Introduction
Dans le monde actuel, axé sur les données, les relations sont tout aussi importantes que les données elles-mêmes. Qu'il s'agisse de cartographier des liens sociaux ou d'explorer les interactions médicament-événement, la visualisation de ces relations peut révéler des informations autrement cachées dans des tableaux ou des statistiques agrégées. Un graphique en réseau offre un moyen intuitif d'explorer ces données interconnectées en représentant les entités comme des nœuds et leurs relations comme des arêtes. Il peut être utilisé pour identifier les acteurs clés des médias sociaux, détecter les fraudes financières, optimiser les itinéraires logistiques et même explorer les interactions protéiques et les voies pathologiques. Le point commun de ces applications est la nécessité de simplifier une structure relationnelle complexe en des récits visuels utiles et clairs.
Nous pouvons pondérer les limites par fréquence et par des relations statistiques, telles que la corrélation et la corrélation partielle. De plus, différents choix de présentation nous permettent d'explorer différentes relations, d'identifier des clusters et de relier des éléments susceptibles de signaler des acteurs influents ou des goulots d'étranglement, souvent masqués par des graphiques ou des feuilles de calcul traditionnels.
Après avoir présenté les principes généraux et les techniques du réseau de graphes, j'examinerai une étude de cas de pharmacovigilance sur la cooccurrence d'événements indésirables (EI), qui illustre comment le réseau de graphes met en lumière les signaux de sécurité des médicaments. Enfin, j'explorerai comment le module complémentaire JMP Network Plot prend en charge l'exploration interactive, le filtrage des données et l'analyse au niveau des groupes.
Module complémentaire Network Plot
Les tracés en réseau modélisent les données sous forme de relations. Chaque nœud représente une entité, telle qu'une personne, un produit, un gène ou un médicament, tandis qu'une arête indique une interaction, une cooccurrence ou une relation définie entre deux nœuds. Les arêtes peuvent être pondérées pour refléter un certain nombre d'attributs partagés, tels que la fréquence par paire, la durée de chevauchement, la corrélation ou la dépendance conditionnelle. La taille ou la couleur du nœud peuvent coder des attributs tels que la fréquence marginale ou les caractéristiques du groupe.
Un tracé de réseau interactif améliore la détection de modèles et la génération d'hypothèses. Les dispositions courantes incluent des vecteurs propres ou des arrangements circulaires qui mettent en évidence des modèles structurels ou une vue d'ensemble comparative. Les filtres, le regroupement d'arêtes et les paramètres de seuil réduisent l'encombrement et concentrent l'attention sur les connexions significatives.
Nous avons développé le module complémentaire Network Plot , accessible depuis JMP 17. Comme illustré à la figure 1, le processus commence par la sélection de colonnes dans l'ensemble de données sélectionné par l'utilisateur : l'identifiant du sujet, les termes d'intérêt (tels que les termes relatifs à l'événement ou au médicament) et, éventuellement, une variable de regroupement qui organise les termes d'intérêt en catégories mutuellement exclusives.
Dans l'interface de dialogue, les utilisateurs peuvent personnaliser l'apparence du graphique. Des arêtes sont dessinées entre des paires de nœuds si elles coexistent dans le même sujet. La taille des nœuds et des arêtes (par défaut) reflète la fréquence et la cooccurrence de l'événement. Concernant les options de couleur, les arêtes peuvent être colorées par fréquence et association statistique, comme le coefficient de corrélation ou de corrélation partielle, qui met en évidence la force du lien entre deux événements.
Figure 1. Dialog window displayed upon launching the add-inFigure 1. Dialog window displayed upon launching the add-inFigure 1. Fenêtre de dialogue affichée au lancement du complément
Le module complémentaire construit le réseau avec deux options de disposition principales, où chaque terme d'intérêt unique est représenté comme un nœud :
- La disposition circulaire par défaut , illustrée à la figure 2, place tous les nœuds autour d'un cercle, ce qui rend chaque connexion plus visible et offre une vue d'ensemble de la connectivité réseau. Remarque importante : il s'agit d'une disposition dynamique. Elle recalcule et réorganise automatiquement la position des nœuds lors du filtrage pour garantir une visibilité maximale.
- Alternativement, une disposition basée sur les vecteurs propres organise les nœuds en fonction des deux premiers vecteurs propres de la matrice de corrélation partielle de cooccurrence ou de corrélation (lorsque la corrélation partielle n'est pas de rang complet), comme illustré dans la figure 3. Cette approche regroupe les nœuds avec des modèles de chevauchement similaires, ce qui facilite la détection de groupements ou de modules naturels dans les données.
Le graphique est entièrement interactif ; les utilisateurs peuvent filtrer dynamiquement les données sous-jacentes grâce aux options du filtre de données du panneau de gauche, mettant instantanément à jour le réseau pour se concentrer sur des sous-groupes, des fréquences ou des plages de corrélation spécifiques. La sélection d'un nœud ou d'une arête dans le graphique met en évidence les enregistrements correspondants dans la table de données JMP, facilitant ainsi une analyse détaillée rapide.
