| Conférencier |
Transcription |
| Olivia Lippincott |
Quoi |
| tu es belle |
C'est un plaisir pour moi de parler de cela, d'obtenir des informations de haute qualité à partir du système d'étiquetage des médicaments de la FDA et de la découverte JMP. |
| |
Aujourd'hui, je vais aborder quatre parties. Dans un premier temps, je donnerai quelques informations générales sur la surveillance post-commercialisation des médicaments et les efforts déployés par la FDA et l'industrie. Enfin, j'utiliserai un ensemble de données d'étiquetage de médicaments. |
| |
pour analyser le texte et utiliser l'explorateur de texte dans JMP et également utiliser le module complémentaire |
| |
Module complémentaire JMP |
| |
XGBoost pour analyser ces informations DILI et ensuite donner la conclusion et également le tutoriel XGBoost du Dr Russ Wolfinger est également présent dans ce JMP Discovery Summit, alors allez à son tutoriel si vous êtes intéressé par XGBoost. |
| |
Ainsi, le développement du médicament, selon la description de la FDA pour le traitement du médicament, |
| |
il peut être divisé en cinq étapes et les deux premières étapes, la découverte et la recherche préclinique, beaucoup dans le |
| |
L'étude animale et le criblage chimique sont suivis de trois étapes ultérieures impliquant l'humain. JMP propose trois produits : JMP Genomics et JMP Clinical. |
| |
JMP et JMP Pro couvrent toutes les étapes de la découverte de médicaments. JMP Genomics est le système omique permettant la sélection de biomarqueurs cliniques et omiques, tandis que JMP Clinical est dédié aux essais cliniques. |
| |
et le suivi post-commercialisation de l'innocuité et de l'efficacité des médicaments. JMP Pro peut également être utilisé pour le nettoyage des données sur les médicaments, l'exploration, l'identification de cibles, le développement de formulations, les données d'expérience, les tests qualité par analyse, les bio-essais, etc. Il peut donc être utilisé à chaque étape du processus. |
| |
le développement de médicaments. |
| |
Ainsi, dans le développement de ce médicament, la cause la plus fréquente, appelée DILI, peut en fait être arrêtée pour l'essai clinique. |
| |
Le médicament peut être refusé par la FDA ou un autre organisme de réglementation, ou être retiré du marché une fois commercialisé. Il s'agit donc de la cause unique la plus fréquente, appelée DILI, dont les informations sont disponibles dans le guide de la FDA et dans d'autres publications scientifiques. |
| |
Qu'est-ce que la DILI ? Il s'agit en fait d'une lésion hépatique d'origine médicamenteuse. |
| |
appelé DILI et vous avez la FDA, il y a presque plus de 10 ans en 2009, ils ont publié un guide pour DILI, |
| |
comment évaluer et suivre, la FDA propose plusieurs années de formation DILI pour l'investigateur clinique et ces informations peuvent encore être trouvées en ligne aujourd'hui. |
| |
Il y a aussi des conférences, également organisées par la FDA l'année dernière. Et bien sûr, pour la DILI, la définition du sujet ou du patient susceptible d'être atteint d'une DILI, il y a la loi de Hy, qui est incluse dans le |
| |
Directives de la FDA. |
| |
Voici donc un exemple d’évaluation DILI pour l’essai clinique, ici dans l’essai clinique, |
| |
Dans le JMP Clinical, selon la loi de Hy. La loi de Hy définit donc la condition de combinaison des différentes enzymes hépatiques lorsqu'elles atteignent un certain niveau. |
| |
On pourrait alors penser qu'il s'agirait de cas possibles de la loi de Hy. Il pourrait donc s'agir de lésions hépatiques. Ici, nous utilisons la couleur pour identifier |
| |
Cas possibles de la loi de Hy : le rouge correspond à un oui, le bleu à un non. De plus, le rond et le triangle différents provenaient de groupes de traitement différents. Nous utilisons également un graphique à bulles JMP pour illustrer |
