Einführung
In der heutigen datengetriebenen Welt sind Beziehungen genauso wichtig wie die Datenpunkte selbst. Ob Sie soziale Verbindungen abbilden oder Wechselwirkungen zwischen Medikamenten und Ereignissen untersuchen – die Visualisierung dieser Beziehungen kann Erkenntnisse liefern, die sonst in Tabellen oder aggregierten Statistiken verborgen bleiben. Ein Netzwerkdiagramm bietet eine intuitive Möglichkeit, solche vernetzten Daten zu untersuchen, indem es Entitäten als Knoten und ihre Beziehungen als Kanten darstellt. Es kann verwendet werden, um zentrale Akteure in sozialen Medien zu finden, Finanzbetrug aufzudecken, Logistikrouten zu optimieren und sogar Proteininteraktionen und Krankheitsverläufe zu untersuchen. Allen diesen Anwendungen gemeinsam ist die Notwendigkeit, eine komplexe relationale Struktur in nützliche und klare visuelle Darstellungen zu vereinfachen.
Wir können die Kanten nach Häufigkeit und statistischen Beziehungen wie Korrelation und partieller Korrelation gewichten. Darüber hinaus ermöglichen uns verschiedene Layouts, unterschiedliche Beziehungen zu untersuchen, Cluster zu identifizieren und Elemente zu überbrücken, die auf einflussreiche Akteure oder Engpassbeziehungen hinweisen, die in herkömmlichen Diagrammen oder Tabellen verborgen bleiben können.
Nach der Einführung in die allgemeinen Prinzipien und Techniken des Netzwerkdiagramms untersuche ich eine Pharmakovigilanz-Fallstudie zum gleichzeitigen Auftreten unerwünschter Ereignisse (UE). Sie zeigt, wie das Netzwerkdiagramm Signale zur Arzneimittelsicherheit aufzeigt. Abschließend erläutere ich, wie das JMP-Add-In „Netzwerkdiagramm“ die interaktive Exploration, Datenfilterung und Einblicke auf Gruppenebene unterstützt.
Netzwerkplot-Add-In
Netzwerkdiagramme modellieren Daten als Beziehungen. Jeder Knoten repräsentiert eine Entität – beispielsweise eine Person, ein Produkt, ein Gen oder ein Medikament –, während eine Kante eine definierte Interaktion, ein gemeinsames Auftreten oder eine Beziehung zwischen zwei Knoten anzeigt. Kanten können Gewichtungen tragen, um eine Reihe gemeinsamer Attribute wie paarweise Häufigkeit, Überlappungsdauer, Korrelation oder bedingte Abhängigkeit widerzuspiegeln. Knotengröße oder -farbe können Attribute wie Randhäufigkeit oder Gruppenmerkmale kodieren.
Ein interaktives Netzwerkdiagramm verbessert die Mustererkennung und Hypothesengenerierung. Gängige Layouts umfassen Eigenvektor- oder Kreisanordnungen, die strukturelle Muster oder vergleichende Übersichten hervorheben. Filter, Kantenbündelung und Schwellenwerteinstellungen reduzieren die Übersichtlichkeit und lenken den Blick auf bedeutsame Zusammenhänge.
Wir haben das Add-In „Network Plot“ entwickelt, das für JMP 17 und spätere Versionen verfügbar ist. Wie in Abbildung 1 dargestellt, beginnt der Workflow mit der Auswahl von Spalten aus dem vom Benutzer ausgewählten Datensatz: der Subjektkennung, den Begriffen von Interesse (z. B. Ereignis- oder Medikamentenbegriffe) und optional einer Gruppierungsvariable, die die Begriffe von Interesse in sich gegenseitig ausschließende Kategorien einordnet.
Innerhalb der Dialogoberfläche können Benutzer die Darstellung des Diagramms anpassen. Kanten werden zwischen Knotenpaaren gezeichnet, wenn diese innerhalb desselben Subjekts gemeinsam auftreten. Die Knoten- und Kantengröße (standardmäßig) spiegelt die Häufigkeit des Ereignisses und das gleichzeitige Auftreten von Ereignissen wider. Bei den Farboptionen können Kanten nach Häufigkeit und statistischer Assoziation, wie z. B. dem Korrelations- oder partiellen Korrelationskoeffizienten, eingefärbt werden, was die Stärke der Verbindung zwischen zwei beliebigen Ereignissen hervorhebt.
