| Lautsprecher |
Transkript |
| Olivia Lippincott |
Was |
| du bist schön |
Es ist mir ein Vergnügen, darüber zu sprechen. Erhalten Sie hochwertige Informationen aus dem Arzneimittelkennzeichnungssystem der FDA und aus der JMP-Entdeckung. |
| |
Heute werde ich über vier Bereiche sprechen. Zunächst werde ich Hintergrundinformationen zur Arzneimittelüberwachung nach der Markteinführung geben und die diesbezüglichen Bemühungen der FDA und der Industrie erläutern. Außerdem werde ich einen Datensatz zur Arzneimittelkennzeichnung verwenden. |
| |
um den Text zu analysieren und den Text Explorer in JMP zu verwenden und auch das Add-In zu verwenden |
| |
JMP-Add-In |
| |
XGBoost analysiert diese DILI-Informationen und gibt dann eine Schlussfolgerung. Außerdem ist das XGBoost-Tutorial von Dr. Russ Wolfinger auf diesem JMP Discovery Summit vorhanden. Gehen Sie also zu seinem Tutorial, wenn Sie an XGBoost interessiert sind. |
| |
Die Arzneimittelentwicklung, gemäß der FDA-Beschreibung für die Arzneimittelverarbeitung, |
| |
Es kann in fünf Phasen unterteilt werden, wobei die ersten beiden Phasen, Entdeckung und Forschung (präklinisch), viele in der |
| |
in der Tierstudie und im chemischen Screening, und später in drei Phasen am Menschen. JMP bietet drei Produkte an: JMP Genomics, JMP Clinical, |
| |
JMP und JMP Pro decken alle Phasen der Arzneimittelforschung ab. JMP Genomics ist das Omics-System, das für die Auswahl von Omics und klinischen Biomarkern verwendet werden kann, und JMP Clinical ist speziell für klinische Studien geeignet. |
| |
und Post-Marketing-Monitoring für die Arzneimittelsicherheit und -wirksamkeit. Und auch für die Bereinigung von Arzneimitteldaten, Mining, Zielidentifizierung, Formulierungsentwicklung, DOE, QbD, Bioassay usw. kann JMP Pro verwendet werden. Es kann also in jeder Phase von |
| |
die Arzneimittelentwicklung. |
| |
Bei der Entwicklung dieses Arzneimittels gibt es die häufigste Einzelursache, die sogenannte DILI, die jedoch für die klinische Studie tatsächlich gestoppt werden kann. |
| |
Das Medikament kann von der FDA oder einer anderen Zulassungsbehörde abgelehnt oder nach der Markteinführung zurückgerufen werden. Dies ist die häufigste Einzelursache, die als DILI bezeichnet wird. Informationen dazu finden sich im FDA-Leitfaden und in anderen wissenschaftlichen Publikationen. |
| |
Was ist DILI? Es handelt sich um eine medikamenteninduzierte Leberschädigung, |
| |
genannt DILI und Sie haben die FDA, vor fast mehr als 10 Jahren im Jahr 2009, sie veröffentlichten einen Leitfaden für DILI, |
| |
Informationen zur Bewertung und Nachverfolgung bietet die FDA dem klinischen Prüfer mehrere Jahre DILI-Schulung an und diese Informationen sind auch heute noch online verfügbar. |
| |
Und sie haben die Konferenzen, die auch von der FDA organisiert wurden, erst letztes Jahr. Und natürlich für die DILI, wie Sie das Subjekt oder den Patienten definieren, der einen DILI-Fall haben könnte, gibt es Hys Gesetz, das in der |
| |
FDA-Leitlinien. |
| |
Hier ist ein Beispiel für die DILI-Auswertung für die klinische Studie, hier in der klinischen Studie, |
| |
im JMP Clinical nach Hy's Law. Das Hy's Law ist also die Kombinationsbedingung für die verschiedenen Leberenzyme, wenn sie auf ein bestimmtes Niveau ansteigen, |
