Dieser Blog wurde von Shuying Han verfasst. Shuying Han entwickelte das UpSet Plot-Add-In im Rahmen des Sommerpraktikum für Biostatistik-Studenten (BUSI)-Programms an der University of North Carolina in Chapel Hill.
Einführung
Heutzutage zielen statistische Studien und klinische Tests darauf ab, die Geschichten hinter den Daten aufzudecken und zu kommunizieren, indem Rohdaten in aussagekräftige Erkenntnisse umgewandelt werden. Die Datenvisualisierung dient als wichtige Brücke zur effektiven Präsentation und Kommunikation dieser Ergebnisse.
Inspiriert von der Arbeit von Ballarini et al. (2020) haben wir das UpSet-Diagramm als robustes Datenvisualisierungstool zur Untersuchung und Analyse kategorialer Datensätze übernommen. UpSet-Diagramme bieten einen klaren und skalierbaren Ansatz zur Visualisierung von Schnittmengen zwischen mehreren Variablen und ermöglichen Nutzern die dynamische Auswahl von Gruppierungs- und Faktorvariablen für eine individuelle und interaktive Untersuchung. Dadurch eignen sie sich besonders gut zum Aufdecken von Mustern und Zusammenhängen in komplexen, mehrdimensionalen Datensätzen. Im Gegensatz zu herkömmlichen Venn-Diagrammen bieten UpSet-Diagramme eine strukturiertere und intuitivere Möglichkeit zur Analyse von Überschneidungen, insbesondere im Kontext klinischer Studien, bei denen die Komplexität oft mit der Menge der erfassten Daten zunimmt.
Beispiel mit Nicardipine.jmp
In diesem Blog verwenden wir eine Teilmenge des Beispieldatensatzes Nicardipine.jmp (verfügbar in den JMP-Beispieldaten). Dieser Datensatz enthält Patienteninformationen (N=882) aus einer klinischen Studie zur Behandlung mit Nicardipin, nachdem Zeilen mit doppelten Probandenkennungen entfernt wurden. Er enthält wichtige Patientendaten, Behandlungsprotokolle, Berichte über unerwünschte Ereignisse, klinische Ergebnisse und Studienmetadaten. Er bietet einen umfassenden Überblick über die typischerweise in einer klinischen Studie erfassten Variablen und ist daher für Untergruppenanalysen wertvoll.
(Hinweis: Um eine patientenspezifische Datenübersicht für Nicardipine.jmp zu erhalten, wählen Sie die Spalte „Eindeutige Subjektkennung“ aus und gehen Sie zu Zeilen > Zeilenauswahl > Doppelte Zeilen auswählen. Löschen Sie diese doppelt ausgewählten Zeilen – jetzt gibt es 882 Zeilen, eine pro Patient. Die Spalten „Domänenabkürzung“ und „Sequenznummer zum Studientag des Endes des unerwünschten Ereignisses“ sind Daten auf AE-Ebene und können gelöscht oder ignoriert werden.)
Um die Beziehung zwischen Geschlecht (Männlich, Weiblich) und verschiedenen Kennzeichen für klinische Interventionen zu analysieren, wie etwa Swan-Ganz-Überwachung („J“ für Ja, „N“ für Nein), Steroide („J“ für Ja, „N“ für Nein) und absichtliche Hämodilution („J“ für Ja, „N“ für Nein), stellen wir den UpSet-Plot-Dialog in Abbildung 1 dar.
Figure 1. Sample UpSet plot dialogAbbildung 1. Beispiel für einen UpSet-Plotdialog
Nach der Eingabe der Zielfaktorvariablen und der Gruppierungsvariablen generierte das UpSet Plot Add-In das entsprechende UpSet-Diagramm (Abbildung 2).
Figure 2. Sample UpSet plotAbbildung 2. Beispiel eines UpSet-Diagramms
Übersicht über das UpSet-Diagramm
- Das gestapelte Balkendiagramm oben stellt den Anteil der Patienten für jedes Geschlecht (Männlich, Weiblich) als ausgewählte Gruppierungsvariable im Dialogfeld (Abbildung 1) für verschiedene Interventionsflaggen-Untergruppen dar.
- Das mittlere Balkendiagramm zeigt die Gesamtzahl der Patienten (N pro Untergruppe) in jeder einzelnen Schnittmenge der Interventionsmarkierungen. Das rechte Balkendiagramm zeigt die Gesamtzahl der Patienten für jede Faktorstufe. Beispielsweise haben 456 Patienten (vierter Balken) die Markierung „Intentionale Hämodilution“ = N und die Markierung „Steroide“ = J (in dieser Spalte sind Punkte vorhanden und verbunden). Innerhalb dieser Gruppe sind 38 % bzw. 63 % der 456 Patienten männlich bzw. weiblich (beim Bewegen des Mauszeigers über diese Balken werden die genauen Prozentwerte angezeigt).
- Der untere Teil des Diagramms mit Liniensegmenten zeigt die individuellen, paarweisen und dreifachen Untergruppenkombinationen basierend auf dem Vorhandensein und Fehlen der jeweiligen Interventionskennzeichen („J“ für Ja, „N“ für Nein). Die Punkte veranschaulichen die Merkmale der einzelnen Untergruppen.
Erkenntnisse aus dem UpSet-Diagramm
- Gruppierungsfaktoranteile: Basierend auf dem gestapelten Balkendiagramm oben dominiert die weibliche Gruppe (F) in allen Untergruppenkombinationen durchgängig mit einem Anteil von 56 % bis 70 %. Diese relativ unausgewogene Geschlechterverteilung kann die Ergebnisse von Studien beeinflussen, bei denen das Geschlecht ein Schlüsselfaktor ist.
- Untergruppengröße: Das rechte Balkendiagramm zeigt die Variabilität der Größen der einzelnen Interventionskennzeichenkombinationen. Die größte Gruppe umfasst 643 Personen, die anderen Gruppen schrumpfen auf 625, 489, 293 und 257. Das Swan-Ganz-Monitoring-Kennzeichen ist relativ ausgewogen vertreten, während andere eine ungleichmäßige Verteilung aufweisen, was auf Unterschiede in der Interventionsnutzung oder den Patientenmerkmalen hindeutet. Abhängig von den Studienzielen können weitere Analysen der paarweisen und dreiseitigen Untergruppeninteraktionen wichtige Trends aufzeigen.
Abschluss
Das UpSet-Diagramm bietet eine effiziente und intuitive Möglichkeit, Schnittpunkte und Beziehungen innerhalb multidimensionaler Datensätze zu visualisieren. Anhand der Teilmenge des Nicardipine.jmp-Studiendatensatzes haben wir gezeigt, wie dieses Visualisierungstool das Zusammenspiel zwischen Geschlecht und klinischen Interventionskennzeichen effektiv hervorhebt. Durch die dynamische Untersuchung von Untergruppenmustern vereinfacht das UpSet-Diagramm große, komplexe Daten und liefert umsetzbare Erkenntnisse. Damit ist es eine wertvolle Ressource für die Analyse und Entscheidungsfindung klinischer Studien.
Weitere Details und Beispiele zum Add-In finden Sie in der Dokumentation zum UpSet Plot-Add-In . Wenn Ihnen das Add-In gefällt, freuen wir uns über eine Fünf-Sterne-Bewertung! Neue Funktionen können Sie im Q&A-Bereich anfordern.
Verweise
Ballarini NM, Chiu Y, König F, Posch M, & Jaki T. (2020). Eine kritische Überprüfung von Grafiken für Subgruppenanalysen in klinischen Studien . Pharmazeutische Statistik , 19: 541-560.
