| Vocero |
Transcripción |
| Olivia Lippincott |
Qué |
| eres hermoso |
Es un placer para mí hablar sobre esto: obtener información de alta calidad del sistema de etiquetado de medicamentos de la FDA y del descubrimiento del JMP. |
| |
Hoy voy a hablar de cuatro partes. En la primera, daré información general sobre el monitoreo poscomercialización de medicamentos y el esfuerzo de la agencia reguladora de la FDA y la industria. Además, usaré un conjunto de datos de etiquetas de medicamentos. |
| |
para analizar el texto y usar el Explorador de texto en JMP y también usar el complemento |
| |
Complemento JMP |
| |
XGBoost para analizar esta información DILI y luego dar la conclusión y también el tutorial de XGBoost del Dr. Russ Wolfinger también está presente en esta JMP Discovery Summit, así que vaya a su tutorial si está interesado en XGBoost. |
| |
Entonces, el desarrollo del fármaco, según la descripción de la FDA para el procesamiento del fármaco, |
| |
Se puede dividir en cinco etapas y las dos primeras etapas, descubrir e investigar preclínicamente, muchas en el |
| |
En el estudio animal y el análisis químico, y luego, en tres etapas posteriores, se involucra al ser humano. JMP cuenta con tres productos: JMP Genomics, JMP Clinical, |
| |
JMP y JMP Pro han cubierto todas las etapas del descubrimiento de fármacos. JMP Genomics es el sistema ómico que puede utilizarse para la selección de biomarcadores ómicos y clínicos, y JMP Clinical es específico para ensayos clínicos. |
| |
y la monitorización poscomercialización para la seguridad y eficacia del fármaco. Además, JMP Pro puede utilizarse para la limpieza de datos de fármacos, la minería de datos, la identificación de dianas, el desarrollo de formulaciones, la DOE, la QbD, el bioensayo, etc. Por lo tanto, puede utilizarse en cada etapa del proceso. |
| |
El desarrollo de fármacos. |
| |
Entonces, en este desarrollo de fármacos, hay una causa única más frecuente, llamada DILI, que en realidad se puede detener durante el ensayo clínico. |
| |
El medicamento puede ser rechazado para su aprobación por la FDA u otra agencia reguladora, o ser retirado del mercado una vez comercializado. Esta es la causa única más frecuente, denominada DILI, y puede encontrarse información en la guía de la FDA y otras publicaciones científicas. |
| |
¿Qué es la DILI? Se trata de una lesión hepática inducida por fármacos. |
| |
Se llama DILI y la FDA, hace casi más de 10 años, en 2009, publicó una guía para DILI, |
| |
Cómo realizar la evaluación y el seguimiento: la FDA ofrece varios años de formación en DILI para el investigador clínico, y esa información todavía se puede encontrar en línea hoy en día. |
| |
Y tienen conferencias, también organizadas por la FDA, el año pasado. Y, por supuesto, para el DILI, cómo se define el sujeto o paciente que podría tener un caso DILI, tienen la Ley de Hy que está incluida en el... |
| |
Orientación de la FDA. |
| |
Así que aquí hay un ejemplo de la evaluación DILI para el ensayo clínico, aquí en el ensayo clínico, |
| |
En el JMP Clínico, según la Ley de Hy. Por lo tanto, la Ley de Hy es la condición de combinación para las diversas enzimas hepáticas cuando se elevan a un nivel determinado. |
| |
Entonces uno pensaría que se trataría de posibles casos de la Ley de Hy. Por lo tanto, potencialmente existe ese daño hepático. Aquí usamos el color para identificar... |
| |
Posibles casos de la Ley de Hy: el rojo indica un sí, el azul un no. Además, los diferentes círculos y triángulos corresponden a diferentes grupos de tratamiento. También utilizamos un gráfico de burbujas JMP para mostrar... |
| |
Las elevaciones de enzimas a lo largo del tiempo... durante el período del ensayo clínico. Esto es típico. Son 15 días. Luego está... |
| |
El tema comenzó con bastante normalidad. Luego se vuelven un poco locos. Un nivel alto de enzima hepática indica que potencialmente... |
| |
Posibles casos de DILI. |
| |
Entonces, la FDA tiene dos bases de datos principales, que en realidad pueden manejar la información posterior a la comercialización. |
| |
Monitoreo de la seguridad de los medicamentos. Uno es la etiqueta del medicamento, cuyos datos se obtendrán de esta base de datos. Otro es el Sistema de Notificación de Eventos Adversos de la FDA. |