| |
dann würde man denken, es wären die möglichen Fälle von Hy's Law. Sie haben also möglicherweise Leberschäden. Hier verwenden wir also die Farbe, um die |
| |
mögliche Fälle von Hy's Law, der rote ist ein Ja, der blaue ein Nein. Und auch die verschiedenen Runden und das Dreieck stammten aus verschiedenen Behandlungsgruppen. Wir verwenden auch ein JMP-Blasendiagramm, um die |
| |
Die Enzymerhöhungen im Laufe der Zeit...Zeitpunkt...während der klinischen Testphase. Das ist also typisch. Das sind 15 Tage. Dann haben Sie die |
| |
Thema, beginnend war ziemlich normal. Dann gehen sie irgendwie verrückt hohe Niveau der Leber-Enzyme zeigen, dass sie möglicherweise |
| |
Mögliche DILI-Fälle. |
| |
Die FDA verfügt über zwei große Datenbanken, die sich mit der Post-Marketing-Analyse befassen können. |
| |
Überwachung der Arzneimittelsicherheit. Eine davon ist die Arzneimittelkennzeichnung, deren Daten wir aus dieser Datenbank beziehen. Ein weiteres ist das FDA Adverse Event Reporting System. |
| |
dann haben sie vom NIH und NCBI, sie haben sehr aktiv |
| |
hat diese LiverTox-Datenbank erstellt und verfügt über zahlreiche Informationen, die sich mit dem DILI befassen. Und die FDA verfügt über eine weitere Datenbank namens Liver Toxic |
| |
Wissensdatenbank und es gab eine Führung durch Dr. Tong, der unser Co-Autor ist, also in dieser Präsentation. Sie verfügen über umfangreiches Wissen über DILI und haben diese spezielle Datenbank zur öffentlichen Information erstellt. |
| |
Also, das Arzneimitteletikett. Das hat wahrscheinlich jeder schon einmal gesehen, wenn er ein verschreibungspflichtiges Medikament bekommt. Man bekommt dieses wortreiche Ding auf Papier mit dem Medikament. |
| |
Sie sind in einer winzig kleinen Schrift geschrieben, die zwar manchmal zu klein zum Lesen ist, aber dennoch viele nützliche wissenschaftliche Informationen über dieses Medikament enthält. |
| |
Dann werden zwei Abschnitte mit meiner heutigen Präsentation in Zusammenhang stehen, nämlich die Abschnitte mit dem Titel „Warnungen und Vorsichtsmaßnahmen“. Im Grunde genommen müssen alle Informationen über das Arzneimittel-Nebenwirkungsereignis und alles, was |
| |
Seien Sie in diesen beiden Abschnitten gewarnt. Und dieses Medikament hat tatsächlich |
| |
über 2000 Wörter beschreiben die Warnungen und Vorsichtsmaßnahmen. Und glücklicherweise hat nicht jedes Medikament so viele Nebenwirkungen oder unerwünschte Ereignisse. Einige Medikamente wie dieses, |
| |
Eines der Metformin-Präparate enthält einen kleinen Abschnitt für Warnhinweise und Vorsichtsmaßnahmen. Die ältere Version des Arzneimitteletiketts enthält Warnhinweise und Vorsichtsmaßnahmen in separaten Abschnitten, die neue Version hat sie zusammengefasst. In der neuen Version sind diese beiden Abschnitte enthalten. |
| |
Abschnitte zusammen. Dieses Medikament hat jedoch deutlich weniger Nebenwirkungen. JMP und JMP Clinical werden von der FDA für die Durchführung der Sicherheitsanalyse genutzt und helfen tatsächlich dabei, alle in den Arzneimitteletiketten aufgeführten Nebenwirkungen zu finalisieren. |
| |
Dies sind die Daten, die wir heute präsentieren konnten. Wir verwenden den Warn- und Vorsichtsmaßnahmenabschnitt in den 462 Arzneimitteletiketten, die von den FDA-Forschern extrahiert wurden und die ich gerade von ihnen erhalten habe. |
