OBJECTIVES
- CDISC: SDTM과 ADaM이 무엇인지 알아보자.
- 직접 SDTM을 ADaM으로 변환해보자.
- ADaM을 이용, TLG(table, list, graphics)를 빠르게 만들어보자.
- Shiny module을 이용, ADaM dataset에서 복잡한 분석을 빠르게 수행해보자.
시작하기 전에
이전에 CDISC와 CDISC 中 ADaM, ADSL에 간단히 다룬 적이 있다. zarathu_CDISC
본문을 읽기 전, 먼저 위 문서를 읽고 오는 것을 추천한다.
CDISC: SDTM and ADaM
1. CDISC 표준 개요
- 목적: 임상시험 데이터의 표준화 및 재현성 확보
-
주요 구성:
-
SDTM(원시 데이터) -
ADaM(분석용 데이터) -
Define-XML(메타데이터)
-
2. SDTM (Study Data Tabulation Model)
- 역할: 원시 데이터 수집 표준
-
특징:
- 관측 중심 구조 (1행 = 1관측치)
- 도메인 별 분류 (DM, VS, LB 등)
- 예시:
VS(Vital Signs),LB(Lab Data)
3. ADaM (Analysis Data Model)
-
등장 이유: SDTM의 분석 한계 보완
- 분석용 파생변수 부재
- 치료군 비교 어려움
- 재현성 문제
-
핵심 특징:
- 분석 친화적 구조
- 파생변수 명시적 정의
- 데이터 트레일(traceability) 강화
4. 주요 ADaM 데이터셋
| 데이터셋 | 용도 | 예시 변수 |
|---|---|---|
| ADSL | 기본 분석 |
TRT01P, ITTFL
|
| ADAE | 이상반응 |
TRTEMFL, AOCCFL
|
| ADPC | 약동학 |
DV, LLOQ
|
| ADTTE | 생존분석 |
AVAL, CNSR
|
| ADLB | 검사실 |
ANRIND, BASE
|
5. 표준 적용 흐름
SDTM vs ADaM 변수 비교
1. SDTM 주요 변수 구조
| 도메인 | 핵심 변수 | 설명 |
|---|---|---|
| DM |
USUBJID, AGE, SEX, RACE, ARM
|
인구통계학 및 치료군 정보 |
| AE |
AETERM, AESTDTC, AEENDTC, AESEV
|
이상반응 데이터 |
| VS |
VSTEST, VSORRES, VSSTRESN
|
생체징후 데이터 |
| LB |
LBTEST, LBORRES, LBSTRESN
|
검사실 데이터 |
| EX |
EXTRT, EXDOSE, EXSTDTC
|
투여 정보 |
2. ADaM으로 전환 시 주요 변경 사항
| SDTM 변수 | ADaM 변환 | 변경 이유 |
|---|---|---|
AESTDTC(문자형) |
ASTDT(숫자형 날짜) |
분석용 날짜 포맷 |
AGE |
AGEGR1(연령그룹) |
카테고리 분석 |
ARM |
TRT01P(계획 치료군) |
프로토콜 위반 처리 |
| - |
TRTEMFL(치료기간 발생 여부) |
안전성 분석 필터링 |
ADaM 전용 파생 변수
-
기본 변수:
-
AVAL: 분석용 수치값 (예: LB도메인의VSSTRESN→AVAL) -
CHG: 기준값 대비 변화량 -
PCHG: 백분율 변화량
-
-
플래그 변수:
-
SAFFL: 안전성 평가 집단 플래그 -
ITTFL: Intent-to-Treat 플래그 -
ANL01FL: 주요 분석 플래그
-
-
날짜 변수:
-
ADT: 분석용 숫자형 날짜 -
ADY: 기준일(DAY 1) 대비 일수
-
SDTM to ADaM
SDTM에서 ADaM으로 바뀌는 과정을 돕기 위해 pharmaverse에서 패키지를 만들었다. 이를 이용하여 직접 변환을 해보자.
오늘 다룰 대표적인 ADaM은 아래와 같다.
- ADSL(Analysis Dataset, subject-level)
- ADAE(Analysis Dataset, Adverse Effect)
위 ADaM들을 pharmaverse packages를 이용해 다뤄보자.
ADSL
ADSL은 임상 시험에서 환자별 기초 정보를 담는 핵심 데이터셋으로, 주요 변수와 분석에 활용된다.
목적:
임상 시험 대상자(Subject)의 인구통계학적 정보, 치료 그룹, 기초 값 등 개인 수준 데이터를 제공.
구조:
한 행에 한 환자의 정보가 포함되며, USUBJID (고유 환자 식별자)로 구분.
활용:
효능/안전성 분석의 기초 데이터로 사용.
주요 변수 (Columns)
| Category | Variables | Description |
|---|---|---|
| Identifiers | • USUBJID• SUBJID• SITEID
|
• 고유 환자 ID • 대상자 ID • 연구기관 ID |
| Demographics | • AGE• SEX• RACE• COUNTRY
|
• 연령 • 성별 • 인종 • 국가 |
| Treatment | • TRT01P• TRT01A• TRTGRPn
|
• 계획 치료 • 실제 치료 • 치료그룹 |
| Trial | • ARM• ACTARM• RFSTDTC• RFENDTC
|
• 할당 치료군 • 실제 치료군 • 첫 투여일 • 마지막 방문일 |
| Flags | • SAFFL• ITTFL• COMPLFL
|
• 안전성 평가 대상 • ITT 대상 • 연구 완료 여부 |
| CDISC | All variables | CDISC ADaM 표준 준수 |
ADSL_example
예제는 아래와 같은 순서로 진행한다.
- data/Packages loading
- Derivation Building
- Variables Grouping
- Derive exposure variables
- Derive Treatment Variables
- Derive Disposition Variables
- Derive Cause of Death
- Derive Other Grouping Variables
- Applying metadate
#load packages
library(metacore)
library(metatools)
library(pharmaversesdtm)
library(admiral)
library(xportr)
library(dplyr)
library(tidyr)
library(lubridate)
library(stringr)
library(DT)
# Read in input SDTM data
dm <- pharmaversesdtm::dm
ds <- pharmaversesdtm::ds
ex <- pharmaversesdtm::ex
ae <- pharmaversesdtm::ae
vs <- pharmaversesdtm::vs
suppdm <- pharmaversesdtm::suppdm
#in case; importing SAS datasets using haven::read_sas()
# NA가 아닌 ""로 읽히기 때문에, NA처리를 따로 해줘야한다.
dm <- convert_blanks_to_na(dm)
ds <- convert_blanks_to_na(ds)
ex <- convert_blanks_to_na(ex)
ae <- convert_blanks_to_na(ae)
vs <- convert_blanks_to_na(vs)
suppdm <- convert_blanks_to_na(suppdm)이후 편의를 위해 dm과 suppdm을 아래와 같이 합칠 수 있다.
names(dm)
# [1] "STUDYID" "DOMAIN" "USUBJID" "SUBJID" "RFSTDTC" "RFENDTC" "RFXSTDTC" "RFXENDTC" "RFICDTC" "RFPENDTC" "DTHDTC" "DTHFL" "SITEID"
# [14] "AGE" "AGEU" "SEX" "RACE" "ETHNIC" "ARMCD" "ARM" "ACTARMCD" "ACTARM" "COUNTRY" "DMDTC" "DMDY"
names(suppdm)
# [1] "STUDYID" "RDOMAIN" "USUBJID" "IDVAR" "IDVARVAL" "QNAM" "QLABEL" "QVAL" "QORIG" "QEVAL"
# merge 대신 suppdm을 통해 간편하게 확인할 수 있다.
dm_suppdm <- combine_supp(dm, suppdm)
names(dm_suppdm)
# [1] "STUDYID" "DOMAIN" "USUBJID" "SUBJID" "RFSTDTC" "RFENDTC" "RFXSTDTC" "RFXENDTC" "RFICDTC" "RFPENDTC" "DTHDTC" "DTHFL" "SITEID"
# [14] "AGE" "AGEU" "SEX" "RACE" "ETHNIC" "ARMCD" "ARM" "ACTARMCD" "ACTARM" "COUNTRY" "DMDTC" "DMDY" "IDVARVAL"
# [27] "COMPLT16" "COMPLT24" "COMPLT8" "EFFICACY" "ITT" "SAFETY"그 이후 specification file을 metacore object로 합친다. metacore::spec_to_metacore()
# Read in metacore object
metacore <- spec_to_metacore(
path = "./safety_specs.xlsx",
# All datasets are described in the same sheet
where_sep_sheet = FALSE
) %>%
select_dataset("ADSL")Derivation Building
이제 SDTM dataset(DM, SUPPDM)에서 필요한 변수들을 추출하여 ADaM(ADSL)을 생성하는 과정이 시작된다. metatools:build_from_derived()
adsl_preds <- build_from_derived(metacore,
ds_list = list("dm" = dm_suppdm, "suppdm" = dm_suppdm),
predecessor_only = FALSE, keep = FALSE
)Not all datasets provided. Only variables from DM, SUPPDM will be gathered.Variable Grouping
이제 subgroup을 만들어보자. admiral::derive_vars_cat()
agegr1_lookup <- exprs(
~condition, ~AGEGR1, ~AGEGR1N,
is.na(AGE), "Missing", 4,
AGE < 18, "<18", 1,
between(AGE, 18, 64), "18-64", 2,
!is.na(AGE), ">64", 3
)
adsl_cat <- derive_vars_cat(
dataset = adsl_preds,
definition = agegr1_lookup
)
head(adsl_cat %>% select(contains(c("ID","AGE")))) %>% datatable()
만일 metacore data(.xlsx)가 terminology definition을 갖고있다면, get_control_term()을 이용해 정의를 불러올 수 있다.
