758464_de-DE

liliconcom

Zusammenfassung unerwünschter Ereignisse in klinischen Studien (2020-US-30MP-638)

Kelci Miclaus, Senior Manager Advanced Analytics R&D, JMP Life Sciences, SAS

Die Erfassung, Nachverfolgung und Analyse von unerwünschten Ereignissen bei Patienten ist für die Sicherheitsbewertung klinischer Studien unerlässlich. Immer mehr Pharmaunternehmen und die Zulassungsbehörden, bei denen sie neue Arzneimittelanträge einreichen, nutzen JMP Clinical für diese Bewertung. Herkömmliche Programmierteams für biometrische Analysen erstellen oft seitenweise statische Tabellen, Listen und Abbildungen für medizinische Monitore und Gutachter. Dies führt zu Ineffizienzen, da Ärzte, die die medizinischen Auswirkungen bestimmter Ereignisse verstehen, nicht direkt auf die Zusammenfassungen unerwünschter Ereignisse zugreifen können. Selbst einfache Zählungen und Häufigkeitsverteilungen unerwünschter Ereignisse sind nicht immer leicht zu erstellen. In dieser Präsentation konzentrieren wir uns auf wichtige Berichte in JMP Clinical zur Berechnung von Anzahl, Häufigkeit, Inzidenz, Inzidenzraten und Zeit bis zum Auftreten unerwünschter Ereignisse. Die Standardberichte in JMP Clinical ermöglichen eine vollständig dynamische Analyse unerwünschter Ereignisse, die selbst bei komplexen Berechnungen mit JMP-Formeln, Datenfiltern, benutzerdefinierten Skripten zum Umschalten von Spalten und virtuell verknüpften Tabellen einfach erscheint.

Automatisch generiertes Transkript...

Lautsprecher	Transkript
Kelci J. Miclaus	Hallo und herzlich willkommen bei JMP Discovery Online. Heute geht es um die Zusammenfassung von Berichten über unerwünschte Ereignisse und die Analyse klinischer Studien.
	Ich bin Senior Manager im Bereich Advanced Analytics für die JMP Life Sciences Division hier bei SAS, und wir arbeiten intensiv mit Kunden zusammen, die Genom- und klinische Daten in ihrer Forschung verwenden.
	Bevor ich auf die Zusammenfassung und die Details zur Verwendung von JMP bei der Analyse unerwünschter Ereignisse eingehe, möchte ich Ihnen die von unserem Team entwickelte JMP Clinical Software vorstellen.
	JMP Clinical ist Teil einer Produktfamilie, die mittlerweile fünf offizielle Produkte sowie Add-Ins umfasst, mit denen JMP erweitert werden kann, sodass Sie so viele Arten von vertikalen Anwendungen oder Erweiterungen von JMP erstellen können, wie Sie möchten.
	Mein Entwicklungsteam betreut JMP Genomics und JMP Clinical. JMP Genomics und JMP Clinical sind jeweils vertikale Anwendungen, die individuell angepasst und auf JMP aufgebaut sind und für die Genomforschung bzw. die klinische Forschung eingesetzt werden.
	Und heute werde ich darüber sprechen, wie wir in JMP Clinical Reviews und Analysen erstellt haben.
	Pharmaunternehmen, die klinische Studien zur Sicherheit und frühen Wirksamkeitsanalyse durchführen.
	Der ursprüngliche Zweck von JMP Clinical und die Entwicklung dieses Produkts ergaben sich eigentlich aus der Unterstützung der FDA, die ein wichtiger Nutzer von JMP ist.
	Und deren CDER-Gruppe, das Center for Drug Evaluation and Research. Deren medizinische Gutachter nutzten häufig JMP zur Begutachtung von Arzneimittelzulassungen.
	Und sie lieben es. Sie sind darin sehr versiert. Eine ihrer Erkenntnisse war jedoch, dass bestimmte sich wiederholende Tätigkeiten, insbesondere bei standardisierten klinischen Daten, ziemlich schmerzhaft sein können.
	Ein Beispiel hierfür ist die Idee eines sogenannten Verschiebungsdiagramms, das für Labormessungen verwendet wird.
	Dabei vergleicht man den Mittelwert einer Laborstudie mit dem Ausgangswert der Behandlungsgruppen. Um dies zu erstellen, waren mindestens acht bis zehn Schritte nötig.
	Innerhalb der JMP-Oberfläche werden die Daten geöffnet, normalisiert, in Baseline und Trial unterteilt, Statistiken für diese Gruppen erstellt, anschließend wieder zusammengeführt und die Daten dann nach Labortests aufgeteilt, um für jedes Labor einen solchen Plot erstellen zu können.
