En esta presentación, exploramos la aplicación práctica de JMP Profiler, centrándonos en su función mejorada de incorporar intervalos de predicción. A través de un caso práctico detallado de Cencora-PharmaLex, demostramos cómo los intervalos de predicción proporcionan un marco más sólido para la toma de decisiones al cuantificar la incertidumbre en las predicciones del modelo. Esta función adicional permite tomar decisiones más informadas, especialmente en escenarios críticos donde la gestión de riesgos y la precisión de las predicciones son esenciales. En este caso práctico, destacaremos el valor añadido de los intervalos de predicción para mejorar la fiabilidad de las decisiones basadas en datos, lo que en última instancia se traduce en mejores resultados en proyectos farmacéuticos y de ciencias de la vida.
También revisamos la capacidad actual del simulador de JMP, que aún no incorpora distribuciones predictivas para respaldar la toma de decisiones basadas en riesgos de la misma manera. Al abordar esta limitación con ejemplos y fórmulas, buscamos destacar oportunidades para futuras mejoras en las versiones de JMP, lo que en última instancia se traducirá en mejores resultados en proyectos farmacéuticos y de ciencias de la vida.
Hola a todos. Me llamo Hailey. Les contaré un poco sobre mi trayectoria. Tengo un doctorado en bioestadística y trabajo como gerente de estadística y ciencia de datos en PharmaLex Cencora. Trabajo en el análisis estadístico para investigación clínica y no clínica, ayudando a generar información fiable para la toma de decisiones. Utilizo ampliamente JMP para el análisis de datos en diversos proyectos. Mi objetivo es aplicar métodos estadísticos avanzados para mejorar la calidad y la eficacia de la investigación.
En esta presentación, se trata de mejorar la toma de decisiones con intervalos de predicción en el perfilador JMP. Presentaré un caso práctico de Cencora PharmaLex. Este póster muestra cómo la herramienta de perfilador JMP utiliza intervalos de predicción para mejorar la toma de decisiones. Los intervalos de predicción ayudan a gestionar la incertidumbre, generando un resultado claro. Esto es útil en situaciones críticas donde la precisión y la gestión de riesgos son cruciales. Añadir intervalos de predicción aumenta la fiabilidad de las decisiones y la precisión de los modelos.
Esta presentación se dividió en dos partes. En la primera, hablaré sobre la simulación y en la siguiente, sobre el caso práctico de Cencora PharmaLex. Cencora PharmaLex es un proveedor líder de servicios especializados en la industria farmacéutica y de ciencias de la vida. En este caso práctico, nos centramos en proyectos en los que la empresa utiliza una herramienta de perfilación de puestos para optimizar la toma de decisiones del cliente. Al incorporar intervalos de predicción, Cencora PharmaLex pudo cuantificar la incertidumbre en las predicciones de su modelo, lo que permitió tomar decisiones más informadas y fiables.
Primero, quiero hablar sobre la simulación. Este estudio evalúa el intervalo de predicción en un DOE con cinco factores continuos, probando diferentes modelos y escenarios para determinar su precisión y confiabilidad. El diseño experimental incluye un modelo incompleto con cinco factores continuos e interacciones seleccionadas.
Se definieron tres escenarios: primero, un diseño de bajo rendimiento con solo 12 rondas, y luego un diseño de alto rendimiento con 30 rondas, cada uno repetido 100 veces. La respuesta se simuló utilizando un modelo específico y se evaluó en puntos clave del espacio factorial, donde se deben establecer los valores -1, 0.5 y 0. Se analizaron modelos de efectos lineales y aleatorios utilizando el JMP y se compararon con el modelo basado en R con LM y Stan para evaluar el rendimiento.
Como puede ver, el primer resultado para los valores de predicción se muestra aquí. El modelo de efectos aleatorios muestra la diferencia entre JMP y Stan en términos de valores de predicción, especialmente en el diseño menos complejo. Sin embargo, en el modelo lineal, no observamos diferencias en el valor predicho para ambos programas. Aumentar el número de bloques y ejecuciones generalmente mejora el valor de predicción para ambos modelos, como puede observarse en dos gráficos para un modelo lineal y también para el modelo mixto.
Ahora bien, si queremos hablar solo de los intervalos de predicción superiores e inferiores previstos, en el modelo lineal como se ve aquí por JMP y por la función LM en R, la diferencia está entre los intervalos de predicción superiores e inferiores que no aparecen ni en JMP ni en la función LM en R, lo que confirma la fiabilidad de ambos resultados.
Sin embargo, llegamos al modelo mixto en el último bloque, y las ejecuciones generalmente resultan en un intervalo de predicción más amplio en el perfilador. Como puede observar, la comparación entre los dos gráficos del JMP y del Stan indica una mayor incertidumbre en la predicción. A medida que se introducen más puntos de datos y variabilidad, el modelo captura un rango más amplio de posibles resultados, lo que hace que la predicción sea menos segura, mientras que un diseño más amplio mejora la capacidad del modelo para generalizar.
También resaltan la complejidad y la predictibilidad de las interacciones dentro del sistema. Este efecto es particularmente notable en escenarios con alta variabilidad, donde el perfilador de predicción predice una dispersión más amplia de los valores potenciales en lugar de una estimación precisa. Como se observa en la comparación con el diseño bajo, observamos un rango más amplio para los valores de predicción.
Quiero llamar su atención. Los resultados del JMP son, en general, optimistas. Esto significa que la probabilidad de éxito podría ser demasiado alta. El JMP no utiliza la distribución t; utilizamos la distribución normal en lugar de la T para la distribución de predicción al calcular el intervalo de predicción.
Los estudiantes consideran la limitación de datos mediante el grado de libertad y utilizan el RMSE sigma [inaudible 00:06:24] como error de predicción en lugar de la forma completa, considerando la ubicación del DOE. Cuando se observa que el número de observaciones es mucho mayor que el número de parámetros, cuando el grado de libertad es alto o suficientemente alto, se puede afirmar que el intervalo de predicción también es más amplio en el modelo lineal mixto de JMP que en el Stan de R. Presten atención. Cuando el grado de libertad es bajo, debemos prestar atención al exceso de optimismo del intervalo de predicción de JMP.
Aquí queremos hablar sobre un caso práctico en Cencora PharmaLex: cómo usamos el intervalo de predicción para mostrarle al cliente la precisión y la confiabilidad del proyecto. El perfilador muestra una línea de predicción para la variable de respuesta según el nivel de los factores. Aquí tenemos ocho variables diferentes que diseñamos en el DOE.
El intervalo de predicción representa el rango dentro del cual se espera que la respuesta verdadera se encuentre dentro de un nivel determinado. Por ejemplo, aquí consideramos el 95%. Podemos modificar fácilmente la línea vertical roja para mostrar las diferencias. Le indicamos al cliente: "Observe las diferencias en los valores de predicción y la amplitud de los intervalos de predicción, y estreche la predicción. Los intervalos indican predicciones más precisas, mientras que un intervalo más amplio indica mayor incertidumbre". Como puede ver en los dos gráficos, modificamos los valores; podemos mover la línea vertical roja para mostrar las diferencias al cliente.
En definitiva, podemos concluir que los intervalos de predicción mejoran la toma de decisiones al mostrar un rango de posibles resultados y cuantificar la incertidumbre. Ayudan a evaluar riesgos, mejorar la precisión y respaldar mejores decisiones. Especialmente en situaciones críticas para algunos clientes del sector clínico y de las ciencias de la vida, su valor se extiende a la gestión de riesgos y a campos como el farmacéutico y el de las ciencias de la vida. Muchas gracias por la invitación. Aquí está mi presentación.