get_control_term(metacore, variable = AGEGR1)# A tibble: 3 × 2
code decode
<chr> <chr>
1 <18 <18
2 18-64 18-64
3 >64 >64 adsl_ct <- adsl_preds %>%
create_cat_var(metacore,
ref_var = AGE,
grp_var = AGEGR1, num_grp_var = AGEGR1N
)
head(adsl_ct %>% select(contains(c("ID","AGE")))) %>% datatable()
기존의 방식을 이용해서 진행해도 무방하다.
format_agegr1 <- function(age) {
case_when(
age < 18 ~ "<18",
between(age, 18, 64) ~ "18-64",
age > 64 ~ ">64",
TRUE ~ "Missing"
)
}
format_agegr1n <- function(age) {
case_when(
age < 18 ~ 1,
between(age, 18, 64) ~ 2,
age > 64 ~ 3,
TRUE ~ 4
)
}
adsl_cat3 <- adsl_preds %>%
mutate(
AGEGR1 = format_agegr1(AGE),
AGEGR1N = format_agegr1n(AGE)
)
head(adsl_cat3 %>% select(contains(c("ID","AGE")))) %>% datatable()
인종, 성별 등 고정되어 있는 code는 codelist를 참조, 아래와 같이 변경할 수 있다. 다만, codelist에 정의되어 있어야한다.
metatools::create_var_from_codelist()
adsl_ct <- adsl_ct %>%
create_var_from_codelist(
metacore = metacore,
input_var = RACE,
out_var = RACEN
)
head(adsl_ct %>% select(contains(c("ID","AGEGR","RACE")))) %>% datatable()create_var_from_codelist사용:
그룹이 이미 문자형으로 존재하고, 숫자 코드만 필요할 때
(예:RACE→RACEN변환/ 인종, 성별 등 factor variable)create_cat_var사용:
연속형 데이터를 처음부터 그룹핑해야 할 때
(예:AGE(숫자) →AGEGR1(문자) +AGEGR1N(숫자) 생성/AGE,BMI등 continuous variable)
Exposure Derivations
기존 변수들을 바탕으로 새로운 변수들을 생성해보자. 관련 변수들의 예시는 admiral에서 더 자세한 정보를 확인 가능하다.
# DTC > DTM: `derive_vars_dtm`
ex_ext <- ex %>%
derive_vars_dtm(
dtc = EXSTDTC, # 시작 일시
new_vars_prefix = "EXST" # EXSTDTM
) %>%
derive_vars_dtm(
dtc = EXENDTC, # 종료 일시
new_vars_prefix = "EXEN", # EXENDTM
time_imputation = "last" #종료 시간 결측 시 "23:59"로 대체.
)
# 다음과 같은 변수 생성: EXEN, EXSTTMF, EXENDTM, EXENTMF
# ADSL에 병합
adsl_raw <- adsl_ct %>%
# Treatment Start Datetime
derive_vars_merged(
dataset_add = ex_ext,
filter_add = (EXDOSE > 0 | (EXDOSE == 0 & str_detect(EXTRT, "PLACEBO"))) & !is.na(EXSTDTM),
new_vars = exprs(TRTSDTM = EXSTDTM, TRTSTMF = EXSTTMF),
order = exprs(EXSTDTM, EXSEQ), # 가장 빠른 시작 일시 + 낮은 EXSEQ
mode = "first", # 첫번째 기록 선택
by_vars = exprs(STUDYID, USUBJID)
) %>%
# Treatment End Datetime
derive_vars_merged(
dataset_add = ex_ext,
filter_add = (EXDOSE > 0 | (EXDOSE == 0 & str_detect(EXTRT, "PLACEBO"))) & !is.na(EXENDTM),
new_vars = exprs(TRTEDTM = EXENDTM, TRTETMF = EXENTMF),
order = exprs(EXENDTM, EXSEQ), # 가장 늦은 종료 일시 + 높은 EXSEQ
mode = "last", # 마지막 기록 선택
by_vars = exprs(STUDYID, USUBJID)
) %>%
# Treatment Start and End Date (TRTSDT, TRTEDT 생성.)
derive_vars_dtm_to_dt(source_vars = exprs(TRTSDTM, TRTEDTM)) %>% # Convert Datetime variables to date
# Treatment Start Time (TRTSM)
derive_vars_dtm_to_tm(source_vars = exprs(TRTSDTM)) %>%
# Treatment Duration ( TRTDURD = TRTEDT - TRTSDT + 1 )
derive_var_trtdurd() %>%
# Safety Population Flag (SAFFL: "Y" or `NA`)
derive_var_merged_exist_flag(
dataset_add = ex,
by_vars = exprs(STUDYID, USUBJID),
new_var = SAFFL,
condition = (EXDOSE > 0 | (EXDOSE == 0 & str_detect(EXTRT, "PLACEBO")))
)
# adsl_raw = adsl_ct + 치료(exposure)관련 변수 및 SAFFL.
head(adsl_raw %>% select((c("STUDYID","TRTSDTM","TRTSTM","TRTSTMF","TRTSDT","TRTEDTM","TRTETMF","TRTEDT","TRTDURD","SAFFL")))) %>% datatable()
Derive Treatment Variables
ADSL data에 치료 그룹 변수(TRT01P, TRT01A)와 숫자형 코드 변수(TRT01PN, TRT01AN)를 추가하자.
adsl <- adsl_raw %>%
mutate(
TRT01P = if_else(ARM %in% c("Screen Failure", "Not Assigned", "Not Treated"), "No Treatment", ARM),
TRT01A = if_else(ACTARM %in% c("Screen Failure", "Not Assigned", "Not Treated"), "No Treatment", ACTARM)
) %>%
create_var_from_codelist(metacore, input_var = TRT01P, out_var = TRT01PN) %>%
create_var_from_codelist(metacore, input_var = TRT01A, out_var = TRT01AN)TRT01P: 계획된 치료 그룹 (Planned Treatment) TRT01A: 실제 치료 그룹 (Actual Treatment)
code mapping (example)
- "Placebo" → 1
- "High Dose" → 2
- "Low Dose" → 3
- "No Treatment"→ NAhead(adsl %>% select((c("STUDYID", "USUBJID","TRT01P", "TRT01PN", "TRT01A", "TRT01AN" )))) %>% datatable()
Derive Disposition Variables
ADSL data에 연구 종료 변수(EOSDT, EOSSTT) 및 날짜 변수(RANDDT, SCRFDT 등)들을 추가하자.