	Und dabei sind die einzelnen Schritte, die im Graph Builder zum Erstellen des Graphen erforderlich sind, noch gar nicht berücksichtigt.
	JMP kann das also eindeutig, aber wir wollten ihr Problem mit diesen ganz standardmäßigen klinischen Daten lösen.
	Beispielsweise mit Labor-Shift-Diagrammen, die mit einem Klick erstellt werden können. Tatsächlich wollten wir in unserer Infrastruktur, die wir Review Builder nennen, klinische Reviews erstellen.
	Es handelt sich dabei um standardisierte, reproduzierbare Reviews, die mit einem Klick für viele der gängigen Standardanalysen und Visualisierungen durchgeführt werden können, die in der klinischen Forschung zur Bewertung der Arzneimittelsicherheit und -wirksamkeit erforderlich oder erwartet werden.
	JMP Clinical hat sich also seit den ersten Bemühungen zur Erstellung einer benutzerdefinierten Anwendung für ein Schichtdiagramm weiterentwickelt.
	in eine umfassende klinische...Software für die Analyse klinischer Studien, die medizinisches Monitoring und klinische Datenwissenschaft, medizinische Schreibteams, Biometrie und Biostatistik sowie das Datenmanagement rund um die Studiendaten im Rahmen der klinischen Studienerhebung abdeckt.
	Dies gilt sowohl für Sicherheit und Wirksamkeit als auch für die operative Integrität oder operative Anomalien, die bei der Erhebung klinischer Daten auftreten können.
	Einige der wichtigsten Funktionen von JMP Clinical, die wir als
	besonders nützlich für diejenigen, die die JMP-Oberfläche für Analysen jeglicher Art verwenden.
	Dazu gehören beispielsweise virtuelle Beitritte. Wir haben also eine Vorstellung von einem globalen Filter für Prüfthemen, den ich Ihnen während der Demonstrationen zu unerwünschten Ereignissen zeigen werde.
	Dadurch können Sie die demografischen Informationen bzw. die demografischen Daten unserer Studienteilnehmer in einer klinischen Studie mit allen gesammelten klinischen Daten verknüpfen und integrieren.
	Und diese Architektur, die durch virtuelle Joins innerhalb der JMP-Schnittstelle mit Zeilenstatus-Synchronisierung ermöglicht wird,
	Sie ermöglichen Ihnen wirklich sofortige interaktive Überprüfungen mit minimalem bis gar keinem Datenmanipulationsaufwand bei allen Arten von Analysen, die Sie im Rahmen einer klinischen Studiendatenanalyse durchführen könnten.
	Eine weitere neue Funktion, die wir der Software hinzugefügt haben, nutzt ebenfalls einige der Funktionen des JMP-Datenfilters.
	Die Erstellung von JMP-Indikatorspalten – ist das die Möglichkeit, während der interaktiven Überprüfung von Daten klinischer Studien?
	Finde interessante Signale, die beispielsweise darauf hinweisen, dass der gezeigte Screenshot Probanden darstellt, bei denen während der klinischen Studie ein schwerwiegendes unerwünschtes Ereignis aufgetreten ist.
	Erstellen Sie anschließend umgehend ein Indikatorflag, das in den Metadaten Ihrer Studie in JMP Clinical gespeichert wird.
	Das steht Ihnen für alle anderen Arten von Analysen zur Verfügung. Sie können also beispielsweise sagen: „Ich möchte mir jetzt die Laborergebnisse von Patienten mit einem schwerwiegenden unerwünschten Ereignis im Vergleich zu denen ohne ein solches Ereignis ansehen, um festzustellen, ob es auch hier Anomalien gibt, die mit dem Schweregrad eines unerwünschten Ereignisses zusammenhängen könnten.“
	Ein weiteres Feature, das ich Ihnen anhand von JMP Clinical und der Demonstration zur Analyse unerwünschter Ereignisse vorstellen werde, ist die
	Die JMP Clinical API, die wir in das System integriert haben. Eine der größten Herausforderungen bei der Bereitstellung, Erstellung und Entwicklung einer vertikalen Anwendung.
	Dass es sofort einsatzbereite Ein-Klick-Berichte gibt, ist folgendes:
	Man ist schon zu 90 % am Ziel, und dann sagt der Kunde vielleicht: „Oh, ich wollte das eigentlich noch etwas anpassen“, oder „Ich wollte es mir eigentlich so ansehen“, oder „Ich muss die Darstellung der Daten ändern“.
	Eines der Dinge, an denen wir in unserem Entwicklungsteam intensiv gearbeitet haben, ist die Verwendung von JMP-Skripten mit JSL.
