Zeit, Effektivität und Effizienz sind in der heutigen Welt von großer Bedeutung.
Aufgrund der stetig wachsenden Datenmenge ist es wichtig, die Daten zeitsparend, effizient und effektiv zu analysieren und die Rückverfolgbarkeit der Daten zu gewährleisten. Daher wurde JMP als bevorzugte Statistiksoftware ausgewählt und ein JSL-basiertes Skript implementiert, um die Daten während der technischen Leistungsstudien (TPV) in der Assayentwicklung zu analysieren. TPV-Studien sind zulassungsrelevante Leistungsstudien, die die Produktleistung anhand verschiedener Leistungsindikatoren belegen. Bis zu 30 TPV-Studien sind während der Produktentwicklung erforderlich, um die Produktleistung nachzuweisen.
Ein JMP-Datenmanagement- und Analyseskript, das mehrere integrierte Skripte enthält, wurde in JMP geschrieben und validiert, um die Daten mit entsprechenden JMP-Plattformen zu visualisieren und zu berechnen sowie Ausgaben für die zur Einreichung relevante Dokumentation zu generieren.
Die Präsentation zeigt, wie das Skript Prozesse automatisiert und so die Techniker bei der Assayentwicklung im Arbeitsalltag unterstützt. Nach der Auflistung der Vor- und Nachteile dieses Ansatzes wird anhand eines Videoclips demonstriert, wie die Nachteile ausgeglichen werden können.
Mit diesem Poster möchten wir Ihnen zeigen, wie wir durch unsere Datenanalyse, verbesserte Datenqualität und Datenintegrität Zeit bei der Assayentwicklung gespart und unsere Produkte so schneller auf den Markt gebracht haben. Mein Name ist Anika Cobernuss-Rahn, und ich arbeite bei Roche Diagnostics in der Assayentwicklung als Produktbetreuungsleiterin für Blutscreeningprodukte.
Mein Name ist Britta Silbersack, und ich habe ebenfalls bei Roche Diagnostics gearbeitet. Ich bin leitende Wissenschaftlerin und leite das JMP-Supportteam in der Assayentwicklung. Ich möchte unsere Posterpräsentation mit folgendem Satz von Seneca beginnen: „Nicht, dass wir so wenig Zeit hätten, sondern dass wir so viel verlieren. Das Leben ist lang, wenn man es zu nutzen weiß.“
Zeit ist in der heutigen Welt ein kostbares Gut. Wir in der Assayentwicklung suchten daher nach einer Möglichkeit, unsere stetig wachsende Datenmenge effizient und effektiv zu analysieren. Unsere Reise, die vor einigen Jahren begann, lässt sich mit dem Flug eines Space Shuttles vergleichen. Ein Space Shuttle benötigt viel Energie, um ins All zu gelangen. Es gibt viele Wege ins All. Unser Weg in der Assayentwicklung mit automatisierter Datenanalyse verlief ähnlich, wie in den folgenden fünf Abbildungen dargestellt.
Ich erinnere mich noch gut daran, wie ich meine Daten früher mit Excel-Tabellen analysiert habe. Es dauerte eine Weile, bis ich Diagramme erstellt hatte, mit denen ich zufrieden war, und bis ich Fehler beim Kopieren und Einfügen oder Formelfehler in der Datenanalyse gefunden hatte. Viel Zeit ging für die Analyse und Überprüfung der Daten drauf, um Fehler zu vermeiden und zu beheben.
Nicht nur ich hatte damit zu kämpfen, sondern auch viele meiner Kollegen. Deshalb suchten wir nach einer Lösung und fanden sie in der Automatisierung der Datenanalyse, um den Aufwand zu reduzieren und den Prozess zu vereinfachen. Die gesuchte Software musste bestimmte Anforderungen erfüllen. Wir wollten unsere Daten ähnlich wie in Excel-Tabellen anzeigen, statistische Analysen einfach durchführen und die benötigten Diagramme schnell und unkompliziert erstellen und bearbeiten können. Außerdem schien es von Vorteil, kleine Programme schreiben zu können. Aus diesem Grund entschieden wir uns für die JMP-Software, und so beginnt unsere Reise mit dem Start des Space Shuttles.
Wie bereits erwähnt, benötigt ein Space Shuttle viel Energie, um die Umlaufbahn zu erreichen. Das bedeutet, es braucht ausreichend Treibstoff, der in verschiedenen Tanks gespeichert wird. Auch wir benötigen viel Energie, um die Automatisierung unserer Datenanalyse in JMP umzusetzen. Diese Energie kommt von unserem Assay-Entwicklungsteam, das uns zustimmt, uns unterstützt und die Automatisierung ebenfalls implementieren muss.
Wir haben die Vorteile der Automatisierung hervorgehoben. Zudem haben wir gezeigt, wie sich die automatisierte Datenanalyse auf den Projektzeitplan auswirkt. Fehler werden vermieden und der Analyseaufwand deutlich reduziert. Die Automatisierung verbesserte außerdem die Datenintegrität und -qualität. Nach der Vorstellung der Software und der Präsentation einiger Beispiele entschied sich das Testentwicklungsteam für die Verwendung der JMP-Software zur Datenanalyse. Dank dieser Entscheidung kann unser Space Shuttle nun erfolgreich seine Reise ins All antreten.
