| Lautsprecher |
Transkript |
| Stan Siranovich |
Guten Morgen allerseits. Heute machen wir eine explorative Datenanalyse |
| |
der VAERS-Datenbank. Lassen Sie uns nun ein wenig Hintergrundwissen darüber vermitteln, was diese Datenbank ist. VAERS, geschrieben VAERS, ist ein Akronym für Vaccine Adverse Effect Reporting System. Es wurde von der FDA und der CDC erstellt. |
| |
Es erhält etwa 30.000 Aktualisierungen pro Jahr und ist seit 1990 öffentlich zugänglich, sodass eine ganze Menge Daten darauf vorhanden sind. |
| |
Und es wurde als Frühwarnsystem konzipiert, um nach einigen Auswirkungen von Impfstoffen zu suchen, über die bisher nicht berichtet wurde. |
| |
Dies sind keine Nebenwirkungen, sondern unerwünschte Wirkungen. Sie wurden bisher nicht mit der Impfung in Verbindung gebracht. Es handelt sich lediglich um etwas, das nach der Impfung passiert ist. Lassen Sie uns nun über die Struktur sprechen. |
| |
VAERS VAX und |
| |
VAERS DATA. Es gibt jetzt ein Tool zur Untersuchung der Online-Datenbank, das unter dem Akronym WONDER bekannt ist. Es handelt sich um ein traditionelles Suchtool, mit dem Sie durch die verschiedenen Bereiche der Datenbank navigieren können. |
| |
Wählen Sie den gewünschten Datentyp aus, klicken Sie auf das Dropdown-Menü und nachdem Sie dies ein paar Mal oder ein paar Dutzend Mal getan haben, |
| |
Sie senden lediglich die Anfrage. |
| |
Und ohne zu viel Latenz erhalten Sie ein Ergebnis zurück. Aber für explorative Datenanalysen und einige Visualisierungen, |
| |
es gibt dabei ein kleines Problem. Und zwar müssen Sie zunächst wissen, was Sie erreichen möchten, oder zumindest eine sehr gute Idee haben. |
| |
Und hier kommt JMP ins Spiel. Wie bereits erwähnt, werden wir eine EDA und eine Visualisierung für einen bestimmten Datensatz durchführen, nämlich Daten für den MMR-Impfstoff gegen Masern, Mumps und Röteln. Und zwar für das aktuellste verfügbare Jahr. Das wird |
| |
2019. Lassen Sie mich also zu einem neuen Fenster wechseln. |
| |
Okay, das Erste, was wir gemacht haben und was ich hier ausgelassen habe, war, die CSVs herunterzuladen und sie in JMP zu öffnen. Jetzt möchte ich meine Daten auswählen, und JMP macht das sehr einfach. |
| |
Nachdem ich das Fenster geöffnet habe, gehe ich einfach durch die Zeilenauswahl und wähle aus, wo und hier unten ist ein Bild, bei dem ich den VAX_TYPE haben möchte und der MMR entsprechen soll. Neben „gleich“ gibt es hier noch einige weitere Optionen, auf die wir gleich eingehen werden. |
| |
Nachdem wir auf die Schaltfläche geklickt und die Zeilen ausgewählt haben, entscheiden wir als Nächstes, welche Daten wir benötigen. Ich habe einige Spalten hervorgehoben. In etwa einer Minute werden Sie sehen, warum. |
| |
Und wenn ich das dann mache, oh, bevor wir dorthin gehen, lassen Sie uns beachten |
| |
Zeile neun und Zeile 18 genau hier. Beachten Sie, wir haben MMRV und |
| |
MMR. MMRV ist ein anderer Impfstoff. Wenn wir uns das auch ansehen wollten, hätten wir hier „enthält“ aus dem Dropdown-Menü auswählen können. Aber das wollten wir nicht. Also klicken wir auf OK |
| |
und wir erhalten unsere Tabelle. Nun wollen wir die VAERS VAX-Tabelle, die Daten über den Impfstoff enthält, wie z. B. Hersteller, Charge usw., mit der VAERS DATA-Tabelle verknüpfen, die Daten über den |
| |
Auswirkungen des Impfstoffs, also es geht darum, ob der Patient Allergien hatte oder nicht, ob der Patient im Krankenhaus war oder nicht, Anzahl |
| |
Krankenhaustage usw. Und es enthält auch demografische Daten wie Alter und Geschlecht. Wir möchten also einfach beitreten und zu den Tabellen gehen und auswählen |
| |
Die Tabellen VAERS VAX und VAERS DATA wollen wir anhand der VAERS-ID verknüpfen. Und auch hier macht JMP es ganz einfach. Wir klicken einfach |
| |
die Spalte in jedem einzelnen in einer der separaten Tabellen und wir legen sie hier in das Übereinstimmungsfenster und danach gehen wir rüber zu den Tabellenfenstern und wählen die gewünschten Spalten aus. |
| |
Und so sieht unsere Ergebnistabelle aus. Lassen Sie mich das jetzt reduzieren und eine JMP-Tabelle öffnen. |
