Evaluación de respuesta es una plataforma robusta disponible en JMP Pro . Automatiza el proceso de realizar pruebas en un gran número de respuestas, y los resultados de las pruebas y las estadísticas resumidas se presentan directamente en el informe o en tablas de datos para permitir una mayor exploración de los datos. Además, probar muchas respuestas para determinar los efectos de los factores puede ser un desafío, si no engañoso, sin utilizar una metodología estadística adecuada para protegerse contra hallazgos falsos positivos. Un enfoque de tasa de falsos descubrimientos (FDR) protege contra declaraciones incorrectas de significancia. Los gráficos de valores p ajustados hacen que los resultados sean fácilmente interpretables. Debido a la flexibilidad y el rendimiento de Evaluación de respuesta , es una plataforma que se usa a menudo para el desarrollo de nuevas funciones dentro de JMP Clínico para analizar muchos puntos finales, puntos temporales o grupos, que son consideraciones comunes para los ensayos clínicos. En JMP Pro 19 y JMP Clínico 19 , la nueva función Subgrupo facilita más que nunca la exploración de puntos finales dentro de subgrupos de observaciones.
Primero, ¿qué es un subgrupo? Un subgrupo es un subconjunto de un conjunto completo de observaciones, que suele estar representado por todas las filas de una tabla de datos. A menudo, los subgrupos se seleccionan por su similitud en una o más características que comparten, y puede ser interesante realizar análisis dentro de estos subgrupos para comprender cómo los resultados pueden variar con respecto al análisis del conjunto completo de observaciones.
Para los fines de nuestro análisis, el término factor se refiere a una variable que se utiliza, ya sea sola o en conjunto con otros factores, para determinar subgrupos , que definimos como los niveles individuales de un factor o una combinación de dos o más niveles de factores. Por ejemplo, la variable Sexo se consideraría un factor, mientras que Masculino y Femenino se considerarían subgrupos. Quizás un segundo factor, Edad, contenga dos subgrupos: < 65 años y ≥ 65 años. Los subgrupos basados en Sexo y Edad podrían generar los siguientes cuatro subgrupos:
- Hombre, < 65 años
- Varón, ≥ 65 años
- Mujer, < 65 años
- Mujer, ≥ 65 años
En esta entrada de blog, ilustramos la función del Subgrupo utilizando los datos de nicardipina disponibles en el Índice de Datos de Muestra de JMP. Estos datos contienen varias filas por paciente, una para cada evento adverso. Seleccione la columna Identificador Único de Sujeto y vaya a Filas > Selección de Filas > Seleccionar Filas Duplicadas. Esto resalta todas las filas duplicadas, determinando la duplicación utilizando únicamente el Identificador Único de Sujeto . Para este análisis, al usar Ocultar y Excluir en estas filas, quedan 882 filas disponibles para el análisis.
Supongamos que queremos comparar la Muerte del Paciente (Y/N) (utilizando la Bandera de Paciente Fallecido, estableciendo el Nivel Objetivo en Y) entre Nicardipina y Placebo (Descripción del Brazo Planificado, estableciendo Placebo como el brazo de Control) dentro de subgrupos basados en los siguientes factores:
- Sexo: M, F
- Edad (años)
- Grupo 1 de carreras agrupadas
- Indicadores de medicación/intervención (S/N)
- Bandera de anticonvulsivos
- Antieméticos o fenotiazinas Bandera
- Bandera de antifibrinolíticos
- Bandera de antihipertensivos
- Bandera de transfusión de sangre
- Bandera de monitorización de la presión venosa central
- Bandera de hipertensión inducida
- Bandera de hipervolemia intencional
- Bandera de hemodilución intencional
- Bandera de dextrano de bajo peso molecular
- Bandera de manitol
- Bandera de esteroides
- Bandera de monitoreo de Swan Ganz
- Bandera de los vasopresores
El diálogo de la Figura 1 nos permite realizar el análisis.
Figure 1. Response Screening analysis with Subgroup roleFigura 1. Análisis de detección de respuestas con rol de subgrupo
Observe la presencia de la variable continua edad en el rol Subgrupo . Si bien siempre es posible crear nuestras propias categorías de variables continuas, la Evaluación de respuesta lo hace automáticamente mediante terciles. Finalmente, para obtener combinaciones pareadas de los niveles de cada factor (p. ej., hombres con transfusiones de sangre), seleccione la opción Subgrupo Bidireccional .
El resultado se presenta en la Figura 2.
Figure 2. Response Screening of death within subgroupsFigura 2. Evaluación de la respuesta de muerte dentro de los subgrupos
Al seleccionar el Subgrupo Twoway , estos 17 factores generan 612 subgrupos diferentes (fácilmente visibles en la tabla de datos de valores p , ya que hay 612 filas; seleccione Guardar tablas > Guardar valores p). De estos, 605 subgrupos generan valores p (Figura 2). Se observan todos los subgrupos potenciales basados en combinaciones individuales y por pares de niveles de factor. Los subgrupos "vacíos" se presentarían en las tablas de datos con un recuento igual a 0 (lo cual es mejor para la transparencia y la integridad del análisis de subgrupos). El tamaño de los subgrupos varía desde un paciente hasta 852 pacientes.
Cuando se utiliza un solo factor para generar un subgrupo, como en la primera fila de la tabla de la Figura 2, Subgrupo2 = Todos. Cuando se utilizan dos factores, tanto Subgrupo como Subgrupo2 tienen valores distintos de Todos. El resultado del análisis en la población total de pacientes (aquí, 882) indica que Subgrupo y Subgrupo2 son iguales a Todos. Considerando todas las pruebas múltiples realizadas con el ajuste FDR, no se observan diferencias en las tasas de mortalidad entre los grupos de tratamiento.
En la pestaña Resultados de 2 por M se presentan los gráficos de bosque con intervalos de confianza del 95% para el riesgo relativo, la diferencia de riesgos y la razón de probabilidades de muerte. Estos gráficos confirman pocas diferencias notables entre los tratamientos, aunque estos análisis no están ajustados al número de pruebas realizadas.
Figure 3. Forest plots of death within subgroupsFigura 3. Diagramas de bosque de muerte dentro de subgrupos
La evaluación de respuesta de personalidad en Modelo de ajuste permite ajustar modelos más complejos para puntos finales continuos para permitir la inclusión de múltiples covariables en el análisis de subgrupos.
La evaluación de respuesta en JMP Pro 19 y JMP Clínico 19 facilita más que nunca la exploración de resultados dentro de subgrupos. Próximamente, analizaremos el informe de Cribado de Subgrupos de JMP Clínico , que utiliza la eficacia de la evaluación de respuesta para comprender mejor los criterios de valoración principales y secundarios clave de los ensayos clínicos.