	Wir wollen eine API in die klinische Bewertung einbinden, um die Objekte, Darstellungen, Dashboards, Analysen und sogar die Datensätze, die in unsere klinischen Bewertungen einfließen, steuern zu können. Ich werde einige dieser Aspekte auch in der Analyse unerwünschter Ereignisse vorstellen.
	Kommen wir nun, nachdem wir einen Überblick über JMP Clinical erhalten haben, zum Kernthema unerwünschte Ereignisse und klinische Studien.
	Es gibt im Grunde zwei wichtige Herangehensweisen an dieses Thema. Da ist zum einen der Sicherheitsaspekt einer klinischen Studie, bei dem typischerweise die Anzahl und der Prozentsatz der möglicherweise auftretenden unerwünschten Ereignisse erfasst werden.
	Und viele Ärzte, Monitore oder Gutachter nutzen diese Daten häufig, um medizinische Anomalien zu verstehen, beispielsweise wenn ein bestimmtes unerwünschtes Ereignis auftritt.
	häufiger jedoch bei einer der Behandlungen, die medizinische Folgen haben könnten.
	Hinzu kommt die statistische Signalerkennung, also die Idee, unerwünschte Ereignisse, die mit einer ungewöhnlich hohen Rate auftreten, statistisch zu bewerten.
	in einer der Behandlungsgruppen im Vergleich zur anderen. Hier ist beispielsweise eine herkömmliche statische Tabelle, wie sie in vielen Forschungsarbeiten, Einreichungen oder Mitteilungen im Zusammenhang mit der Analyse unerwünschter Ereignisse in klinischen Studien zu finden ist.
	Im Grunde handelt es sich um eine statische Tabelle mit Häufigkeiten und Prozentwerten. Bei einer stärker statistisch orientierten Analyse werden auch Angaben wie Konfidenzintervalle und p-Werte angezeigt.
	Es geht um Dinge wie Chancenverhältnisse, relative Risiken oder Risikodifferenzen.
	Eine andere Betrachtungsweise ist die visuelle anstelle der tabellarischen Darstellung, beispielsweise zur Signalerkennung, etwa anhand der Odds Ratio oder der Risikodifferenz.
	Man könnte in diesem Fall den Graph Builder verwenden, um beispielsweise die Ergebnisse einer statistischen Analyse der Häufigkeit bestimmter unerwünschter Ereignisse darzustellen und zu zeigen, wie sich diese zwischen den Behandlungsgruppen unterscheiden.
	Das sind also zwei Beispiele. Und tatsächlich, aus unserer Arbeit und der Zusammenarbeit mit Kunden hinsichtlich ihrer Sichtweise und Analyse von unerwünschten Ereignissen,
	Das JMP Clinical-System bietet nun verschiedene gängige Analysen unerwünschter Ereignisse an, von einfachen Zählungen und Prozentwerten bis hin zu Inzidenzraten oder Ereigniswerten.
	in statistische Kennzahlen wie Risikodifferenz, relatives Risiko, Chancenverhältnis, einschließlich einiger expositionsbereinigter Zeit-bis-Ereignis-Analysen.
	Wir können die Art der von uns angepassten Modelle auch deutlich komplexer gestalten und uns bei der Suche nach bestimmten Signalen in Bezug auf unsere unerwünschten Ereignisse auch auf gemischte oder Bayes'sche Modelle konzentrieren.
	Und wir nutzen diese Daten auch intensiv bei der Überprüfung der medizinischen Daten, sei es in einem medizinischen Bericht oder in einem Patientenprofil.
	Jetzt werde ich mich direkt mit JMP Clinical beschäftigen und eine Übersicht erstellen, die auf vielen dieser gängigen Analysen basiert.
	Eines der Dinge, die Ihnen bei JMP Clinical auffallen werden, ist, dass es nicht genau wie JMP aussieht, aber es ist es.
	Es handelt sich um eine kombinierte, integrierte Lösung mit vielen benutzerdefinierten JSL-Skripten zur Erstellung eigener Benutzeroberflächen. Unser Startfenster zeigt beispielsweise Studien, Rezensionen und Einstellungen an.
	Und ich habe bereits eine Rezension erstellt.
	Hier
	Dabei werden unsere Beispieldaten für Nicardapin verwendet. Diese Daten werden mit dem Produkt ausgeliefert und sind auch in der JMP-Beispielbibliothek verfügbar.
	Es handelt sich um eine echte klinische Studie zur Subarachnoidalblutung. Es nahmen etwa 900 Patienten teil.