| |
Und der DILI-Indikator wurde jedem Medikament zugewiesen. 1 bedeutet ja und 0 bedeutet nein. Anhand dieser Verteilung können Sie sehen, dass es |
| |
etwa ein...164 Medikamente hat |
| |
potenzielle DILI-Fälle und 298 nicht. Das Originalformat für die Daten des Arzneimitteletiketts liegt im XML-Format vor und kann von JMP mehrfach auf einmal importiert werden. |
| |
Die FDA hat jahrelang an der Erstellung dieser Liste mit DILI-Schlüsselwörtern gearbeitet. Experten haben dann Hunderte von Medikamentenetiketten gelesen und dann entschieden, welche Fälle potenziell DILI-Fälle sein könnten. So entstanden diese |
| |
ca. 44 Wörter oder Begriffe, die als Stichwort für das Medikament angegeben werden sollen |
| |
Es könnte sich um DILI-Fälle handeln. Vielleicht haben Sie auch schon von MedDRA gehört, einem medizinischen Wörterbuch für regulatorische Aktivitäten. Es gibt verschiedene Ebenen standardisierter Begriffe, und der beliebteste ist der bevorzugte Begriff. Ich werde ihn heute verwenden. |
| |
Also in der |
| |
Warnung und Vorsicht, Sie können sehen, wenn wir alles zusammenziehen, haben Sie über 12.000 Begriffe in der |
| |
Warnungen und der Abschnitt Vorsichtsmaßnahmen. Und Sie können sehen, dass "Patienten" und "können" eine dominante ist, die |
| |
nicht gemacht...sollte nicht mit den medizinischen Fällen und den medizinischen Informationen in diesem Fall in Verbindung gebracht werden. Wir können das also entfernen, Sie können sehen, dass keine anderen Wörter in diesem Wort so dominant sind |
| |
Cloud, aber es gibt immer noch viele medizinisch nicht verwandte Wörter wie „verwenden“ und „gemeldet“, die wir einfügen könnten in … |
| |
konnten sie aus unserer Analyseliste entfernen. Im Text-Explorer können wir sie in das Stoppwort einfügen und wir verwenden normalerweise auch das |
| |
Verschiedene Text Explorer-Technologien umfassen Stemming, Tokenisierung, Regex, Neukodierung und manuelles Löschen. |
| |
um die Liste zu bereinigen. Da sie jedoch 12.000 Begriffe umfasste, konnte dies sehr zeitaufwändig sein. |
| |
Da wir aber über die Liste verfügen, die uns interessiert, möchten wir den Vorteil nutzen, dass wir die Begriffe in diesem System bereits kennen, die uns interessieren. |
| |
Was wir also tun werden (und ich werde es Ihnen in der Demo zeigen) ist, dass wir nur die DILI-Schlüsselwörter sowie den bevorzugten Begriff aus MedDRA verwenden, um die interessanten Begriffe und die Ausdrücke für die Vorhersage zu generieren. |
| |
Hier ist das Beispiel, das wir nur mit den DILI-Schlüsselwörtern gesehen haben. Dann sehen Sie alles hier, Sie können es sogar in der Liste sehen. Sie haben eine Anzahl |
| |
An der Seite ist für jeden Begriff angegeben, wie oft er in der |
| |
Warnungen und Vorsichtsmaßnahmen Abschnitt und auch können Sie mehr bunte sehen, mehr |
| |
Grafik in der Weltwolke, um ein Muster zu erkennen. Und dann fügen wir die medizinischen Begriffe hinzu, also die medizinbezogenen Begriffe. So ist die Zahl von 12.000 Begriffen auf 1190 gesunken, darunter DILI-Schlüsselwörter und medizinische bevorzugte Begriffe. Wir denken, das wäre gut |
| |
Begriffsliste, mit der wir unsere Analyse beginnen. |
