758468_ko-KR

liliconcom

FDA 온라인 라벨 저장소(2020-US-30MP-626)에서 고품질 정보 얻기

Wenjun Bao, 수석 과학자, JMP Life Sciences, SAS Institute Inc의 수석 관리자
Fang Hong 박사, 미국 식품의약국(FDA) 독성학 연구 센터
Zhichao Liu, 박사, 미국 국립 독성학 연구 센터, FDA
Weida Tong 박사, FDA 국립 독성학 연구 센터
Russ Wolfinger, JMP Life Sciences, SAS의 과학적 발견 및 유전체학 책임자

의약품 및 치료용 생물학적 제품의 시판 후 안전성 모니터링은 공중 보건 보호에 매우 중요합니다. 안전성 모니터링 절차를 원활하게 하기 위해 FDA는 FDA 온라인 라벨 저장소( FOLP )를 포함한 여러 데이터베이스 시스템을 구축했습니다. FOLP는 기업들이 FDA에 제출한 최신 의약품 목록 정보를 수집합니다. 하지만 수백 개의 의약품 라벨을 탐색하고 의미 있는 정보를 추출하는 것은 쉽지 않습니다. 사용하기 쉬운 소프트웨어 솔루션이 도움이 될 수 있습니다.

지난 50년 동안 안전 관련 약물 시장에서 가장 빈번하게 발생한 단일 원인은 약물 유발 간 손상(DILI)이었습니다. 본 발표에서는 JMP 텍스트 탐색기를 사용하여 DILI 지표가 포함된 462개 약물 라벨을 분석합니다. 약물 라벨의 경고 및 주의사항 섹션에 있는 용어와 구문은 DILI 키워드 및 MedDRA 용어와 매칭됩니다. JMP Pro용 XGBoost 추가 기능을 활용하여 용어 행렬을 이용한 XGBoost 예측 모델의 교차 검증을 통해 DILI 지표를 예측합니다. 결과는 유사한 접근 방식이 다른 약물 안전 문제를 분석하는 데에도 쉽게 사용될 수 있음을 보여줍니다.

자동 생성된 대본...

스피커	성적 증명서
올리비아 리핀콧	무엇
아름다우세요	이에 대해 이야기하게 되어 기쁩니다. FDA 약물 라벨링 시스템과 JMP 검색을 통해 고품질 정보를 얻으세요.
	오늘은 네 가지 부분에 대해 말씀드리겠습니다. 첫째, 의약품 시판 후 모니터링에 대한 배경 정보와 FDA 규제 기관 및 업계의 노력에 대해 설명드리겠습니다. 또한, 의약품 라벨 데이터 세트를 활용하겠습니다.
	JMP에서 텍스트 탐색기를 사용하여 텍스트를 분석하고 추가 기능도 사용합니다.
	JMP 추가
	XGBoost를 사용하여 이 DILI 정보를 분석한 후 결론을 내리고, JMP Discovery Summit에서는 Russ Wolfinger 박사가 진행하는 XGBoost 튜토리얼도 제공되므로 XGBoost에 관심이 있다면 튜토리얼을 참조하세요.
	따라서 약물 개발은 FDA의 약물 처리 설명에 따르면,
	5단계로 나눌 수 있으며, 첫 두 단계는 발견과 연구, 전임상 단계로 나눌 수 있습니다.
	동물 실험과 화학 스크리닝을 위한 단계부터 시작하여, 이후 세 단계에 걸쳐 인체를 대상으로 합니다. JMP는 JMP Genomics, JMP Clinical 등 세 가지 제품을 보유하고 있습니다.
	JMP와 JMP Pro는 신약 개발의 모든 단계를 포괄합니다. JMP Genomics는 오믹스 및 임상 바이오마커 선정에 사용할 수 있는 오믹스 시스템이며, JMP Clinical은 임상 시험에 특화된 솔루션입니다.
	약물 안전성 및 유효성에 대한 시판 후 모니터링을 지원합니다. 또한 JMP Pro는 약물 데이터 정리, 마이닝, 표적 식별, 제형 개발, DOE, QbD, 생물 검정 등에 사용할 수 있습니다. 따라서 모든 단계에서 사용할 수 있습니다.