Eine Software oder ein Skript ist nur so gut wie seine Anwendung. Wie können wir Kollegen davon überzeugen, den etablierten Prozess der Datenanalyse zu ändern? Wir versuchen, das Interesse an JMP zu wecken, indem wir demonstrieren, wie schnell Berechnungen und Diagramme erstellt werden können. Wir bieten Schulungen an, um ihnen regelmäßig die Funktionsweise von JMP zu erklären, Analysen durchzuführen und ihre Fragen zu beantworten. Darüber hinaus haben wir ein JMP-Nutzungsteam eingerichtet, das aus erfahrenen JMP-Anwendern besteht. Dessen Ziel ist es, Anwender bei der Lösung von Problemen während der Datenanalyse zu unterstützen.
Die letzte Energieverstärkung für unser Space Shuttle betraf unser JMP-Power-User-Team, das neben der JMP-Unterstützung auch in andere Projekte eingebunden war. Sie hatten nicht immer Zeit, die JMP-Schulungen neben ihrer täglichen Arbeit zu absolvieren. Daher haben wir eine JMP-Power-User-Website mit folgenden Inhalten eingerichtet.
Erstens wurden alle Power-User in Gruppen eingeteilt, um die Support-Arbeit gleichmäßig zu verteilen. Zweitens sind die Schulungsunterlagen öffentlich zugänglich, sodass die Nutzer die Schulungen auch ohne Power-User absolvieren können, wann es ihnen passt. Drittens wurden Kurzanleitungen zur Bewertung spezifischer Analysethemen, beispielsweise Sensitivität oder Linearität, erstellt. Dies ermöglicht es den Nutzern, die Analysen selbstständig durchzuführen.
Viertens erstellen wir kurze und einfache Schulungsvideos für spezielle JMP-Funktionen wie das Verketten von Datentabellen, das Umkodieren von Daten oder das Einfügen von Text in Spalten. Nicht zuletzt möchten wir Interessierte, die die JSL-Sprache lernen möchten, in einem JMP-Skripting-Club zusammenbringen. So können die Mitglieder ihr Wissen austauschen und sich gegenseitig beim Schreiben eigener Skripte unterstützen. Darüber hinaus werden Skripting-Wünsche anderer Nutzer in einer Wunschliste gesammelt, um den JMP-Skriptern zusätzliche Möglichkeiten zur Verbesserung ihrer Kenntnisse im Bereich Scope-Management zu bieten.
Unser Space Shuttle hat nun erfolgreich die Umlaufbahn erreicht.
Damit das System weiterhin erfolgreich im Weltraum fliegen kann, muss die Datenautomatisierung ausgebaut werden. Dies bedeutet, dass bestehende Skripte gepflegt und neue erstellt werden müssen. Wir wollten außerdem Skripte für unsere technischen Leistungsstudien (TPV-Studien) verwenden, die für die Angabe der Produktleistung anhand verschiedener Leistungsindikatoren erforderlich sind. Hierfür muss das Skript validiert werden.
Um diese Aufgaben zu bewältigen, haben wir ein JMP-Skripting-Team gebildet, das bestehende Skripte pflegt und bei Bedarf anpasst. Es implementiert außerdem neue Projekte in die bestehenden Skripte und entwickelt neue Skripte für weitere Datenanalysen. Hier auf dem Poster findet die Automatisierung unserer Datenanalyse ihr Ende. Die Verwendung unserer Skripte ist nun fester Bestandteil unseres Datenanalyseprozesses. Dadurch wurden unsere Analyseberichte standardisiert und vereinfacht, während gleichzeitig die Fehleranfälligkeit reduziert wurde.
Die Reise ist jedoch noch nicht zu Ende. Wie hier auf dem Poster erwähnt, stehen uns noch verschiedene Veränderungen bevor: sinkendes Interesse an Daten, was zu einer stillschweigenden Abhängigkeit von Unterstützung und einem Rückgang des Wissens und Interesses an Statistik führt. Ein Beispielskript wird im folgenden Video präsentiert.
Unser Skript lässt sich in drei Teile gliedern. Der erste Teil ist der Benutzerimport. Er besteht aus zwei Eingabefeldern, die detaillierte Informationen zur Untersuchung des Assays und zum Speicherort der Datendateien abfragen. Ohne diese Informationen kann das Skript nicht verwendet werden.
Im zweiten Schritt wird die Datentabelle erstellt. Alle Dateien wurden zu einer Datentabelle zusammengeführt und erste Berechnungen durchgeführt. In der oberen linken Ecke befinden sich integrierte Skripte, die von den Nutzern ausgeführt werden können. Diese Skripte variieren je nach Studie und können nach dem Zusammenführen der Daten ausgeführt werden. Benötigen die Nutzer weitere Berechnungen, können sie ebenfalls auf die Datentabelle zugreifen, die alle ihre Daten enthält.
Der dritte und letzte Teil ist die Ausgabe des Skripts. Die vom Skript generierten Berichte werden im Ausgabeverzeichnis gespeichert und stehen dem Benutzer zu Dokumentationszwecken zur Verfügung.
Mit den in diesem Poster vorgestellten Schritten konnten wir die Entwicklungszeit eines Assays verkürzen und die Datenintegrität und -qualität verbessern. Dadurch können wir unsere Assays schneller auf den Markt bringen. Vielen Dank für Ihre Aufmerksamkeit und Ihr Interesse an diesem Thema. Wir wünschen Ihnen viel Erfolg bei der Integration der Automatisierung Ihrer Datenanalyse mithilfe der JSL-Sprache.
