625499_es-ES

liliconcom

Re: datos multivariados con un diseño de medidas repetidas

No soy una PYME para su situación particular, pero en general, primero evalúe la variación dentro del tratamiento (cuantificada por sus medidas repetidas). Esto podría incluir evaluar gráficamente las repeticiones y evaluar la consistencia dentro del tratamiento. Una vez que haya evaluado la variación dentro del tratamiento, puede decidir cómo enumerar esas medidas repetidas (p. ej., qué estadísticas desea usar para resumir los datos dentro del tratamiento). Esto podría ser alguna medida de tendencia central y alguna medida de varianza. No hay una forma "correcta" de hacer esto. Sin duda, valdría la pena probar su idea sobre el uso del cambio porcentual. Luego analiza esas estadísticas resumidas para modelar los efectos del tratamiento. La belleza de JMP es que le permitirá probar múltiples métodos de manera bastante eficiente.

Re: datos multivariados con un diseño de medidas repetidas

Hola @abmayfield ,

 

Puedo tener otra sugerencia.

Si las respuestas de sus analitos son valores continuos medidos a lo largo del tiempo, ¿podría ser útil el Explorador de datos funcionales para extraer la variación de las curvas/evolución temporal, con la posible variación de mediciones repetidas para el mismo sujeto (ID)?

Hubo un tema relacionado con el análisis del sistema de medición para datos de curva que puede ser útil en este contexto:
Análisis de sistemas de medición para datos de curvas utilizando modelos funcionales de efectos aleatorios (2023-EU-30MP-1316)

 

Espero que esta respuesta te ayude,

Re: datos multivariados con un diseño de medidas repetidas

Gracias por tus pensamientos. Creo que puede terminar siendo más simple de lo que estoy pensando porque tengo la sensación de que serán datos de presencia-ausencia: ¿la persona desarrolló una mutación y, de ser así, qué proteínas cambiaron en concentración durante el período en que la mutación surgido? Creo que esta es su pregunta (fuera de mi área de especialización). En otras palabras, es posible que ni siquiera necesite ingresarse en JMP como un diálogo típico de medidas repetidas.

Re: datos multivariados con un diseño de medidas repetidas

Gracias, y esta es una buena idea con respecto al uso del FDE: ¿el biomarcador debería tener una tendencia de "línea plana" (es decir, sin cambios), hiperbólica (se disparó hacia arriba y volvió a bajar) o incluso una meseta (se disparó y se quedó despierto)? En última instancia, esto puede ser lo que el médico que dirige este ensayo clínico quiera saber. También sospecho que JMP Clinical, que nunca he usado, PROBABLEMENTE tiene herramientas para abordar este tipo de preguntas complejas, por lo que también puedo explorar esa vía.

Re: datos multivariados con un diseño de medidas repetidas

Hola @abmayfield ,

 

JMP Clinical no tendría nada adicional que ofrecer si busca patrones a lo largo del tiempo, excepto que contiene características de JMP Pro como FDE (al menos en JMP Clinical 17).

 

Creo que esto es como datos de cromatografía (cantidad de proteína eluida con el tiempo) con un conjunto de perfiles (pacientes) para cada análisis (proteína). Esto podría convertirse en lo que se llama FDE-DOE ya que se trata de una comparación de tratamiento.

 

Tal vez algunos enlaces útiles:

https://community.jmp.com/t5/Discovery-Summit-Munich-2020/Using-FDE-and-DOE-to-Help-Build-Predictive-Models-for-Spectral/ta-p/243861

https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/ejemplo-de-analisis-funcional-doe.shtml

 

En este caso, el DOE es realmente solo un factor único de tratamiento frente a tratamiento.

Re: datos multivariados con un diseño de medidas repetidas

También me gusta el enfoque FDE, pero como primer paso, podría considerar girar sus datos de modo que cada valor en cada momento sea una columna diferente, y haya una fila por paciente y luego usar PCA o PLS.Con FDE puede ver fácil/directamente la curva de cada valor a lo largo del tiempo, pero también necesita realizar el análisis para cada variable y.Con PLS, las curvas serían más difíciles de interpretar ya que no se ordenarían automáticamente por tiempo o variable, pero no necesitaría tantos parámetros.