	약물 개발.
	따라서 이 약물 개발에서 가장 흔한 단일 원인인 DILI는 실제로 임상 시험을 중단시킬 수 있습니다.
	해당 약물은 FDA 또는 기타 규제 기관의 승인을 거부당하거나, 시판 후 회수될 수 있습니다. 이것이 바로 DILI라고 불리는 가장 흔한 단일 원인이며, FDA 가이드 및 기타 과학 출판물에서 정보를 찾을 수 있습니다.
	DILI란 무엇인가요? 사실 이건 약물로 인한 간 손상이에요.
	DILI라고 불리는 FDA가 있는데, 10년 이상 전인 2009년에 DILI에 대한 가이드를 출판했습니다.
	FDA는 임상 연구자를 대상으로 수년간의 DILI 교육을 제공하여 평가 및 후속 조치를 실시하고 있으며, 해당 정보는 오늘날에도 온라인에서 확인할 수 있습니다.
	그리고 작년에 FDA가 주최한 컨퍼런스도 있었습니다. 그리고 물론 DILI의 경우, 피험자나 환자가 DILI 사례를 어떻게 정의하는지에 대한 Hy의 법칙이 포함되어 있습니다.
	FDA 지침.
	따라서 임상 시험을 위한 DILI 평가에 대한 예는 다음과 같습니다. 임상 시험에서,
	JMP 임상에서 하이의 법칙에 따르면, 하이의 법칙은 여러 간 효소가 특정 수치까지 상승할 때 발생하는 복합적인 조건입니다.
	그렇다면 하이의 법칙(Hy's Law) 사례가 있을 가능성이 있다고 생각하실 겁니다. 즉, 간 손상이 있을 가능성이 있다는 뜻입니다. 여기서는 색상을 사용하여
	Hy의 법칙이 적용될 수 있는 사례에서 빨간색은 '예', 파란색은 '아니요'입니다. 또한 각 라운드와 삼각형은 다른 처리군에서 추출되었습니다. JMP 버블 플롯을 사용하여
	임상 시험 기간 동안 시간이 지남에 따라 효소 수치가 상승합니다. 15일 동안은 일반적인 수치입니다. 그 다음에는
	주제, 시작은 꽤 정상적이었습니다. 그런 다음 그들은 간 효소 수치가 높아지는 것을 보고 잠재적으로
	DILI 가능한 사례.
	따라서 FDA는 실제로 두 개의 주요 데이터베이스를 보유하고 있으며, 이를 통해 시판 후 문제를 처리할 수 있습니다.
	약물 안전 모니터링입니다. 하나는 약물 라벨이며, 이 데이터베이스에서 데이터를 가져옵니다. 다른 하나는 FDA 부작용 보고 시스템입니다.
	그런 다음 그들은 NIH와 NCBI에서 매우 적극적으로 참여했습니다.
	LiverTox를 만들었고 많은 정보를 가지고 있으며, DILI도 처리합니다. 그리고 FDA에는 Liver Toxic이라는 또 다른 데이터베이스가 있습니다.
	지식 기반과 저희 공동 연구자인 통 박사님이 이 프레젠테이션에 참여하셨습니다. 그분들은 DILI에 대한 풍부한 지식을 가지고 있으며, 공공 정보를 위한 이 특정 데이터베이스를 구축했습니다.
	약 라벨이요. 아마 처방약을 살 때 다들 한 번쯤은 보셨을 거예요. 약과 함께 그 큼지막한 종이가 와요.
	그래서 그들은 또한 아주 작은 글씨로 된 단어들을 가지고 있습니다. 때로는 너무 작아서 읽을 수 없을 때도 있지만, 이 약에 대한 많은 유용한 과학적 정보를 담고 있습니다.
