本プレゼンテーションでは、JMP Profilerの実用的な応用例を、特に予測区間の組み込みという改良された機能に焦点を当てて考察します。Cencora-PharmaLex社の詳細なケーススタディを通して、予測区間がモデル予測の不確実性を定量化することで、意思決定のためのより堅牢なフレームワークを提供する仕組みを実証します。この追加機能により、特にリスク管理と正確な予測が不可欠な重要なシナリオにおいて、より多くの情報に基づいた意思決定が可能になります。本ケーススタディを通して、データに基づく意思決定の信頼性向上における予測区間の付加価値を明らかにし、最終的には製薬およびライフサイエンスプロジェクトにおけるより良い成果へと導きます。
また、JMPのシミュレーターの現状についても検証します。JMPのシミュレーターには、リスクに基づく意思決定を同様の方法でサポートするための予測分布がまだ組み込まれていません。この限界を例と数式を用いて解決することで、将来のJMPリリースにおけるさらなる機能強化の可能性を明らかにし、最終的には製薬およびライフサイエンスプロジェクトにおけるより良い成果につながることを目指します。
皆さん、こんにちは。ヘイリーです。少し私の経歴についてお話しさせてください。生物統計学の博士号を取得しており、PharmaLex Cencoraで統計・データサイエンス部門のマネージャーとして働いています。臨床研究と非臨床研究の両方において、統計分析に携わり、意思決定に役立つ信頼性の高い知見の創出に貢献しています。様々なプロジェクトをサポートするデータ分析には、JMPを多用しています。高度な統計手法を適用し、研究の質と有効性を向上させることが私の目標です。
このプレゼンテーションでは、JMPプロファイラーの予測区間を用いた意思決定の改善について、Cencora PharmaLex社のケーススタディをご紹介します。このポスターでは、JMPのプロファイラーツールが予測区間を用いて意思決定を改善する方法を示しています。予測区間は不確実性を管理し、結果を明確にするのに役立ちます。これは、精度とリスク管理が重要となる重要な状況で役立ちます。予測区間を追加することで、意思決定の信頼性が高まり、モデルの精度が向上します。
このプレゼンテーションは2つのパートに分かれています。1つ目はシミュレーションについて、2つ目はCencora PharmaLex社のケーススタディについてお話します。Cencora PharmaLex社は、製薬およびライフサイエンス業界における専門サービスのリーディングプロバイダーです。このケーススタディでは、同社がジョブプロファイラーツールを活用して顧客の意思決定プロセスを強化したプロジェクトに焦点を当てます。予測区間を組み込むことで、Cencora PharmaLex社はモデル予測における不確実性を定量化し、より情報に基づいた信頼性の高い意思決定を可能にしました。
まず、シミュレーションについてお話しします。本研究では、5つの連続因子を用いたDOE（実験計画法）における予測区間を評価し、様々なモデルとシナリオを用いて精度と信頼性を検証します。実験計画には、5つの連続因子と選択された交互作用を含む不完全モデルが含まれています。
3つのシナリオを定義しました。まず、12ラウンドのみの低レベル設計から30ラウンドの高レベル設計まで、各シナリオを100回繰り返しました。反応は特定のモデルを用いてシミュレートされ、因子空間の重要なポイント（ここではマイナス1、0.5、0と記載）で評価されました。線形効果モデルとランダム効果モデルはJMPを用いて分析し、LMおよびStanを用いたRベースモデルと比較することで性能を評価しました。
ご覧の通り、予測値の最初の結果です。ランダム効果モデルでは、特に複雑度の低い設計において、JMPとStanの予測値に違いが見られます。一方、線形モデルでは、どちらのソフトウェアでも予測値に違いは見られません。ブロック数と実行回数を増やすと、線形モデルと混合モデルの2つのグラフからもわかるように、どちらのモデルでも予測値は概ね向上します。
ここで、JMP と R の LM 関数による線形モデルにおける上限と下限の予測区間についてのみお話ししたいと思います。下限と上限の予測区間の違いは、JMP と R の LM 関数のどちらにも表示されず、両方の結果の信頼性が確認されます。
しかし、最後のブロックでは混合モデルとなり、プロファイラーでは一般的に実行回数が多いほど予測区間が広くなります。ご覧のとおり、JMPとStanの2つのグラフを比較すると、予測の不確実性が大きくなっていることがわかります。データポイントと変動性が増えるにつれて、モデルはより広い範囲の可能性のある結果を捉えるようになり、予測の確実性は低下します。一方、大規模な計画では、モデルの一般化能力が向上します。
また、システム内の相互作用の複雑さと予測可能性も浮き彫りにしています。この効果は、変動性が高いシナリオにおいて特に顕著です。予測プロファイラーは、正確な推定値ではなく、潜在的な値のより広い範囲を予測します。低位設計との比較を見ると、予測値の範囲が広いことがわかります。
ここで注意点があります。JMPの結果は全体的に楽観的です。つまり、成功確率が高すぎる可能性があります。JMPはt分布を使用しません。予測区間を計算する際には、T分布ではなく正規分布を予測分布として使用します。
学生たちは、自由度によって限られたデータを考慮し、DOEの位置を考慮し、完全な形式ではなくRMSEシグマ[inaudible 00:06:24]を予測誤差として使用しています。観測値の数がパラメータの数よりもはるかに多い場合、自由度が高い、あるいは十分に高い場合、RのStanよりもJMPの線形混合モデルの方が予測区間が広くなると言えます。注意が必要です。自由度が低い場合は、JMPの予測区間が過度に楽観的になる点に注意する必要があります。
ここでは、Cencora PharmaLexのケーススタディについてお話します。クライアントにプロジェクトの精度と信頼性を示すために、予測区間をどのように活用しているかについてお話しします。プロファイラーは、因子の水準に基づいて応答変数の予測線を表示します。ここでは、DOEで設計した8つの異なる変数を示しています。
予測区間は、真の応答が特定のレベル内に収まると予想される範囲を表します。例えば、ここでは95パーセントを想定しています。赤い縦線を簡単に変更して、違いを示すことができます。クライアントには、「予測値の違いと予測区間の幅に注目し、予測のためには狭くしてください。区間が広いほど予測精度が高く、区間が広いほど不確実性が高いことを示しています」と伝えます。ここで2つのグラフの値を変更し、赤い縦線を移動して違いをクライアントに示します。
結局のところ、予測区間は、起こり得る結果の範囲を示し、不確実性を定量化することで意思決定を改善すると結論付けることができます。リスク評価、精度向上、そしてより良い選択を支援するのに役立ちます。特に、臨床およびライフサイエンス分野のクライアントにとって重要な状況において、その価値はリスク管理や製薬、ライフサイエンスといった分野にも及びます。本日はお招きいただき、誠にありがとうございます。これが私のプレゼンテーションです。
