Geschäftskontext
Ein Pharmaunternehmen führt eine groß angelegte Beobachtungsstudie durch, um die Wirksamkeit eines neuen Medikaments im Vergleich zu einem Placebo zu testen. Der Datensatz ist sehr groß (Big Data), und es soll die effiziente TMLE-Methode (Targeted Maximum Likelihood Estimation) verwendet werden, um die Rechenleistung von SAS Viya zu prüfen.
Über das Set : causalAnalysis
Kausale Inferenzanalyse und Effektschätzung.
Entdecken Sie alle Aktionen von causalAnalysis Datenaufbereitung
Simulation von 1 Million Patientenakten mit binärem Ergebnis (Genesung ja/nein).
Kopiert!
| 1 | |
| 2 | DATA casuser.medical_bigdata; |
| 3 | call streaminit(999); |
| 4 | DO i=1 to 1000000; |
| 5 | IF rand('Uniform') < 0.3 THEN drug = 'Placebo'; |
| 6 | ELSE drug = 'DrugX'; |
| 7 | IF drug='DrugX' THEN recovery_prob = 0.8; |
| 8 | ELSE recovery_prob = 0.4; |
| 9 | recovered = rand('Bernoulli', recovery_prob); |
| 10 | prob_Placebo = 0.3; |
| 11 | prob_DrugX = 0.7; |
| 12 | pred_Placebo = 0.4; |
| 13 | pred_DrugX = 0.8; |
| 14 | OUTPUT; |
| 15 | END; |
| 16 | |
| 17 | RUN; |
| 18 |
Étapes de réalisation
1
Ausführung der Analyse auf dem großen Datensatz mit TMLE.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | causalanalysis.caEffect TABLE={name='medical_bigdata', caslib='casuser'}, method='TMLE', treatVar={name='drug'}, outcomeVar={name='recovered', type='BINARY', event='1'}, pom={{trtLev='DrugX', trtProb='prob_DrugX', predOut='pred_DrugX'}, {trtLev='Placebo', trtProb='prob_Placebo', predOut='pred_Placebo'}}, difference={{evtLev='DrugX', refLev='Placebo'}}; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Aktion muss die 1 Million Datensätze performant verarbeiten. Das Ergebnis sollte zeigen, dass 'DrugX' eine höhere Genesungswahrscheinlichkeit (POM) als das Placebo aufweist, berechnet durch die iterative Aktualisierung des TMLE-Algorithmus.