Re: datos multivariados con un diseño de medidas repetidas

De hecho, puedo incluir esto en la "lista de deseos" porque creo que todos los elementos ya están allí: PLS para análisis multivariado + plataforma de modelo mixto para medidas repetidas en las que el sujeto repetido se especifica directamente. Creo que esto no es una necesidad tan oscura o esotérica como parece porque creo que en el futuro, muchas compañías farmacéuticas e investigadores clínicos querrán perfilar repetidamente conjuntos completos de moléculas en individuos rastreados a lo largo del tiempo (que pueden o no estar tomando una droga, por ejemplo). Sin embargo, creo que hacer esto INcorrectamente (es decir, ignorar la naturaleza de medidas repetidas del diseño) NO produciría resultados dramáticamente diferentes del análisis adecuado asumiendo una gran población de sujetos de prueba. En otras palabras, si le da un fármaco a 200 pacientes y un placebo a otros 200 y luego observa los cambios en la expresión génica a lo largo del tiempo con MANOVA o PLS, aún podría detectar diferencias incluso si las personas "comenzaran" en diferentes lugares en términos de su niveles de expresión génica de referencia. Pero, por supuesto, ¡sería preferible hacerlo de la manera más robusta estadísticamente!

Re: datos multivariados con un diseño de medidas repetidas

Si quisiera seguir con el enfoque de modelo mixto con medidas repetidas, supongo que podría hacer PCA en el ARNm, guardar las PC de mayor impacto y luego usarlas en el rol de respuesta (algo así como lo que hará PLS). Luego haga las medidas repetidas como se podría hacer en modelos mixtos o mínimos cuadrados estándar como en este tutorial .

 

O coloque todo el ARNm en respuesta, elija un modelo mixto, configúrelo como lo haría para una estructura repetida basada en el tiempo y luego coloque el tratamiento en Efectos fijos (probablemente me falta algo para agregar). Luego use el triángulo rojo y elija Opciones para muchas respuestas. Obtendrá una tabla para todo en lugar de un informe y eso podría ayudar, pero luego habrá un trabajo adicional para determinar qué ARNm se ve más afectado y otras estadísticas para cada uno de los términos del modelo.

 

 

Es un pensamiento de todos modos. Podría valer la pena.

Re: datos multivariados con un diseño de medidas repetidas

Hola Anderson,

Cuando tu dices " 3000 analitos", eso significa que tendrías 3000 Y variables que te interesa analizar simultáneamente debido a las posibles correlaciones entre ellas (ya que se miden en el mismo tema), ¿correcto?

El modelo mixto ciertamente tiene la capacidad de ajustar una estructura de medidas repetidas (es decir, AR(1), ANTE) para modelar las correlaciones a través de los puntos de tiempo para una sola Y ( https://www.jmp.com/support/help/en/17.1/#page/jmp/ejemplo-de-medidas-repetidas.shtml#ww1279888 ). También tiene la capacidad de ajustar múltiples Y que son respuestas correlacionadas ( https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-a-correlated-response.shtml# ). Pero no hay forma de especificar múltiples estructuras de covarianza en JMP para combinar las dos.

Podría ser posible ajustar un modelo mixto de este tipo en SAS, pero creo que probablemente sería pedir demasiado de los datos modelar las múltiples fuentes de correlación de esta manera (y espero tener algún poder para detectar las diferencias de tratamiento que necesita). te interesa!). ¡Tendría 4,501,500 varianzas y covarianzas entre los 3000 Y más cualquier parámetro de medidas repetidas para estimar antes de agregar los parámetros de tratamiento!

Otra plataforma posible podría ser SEM, ya que es muy flexible para especificar estructuras de correlación.@LauraCS podría ser capaz de hablar de eso más efectivamente que yo. Sé que puede encontrarse con los mismos problemas de falta de datos que los modelos mixtos.

