In questa presentazione, esploreremo l'applicazione pratica di JMP Profiler, concentrandoci sulla sua funzionalità migliorata di integrazione degli intervalli di previsione. Attraverso un dettagliato caso di studio di Cencora-PharmaLex, dimostreremo come gli intervalli di previsione forniscano un quadro più solido per il processo decisionale, quantificando l'incertezza nelle previsioni del modello. Questa funzionalità aggiuntiva consente decisioni più informate, in particolare in scenari critici in cui la gestione del rischio e previsioni precise sono essenziali. Attraverso questo caso di studio, evidenzieremo il valore aggiunto degli intervalli di previsione nel migliorare l'affidabilità delle decisioni basate sui dati, con conseguente miglioramento dei risultati nei progetti farmaceutici e delle scienze della vita.
Esaminiamo inoltre l'attuale capacità del simulatore di JMP, che non integra ancora distribuzioni predittive per supportare le decisioni basate sul rischio allo stesso modo. Affrontando questa limitazione con esempi e formule, intendiamo evidenziare le opportunità di ulteriori miglioramenti nelle future versioni di JMP, con conseguenti risultati migliori nei progetti farmaceutici e delle scienze della vita.
Ciao a tutti. Mi chiamo Hailey. Vorrei parlarvi un po' del mio background. Ho un dottorato di ricerca in biostatistica e lavoro come responsabile di statistica e data science presso PharmaLex Cencora. Mi occupo di analisi statistica per la ricerca clinica e non clinica, contribuendo a generare informazioni affidabili per il processo decisionale. Utilizzo ampiamente JMP per l'analisi dei dati a supporto di vari progetti. Il mio obiettivo è applicare metodi statistici avanzati per migliorare la qualità e l'efficacia della ricerca.
In questa presentazione, parlerò di come migliorare il processo decisionale con gli intervalli di previsione nel profiler di JMP e mostrerò un caso di studio di Cencora PharmaLex. Questo poster mostra come lo strumento profiler di JMP utilizzi gli intervalli di previsione per migliorare il processo decisionale. Gli intervalli di previsione aiutano a gestire l'incertezza, rendendo chiaro il risultato. Questo è utile in situazioni critiche in cui l'accuratezza e la gestione del rischio sono importanti. L'aggiunta di intervalli di previsione rende le decisioni più affidabili e i modelli più precisi.
Questa presentazione è stata divisa in due parti. Nella prima parlerò della simulazione e nella successiva parlerò del caso di studio di Cencora PharmaLex. Cencora PharmaLex è un fornitore leader di servizi specializzati nel settore farmaceutico e delle scienze biologiche. In questo caso di studio, ci concentriamo su progetti in cui l'azienda utilizza uno strumento di job profiler per migliorare il processo decisionale del cliente. Incorporando gli intervalli di previsione, Cencora PharmaLex è stata in grado di quantificare l'incertezza nelle previsioni del proprio modello, portando a decisioni più informate e affidabili.
Innanzitutto, vorrei parlare della simulazione. Questo studio valuta l'intervallo di previsione in un DOE con cinque fattori continui, testando diversi modelli e scenari per verificarne l'accuratezza e l'affidabilità. Il disegno sperimentale include un modello incompleto con cinque fattori continui e interazioni selezionate.
Abbiamo definito tre scenari: dapprima un design basso con soli 12 round, poi un design alto con 30 round, e ogni scenario è stato ripetuto 100 volte. La risposta è stata simulata utilizzando un modello specifico e valutata in un punto chiave nello spazio fattoriale, che dovremmo qui inserire a meno 1, 0,5 e 0. I modelli lineari e a effetti casuali sono stati analizzati utilizzando JMP e confrontati con il modello basato su R con LM e Stan per valutarne le prestazioni.
