介紹
在當今數據驅動的世界中，關係與數據點本身同等重要。無論您是在繪製社交聯繫圖，還是探索藥物與事件之間的相互作用，可視化這些關係都能揭示隱藏在表格或匯總統計數據中的洞見。網路圖透過將實體表示為節點，將其關係表示為邊，提供了一種直觀的方式來探索此類互聯資料。它可用於尋找社交媒體中的中心參與者、檢測金融詐欺、優化物流路線，甚至探索蛋白質交互作用和疾病途徑。這些應用的共同點在於，它們都需要將複雜的關係結構簡化為實用且清晰的視覺敘事。
我們可以根據頻率和統計關係（例如相關性和偏相關性）對邊進行加權。此外，不同的佈局選擇使我們能夠探索不同的關係，識別聚類，並橋接可能暗示傳統圖表或電子表格中可能隱藏的有影響力的參與者或瓶頸關係的元素。
在介紹網絡圖的一般原理和技巧之後，我將分析一個關於不良事件 (AE) 共現的藥物警戒案例研究，該案例研究展示了網絡圖如何闡明藥物安全信號。最後，我將探討 JMP 網路圖外掛程式如何支援互動式探索、資料過濾和群組層級洞察。
網路圖外掛
網路圖將資料建模為關係。每個節點代表一個實體，例如人、產品、基因或藥物，而邊則表示兩個節點之間定義的交互作用、共現或關係。邊可以帶有權重，以反映一系列共享屬性，例如成對頻率、重疊持續時間、相關性或條件依賴性。節點大小或顏色可以編碼諸如邊際頻率或群體特徵之類的屬性。
互動式網路圖可增強模式偵測和假設產生。常見的佈局包括特徵向量或圓形排列，以突出結構模式或比較概覽。過濾器、邊緣捆綁和閾值設定可減少混亂，並將注意力集中在有意義的連接上。
我們開發了網頁圖插件，適用於 JMP 17 及更高版本。如圖 1 所示，工作流程首先從使用者選定的資料集中選擇列：受試者識別碼、感興趣的術語（例如事件或藥物術語），以及可選的分組變量，用於將感興趣的術語組織成互斥的類別。
在對話方塊介面中，使用者可以自訂圖表的外觀。如果節點對在同一主題中同時出現，則會在它們之間繪製邊，節點和邊的大小（預設）反映了事件的頻率和事件的共現程度。對於顏色選項，可以根據頻率和統計關聯（例如相關性或偏相關係數）為邊著色，這可以突出顯示任兩個事件之間的聯繫強度。
Figure 1. Dialog window displayed upon launching the add-inFigure 1. Dialog window displayed upon launching the add-in圖 1. 啟動插件時顯示的對話框窗口
該插件使用兩種主要佈局選項來建立網絡，其中每個感興趣的唯一術語都表示為一個節點：
- 預設的圓形佈局（如圖 2 所示）將所有節點圍繞一個圓圈排列，使每個連接更清晰可見，並提供網路連接的概覽。需要注意的是：這是一種動態佈局。它會在篩選過程中自動重新計算並重新排列節點位置，以確保最大程度的可見度。
- 或者，基於特徵向量的佈局根據共現偏相關或相關（當偏相關不是滿秩時）矩陣的前兩個特徵向量排列節點，如圖 3 所示。這種方法將具有相似重疊模式的節點聚集在一起，從而更容易發現資料中的自然分組或模組。
此圖具有完全互動性；使用者可以使用左側面板「數據過濾器」中的選項動態過濾底層數據，即時更新網路以聚焦特定的子群組、頻率或相關性範圍。選擇圖中的節點或邊會反白 JMP 資料表中的對應記錄，方便快速深入查看詳細資訊。
Figure 2. Interactive Data Filter of Network Plot add-inFigure 2. Interactive Data Filter of Network Plot add-in圖 2. Network Plot 插件的互動式資料過濾器
Figure 3. Layout options of Network Plot add-inFigure 3. Layout options of Network Plot add-in圖 3. Network Plot 插件的佈局選項