Yo, personalmente, nunca he oído hablar de incluir una estructura de medidas repetidas con un modelo PLS, pero no estoy tan familiarizado con PLS, en general. MANOVA es matemáticamente equivalente a las respuestas correlacionadas del modelo mixto, por lo que estamos en el mismo lugar allí.

¡Simplificar las respuestas para que sean el delta de principio a fin probablemente llevaría a una decisión similar con un modelo mucho más simple para tratar de explicar más adelante! Asumiendo que la respuesta no cambió en el medio y luego volvió a la línea de base al final, por supuesto. También me gusta la idea de FDE, si son respuestas continuas, aunque no creo que capten la posible correlación de las respuestas.

-Elizabeth

Re: datos multivariados con un diseño de medidas repetidas

Hola Anderson,

tengo la misma pregunta que @eclaassen planteado con respecto a la estructura precisa de sus datos. Sin embargo, parece que los modelos mixtos o SEM son la opción natural para este análisis (de hecho, PLS + modelo mixto con estructura repetida es algo así como SEM).

 

Aquí hay una presentación de descubrimiento que explica cómo modelar trayectorias en SEM:

https://community.jmp.com/t5/Discovery-Summit-Americas-2021/Modeling-Trajectories-over-Time-with-Structural-Equation-Models/ta-p/398754

Tiempos útiles en el video:

1 min 33 seg -- Por qué SEM puede ayudar con el análisis de medidas repetidas

3 min 40 seg: requisitos para usar SEM con datos longitudinales (pero tenga en cuenta que la versión 18 tendrá una inferencia robusta para datos continuos no normales)

11 min 23 seg-- Ejemplo de uso de SEM con datos de medidas repetidas

 

Como @ih señaló, sus datos deberán estar en "formato ancho" con un individuo por fila y una columna por medida repetida. SEM le permite a uno compare un modelo en el que todos los individuos tengan trayectorias planas (Curva de crecimiento latente solo de intercepción), con uno en el que tengan un crecimiento lineal, cuadrático u otro crecimiento no lineal (base latente).

 

Debido a que tiene dos grupos (placebo y medicación), puede comparar las trayectorias entre los grupos mediante el análisis de grupos múltiples en SEM. Es bastante común usar SEM en ensayos clínicos para este tipo de cosas ( aquí está un ejemplo de una búsqueda rápida en Google). Nuestra documentación tiene un ejemplo que compara las trayectorias de estudiantes masculinos y femeninos a lo largo del tiempo (con 4 medidas repetidas):

https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-multiple-group-analysis.shtml#ww676033

 

HH,

~Laura

 

Re: datos multivariados con un diseño de medidas repetidas

¡Guau! Muchas gracias a todos. Esto es de hecho lo que se conoce como un estudio longitudinal. Sin embargo, comencé a mirar los datos y parece que el tamaño de la muestra debe ser 4 o 5 veces mayor que el número de Y, de lo contrario, no pasó la "prueba del tamaño de la muestra". En estos estudios ómicos, casi siempre habrá muchas más Y (moléculas) que sujetos. Por ejemplo, tengo un conjunto de datos con 71 proteínas medidas en cada uno de los 16 individuos (8/tratamiento x 2 tratamientos). Este diseño "fallaría" en la regla del tamaño de la muestra. ¿Significa esto que solo podría usar SEM cuando hay más sujetos experimentales que analitos? Si es así, entonces puede que no sea la mejor plataforma para lo que estoy buscando hacer (¡ir molécula por molécula para 3000 proteínas tomaría demasiado tiempo!).

Re: datos multivariados con un diseño de medidas repetidas

¡Ay! Sí, esa es una advertencia importante... SEM no funcionará si hay más columnas que filas en sus datos. El tamaño de muestra requerido en SEM depende de la cantidad de parámetros que estima su modelo; quieres más filas que parámetros.

