Kategoriale Variablen werden häufig in klinischen Studien beobachtet. Beispielsweise beschreiben ordinale Behandlungsvariablen mit einer Reihe von Dosierungen (z. B. hohe Dosis, mittlere Dosis, niedrige Dosis, Placebo) in absteigender Reihenfolge die Menge des Wirkstoffs in der randomisierten Behandlung. Ein weiteres Beispiel: Das Ansprechen auf die Behandlung kann als vollständig, partiell oder nicht vorhanden bezeichnet werden. In Studien zu Therapien solider Tumoren definieren die RECIST- Kriterien das Ansprechen auf die Behandlung anhand einer vierstufigen Skala: vollständiges Ansprechen, partielles Ansprechen, stabile Erkrankung, progressive Erkrankung. Darüber hinaus können nominale kategoriale Daten wichtige demografische Daten wie ethnische Zugehörigkeit und Geschlecht oder eine Studienkennung beschreiben, die angibt, wo die einzelnen Patienten während der Studie behandelt werden.
Eine Herausforderung bei kategorialen Variablen besteht darin, dass sie naturgemäß zusätzliche Analysen zur weiteren Charakterisierung der Studienergebnisse erforderlich machen. Beispielsweise ist in Studien mit mehreren Dosierungen die Stichprobengröße für jeden Behandlungsarm oft klein, was es schwierig macht, genaue Schätzungen für seltene unerwünschte Ereignisse zu erhalten. In einer Studie mit mehreren Dosierungen (z. B. hohe, mittlere und niedrige Dosis) ist es nicht ungewöhnlich, eine zusätzliche Gruppe mit der Bezeichnung „Aktiv“ zu beobachten, die alle Patienten umfasst, die Dosen des neuen Medikaments erhalten haben. Tabellen (und Abbildungen) enthalten die folgenden Spalten.
| Aktiv |
Hohe Dosis |
Mittlere Dosis |
Niedrige Dosis |
Placebo |
In einigen besonders gründlichen Fällen können sogar noch mehr Kategorien erstellt werden:
| Aktiv |
Hoch |
Hoch-Mittel |
Medium |
Mittel-Niedrig |
Niedrig |
Placebo |
Darüber hinaus können die Ergebnisse zusätzlich zu den Gesamtergebnissen auch nach wichtigen Stratifizierungsfaktoren dargestellt werden.
| Gesamt |
Standort 1 |
Standort 2 |
| A |
H |
M |
L |
P |
A |
H |
M |
L |
P |
A |
H |
M |
L |
P |
Eine ähnliche Tendenz zur Gruppierung benachbarter Ebenen ist auch für Wirksamkeits- oder Sicherheitsergebnisse von Interesse, was zu zusätzlichen Zeilen in statistischen Darstellungen führt.
| Vollständig oder teilweise |
| Vollständig |
| Teilweise |
| Keiner |
In der Praxis können Umgruppierungen von Kategorien zu neuen Variablen oder Beobachtungen in einer Datentabelle führen. Neue Variablen erfordern eine erneute Analyse, um Zusammenfassungen mit der neuen Gruppierung zu erstellen, während neue Zeilen in der Regel einfacher mithilfe von „Nach “-Rollen verarbeitet werden können. Im Allgemeinen ist die Erstellung von Tabellen mit Spalten
| Hohe Dosis |
Mittlere Dosis |
Niedrige Dosis |
Placebo |
oder
oder mit Zeilen
| Vollständig |
| Teilweise |
| Keiner |
oder
| Vollständig oder teilweise |
| Keiner |
ist unkompliziert. Allerdings ist keine der beiden Darstellungsformen von Interesse; das Ziel ist es, Spalten oder Zeilen in einer einzigen Anzeige zu kombinieren. Dieser Ansatz bietet Vorteile:
- Dadurch wird die Präsentation redundanter Informationen vermieden.
- Dadurch entfällt die Notwendigkeit, zusätzliche Tabellen oder Abbildungen zu erstellen.