Figure 1. Dialog window displayed upon launching the add-inFigure 1. Dialog window displayed upon launching the add-inAbbildung 1. Dialogfenster, das beim Starten des Add-Ins angezeigt wird
Das Add-In erstellt das Netzwerk mit zwei Hauptlayoutoptionen, wobei jeder einzelne Begriff von Interesse als Knoten dargestellt wird:
- Das standardmäßige Kreislayout , wie in Abbildung 2 dargestellt, platziert alle Knoten um einen Kreis herum. Dadurch wird jede Verbindung besser sichtbar und Sie erhalten einen umfassenden Überblick über die Netzwerkkonnektivität. Wichtiger Hinweis: Dies ist ein dynamisches Layout. Es berechnet und ordnet die Knotenpositionen beim Filtern automatisch neu, um maximale Sichtbarkeit zu gewährleisten.
- Alternativ werden bei einem eigenvektorbasierten Layout die Knoten gemäß den ersten beiden Eigenvektoren der Ko-Auftritts-Partialkorrelation oder der Korrelationsmatrix (wenn die Partialkorrelation nicht den vollen Rang hat) angeordnet, wie in Abbildung 3 dargestellt. Bei diesem Ansatz werden Knoten mit ähnlichen Überlappungsmustern zusammengefasst, sodass natürliche Gruppierungen oder Module in den Daten leichter zu erkennen sind.
Das Diagramm ist vollständig interaktiv. Benutzer können die zugrunde liegenden Daten mithilfe der Optionen im Datenfilter im linken Bereich dynamisch filtern und das Netzwerk sofort aktualisieren, um bestimmte Untergruppen, Frequenzen oder Korrelationsbereiche zu fokussieren. Durch Auswahl eines Knotens oder einer Kante im Diagramm werden die entsprechenden Datensätze in der JMP-Datentabelle hervorgehoben, was eine schnelle Drilldown-Analyse für eine detaillierte Überprüfung ermöglicht.
Figure 2. Interactive Data Filter of Network Plot add-inFigure 2. Interactive Data Filter of Network Plot add-inAbbildung 2. Interaktiver Datenfilter des Network Plot-Add-Ins
Figure 3. Layout options of Network Plot add-inFigure 3. Layout options of Network Plot add-inAbbildung 3. Layoutoptionen des Network Plot-Add-Ins
Fallstudie: Überlappende Medikation und unerwünschte Ereignisse
Um die praktische Auswirkung von Netzwerkdiagrammen zu demonstrieren, haben wir sie mithilfe des interaktiven Add-Ins „Network Plot“ auf einen Datensatz mit unerwünschten Ereignissen des Bewegungsapparats angewendet. Jeder Knoten im Netzwerk stellt ein bestimmtes AE dar – etwa Arthralgie , Gelenkschwellung oder Muskel-Skelett-Schmerzen . Die Kanten zeigen Fälle an, in denen diese Ereignisse in den Patientenakten mindestens einmal gleichzeitig auftraten, was zufällig auf alle Ereignisse in diesen Daten zutrifft. Die Knotengröße spiegelt wider, wie häufig jedes Ereignis erscheint, während Kantendicke und -farbe die Frequenz oder statistische Stärke des gleichzeitigen Auftretens von Ereignispaaren kodieren. Analysten können Kanten unterhalb eines Schwellenwerts filtern, Gruppierungsfilter anwenden und sofort eine bestimmte Teilpopulation untersuchen. Netzwerkdiagramme können auch andere Ansätze ergänzen, wie etwa Upset Plots (wie im Beitrag besprochen), die diskrete Schnittpunkte von Mengen aufzählen.
Ergebnisse
Bei beiden Netzwerklayouts (eigenvektorbasiert und kreisförmig) zeichnen sich einige Muster ab. Arthralgie sticht als zentraler Knotenpunkt hervor, gekennzeichnet durch eine große Knotengröße und dicke Kanten, die sie mit mehreren anderen Nebenwirkungen verbinden – insbesondere Gelenkschwellungen und Schmerzen in den Extremitäten . Die Hervorhebung dieser Verbindungen deutet darauf hin, dass Patienten mit Arthralgie häufig auch über Gelenkschwellungen und Schmerzen in den Extremitäten berichten, wodurch ein eng verwobenes Cluster verwandter Symptome entsteht. Diese visuelle Triade spiegelt nicht nur klinisch plausible Assoziationen wider, sondern hebt auch potenzielle syndromale Gruppierungen hervor, die von einer Gelenküberwachung oder weiteren Untersuchung profitieren könnten.
Die Farblegende auf der rechten Seite und die unterschiedliche Kantenstärke zeigen an, welche AE-Paare am häufigsten zusammen auftreten. Beispielsweise weist die dicke, dunkelblaue Linie zwischen Arthralgie und Gelenkschwellung auf eine hohe Koexistenzfrequenz hin, während hellere, dünnere Linien, wie sie beispielsweise die Psoriasis-Arthropathie mit anderen Knoten verbinden, auf schwächere oder seltenere Überlappungen hinweisen.
