este término tiene solo 20. Entonces, lo que harán es que los términos que se salvaron se cumplan... |
| tener por lo menos |
| aparecen más de 20 veces o llegan a 1000, cuál de ellos aparecerá en mi lista. |
| Entonces ahora tengo la tabla completa, que tiene las palabras clave y también los términos de MedDRA que tienen más de 20, se muestran más de 20 veces, ahora también tienen ??? columna que está lista para el análisis de la |
| XGBoost. |
| Entonces ahora lo que puedo hacer es ir a XGBoost. puedo ir por |
| el análisis ahora. Entonces, lo que voy a hacer es mostrarles que puedo usar este indicador DILI, luego la respuesta X son todos los términos que acabo de tener para la palabra clave y el |
| palabras preferidas. Ahora uso las tres validaciones. |
| luego haga clic en Aceptar para ejecutar. Tardará unos cinco minutos en ejecutarse. Entonces ya obtuve un resultado que quiero mostrarles. |
| Así que tienes... |
| Esto es lo que parece. |
| El diseño de tuning. Y comprobaremos esto. Tienes |
| el real encontrará una buena condición para que usted pueda hacerlo. También puedes, si tienes |
| Por mucha experiencia que tenga Ross Wolfinger, entrará aquí, cambiará manualmente algunas condiciones y probablemente obtendrá el mejor resultado. |
| Pero para muchas personas como yo que no tienen mucha experiencia en XGBoost, prefiero usar este diseño de ajuste que simplemente tener una máquina para |
| Seleccione por mí primero, luego puedo entrar, podemos ajustar un poco, depende de lo que necesito hacer aquí. Entonces este es el resultado que obtuvimos. Puedes usar el... puedes ver aquí. |
| diferente |
| Las métricas estadísticas para las métricas de rendimiento para estos modelos y el valor predeterminado se muestran solo tienen precisión y puede ordenarlas por para hacer clic en la columna. Puede ordenarlos y también tiene muchas más métricas de rendimiento populares como |
| MCC, AUC, |
| RMSE, correlación. Todos aparecen si haces clic en ellos. |
| Aparecerán aquí. Así que cualquier cosa que necesites, cualquier medida que quieras hacer, siempre podrás encontrarla aquí. |
| Así que ahora voy a usar, digamos que confío en la precisión de la validación, más que cualquier otra cosa para este caso. Entonces lo que quiero hacer es ver solo a las mejores modelos, digamos cinco modelos. |
| Entonces, aquí elijo cinco modelos. Luego voy aquí y digo que quiero eliminar todos los modelos del programa. |
| Entonces verán los cinco modelos aquí y luego podrán ver algún modelo, aunque, como este 19, sea verde, |
| no llega a la mitad del camino. Entonces algo anda mal, algo no es apropiado para este modelo. Definitivamente no quiero usar ese, así que puedo elegir otros. Di que quiero elegir esto |
| 19, quiero eliminar ese. Entonces puedo decir que quiero eliminar el oculto. Básicamente, todo lo que necesites hacer. Así que si comparas, mira esto. |
| métricas, en realidad no son muy, no muy diferentes. Por eso quiero confiar en este gráfico para que me ayude a elegir el mejor para realizar la actuación. |
| Entonces eliges el bueno. Puedes ir aquí para |
| digamos, me gusta el modelo 12 así que puedo ir aquí, digamos que quiero hacer el |
| perfilador. |
| Esta es una herramienta muy poderosa, creo que bastante exclusiva de JMP. No muchos |
| Las herramientas tienen esta función. Entonces esto te da la oportunidad de mirar a individuos |
| parámetros de forma activa y vea cómo cambian el resultado. Por ejemplo, esos dos aparecieron con mayor frecuencia en los casos DILI. |
| Y puedes ver que la pendiente es bastante pronunciada y eso significa que si los cambias, afectarán bastante las predicciones del resultado final. Así podrás ver cuando |
| tanto la hepatitis como la ictericia dicen cero, en realidad tienes muy pocas posibilidades de obtener el DILI como uno. Lo mismo ocurre con los posibles casos DILI. Pero si cambias esta línea, |
| al 1, puedes ver que la probabilidad que tienes es mayor. Y si mueves esos |
| más alto aún. Así que tienes, tendrás una manera de |
| analizar, si son los |
| cual es la clave |
| parámetros o predictor que afecten su resultado. Y por eso, algunos de ellos, incluso su palabra clave, son bastante planos. Eso significa que si cambias eso, no afectará tanto el resultado. Entonces |
| Así que esto es y también nosotros aquí, le dimos la lista a la que puede acceder |
| para ver que es lo mas importante |
| características para calcular la predicción de variables. Como pueden ver aquí, hay ictericia y otras son bastante importantes. |
| Y para el resultado de la función, una vez que ingresa los datos, estos son todos los resultados que tenemos. Y puedes decir, bueno, ¿qué tal las cosas nuevas que vienen? Sí, tenemos aquí, puede decir, quiero guardar la fórmula de predicción. |
| Y se puede ver que está trabajando activamente en eso. Y luego, en la tabla, al final de la tabla, verás la predicción. Así que recuerda que teníamos uno... este era, digamos, bueno, |
| el primer medicamento, el segundo fue prácticamente predicho que será el |
| Los casos DILI y los dos siguientes, el tercero, el cuarto y el quinto fueron cercanos a cero. Entonces volvemos a este DILI. |
| indicador y descubrimos que en realidad figuran en la lista. Los primeros cinco eran los correctos. Entonces, en caso de que tenga... no tenga este indicador cuando reciba los nuevos datos, no tiene que leer toda la etiqueta. Tú ejecutas el modelo. Puedes ver la predicción. Prácticamente sabías si lo es. |
| Son casos DILI o no. |
| Entonces mi deomo sería |
| Termino aquí, y ahora voy a dar una conclusión. Por lo tanto, estamos usando el Explorador de texto para extraer la palabra clave de datos y los términos de MedDRA usando palabras vacías y administración de frases sin |
| selección, eliminación y recodificación manualmente. Entonces usamos una visualización y creamos una matriz de términos de documento para la predicción. |
| Y también usamos el aprendizaje automático para usar el modelado XGBoost y queremos ejecutar XGBoost rápidamente para encontrar el mejor modelo y realizar el perfil de predicción. Y también podemos salvar el |
| Fórmula de predicción para predecir los nuevos casos. |
| Gracias. Y me detengo aquí. |