| |
Les augmentations des enzymes au fil du temps… pendant la période d'essai clinique. C'est donc typique. C'est 15 jours. Ensuite, il y a |
| |
Sujet : le début était plutôt normal. Puis, ils deviennent un peu fous, un taux élevé d'enzymes hépatiques indique qu'ils sont potentiellement |
| |
Cas possibles de DILI. |
| |
Donc, la FDA dispose de deux bases de données principales, qui peuvent effectivement gérer les données post-commercialisation. |
| |
Surveillance de la sécurité des médicaments. L'une d'elles est l'étiquette du médicament, dont les données seront extraites de cette base de données. L'autre est le Système de déclaration des effets indésirables de la FDA. |
| |
puis ils ont du NIH et du NCBI, ils ont très activement |
| |
J'ai créé LiverTox et je dispose de nombreuses informations sur la gestion des DILI. La FDA possède une autre base de données appelée Liver Toxic. |
| |
La base de connaissances a été présentée par le Dr Tong, notre collaborateur. Il possède une connaissance approfondie du DILI et a créé cette base de données spécifique à des fins d'information publique. |
| |
L'étiquette du médicament. Tout le monde a probablement déjà vu ça en achetant un médicament sur ordonnance. Il y a ce petit bout de papier avec des mots qui accompagnent le médicament. |
| |
Ils sont donc livrés avec des mots en minuscules caractères, même s'ils sont parfois trop petits pour être lus, mais ils contiennent de nombreuses informations scientifiques utiles sur ce médicament. |
| |
Deux points seront liés à ma présentation d'aujourd'hui : les sections « Avertissements » et « Précautions ». En résumé, toutes les informations concernant les effets indésirables du médicament et autres doivent être mentionnées. |
| |
être averti dans ces deux sections. Et ce médicament a effectivement |
| |
Plus de 2 000 mots décrivent les mises en garde et précautions. Heureusement, tous les médicaments ne présentent pas autant d'effets secondaires ou d'effets indésirables. Certains médicaments, comme celui-ci, |
| |
L'un des médicaments contenant de la metformine comporte une petite section consacrée aux avertissements et précautions. L'ancienne version de l'étiquette du médicament présentait les avertissements et précautions dans des sections distinctes, tandis que la nouvelle version les regroupe. Ce médicament figure donc dans la nouvelle version… ils ont ces deux sections. |
| |
Les sections sont regroupées. Mais celui-ci présente beaucoup moins d'effets secondaires. JMP et son équipe clinique ont donc été mandatés par la FDA pour réaliser l'analyse de sécurité et nous contribuons à finaliser chaque effet indésirable répertorié sur les notices des médicaments. |
| |
Voici donc les données présentées aujourd'hui. Nous utilisons les avertissements et précautions figurant sur les 462 notices de médicaments extraites par les chercheurs de la FDA et que je viens de recevoir. |
| |
L'indicateur DILI a été attribué à chaque médicament. 1 signifie « oui » et 0 signifie « non ». Cette distribution montre donc qu'il y a |
| |
environ un...164 médicaments ont |
| |
cas potentiels de DILI et 298 ne le font pas et le format d'origine des données d'étiquette du médicament est au format XML et peut être importé par JMP multiplié à la fois. |
| |
Concernant les mots-clés DILI, la FDA a consacré de nombreuses années à l'élaboration de cette liste. Elle a ensuite fait appel à des experts, qui ont lu des centaines d'étiquettes de médicaments, pour déterminer les cas potentiels de DILI. C'est ainsi qu'ils ont établi ces mots-clés. |
| |
environ 44 mots ou termes à indiquer comme mot-clé, à indiquer pour le médicament |
| |