	그러면 오늘 제 발표와 관련된 두 가지 포션을 말씀드리겠습니다. 경고와 주의사항이라는 섹션입니다. 기본적으로 약물 부작용과 관련된 모든 정보를 포함해서
	이 두 섹션에 경고가 표시됩니다. 그리고 이 약은 실제로
	2,000단어가 넘는 단어로 경고와 주의사항을 설명하고 있습니다. 다행히 모든 약이 그렇게 많은 부작용이나 이상 반응을 보이는 것은 아닙니다. 이런 약들 중에는
	메트포르민 중 하나에는 실제로 경고 및 주의사항을 위한 작은 섹션이 있습니다. 이전 버전의 약품 라벨에는 경고 및 주의사항이 별도의 섹션에 있었지만, 새 버전에는 모두 하나로 통합되어 있습니다. 그래서 이 부분은 새 버전에 있는... 두 가지가 있습니다.
	섹션을 함께 살펴보겠습니다. 하지만 이 제품은 부작용이 훨씬 적습니다. FDA는 JMP와 JMP 임상을 활용하여 안전성 분석을 수행했으며, 실제로 약물 라벨에 기재된 모든 부작용을 최종적으로 확인하는 데 도움을 드리고 있습니다.
	이건 오늘 발표된 데이터입니다. FDA 연구원들이 추출한 462개 의약품 라벨의 경고 및 주의 사항 섹션을 활용하고 있는데, 방금 그들로부터 받았습니다.
	그리고 DILI 지표는 각 약물에 할당되었습니다. 1은 '예'이고 0은 '아니요'입니다. 따라서 이 분포를 보면 다음과 같습니다.
	약 164개의 약물이 있습니다
	잠재적인 DILI 사례와 298 사례는 다르며 약물 라벨 데이터의 원래 형식은 XML 형식이고 JMP를 통해 한 번에 여러 개를 가져올 수 있습니다.
	DILI 키워드는 FDA가 수년간 노력하여 이 키워드 목록을 만든 것입니다. 그런 다음 전문가가 수백 개의 약품 라벨을 읽고 잠재적으로 DILI 사례가 될 수 있는 항목을 결정했습니다. 그래서 그들은 다음과 같은 키워드 목록을 만들었습니다.
	키워드로 표시될 약 44개의 단어 또는 용어, 약물에 표시될
	DILI 사례일 수도 있고요. 그리고 규제 활동을 위한 의학 사전인 MedDRA에 대해서도 들어보셨을 겁니다. MedDRA는 여러 단계의 표준화된 용어를 가지고 있는데, 가장 인기 있는 용어는 선호 용어입니다. 오늘 이 용어를 사용해 보겠습니다.
	그래서
	경고 및 예방 조치를 모두 함께 살펴보면 12,000개 이상의 용어가 있다는 것을 알 수 있습니다.
	경고 및 예방 조치 섹션을 살펴보세요. "환자"와 "할 수 있음"이 지배적인 것을 알 수 있습니다.
	made not... 이 경우 의료 사례 및 의료 정보와 관련이 없어야 합니다. 따라서 이 부분을 제거하면, 이 단어에서 다른 단어가 그렇게 우세하지 않다는 것을 알 수 있습니다.
	클라우드지만, "사용"과 "보도됨"과 같이 의학과 관련 없는 단어가 많이 있어서 그걸 넣을 수 있을 것 같아요...
	분석 목록에서 제거할 수 있습니다. 텍스트 탐색기에서 중지어에 추가할 수 있으며, 일반적으로
	다양한 텍스트 탐색기 기술로는 어간 추출, 토큰화, 정규식, 재코딩 및 수동 삭제가 있습니다.
	목록을 정리하려고요. 하지만 12,000개의 용어가 있어서 시간이 많이 걸릴 수도 있습니다.
	하지만 우리가 관심 있는 목록이 있으므로, 이 시스템의 용어에서 우리가 관심 있는 것이 무엇인지 이미 알고 있다는 점을 활용하고 싶습니다.
	그래서 우리가 할 일은, 데모에서 보여드릴 것은, DILI 키워드만 사용하고 MedDRA에서 선호하는 용어를 추가하여 흥미로운 용어와 구문을 생성하여 예측을 수행하는 것입니다.
	DILI 키워드만 사용한 예시를 보여드리겠습니다. 그러면 여기 모든 것이 표시되고, 목록에서도 확인할 수 있습니다. 카운트 번호가 있습니다.
	각 용어에 대해 측면에 표시되어 있으며 해당 용어가 반복되는 횟수입니다.
