Dans cette présentation, nous explorons l'application pratique de JMP Profiler, en mettant l'accent sur sa fonctionnalité améliorée d'intégration des intervalles de prédiction. À travers une étude de cas détaillée de Cencora-PharmaLex, nous démontrons comment les intervalles de prédiction offrent un cadre plus robuste pour la prise de décision en quantifiant l'incertitude des prédictions du modèle. Cette fonctionnalité supplémentaire permet de prendre des décisions plus éclairées, notamment dans les situations critiques où la gestion des risques et la précision des prédictions sont essentielles. Grâce à cette étude de cas, nous mettrons en évidence la valeur ajoutée des intervalles de prédiction pour améliorer la fiabilité des décisions fondées sur les données, ce qui conduit in fine à de meilleurs résultats dans les projets pharmaceutiques et des sciences de la vie.
Nous examinons également les capacités actuelles du simulateur JMP, qui n'intègre pas encore les distributions prédictives pour faciliter la prise de décisions fondées sur les risques. En illustrant cette limitation par des exemples et des formules, nous souhaitons mettre en lumière les pistes d'amélioration pour les futures versions de JMP, afin d'obtenir de meilleurs résultats dans les projets pharmaceutiques et des sciences de la vie.
Bonjour à tous. Je m'appelle Hailey. Permettez-moi de vous parler un peu de mon parcours. Je suis titulaire d'un doctorat en biostatistiques et je travaille comme responsable des statistiques et de la science des données chez PharmaLex Cencora. Je réalise des analyses statistiques pour la recherche clinique et non clinique, contribuant ainsi à l'obtention de données fiables pour la prise de décision. J'utilise fréquemment JMP pour l'analyse des données dans le cadre de différents projets. Mon objectif est d'appliquer des méthodes statistiques avancées afin d'améliorer la qualité et l'efficacité de la recherche.
Cette présentation porte sur l'amélioration de la prise de décision grâce aux intervalles de prédiction dans le profileur JMP. Je présenterai une étude de cas de Cencora PharmaLex. Ce poster illustre comment l'outil de profilage de JMP utilise les intervalles de prédiction pour optimiser la prise de décision. Les intervalles de prédiction permettent de gérer l'incertitude et de clarifier les résultats. Ceci est particulièrement utile dans les situations critiques où la précision et la gestion des risques sont essentielles. L'ajout d'intervalles de prédiction renforce la fiabilité des décisions et la précision des modèles.
Cette présentation est divisée en deux parties. La première porte sur la simulation, et la seconde sur l'étude de cas de Cencora PharmaLex. Cencora PharmaLex est un fournisseur de services spécialisés de premier plan dans l'industrie pharmaceutique et des sciences de la vie. Cette étude de cas se concentre sur les projets où l'entreprise utilise un outil de profilage des postes pour optimiser le processus décisionnel de ses clients. En intégrant des intervalles de prédiction, Cencora PharmaLex a pu quantifier l'incertitude de ses prédictions, ce qui a permis de prendre des décisions plus éclairées et fiables.
Je souhaite tout d'abord aborder la simulation. Cette étude évalue l'intervalle de prédiction dans un plan d'expériences à cinq facteurs continus, testant différents modèles et scénarios afin d'en déterminer la précision et la fiabilité. Le plan expérimental comprend un modèle incomplet à cinq facteurs continus et des interactions sélectionnées.
Nous avons défini trois scénarios : un scénario simple avec seulement 12 tours et un scénario complexe avec 30 tours. Chaque scénario a été répété 100 fois. La réponse a été simulée à l’aide d’un modèle spécifique et évaluée à des points clés de l’espace factoriel (-1, 0,5 et 0). Les modèles à effets linéaires et aléatoires ont été analysés avec JMP et comparés au modèle R (LM et Stan) afin d’en évaluer la performance.