Il pourrait s'agir des cas de DILI. Vous avez peut-être aussi entendu parler de MedDRA, un dictionnaire médical des activités réglementaires. Il propose différents niveaux de termes standardisés, le plus courant étant le terme préféré. Je vais l'utiliser aujourd'hui. |
| |
Donc dans le |
| |
avertissement et précaution, vous pouvez voir que si nous rassemblons tout, vous avez plus de 12 000 termes dans le |
| |
Avertissements et précautions. On constate que « patients » et « peut » sont des termes dominants, ce qui |
| |
« made not… » ne devrait pas être lié aux cas médicaux et aux informations médicales présentées ici. On peut donc supprimer cela ; vous voyez qu'aucun autre mot n'est aussi dominant dans ce mot. |
| |
nuage, mais il contient encore de nombreux mots sans rapport avec le médical comme « utiliser » et comme « signalé » que nous pourrions mettre dans... |
| |
Nous pourrions les supprimer de notre liste d'analyse. Dans l'Explorateur de texte, nous pouvons les placer dans le mot vide, comme nous le faisions habituellement. |
| |
Les différentes technologies de Text Explorer sont la création de radicaux, la tokenisation, les expressions régulières, le recodage et la suppression manuelle. |
| |
pour nettoyer la liste. Mais elle contenait 12 000 termes, ce qui pouvait prendre beaucoup de temps. |
| |
Mais puisque nous avons la liste qui nous intéresse, nous voulons donc profiter du fait que nous savons déjà ce qui nous intéresse dans les termes de ce système. |
| |
Alors ce que nous allons faire et je vais vous montrer dans la démo que nous utiliserons uniquement les mots-clés DILI, plus le terme préféré du MedDRA pour générer les termes intéressants et les phrases pour faire la prédiction. |
| |
Voici l'exemple que nous avons vu en utilisant uniquement les mots-clés DILI. Ensuite, vous voyez tout ici, même dans la liste. Vous avez un nombre. |
| |
indiqué à côté pour chacun des termes, combien de fois ils sont répétés dans le |
| |
section avertissements et précautions et vous pouvez également voir des éléments plus colorés et plus |
| |
Graphique dans le nuage mondial pour reconnaître un modèle. Ensuite, nous ajoutons les termes médicaux, c'est-à-dire les termes liés à la médecine. On est donc passé de 12 000 à 1 190 termes, incluant les mots-clés DILI et les termes médicaux préférés. Nous pensons donc que ce serait une bonne solution. |
| |
liste de termes pour commencer notre analyse. |
| |
Donc ce que nous faisons, c'est dans le |
| |
JMP Text Explorer : nous pouvons enregistrer la matrice de termes du document. Si la valeur 1 s'affiche, cela signifie que ce document a vu ce terme ; si la valeur 0 s'affiche, cela signifie que ce document est concerné. |
| |
n'a pas vu, a un cas de ce mot. |
| |
Alors nous, dans le |
| |
XGBoost fera k fold, et trois k folds, utiliser chacun avec cinq colonnes. |
| |
Nous utilisons donc dans cet apprentissage automatique et utilisons le modèle d'arbre XGBoost qui est un ajout pour JMP Pro et nous... en utilisant l'indicateur DILI |
| |
comme variable cible et ils utilisent les mots-clés DILI ainsi que les termes préférés de MedDRA qui sont apparus plus de 20 fois |
| |
comme prédicteur. Nous utilisons ensuite une validation croisée XGBoost, puis une 300e itération. Nous obtenons maintenant des indicateurs de performance statistiques, et nous déterminons l'importance du terme pour DILI. |
| |
et nous obtenons, nous pouvons utiliser le profileur de prédiction pour les interactions et nous pouvons également générer et enregistrer la formule de prédiction pour la prédiction de nouveaux médicaments. |
| |
Alors je vais à la démo. |
| |
Voici donc un exemple de tableau que nous avons obtenu dans le |
| |
dans JMP. |
| |
Vous avez donc trois colonnes. Vous avez l'index, qui correspond à l'identifiant du médicament. Viennent ensuite les avertissements et les précautions, qui auraient pu contenir bien plus. |
| |