| |
Was wir also tun, ist in der |
| |
JMP Text Explorer, wir können den Begriff speichern...Dokument-Begriffsmatrix. Das heißt, wenn Sie 1 sehen, bedeutet das, dass dieses Dokument diesen Begriff gesehen hat, wenn es heißt, wenn es 0 ist, bedeutet das, dass dieses Dokument |
| |
hat nicht gesehen, habe einen Fall dieses Wortes. |
| |
Also haben wir in der |
| |
XGBoost führt k-Faltungen und drei k-Faltungen durch und verwendet jeweils fünf Spalten. |
| |
Wir verwenden in diesem maschinellen Lernen das XGBoost-Baummodell, das ein Add-In für JMP Pro ist, und wir verwenden den DILI-Indikator |
| |
als Zielvariable und sie verwenden die DILI-Schlüsselwörter und auch die bevorzugten MedDRA-Begriffe, die mehr als 20 Mal aufgetaucht sind |
| |
zu...als Prädiktor. Dann verwenden wir eine Kreuzvalidierung mit XGBoost und anschließend eine 300-fache Interaktion. Jetzt haben wir statistische Leistungskennzahlen, wir erhalten die Bedeutung des Begriffs für DILI, |
| |
und wir können den Vorhersageprofiler für Interaktionen verwenden und auch die Vorhersageformel für die Vorhersage neuer Medikamente generieren und speichern. |
| |
Also gehe ich zur Demo. |
| |
Dies ist eine Beispieltabelle, die wir in der |
| |
in JMP. |
| |
Sie haben also drei Spalten. Im Wesentlichen haben Sie den Index, der eine Medikamenten-ID ist. Dann haben Sie die Warn- und Vorsichtshinweise, es hätte noch viel mehr enthalten können |
| |
Wörter, die es erschienen ist, also im Grunde alle Informationen für jedes Medikament haben. Jetzt haben Sie einen DILI-Indikator. Also machen wir die |
| |
Text Explorer zuerst. Wir haben Analyse, Sie gehen zum Text Explorer, Sie können diese |
| |
Eingabe, die einen Warn- und Vorsichtstext darstellt. Normalerweise können Sie hier verschiedene Dinge tun, Sie können die Zeichen minimieren, normalerweise gehen die Leute auf 2 oder andere Dinge. Oder Sie könnten die Stemming-Funktion oder den regulären Ausdruck verwenden und |
| |
machen alle Arten von |
| |
Formel und in unserer Einschränkung kann begrenzt werden. Zum Beispiel können Sie eine benutzerdefinierte |
| |
Regex, um alle Zahlen zu entfernen. Das heißt, wenn nur Zahlen vorhanden sind, können Sie diese entfernen. Da wir aber eine Liste verwenden, werden wir keine davon anfassen. Wir können einfach hier sagen: „Okay, |
| |
So, es kommt die ganze Liste von diesem, alles. Also, jetzt werde ich sagen, ich interessiere mich nur für |
| |
oh, für dieses hier können Sie ... Sie können zeigen, die |
| |
Wortwolke. |
| |
Und |
| |
wir wollen sagen, ich möchte es zentrieren |
| |
und ich möchte auch die Farbe. |
| |
Wenn Sie also diesen hier sehen, sehen Sie, dass der Patient so dominant ist, dann können Sie sagen, okay, das ist definitiv nicht der... |
| |
sollte nicht in der |
| |
in der Analyse. Also wähle ich einfach aus und klicke mit der rechten Maustaste auf „Stoppwort hinzufügen“. |
| |
Sie werden also sehen, dass diese entfernt werden und nicht mehr in Ihrer Liste und nicht mehr in der |
| |
Wortwolke. |
| |
Und jetzt möchte ich euch etwas zeigen, |
| |
Ich denke, das würde die Bereinigung beschleunigen, da es so viele andere Wörter im System gibt, die ich nicht brauche. Also wähle ich |
| |
und alles in das Stoppwort einfügen. |