| |
Luego están los NIH y el NCBI, que han participado activamente. |
| |
Desarrollamos este LiverTox y tenemos mucha información sobre el DILI. La FDA tiene otra base de datos llamada LiverTox. |
| |
Base de Conocimiento. El Dr. Tong, nuestro colega, dirigió esta presentación. Posee amplios conocimientos sobre el DILI y creó esta base de datos específica para información pública. |
| |
Etiqueta del medicamento. Probablemente todos la hayan visto al comprar un medicamento con receta. Viene con ese papelito con palabras. |
| |
Entonces, también vienen con una fuente diminuta que, aunque a veces es demasiado pequeña para leer, contiene mucha información científica útil sobre este medicamento. |
| |
Dos secciones relacionadas con mi presentación de hoy son las advertencias y precauciones. Básicamente, toda la información sobre el efecto adverso del medicamento y cualquier otra necesidad... |
| |
Tenga cuidado con estas dos secciones. Y este medicamento en realidad tiene... |
| |
Más de 2000 palabras describen las advertencias y precauciones. Y, afortunadamente, no todos los medicamentos tienen tantos efectos secundarios o efectos adversos. Algunos medicamentos como este, |
| |
Una de las metforminas tiene una pequeña sección para advertencias y precauciones. La versión anterior de la etiqueta del medicamento tiene advertencias y precauciones en secciones separadas, y la nueva las presenta juntas. En la nueva versión, estas dos... |
| |
Secciones juntas. Pero este tiene muchos menos efectos secundarios. Por eso, JMP y el equipo clínico de JMP han recurrido a la FDA para realizar el análisis de seguridad y, de hecho, ayudamos a finalizar cada evento adverso indicado en las etiquetas de los medicamentos. |
| |
Estos son los datos que se presentaron hoy. Utilizamos la sección de advertencias y precauciones de las 462 etiquetas de medicamentos, extraídas por los investigadores de la FDA y que acabo de obtener de ellos. |
| |
Y se asignó el indicador DILI a cada fármaco. 1 es sí y cero es no. Así que, a partir de esta distribución, se puede ver que hay... |
| |
aproximadamente uno...164 medicamentos tiene |
| |
casos potenciales de DILI y 298 no lo hacen y el formato original de los datos de la etiqueta del medicamento está en formato XML y JMP puede importarlos de una vez. |
| |
Para las palabras clave DILI, la FDA invirtió muchos años en elaborar esta lista. Luego, un experto leyó cientos de etiquetas de medicamentos y decidió cuáles podrían convertirse en casos DILI. Así, elaboraron... |
| |
Aproximadamente 44 palabras o términos que se indicarán como palabra clave para el medicamento. |
| |
Podrían ser los casos de DILI. Quizás también hayan oído hablar de MedDRA, un diccionario médico para actividades regulatorias. Ofrecen diferentes niveles de términos estandarizados, y el más popular es el término preferido. Hoy lo usaré. |
| |
Así que en el |
| |
Advertencia y precaución, puedes ver si juntamos todo, tienes más de 12.000 términos en el |
| |
Sección de advertencias y precauciones. Se puede ver que "pacientes" y "pueden" son dominantes. |
| |
"hecho no..." no debería estar relacionado con los casos médicos ni con la información médica de este caso. Así que podemos eliminarlo; se puede ver que ninguna otra palabra es tan dominante en esta palabra. |
| |
nube, pero aún tiene muchas palabras no relacionadas con la medicina, como "uso" y "reportado", que podríamos incluir... |
| |
Podríamos eliminarlos de nuestra lista de análisis. Así, en el Explorador de texto, podemos incluirlos en la palabra vacía. Normalmente también usábamos... |
| |
Las diferentes tecnologías de Text Explorer incluyen la derivación, la tokenización, la expresión regular, la recodificación y la eliminación manual. |
| |
Limpiar la lista. Pero tenía 12.000 términos, así que podría llevar mucho tiempo. |
| |
Pero como ya tenemos la lista que nos interesa, queremos aprovechar que ya sabemos cuáles son los términos que nos interesan en este sistema. |
| |
Entonces lo que haremos, y les mostraré en la demostración, es que solo usaremos las palabras clave DILI, más el término preferido de MedDRA para generar los términos interesantes y las frases para hacer la predicción. |