	경고 및 예방 섹션도 있으며 더욱 다채롭고 더 많은 것을 볼 수 있습니다.
	월드 클라우드의 그래픽을 사용하여 패턴을 인식했습니다. 그리고 의학 용어를 추가했는데, 의학 관련 용어였습니다. 그래서 12,000개였던 용어가 DILI 키워드와 의학 선호 용어를 포함하여 1,190개로 줄었습니다. 이것이 좋은 방법이 될 것이라고 생각합니다.
	분석을 시작하기 위해 먼저 용어 목록을 살펴보겠습니다.
	그래서 우리가 하는 일은 다음과 같습니다.
	JMP 텍스트 탐색기에서 용어...문서 용어 행렬을 저장할 수 있습니다. 즉, 1이면 이 문서에서 해당 용어를 본 것을 의미하고, 0이면 이 문서를 의미합니다.
	본 적이 없고, 이 단어의 사례가 없습니다.
	그래서 우리는,
	XGBoost는 k 폴드를 만들고, 3개의 k 폴드는 각각 5개의 열을 사용합니다.
	그래서 우리는 이 기계 학습에서 JMP Pro에 추가된 XGBoost 트리 모델을 사용하고 DILI 지표를 사용합니다.
	대상 변수로 DILI 키워드와 20회 이상 나타난 MedDRA 선호 용어를 사용합니다.
	예측 변수로... 그런 다음 XGBoost 교차 검증을 사용하고 300회 반복합니다. 이제 통계적 성능 지표를 얻었고, DILI에 대한 용어 중요도를 얻습니다.
	예측 프로파일러를 사용해 상호작용을 파악할 수 있고, 새로운 약물 예측을 위한 예측 공식을 생성하고 저장할 수도 있습니다.
	그래서 저는 데모에 갈 거예요.
	그래서 이것은 우리가 얻은 샘플 테이블입니다.
	JMP에서.
	세 개의 열이 있습니다. 기본적으로 약물 ID인 색인이 있고, 그다음 경고 및 주의 사항이 있는데, 훨씬 더 많은 내용을 포함할 수 있습니다.
	단어가 등장했으니, 기본적으로 각 약물에 대한 모든 정보를 갖게 됩니다. 이제 DILI 지표가 생겼습니다. 그래서 우리는
	먼저 텍스트 탐색기를 사용하세요. 분석이 있으면 텍스트 탐색기로 이동하여 사용할 수 있습니다.
	입력은 경고 및 예방 조치 텍스트입니다. 일반적으로 여기에서 다양한 작업을 수행할 수 있습니다. 문자를 최소화하거나, 보통 2로 이동하거나 다른 작업을 수행할 수 있습니다. 또는 어간 추출을 사용하거나 정규 표현식을 사용할 수도 있습니다.
	모든 종류의 일을 하다
	수식과 제한 사항은 제한될 수 있습니다. 예를 들어, 사용자 정의를 사용할 수 있습니다.
	모든 숫자를 제거하는 정규식을 사용하세요. 숫자만 있는 경우, 해당 숫자는 제거할 수 있지만, 목록을 사용할 것이므로 해당 숫자는 건드리지 않고 여기에 "알겠습니다"라고 입력하면 됩니다.
	그래서 이 모든 것의 목록이 나왔습니다. 이제 제가 말하고 싶은 건, 제가 신경 쓰는 건
	아, 이거는 할 수 있어요... 보여줄 수 있어요
	단어 구름.
	그리고
	우리는 그것을 중앙에 두고 싶다고 말하고 싶습니다
	그리고 색깔도 원해요.
	그러니까 이걸 보세요. 환자가 너무 우세한 걸 보면, 이건 확실히... 아니라고 말할 수 있죠...
	~에 있어서는 안 된다
	분석할 때요. 그래서 그냥 '불용어 추가'를 선택하고 마우스 오른쪽 버튼을 클릭하세요.
	따라서 목록에서 제거되고 더 이상 표시되지 않으며 더 이상 표시되지 않습니다.
	단어 구름.
	그래서 이제 내가 당신에게 보여주고 싶은 것이 있습니다.
