Kelci Miclaus, Gerente Sénior de I+D en Análisis Avanzado, JMP Life Sciences, SAS Institute Inc.
La investigación traslacional (que abarca desde la investigación básica hasta la aplicada) y la investigación clínica son costosas. Para comprender los resultados de salud y las enfermedades, los investigadores suelen recopilar la mayor cantidad de datos posible sobre el mayor número de variables de resultado, teniendo en cuenta el costo y el tiempo. Esto se debe, además, al conocimiento limitado de la base genómica de las enfermedades y a la necesidad de contar con excelentes protocolos de investigación clínica para evaluar no solo la eficacia de las nuevas terapias, sino también su seguridad e integridad operativa. En el ciclo de vida de los datos de ciencias de la vida, el gran volumen de datos puede suponer una carga significativa para el análisis y la comunicación de resultados (los métodos tradicionales de creación de cientos de tablas no son ni eficientes ni efectivos). Esta sesión se centrará en la visualización, en particular para la comunicación de resultados, en el contexto de los análisis típicos de estudios de caso en la investigación en ciencias de la vida. Analizaremos técnicas para resumir y visualizar datos, así como para la elaboración de gráficos, con el fin de comunicar los resultados de análisis estadísticos complejos.
Lo explicaré en detalle. Algunos ejemplos incluyen diagramas de volcán y diagramas de Manhattan al ejecutar modelos estadísticos de miles a millones de datos genómicos, resúmenes de distribución de seguridad y eficacia en ensayos clínicos, tendencias de diagnóstico de laboratorio (diagramas de cascada, diagramas de desplazamiento, diagramas de espagueti, diagramas de lasaña, diagramas de nadadores) y detección de anomalías de completitud en ensayos clínicos. Todos los ejemplos se crearon con el Generador de gráficos de JMP, y también se destacarán sus ventajas y flexibilidad.