| |
So, das ist es, und ich werde das näher erläutern. |
| |
Und für die Zwecke dieser Demonstration habe ich nur |
| |
Diese Spalten hier ausgewählt. Wir haben die VAERS-ID, die Sie offensichtlich als Identifikation sehen, den Typ, bei dem es sich ausschließlich um MMR handelt. |
| |
Und es sieht so aus, als ob Merck der Hersteller ist. Und es gibt ein paar Unbekannte |
| |
hier verstreut. Und ich habe VAX LOT ausgewählt, weil das wichtig wäre, wenn mit einem Lot etwas nicht stimmt, man möchte das sehen können. |
| |
Dies sieht aus wie ein Käfig-Unterstrichjahr, aber das ist das berechnete Alter in Jahren. Es gibt mehrere H-Spalten und ich habe nur eine ausgewählt. |
| |
Und ich habe das Geschlecht ausgewählt, weil wir wissen möchten, ob jemand stärker betroffen ist, ob Männer stärker betroffen sind als Frauen oder umgekehrt. |
| |
Und HOSPDAYS ist die Anzahl der Tage im Krankenhaus, wenn eine Nebenwirkung auftrat, die so schwerwiegend war, dass sie ins Krankenhaus musste. Und NUMDAYS ist die Anzahl der Tage zwischen der Impfung und dem Auftreten der Nebenwirkungen, und es sieht so aus, als hätten wir hier eine ziemlich große Spanne. |
| |
Beginnen wir also mit unserer Analyse. |
| |
Kopfdiagramme anzeigen. Ich klicke darauf und zeige Kopfdiagramme an. |
| |
Und wir erhalten hier oben einige Verteilungen und einige andere Informationen. Wir überspringen die ID und sehen, dass der VAX_TYPE ausschließlich MMR ist, Sie haben dort keine anderen. |
| |
Und der Impfstoffhersteller, ja, es ist entweder Mercks & Co Inc oder unbekannt und eine nette Funktion dabei ist, dass wir auf die Leiste klicken können |
| |
und es wird die Zeilen für uns hervorheben und wenn wir wegklicken, wird die Hervorhebung aufgehoben. Weiter zu VAX_LOT: In diesem winzigen Kästchen hier sind eine ganze Menge Informationen untergebracht. |
| |
Zunächst haben wir die fünf Lose mit dem höchsten Vorkommen in unserer Datentabelle und hier sind sie, und |
| |
Hier sehen Sie, wie oft sie vorkommen. Außerdem erfahren wir, dass wir 413 weitere Lose in der Tabelle haben, plus fünf nach meiner Berechnung. |
| |
das sind etwa 418 einzelne Chargen. Jetzt gehen wir das berechnete Alter in Jahren durch und sehen, dass die meisten unserer Werte zwischen Null und was auch immer liegen, sie liegen im Null-Bin, was Sinn macht, weil es sich um eine Impfung handelt, und das notieren wir uns einfach. |
| |
Und wenn wir zur Spalte „Geschlecht“ gehen, sieht es so aus, als hätten wir deutlich mehr Frauen als Männer. Das sagt uns sofort, ob wir nebeneinander |
| |
Bei Gruppenvergleichen müssen wir zufällig Frauen auswählen, sodass sie den Männern entsprechen, und wir haben hier auch einige Unbekannte, ziemlich viele Unbekannte. |
| |
Wir notieren uns das einfach und fahren fort. Wir sehen die Krankenhaustage. Und wir sehen ANZAHL TAGE. Und hier ist noch eine weitere wirklich nützliche Funktion. Nehmen wir an, wir möchten mehr Details und möchten die Altersverteilung ein wenig untersuchen. Dazu klicken wir einfach mit der rechten Maustaste, rechtsklicken, |
| |
Wählen Sie „In Distribution öffnen“. Und hier sind wir im Distributionsfenster, aber hier gibt es ziemlich viele Informationen. |
| |
Für unsere Zwecke machen wir hier momentan nicht wirklich viel mit den Quantilen. Klicken wir also auf „Schließen“. Es nimmt immer noch etwas Platz ein. |
| |
Gehen wir also hier runter und wählen die Ausrichtung „Umriss schließen“ und „Vertikal“. Daraufhin öffnet sich ein schönes, gut lesbares Fenster. Es enthält einige Informationen. Wir sehen natürlich unsere Verteilung hier unten und oben ein Box-Whisker-Diagramm. |
| |
Es bleibt nicht viel Zeit, darauf einzugehen, das stellt die Daten lediglich auf eine andere Art und Weise dar. Und aus unseren zusammenfassenden Statistiken geht hervor, dass der Mittelwert zufällig bei 16,2 liegt, mit einer Standardabweichung von 20,6. |
| |
Keine ideale Situation. Wenn Sie also mehr damit machen möchten, sollten wir die Jahre in zwei Gruppen aufteilen, wobei die meisten von ihnen hier unten sind und dann |
