Kelci Miclaus, directrice principale, Recherche et développement en analytique avancée, JMP Life Sciences, SAS Institute Inc.
La recherche translationnelle (qui s'étend des domaines fondamentaux aux domaines appliqués) et la recherche clinique sont coûteuses. Pour comprendre les conséquences sur la santé et les maladies, les chercheurs recueillent généralement un maximum de données sur un maximum de critères d'évaluation, tout en tenant compte des coûts et des délais. Cette démarche est motivée par notre compréhension encore limitée des bases génomiques des maladies et par la nécessité de disposer de protocoles de recherche clinique rigoureux pour évaluer non seulement l'efficacité des nouvelles thérapies, mais aussi leur innocuité et leur fiabilité opérationnelle. Dans le cycle de vie des données en sciences de la vie, leur volume considérable peut représenter un obstacle important à l'analyse et à la communication des résultats (les méthodes traditionnelles de création de centaines de tableaux sont inefficaces). Cette session portera sur la visualisation, notamment pour la communication des résultats, dans le cadre d'analyses d'études de cas typiques en sciences de la vie. Nous aborderons les techniques de synthèse, de visualisation et de représentation graphique des données afin de communiquer les résultats d'analyses statistiques complexes.
Je vais détailler ces exemples. Parmi ceux-ci figurent les diagrammes en volcan et les diagrammes de Manhattan utilisés dans la modélisation statistique de données génomiques portant sur des milliers, voire des millions de données ; les synthèses de distribution de la sécurité et de l’efficacité dans les essais cliniques ; les tendances des diagnostics de laboratoire (diagrammes en cascade, en décalage, en spaghetti, en lasagnes et en nageurs) ; et la détection d’anomalies de complétude dans les essais cliniques. Tous ces exemples ont été créés avec l’outil Graph Builder de JMP, dont les avantages et la flexibilité seront également mis en évidence.