	Der erste Abschnitt unserer Auswertung betrachtet also die Verteilung der demografischen Merkmale dieser Patienten, also wie viele Männer und Frauen es waren, sowie ihre ethnische Zusammensetzung.
	welche Behandlungsgruppe sie erhielten, von welchen Standorten die Daten stammen usw. Dies ist also sehr üblich und dient lediglich als erster Schritt zum Verständnis der klinischen Daten für eine klinische Studie.
	Hier sehen Sie einen Berichtsnavigator, der die übrigen Analysetypen anzeigt, die uns in dieser erstellten Überprüfung zur Verfügung stehen.
	Ich werde Ihnen nun kurz alle diese Registerkarten vorstellen, um Ihnen die verschiedenen Möglichkeiten aufzuzeigen, wie wir unerwünschte Ereignisse anhand der Daten aus klinischen Studien betrachten können.
	Die übliche Methode zur Datenerfassung bei klinischen Studien ist heutzutage ein internationaler Standard namens CDISC-Format.
	Das bedeutet in der Regel, dass wir ein sehr gestapeltes Datensatzformat haben. Hier können wir es sehen: Wir haben mehrere Datensätze für jede Person, die die verschiedenen unerwünschten Ereignisse anzeigen, die im Laufe der Zeit aufgetreten sein könnten.
	Diese Daten werden mit den demografischen Daten verknüpft, die für jede Person eine Zeile enthalten, wie hier in der demografischen Übersicht dargestellt. Wir haben also etwa 900 Patienten, und wie Sie in diesem ersten Bericht sehen werden, enthalten wir etwa 5.000 bis 5.500 Datensätze zu verschiedenen unerwünschten Ereignissen.
	Dies ist wahrscheinlich der am häufigsten verwendete Bericht für viele der medizinischen Monitore und Gutachter, die Signale für unerwünschte Ereignisse bewerten.
	Im Grunde handelt es sich hier um ein Dashboard, das ein Graph Builder-Zähldiagramm mit einer dazugehörigen Tabelle kombiniert, da die Benutzer diese Art von Tabellen gewohnt sind.
	Der eigentliche Wert von JMP liegt in seiner Interaktivität und der dynamischen Verknüpfung direkt mit Ihren Daten, sodass Sie beliebige Datenbereiche auswählen und diese an beiden Stellen sehen können. Oder, noch leistungsfähiger, Sie können Ihre Ansichten mit JMP steuern.
	Spaltenumschalter.
	Nun können wir von der Betrachtung der Behandlungsverteilung zur Betrachtung des Verhältnisses von Geschlecht und ethnischer Zugehörigkeit übergehen. Wie wir uns erinnern, gab es bei der ethnischen Zugehörigkeit einige Fälle, die …
	Da in dieser Studie nur Weiße untersucht wurden, ist diese Grafik nicht sehr aussagekräftig, wenn man sie nach Prozentwerten oder absoluten Zahlen betrachtet. Daher sollten wir die Daten normalisieren und stattdessen die Prozentwerte anzeigen.
	Wir können uns aber auch einfach für die Betrachtung der gesamten Gesamtzahl unerwünschter Ereignisse entscheiden.
	Ein weiterer Vorteil dieser Spaltenauswahl besteht darin, dass man die Ereignisse kategorisieren kann. Handelte es sich um ein schwerwiegendes unerwünschtes Ereignis? Wie schwerwiegend war es?
	War das Ergebnis nach der Genesung dasselbe oder nicht? Was war die Ursache? Stand es im Zusammenhang mit dem Studienmedikament?
	Dies sind alles Fragen, die in medizinischen Gutachten häufig gestellt werden, um interessante oder anomale Signale im Zusammenhang mit unerwünschten Ereignissen zu finden.
	Vielleicht ist Ihnen in diesem Dashboard bereits aufgefallen, dass ich hier eine Steuergruppe als Spaltenumschalter verwende, die sowohl mein Diagramm als auch meine Tabelle steuert. Wenn ich also auf „Schweregrad“ umschalte, ändert sich auch die Tabelle.
	Dies geschah mithilfe vieler speziell für unsere Zwecke entwickelter JSL-Skripte, aber
	Ich verrate Ihnen ein Geheimnis: In Version 16 wird der Entwickler des Spaltenumschalters uns diese Art von Flexibilität ermöglichen, sodass Sie mehrere Plattformobjekte in denselben Spaltenumschalter einbinden können, um eine komplexe Analyse durchzuführen.
	Ich werde auf dieses Ereignisdiagramm zurückkommen, auch wenn es einfach aussieht. Hier ist ein weiteres Beispiel, das die Gesamthäufigkeit betrachtet, bei der bestimmte unerwünschte Ereignisse mehrfach bei derselben Person aufgetreten sein können.