# 1. 연구 종료 일자(EOSDT)
# DS 데이터에서 문자형 날짜(DTC) → 숫자형 날짜(DT) 변환
ds_ext <- derive_vars_dt(
ds,
dtc = DSSTDTC, # 문자형 일자 (예: "2014-07-02")
new_vars_prefix = "DSST" # 생성 변수: DSSTDT, DSSTDTF
)
#. ADSL에 연구 종료 일자 병합 (EOSDT, ex: 2014-07-02)
adsl <- adsl %>%
derive_vars_merged(
dataset_add = ds_ext,
by_vars = exprs(STUDYID, USUBJID),
new_vars = exprs(EOSDT = DSSTDT),
filter_add = DSCAT == "DISPOSITION EVENT" & DSDECOD != "SCREEN FAILURE"
)
# 2. 연구 종료 상태(EOSSTT)
# 사용자 정의 매핑 함수
format_eosstt <- function(x) {
case_when(
x == "COMPLETED" ~ "COMPLETED",
x == "SCREEN FAILURE" ~ NA_character_,
TRUE ~ "DISCONTINUED"
)
}
# ADSL에 상태 변수 병합
adsl <- adsl %>%
derive_vars_merged(
dataset_add = ds,
by_vars = exprs(STUDYID, USUBJID),
filter_add = DSCAT == "DISPOSITION EVENT",
new_vars = exprs(EOSSTT = format_eosstt(DSDECOD)),
missing_values = exprs(EOSSTT = "ONGOING") # 결측 시 "ONGOING" 할당
)
head(adsl %>% select((c("STUDYID", "USUBJID", "EOSDT", "EOSSTT")))) %>% datatable() 매핑 규칙:
DSDECOD EOSSTT
"COMPLETED" "COMPLETED"
"SCREEN FAILURE" NA
기타 "DISCONTINUED"
특이 사항: 처분 데이터가 없는 대상자는 "ONGOING"으로 표시# 3. 사망일자(DTHDT)
adsl <- adsl %>%
derive_vars_dt(
new_vars_prefix = "DTH", # 생성 변수: DTHDT, DTHDTF
dtc = DTHDTC, # 사망 일자 (DTC)
highest_imputation = "M", # 월까지만 있는 경우 "01"일로 대체
date_imputation = "first" # 일 결측 시 월의 첫째 날 대체
)
# 대체 규칙 (예시):
# "2014-07" → 2014-07-01
# "2014" → 2014-01-01
# 4. 추가 날짜 변수
adsl <- adsl %>%
# 무작위 배정 일자(RANDDT)
derive_vars_merged(
dataset_add = ds_ext,
by_vars = exprs(STUDYID, USUBJID),
new_vars = exprs(RANDDT = DSSTDT),
filter_add = DSDECOD == "RANDOMIZED"
) %>%
# 스크린 실패 일자(SCRFDT)
derive_vars_merged(
dataset_add = ds_ext,
by_vars = exprs(STUDYID, USUBJID),
new_vars = exprs(SCRFDT = DSSTDT),
filter_add = DSDECOD == "SCREEN FAILURE"
) %>%
# 최종 방문 일자(FRVDT)
derive_vars_merged(
dataset_add = ds_ext,
by_vars = exprs(STUDYID, USUBJID),
new_vars = exprs(FRVDT = DSSTDT),
filter_add = DSDECOD == "FINAL RETRIEVAL VISIT"
)
head(adsl %>% select((c("STUDYID", "USUBJID", "RANDDT", "SCRFDT", "FRVDT")))) %>% datatable()# 5. 사망 관련 기간 변수
adsl <- adsl %>%
# 사망 상대일(DTHADY): 치료 시작일(TRTSDT) 기준
derive_vars_duration(
new_var = DTHADY,
start_date = TRTSDT,
end_date = DTHDT,
add_one = TRUE # 시작일 포함 (+1일)
) %>%
# 최종 투여-사망 간격(LDDTHELD): 치료 종료일(TRTEDT) 기준
derive_vars_duration(
new_var = LDDTHELD,
start_date = TRTEDT,
end_date = DTHDT,
add_one = FALSE # 시작일 미포함
)
# DTHADY = DTHDT - TRTSDT + 1
# LDDTHELD = DTHDT - TRTEDT
# 사용자 정의 함수
assign_randfl <- function(x) {
if_else(!is.na(x), "Y", NA_character_)
}
# 플래그 할당
adsl <- adsl %>%
mutate(RANDFL = assign_randfl(RANDDT))
head(adsl %>% select((c("STUDYID", "USUBJID", "TRTSDT", "TRTEDT", "DTHADY", "LDDTHELD", "RANDDT", "RANDFL")))) %>% datatable()
Derive Cause of Death
admiral::derive_vars_extreme_event()를 이용,
dm/suppdm이 아닌 다른 위치(AE/DS 등)의 사망 원인 정보를 통합, ADSL에 추가할 수 있다.
-
DTHDT: death date -
DTHCAUS: death cause -
DTHDOM: death domain (ex: “AE”/“DS”)
adsl <- adsl %>%
derive_vars_extreme_event(
# 그룹화 변수
by_vars = exprs(STUDYID, USUBJID),
# 사망 원인 이벤트 정의
events = list(
# 1. AE 도메인에서 사망 원인 추출
event(
dataset_name = "ae",
condition = AEOUT == "FATAL", # 치명적 부작용 필터
set_values_to = exprs(
DTHCAUS = AEDECOD, # 부작용 용어 사용
DTHDOM = "AE" # 출처 도메인 표시
)
),
# 2. DS 도메인에서 사망 원인 추출
event(
dataset_name = "ds",
condition = DSDECOD == "DEATH" & grepl("DEATH DUE TO", DSTERM),
set_values_to = exprs(
DTHCAUS = DSTERM, # 처분 용어 사용
DTHDOM = "DS" # 출처 도메인 표시
)
)
),
# 소스 데이터셋 지정
source_datasets = list(ae = ae, ds = ds),
# 기술적 옵션
tmp_event_nr_var = event_nr, # 임시 이벤트 번호 변수
order = exprs(event_nr), # 정렬 기준 (첫 번째 이벤트 선택)
mode = "first", # 최초 발생 이벤트 우선
# 출력 변수
new_vars = exprs(DTHCAUS, DTHDOM)
)
adsl %>% filter(!is.na(DTHDT) ) %>% select((c("STUDYID", "USUBJID", "DTHDT", "DTHCAUS", "DTHDOM"))) %>% datatable()
Derive Other Grouping Variables
- 지역, 인종, 사망 범주 등 다양한 grouping variable들을 추가할 수 있다.
-
derive_vars_cat()을 이용, factor와 numeric variable 추가을 추가할 수 있다.
주요 변수
변수명 설명 생성 규칙 예시
REGION1 지역 그룹 (문자형) 북미 vs. 기타 국가
REGION1N 지역 코드 (숫자형) 1=North America, 2=Rest of the World
RACEGR1 인종 그룹 (문자형) White vs. Non-white
RACEGR1N 인종 코드 (숫자형) 1=White, 2=Non-white
DTHCGR1 사망 원인 그룹 Adverse Event vs. Progressive Disease
DTHCGR1N 사망 원인 코드 1=ADVERSE EVENT, 2=PROGRESSIVE DISEASE# REGION1
region1_lookup <- exprs(
~condition, ~REGION1, ~REGION1N,
COUNTRY %in% c("CAN", "USA"), "North America", 1,
!is.na(COUNTRY), "Rest of the World", 2,
is.na(COUNTRY), "Missing", 3
)
# RACEGR1
racegr1_lookup <- exprs(
~condition, ~RACEGR1, ~RACEGR1N,
RACE == "WHITE", "White", 1,
RACE != "WHITE", "Non-white", 2,
is.na(RACE), "Missing", 3
)
#DTHCG1
dthcgr1_lookup <- exprs(
~condition, ~DTHCGR1, ~DTHCGR1N,
DTHDOM == "AE", "ADVERSE EVENT", 1,
str_detect(DTHCAUS, "(PROGRESSIVE DISEASE|DISEASE RELAPSE)"), "PROGRESSIVE DISEASE", 2,
!is.na(DTHCAUS), "OTHER", 3,
is.na(DTHDOM), NA_character_, NA
)
# 변수 생성
adsl <- adsl %>%
derive_vars_cat(definition = region1_lookup) %>%
derive_vars_cat(definition = racegr1_lookup) %>%
derive_vars_cat(definition = dthcgr1_lookup)
adsl %>% head %>% select((c("STUDYID", "USUBJID", "COUNTRY", "REGION1", "REGION1N", "RACE", "RACEGR1", "RACEGR1N")))%>% datatable()adsl %>% filter(!is.na(DTHDT) ) %>% select((c("STUDYID", "USUBJID", "DTHDOM", "DTHCAUS", "DTHCGR1", "DTHCGR1N"))) %>% datatable()
Data check, create eSub XPT
ADSL data에 metadata를 적용, 검토해보자. 검토와 동시에 최종 결과를 확인할 수 있다.
dir <- tempdir()
adsl %>%
# 1. 변수 존재 여부 검증
check_variables(metacore) %>% # 메타데이터에 정의된 변수 모두 존재하는지 확인
# 2. 코드리스트(Controlled Terminology) 검증
check_ct_data(metacore, na_acceptable = TRUE) %>% # 허용된 값만 포함하는지 확인 (NA 허용)
# 3. 컬럼 순서 정렬
order_cols(metacore) %>% # 메타데이터 스펙에 정의된 순서로 재배열
# 4. 키 기준 행 정렬
sort_by_key(metacore) %>% # 메타데이터의 sort_key 변수(예: USUBJID) 기준 정렬
# 5. eSub XPT로 저장
xportr_type(metacore, domain = "ADSL") %>% # 변수 타입 강제 변환 (예: 문자 → 숫자)
xportr_length(metacore) %>% # SAS 길이 지정 (예: 문자열 200자)
xportr_label(metacore) %>% # 변수 라벨 할당 (예: "Age at Baseline")
xportr_df_label(metacore) %>% # 데이터셋 라벨 할당 (예: "Adverse Events Analysis Dataset")
xportr_write(file.path(dir, "adsl.xpt"), metadata = metacore, domain = "ADSL") %>%
datatable()ADAE
임상시험에서의 이상반응(Adverse Events, AE) 데이터를 분석하기 위한 ADAE 데이터셋 생성 과정 ADSL + AE = ADAE라 생각하자.
