Beurteilung der Ähnlichkeit von Probanden der klinischen Prüfung innerhalb des Untersuchungsortes schrieb:
Bei unserer Diskussion vom letzten Mal möchten wir so viele Daten eines Subjekts wie möglich verwenden, um die [...]
Mike Clayton schrieb:
MV-Ausreißer und Inlierer werden häufig in Halbleiterwafer-Testdaten erkannt, und diese Bauelemente können beim nachfolgenden Stresstest als "riskant" eingestuft werden. Sie sind alle vom gleichen Wafer, sahen also die gleichen Prozesse und Werkzeuge, aber winzige Defekte machen sie zu "Maverick Circuits" und sie können eingeschlossen werden.
Glücklicherweise werden auf jedem Wafer Tausende hergestellt, und XY-Koordinaten sind bekannt, und die Daten werden durch alle Fertigungsschritte, SPC- und Testschritte, verfolgt, bis die Chips vereinzelt und verpackt sind. Die DieID (Lot- und Wafer- und XY-Position) sind jedoch an jedem Teil mit 2D-Barcode oder anderen Methoden für Kundenrücksendungen gekennzeichnet. Die MV-Analyse wird daher häufig für statistische Mavericks verwendet, die sich häufig auch als physische Mavericks herausstellen. Vielen Dank für sein schönes Tutorial, das Sie unserer Sammlung hinzufügen können.
Wir nähern uns dem Ende dieser Reihe von Beiträgen zur Betrugserkennung in klinischen Studien und einigen bevorstehenden Funktionen von JMP Clinical 4.1 das hilft, ungewöhnliche Beobachtungen zu identifizieren. Wir haben beschrieben, wie Besuchstermine und Messungen in der Klinik durchgeführt kann Probleme am klinischen Standort anzeigen und diskutiert, wie Studienteilnehmer erscheinen können mehrmals innerhalb der gleichen Studie.In den letzten beiden Beiträgen konzentrieren wir uns auf einige Methoden, bei denen so viele Daten eines Subjekts wie möglich verwendet werden, um zu sehen, wie es mit anderen Subjekten verglichen wird.Heute werden wir verwenden Mahalanobis Entfernung multivariate Lieferanten und Ausreißer zu identifizieren.
Mahalanobis Entfernung kann verwendet werden, um den Abstand zwischen zwei Zufallsvektoren oder von einem Vektor zu einem bestimmten Punkt im multivariaten Raum (typischerweise dem multivariaten Mittelwert oder Schwerpunkt) zu berechnen.Es unterscheidet sich vom euklidischen Abstand dadurch, dass es die Korrelation zwischen den Variablen berücksichtigt, sodass berücksichtigt wird, dass Punkte möglicherweise nicht sphärisch um den Schwerpunkt verteilt sind. Die Mahalanobis-Entfernung ist einfach zu berechnen SAS und für unsere Zwecke werden wir Vektoren von Subjektdaten mit dem Schwerpunkt vergleichen.
In der Statistik kennen die meisten von uns den Begriff "Ausreißer." Merriam-Webster definiert Ausreißer als "statistische Beobachtung, deren Wert sich deutlich von den anderen der Stichprobe unterscheidet". In einem Box-Plot kann ein Ausreißer als ein Punkt identifiziert werden, der das 1,5-fache des Interquartilbereichs (Abstand zwischen dem ersten und dritten Quartil) über das erste oder dritte Quartil hinaus überschreitet.
Auf der anderen Seite ein "Inlier" ist ein Wert, der nahe am Mittelwert liegt.In einer univariaten Einstellung würde ein Wert nahe dem Mittelwert keine Augenbrauen hochziehen.Wie Evans (2001) hervorhebt, ist es jedoch unwahrscheinlich, dass eine Beobachtung für eine große Anzahl von Variablen in der Nähe des Mittelwerts liegt.Während Ausreißer problematisch sein können, können Ausreißer eher Beobachtungen darstellen, die „zu gut, um wahr zu sein“ oder „zu gut, um real zu sein“ sind. Natürlich würde ein Mahalanobis-Abstand von Null ein Subjekt darstellen, das für jede Variable auf dem Mittelwert liegt.(Wie kann man der Erkennung besser entkommen, als einzelne Werte zu erstellen, die nicht auffallen?)