	Ich werde später darauf zurückkommen, aber ich werde zunächst die übrigen Analysen und Rezensionen kurz durchgehen, bevor ich auf einige der komplexeren Funktionen des einfachen Diagrammgenerators und der tabellarischen Verteilungsberichte eingehe.
	Der nächste Abschnitt unserer Überprüfung ist die Erfassung unerwünschter Ereignisse. Hier gehen wir also über die reine Betrachtung von Zählungen und Häufigkeiten bzw. Inzidenzraten hinaus.
	in einen statistischen Rahmen zum Testen des Unterschieds in der Häufigkeit bestimmter unerwünschter Ereignisse zwischen zwei Behandlungsgruppen.
	Und hier stellen wir das in einem Vulkanplot dar. Wir können also sehen, dass Phlebitis, Hypotonie und Isothenurie in unserer Behandlungsgruppe, also bei denjenigen, die mit Nicardipin behandelt wurden, deutlich häufiger auftreten als in der Placebogruppe.
	Wir können diese also auswählen und eine sehr gängige Ansicht für unerwünschte Ereignisse genauer betrachten, nämlich unser relatives Risiko auch für ein Zellendiagramm.
	Das ist oft noch einfacher zu lesen, wenn man sich nur die interessanten Signale ansieht, die möglicherweise klinisch oder statistisch signifikante Unterschiede aufweisen.
	Manchmal dauern klinische Studien sehr lange. Manchmal dauern sie nur ein paar Wochen, so wie diese Studie, die nur wenige Wochen dauerte, aber manchmal dauern sie auch Jahre.
	Daher ist es manchmal interessant, die Unterschiede bei unerwünschten Ereignissen im Verlauf der Studie zu betrachten. Auch diese Möglichkeit steht uns zur Verfügung.
	Der Bericht zur Erfassung von Vorkommnissen ermöglicht es Ihnen, den Studientag bzw. die Studientage in Abschnitte zu unterteilen, um zu sehen, wie sich die Häufigkeit von unerwünschten Ereignissen im Laufe der Zeit verändert.
	Ein gutes Beispiel dafür wäre ein Diagramm mit einem explodierenden Vulkan, das zeigt, wie sich diese Signale im Verlauf der Studie verändern.
	Ein weiterer wichtiger Aspekt hierbei, insbesondere bei längeren oder komplexeren klinischen Studien.
	Anstatt nur die direkte Inzidenz bei den Probanden zu betrachten, kann man die Zeit bis zum Ereignis oder die expositionsbereinigte Rate, mit der diese unerwünschten Ereignisse auftreten, berücksichtigen.
	Und genau das bieten wir im Rahmen unserer Zeit-bis-Ereignis-Analysen an, die, wie hier anhand eines Kaplan-Meier-Tests in einem Vulkanplot dargestellt, erneut veranschaulicht werden.
	Unterschiede in der Zeit bis zum Eintreten bestimmter Ereignisse in einer klinischen Studie. Ein Vorteil hierbei ist, dass man diese Ereignisse auswählen und im JMP detailliert analysieren kann.
	Eine Überlebensplattform, um alle Details zu jedem der unerwünschten Ereignisse zu erhalten, die möglicherweise unterschiedliche Zeit bis zum Eintreten in den verschiedenen Behandlungsgruppen aufwiesen.
	Eine weitere Variante der Zeit bis zum Ereignis wird oft als Inzidenzdichteverhältnis bezeichnet, was die expositionsbereinigte Inzidenzdichte beschreibt. Der Hauptunterschied besteht darin, dass anstelle der traditionellen proportionalen Hazard- oder Kaplan-Meier-Analysen eher eine andere Methode verwendet wird.
	Eine Poisson-Verteilung, die an die tatsächliche Dauer der Medikamentenexposition angepasst ist. Und auch hier können wir uns wieder diese Top-Signale ansehen.
	und den entsprechenden Bericht innerhalb von JMP mithilfe eines verallgemeinerten linearen Modells für diesen spezifischen Modelltyp mit einer Signalerkennung für unerwünschte Ereignisse aufzurufen.
	Wir bieten sogar einige wirklich komplexe Bayes'sche Analysen an. Eines der Dinge, die bei dieser Art von Daten typischerweise auftreten, sind unerwünschte Ereignisse.
	Sie existieren innerhalb bestimmter Körpersysteme oder -klassen ... Organklassen. Daher gibt es viele Beiträge ... oder Vorwissen, das wir in diese Modelle einfließen lassen können. Und so entscheiden sich einige unserer Kunden, deren Biometrie-Teams, für den Einsatz recht komplexer Modelle bei der Analyse unerwünschter Ereignisse.