| |
Aquí está el ejemplo que vimos usando solo las palabras clave DILI. Aquí se ve todo, incluso en la lista. Hay un número de recuento. |
| |
Se muestra al lado para cada uno de los términos, cuántas veces se repiten en el |
| |
sección de advertencias y precauciones y también puedes ver más colorido, más |
| |
Gráfico en la nube mundial para que se reconozca un patrón. Y luego agregamos los términos médicos, es decir, los términos relacionados con la medicina. Así que se ha reducido de 12,000 términos a 1190, incluyendo palabras clave DILI y términos médicos preferidos. Creemos que esto sería bueno. |
| |
Lista de términos para empezar a realizar nuestro análisis. |
| |
Entonces lo que hacemos es en el |
| |
JMP Text Explorer: podemos guardar la matriz de términos del documento. Esto significa que si ve 1, significa que este documento ha visto este término; si es 0, significa que este documento... |
| |
no ha visto, tiene un caso de esta palabra. |
| |
Así que nosotros, en el |
| |
XGBoost hará k pliegues y tres k pliegues, y utilizará cada uno con cinco columnas. |
| |
Entonces, en este aprendizaje automático, usamos el modelo de árbol XGBoost, que se agrega a JMP Pro, y usamos el indicador DILI. |
| |
como variable objetivo y utilizan las palabras clave DILI y también los términos preferidos de MedDRA que han aparecido más de 20 veces |
| |
Como predictor. Luego, usamos una validación cruzada con XGBoost y la iteramos 300 veces. Ahora, obtenemos métricas de rendimiento estadístico y la importancia del término para DILI. |
| |
Y obtenemos, podemos usar el generador de perfiles de predicción para interacciones y también podemos generar y guardar la fórmula de predicción para la predicción de nuevos fármacos. |
| |
Así que voy a la demostración. |
| |
Así que esta es una tabla de muestra que obtuvimos en el |
| |
en JMP. |
| |
Tiene tres columnas. Básicamente, tiene el índice, que es la identificación del medicamento. Luego, tiene las advertencias y precauciones, que podrían contener mucho más. |
| |
palabras que han aparecido, así que básicamente tenemos toda la información de cada fármaco. Ahora tenemos un indicador DILI. Así que hacemos... |
| |
Primero, el Explorador de texto. Tenemos análisis. Vaya al Explorador de texto y podrá usarlo. |
| |
Entrada, que es un texto de advertencia y precaución. Normalmente, se pueden hacer diferentes cosas aquí: minimizar caracteres, pasar al 2 o hacer otras cosas. También se puede usar la lematización o la expresión regular. |
| |
hacer todo tipo de |
| |
La fórmula y nuestra limitación pueden ser limitadas. Por ejemplo, puedes usar una personalización. |
| |
Expresión regular para eliminar todos los números. Si solo se trata de un número, se pueden eliminar, pero como usaremos una lista, no tocaremos ninguno. Podemos ir aquí y decir: |
| |
Así que surgió toda la lista de esto, todo. Así que ahora voy a decir que solo me importa... |
| |
Oh, para este, puedes hacer...puedes mostrar el |
| |
nube de palabras. |
| |
Y |
| |
queremos decir quiero centrarlo |
| |
y también quiero el color. |
| |
Entonces ves esto, ves que el paciente es tan dominante, entonces puedes decir, bien, esto definitivamente... no es... |
| |
no debería estar en el |
| |
En análisis. Simplemente selecciono y hago clic derecho para agregar palabra vacía. |
| |
Entonces verás que se eliminan y ya no se muestran en tu lista ni en el |
| |
nube de palabras. |
| |
Así que ahora quiero mostrarles algo que... |
| |
Creo que eso aceleraría la limpieza, porque hay muchas otras palabras que podrían estar en el sistema y que no necesito. Así que selecciono... |
| |
y poner todo en la palabra clave. |
| |
Entonces eliminé todo, excepto que no sé por qué no se puede eliminar la "acción". |
| |
Pero no hay problema si solo hay una. Así que voy aquí. Dije "Administrar frase" y quiero importar mis palabras clave. Las palabras clave solo tienen... |
| |
Muy simple. El título, |
| |
Los datos de una columna solo contienen la lista completa de nombres. Así que los importo y los pego en local. Esta será mi biblioteca local. Y dije: "Bien". |
| |
Así que ahora sólo tengo la palabra clave que tengo. |
| |