Figure 2. Interactive Data Filter of Network Plot add-inFigure 2. Interactive Data Filter of Network Plot add-inFigure 2. Filtre de données interactif du module complémentaire Network Plot
Figure 3. Layout options of Network Plot add-inFigure 3. Layout options of Network Plot add-inFigure 3. Options de mise en page du module complémentaire Network Plot
Étude de cas : chevauchement des médicaments et des événements indésirables
Pour démontrer l'impact pratique des graphiques en réseau, nous les avons appliqués à un ensemble de données d'événements indésirables musculo-squelettiques (EI) à l'aide du module complémentaire interactif Network Plot. Chaque nœud du réseau représente un EI distinct, comme une arthralgie , un gonflement articulaire ou une douleur musculo-squelettique . Les contours indiquent les cas où ces événements sont survenus au moins une fois dans les dossiers patients, ce qui correspond à tous les événements de ces données. La taille du nœud reflète la fréquence d'apparition de chaque événement, tandis que l'épaisseur et la couleur des contours codent la fréquence ou la force statistique de la cooccurrence entre paires d'événements. Les analystes peuvent filtrer les contours en dessous d'un seuil, appliquer des filtres de regroupement et explorer instantanément une sous-population spécifique. Les graphiques en réseau peuvent également compléter d'autres approches, telles que les graphiques de perturbation (comme décrit dans l' article ), qui énumèrent les intersections d'ensembles discrets.
Résultats
Les deux configurations de réseau (basées sur les vecteurs propres et sur le cercle) permettent de dégager quelques schémas. L'arthralgie se distingue comme un nœud central, caractérisé par une taille importante et des bords épais le reliant à plusieurs autres effets indésirables, notamment le gonflement des articulations et la douleur des extrémités . L'importance de ces connexions suggère que les patients souffrant d'arthralgie signalent souvent également un gonflement des articulations et des douleurs des extrémités, formant ainsi un ensemble étroitement lié de symptômes connexes. Cette triade visuelle reflète non seulement des associations cliniquement plausibles, mais met également en évidence des regroupements syndromiques potentiels qui pourraient bénéficier d'une surveillance articulaire ou d'études complémentaires.
La légende de couleur du côté droit et l'épaisseur variable des bords indiquent les paires d'événements indésirables les plus fréquemment observés ensemble. Par exemple, la ligne bleu foncé épaisse entre « arthralgie » et « gonflement des articulations » indique une fréquence élevée de cooccurrence, tandis que des lignes plus claires et plus fines, comme celles reliant l'arthropathie psoriasique à d'autres ganglions, indiquent des chevauchements plus faibles ou moins fréquents.
Les nœuds colorés par groupe divisent les événements, permettant un sous-groupement visuel rapide. Par exemple, les nœuds de catégorie 1 (bleu) et de catégorie 3 (vert) ont tendance à se regrouper, ce qui pourrait correspondre à des sous-types cliniques. Les filtres interactifs du panneau de gauche permettent de se concentrer instantanément sur des catégories d'événements, des fréquences ou des niveaux de corrélation spécifiques. Par exemple, en filtrant les limites de basse fréquence, les schémas principaux ont été clarifiés sans compromettre l'interprétabilité. Cette fonctionnalité permet des analyses ciblées, comme l'isolement de combinaisons d'événements rares mais graves ou la concentration sur les sous-populations de patients les plus à risque.
Le passage de la disposition en cercle à la disposition en vecteurs propres repositionne les nœuds, rendant les relations structurelles plus ou moins apparentes selon la question analytique. La disposition en vecteurs propres rapproche les symptômes étroitement associés, soulignant leur proximité statistique et permettant de révéler des regroupements qui pourraient être omis dans les résumés tabulaires statiques. Le filtre de données interactif permet à l'analyste de restreindre le graphique aux EI dépassant une certaine fréquence ou d'inclure uniquement les contours fortement corrélés, supprimant ainsi le bruit et permettant de se concentrer sur les schémas cliniquement significatifs.
Un tel réseau graphique soutient plusieurs objectifs de pharmacovigilance et de recherche dans le monde réel :
- Détection de groupes : en révélant des groupes de symptômes qui apparaissent fréquemment ensemble, le graphique aide à identifier des syndromes ou des profils d'effets secondaires spécifiques aux médicaments.
- Allocation des ressources : en mettant en évidence les événements à haute fréquence ou centraux, le graphique peut éclairer les décisions concernant les symptômes à surveiller de manière proactive dans la pratique clinique.
- Communication améliorée : en ajoutant des visualisations, un pont de communication est créé entre les analystes de données, les cliniciens et les décideurs, permettant une compréhension partagée des données de cooccurrence complexes en un coup d'œil.
Si les graphiques de perturbation sont utiles pour quantifier le nombre de patients exposés à des combinaisons spécifiques de médicaments et d'effets indésirables, ils ne permettent pas de rendre compte simultanément de la force et de la structure des liens entre de nombreux événements. Les graphiques en réseau, en revanche, offrent une vision globale et flexible des données. Ils montrent les événements étroitement liés, ceux qui sont isolés et les liens entre les groupes, le tout grâce à des repères visuels adaptables aux besoins de l'investigation. Utilisés ensemble, les graphiques de perturbation et les graphiques en réseau offrent une boîte à outils complète pour le dénombrement et l'exploration des relations médicament-événement.
Conclusion et prochaines étapes
Le module complémentaire Network Plot offre une plateforme dynamique et interprétable pour visualiser la cooccurrence de médicaments et d'événements indésirables, mettant en lumière des schémas complexes autrement difficiles à discerner. Face à la complexité croissante des données, ces outils visuels deviennent de plus en plus importants pour des évaluations de sécurité rapides et précises. Ce module complémentaire JMP permet d'obtenir ces résultats grâce à un flux de travail interactif. Les prochaines orientations incluent l'intégration de covariables individuelles (telles que l'âge ou la dose), la prise en charge des aspects temporels de la cooccurrence, davantage d'options de mise en page et davantage de modules d'analyse pour la détection automatique de clusters ou la quantification des risques. À terme, l'intégration de la visualisation de réseau aux flux de travail standard de détection des signaux de sécurité permettra aux analystes et aux cliniciens de passer des données brutes à l'analyse plus rapidement et plus clairement.