	Bislang haben wir uns also von – wie ich finde – recht simplen Verteilungsansichten der Daten entfernt.
	in Verteilungen und einfache Zähldiagramme unerwünschter Ereignisse bis hin zu sehr komplexen statistischen Analysen.
	Ich komme nun zurück zu dem, was man als einfache Zähl- und Häufigkeitsinformationen bezeichnet, und möchte hier etwas Zeit investieren, um die Leistungsfähigkeit der JMP-Interaktivität aufzuzeigen.
	Wie Sie sich erinnern, besteht einer der Unterschiede darin, dass es sich bei dieser Tabelle um eine gestapelte Tabelle handelt, die alle Vorkommen unserer unerwünschten Ereignisse für jede Versuchsperson enthält.
	Unsere demografische Tabelle, in der wir 900 Probanden erfassen, ist separat. Wir wollten also kein statisches Diagramm.
	So wie wir es hier haben oder wie es in einem typischen PDF-Bericht zu finden wäre, aber wir wollten unsere Daten interaktiv erkunden können.
	Wir betrachten nun Untergruppen unserer Daten und prüfen, wie sich diese Prozentsätze verändern. Die Schwierigkeit besteht darin, dass die Prozentberechnung auf der Anzahl der Probanden in einer separaten Tabelle basieren muss.
	Wir haben dies also mithilfe von Formeln umgesetzt... beispielsweise durch das Erstellen von Spaltenformeln, um die Neuberechnung von Prozentwerten bei der Auswahl dynamisch zu steuern, entweder innerhalb von Kategorisierungsereignissen.
	Oder, noch leistungsfähiger, mithilfe unseres Filtertools für Studienthemen. Hier betrachten wir beispielsweise alle Studienteilnehmer nach Behandlungsmethode.
	Möglicherweise unterscheiden wir zwischen schwerwiegenden und nicht schwerwiegenden unerwünschten Ereignissen, aber wir können diesen globalen Datenfilter verwenden, der sich auf jeden einzelnen Bericht auf Subjektebene in unserer Überprüfung auswirkt.
	und unsere demografischen Gruppen und unsere Prozentsätze sofort ändern
	Interaktiv für diese Art der Subgruppenanalyse. Hier können wir nun beispielsweise nach weißen Frauen filtern und deren Anteil an unerwünschten Ereignissen sowie ihre Talente analysieren. Oder Sie möchten detaillierter vorgehen und für jeden Standort untersuchen, wie sich die Daten an verschiedenen Standorten verändern.
	Was wir hier also eigentlich haben, ist Folgendes: Anstatt eines Einreichungspakets oder einer klinischen Analyse, bei der das Biometrie-Team
	Sie übergeben dem medizinischen Gutachter 70 verschiedene Diagramme und Tabellen zur Durchsicht und Prüfung; sie haben die Möglichkeit, Hunderte von verschiedenen Tabellen, Untergruppen und Grafiken zu erstellen – alles über eine einzige Benutzeroberfläche.
	Tatsächlich kann man die Daten sehr detailliert in diese interessanten Kategorien einordnen. Wenn sie beispielsweise schwerwiegende unerwünschte Ereignisse betrachten würden.
	Und sie wollten sehr schnell über schwerwiegende unerwünschte Ereignisse im Zusammenhang mit der medikamentösen Behandlung informiert werden; nun haben wir die Gruppe von unseren 900 Patienten auf etwa eine sehr kleine Untergruppe reduziert.
	Bei neun Patienten traten schwerwiegende unerwünschte Ereignisse auf, die als mit der Behandlung in Zusammenhang stehend eingestuft wurden. Daher sollte Ithen als medizinischer Gutachter alle klinischen Details zu diesen Patienten kennen.
	Und sehr schnell kann ich über eine unserer Aktionsschaltflächen im Bericht zu einem sogenannten vollständigen Patientenprofil gelangen.
	Hier sehen wir nun also alle Informationen, nicht mehr nur zusammenfassend, sondern auf der individuellen Ebene all dessen, was diesem Patienten im Laufe der Zeit widerfahren ist.
	einschließlich der Fälle, in denen schwerwiegende unerwünschte Ereignisse auftraten, und der dabei erhobenen Labor- oder Vitalparameter.
	Eine weitere Hauptanwendung unseres JMP Clinical-Systems neben der medizinischen Überprüfung und Überwachung sind medizinische Autorenteams. Anstatt dies visuell in einer Grafik oder Tabelle – wie beispielsweise den Patientenprofiltabellen – darzustellen, können Sie dies hier oben betrachten.
	und eine automatisierte Erzählung generieren.