| |
wo, wo das, wo alle verzerrten Daten sind und dann der Rest von ihnen und |
| |
entlang der rechten Seite und |
| |
Untersuchen Sie das separat. Ich werde dieses Fenster minimieren. Dasselbe können wir mit den Krankenhaustagen und der Anzahl der Tage machen. Lassen Sie mich das ganz schnell machen. |
| |
Und hier sehen wir die gleiche Art von Daten, und ich werde sie nicht durchklicken und reduzieren. Aber wir könnten auch feststellen, dass wir wieder einen Mittelwert von 6,7 und eine Standardabweichung von 13,2 haben, was wiederum keine ideale Situation ist, und wir notieren uns das einfach. |
| |
Und ich schließe das. Nehmen wir nun an, wir möchten eine etwas explorativere Analyse durchführen, etwas ist uns aufgefallen und so weiter. Und das ist hier ganz einfach. Wir müssen nicht zur Online-Datenbank zurückkehren, |
| |
und wählen Sie alles aus, klicken Sie auf die Dropdown-Menüs usw. Wir können einfach hierher kommen, um Y durch X zu analysieren und anzupassen. |
| |
Nehmen wir also an, wir möchten die Beziehung zwischen |
| |
Oh, Krankenhaustage, Anzahl der im Krankenhaus verbrachten Tage und berechnetes Alter in Jahren. Das machen wir einfach. Wir haben zwei kontinuierliche Variablen, also erhalten wir daraus ein bivariates Diagramm. |
| |
Wir klicken auf OK. |
| |
Und wir erhalten eine weitere schöne Anzeige der Daten. Und ja, wir können sehen, dass |
| |
derzeit liegt der Mittelwert bei etwa 5 oder 6, was eine gute Sache ist, besser als 10 oder 12. Wir können zu Referenzzwecken |
| |
Gehen Sie hier zum roten Dreieck, wählen Sie „Mittelwert anpassen“ und wir erhalten den Mittelwert genau hier. Und wir haben festgestellt, dass es einige Ausreißer gibt. |
| |
Nehmen wir an, wir möchten sie jetzt untersuchen und entscheiden, ob wir uns eingehender damit befassen möchten. Wenn wir also mit der Maus über einen unserer Ausreißerpunkte oder einen beliebigen anderen Punkt fahren, |
| |
Wir sehen, dass wir dieses Popup-Fenster erhalten und es sagt uns |
| |
dieser bestimmte Datenpunkt stellt Zeile 868 dar. |
| |
Das berechnete Alter liegt im Einjahresbereich, |
| |
und dieser Patient verbrachte zufällig 90 Tage im Krankenhaus. Jetzt könnten wir mit der rechten Maustaste klicken und diese Zeile einfärben oder eine Art Markierung einfügen. Ich werde das nicht tun, aber ich werde |
| |
Bewegen Sie den Cursor hier in das Fenster, und wir sehen dieses kleine Symbol oben in der rechten Ecke. Klicken Sie darauf, und es wird fixiert. |
| |
Wir können das natürlich wiederholen und die Details für eine genauere Betrachtung abrufen. Ich fand das sehr praktisch, wenn ich Präsentationen vor Gruppen halte und auf einen bestimmten Punkt aufmerksam machen möchte. Das ist etwas aufdringlich, also klicken wir mit der rechten Maustaste und wählen … Schriftart auswählen, nicht bearbeiten. |
| |
Und das Schriftartfenster wird geöffnet und wir sehen, dass wir eine 16-Punkt-Schrift verwenden. Lass uns, ich weiß nicht, runter auf 9 gehen. |
| |
Und das ist etwas besser und gibt uns mehr Spielraum, wenn wir auf einige der anderen Ausreißer aufmerksam machen möchten. Zusammenfassend lässt sich also sagen: |
| |
Lassen Sie mich die PowerPoint-Präsentation noch einmal aufrufen. |
| |
Zusammenfassend konnten wir zwei große Datentabellen aus einer großen, von der Regierung verwalteten Online-Datenbank importieren und gestalten. Wir konnten Tabellen unterteilen, |
| |
Wir konnten die Tabellen nahtlos zusammenführen und unsere Ausgabedaten auswählen. Und wir konnten Zusammenfassungen und Verteilungen erstellen und dabei die Bereiche hervorheben |
| |
das könnte von Interesse sein und für eine detailliertere Analyse. Und natürlich lief alles nahtlos und alles geschah innerhalb der gleichen Softwareplattform. Nun, |
| |
einige Links bereitstellen |
| |
Hier geht es zu den verschiedenen Datenseiten. Dies ist die Hauptseite mit allen Unterlagen, die die Regierung dort geleistet hat. Und hier sind die eigentlichen Daten in der Zip-Datei. |
