Die Redewendung „den Wald vor lauter Bäumen nicht sehen“ bedeutet, dass man aufgrund übermäßiger Detailorientierung den Kern der Sache aus den Augen verliert. Ich liebe diesen Ausdruck, weil er perfekt beschreibt, warum Datenvisualisierung für den modernen quantitativen Wissenschaftler so wichtig ist. Angesichts der Datenmenge, die ausgewertet werden muss, der Vielfalt der durchzuführenden Analysen und der Notwendigkeit, Ergebnisse schnell in konkrete Maßnahmen umzusetzen, verlieren Forschende leicht den Überblick, insbesondere wenn sie Datenvisualisierung nicht regelmäßig nutzen. Ich verstehe, dass die Erstellung aussagekräftiger Datenvisualisierungen zeitaufwändig sein kann und eine effiziente Überprüfung und Qualitätssicherung mitunter schwierig ist. Ich bin jedoch überzeugt, dass sich diese Investition lohnt, da sie wertvolle Erkenntnisse liefert und die Kommunikation der Ergebnisse verbessert.
Ein weiterer Grund, warum ich diesen Ausdruck so mag, ist, dass er die Aufmerksamkeit auf mein Lieblingsdiagramm lenkt: das Walddiagramm (Abbildung 1)! Im Laufe der Jahre gab es mehrere Verbesserungen im Graph Builder, die die Erstellung von Walddiagrammen vereinfachten, und zudem wurde kontinuierlich eine Reihe von JMP-Add-ins veröffentlicht, um die Effizienz der Erstellung zu steigern. Das neueste Add-in ermöglichte die einfache Erstellung verschiedenster Walddiagramme für JMP 17 und spätere Versionen, konnte aber nur ein einteiliges Walddiagramm erzeugen. Mit der Veröffentlichung des neuen Add-ins „Happy Little Forests“ im JMP Marketplace stehen Analysten nun deutlich mehr Optionen zur Verfügung.
Figure 1. Forest plot of primary and secondary endpoints for a clinical trial in chronic hepatitis B infection (Chang et al., 2006)Abbildung 1. Waldplot der primären und sekundären Endpunkte einer klinischen Studie zur chronischen Hepatitis-B-Infektion (Chang et al., 2006)
Vor über zehn Jahren veröffentlichten einige Kollegen eine meiner wichtigsten Referenzen zur Datenvisualisierung in der medizinischen Forschung (Duke et al., 2015). Besonders gefällt mir an dieser Arbeit die Einführung des Double Forest Plots (auch bekannt als Multi-Panel Dot Plot). In ihrer Anwendung präsentieren die Autoren die gemessenen Werte des systolischen Blutdrucks nach Behandlung und Geschlecht in einem Panel und die Behandlungsvergleiche zwischen aktiven Dosen und Placebo in einem zweiten Panel. Bis heute verwende ich diese hervorragende Grafik in Präsentationen und Kursen, da sie eine äußerst nützliche und prägnante Möglichkeit bietet, einen kontinuierlichen Endpunkt zusammenzufassen (Abbildung 2).
Figure 2. Double forest plot of systolic blood pressure (Duke et al., 2005)Abbildung 2. Doppelte Waldplot-Darstellung des systolischen Blutdrucks (Duke et al., 2005)
Nach meiner Rückkehr zu JMP untersuchte ich, wie die Erstellung von Doppelwaldplots vereinfacht werden könnte. Dies führte zu einigen Verbesserungen im Graph Builder (vielen Dank, Xan!) sowie zu internem Entwicklungscode, der es dem Life-Sciences-Team erleichtert, Waldplots in JMP Clinical zu erstellen. Da aber alle von dieser großartigen Visualisierung profitieren sollen, wurde das Add-in „Happy Little Forests“ entwickelt. Für JMP 19 und spätere Versionen ermöglicht dieses Add-in die Erstellung von zweiteiligen Dot-Forest-Plots (Amit et al., 2008), die häufig in der Analyse unerwünschter Ereignisse verwendet werden (Abbildung 3), sowie von Doppelwaldplots (Abbildung 4). Zusätzlich bietet es alle Funktionen des Forest-Plot-Add-ins für einteilige Waldplots.
Figure 3. Dot-forest plot of HBV endpoints (Chang et al., 2006)Abbildung 3. Punkt-Wald-Diagramm der HBV-Endpunkte (Chang et al., 2006)
Figure 4. Double forest plot of diastolic blood pressure (simulated)Abbildung 4. Doppelte Waldplot-Darstellung des diastolischen Blutdrucks (simuliert)
Wie in den Abbildungen dargestellt, können doppelte Waldplots Folgendes bewirken:
- Fassen Sie die beobachteten Werte und Behandlungseffekte gegenüber einer Kontrollgruppe zusammen (z. B. Abbildung 2), um eine nützliche Zusammenfassung der individuellen Behandlungsreaktion sowie Vergleiche mit einem Behandlungsstandard zu erhalten.