Los modelos mixtos son más indulgentes que SEM cuando se trata del tamaño de la muestra, pero con 16 filas y 71 columnas, tampoco creo que esa sea la solución. En base a esto, creo que FDE le proporcionará lo que necesita. Revisando los enlaces que @Chris_Kirchberg compartido para FDE-DOE debería ayudar.

Mejor,

~Laura

Re: datos multivariados con un diseño de medidas repetidas

Iba a volver y responder con esto, pero me ganaste. (No vi esta respuesta antes de responder ayer, así que me pregunto si estábamos escribiendo al mismo tiempo, @Chris_Kirchberg !)

Esta es una excelente opción porque luego puede trazar/ordenar los valores p de prueba para ver cuáles son significativos, etc. Y con la interactividad de JMP, puede seleccionar en los gráficos y selecciona en la tabla de datos para subdividir los "importantes". unos. Así es como he visto la mayoría de los análisis de tipo ómico que tienen estructuras de efectos aleatorios más complejas. Sí, ignora la correlación entre las Y, pero hace que el análisis sea factible, mientras que de lo contrario es intratable.

Re: datos multivariados con un diseño de medidas repetidas

Creo que la idea de Chris es buena porque, realmente, lo que uno querría saber es si la droga (o cualquier tratamiento):

A) no provocó ningún efecto en el tiempo para el individuo promedio

provocó un efecto sostenido (ya sea una disminución o un aumento)

C) provocó un efecto hiperbólico (causó que la concentración del analito bajara y luego volviera a la línea base o subiera y volviera a la línea base)

Entonces, al hacerlo molécula por molécula en el modelo mixto, puedo acomodar la naturaleza de medidas repetidas y, aunque el resultado resultante será grande, no debería ser difícil hacer un poco de clasificación de tablas y luego subconjuntos por los diversos efectos, por ejemplo, identificar aquellas proteínas sin efecto, aquellas con un aumento con el tiempo y aquellas con una respuesta de "rebote" (hiperbólica).

 

Gracias a todos por el esfuerzo del equipo, y les informaré más tarde sobre cómo funcionó esto (estoy preguntando en nombre de otra persona o podría intentarlo de inmediato).

Re: datos multivariados con un diseño de medidas repetidas

Otro enfoque sería utilizar un modelo de intersección aleatoria/pendientes aleatorias.Si los perfiles de los resultados de los sujetos frente al tiempo pueden describirse mediante un modelo de regresión lineal, entonces la plataforma del modelo mixto puede ajustar un modelo con pendientes aleatorias y/o intersecciones aleatorias para cada sujeto.Este script crea una tabla de ejemplo y con scripts guardados para ejecutar este tipo de análisis.

 

Names Default To Here( 1 );

dt = New Table( "Example" );

dt << New Column( "Y" );
dt << New Column( "subject", Nominal, Numeric );
dt << New Column( "time" );

ys = [];
t = [];
subjects = [];

times = [0, 1, 2, 3, 6, 9, 12];
ntimes = N Rows( times );

For( subject = 1, subject <= 1000, subject++, 

 mu = Random Normal( 0, 1 );
 slope = Random Normal( 1, .5 );

 y_subject = J( ntimes, 1, mu ) + slope * times + J( ntimes, 1, Random Normal( 0, 0.5 ) );

 ys = ys |/ y_subject;
 t = t |/ times;
 subjects = subjects |/ J( ntimes, 1, subject );
);

dt:y << set values( ys );
dt:time << set values( t );
dt:subject << set values( subjects );

dt << Add Properties to Table(
 {New Script(
  "Y vs. time",
  Graph Builder(
   Size( 528, 454 ),
   Show Control Panel( 0 ),
   Variables( X( :time ), Y( :Y ), Overlay( :subject ) ),
   Elements( Points( X, Y, Legend( 13 ) ), Line Of Fit( X, Y, Legend( 15 ) ) )
  )
 )}
);