Les mots qui apparaissent, donc nous disposons de toutes les informations pour chaque médicament. Nous disposons maintenant d'un indicateur DILI. Nous procédons donc à la |
| |
Explorateur de texte d'abord. Nous avons une analyse, allez dans l'Explorateur de texte, vous pouvez utiliser ceci |
| |
Entrée, qui contient un texte d'avertissement et de précaution. Normalement, on peut faire différentes choses ici : minimiser les caractères, aller à 2 ou faire autre chose. On peut aussi utiliser la recherche de radicaux ou l'expression régulière. |
| |
faire toutes sortes de |
| |
formule et, dans nos limites, peut être limitée. Par exemple, vous pouvez utiliser une personnalisation |
| |
Expression régulière pour supprimer tous les nombres. Il n'y a que les nombres, mais comme nous allons utiliser une liste, nous n'y toucherons pas. Nous pouvons simplement aller ici et dire : « OK ». |
| |
Donc, tout est revenu sur la liste. Donc maintenant, je vais dire que je me soucie seulement de |
| |
oh, pour celui-ci, tu peux faire...tu peux montrer le |
| |
nuage de mots. |
| |
Et |
| |
nous voulons dire je veux le centrer |
| |
et je veux aussi la couleur. |
| |
Donc vous voyez celui-ci, vous voyez que le patient est tellement dominant, alors vous pouvez dire, d'accord, ce n'est certainement pas le... |
| |
ne devrait pas être dans le |
| |
en analyse. Je sélectionne simplement et fais un clic droit pour ajouter un mot vide. |
| |
Vous verrez donc ceux-ci être supprimés et ne plus apparaître dans votre liste et ne plus apparaître dans le |
| |
nuage de mots. |
| |
Alors maintenant, je veux vous montrer quelque chose que je |
| |
Je pense que cela accélérerait le nettoyage, car il y a tellement d'autres mots inutiles dans le système. Du coup, je sélectionne |
| |
et mettre tout dans le mot d'arrêt. |
| |
J'ai donc tout supprimé, sauf que je ne sais pas pourquoi l'"action" ne peut pas être supprimée. |
| |
Mais ce n'est pas grave s'il n'y en a qu'un. Je vais donc ici. J'ai sélectionné « Gérer les phrases » et je veux importer mes mots-clés. Les mots-clés ont juste un… |
| |
très simple. Le titre, |
| |
Les données d'une colonne contiennent uniquement la liste des noms. Je les importe et les colle dans la bibliothèque locale. Ce sera ma bibliothèque locale. Et je me suis dit : « OK ». |
| |
Donc maintenant, je n'ai plus que le mot-clé que j'ai. |
| |
OK, celui-ci sera… Je veux faire l'analyse plus tard. Et je veux tous les inclure dans mon analyse, car ce sont les mots-clés. Je vais donc ici, le triangle rouge, tout dans l'Explorateur de texte, les fonctions cachées, cachées ici. |
| |
Triangle rouge. Je dis donc « Sauvegarder la matrice ». Je veux en avoir une et je veux 44 matrices. |
| |
Dans mon analyse, je dis « OK ». Vous verrez, tout sera sauvegardé dans mon… |
| |
à la colonne, la matrice. |
| |
Je veux maintenant ajouter la phrase, une fois de plus. Je veux aussi l'importer. |
| |
ces termes préférés. |
| |
dans le |
| |
ma base de données, mes données locales. |
| |
Ensuite, je veux aussi |
| |
en fait, je veux localement |
| |
à |
| |
alors je dis, ok. |
| |
Alors maintenant j'ai le mix, les deux |
| |
les termes préférés du MedDRA ainsi que mes mots-clés. Vous pouvez donc voir maintenant |
| |
les phrases ont changé. |
| |
Pour les ajouter à ma liste. Je fais de même avec ma matrice de termes sûrs et je récupère tous les nombres… tous les termes que je souhaite inclure. Je tiens à souligner que pour ces termes, il faut les modifier. |
| |
Un format de modèle. Ce type de modèle est en cours de modification. Je souhaite le convertir en format nominal. Je vous expliquerai pourquoi plus tard. |
| |
Alors maintenant que je l'ai, je peux aller au |
| |
XGBoost, qui est dans le module complémentaire. Nous pouvons faire...k plier les colonnes qui garantissent que je peux faire le |