Die nach Gruppen eingefärbten Knoten unterteilen die Ereignisse weiter und ermöglichen so eine schnelle visuelle Untergruppierung. Beispielsweise neigen Knoten der Kategorie 1 (blau) und Kategorie 3 (grün) dazu, sich zu gruppieren, was klinischen Subtypen entsprechen könnte. Die interaktiven Filter im linken Bereich ermöglichen die sofortige Fokussierung auf bestimmte Ereigniskategorien, Häufigkeiten oder Korrelationsstufen. Durch das Herausfiltern niederfrequenter Kanten konnten beispielsweise Kernmuster verdeutlicht werden, ohne die Interpretierbarkeit zu beeinträchtigen. Diese Funktion unterstützt gezielte Analysen, wie die Isolierung seltener, aber schwerwiegender Ereigniskombinationen oder die Fokussierung auf die am stärksten gefährdeten Patientensubpopulationen.
Durch den Wechsel zwischen Kreis- und Eigenvektor-Layout werden die Knoten neu positioniert, wodurch strukturelle Zusammenhänge je nach analytischer Fragestellung mehr oder weniger deutlich werden. Das Eigenvektor-Layout bringt eng verbundene Symptome näher zusammen, betont ihre statistische Nähe und hilft, Gruppierungen aufzudecken, die in statischen tabellarischen Zusammenfassungen möglicherweise übersehen werden. Der interaktive Datenfilter ermöglicht es dem Analytiker, die Darstellung auf UE über einer bestimmten Häufigkeit zu beschränken oder nur Kanten mit hoher Korrelation einzubeziehen. Dadurch wird Rauschen entfernt und ein klarer Fokus auf klinisch bedeutsame Muster ermöglicht.
Ein solches Netzwerkdiagramm unterstützt mehrere reale Pharmakovigilanz- und Forschungsziele:
- Erkennung von Clustern: Durch die Aufdeckung von Symptomgruppen, die häufig zusammen auftreten, hilft das Diagramm bei der Identifizierung von Syndromen oder medikamentenspezifischen Nebenwirkungsprofilen.
- Ressourcenzuweisung: Durch die Hervorhebung häufig auftretender oder zentraler Ereignisse kann das Diagramm Entscheidungen darüber unterstützen, welche Symptome in der klinischen Praxis proaktiv überwacht werden sollten.
- Verbesserte Kommunikation: Durch das Hinzufügen von Visualisierungen wird eine Kommunikationsbrücke zwischen Datenanalysten, Klinikern und Entscheidungsträgern geschaffen, die ein gemeinsames Verständnis komplexer Koexistenzdaten auf einen Blick ermöglicht.
Während Upset-Plots hilfreich sind, um die Anzahl der Patienten zu quantifizieren, die bestimmten Kombinationen von Medikamenten und unerwünschten Ereignissen ausgesetzt waren, können sie die Stärke und Struktur der Zusammenhänge zwischen vielen Ereignissen nicht gleichzeitig darstellen. Netzwerk-Plots hingegen bieten eine ganzheitliche und flexible Sicht auf die Daten. Sie zeigen, welche Ereignisse eng miteinander verbunden sind, welche isoliert sind und wie Cluster verknüpft sind – alles mit visuellen Hinweisen, die an die Anforderungen der Untersuchung angepasst werden können. Zusammen verwendet, bieten Upset- und Netzwerk-Plots ein umfassendes Toolkit für die Aufzählung und Untersuchung von Medikamenten-Ereignis-Beziehungen.
Fazit und nächste Schritte
Das Add-In „Network Plot“ bietet eine dynamische und interpretierbare Plattform zur Visualisierung des gleichzeitigen Auftretens von Medikamenten und unerwünschten Ereignissen und beleuchtet komplexe Muster, die sonst schwer zu erkennen sind. Angesichts der zunehmenden Datenkomplexität werden solche visuellen Tools für zeitnahe und genaue Sicherheitsbewertungen immer wichtiger. Dieses JMP-Add-In erzielt diese Ergebnisse mithilfe eines interaktiven Workflows. Zukünftige Entwicklungen umfassen die Integration von Kovariaten auf Subjektebene (wie Alter oder Dosis), die Unterstützung zeitlicher Aspekte des gleichzeitigen Auftretens, mehr Layoutoptionen und mehr Analysemodule zur automatischen Clustererkennung oder Risikoquantifizierung. Letztendlich wird die Einbettung der Netzwerkvisualisierung in standardmäßige Workflows zur Erkennung von Sicherheitssignalen es sowohl Analysten als auch Klinikern ermöglichen, schneller und klarer von Rohdaten zu Erkenntnissen zu gelangen.