案例研究：重疊用藥和不良事件
為了展示網絡圖的實際影響，我們使用互動式網路圖插件將其應用於肌肉骨骼不良事件 (AE) 資料集。網路中的每個節點代表一種不同的 AE，例如關節痛、關節腫脹或肌肉骨骼疼痛。邊緣表示這些事件在患者記錄中至少同時出現過一次的情況，而這恰好是此數據中的所有事件。節點大小反映每個事件出現的頻率，而邊緣厚度和顏色編碼事件對之間同時出現的頻率或統計強度。分析師可以過濾低於閾值的邊緣、套用分組篩選器並立即探索特定的子群體。網路圖還可以補充其他方法，例如用於枚舉離散集交集的翻轉圖（如文章中所述）。
發現
在兩種網路佈局（基於特徵向量和圓形）中，一些模式顯現出來。關節痛作為中心樞紐節點尤為突出，其特徵是節點較大且邊緣較粗，將其與其他幾個AE連接起來——最顯著的是關節疼痛和肢體疼痛。這些連接的突出表明，關節痛患者通常也會報告關節腫脹和肢體疼痛，從而形成一個緊密相關的症狀群。這種視覺三聯徵不僅反映了臨床上合理的關聯，還突顯了可能受益於關節監測或進一步研究的潛在綜合徵分組。
右側的顏色圖例和不同的邊緣粗細表示哪些 AE 對最常同時出現。例如，關節痛和關節腫痛之間的粗深藍色線表示共現頻率較高，而連接銀屑病關節病和其他節點的較淺、較細的線則表示重疊較弱或較少見。
按群組著色的節點進一步劃分事件，從而實現快速的可視化子群組劃分。例如，第 1 類（藍色）和第 3 類（綠色）節點往往聚集在一起，這可能對應於臨床亞型。左側面板上的互動式篩選器可讓您立即專注於特定的事件類別、頻率或相關性等級。例如，透過濾除低頻邊緣，可以在不犧牲可解釋性的情況下明確核心模式。此功能支援針對性分析，例如分離罕見但嚴重的事件組合，或關注風險最高的患者亞群。
在圓形和特徵向量佈局之間切換會重新定位節點，根據分析問題，使結構關係更明顯或更模糊。特徵向量佈局將緊密相關的症狀拉近，強調它們的統計“接近性”，並有助於揭示靜態表格摘要中可能遺漏的分組。互動式資料過濾器可讓分析人員將繪圖限制為特定頻率以上的不良事件，或僅包含高相關性的邊緣，從而消除雜訊並清晰地聚焦於具有臨床意義的模式。
這樣的網路圖支持幾個現實世界的藥物警戒和研究目標：
- 聚類檢測：透過揭示經常一起出現的症狀組，此圖有助於識別綜合症或藥物特定的副作用特徵。
- 資源分配：透過突出顯示高頻或中心事件，該圖可以為在臨床實踐中主動監測哪些症狀提供決策資訊。
- 改善溝通：透過添加視覺化功能，在數據分析師、臨床醫生和決策者之間建立了溝通橋樑，使他們能夠一目了然地對複雜的共現數據達成共識。
雖然擾動圖對於量化暴露於特定藥物和不良事件組合的患者數量非常有用，但它們無法一次展現多個事件之間聯繫的強度和結構。相比之下，網路圖則提供了全面且靈活的資料視圖。它們顯示哪些事件密切相關，哪些事件孤立，以及各個事件簇之間的關聯方式——所有這些都帶有可根據調查需求定制的視覺提示。擾動圖和網絡圖結合使用，為枚舉和探索藥物-事件關係提供了一套全面的工具包。
結論和後續步驟
網路圖插件提供了一個動態且可解釋的平台，用於可視化藥物和不良事件的共現情況，從而揭示原本難以辨別的複雜模式。隨著資料複雜性的不斷增長，此類視覺化工具對於及時且準確的安全性評估變得越來越重要。這款 JMP 外掛程式透過互動式工作流程實現了這些結果。未來的發展方向包括：整合受試者層級的協變量（例如年齡或劑量）、支援共現的時間維度、提供更多佈局選項，以及提供更多用於自動聚類檢測或風險量化的分析模組。最終，將網路視覺化嵌入到標準的安全性訊號檢測工作流程中，將使分析師和臨床醫生能夠以更快、更清晰的方式從原始數據轉化為洞察。
？ ？
Column( pairsum, "N" ) << Set Name( "d" );