- Fassen Sie die beobachteten Werte und die Veränderung gegenüber den Ausgangswerten im Zeitverlauf zusammen (z. B. Abbildung 4). Dies ergibt eine aussagekräftigere Zusammenfassung als die üblicherweise in klinischen Studien verwendeten, umfangreichen Tabellen mit zusammenfassenden Statistiken. Bei binären Endpunkten kann ein Diagramm den Anteil der Personen mit einer bestimmten Reaktion darstellen, während das andere Diagramm diese Analyse auf Personen ohne Reaktion zu Studienbeginn ausdehnt.
- Fassen Sie die Ergebnisse innerhalb der Untergruppen zusammen und geben Sie im Falle von zweistufigen Untergruppen das Konfidenzintervall der Interaktion zwischen Behandlung und Untergruppe an, um die Stärke signifikanter statistischer Unterschiede zwischen den Untergruppenebenen zu verdeutlichen.
Fröhliche kleine Wälder ist ein erster Schritt zur Produktion von Mehrpaneelwäldern. Einige Punkte, die dabei zu beachten sind:
- Durch Hinzufügen einer Animationsschaltfläche zum Umschalten zwischen Untergruppen- und Ebenenspalten (z. B. in Abbildung 2) lassen sich Untergruppen innerhalb von Ebenen (d. h. Behandlungen innerhalb von Untergruppen) leichter vergleichen als Ebenen innerhalb von Untergruppen (d. h. Ebenen innerhalb von Behandlungen, wie dargestellt). Bei einer Längsschnittdarstellung wie in Abbildung 4 ermöglicht dies einen einfacheren Vergleich der einzelnen Besuche über die verschiedenen Behandlungen hinweg.
- Um in Studien mit mehreren Behandlungsarmen zwischen den Kontrollgruppen zu wechseln, wird eine Animationsschaltfläche hinzugefügt, wie im Rezidivbericht . Abbildung 2 zeigt Konfidenzintervalle für eine einzelne Kontrollgruppe. Abbildung 3 zeigt die Konfidenzintervalle für Entecavir minus Lamivudin. Mit einer Animationsschaltfläche könnten bei Bedarf auch Konfidenzintervalle für Lamivudin minus Entecavir generiert werden. Die Möglichkeit, die Vergleichsgruppe spontan zu wechseln, würde diese interaktive Visualisierung in der Praxis noch nützlicher machen.
- Zusätzliche Diagrammfelder könnten die Darstellung kontinuierlicher Endpunkte verbessern. Kontinuierliche Endpunkte könnten von einem dreiteiligen Diagramm profitieren, in dem die beobachteten Werte im linken Feld, die Veränderung gegenüber dem Ausgangswert im mittleren Feld und die Behandlungseffekte im rechten Feld dargestellt werden. Dies würde erfordern, die annotierten Intervalle in mindestens einem der Felder zu entfernen (oder sie nach links oder rechts zu verschieben). Drei Diagrammfelder könnten jedoch für den allgemeinen Gebrauch zu komplex sein.
Abschließend möchte ich noch erwähnen, dass ich zwar Verbesserungen in JMP 19 genutzt habe, um die Erstellung von Punktwald- und Doppelwalddiagrammen zu vereinfachen, es aber durchaus möglich ist, diese Diagramme auch in früheren Versionen von JMP mithilfe eines Mehrfachreihenstapels unter Daten > Stapel zu erstellen.
Welche neuen Funktionen wünscht ihr euch für Fröhliche kleine Wälder ? Schreibt es in den JMP Marketplace.
Referenzen
Amit O, Heiberger RM & Lane PW. (2008). Grafische Ansätze zur Analyse von Sicherheitsdaten aus klinischen Studien . Pharmazeutische Statistiken 7: 20-35.
Chang TT, Gish RG, de Man R, et al. (2006). Ein Vergleich von Entecavir und Lamivudin bei HBeAg-positiver chronischer Hepatitis B. Das New England Journal of Medicine 354: 1001-1010.
Duke SP, Bancken F, Crowe B, et al. (2015). Sehen heißt glauben: Gute grafische Gestaltungsprinzipien für die medizinische Forschung . Statistik in der Medizin 34: 3040-3059.