	그러면 정리 속도가 빨라질 것 같아요. 시스템에 필요 없는 다른 단어가 너무 많을 수도 있거든요. 그래서 저는 실제로
	그리고 모든 것을 정지어에 넣어보세요.
	그래서 모든 것을 제거했는데, 왜 "작업"만 제거할 수 없는지 모르겠습니다.
	그리고 하나뿐이어도 괜찮아요. 그래서 저는 여기로 갑니다. '구문 관리'라고 했고, 키워드를 가져오고 싶습니다. 키워드는 그냥...
	아주 간단하죠. 제목은,
	한 열 데이터에 이름 목록만 전부 있습니다. 그래서 그걸 가져와서 로컬에 붙여넣습니다. 이게 제 로컬 라이브러리가 될 겁니다. 그리고 "좋아요"라고 말했습니다.
	그래서 지금은 내가 가지고 있는 키워드만 있습니다.
	좋아요, 이제 이건... 나중에 분석하고 싶어요. 그리고 키워드이기 때문에 모두 분석에 포함시키고 싶어요. 그래서 여기, 빨간색 삼각형, 텍스트 탐색기의 모든 것, 숨겨진 함수, 여기에 숨겨진 함수로 들어갑니다.
	빨간색 삼각형. 그래서 매트릭스를 저장해야 한다고 말했어요. 그래서 하나를 갖고 싶고 44개까지 원해요.
	제 분석에서요. 알겠습니다. 보시다시피, 모든 내용이 제...에 저장됩니다.
	열, 즉 행렬로.
	이제 제가 추가하고 싶은 것은 문구를 한 번 더 추가하고 싶은 것입니다. 또한 가져오고 싶습니다.
	선호하는 용어.
	으로
	내 데이터베이스, 내 로컬 데이터.
	그럼 또 나도 하고 싶은데
	사실, 나는 지역적으로 원한다
	에게
	그래서 내가 알겠다고 했죠.
	이제 나는 두 가지 모두를 혼합했습니다.
	MedDRA에서 선호하는 용어와 키워드도 있습니다. 이제
	문구가 바뀌었습니다.
	제 목록에 추가할 수 있도록 말이죠. 제 안전 용어 행렬 목록에도 같은 작업을 해서 모든 숫자, 제가 포함하고 싶은 모든 용어를 가져오세요. 그리고 여기서 제가 지적하고 싶은 한 가지는 이 용어들에 대해... 우리는 바꿔야 한다는 것입니다.
	하나의 모델 형식입니다. 이 모델 유형은 계속 유지됩니다. 이 모델들을 명목형으로 변경하고 싶습니다. 이유는 나중에 말씀드리겠습니다.
	그래서 이제 나는 갈 수 있어요
	추가 기능에 있는 XGBoost입니다. 우리는...k를 접어서 내가 할 수 있는 일을 확실히 할 수 있습니다.
	교차 검증입니다. 인덱스만 사용할 수 있고, 기본적으로 k 폴드 열의 개수는 3이고 각 열에 포함되는 폴드의 개수(k)는 5이므로 기본값을 사용합니다.
	"좋아요, 세 개의 열이 정말 빠르게 생성됩니다." 그리고 마지막에는 A, B, C, 이렇게 세 개의 폴드가 표시됩니다.
	그러니까 그걸 얻었고, 그 다음에는...
	제가 하고 싶었던 또 다른 일은...
	그래서 우리는 할 수 있습니다
	우리는 또 다른 것을 만들 수 있습니다
	구절
	모든 것을 포함하는... 모든 것을 포함하는... 이 구문에는 키워드와 PT를 포함하여 모든 것이 있지만, 나는 단지 하나만 포함하는 구문을 만들고 싶습니다.
	오직 가지고 있다
	단지 가지고있다
	선호 용어는 있지만 키워드는 없는 경우, 해당 키워드를 로컬 예외에 추가하고 "좋아요"라고 말할 수 있습니다. 그러면 해당 단어는 선호 용어만 있고 키워드는 없습니다.
	키워드. 이렇게 하면 다른 목록을 만들고 다른 목록을 저장할 수 있습니다.