| |
Also habe ich alles entfernt, außer dass ich nicht weiß, warum die „Aktion“ nicht entfernt werden kann. |
| |
Es reicht aber, wenn es nur eins gibt. Ich gehe also hierhin und wähle „Phrase verwalten“. Ich möchte meine Keywords importieren. Das Keyword muss nur eins haben... |
| |
ganz einfach. Der Titel, |
| |
Eine Datenspalte enthält nur die gesamte Namensliste. Ich importiere sie und füge sie lokal ein. Das wird meine lokale Bibliothek. Und ich sagte: „Okay.“ |
| |
Jetzt habe ich also nur das Schlüsselwort, das ich habe. |
| |
OK, das hier ist... Ich möchte die Analyse später durchführen. Und ich möchte alle in meine Analyse einbeziehen, da sie die Schlüsselwörter sind. Also gehe ich hierhin, das rote Dreieck, alles im Text-Explorer, versteckte Funktionen, versteckt in diesem |
| |
rotes Dreieck. Also sage ich, Matrix speichern. Also ich möchte eine haben und ich möchte 44 oben |
| |
in meiner Analyse. Ich sage okay. Sie werden also sehen, alles wird in meinem ... gespeichert. |
| |
zur Spalte, der Matrix. |
| |
Jetzt möchte ich noch einmal den Satz hinzufügen. Ich möchte auch importieren |
| |
diese bevorzugten Begriffe. |
| |
in die |
| |
meine Datenbank, meine lokalen Daten. |
| |
Dann möchte ich auch |
| |
eigentlich möchte ich lokal |
| |
Zu |
| |
also sage ich, okay. |
| |
So, jetzt habe ich die Mischung, beide |
| |
die bevorzugten Begriffe aus der MedDRA und auch meine Schlüsselwörter. So können Sie jetzt sehen, die |
| |
Sätze haben sich geändert. |
| |
Damit ich sie zu meiner Liste hinzufügen kann. Dasselbe gilt für meine sichere Termmatrix-Liste. Ich erhalte alle Zahlen... alle Begriffe, die ich aufnehmen möchte. Und was ich hier hervorheben möchte, ist, dass wir für diese Begriffe... die |
| |
Ein Modellformat. Dieser Modelltyp wird fortgesetzt. Ich möchte sie auf nominal umstellen. Warum, erkläre ich später. |
| |
So, jetzt habe ich, ich kann gehen zum |
| |
XGBoost, das im Add-In enthalten ist. Wir können die Spalten so falten, dass ich das tun kann. |
| |
Kreuzvalidierung. Ich kann einfach den Index verwenden. Standardmäßig beträgt die Anzahl der zu erstellenden k-fachen Spalten drei und die Anzahl der Falten (k) in jeder Spalte beträgt fünf. Wir verwenden einfach die Standardeinstellung. |
| |
Sagen wir: „Okay, es werden ganz schnell drei Spalten generiert. Und am Ende sehen Sie die Falte A, B, C, drei davon.“ |
| |
Wenn wir das also haben, dann haben wir ... |
| |
Eine andere Sache, die ich tun wollte, ist in der ... |
| |
So können wir |
| |
Wir können ein weiteres |
| |
Phrase |
| |
die alles hat...die alles haben in...diese Phrase hat alles, einschließlich der Schlüsselwörter und PT, aber ich möchte eine erstellen, die nur die |
| |
habe nur |
| |
habe nur die |
| |
den bevorzugten Begriff, aber nicht das Schlüsselwort, also kann ich diese Schlüsselwörter in die lokale Ausnahme einfügen und sagen: „Okay. Diese Wörter haben dann nur bevorzugte Begriffe, aber nicht das Schlüsselwort.“ |
| |
Schlüsselwörter. Auf diese Weise kann ich eine weitere Liste erstellen, eine weitere Liste der |
| |
Dokumentation |
| |
Worte als dieses, das ich haben möchte. Also |
| |
haben 1000, aber dieser Begriff hat nur 20. Was sie also tun werden, ist, dass sie gespeicherte Begriffe entweder erfüllen ... |