1. 개요
∙ 목적: 이상반응 데이터의 표준화된 분석을 위한 데이터셋 생성
안전성 평가(Safety Analysis)의 핵심 데이터셋으로, 다음 목적에 사용:
∘ 이상반응 발생률 계산
∘ 치료군 간 AE 비교
∘ 중대한 이상반응(SAE) 추적
∘ 규제 기관(FDA, PMDA 등) 제출용
∙ 입력 데이터:
∘ AE (기본 이상반응 데이터)
∘ ADSL (환자 기본 정보)
∙ 출력 데이터:
∘ ADAE (Analysis Dataset for Adverse Events)
2. 주요변수
| 변수명 | 설명 | 예시 | 필수여부 |
|---|---|---|---|
| STUDYID | 연구 식별자 | "CDISCPILOT01" | Required |
| USUBJID | 환자 고유 ID | "01-701-1015" | Required |
| AESEQ | AE 시퀀스 번호 | 1, 2, 3... | Required |
| 변수명 | 설명 | 예시 |
|---|---|---|
| AESTDT | AE 시작일 | 2023-05-20 |
| AEENDT | AE 종료일 | 2023-05-25 |
| AEDUR | AE 지속일수 (파생 변수) | 6 |
| 변수명 | 설명 | 예시.값 |
|---|---|---|
| AETERM | 보고된 AE 명칭 | "Headache" |
| AEDECOD | 표준화된 AE 용어 (PT) | "HEADACHE" |
| AEBODSYS | 신체계 (SOC) | "NERVOUS SYSTEM" |
| AESEV | 중증도 | "MILD", "SEVERE" |
| 변수명 | 설명 | 값.범위 |
|---|---|---|
| AEREL | 약물 관련성 | "Y"/"N"/NA |
| AESER | 중대한 AE 여부 | "Y"/"N" |
| AEOUT | 결과 | "RECOVERED" |
| 변수명 | 설명 | 생성.로직 |
|---|---|---|
| TRTEMFL | 치료 기간 중 발생 여부 | AESTDT ≤ TRTEDT |
| AESERFL | 중대한 AE 플래그 | AESER == 'Y' |
| AERELFL | 관련성 플래그 | AEREL == 'Y' |
| 변수명 | 설명 | 출처 |
|---|---|---|
| TRT01A | 실제 치료군 | ADSL |
| TRTSDT | 치료 시작일 | ADSL |
ADAE_example
예제는 아래와 같은 순서로 진행한다.
- data/Packages loading
- metacore specification loading
- ADSL variable selection
- Derivation Building
- Derive Analysis Dates
- Derive Duration/Date of last dose
- Derive Analysis/Occurence Flags
- Derive Query Variables
- Add ADSL variables
- Applying metadate
Data/Packages loading
library(metacore)
library(metatools)
library(pharmaversesdtm)
library(pharmaverseadam)
library(admiral)
library(xportr)
library(dplyr)
library(lubridate)
library(stringr)
library(reactable)
# Read in input data
adsl <- pharmaverseadam::adsl
ae <- pharmaversesdtm::ae
ex <- pharmaversesdtm::ex
# When SAS datasets are imported into R using haven::read_sas(), missing
ae <- convert_blanks_to_na(ae)
ex <- convert_blanks_to_na(ex)Metacore specification loading
# 메타데이터 Excel 파일에서 사양 추출
metacore <- spec_to_metacore(
path = "./safety_specs.xlsx", # 메타데이터 파일 경로
where_sep_sheet = FALSE # 모든 데이터셋이 한 시트에 있는 경우
) %>%
select_dataset("ADAE") # ADAE 데이터셋 선택ADSL variable selection
# ADSL에서 필요한 변수 선택
adsl_vars <- exprs(TRTSDT, TRTEDT, DTHDT) # 치료 시작/종료일, 사망일
# AE 데이터에 ADSL 변수 병합
adae <- ae %>%
derive_vars_merged(
dataset_add = adsl, # ADSL 데이터
new_vars = adsl_vars, # 추가할 변수
by_vars = exprs(STUDYID, USUBJID) # 병합 키
)Derive Analysis Dates
1. Analysis Date/Relative Analysis Day admiral::derive_vars_dt() and admiral::derive_vars_dy()
# AE 종료일(AENDT) 파생 (부분일자 대체)
adae <- adae %>%
derive_vars_dt(
new_vars_prefix = "AEN", # 생성 변수: AENDT, AENDTF
dtc = AEENDTC, # 원본 AE 종료일 문자형
date_imputation = "last", # 결측일은 월의 마지막 날로 대체 ("2023-02" → 2023-02-28)
highest_imputation = "M", # 월까지만 있는 경우 대체 수행
flag_imputation = "auto" # 대체 여부 플래그 자동 생성 (AENDTF)
) %>%
# AE 시작일(ASTDT) 파생 (추가 제약조건 적용)
derive_vars_dt(
new_vars_prefix = "AST", # 생성 변수: ASTDT, ASTDTF
dtc = AESTDTC,
highest_imputation = "M",
flag_imputation = "auto",
min_dates = exprs(TRTSDT), # 치료시작일보다 이전일 수 없음
max_dates = exprs(AENDT) # AE 종료일보다 이후일 수 없음
) %>%
# 치료 시작일 기준 상대일자 파생
derive_vars_dy(
reference_date = TRTSDT, # 기준일자
source_vars = exprs(ASTDT, AENDT) # 계산 대상
) # 생성 변수: ASTDY, AENDY
head(adae) %>% select(c("USUBJID", "AESTDTC","ASTDT","ASTDTF","ASTDY","AEENDTC","AENDT","AENDTF","AENDY")) %>% datatable()2. AE duration admiral::derive_vars_duration() admiral::derive_vars_joined() : 다른 data(예: ex)로 부터 join할 수 있다.
adae <- adae %>%
derive_vars_duration(
new_var = ADURN, # 지속일수 변수명
new_var_unit = ADURU, # 단위 변수명 (기본값 "DAYS")
start_date = ASTDT, # 시작일
end_date = AENDT, # 종료일
add_one = TRUE # 시작일 포함 계산 (기본값 TRUE)
)
# EX 데이터 전처리
# > last dose date을 위해 ex에서 exposure information을 불러오자.
ex <- ex %>%
derive_vars_dt(
dtc = EXENDTC,
new_vars_prefix = "EXEN" # EXENDT 생성
)
# ADAE에 최종 투여일 병합
adae <- adae %>%
derive_vars_joined(
dataset_add = ex,
by_vars = exprs(STUDYID, USUBJID), # 기본 조인 키
order = exprs(EXENDT), # EXENDT 기준 정렬
new_vars = exprs(LDOSEDT = EXENDT), # 생성 변수
join_vars = exprs(EXENDT), # 조인 조건에 사용할 변수
join_type = "all",
filter_add = (EXDOSE > 0 | (EXDOSE == 0 & str_detect(EXTRT, "PLACEBO"))) & !is.na(EXENDT),
filter_join = EXENDT <= ASTDT, # AE 시작일 이전의 투여기록만
mode = "last" # 가장 가까운 기록 선택
)
head(ex) %>% select(c("USUBJID", "EXTRT","EXDOSE","EXENDT")) %>% datatableDerive Flags
admiral::derive_var_trtemfl() : Treatment Emergent Flag (TRTEMFL)
# TRTSDT < ASTDT, TRTEMFL: Y admiral::derive_var_ontrtfl() : On-Treatment Flag (ONTRTFL)
# TRTSDT < ASTDT < TRTEDT +30day, ONTRTFL: Y admiral::derive_var_extreme_flag() : AE occurance initial Flag (AOCCIFL)
# Derive TRTEMFL and ONTRTFL
adae <- adae %>%
derive_var_trtemfl(
start_date = ASTDT, # AE 시작일
end_date = AENDT, # AE 종료일
trt_start_date = TRTSDT, # 치료 시작일
trt_end_date = TRTEDT # 치료 종료일
) %>%
derive_var_ontrtfl(
start_date = ASTDT, # AE 시작일
ref_start_date = TRTSDT, # 치료 시작일
ref_end_date = TRTEDT, # 치료 종료일
ref_end_window = 30 # 치료 종료 후 추가 기간 (일)
)
head(adae) %>% select(c("USUBJID", "ASTDT", "AENDT","TRTSDT","TRTEDT","TRTEMFL","ONTRTFL")) %>% datatable()#Derive AOCCIFL
adae <- adae %>%
# create temporary numeric ASEVN for sorting purpose
mutate(TEMP_AESEVN = as.integer(factor(AESEV, levels = c("SEVERE", "MODERATE", "MILD")))) %>%
derive_var_extreme_flag(
new_var = AOCCIFL, # 새 플래그 변수명
by_vars = exprs(STUDYID, USUBJID), # 그룹화 기준 (환자별)
order = exprs(TEMP_AESEVN, ASTDT, AESEQ), # 정렬 순서
mode = "first" # 첫 번째 레코드 선택
)
head(adae) %>% select(c("USUBJID", "ASTDT", "AESEQ","AESEV","AOCCIFL")) %>% datatable()
Derive Query Variables
Query dataset: AE 관련 용어들을 정리해놓은 basket으로 mapping 규칙을 정의. ex) SMQs, CQs. {admiral}Queries Dataset Vignette 참고. admiral::derive_vars_query()을 이용한다.
queries <- admiral::queries %>%
filter(PREFIX %in% c("CQ01", "SMQ02")) # CQ01(커스텀)과 SMQ02(표준)만 필터링
queries %>% head %>% datatable# query변수 생성
adae <- adae %>%
derive_vars_query(dataset_queries = queries)
head(adae) %>% select(c("USUBJID", "AEDECOD", "CQ01NAM","SMQ02NAM")) %>% datatable()Add ADSL variables
adae <- adae %>%
derive_vars_merged(
dataset_add = select(adsl, !!!negate_vars(adsl_vars)), # adsl_vars에 없는 변수만 선택
by_vars = exprs(STUDYID, USUBJID) # 키 변수
)Associated check perform, Create eSub XPT
- metatools & xportr package 이용.
dir <- tempdir() # 임시 디렉토리 지정
adae %>%
drop_unspec_vars(metacore) %>% # 사양서(metacore)에 없는 변수 제거
check_variables(metacore) %>% # 필수 변수 존재 여부 검증
check_ct_data(metacore, na_acceptable = TRUE) %>% # CT(Controlled Terminology) 준수 확인
order_cols(metacore) %>% # 컬럼 순서 사양서에 맞춤
sort_by_key(metacore) %>% # 키 변수(SORT KEYS)로 정렬
xportr_type(metacore, domain = "ADAE") %>% # 변수 타입 강제 변환 (예: 문자 → 숫자)
xportr_length(metacore) %>% # SAS 길이 지정 (예: 문자열 200자)
xportr_label(metacore) %>% # 변수 라벨 할당 (예: "Age at Baseline")
xportr_df_label(metacore) %>% # 데이터셋 라벨 할당 (예: "Adverse Events Analysis Dataset")
xportr_write(file.path(dir, "adae.xpt"), metadata = metacore, domain = "ADAE") %>% # XPT 파일 저장
datatable()ADPC
약물동력학(PK) 데이터를 분석하기 위한 핵심 데이터셋으로, 시간에 따른 혈중 약물 농도를 기록한다.