Bien, ahora este... Quiero hacer el análisis más tarde. Y quiero usarlas todas para incluirlas en mi análisis porque son las palabras clave. Así que voy aquí, el triángulo rojo, todo en el Explorador de texto, funciones ocultas, ocultas en esto. |
| |
Triángulo rojo. Digo "Guardar matriz". Quiero tener uno y quiero 44 arriba. |
| |
En mi análisis, digo que sí. Ya verás, todo se guardará en mi... |
| |
a la columna, la matriz. |
| |
Ahora quiero agregar la frase una vez más. También quiero importarla. |
| |
esos términos preferidos. |
| |
En el |
| |
mi base de datos, mis datos locales. |
| |
Entonces también quiero |
| |
En realidad, quiero hacerlo localmente. |
| |
a |
| |
Así que digo, está bien. |
| |
Así que ahora tengo la mezcla, ambos |
| |
Los términos preferidos de MedDRA y también mis palabras clave. Así que ahora pueden ver... |
| |
Las frases han cambiado. |
| |
Para poder agregarlos a mi lista. Lo mismo con mi matriz de términos seguros y obtener todos los números... todos los términos que quiero incluir. Y lo que quiero señalar aquí es que para estos términos... necesitamos cambiar... |
| |
Formato de un modelo. Este tipo de modelo continúa. Quiero cambiarlo a nominal. Les explicaré por qué lo hago más adelante. |
| |
Así que ahora que lo tengo, puedo ir a la |
| |
XGBoost, que está en el complemento. Podemos hacer...k plegar las columnas para asegurarme de que puedo hacer el |
| |
Validación cruzada. Puedo usar simplemente el índice y, por defecto, el número de k columnas de pliegues a crear es tres y el número de pliegues (k) dentro de cada columna es cinco. Simplemente usamos el valor predeterminado. |
| |
Digamos, bien, se generarán tres columnas muy rápidamente. Y al final, verás los pliegues A, B y C: tres de ellos. |
| |
Así que tenemos eso, entonces tenemos... |
| |
Otra cosa que quería hacer es en el... |
| |
Así que podemos |
| |
Podemos crear otro |
| |
frase |
| |
que tiene todo...que tiene tiene todo en...esta frase tiene todo, incluidas las palabras clave y PT, pero quiero crear una que solo tenga las |
| |
solo tengo |
| |
solo tengo el |
| |
El término preferido, pero no la palabra clave, así que puedo agregar esas palabras clave a la excepción local y decir: "Bien". Entonces, esas palabras solo tendrán términos preferidos, pero no la palabra clave. |
| |
Palabras clave. De esta manera puedo crear otra lista, guardar otra lista de las |
| |
documentación |
| |
Quiero tener más palabras que esta. Así que |
| |
tienen 1000, pero este término tiene solo 20. Entonces lo que harán es que se guardaron los términos o cumplen... |
| |
tener al menos |
| |
aparecen más de 20 veces o llegan a 1000, ¿cuál de ellos aparecerá en mi lista? |
| |
Ahora tengo la tabla completa, que tiene las palabras clave y también los términos MedDRA que aparecen más de 20 veces. Ahora también tengo la columna ??? lista para el análisis. |
| |
XGBoost. |
| |
Ahora lo que puedo hacer es ir a XGBoost. Puedo ir a... |
| |
El análisis ahora. Lo que voy a mostrarles es que puedo usar este indicador DILI. La respuesta X son todos los términos que acabo de tener para la palabra clave y... |
| |
Palabras preferidas. Ahora, utilizo las tres validaciones. |
| |
Luego haz clic en Aceptar para ejecutarlo. Tardará unos cinco minutos. Ya obtuve un resultado que quiero mostrarte. |
| |
Así que tienes... |
| |
Así es como se ve. |
| |
El diseño de la afinación. Y lo comprobaremos. Tienes |
| |
El actual encontrará una buena condición para que usted pueda hacerlo. También puede, si tiene |
| |
Por mucha experiencia que tenga Ross Wolfinger, él entrará aquí, cambiará manualmente algunas condiciones y entonces probablemente obtendrá el mejor resultado. |
| |
Pero para muchas personas como yo que no tienen mucha experiencia en XGBoost, preferiría usar este diseño de ajuste en lugar de simplemente tener una máquina para... |
| |
Primero, selecciónalo. Luego, puedo entrar y ajustar un poco, según lo que necesite hacer. Este es el resultado que obtuvimos. Puedes usar... como puedes ver aquí... |
| |
diferente |
| |
Las métricas estadísticas de rendimiento de estos modelos se muestran de forma predeterminada, solo con precisión. Puede ordenarlas haciendo clic en la columna. También incluye otras métricas de rendimiento populares, como... |