| |
habe mindestens |
| |
Wenn sie mehr als 20 Mal auftauchen oder 1000 Mal erreicht werden, wird einer von ihnen in meiner Liste angezeigt. |
| |
So, jetzt habe ich die Tabelle komplett, die die Schlüsselwörter enthält und auch die MedDRA-Begriffe, die mehr als 20 haben, mehr als 20 Mal vorkommen, jetzt habe ich auch die Spalte ???, die bereit ist für die Analyse für die |
| |
XGBoost. |
| |
Was ich jetzt tun kann, ist, zu XGBoost zu gehen. Ich kann gehen für |
| |
die Analyse jetzt. Was ich Ihnen zeigen werde, ist, dass ich diesen DILI-Indikator verwenden kann. Dann sind die X-Antworten alle meine Begriffe, die ich gerade für das Schlüsselwort hatte, und die |
| |
bevorzugte Wörter. Jetzt verwende ich die drei Validierungs |
| |
Klicken Sie anschließend auf OK, um die Ausführung zu starten. Die Ausführung dauert etwa fünf Minuten. Ich habe bereits ein Ergebnis, das ich Ihnen zeigen möchte. |
| |
Sie haben also... |
| |
So sieht es aus. |
| |
Das Tuning-Design. Und wir prüfen das. Sie haben |
| |
die tatsächliche wird eine gute Voraussetzung für Sie zu finden, um dies zu tun. Sie können auch, wenn Sie haben |
| |
So erfahren Ross Wolfinger auch ist, er wird hier reingehen und einige Bedingungen manuell ändern, dann bekommt man wahrscheinlich das beste Ergebnis. |
| |
Aber für die vielen Leute wie mich, die nicht viel Erfahrung mit XGBoost haben, würde ich lieber dieses Tuning-Design verwenden, als nur eine Maschine zu haben |
| |
Zuerst wähle ich aus, dann kann ich ein wenig anpassen, je nachdem, was ich hier tun muss. Das ist also das Ergebnis. Sie können das verwenden... Sie sehen hier |
| |
anders |
| |
Statistische Kennzahlen für Leistungskennzahlen für diese Modelle. Standardmäßig wird nur die Genauigkeit angezeigt. Sie können sie sortieren, indem Sie auf die Spalte klicken. Sie können sie sortieren und es gibt auch viele weitere beliebte Leistungskennzahlen wie |
| |
MCC, AUC, |
| |
RMSE, Korrelation. Sie werden alle angezeigt, wenn Sie darauf klicken. |
| |
Sie werden hier angezeigt. Was auch immer Sie brauchen oder welche Messung Sie durchführen möchten, Sie finden es immer hier. |
| |
Ich werde jetzt also sagen, dass ich in diesem Fall mehr als alles andere auf die Validierungsgenauigkeit vertraue. Ich möchte also nur das Topmodell sehen, sagen wir fünf Modelle. |
| |
Ich wähle hier also fünf Modelle aus. Dann gehe ich hierher und sage, ich möchte alle Show-Modelle entfernen. |
| |
Sie sehen hier also die fünf Modelle und dann können Sie einige Modelle sehen, obwohl die 19 beispielsweise grün ist, |
| |
Es ist nicht bis zur Hälfte fertig. Irgendwas stimmt nicht, etwas passt nicht zu diesem Modell. Ich möchte dieses Modell definitiv nicht verwenden, also kann ich andere wählen. Sagen wir, ich möchte dieses wählen |
| |
19, ich möchte das entfernen. Ich kann also sagen, ich möchte das versteckte entfernen. Also im Grunde alles, was Sie tun müssen. Wenn Sie also vergleichen, sehen Sie dies |
| |
Die Metriken unterscheiden sich eigentlich kaum. Ich möchte mich daher auf diese Grafik verlassen, um die beste für die jeweilige Leistung auszuwählen. |
| |
Dann wählen Sie das Richtige aus. Hier können Sie |
| |
sagen wir, ich mag das Modell 12, also kann ich hier gehen, sagen wir, ich möchte das tun |
