CDLE_Fukuoka_20230523

https://cdle-fukuoka.connpass.com/event/283103/

Transcript

1. 繰り返し経時測定データの解析 入門 2023.05.23 株式会社DeeL 新川 © 2023 DeeL 1 CDLE福岡さま
2. 経歴 • 株式会社DeeL • データ活用に関するコンサルティング、受託分析、 システム開発、アルゴリズム開発、教育、セミナーなど • NOB DATA株式会社 （DS・PM） • インフラ、通信、小売、金融、WEBなど各業界における データ分析、機械学習、因果推論、コンサル、教育など • LINE Fukuoka株式会社 （DS） • LIVE配信サービスのグロースハックPJ • その他アドホック分析、ダッシュボーディング、モデル作成など • TRIALグループ 株式会社TRE（DS・リーダー） • 小売業の需要予測、レコメンド、ダイナミックプライシング 、 顧客クラスタリング、店内スマートカメラ画像解析、 その他アドホック分析 自己紹介 株式会社DeeL 代表取締役 / データサイエンティスト 新川 裕也 しんかわ ゆうや © 2023 DeeL 2
3. • 経済産業省 九州経済産業局 • データサイエンティスト派遣実証事業 https://www.kyushu.meti.go.jp/support/2110/211018_1_1.pdf • データサイエンティスト講座 講師 https://www.kyushu.meti.go.jp/seisaku/jyoho/oshirase/211008_1.html • データ利活用に向けた施策説明会＆相談会 （大分、鹿児島、熊本） https://www.kyushu.meti.go.jp/event/2204/220415_1_1.pdf • 第一薬科大学 薬学部薬科学科 非常勤講師 https://www.daiichi-cps.ac.jp/juken/department_subject/pharmacylp/index.html • Gʼs ACADEMY FUKUOKA 講師・メンター https://gsacademy.jp/fukuoka/ • PyData.Fukuoka 運営 https://pydatafukuoka.connpass.com/ • MENSA会員 • 論文・学会発表等 • https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0215142 • https://dtarc.pref.wakayama.jp/592/ • https://www.ipsj.or.jp/event/taikai/83/ipsj_web2021/data/pdf/6G-04.html • https://www.researchgate.net/publication/347891211_DPR10015Dec_2020_Application_of_deep_learning_in_ prediction_of_cerebral_white_matter_lesions_using_clinical_examination_data_- Optimization_of_prediction_performance_and_generalization_performance_and_ 講師・講演、業務外活動など © 2023 DeeL 6
4. • 経時測定データについて解析方法を考える • 解析方法 • 群間比較 • t検定 or 回帰分析 • Pre-postデザイン • 重回帰（ANCOVA） • 経時測定 • 混合効果モデル • 余談 • paired t test と 混合効果モデル • t検定と混合効果モデル © 2023 DeeL 7 今日のテーマ
5. • ひとつの個体から時間の経過とともに繰り返し測定されたデータ • 臨床試験では、治療前のベースライン、治療期間、治療終了後などそれぞれの期 間で主要評価項目を測定することがある © 2023 DeeL 8 繰り返し経時測定データとは
6. • 「経時的繰り返し測定デザイン」（丹後俊郎 先生 著）に登場するラットの実験データを例にして 考えてみます © 2023 DeeL 9 ToyExample
7. • ラット１２匹の実験データ • 薬剤とプラセボを割り付け • 評価項目をベースライン時点、投与後１週～３週までの合計４回測定 • 知りたいのは薬剤の効果 © 2023 DeeL 10 データ
8. 知りたいのは薬剤効果。 どんな分析をしたら良いですか？ © 2023 DeeL 11
9. • ３週後の主要評価項目をアウトカムとして、２群比較する • →t 検定でOK • そのままでは比較できないので、ベースラインからの差分を目的変数にする © 2023 DeeL 12 分析①
10. © 2023 DeeL 13 ベースラインからの差分 P=0.0027
11. • ちなみに、t検定と回帰分析は同じです © 2023 DeeL 14 t検定結果
12. • ３週後の主要評価項目をアウトカムとして、２群比較する （先ほどと同じ） • 共変量にpre値を入れたANCOVA型の回帰モデルで考える © 2023 DeeL 15 分析②
13. © 2023 DeeL 16 ANCOVA • ベースライン（0週）のデータをpre値、3週後のデータをpost値とする • ANCOVA型の回帰モデル • →post値はpre値によってきまるが、case or controlで切片が異なると考える 薬剤効果
14. • case群の場合、切片が3.5低くなる © 2023 DeeL 17 ANCOVA結果
15. • 混合効果モデルの使用 • 混合効果モデル(＝mixed effect model) • →固定効果と変量効果を混合したモデル • 固定効果：ある変数が目的変数にあたえる影響 • 変量効果：個体間差、固定効果で説明できない要因 © 2023 DeeL 18 分析③ 個体iの応答変数 固定効果 変量効果 誤差
16. • 切片のみ変量効果が入るモデルを使用 • Case群のとき、timeの傾きが1.24さらに下がる結果に © 2023 DeeL 19 混合効果モデルの結果① 変量効果の推定値 固定効果の推定値
17. • 差分データについて考える（次元を減らせる） • 時間をカテゴリカル変数として扱う © 2023 DeeL 20 混合効果モデルの結果② Case : 1 Control : 0 時点 値 0 1 0.2 0 2 -0.65 0 3 -2.85 1 1 0.9 1 2 -1.05 1 3 -6.62
18. • サンプルサイズ減らせられる • 欠測にも対応できる • 時点間相関を考慮 • 多重比較しなくてよくなる © 2023 DeeL 21 混合効果モデルのいいところ
19. © 2023 DeeL 22 余談
20. • 対応のあるt検定は変化量に関する1変数のt検定 • 対応のあるt検定は混合効果モデルで表せれる © 2023 DeeL 23 余談
21. • はじめのt検定の結果を混合効果モデルで表す © 2023 DeeL 24 余談 Prepostを縦持ちに ランダム切片モデルで、Group*prepostの交互作用項の係数がｔ検定の結果と一致
22. Enjoy!! © 2023 DeeL 25