	선적 서류 비치
	이 단어보다 더 많은 단어를 원해요. 그래서
	1000개가 있는데, 이 항목에는 20개만 있습니다. 그래서 그들이 하는 일은 저장된 항목이 충족되는지 확인하는 것입니다...
	최소한 가지고있다
	20회 이상 등장하거나 1000회에 도달하면 그 중 어느 것이 내 목록에 표시되나요?
	이제 키워드가 포함된 테이블이 완성되었고 20개 이상 나타나는 MedDRA 용어도 20회 이상 표시되며 분석을 위해 준비된 ??? 열도 있습니다.
	XGBoost.
	그래서 지금 내가 할 수 있는 일은 XGBoost로 가는 것입니다.
	이제 분석을 보여드리겠습니다. 제가 보여드릴 것은 이 DILI 지표를 사용할 수 있다는 것입니다. 그러면 X 응답은 키워드에 대해 제가 방금 가지고 있던 모든 용어이고
	선호하는 단어입니다. 이제 세 가지 검증 방법을 사용합니다.
	그런 다음 확인을 클릭하여 실행하세요. 실행하는 데 약 5분 정도 걸립니다. 그래서 보여드리고 싶은 결과가 이미 나왔습니다.
	그래서 당신은...
	이게 그 모습입니다.
	튜닝 디자인. 그리고 우리가 이걸 확인해 볼게요. 당신은
	실제로는 당신이 그렇게 할 수 있는 좋은 조건을 찾을 것입니다. 또한, 당신이 가지고 있다면
	로스 울핑거가 아무리 많은 경험을 가지고 있다 하더라도, 그는 여기 들어가서 수동으로 몇 가지 조건을 변경하면 아마도 가장 좋은 결과를 얻을 수 있을 것입니다.
	하지만 저처럼 XGBoost에 대한 경험이 많지 않은 많은 사람들에게는 그냥 기계를 사용하는 것보다 이 튜닝 디자인을 사용하는 것이 더 좋습니다.
	먼저 저를 위해 선택해 주세요. 그런 다음 들어가서 약간 조정할 수 있습니다. 여기서 제가 해야 할 일에 따라 달라집니다. 이게 우리가 얻은 결과입니다. 여기서... 보시다시피
	다른
	이 모델의 성능 지표에 대한 통계 지표를 제공하며, 기본값은 정확도만 표시되며, 열을 클릭하여 정렬 기준을 적용할 수 있습니다. 정렬 기능을 사용할 수 있으며, 다음과 같은 다른 인기 성능 지표도 많이 있습니다.
	MCC, AUC,
	RMSE, 상관관계. 클릭하면 모두 표시됩니다.
	여기에 표시됩니다. 필요한 것이 무엇이든, 측정하고 싶은 것이 무엇이든, 항상 여기에서 찾을 수 있습니다.
	이제 이 사례에서는 검증 정확도를 다른 무엇보다 중요하게 생각해서 사용하려고 합니다. 상위 모델, 예를 들어 다섯 개 정도의 모델만 보고 싶습니다.
	여기서는 다섯 개의 모델을 선택합니다. 그런 다음 여기로 가서 모든 쇼 모델을 제거하고 싶다고 가정합니다.
	그래서 여기 5개의 모델을 볼 수 있고, 19가 녹색이더라도 몇몇 모델을 볼 수 있습니다.
	중간까지 끝나지 않아요. 뭔가 잘못됐어요. 이 모델에 적합하지 않은 것 같아요. 다른 모델도 선택할 수 있도록 저 모델을 절대 사용하고 싶지 않아요. 예를 들어 이걸 선택하고 싶다고 해 봅시다.
	19, 저거 없애고 싶어요. 그러니까 숨겨진 것도 없애고 싶다고 할 수 있죠. 그러니까 기본적으로는 그냥 필요한 대로 하면 돼요. 비교해 보면, 이거 보여요.
	지표는 사실 크게 다르지 않습니다. 그래서 이 그래픽을 참고해서 최적의 성과를 내는 방법을 선택하고 싶습니다.
	그럼 좋은 것을 선택하세요. 여기로 가실 수 있습니다.