목적:
- 시간에 따른 약물 농도(PK 데이터)를 분석하여 약물 흡수, 분포, 대사, 배설(ADME) 평가.
구조:
- 각 행은 특정 시간점(NTIM)에서의 환자별 농도(DV)를 기록하며, USUBJID와 시간점으로 구분.
주요 활용:
- PK 파라미터(예: AUC, Cmax, Tmax) 계산 및 모델링.
주요 변수 (Columns)
| Category | Variables | Description |
|---|---|---|
| Identifiers | • USUBJID• SUBJID• VISIT• VISITNUM
|
• 고유 환자 ID • 대상자 ID • 방문 이름 • 방문 번호 |
| Time Info | • NTIM• TIME• NOM_*
|
• 실제 시간(hr) • 계획 시간 • 명목 시간(일/주 단위) |
| Concentration | • DV• LLOQ• BLQ
|
• 관측 농도(ng/mL) • 정량 한계 • 한계 미만 여부(Y/N) |
| Dose Info | • DOSE• DOSEUNIT• ROUTE
|
• 투여 용량 • 단위(mg/kg) • 투여 경로(IV/PO) |
| PK Parameters | • AUC• CMAX• TMAX
|
• 농도-시간 곡선 아래 면적 • 최대 농도 • 최대 농도 도달 시간 |
| Standards | All variables | CDISC ADaM 표준 준수 |
ADPPK
DPPK는 약물동력학(PK) 파라미터(예: AUC, Cmax, Tmax)를 분석하기 위한 데이터셋으로, ADPC에서 계산된 PK 파라미터를 주로 다룬다.
목적:
- PK 파라미터를 조직화하여 약물 노출량, 반감기, 청소율 등을 분석.
구조:
- 각 행은 환자별 PK 파라미터를 포함하며, USUBJID와 파라미터 종류(PARAM/PARAMCD)로 구분.
차이점:
- ADPC: 시간별 농도 데이터 (Raw PK 데이터).
- ADPPK: 파생된 PK 파라미터 (예: AUCINF, CL).
주요 변수 (Columns)
| Category | Variables | Description |
|---|---|---|
| Identifiers | • USUBJID• SUBJID• STUDYID
|
• 고유 환자 ID • 대상자 ID • 연구 ID |
| PK Parameters | • PARAM/PARAMCD• AVAL• AVALU
|
• 파라미터 이름/코드 • 실제 값 • 단위 |
| Dose Info | • DOSE• DOSU
|
• 투여 용량 • 용량 단위 |
| Analysis | • ANALYZT• METHOD
|
• 분석 방법 • 계산 알고리즘 |
| Standards | All variables | CDISC ADaM 표준 준수 |
TLG
- talbes, listings, Graphs
- demographic table & adverse event table
demopragphic table
-
ADSL데이터를 이용하여 작성한다. - tern: 임상시험 보고용 테이블 및 그래프 생성을 위한 패키지
library(tern)
# 1. 결측값 명시적 처리
adsl2 <- adsl %>% df_explicit_na()
# 2. 테이블 레이아웃 정의
lyt <- basic_table(show_colcounts = TRUE) %>%
split_cols_by(var = "ACTARM") %>% # 치료군별 컬럼 분할
add_overall_col("All Patients") %>% # 전체 집단 컬럼 추가
analyze_vars(
vars = c("AGE", "AGEGR1", "SEX", "RACE"),
var_labels = c("Age (yr)", "Age group", "Sex", "Race")
)
# 3. 테이블 빌드
result <- build_table(lyt, adsl2) %>% print Placebo Screen Failure Xanomeline High Dose Xanomeline Low Dose All Patients
(N=86) (N=52) (N=72) (N=96) (N=306)
—————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————
Age (yr)
n 86 52 72 96 306
Mean (SD) 75.2 (8.6) 75.1 (9.7) 73.8 (7.9) 76.0 (8.1) 75.1 (8.5)
Median 76.0 76.0 75.5 78.0 77.0
Min - Max 52.0 - 89.0 50.0 - 89.0 56.0 - 88.0 51.0 - 88.0 50.0 - 89.0
Age group
n 86 52 72 96 306
>64 72 (83.7%) 43 (82.7%) 61 (84.7%) 88 (91.7%) 264 (86.3%)
18-64 14 (16.3%) 9 (17.3%) 11 (15.3%) 8 (8.3%) 42 (13.7%)
Sex
n 86 52 72 96 306
F 53 (61.6%) 36 (69.2%) 35 (48.6%) 55 (57.3%) 179 (58.5%)
M 33 (38.4%) 16 (30.8%) 37 (51.4%) 41 (42.7%) 127 (41.5%)
Race
n 86 52 72 96 306
AMERICAN INDIAN OR ALASKA NATIVE 0 1 (1.9%) 1 (1.4%) 0 2 (0.7%)
ASIAN 0 2 (3.8%) 0 0 2 (0.7%)
BLACK OR AFRICAN AMERICAN 8 (9.3%) 6 (11.5%) 9 (12.5%) 6 (6.2%) 29 (9.5%)
WHITE 78 (90.7%) 43 (82.7%) 62 (86.1%) 90 (93.8%) 273 (89.2%) adverse event table
-
ADSL,ADAE데이터를 이용하여 작성한다.
입력 데이터:
adsl (기본 환자 정보)
adae (이상반응 데이터)
출력:
치료군별/신체계별 AE 발생 현황을 보여주는 분석용 테이블
library(pharmaverseadam);library(tern)
# 데이터 전처리
# 결측값 처리
adsl <- adsl %>% df_explicit_na()
adae <- adae %>% df_explicit_na()