JMP Clinical steht vor der Tür Multivariate Lieferanten und Ausreißer Der Analyseprozess (AP) erstellt aus einem Satz von einen Datensatz mit einer Zeile pro Subjekt CDISC formatierte Datensätze.Variablen für Labortests, Vitalfunktionen, Symptome und andere Befunddaten werden nach Besuchsnummer und Zeitpunkt generiert.Variablen, die die Häufigkeit unerwünschter Ereignisse, Medikamente und Anamnese darstellen, werden berechnet.Basierend auf Dialogoptionen werden Variablen, die einen bestimmten Prozentsatz fehlender Daten überschreiten (Standard 5%), von der Analyse ausgeschlossen, da bei Probanden mit fehlenden Daten für die interessierenden Variablen die Mahalanobis-Entfernung nicht berechnet werden kann. Dies ist ein wichtiger Punkt.Es muss ein ausgewogener Ansatz gewählt werden, bei dem so viele Daten wie möglich verwendet werden und möglicherweise zu viele Themen in Ihrer Überprüfung ausgeschlossen werden.Bei Probanden, die vorzeitig abbrechen, wird erwartet, dass sie zahlreiche fehlende Werte aufweisen. Daher ist zu erwarten, dass einige Probanden verloren gehen, wenn die Mehrheit der Daten berücksichtigt wird.Mit den Optionen können jedoch alle Variablen ausgeschlossen werden, die fehlende Werte enthalten.
Der oben berechnete resultierende Datensatz wird dann zur Berechnung der Mahalanobis-Entfernung verwendet.Abbildung 1 zeigt eine Box-Darstellung der Abstandsmaße für jedes Subjekt im Vergleich zum Schwerpunkt der multivariaten Verteilung.Das Abstandsmaß wird aus 268 von 744 möglichen Variablen berechnet. Die verbleibenden Variablen hatten fehlende Datenraten von mehr als 5% und wurden aus der Analyse entfernt.Zweiundfünfzig Probanden hatten aufgrund von 15 Variablen mit einigen fehlenden Daten keine Entfernungsmaße berechnet.Diese Abbildung kann Ausreißer (große Entfernungen) oder Ausreißer (kleine Entfernungen) identifizieren.Die gepunktete rote Referenzlinie leitet sich von a ab Chi-Quadrat-Verteilung mit k (Anzahl der Variablen in der Analyse) Freiheitsgrade.Das Quadrat der Mahalanobis-Entfernung folgt dieser Verteilung.
Abbildung 2 zeigt die Mahalanobis-Entfernung nach Untersuchungsort, um festzustellen, ob ein bestimmter Ort extrem ist.Dies kann mögliche Datenfehler zwischen den analysierten Variablen aufdecken, aber auch wichtige Unterschiede in der Studienpopulation zwischen den Standorten beschreiben.Die Länge der Box-Plots gibt an, wie sich variable Probanden innerhalb einer bestimmten Stelle um den multivariaten Mittelwert befinden.Eine große Variabilität kann eine unterschiedliche Studienpopulation oder einen Standort widerspiegeln, der von zusätzlichen Schulungen profitieren kann.Eine geringe Variabilität kann eine besonders homogene Population widerspiegeln.In jedem Fall kann jede Site, die „auffällt“, einer genaueren Prüfung bedürfen.
Evans, S. (2001). Statistische Aspekte der Aufdeckung von Betrug.In: Lock, S, Wells, F & Farthing, M, Hrsg.Betrug und Fehlverhalten: in der biomedizinischen Forschung, dritte Ausgabe .BMJ Bücher.