dt << Add Properties to Table(
 {New Script(
  "Fit Mixed",
  Fit Model(
   Y( :Y ),
   Effects,
   Random Effects( Intercept[:subject], :time[:subject] & Random Coefficients( 1 ) ),
   NoBounds( 1 ),
   Personality( "Mixed Model" ),
   Run(
    Repeated Effects Covariance Parameter Estimates( 0 ),
    Residual Plots( 1 ),
    Conditional Residual Plots( 1 ),
    Covariance of Covariance Parameters( 1 ),
    Conditional Profiler(
     1,
     Confidence Intervals( 1 ),
     Term Value(
      "Conditional",
      subject( 9, Lock( 0 ), Show( 1 ) ),
      time( 4.714, Lock( 0 ), Show( 1 ) )
     )
    ),
    Linear Combination of Variance Components( [1 0 1], Label( "asdfsad" ) )
   ),
   SendToReport(
    Dispatch( {}, "Random Coefficients", OutlineBox, {Close( 0 )} ),
    Dispatch(
     {"Linear Combination of Variance Components"},
     " ",
     TextEditBox,
     {Set Text( "asdfsad" )}
    )
   )
  )
 )}
);

Re: datos multivariados con un diseño de medidas repetidas

Muchas gracias. Sin duda probaré esto también.

 

FYI (a cualquiera que lea esto, especialmente a aquellos que respondieron), ahora he intentado @Chris_Kirchberg Sugerencia de: puse ~35 000 proteínas como Y en la plataforma del modelo mixto y luego lo configuré como un ANOVA de medidas repetidas: tratamiento, hora (día) y tratamiento x día, con un sujeto repetido definido (como un único ID de muestra) y el evento repetido es "día" (personalidad de varianzas desiguales). En mi Macbook Pro con 64 GB de RAM (JMP Pro 18 beta), esto solo tardó 2-3 minutos en ejecutarse. Ahora tengo una serie de tablas, una de las cuales tiene ~114 000 comparaciones (tratamiento, tiempo, tratamiento x tiempo x 35 000 proteínas) que puedo ordenar por valor p de FDR. Mi única pregunta ahora es: suponiendo que use el valor p de FDR (para evitar errores de tipo I por tener tantas comparaciones), ¿me equivoco al NO revisar los montones de otros datos de salida? Las estimaciones de covarianza deberían haber sido acomodadas por la estructura repetida. ¿Tal vez podría probar otros tipos de personalidad de RM y ver si el BIC cae?

 

Creo que mirar las distribuciones y la homogeneidad de la varianza puede salirse de la ventana con 35 000 analitos, PERO supongo que podría subdividir por analitos para los que no se necesitan transformaciones, analitos para los que se necesitan transformaciones de raíz cuadrada, etc. para tratar de mejorar el ajuste .

datos multivariados con un diseño de medidas repetidas

Disculpas por plantear a la comunidad qué es más una estadística que una pregunta de JMP, pero aquí va: Hace poco me preguntaron si JMP Pro podría analizar un diseño en el que se miden 3000 analitos en los mismos individuos a lo largo del tiempo (un grupo que tal vez reciba un medicamento y al otro haber recibido un placebo). El gran número de analitos no es el problema, sino el hecho de que se trata de un diseño de medidas repetidas y, que yo sepa, las opciones multivariadas en Ajustar modelo no pueden manejar un diseño de medidas repetidas (no sería un problema si hubiera una sola Y ). Si pongo "tiempo" en el modelo bajo MANOVA o mínimos cuadrados parciales, eso no se adapta a la naturaleza de medidas repetidas. ¿Tengo razón al suponer que la prueba estadística óptima que quiero no se puede realizar en JMP Pro? Tal vez, en cambio, podría ver el "% de cambio en la concentración de cada analito" para cada individuo, eliminando así el tiempo del modelo, ¡pero estoy abierto a otras opciones!

Modelado Estadístico AvanzadoAnálisis y modelado de datos básicosDiseño de experimentosMac OS