Come potete vedere, il primo risultato qui riguarda i valori di previsione. Il modello a effetti casuali mostra la differenza tra JMP e Stan in termini di valori di previsione, in particolare nel design meno complesso. Tuttavia, nel modello lineare, non vediamo alcuna differenza per il valore previsto per entrambi i software. Aumentando il numero di blocchi e di esecuzioni, generalmente si migliora il valore di previsione per entrambi i modelli, come potete vedere qui in due dei grafici per un modello lineare e anche per il modello misto.
Ora, se vogliamo parlare solo degli intervalli di previsione superiori e inferiori, nel modello lineare come si vede qui da JMP e dalla funzione LM in R, la differenza è che gli intervalli di previsione inferiori e superiori non compaiono né in JMP né nella funzione LM in R, il che conferma l'affidabilità di entrambi i risultati.
Tuttavia, arriviamo al modello misto nell'ultimo numero dei blocchi, e le esecuzioni generalmente portano a un intervallo di previsione più ampio nel profiler. Come si può vedere, il confronto tra i due grafici per JMP e Stan indica una maggiore incertezza nella previsione. Man mano che vengono introdotti più punti dati e variabilità, il modello cattura una gamma più ampia di possibili risultati, rendendo la previsione meno certa, mentre un design più ampio migliora la capacità del modello di generalizzare la generalizzazione.
Evidenziano inoltre la complessità e la prevedibilità delle interazioni all'interno del sistema. Questo effetto è particolarmente evidente negli scenari ad alta variabilità, in cui il profiler di previsione prevede una dispersione più ampia dei valori potenziali anziché una stima precisa. Come si può osservare nel confronto per il design a basso costo, si nota un intervallo più ampio per i valori di previsione.
Vorrei richiamare la vostra attenzione. I risultati del JMP sono complessivamente ottimistici. Ciò significa che la probabilità di successo potrebbe essere troppo alta. Il JMP non utilizza la distribuzione t, ma utilizza la distribuzione normale invece della T per la distribuzione di previsione nel calcolo dell'intervallo di previsione.
Gli studenti tengono conto dei dati limitati in base al grado di libertà e utilizzano il sigma RMSE [inudibile 00:06:24] come errore di previsione anziché la forma completa, tenendo conto della posizione del DOE. Quando si osserva che il numero di osservazioni è molto più elevato del numero del parametro, quando il grado di libertà è elevato o sufficientemente elevato, posso dire che l'intervallo di previsione è anche più ampio nel modello misto lineare in JMP anziché in Stan in R. Prestate attenzione. Quando il grado di libertà è basso, dovremmo prestare attenzione all'intervallo di previsione JMP eccessivamente ottimistico.
Qui vogliamo parlare di un caso di studio nel Cencora PharmaLex, su come utilizziamo l'intervallo di previsione per mostrare al cliente l'accuratezza e l'affidabilità del progetto. Il profiler mostra una linea di previsione per la variabile di risposta in base al livello dei fattori. Qui abbiamo otto diverse variabili che abbiamo progettato nel DOE.
L'intervallo di previsione rappresenta l'intervallo entro il quale ci si aspetta che la risposta effettiva rientri in un determinato livello. Ad esempio, qui consideriamo la percentuale del 95%. Possiamo facilmente modificare la linea verticale rossa e mostrare quali sono le differenze. Diciamo al cliente: "Cerca le differenze nei valori di previsione e nell'ampiezza degli intervalli di previsione e restringili per una previsione. Gli intervalli indicano previsioni più precise, mentre un intervallo più ampio indica maggiore incertezza". Puoi vedere qui nei due grafici che modifichiamo i valori, possiamo spostare la linea verticale rossa e mostrare quali sono le differenze al cliente.
In conclusione, possiamo concludere che gli intervalli di previsione migliorano il processo decisionale mostrando una gamma di possibili risultati e quantificando l'incertezza. Aiutano a valutare i rischi, migliorare l'accuratezza e supportare scelte più consapevoli. Soprattutto in situazioni critiche per alcuni clienti in ambito clinico e anche nelle scienze della vita, il loro valore si estende alla gestione del rischio e a settori come quello farmaceutico e delle scienze della vita. Grazie mille per avermi invitato. Ecco la mia presentazione.