# 라벨 추가 및 필터링
adae <- adae %>%
var_relabel(
AEBODSYS = "MedDRA System Organ Class", # 신체계 라벨
AEDECOD = "MedDRA Preferred Term" # PT 라벨
) %>%
filter(SAFFL == "Y") # 안전성 평가 대상만 선택
# 분할 함수 정의
split_fun <- drop_split_levels
# 테이블 레이아웃 정의.
# 테이블 구조 설계
lyt <- basic_table(show_colcounts = TRUE) %>%
# 1. 컬럼 분할 (치료군 기준)
split_cols_by(var = "ACTARM") %>%
add_overall_col(label = "All Patients") %>%
# 2. 전체 환자/이벤트 수 요약
analyze_num_patients(
vars = "USUBJID",
.stats = c("unique", "nonunique"),
.labels = c(
unique = "Total number of patients with at least one adverse event",
nonunique = "Overall total number of events"
)
) %>%
# 3. 행 분할 (신체계 기준)
split_rows_by(
"AEBODSYS",
child_labels = "visible",
nested = FALSE,
split_fun = split_fun,
label_pos = "topleft",
split_label = obj_label(adae$AEBODSYS)
) %>%
# 4. 환자/이벤트 수 요약
summarize_num_patients(
var = "USUBJID",
.stats = c("unique", "nonunique"),
.labels = c(
unique = "Total number of patients with at least one adverse event",
nonunique = "Total number of events"
)
) %>%
# 5. 특정 반응(PT) 발생 횟수 계산
count_occurrences(
vars = "AEDECOD",
.indent_mods = -1L
) %>%
# 6. 라벨 추가
append_varlabels(adae, "AEDECOD", indent = 1L)
result <- build_table(lyt, df = adae, alt_counts_df = adsl); resultMedDRA System Organ Class Placebo Xanomeline High Dose Xanomeline Low Dose All Patients
MedDRA Preferred Term (N=86) (N=72) (N=96) (N=306)
————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————
Total number of patients with at least one adverse event 69 (80.2%) 70 (97.2%) 86 (89.6%) 225 (73.5%)
Overall total number of events 301 436 454 1191
CARDIAC DISORDERS
Total number of patients with at least one adverse event 13 (15.1%) 15 (20.8%) 16 (16.7%) 44 (14.4%)
Total number of events 27 30 34 91
ATRIAL FIBRILLATION 1 (1.2%) 2 (2.8%) 2 (2.1%) 5 (1.6%)
ATRIAL FLUTTER 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
ATRIAL HYPERTROPHY 1 (1.2%) 0 0 1 (0.3%)
ATRIOVENTRICULAR BLOCK FIRST DEGREE 1 (1.2%) 0 1 (1.0%) 2 (0.7%)
ATRIOVENTRICULAR BLOCK SECOND DEGREE 2 (2.3%) 1 (1.4%) 2 (2.1%) 5 (1.6%)
BRADYCARDIA 1 (1.2%) 0 0 1 (0.3%)
BUNDLE BRANCH BLOCK LEFT 1 (1.2%) 0 0 1 (0.3%)
BUNDLE BRANCH BLOCK RIGHT 1 (1.2%) 0 1 (1.0%) 2 (0.7%)
CARDIAC DISORDER 0 1 (1.4%) 0 1 (0.3%)
CARDIAC FAILURE CONGESTIVE 1 (1.2%) 0 0 1 (0.3%)
MYOCARDIAL INFARCTION 4 (4.7%) 4 (5.6%) 2 (2.1%) 10 (3.3%)
PALPITATIONS 0 0 2 (2.1%) 2 (0.7%)
SINUS ARRHYTHMIA 1 (1.2%) 0 0 1 (0.3%)
SINUS BRADYCARDIA 2 (2.3%) 8 (11.1%) 7 (7.3%) 17 (5.6%)
SUPRAVENTRICULAR EXTRASYSTOLES 1 (1.2%) 1 (1.4%) 1 (1.0%) 3 (1.0%)
SUPRAVENTRICULAR TACHYCARDIA 0 0 1 (1.0%) 1 (0.3%)
TACHYCARDIA 1 (1.2%) 0 0 1 (0.3%)
VENTRICULAR EXTRASYSTOLES 0 1 (1.4%) 2 (2.1%) 3 (1.0%)
VENTRICULAR HYPERTROPHY 1 (1.2%) 0 0 1 (0.3%)
WOLFF-PARKINSON-WHITE SYNDROME 0 0 1 (1.0%) 1 (0.3%)
CONGENITAL, FAMILIAL AND GENETIC DISORDERS
Total number of patients with at least one adverse event 0 2 (2.8%) 1 (1.0%) 3 (1.0%)
Total number of events 0 2 1 3
VENTRICULAR SEPTAL DEFECT 0 2 (2.8%) 1 (1.0%) 3 (1.0%)
EAR AND LABYRINTH DISORDERS
Total number of patients with at least one adverse event 1 (1.2%) 1 (1.4%) 2 (2.1%) 4 (1.3%)
Total number of events 2 1 3 6
CERUMEN IMPACTION 0 0 1 (1.0%) 1 (0.3%)
EAR PAIN 1 (1.2%) 0 0 1 (0.3%)
TINNITUS 0 0 1 (1.0%) 1 (0.3%)
VERTIGO 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
EYE DISORDERS
Total number of patients with at least one adverse event 4 (4.7%) 1 (1.4%) 2 (2.1%) 7 (2.3%)
Total number of events 8 2 2 12
CONJUNCTIVAL HAEMORRHAGE 0 0 1 (1.0%) 1 (0.3%)
CONJUNCTIVITIS 2 (2.3%) 0 0 2 (0.7%)
EYE ALLERGY 1 (1.2%) 0 0 1 (0.3%)
EYE PRURITUS 1 (1.2%) 0 0 1 (0.3%)
EYE SWELLING 1 (1.2%) 0 0 1 (0.3%)
GLAUCOMA 1 (1.2%) 0 0 1 (0.3%)
VISION BLURRED 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
GASTROINTESTINAL DISORDERS
Total number of patients with at least one adverse event 17 (19.8%) 20 (27.8%) 16 (16.7%) 53 (17.3%)
Total number of events 26 35 26 87
ABDOMINAL DISCOMFORT 0 1 (1.4%) 0 1 (0.3%)
ABDOMINAL PAIN 1 (1.2%) 1 (1.4%) 3 (3.1%) 5 (1.6%)
CONSTIPATION 1 (1.2%) 0 0 1 (0.3%)
DIARRHOEA 9 (10.5%) 3 (4.2%) 6 (6.2%) 18 (5.9%)
DYSPEPSIA 1 (1.2%) 1 (1.4%) 1 (1.0%) 3 (1.0%)
DYSPHAGIA 0 0 1 (1.0%) 1 (0.3%)
FLATULENCE 1 (1.2%) 0 0 1 (0.3%)
GASTROINTESTINAL HAEMORRHAGE 0 1 (1.4%) 0 1 (0.3%)
GASTROOESOPHAGEAL REFLUX DISEASE 1 (1.2%) 0 0 1 (0.3%)
GLOSSITIS 1 (1.2%) 0 0 1 (0.3%)
HIATUS HERNIA 1 (1.2%) 0 0 1 (0.3%)
NAUSEA 3 (3.5%) 6 (8.3%) 3 (3.1%) 12 (3.9%)
RECTAL HAEMORRHAGE 0 0 1 (1.0%) 1 (0.3%)
SALIVARY HYPERSECRETION 0 4 (5.6%) 0 4 (1.3%)
STOMACH DISCOMFORT 0 1 (1.4%) 0 1 (0.3%)
VOMITING 3 (3.5%) 6 (8.3%) 4 (4.2%) 13 (4.2%)
GENERAL DISORDERS AND ADMINISTRATION SITE CONDITIONS
Total number of patients with at least one adverse event 21 (24.4%) 36 (50.0%) 51 (53.1%) 108 (35.3%)
Total number of events 48 118 126 292
APPLICATION SITE BLEEDING 0 0 1 (1.0%) 1 (0.3%)
APPLICATION SITE DERMATITIS 5 (5.8%) 7 (9.7%) 9 (9.4%) 21 (6.9%)
APPLICATION SITE DESQUAMATION 0 0 1 (1.0%) 1 (0.3%)
APPLICATION SITE DISCHARGE 0 1 (1.4%) 0 1 (0.3%)
APPLICATION SITE DISCOLOURATION 0 0 1 (1.0%) 1 (0.3%)
APPLICATION SITE ERYTHEMA 3 (3.5%) 14 (19.4%) 13 (13.5%) 30 (9.8%)
APPLICATION SITE INDURATION 1 (1.2%) 0 0 1 (0.3%)
APPLICATION SITE IRRITATION 3 (3.5%) 9 (12.5%) 9 (9.4%) 21 (6.9%)
APPLICATION SITE PAIN 0 2 (2.8%) 0 2 (0.7%)
APPLICATION SITE PERSPIRATION 0 2 (2.8%) 0 2 (0.7%)
APPLICATION SITE PRURITUS 6 (7.0%) 21 (29.2%) 23 (24.0%) 50 (16.3%)
APPLICATION SITE REACTION 1 (1.2%) 1 (1.4%) 0 2 (0.7%)
APPLICATION SITE SWELLING 0 2 (2.8%) 1 (1.0%) 3 (1.0%)
APPLICATION SITE URTICARIA 0 1 (1.4%) 2 (2.1%) 3 (1.0%)
APPLICATION SITE VESICLES 1 (1.2%) 5 (6.9%) 5 (5.2%) 11 (3.6%)