	예를 들어, 모델 12가 마음에 들어서 여기로 갈 수 있고, 하고 싶은 것이 있다면
	프로파일러.
	그래서 이건 정말 강력한 도구라고 생각해요. JMP만의 독특한 기능이라고 생각해요.
	도구에는 이 기능이 있습니다. 따라서 이를 통해 개별 항목을 살펴볼 수 있습니다.
	매개변수를 활성 방식으로 적용하고 결과에 어떤 영향을 미치는지 살펴보세요. 예를 들어, 이 두 가지는 DILI 사례에서 가장 자주 나타났습니다.
	그리고 기울기가 꽤 가파르다는 것을 알 수 있는데, 이는 기울기를 변경하면 최종 결과 예측에 상당한 영향을 미친다는 것을 의미합니다. 따라서
	간염과 황달은 둘 다 0으로 표시되어 있습니다. 실제로 DILI를 받을 가능성은 매우 낮습니다. DILI 발생 가능성도 소문자로 표시됩니다. 하지만 이 줄을 바꾸면,
	1로 이동하면 확률이 더 높아집니다. 그리고 그 위치를 이동하면
	더 높아집니다. 그래서 당신은 방법이 있을 것입니다
	분석해 보면, 그것이라면
	열쇠는 뭐야?
	매개변수나 예측 변수가 결과에 영향을 미칩니다. 그리고 이 경우, 일부 매개변수, 심지어 키워드조차도 상당히 균일합니다. 즉, 매개변수나 예측 변수를 변경하더라도 결과에 큰 영향을 미치지 않는다는 뜻입니다.
	그래서 이것이 있고 또한 우리는 여기에 당신이 얻을 수 있는 목록을 제공했습니다.
	가장 중요한 것이 무엇인지 알아보려고
	변수 예측을 계산하는 특징입니다. 여기 황달이 있고 다른 것들이 꽤 중요한 것을 볼 수 있습니다.
	그리고 피처 결과에 대해서는, 데이터를 입력하면, 우리가 얻은 모든 결과가 여기에 있습니다. 그리고 "음, 그럼... 앞으로 나올 새로운 기능은 어떨까요?"라고 말할 수 있습니다. 네, 여기 있습니다. "예측 공식을 저장하고 싶습니다."라고 말할 수 있습니다.
	그리고 그것이 적극적으로 진행되고 있음을 보실 수 있습니다. 그리고 표의 마지막 부분에서는 예측을 보실 수 있습니다. 자, 기억하시죠? 하나는... 음, 음...
	첫 번째 약물, 두 번째 약물은 거의 예상대로 될 것입니다.
	DILI 사례가 있었고, 그 다음 두 건, 세 번째, 네 번째, 그리고 다섯 번째 건은 거의 0건이었습니다. 그래서 이 DILI로 돌아가 보겠습니다.
	지표를 확인했고, 실제로 나열된 것을 확인했습니다. 처음 다섯 개는 맞는 것이었습니다. 따라서 새로운 데이터가 들어올 때 이 지표가 없다면, 모든 라벨을 읽을 필요가 없습니다. 모델을 실행하면 예측 결과를 볼 수 있습니다. 거의 모든 것을 알고 계셨을 겁니다.
	DILI 사례인지 아닌지.
	그래서 내 데모는 다음과 같습니다.
	여기서 끝내고 이제 결론을 내리겠습니다. 텍스트 탐색기를 사용하여 불용어 및 구문 관리를 사용하지 않고 데이터 키워드와 MedDRA 용어를 추출합니다.
	수동으로 선택, 삭제, 재코딩을 수행했습니다. 따라서 시각화를 활용하고 예측을 위한 문서 용어 행렬을 만들었습니다.
	또한 XGBoost 모델링을 위한 머신 러닝을 활용하고, XGBoost를 빠르게 실행하여 최적의 모델을 찾고 예측 프로파일을 수행하고자 합니다. 또한,
	새로운 사례를 예측하기 위한 예측 공식입니다.
	감사합니다. 여기서 멈추겠습니다.

기본 데이터 분석 및 모델링소비자 및 시장 조사데이터 액세스데이터 탐색 및 시각화실험 설계대량 맞춤화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 전달