	Jetzt werden wir also tatsächlich starten
	zur Erstellung von Berichten über unerwünschte Ereignisse. Ein weiterer Vorteil von JMP Clinical ist die vertikale Anwendung, die auf Standarddaten basiert.
	Der Vorteil besteht darin, dass wir alle Daten und deren Formatierung gleich zu Beginn kennenlernen, indem wir einfach auf die Studie hingewiesen werden. Wir können hier also diese Darstellungsweise präsentieren.
	das wird uns schreiben
	die tatsächliche Geschichte jedes einzelnen dieser unerwünschten Ereignisse.
	Und dadurch wird ein Word-Dokument geöffnet.
	darin sind alle Details zu diesem Thema enthalten, seine demografischen Daten, seine Krankengeschichte sowie alle unerwünschten Ereignisse und deren Folgen oder sonstige damit zusammenhängende Probleme.
	Und wir können dies für einen Patienten nach dem anderen tun oder sogar für alle 900 Patienten gleichzeitig.
	Komplexere Details wie Laborwerte, Vitalparameter, sowohl Ausgangswerte als auch Werte vor dem Ereignis, werden ebenfalls berücksichtigt. Medizinische Gutachter schätzen es daher sehr, Datenquellen standardisiert nutzen zu können und Fehler bei der Übertragung von numerischen Daten in einen schriftlichen Text zu vermeiden.
	Ich denke, allein daran lässt sich die Stärke dieser Verteilungsansichten bereits erkennen.
	Zähldiagramme, die es Ihnen ermöglichen, sehr detaillierte Datenebenen zu analysieren. Diese Möglichkeit, Themenfilter zu verwenden, um
	Schauen Sie sich entweder die gesamte Population Ihrer Patienten in einer klinischen Studie an oder relevante Untergruppen, die Sie möglicherweise identifiziert haben.
	Eine Besonderheit unseres globalen Filters, der über unsere virtuellen Joins funktioniert, ist, dass er in der Regel nur Informationen über die Demografie anzeigt.
	Eine weitere benutzerdefinierte Funktion, die wir in dieses System integriert haben, ist die Möglichkeit, alle Probanden mit einem schwerwiegenden unerwünschten Ereignis auszuwählen.
	Wir können entweder einen Bevölkerungsindikator ableiten und diesen dann in weiteren Analysen verwenden.
	Oder wir können sogar den Filter dieses Probanden auf unseren globalen Filter anwenden und schauen uns jetzt nur noch schwerwiegende Fälle an... bei einem Probanden, bei dem ein schwerwiegendes unerwünschtes Ereignis aufgetreten ist, was ungefähr... bei fast 300 Patienten in der klinischen Studie der Fall war, traten schwerwiegende unerwünschte Ereignisse auf.
	Auch dieser Bericht ist gefiltert. Der zweite Bericht behandelt einen anderen Aspekt der Verteilung unerwünschter Ereignisse, der in unserer neuesten Version neu ist: die Inzidenzraten.
	Hier geht es darum, anstatt zu normalisieren oder zu dividieren, um einen Prozentsatz durch die Anzahl der Probanden zu berechnen, bei denen ein Ereignis aufgetreten ist. Wenn Sie laufende Studien, Langzeitstudien oder Studien in verschiedenen Ländern mit unterschiedlichen Startzeiten durchführen,
	Sie sollten sich die Häufigkeit von unerwünschten Ereignissen genauer ansehen. Genau das wird hier berechnet. In diesem Fall betrachten wir nur diejenigen Studienteilnehmer, bei denen ein schwerwiegendes unerwünschtes Ereignis aufgetreten ist. Und wir können die Häufigkeit des Auftretens ermitteln.
	in Patientenjahren. So hat beispielsweise das allererste Beispiel eine Rate von etwa 86 Ereignissen pro 10 Patientenjahre unter Placebo gegenüber 71 Ereignissen.
	Bei Nicardipin. Dies war also eigentlich ein Medikament, das zur Behandlung von Subarachnoidalblutungen entwickelt wurde; ein Anstieg des intrakraniellen Drucks würde wahrscheinlich eintreten, wenn man nicht mit einem wirksamen Medikament behandelt wird.
	Diese Prozentsätze, diese Inzidenzraten, sind ebenfalls völlig dynamisch. Sie werden also alle mithilfe von JMP-Formeln berechnet, deren Daten automatisch in die Tabelle eingetragen werden.
	Diese berücksichtigen unterschiedliche Bevölkerungsgruppen, da sie durch diesen globalen Filter ausgewählt werden. So können wir beispielsweise nur die USA betrachten und die Raten und deren Veränderungen analysieren, einschließlich der normalisierten Patientenjahre, die beispielsweise ausschließlich auf Patienten aus den USA basieren.