| |
Validation croisée. Je peux simplement utiliser l'index. Par défaut, le nombre de colonnes à k plis à créer est de trois, et le nombre de plis (k) dans chaque colonne est de cinq. Nous utilisons simplement la valeur par défaut. |
| |
Disons, d'accord, ça va générer trois colonnes très rapidement. Et à la fin, vous voyez les plis A, B, C, trois d'entre eux. |
| |
Donc nous avons compris cela, puis nous avons... |
| |
Une autre chose que je voulais faire est dans le... |
| |
Alors nous pouvons |
| |
Nous pouvons en créer un autre |
| |
phrase |
| |
qui a tout... qui ont tout dans... cette phrase ont tout, y compris les mots-clés et PT, mais je veux en créer une qui n'a que le |
| |
n'ont que |
| |
n'ont que le |
| |
Je peux donc ajouter ces mots-clés à l'exception locale et dire « OK ». Ces mots n'auront donc que des termes préférés, mais pas le mot-clé. |
| |
mots-clés. De cette façon, je peux créer une autre liste, enregistrer une autre liste des |
| |
documentation |
| |
mots que je veux avoir. Alors |
| |
ont 1000, mais ce terme n'en a que 20. Donc ce qu'ils vont faire, c'est qu'ils ont été enregistrés, les termes se rencontrent... |
| |
avoir au moins |
| |
apparaissent plus de 20 fois ou atteignent 1000, lequel d'entre eux apparaîtra dans ma liste. |
| |
J'ai donc maintenant un tableau complet, qui contient les mots-clés et les termes MedDRA qui ont plus de 20, s'affichent plus de 20 fois, et j'ai maintenant aussi une colonne ??? prête pour l'analyse pour le |
| |
Boost XGB. |
| |
Alors maintenant, ce que je peux faire, c'est aller au XGBoost. Je peux y aller pour |
| |
L'analyse est maintenant terminée. Je vais vous montrer comment utiliser cet indicateur DILI. La réponse X correspond à tous les termes que je viens d'avoir pour le mot-clé. |
| |
mots préférés. Maintenant, j'utilise les trois validations |
| |
Cliquez ensuite sur OK pour lancer l'opération. L'exécution prendra environ cinq minutes. J'ai déjà obtenu un résultat que je souhaite vous montrer. |
| |
Alors vous avez... |
| |
Voilà à quoi ça ressemble. |
| |
La conception du réglage. Et nous allons vérifier cela. Vous avez |
| |
Vous trouverez les conditions idéales pour le faire. Vous pouvez également, si vous en avez, |
| |
Même si Ross Wolfinger a beaucoup d'expérience, il ira ici, modifiera manuellement certaines conditions, et vous obtiendrez alors probablement le meilleur résultat. |
| |
Mais pour les nombreuses personnes comme moi qui n'ont pas beaucoup d'expérience avec XGBoost, je préférerais utiliser cette conception de réglage plutôt que de simplement utiliser la machine pour |
| |
Sélectionnez-moi d'abord, puis je peux y aller, on peut ajuster un peu, ça dépend de ce que je dois faire. Voici le résultat que nous avons obtenu. Vous pouvez utiliser… vous voyez ici |
| |
différent |
| |
Les statistiques de performance de ces modèles sont affichées par défaut. Seule la précision est affichée. Vous pouvez les trier par colonne. Vous pouvez également les trier et consulter d'autres indicateurs de performance populaires, tels que |
| |
MCC, AUC, |
| |
RMSE, corrélation. Ils s'affichent tous en cliquant dessus. |
| |
Ils apparaîtront ici. Ainsi, quels que soient vos besoins et vos mesures, vous les trouverez toujours ici. |
| |
Dans ce cas précis, je vais utiliser la précision de la validation, plus que toute autre chose. Je souhaite donc afficher uniquement les cinq meilleurs modèles, par exemple. |
| |
Je choisis donc cinq modèles. Ensuite, je dis que je veux supprimer tous les modèles de l'émission. |
| |
Vous verrez donc les cinq modèles ici, puis vous pourrez voir certains modèles, même si le 19 est vert, |
| |
Il ne va pas jusqu'à la moitié. Il y a donc un problème, quelque chose n'est pas approprié pour ce modèle. Je ne veux absolument pas utiliser celui-là, donc je peux en choisir d'autres. Disons que je veux choisir celui-ci. |