Comme vous pouvez le constater, voici les premiers résultats concernant les valeurs de prédiction. Le modèle à effets aléatoires met en évidence la différence entre JMP et Stan en termes de valeurs de prédiction, notamment pour les conceptions les moins complexes. En revanche, le modèle linéaire ne révèle aucune différence entre les valeurs prédites par les deux logiciels. L'augmentation du nombre de blocs et d'exécutions améliore généralement la valeur de prédiction pour les deux modèles, comme l'illustrent les deux graphiques, l'un pour le modèle linéaire et l'autre pour le modèle mixte.
Maintenant, si nous voulons parler uniquement des intervalles de prédiction supérieurs et inférieurs, dans le modèle linéaire comme vous le voyez ici par JMP et par la fonction LM dans R, la différence entre les intervalles de prédiction inférieurs et supérieurs n'apparaît ni dans JMP ni dans la fonction LM dans R, confirmant ainsi la fiabilité des deux résultats.
Cependant, le modèle mixte apparaît dans le dernier bloc, et les exécutions conduisent généralement à un intervalle de prédiction plus large dans le profileur. Comme vous pouvez le constater, la comparaison entre les deux graphiques pour JMP et Stan indique une plus grande incertitude dans la prédiction. À mesure que davantage de points de données et de variabilité sont introduits, le modèle couvre un éventail plus large de résultats possibles, ce qui rend la prédiction moins certaine. En revanche, un échantillon plus grand améliore la capacité de généralisation du modèle.
Ils mettent également en évidence la complexité et la prévisibilité des interactions au sein du système. Cet effet est particulièrement visible dans les scénarios à forte variabilité, où le profileur de prédiction propose une plus grande dispersion des valeurs potentielles plutôt qu'une estimation précise. Comme vous pouvez le constater en comparant les résultats de la conception simplifiée, on observe une plus grande amplitude des valeurs prédites.
Je tiens à attirer votre attention sur ce point. Les résultats de JMP sont globalement optimistes. Cela signifie que la probabilité de succès est peut-être trop élevée. JMP n'utilise pas la distribution t ; nous utilisons la distribution normale à la place de la distribution de prédiction pour calculer l'intervalle de prédiction.
Les étudiants tiennent compte du nombre limité de données grâce au degré de liberté et utilisent l'erreur quadratique moyenne (RMSE) comme mesure d'erreur de prédiction, plutôt que la forme complète, en tenant compte de la position du plan d'expériences. Lorsque le nombre d'observations est nettement supérieur au nombre de paramètres, et que le degré de liberté est élevé, l'intervalle de prédiction est plus large dans le modèle linéaire mixte de JMP que dans Stan (R). Attention : lorsque le degré de liberté est faible, il faut être vigilant face à l'optimisme excessif de l'intervalle de prédiction de JMP.
Nous allons ici aborder une étude de cas réalisée avec Cencora PharmaLex, et illustrer comment nous utilisons l'intervalle de prédiction pour démontrer au client la précision et la fiabilité du projet. Le profileur affiche une courbe de prédiction pour la variable de réponse en fonction du niveau des facteurs. Dans ce cas précis, nous avons défini huit variables différentes dans le cadre de la planification d'expériences (DOE).
L'intervalle de prédiction représente la plage dans laquelle la réponse réelle est censée se situer, autour d'un certain niveau. Par exemple, prenons ici un seuil de 95 %. Nous pouvons facilement modifier la ligne verticale rouge pour illustrer les différences. Nous expliquons au client : « Observez les différences entre les valeurs de prédiction et la largeur des intervalles de prédiction. Plus l'intervalle est étroit, plus la prédiction est précise ; un intervalle plus large indique une plus grande incertitude. » Sur les deux graphiques, vous pouvez constater qu'en modifiant les valeurs, nous pouvons déplacer la ligne verticale rouge et montrer les différences au client.
En conclusion, les intervalles de prédiction améliorent la prise de décision en présentant un éventail de résultats possibles et en quantifiant l'incertitude. Ils contribuent à l'évaluation des risques, à l'amélioration de la précision et à la prise de meilleures décisions. Dans des situations critiques, notamment pour certains clients des secteurs clinique et des sciences de la vie, leur valeur s'étend à la gestion des risques et à des domaines tels que l'industrie pharmaceutique et les sciences de la vie. Je vous remercie de m'avoir invité. Voici ma présentation.