APPLICATION SITE WARMTH 0 0 1 (1.0%) 1 (0.3%)
ASTHENIA 1 (1.2%) 0 1 (1.0%) 2 (0.7%)
CHEST DISCOMFORT 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
CHEST PAIN 0 2 (2.8%) 0 2 (0.7%)
CHILLS 1 (1.2%) 1 (1.4%) 1 (1.0%) 3 (1.0%)
CYST 0 0 1 (1.0%) 1 (0.3%)
FATIGUE 1 (1.2%) 5 (6.9%) 5 (5.2%) 11 (3.6%)
FEELING ABNORMAL 0 1 (1.4%) 0 1 (0.3%)
FEELING COLD 0 1 (1.4%) 0 1 (0.3%)
INFLAMMATION 0 0 1 (1.0%) 1 (0.3%)
MALAISE 0 2 (2.8%) 1 (1.0%) 3 (1.0%)
OEDEMA 0 0 2 (2.1%) 2 (0.7%)
OEDEMA PERIPHERAL 2 (2.3%) 2 (2.8%) 1 (1.0%) 5 (1.6%)
PAIN 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
PYREXIA 2 (2.3%) 0 1 (1.0%) 3 (1.0%)
SECRETION DISCHARGE 0 0 1 (1.0%) 1 (0.3%)
SUDDEN DEATH 0 0 1 (1.0%) 1 (0.3%)
SWELLING 0 0 1 (1.0%) 1 (0.3%)
ULCER 0 0 1 (1.0%) 1 (0.3%)
HEPATOBILIARY DISORDERS
Total number of patients with at least one adverse event 1 (1.2%) 0 0 1 (0.3%)
Total number of events 1 0 0 1
HYPERBILIRUBINAEMIA 1 (1.2%) 0 0 1 (0.3%)
IMMUNE SYSTEM DISORDERS
Total number of patients with at least one adverse event 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
Total number of events 0 1 2 3
HYPERSENSITIVITY 0 0 1 (1.0%) 1 (0.3%)
SEASONAL ALLERGY 0 1 (1.4%) 0 1 (0.3%)
INFECTIONS AND INFESTATIONS
Total number of patients with at least one adverse event 16 (18.6%) 13 (18.1%) 10 (10.4%) 39 (12.7%)
Total number of events 35 20 18 73
BRONCHITIS 1 (1.2%) 0 0 1 (0.3%)
CELLULITIS 0 0 1 (1.0%) 1 (0.3%)
CERVICITIS 1 (1.2%) 0 0 1 (0.3%)
CYSTITIS 1 (1.2%) 1 (1.4%) 0 2 (0.7%)
EAR INFECTION 2 (2.3%) 0 0 2 (0.7%)
GASTROENTERITIS VIRAL 1 (1.2%) 0 0 1 (0.3%)
HORDEOLUM 0 1 (1.4%) 0 1 (0.3%)
INFLUENZA 1 (1.2%) 1 (1.4%) 1 (1.0%) 3 (1.0%)
LOCALISED INFECTION 1 (1.2%) 0 1 (1.0%) 2 (0.7%)
LOWER RESPIRATORY TRACT INFECTION 0 1 (1.4%) 0 1 (0.3%)
NASOPHARYNGITIS 2 (2.3%) 6 (8.3%) 4 (4.2%) 12 (3.9%)
ONYCHOMYCOSIS 0 0 1 (1.0%) 1 (0.3%)
PNEUMONIA 0 0 1 (1.0%) 1 (0.3%)
RHINITIS 0 1 (1.4%) 0 1 (0.3%)
UPPER RESPIRATORY TRACT INFECTION 6 (7.0%) 3 (4.2%) 1 (1.0%) 10 (3.3%)
URINARY TRACT INFECTION 2 (2.3%) 1 (1.4%) 0 3 (1.0%)
VAGINAL MYCOSIS 1 (1.2%) 0 0 1 (0.3%)
VIRAL INFECTION 0 0 1 (1.0%) 1 (0.3%)
INJURY, POISONING AND PROCEDURAL COMPLICATIONS
Total number of patients with at least one adverse event 4 (4.7%) 5 (6.9%) 5 (5.2%) 14 (4.6%)
Total number of events 9 8 12 29
CONTUSION 1 (1.2%) 2 (2.8%) 1 (1.0%) 4 (1.3%)
EXCORIATION 2 (2.3%) 1 (1.4%) 1 (1.0%) 4 (1.3%)
FACIAL BONES FRACTURE 0 1 (1.4%) 0 1 (0.3%)
FALL 1 (1.2%) 1 (1.4%) 2 (2.1%) 4 (1.3%)
HIP FRACTURE 1 (1.2%) 2 (2.8%) 0 3 (1.0%)
JOINT DISLOCATION 0 0 1 (1.0%) 1 (0.3%)
SKIN LACERATION 1 (1.2%) 0 2 (2.1%) 3 (1.0%)
WOUND 0 0 1 (1.0%) 1 (0.3%)
INVESTIGATIONS
Total number of patients with at least one adverse event 10 (11.6%) 5 (6.9%) 8 (8.3%) 23 (7.5%)
Total number of events 19 6 15 40
BIOPSY 0 1 (1.4%) 0 1 (0.3%)
BIOPSY PROSTATE 0 1 (1.4%) 0 1 (0.3%)
BLOOD ALKALINE PHOSPHATASE INCREASED 1 (1.2%) 0 0 1 (0.3%)
BLOOD CHOLESTEROL INCREASED 0 1 (1.4%) 0 1 (0.3%)
BLOOD CREATINE PHOSPHOKINASE INCREASED 1 (1.2%) 0 0 1 (0.3%)
BLOOD GLUCOSE INCREASED 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
BLOOD URINE PRESENT 1 (1.2%) 0 0 1 (0.3%)
BODY TEMPERATURE INCREASED 0 0 1 (1.0%) 1 (0.3%)
CYSTOSCOPY 1 (1.2%) 0 0 1 (0.3%)
ELECTROCARDIOGRAM ST SEGMENT DEPRESSION 4 (4.7%) 0 1 (1.0%) 5 (1.6%)
ELECTROCARDIOGRAM T WAVE AMPLITUDE DECREASED 1 (1.2%) 0 1 (1.0%) 2 (0.7%)
ELECTROCARDIOGRAM T WAVE INVERSION 2 (2.3%) 1 (1.4%) 1 (1.0%) 4 (1.3%)
HEART RATE INCREASED 1 (1.2%) 0 0 1 (0.3%)
HEART RATE IRREGULAR 1 (1.2%) 0 0 1 (0.3%)
NASAL MUCOSA BIOPSY 0 0 1 (1.0%) 1 (0.3%)
NEUTROPHIL COUNT INCREASED 0 0 1 (1.0%) 1 (0.3%)
URINE ANALYSIS ABNORMAL 0 0 1 (1.0%) 1 (0.3%)
WEIGHT DECREASED 0 0 1 (1.0%) 1 (0.3%)
WHITE BLOOD CELL COUNT INCREASED 0 0 1 (1.0%) 1 (0.3%)
METABOLISM AND NUTRITION DISORDERS
Total number of patients with at least one adverse event 6 (7.0%) 3 (4.2%) 1 (1.0%) 10 (3.3%)
Total number of events 8 5 1 14
DECREASED APPETITE 1 (1.2%) 1 (1.4%) 0 2 (0.7%)
DEHYDRATION 1 (1.2%) 0 0 1 (0.3%)
DIABETES MELLITUS 1 (1.2%) 0 0 1 (0.3%)
FOOD CRAVING 1 (1.2%) 0 1 (1.0%) 2 (0.7%)
HYPERCHOLESTEROLAEMIA 0 1 (1.4%) 0 1 (0.3%)
HYPONATRAEMIA 1 (1.2%) 0 0 1 (0.3%)
INCREASED APPETITE 1 (1.2%) 1 (1.4%) 0 2 (0.7%)
MUSCULOSKELETAL AND CONNECTIVE TISSUE DISORDERS
Total number of patients with at least one adverse event 5 (5.8%) 8 (11.1%) 7 (7.3%) 20 (6.5%)
Total number of events 8 11 10 29
ARTHRALGIA 1 (1.2%) 1 (1.4%) 2 (2.1%) 4 (1.3%)
ARTHRITIS 1 (1.2%) 1 (1.4%) 0 2 (0.7%)
BACK PAIN 1 (1.2%) 3 (4.2%) 1 (1.0%) 5 (1.6%)
FLANK PAIN 0 2 (2.8%) 0 2 (0.7%)
MUSCLE SPASMS 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
MUSCULAR WEAKNESS 0 0 1 (1.0%) 1 (0.3%)
MYALGIA 0 1 (1.4%) 0 1 (0.3%)
PAIN IN EXTREMITY 1 (1.2%) 0 0 1 (0.3%)
SHOULDER PAIN 1 (1.2%) 0 2 (2.1%) 3 (1.0%)
NEOPLASMS BENIGN, MALIGNANT AND UNSPECIFIED (INCL CYSTS AND POLYPS)
Total number of patients with at least one adverse event 0 1 (1.4%) 2 (2.1%) 3 (1.0%)
Total number of events 0 1 3 4
COLON CANCER 0 0 1 (1.0%) 1 (0.3%)
MALIGNANT FIBROUS HISTIOCYTOMA 0 0 1 (1.0%) 1 (0.3%)
PROSTATE CANCER 0 1 (1.4%) 0 1 (0.3%)
NERVOUS SYSTEM DISORDERS
Total number of patients with at least one adverse event 12 (14.0%) 25 (34.7%) 22 (22.9%) 59 (19.3%)
Total number of events 16 43 42 101
AMNESIA 0 1 (1.4%) 0 1 (0.3%)
BALANCE DISORDER 0 0 1 (1.0%) 1 (0.3%)
BURNING SENSATION 0 2 (2.8%) 0 2 (0.7%)
COGNITIVE DISORDER 0 1 (1.4%) 0 1 (0.3%)
COMPLEX PARTIAL SEIZURES 0 0 1 (1.0%) 1 (0.3%)
COORDINATION ABNORMAL 0 0 1 (1.0%) 1 (0.3%)
DIZZINESS 2 (2.3%) 11 (15.3%) 9 (9.4%) 22 (7.2%)
HEADACHE 7 (8.1%) 6 (8.3%) 3 (3.1%) 16 (5.2%)