- Es stellt die Daten für zusammengefasste Kategorien neben die anderen relevanten Daten.
Der Nachteil? Das Erstellen dieser Zusammenfassungen ist knifflig! Um statistische Ergebnisse mit SAS oder R zu generieren, muss man eine Analyse mehrmals durchlaufen, Variablen austauschen, redundante Informationen löschen und die Daten für eine optimale Darstellung neu anordnen.
JMP vereinfacht diese Analysen jedoch durch die Verfügbarkeit des Modells für multiple Antwortvariablen . Die Zellen einer solchen Spalte repräsentieren eine oder mehrere Messungen, die je nach Verwendung als separate Beobachtungen oder Spalten fungieren. Dies bietet den Vorteil einer übersichtlichen Datenstruktur (z. B. eine Beobachtung pro Patient) und ermöglicht gleichzeitig eine umfassendere und aussagekräftigere Analyse.
Abbildung 1 zeigt eine Beispieldatentabelle mit dem Titel „Mehrere Antworten“ (zum Download oben rechts in diesem Blogbeitrag verfügbar). Sie enthält Daten von 100 Patienten (eine Zeile pro Patient) mit Kovariaten für die Studienzentrumskennung (1, 2), das Alter, den Biomarker (positiv, negativ), die Behandlung mit vier Stufen (hohe Dosis, mittlere Dosis, niedrige Dosis, Placebo) und das dreistufige Ansprechen (vollständig, partiell, kein Ansprechen). Weitere Variablen sind vorhanden und werden im Folgenden beschrieben.
Figure 1. Multiple Responses data tableAbbildung 1. Datentabelle mit Mehrfachantworten
Es gibt zwei Ansätze zum Erstellen einer Spalte mit Mehrfachantworten.
- Die Variable „Behandlungskategorien“ wurde mithilfe einer Formel erstellt, die die Mehrfachantworten mithilfe einer WENN-Anweisung für die Behandlung erzeugte. Als Modelltyp wurde „Mehrfachantwort“ ausgewählt und eine Spalteneigenschaft „Mehrfachantwort“ hinzugefügt, um ein Trennzeichen für die einzelnen Antworten zu definieren. Standardmäßig ist das Trennzeichen ein Komma, was hier nicht praktikabel ist, da eine der Antworten ein Komma enthält. Daher wurde stattdessen ein Backslash ausgewählt. Zusätzlich wurde eine Spalteneigenschaft „Wertreihenfolge“ angewendet, um die Werte sinnvoll zu sortieren.
- Spalten kombinieren. Mehrere Spalten lassen sich zu einer einzigen Spalte mit getrennten Werten zusammenfassen. Die Eigenschaft „Mehrfachantwortspalte“ wird angewendet, indem Sie „Spalten > Hilfsprogramme > Spalten kombinieren“ auswählen (Abbildung 2). Die Spalten „Hoch“, „Mittel“, „Niedrig“, „Hoch oder Mittel“ und „Mittel oder Niedrig“ wurden auf diese Weise kombiniert, um die Spalte „Behandlungskategorien“ zu erstellen, die den Formelbehandlungskategorien entspricht. Analog dazu werden „Reaktion“ und „Beliebige Reaktion“ kombiniert, um die Mehrfachantwortspalte „Wirksamkeitsreaktion“ zu erstellen.
Figure 2. Combine columnsAbbildung 2. Spalten kombinieren
Die vier eingebetteten Skripte von Multiple Antworten können ausgeführt werden, um Ausgaben von Graph Builder oder Tabellieren zu erzeugen.
Das Skript „Boxplot für Behandlungsgruppen“ erzeugt beispielsweise die Analyse in Abbildung 3. Durch die Platzierung der Formelbehandlungskategorien im X -Bereich werden virtuelle Beobachtungen für die verschiedenen Behandlungsgruppen erzeugt, die zusammen mit den einzelnen Behandlungsstufen zusammengefasst werden. Die auf der unteren Y-Achse dargestellten Stichprobengrößen bestätigen, dass die gruppierten Stufen mit den entsprechenden Summen der einzelnen Stufen übereinstimmen. Die zusätzliche Fünf-Punkte-Zusammenfassung (nicht dargestellt) liefert zusammenfassende Statistiken für jeden Boxplot.