| |
MCC, AUC, |
| |
RMSE, correlación. Todos aparecen al hacer clic en ellos. |
| |
Aparecerán aquí. Así que, lo que necesites, cualquier medición que quieras hacer, siempre la encontrarás aquí. |
| |
Ahora, digamos que confío más en la precisión de la validación que en cualquier otra cosa en este caso. Quiero ver solo el modelo superior, digamos cinco modelos. |
| |
Entonces, selecciono cinco modelos. Luego, voy aquí y digo que quiero eliminar todos los modelos del programa. |
| |
Entonces verás los cinco modelos aquí y luego puedes ver algunos modelos, aunque este 19 es verde, |
| |
No llega a la mitad. Algo no va bien, algo no es apropiado para este modelo. Definitivamente no quiero usarlo, así que puedo elegir otros. Digamos que quiero elegir este. |
| |
19, quiero eliminar ese. Así que puedo decir que quiero eliminar el oculto. Básicamente, lo que necesites hacer. Si comparas, mira esto. |
| |
Las métricas no difieren mucho. Por eso, quiero usar este gráfico para elegir la mejor para medir el rendimiento. |
| |
Entonces eliges la buena opción. Puedes ir aquí para... |
| |
Digamos que me gusta el modelo 12, así que puedo ir aquí y decir que quiero hacerlo. |
| |
perfilador. |
| |
Esta es una herramienta muy poderosa, creo que bastante exclusiva de JMP. No muchos... |
| |
Las herramientas tienen esta función. Esto te da la oportunidad de ver cada elemento individualmente. |
| |
Parámetros en el modo activo y ver cómo cambian el resultado. Por ejemplo, estos dos fueron los más frecuentes en los casos de DILI. |
| |
Y puedes ver que la pendiente es bastante pronunciada, lo que significa que si los cambias, afectarán bastante las predicciones del resultado final. Así que puedes ver cuándo... |
| |
Tanto la hepatitis como la ictericia indican cero. En realidad, la probabilidad de que el DILI se presente como uno es muy baja. Por lo tanto, es un caso bajo para los posibles casos de DILI. Pero si se modifica esta línea, |
| |
Al 1, puedes ver que la probabilidad de obtener es mayor. Y si mueves esos... |
| |
aún más alto. Así que tendrás una manera de |
| |
analizar, si son los |
| |
¿Cuál es la clave? |
| |
Parámetros o predictores que afectan el resultado. Algunos, incluso sus palabras clave, son bastante estables. Esto significa que si se modifican, el resultado no se verá tan afectado. |
| |
Así que esto es y también nosotros aquí, te dimos la lista a la que puedes acceder. |
| |
Para ver qué es lo más importante |
| |
Características para calcular la predicción de variables. Como pueden ver, aquí hay ictericia y otras características bastante importantes. |
| |
Y para el resultado de la función, una vez que se ingresan los datos, estos son todos los resultados que tenemos. Y puedes preguntar: "¿Qué hay de las novedades que vienen?". Sí, aquí tienes... puedes decir: "Quiero guardar la fórmula de predicción". |
| |
Y pueden ver que está trabajando activamente en eso. Y luego, en la tabla, al final de la tabla, verán la predicción. Así que recuerden que teníamos una... esta era, digamos, bueno, |
| |
El primer fármaco, el segundo fue prácticamente predecir que será el |
| |
Casos de DILI y los dos siguientes, el tercero, el cuarto y el quinto fueron casi nulos. Así que volvemos a este DILI. |
| |
Indicador y descubrimos que realmente lo enumeran. El primero de los cinco era correcto. Entonces, en caso de que no tenga este indicador cuando reciba los nuevos datos, no tiene que leer toda la etiqueta. Ejecute el modelo. Puede ver la predicción. Prácticamente sabía si... |
| |
Se trata de casos DILI o no. |
| |
Así que mi deomo sería |
| |
Termino aquí y ahora daré una conclusión. Usamos el Explorador de texto para extraer las palabras clave y los términos MedDRA mediante la gestión de palabras vacías y frases sin... |
| |
Selección, eliminación y recodificación manual. Usamos una visualización y creamos una matriz de términos del documento para la predicción. |
| |
También utilizamos aprendizaje automático para modelar XGBoost y queremos ejecutarlo rápidamente para encontrar el mejor modelo y predecir el perfil. Además, podemos guardar... |
| |
Predecir la fórmula para predecir los nuevos casos. |
| |
Gracias. Y me detengo aquí. |