HEMIANOPIA HOMONYMOUS 0 0 1 (1.0%) 1 (0.3%)
HYPERSOMNIA 0 1 (1.4%) 0 1 (0.3%)
LETHARGY 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
PARAESTHESIA 0 1 (1.4%) 0 1 (0.3%)
PARAESTHESIA ORAL 0 0 1 (1.0%) 1 (0.3%)
PARKINSON'S DISEASE 1 (1.2%) 0 0 1 (0.3%)
PAROSMIA 0 1 (1.4%) 0 1 (0.3%)
PARTIAL SEIZURES WITH SECONDARY GENERALISATION 0 1 (1.4%) 0 1 (0.3%)
PSYCHOMOTOR HYPERACTIVITY 1 (1.2%) 0 0 1 (0.3%)
SOMNOLENCE 2 (2.3%) 1 (1.4%) 3 (3.1%) 6 (2.0%)
STUPOR 0 0 1 (1.0%) 1 (0.3%)
SYNCOPE 0 2 (2.8%) 5 (5.2%) 7 (2.3%)
SYNCOPE VASOVAGAL 0 1 (1.4%) 0 1 (0.3%)
TRANSIENT ISCHAEMIC ATTACK 0 1 (1.4%) 2 (2.1%) 3 (1.0%)
PSYCHIATRIC DISORDERS
Total number of patients with at least one adverse event 10 (11.6%) 8 (11.1%) 11 (11.5%) 29 (9.5%)
Total number of events 14 11 15 40
AGITATION 2 (2.3%) 0 3 (3.1%) 5 (1.6%)
ANXIETY 1 (1.2%) 0 3 (3.1%) 4 (1.3%)
COMPLETED SUICIDE 1 (1.2%) 0 0 1 (0.3%)
CONFUSIONAL STATE 2 (2.3%) 1 (1.4%) 3 (3.1%) 6 (2.0%)
DELIRIUM 0 1 (1.4%) 0 1 (0.3%)
DELUSION 1 (1.2%) 1 (1.4%) 0 2 (0.7%)
DEPRESSED MOOD 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
DISORIENTATION 1 (1.2%) 0 0 1 (0.3%)
HALLUCINATION 0 1 (1.4%) 0 1 (0.3%)
HALLUCINATION, VISUAL 0 1 (1.4%) 0 1 (0.3%)
INSOMNIA 2 (2.3%) 2 (2.8%) 0 4 (1.3%)
IRRITABILITY 1 (1.2%) 0 1 (1.0%) 2 (0.7%)
LIBIDO DECREASED 0 1 (1.4%) 0 1 (0.3%)
LISTLESS 0 1 (1.4%) 0 1 (0.3%)
NIGHTMARE 0 1 (1.4%) 0 1 (0.3%)
RESTLESSNESS 0 0 1 (1.0%) 1 (0.3%)
RENAL AND URINARY DISORDERS
Total number of patients with at least one adverse event 4 (4.7%) 3 (4.2%) 4 (4.2%) 11 (3.6%)
Total number of events 5 4 4 13
CALCULUS URETHRAL 0 1 (1.4%) 0 1 (0.3%)
DYSURIA 1 (1.2%) 0 1 (1.0%) 2 (0.7%)
ENURESIS 0 0 1 (1.0%) 1 (0.3%)
INCONTINENCE 0 0 1 (1.0%) 1 (0.3%)
MICTURITION URGENCY 1 (1.2%) 1 (1.4%) 1 (1.0%) 3 (1.0%)
NEPHROLITHIASIS 1 (1.2%) 1 (1.4%) 0 2 (0.7%)
POLLAKIURIA 1 (1.2%) 0 0 1 (0.3%)
REPRODUCTIVE SYSTEM AND BREAST DISORDERS
Total number of patients with at least one adverse event 2 (2.3%) 1 (1.4%) 0 3 (1.0%)
Total number of events 4 1 0 5
BENIGN PROSTATIC HYPERPLASIA 1 (1.2%) 1 (1.4%) 0 2 (0.7%)
PELVIC PAIN 1 (1.2%) 0 0 1 (0.3%)
RESPIRATORY, THORACIC AND MEDIASTINAL DISORDERS
Total number of patients with at least one adverse event 10 (11.6%) 10 (13.9%) 10 (10.4%) 30 (9.8%)
Total number of events 15 22 16 53
ALLERGIC GRANULOMATOUS ANGIITIS 0 1 (1.4%) 0 1 (0.3%)
COUGH 3 (3.5%) 5 (6.9%) 6 (6.2%) 14 (4.6%)
DYSPHONIA 0 0 1 (1.0%) 1 (0.3%)
DYSPNOEA 1 (1.2%) 1 (1.4%) 1 (1.0%) 3 (1.0%)
EMPHYSEMA 1 (1.2%) 0 0 1 (0.3%)
EPISTAXIS 0 2 (2.8%) 1 (1.0%) 3 (1.0%)
HAEMOPTYSIS 1 (1.2%) 0 0 1 (0.3%)
NASAL CONGESTION 3 (3.5%) 3 (4.2%) 1 (1.0%) 7 (2.3%)
PHARYNGEAL ERYTHEMA 0 1 (1.4%) 0 1 (0.3%)
PHARYNGOLARYNGEAL PAIN 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
POSTNASAL DRIP 1 (1.2%) 0 0 1 (0.3%)
PRODUCTIVE COUGH 0 1 (1.4%) 0 1 (0.3%)
RALES 1 (1.2%) 0 0 1 (0.3%)
RESPIRATORY TRACT CONGESTION 0 1 (1.4%) 0 1 (0.3%)
RHINORRHOEA 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
SKIN AND SUBCUTANEOUS TISSUE DISORDERS
Total number of patients with at least one adverse event 21 (24.4%) 42 (58.3%) 42 (43.8%) 105 (34.3%)
Total number of events 47 111 118 276
ACTINIC KERATOSIS 0 1 (1.4%) 0 1 (0.3%)
ALOPECIA 1 (1.2%) 0 0 1 (0.3%)
BLISTER 0 1 (1.4%) 5 (5.2%) 6 (2.0%)
COLD SWEAT 1 (1.2%) 0 0 1 (0.3%)
DERMATITIS ATOPIC 1 (1.2%) 0 0 1 (0.3%)
DERMATITIS CONTACT 0 0 1 (1.0%) 1 (0.3%)
DRUG ERUPTION 1 (1.2%) 0 0 1 (0.3%)
ERYTHEMA 9 (10.5%) 14 (19.4%) 15 (15.6%) 38 (12.4%)
HYPERHIDROSIS 2 (2.3%) 8 (11.1%) 4 (4.2%) 14 (4.6%)
PRURITUS 8 (9.3%) 26 (36.1%) 23 (24.0%) 57 (18.6%)
PRURITUS GENERALISED 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
RASH 5 (5.8%) 11 (15.3%) 13 (13.5%) 29 (9.5%)
RASH ERYTHEMATOUS 0 0 2 (2.1%) 2 (0.7%)
RASH MACULO-PAPULAR 0 1 (1.4%) 0 1 (0.3%)
RASH PAPULAR 0 1 (1.4%) 0 1 (0.3%)
RASH PRURITIC 0 2 (2.8%) 1 (1.0%) 3 (1.0%)
SKIN EXFOLIATION 0 0 1 (1.0%) 1 (0.3%)
SKIN IRRITATION 3 (3.5%) 5 (6.9%) 6 (6.2%) 14 (4.6%)
SKIN ODOUR ABNORMAL 0 1 (1.4%) 0 1 (0.3%)
SKIN ULCER 1 (1.2%) 0 0 1 (0.3%)
URTICARIA 0 1 (1.4%) 1 (1.0%) 2 (0.7%)
SOCIAL CIRCUMSTANCES
Total number of patients with at least one adverse event 0 1 (1.4%) 0 1 (0.3%)
Total number of events 0 1 0 1
ALCOHOL USE 0 1 (1.4%) 0 1 (0.3%)
SURGICAL AND MEDICAL PROCEDURES
Total number of patients with at least one adverse event 2 (2.3%) 2 (2.8%) 1 (1.0%) 5 (1.6%)
Total number of events 2 2 1 5
ACROCHORDON EXCISION 0 1 (1.4%) 0 1 (0.3%)
CATARACT OPERATION 1 (1.2%) 0 1 (1.0%) 2 (0.7%)
EYE LASER SURGERY 1 (1.2%) 0 0 1 (0.3%)
SKIN LESION EXCISION 0 1 (1.4%) 0 1 (0.3%)
VASCULAR DISORDERS
Total number of patients with at least one adverse event 3 (3.5%) 1 (1.4%) 4 (4.2%) 8 (2.6%)
Total number of events 7 1 5 13
HOT FLUSH 0 0 1 (1.0%) 1 (0.3%)
HYPERTENSION 1 (1.2%) 0 2 (2.1%) 3 (1.0%)
HYPOTENSION 2 (2.3%) 0 1 (1.0%) 3 (1.0%)
ORTHOSTATIC HYPOTENSION 1 (1.2%) 0 0 1 (0.3%)
WOUND HAEMORRHAGE 0 1 (1.4%) 0 1 (0.3%) Shiny module
ADaM dataset이 있는 경우, 이를 빠르게 분석할 수 있는 shiny module teal을 소개한다.
teal을 이용, 직접 module을 수정/생성하여 분석을 진행할 수 있다.
아래는 pharmaverse에서 제공하는 teal 기반 Shiny App이다.
Web 환경에서 직접 클릭하고, 필터링하고, 그래프를 확인해볼 수 있다: 앱 바로 가기
이 앱은 ADSL, ADTTE 등의 ADaM 데이터를 활용해 Demographic Table, Kaplan-Meier plot, Time to Event Table 등의 시각화를 제공한다.
Reuse
Citation
BibTeX citation:
@online{lee2025,
author = {LEE, Hojun},
title = {ADaM {Compliant} {ADSL} {Dataset} {Generation}},
date = {2025-04-08},
url = {https://blog.zarathu.com/posts/2025-04-08-ADaM/},
langid = {en}
}
For attribution, please cite this work as:
LEE, Hojun. 2025. “ADaM Compliant ADSL Dataset Generation.”
April 8, 2025. https://blog.zarathu.com/posts/2025-04-08-ADaM/.