	Auch wenn diese Berichte recht einfach aussehen, ist die Komplexität der JSL-Programmierung, die über die Erstellung eines Dashboards hinausgeht, im Grunde das, womit sich unser Team den ganzen Tag beschäftigt.
	Wir versuchen dies so zu gestalten, dass Sie ein Dashboard haben, mit dem Sie die Daten wie gewohnt einfach und ohne all diese Manipulationen erkunden können, die sehr komplex werden könnten.
	Als Letztes wollte ich Ihnen noch die Idee dieser Sonderanfertigung vorstellen.
	Bericht oder benutzerdefinierter Bericht. Dies ist also auch ein idealer Ort, um ihn anzuzeigen, da wir uns hier die Häufigkeit unerwünschter Ereignisse ansehen. Und zwar für jedes einzelne Ereignis.
	Wir haben die Anzahl, oder man kann das auch in die Inzidenzrate umrechnen, also wie oft das Ereignis pro Patientenjahr auftritt. Alternativ könnte man auch die Häufigkeit dieser unerwünschten Ereignisse im Zeitverlauf betrachten.
	Ich möchte Ihnen das anhand unserer klinischen API ganz kurz demonstrieren. Die Datentabelle hier steht Ihnen vollständig zur Verfügung.
	Als Erstes muss ich eine numerische Datumsvariable erstellen. Dafür gibt es in der Datentabelle ein kleines Widget. Ich werde diese Variable nun in ein numerisches Datum umwandeln. Sie werden sehen, dass jetzt am Ende eine neue Spalte hinzugefügt wurde.
	des numerischen Startdatums und der Startzeit des unerwünschten Ereignisses. Hier liegt auch die Grundlage für die Leistungsfähigkeit der Formeln. Diese Formeln werden dynamisch anhand der Populationsdaten für die Erstellung dieser Ansichten neu generiert.
	Da wir nun ein numerisches Datum für diese Daten haben, könnten wir diese Analyse um eine neue Diagrammart erweitern.
	Und ich habe ein Skript dafür. Als Erstes werde ich in unserem Datensatz ein paar zusätzliche Spalten für Monat und Jahr erstellen.
	Und der nächste JSL-Abschnitt umfasst unsere klinischen API-Aufrufe. Ich werde hier nicht näher darauf eingehen, außer dass es eine Möglichkeit ist, uns mit … zu verbinden.
	die klinische Überprüfung und den Zugriff auf die Abschnitte. Wenn ich also diesen Code ausführe,
	Dadurch wird ein neuer Abschnitt in meine klinische Auswertung eingefügt. Und nun habe ich eine neue Ansicht der unerwünschten Ereignisse, die im Laufe des Jahres und der Monate für alle Studienteilnehmer aufgetreten sind.
	Eine der Stärken dieser benutzerdefinierten Ansicht besteht also darin, dass diese Tabelle, da sie weiterhin virtuell mit unserer Hauptgruppe verbunden ist, weiterhin vollständig nutzbar ist.
	Wir können auf diesen virtuellen globalen Themenfilter reagieren. Mit nur wenig benutzerdefiniertem API-JSL-Code können wir diese standardmäßigen Berichte nehmen und sie mit unseren eigenen Analysen anpassen.
	Ich weiß, das war ein ziemlich ausführlicher Überblick über JMP Clinical, aber auch über die Arten von Analysen klinischer unerwünschter Ereignisse, die das System durchführen kann und die für diejenigen, die in der Arzneimittelindustrie oder der pharmazeutischen Industrie für klinische Studien arbeiten, üblich sind.
	Ich hoffe aber, dass Sie diesen Abschnitt auch dann wertvoll und interessant fanden, wenn Sie nicht in der Pharmabranche tätig sind. Einer der besten
	Ein Beispiel dafür, was JMP Clinical ist, ist lediglich eine extreme Erweiterung und die Leistungsfähigkeit von JSL zur Erstellung unglaublich individueller Anwendungen.
	Vielleicht arbeiten Sie nicht mit unerwünschten Ereignissen, aber Sie sehen hier einige Dinge, die Sie dazu inspirieren können, benutzerdefinierte Dashboards oder benutzerdefinierte Add-Ins für Ihre eigenen Analysen innerhalb von JMP zu erstellen.
	Danke schön.

Fortgeschrittene statistische ModellierungAutomatisierung und SkripterstellungGrundlagen der Datenanalyse und ModellierungVerbraucher- und MarktforschungInhaltsorganisationDatenexploration und -visualisierungMassenanpassungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzessentwicklungErgebnisse teilen und kommunizieren