Génération de TLF

Générez les tableaux, listings et figures (TLF) qui rapportent un essai clinique — en R, à partir de données ADaM prêtes pour l’analyse. Cette série pratique construit des sorties de qualité soumission avec la pile de reporting pharmaverse (gtsummary, rtables, tern), en partant du tableau démographique qui ouvre tout rapport d’étude clinique — chacun une construction complète et exécutable sur des données pharmaverse publiques.

Apprendre › Pharma & Clinique › Génération de TLF

ADaM (l’Analysis Data Model) rend les données prêtes pour l’analyse ; les TLF — tableaux, listings et figures — sont ce qu’un essai rapporte réellement. Cette série génère des TLF de qualité soumission en R à partir de jeux de données ADaM avec la pile de reporting pharmaverse : gtsummary pour l’exploration rapide, rtables et tern pour les sorties validées, exportables en RTF, qui entrent dans un rapport d’étude clinique. Chaque leçon est une construction complète et exécutable sur des données pharmaverse publiques, pour que chaque nombre se reproduise. The runtime is the judge.

La série construit les TLF essentiels que porte tout rapport d’étude clinique :

1. Le tableau démographique (Table 1) — le tableau des caractéristiques à l’inclusion qui ouvre le rapport. Construisez-le de deux façons : la voie rapide gtsummary pour l’exploration, et la voie de qualité soumission rtables/tern pour la sortie validée — les mêmes nombres, une machinerie différente, et quand recourir à chacune.
2. Le tableau d’efficacité (ANCOVA) — le résultat sur le critère principal : une analyse de covariance de la variation par rapport à la valeur initiale qui rapporte la moyenne ajustée (des moindres carrés) par bras et la différence traitement-versus-référence, l’IC à 95 % et la p-value, construite avec summarize_ancova() de tern.
3. Le tableau de synthèse des événements indésirables — le tableau de sécurité au cœur du rapport : les événements indésirables survenus sous traitement par classe de système d’organes et terme préféré, par bras de traitement, comptant les sujets (et non les événements) sur la population de sécurité dans rtables/tern.
4. La figure de Kaplan-Meier — la figure phare de délai jusqu’à l’événement : les courbes de survie par bras avec une table du nombre de sujets à risque, les médianes, et le p du test du log-rank, construite dans survminer à partir d’un ADTTE.
5. Le forest plot — la figure de rapport de risques (HR) qui résume un modèle de Cox et montre si l’effet du traitement tient dans les sous-groupes : le forest par covariable du modèle de Cox avec ggforest() de survminer, et le forest de sous-groupes construit avec ggplot2, à partir du même ADTTE.
6. Listings de patients → RTF — l’annexe à une ligne par observation qui permet à un évaluateur de retracer n’importe quel nombre jusqu’aux enregistrements individuels : construisez-la avec rlistings (masquage des colonnes clés, pagination) et exportez le RTF de soumission avec r2rtf.
7. Le reporting orienté ARD — le workflow moderne des résultats sous forme de données : construisez un jeu de données de résultats d’analyse (la norme de résultats d’analyse de CDISC) avec cards et cardx, pour que chaque nombre soit une ligne que vous pouvez mettre en tableau, tracer ou réutiliser — puis mettez-le en page avec gtsummary::tbl_ard_summary().

Ceux-ci constituent l’ossature TLF d’une soumission ; la validation et le QC — la double programmation et les vérifications défensives — viennent ensuite.

Toutes les leçons

🟢 Avec un agent IA

Demandez à Prova « comment construire un tableau démographique de qualité soumission dans rtables, et quand recourir à analyze_vars de tern plutôt qu’à gtsummary ? » — elle répond en s’appuyant sur les conventions de reporting CDISC et du code rtables/tern exécutable, pour que le tableau corresponde à votre étude, et non à un exemple générique. The runtime is the judge. Demandez à Prova →

Cette page vous a-t-elle été utile ?

Recevez les nouvelles leçons R & Python par e-mail

Pratique, reproductible, sans spam. Désinscription à tout moment.

Double opt-in. Nous ne partageons jamais votre e-mail.

Partager cette pageXLinkedInRedditHN