| |
Profiler. |
| |
Dies ist also ein sehr mächtiges Tool, das meiner Meinung nach einzigartig für JMP ist. Nicht viele |
| |
Werkzeuge haben diese Funktion. Dies gibt Ihnen also die Möglichkeit, einzelne |
| |
Parameter auf aktive Weise und sehen Sie, wie sie das Ergebnis verändern. Diese beiden kamen beispielsweise in den DILI-Fällen am häufigsten vor. |
| |
Und Sie können sehen, dass die Steigung ziemlich steil ist. Das bedeutet, wenn Sie sie ändern, werden sie die Vorhersagen des Endergebnisses ziemlich stark beeinflussen. So können Sie sehen, wann die |
| |
Hepatitis und Gelbsucht sagen beide Null, Sie haben tatsächlich eine sehr geringe Wahrscheinlichkeit, an DILI zu erkranken. Das ist also ein geringer Fall für mögliche DILI-Fälle. Aber wenn Sie diese Zeile ändern, |
| |
auf die 1, können Sie sehen, dass die Chance, die Sie bekommen, höher ist. Und wenn Sie diese verschieben |
| |
noch höher. Sie haben also eine Möglichkeit, |
| |
analysieren, ob sie die |
| |
Was ist der Schlüssel |
| |
Parameter oder Prädiktoren, die Ihr Ergebnis beeinflussen. Und dafür sind einige von ihnen, sogar ihr Schlüsselwort, ziemlich flach. Das heißt, wenn Sie das ändern, wird es das Ergebnis nicht so stark beeinflussen. Also |
| |
Das ist also, und wir haben hier auch die Liste bereitgestellt, auf die Sie zugreifen können. |
| |
um zu sehen, was das Wichtigste ist |
| |
Funktionen zur Berechnung der Variablenvorhersage. Sie können hier also sehen, dass Gelbsucht und andere Dinge ziemlich wichtig sind. |
| |
Und für das Feature-Ergebnis: Sobald Sie die Daten erhalten haben, sind dies alle Ergebnisse, die wir haben. Und Sie können sagen: „Nun, was ... wie sieht es mit den neuen Dingen aus, die kommen?“ Ja, wir haben hier, Sie können sagen: „Ich möchte die Vorhersageformel speichern.“ |
| |
Und Sie können sehen, dass aktiv daran gearbeitet wird. Und dann sehen Sie am Ende der Tabelle die Vorhersage. Erinnern Sie sich, wir hatten eine... das war, sagen wir, nun ja, |
| |
das erste Medikament, das zweite war ziemlich vorherzusagen, es wird das |
| |
DILI-Fälle und die nächsten zwei, dritten, vierten und fünften lagen nahe Null. Also gehen wir zurück zu diesem DILI |
| |
Indikator und wir fanden heraus, dass sie tatsächlich aufgelistet sind. Die ersten fünf waren richtig. Falls Sie diesen Indikator nicht haben, wenn die neuen Daten eingehen, müssen Sie nicht alle Beschriftungen lesen. Sie führen das Modell aus. Sie können die Vorhersage sehen. Sie wussten so ziemlich, ob es |
| |
ob es sich um DILI-Fälle handelt oder nicht. |
| |
Also mein Deomo wäre |
| |
Hier ist Schluss, und jetzt werde ich ein Fazit ziehen. Wir verwenden den Text Explorer, um die Datenschlüsselwörter und MedDRA-Begriffe mithilfe von Stoppwörtern und Phrasenmanagement zu extrahieren, ohne |
| |
manuelle Auswahl, Löschung und Neukodierung. Daher verwenden wir eine Visualisierung und haben eine Dokumenttermmatrix zur Vorhersage erstellt. |
| |
Und wir nutzen maschinelles Lernen für die XGBoost-Modellierung und möchten XGBoost schnell ausführen, um das beste Modell zu finden und ein Vorhersageprofil zu erstellen. Und wir können auch die |
| |
Vorhersageformel zur Vorhersage neuer Fälle. |
| |
Danke. Und ich höre hier auf. |
