本博客由韩淑英撰写。韩淑英开发了 UpSet Plot 插件，这是北卡罗来纳大学教堂山分校生物统计学本科生暑期实习(BUSI) 项目的一部分。
介绍
如今，统计研究和临床试验旨在揭示和传达数据背后的故事，将原始数字转化为有意义的见解。数据可视化是有效呈现和传达这些发现的重要桥梁。
受Ballarini 等人 (2020)的研究启发，我们采用了UpSet 图作为强大的数据可视化工具，用于探索和分析分类数据集。UpSet 图提供了一种清晰且可扩展的方法来可视化多个变量之间的交叉点，允许用户动态选择分组和因子变量，进行自定义和交互式探索。这种方法使其特别适合揭示复杂多维数据集中的模式和关系。与传统的维恩图不同，UpSet 图提供了一种更结构化、更直观的方式来分析重叠数据，尤其是在临床试验中，因为其复杂性通常会随着数据收集量的增加而增加。
使用 Nicardipine.jmp 的示例
在本篇博文中，我们利用了示例数据集 Nicardipine.jmp（可在 JMP 示例数据中找到）的一个子集，该子集包含一项涉及尼卡地平治疗的临床试验的患者信息（N=882），并删除了重复受试者标识符的行。该子集包含关键患者人口统计数据、治疗方案、不良事件报告、临床结果和研究元数据，从而全面展现了临床试验研究中通常收集的变量，这对于亚组分析非常有价值。
（注意：要获取 Nicardipine.jmp 的患者级数据摘要，请选择“唯一受试者标识符”列，然后转到“行”>“行选择”>“选择重复行”。删除这些重复的选定行 - 现在共有 882 行，每个患者一行。“域缩写”和“不良事件结束研究日序列号”列是 AE 级数据，可以删除或忽略。）
为了分析性别（男、女）与各种临床干预标志之间的关系，例如 Swan-Ganz 监测（“Y” 表示是，“N” 表示否）、类固醇（“Y” 表示是，“N” 表示否）和有意血液稀释（“Y” 表示是，“N” 表示否），我们在图 1 中展示了 UpSet 图对话框。
Figure 1. Sample UpSet plot dialog图 1. UpSet 图对话框示例
输入目标因子变量和分组变量后，UpSet Plot Add-In生成相应的UpSet图（图2）。
Figure 2. Sample UpSet plot图 2. UpSet 图示例
UpSet 情节概述
- 顶部的堆积条形图表示对话框（图 1）中选定的分组变量中每个性别（男性、女性）的患者比例，用于不同的干预标志子组。
- 中间的条形图显示了干预标记每个唯一交集处的患者总数（每个亚组的患者数量）。右侧的条形图显示了每个因素水平的患者总数。例如，456 名患者（第四条柱状图）的“有意血液稀释标记”=“N”，“类固醇标记”=“Y”（此列中有点且连接在一起）。在该组中，这 456 名患者中，男性和女性分别占 38% 和 63%（将鼠标悬停在这些柱状图上即可显示确切的百分比）。
- 图表底部的线段显示了基于每个干预标志的存在与否（“Y”表示“是”，“N”表示“否”）的个体、成对和三向子组组合。点表示每个子组的特征。
从《UpSet》情节中得到的启示
- 分组因素比例：根据上方的堆叠条形图，女性组（F）在所有子组组合中始终占主导地位，占比在 56% 到 70% 之间。这种相对不平衡的性别分布可能会影响以性别为关键因素的研究结果。
- 亚组规模：右侧条形图显示了各种干预措施组合的规模变化，最大的组包含 643 名个体，其他组则依次递减，分别为 625、489、293 和 257 名。Swan-Ganz 监测标记的代表性相对均衡，而其他标记的分布则不均匀，这表明干预措施的利用率或患者特征存在差异。根据研究目标，进一步分析两两和三向亚组交互作用可能会揭示关键趋势。
结论
UpSet 图提供了一种高效直观的方式来可视化多维数据集内的交叉点和关系。我们使用 Nicardipine.jmp 试验数据集子集，演示了此可视化工具如何有效地突出显示性别与临床干预标记之间的相互作用。通过动态探索亚组模式，UpSet 图简化了大型复杂数据并提供可操作的洞察，使其成为临床试验分析和决策的宝贵资源。
有关该插件的更多详细信息和示例，请参阅UpSet Plot 插件文档。如果您喜欢该插件，请给我们五星好评！您可以在问答环节中提出新功能请求。
参考
Ballarini NM、Chiu Y、König F、Posch M 和 Jaki T. (2020)。 临床试验亚组分析图形评论。 《药物统计学》 ，19: 541-560。