Figure 3. Box plots by treatment groupingsAbbildung 3. Boxplots nach Behandlungsgruppen
Das eingebettete Skript Behandlungsgruppen tabellarisch darstellen erzeugt analog dazu eine Reihe von zusammenfassenden Statistiken für jede der in der Spalte mit mehreren Antworten vorhandenen Stufen (Abbildung 4).
Figure 4. Summary statistics by treatment groupingsAbbildung 4. Zusammenfassende Statistiken nach Behandlungsgruppen
Betrachten wir nun die Spalte „Wirksamkeitsreaktion“. Das eingebettete Skript „Wirksamkeitsreaktions-Balkendiagramm“ erzeugt Abbildung 5, die die Häufigkeit der einzelnen Reaktionen zusammenfasst, einschließlich der kombinierten Ausprägungen „Vollständig“ und „Teilweise“. Die über den Balken angegebenen Stichprobengrößen bestätigen, dass die Häufigkeit „Jede Reaktion“ der Summe der einzelnen Reaktionsausprägungen entspricht. Das Skript „Wirksamkeitsreaktions-Tabellierung“ erstellt mithilfe der Option „Spalten packen“ eine tabellarische Darstellung, die dem in der wissenschaftlichen Literatur üblichen Format entspricht (Abbildung 6).
Findige Personen können ihre eigenen Beispiele erstellen, indem sie Formelbehandlungskategorien und Wirksamkeitsreaktion kombinieren.
Figure 5. Frequency of responses by treatmentAbbildung 5. Häufigkeit der Reaktionen nach Behandlung
Figure 6. Frequencies and percentages of responses by treatmentAbbildung 6. Häufigkeiten und prozentuale Anteile der Reaktionen nach Behandlung
Obwohl die Modellierung mit mehreren Antwortvariablen nützlich ist, gibt es Fälle, in denen ihre Anwendung nicht sinnvoll ist, beispielsweise bei Visualisierungselementen, die „Teile des Ganzen“ darstellen, wie etwa Kreis-, Mosaik- und Baumdiagramme. So basieren die Prozentangaben im Kreisdiagramm in Abbildung 7 auf einem Nenner von 160, da 60 Beobachtungen mit der Antwortvariable „Beliebig“ virtuell addiert werden. Außerdem suggeriert es, dass „Beliebig“ eine von „Vollständig“ oder „Teilweise“ verschiedene Ebene darstellt, anstatt eine Kombination aus beidem.
Manche Nutzer merken an, dass Tabellieren und Graph Builder flexibel genug sind, um mehrere Achsen oder Variablen in verschiedenen Bereichen hinzuzufügen und so zusätzliche Gruppierungen zu ermöglichen, ohne dass eine Spalte mit Mehrfachantworten erforderlich ist. In vielen Fällen trifft dies zu. Der Vorteil einer Spalte mit Mehrfachantworten liegt jedoch darin, dass sie dasselbe Skript wie herkömmliche Kategorienspalten nutzen kann, ohne dass zusätzliche Funktionen oder Logik zur Anpassung des Skripts an die Analyseanforderungen erforderlich sind. Darüber hinaus isoliert die Erstellung separater Achsen oder Gruppierungsspalten die zusätzlichen Spalten optisch von den anderen Ebenen, was unter Umständen eine Skalierung der Achsen für eine optimale Darstellung notwendig macht.
Figure 7. Pie chart of responsesAbbildung 7. Tortendiagramm der Antworten
Alles in allem ist die Modellierung mehrerer Zielgrößen eine Funktion, die ich künftig häufiger einsetzen möchte. Ich hoffe, diese Beispiele inspirieren Sie zu Ihrer nächsten Analyse!