| |
19, je veux supprimer celui-là. Je peux donc dire que je veux supprimer celui caché. Donc, en gros, c'est comme ça que tu dois faire. Si tu compares, vois ça. |
| |
Les indicateurs ne sont pas très différents. Je souhaite donc m'appuyer sur ce graphique pour choisir le meilleur indicateur de performance. |
| |
Alors, choisissez la bonne. Vous pouvez aller ici pour |
| |
disons, j'aime le modèle 12 donc je peux aller ici, disons que je veux faire le |
| |
profileur. |
| |
C'est donc un outil très puissant, je pense assez unique à JMP. Peu |
| |
Les outils ont cette fonction. Cela vous permet d'examiner les données individuelles. |
| |
Les paramètres sont utilisés de manière active et permettent d'observer leur influence sur le résultat. Par exemple, ces deux paramètres sont les plus fréquemment observés dans les cas de DILI. |
| |
Et vous pouvez voir que la pente est assez raide, ce qui signifie que si vous les modifiez, cela affectera considérablement les prédictions du résultat final. Vous pouvez donc voir quand |
| |
L'hépatite et la jaunisse indiquent toutes deux zéro, ce qui signifie que le risque de contracter une DILI est très faible. Il en va de même pour les cas possibles de DILI. Mais si vous modifiez cette ligne, |
| |
au 1, vous pouvez voir que vos chances sont plus élevées. Et si vous déplacez ces |
| |
encore plus haut. Donc vous avez, vous aurez un moyen de |
| |
analyser, s'ils sont les |
| |
quelle est la clé |
| |
Paramètres ou prédicteurs pouvant influencer votre résultat. Certains, même leur mot-clé, sont assez uniformes. Cela signifie que si vous les modifiez, cela n'aura pas beaucoup d'impact sur le résultat. |
| |
Donc c'est ça et nous aussi ici, nous avons donné la liste à laquelle vous pouvez accéder |
| |
pour voir ce qui est le plus important |
| |
Caractéristiques permettant de calculer la prédiction des variables. Vous pouvez donc voir ici la jaunisse, et d'autres sont très importantes. |
| |
Et pour le résultat de la fonctionnalité, une fois les données saisies, voici tous les résultats dont nous disposons. Et vous pouvez vous demander : « Et les nouveautés à venir ? » Oui, nous avons ici, vous pouvez dire : « Je souhaite enregistrer la formule de prédiction. » |
| |
Et vous pouvez voir qu'il travaille activement là-dessus. Et puis, dans le tableau, à la fin, vous verrez la prédiction. Alors, rappelez-vous, nous en avions une… c'était, disons, eh bien, |
| |
le premier médicament, le deuxième était à peu près prédit que ce serait le |
| |
Le nombre de cas de DILI, ainsi que les deux, troisième, quatrième et cinquième suivants, était proche de zéro. Nous revenons donc à ce DILI. |
| |
Nous avons découvert qu'ils étaient effectivement listés. Les cinq premiers étaient corrects. Donc, si vous n'avez pas cet indicateur lors de l'arrivée des nouvelles données, inutile de lire l'intégralité de l'étiquette. Vous exécutez le modèle. Vous pouvez voir la prédiction. Vous savez quasiment si c'est le cas. |
| |
il s'agit de cas DILI ou non. |
| |
Donc ma démo serait |
| |
Je termine ici, et je vais maintenant conclure. Nous utilisons l'Explorateur de texte pour extraire les mots-clés et les termes MedDRA des données, en utilisant les mots vides et la gestion des expressions, sans |
| |
Sélection, suppression et recodage manuels. Nous avons donc utilisé une visualisation et créé une matrice de termes de document à des fins de prédiction. |
| |
Nous utilisons également l'apprentissage automatique pour la modélisation XGBoost et souhaitons exécuter rapidement XGBoost afin de trouver le meilleur modèle et de prédire le profil. Nous pouvons également enregistrer |
| |
prédire la formule pour prédire les nouveaux cas. |
| |
Merci. Et je m'arrête là. |
