Kelci Miclaus, Senior Manager, Advanced Analytics R&D, JMP Life Sciences, SAS Institute Inc.
Translationale Forschung (Forschung, die Grundlagenforschung und angewandte Forschung verbindet) und klinische Forschung sind kostspielig. Um Gesundheitsergebnisse und Krankheiten zu verstehen, erheben Forschende in der Regel möglichst viele Daten zu möglichst vielen Endpunkten und berücksichtigen dabei Kosten und Zeitaufwand. Dies wird zusätzlich durch das begrenzte Verständnis der genomischen Grundlagen von Krankheiten und den Bedarf an exzellenten klinischen Studienprotokollen motiviert, um nicht nur die Wirksamkeit neuer Therapien, sondern auch deren Sicherheit und praktische Integrität zu bewerten. Im Lebenszyklus von Life-Science-Daten kann die schiere Datenmenge eine erhebliche Belastung für die Analyse und Kommunikation der Ergebnisse darstellen (herkömmliche Methoden, Hunderte von Tabellen zu erstellen, sind weder effizient noch effektiv). Diese Sitzung konzentriert sich auf die Visualisierung, insbesondere für die Ergebniskommunikation, im Kontext typischer Fallstudienanalysen in der Life-Science-Forschung. Wir werden Techniken zur Zusammenfassung und Visualisierung von Daten sowie zur grafischen Darstellung besprechen, um die Ergebnisse komplexer statistischer Analysen zu kommunizieren.
Ich werde dies detailliert erläutern. Beispiele hierfür sind Vulkan- und Manhattan-Plots für statistische Modelle mit Tausenden bis Millionen von Datensätzen unter Verwendung genomischer Daten, Verteilungsübersichten zu Sicherheit und Wirksamkeit in klinischen Studien, Trends in der Labordiagnostik (Wasserfall-, Verschiebungs-, Spaghetti-, Lasagne- und Schwimmerdiagramme) sowie die Erkennung von Vollständigkeitsanomalien in klinischen Studien. Alle Beispiele wurden mit dem Graph Builder von JMP erstellt, dessen Vorteile und Flexibilität ebenfalls hervorgehoben werden.
