机器学习作为一个热门研究领域，已被研究人员广泛地应用于众多领域。作为医药和生命科学领域的从业者，你知道如何利用机器学习来有效改善药物开发和临床试验相关的数据与分析吗？

👇

8月5日，JMP生命科学首席科学家包文俊博士（Dr. Wenjun Bao） 受邀将在CDISC中国交流大会发表题为“CDISC/FDA文档及临床试验数据中的机器学习”的精彩演讲，重点介绍机器学习如何助力药物开发和临床试验相关的数据及研究。同时，包博士也受邀将于10月在CDISC全球交流大会上发表专题演讲。

在她的演讲中，包博士将演示基于JMP Clinical的标准化数据CDISC，如何以高效的方式实现临床试验数据的自动化分析与评估，确保药物临床试验数据的安全性和有效性，并分享JMP在FDA在线药品标签存储库（FOLP）和CDISC调查数据方面的合作，通过详细阐述运用文本挖掘（如潜在类分析、潜在语义分析、聚类分析）和机器学习偏好的算法来挖掘药物标签，并预测是否有任何成分可能与某些不良事件相关，从而帮助研究人员做出明智的决策。

关于包博士

包文俊博士，拥有美国俄勒冈健康和科学大学博士学位，现任JMP生命科学部首席科学家、CDISC董事。在加入SAS之前，她是美国国家卫生研究所的IRTA研究员，杜克大学的教授和美国国家环保署的科学家。包博士擅长各种数据分析包括临床实验、基因组学等，并在生物信息学，生物化学，分子生物学的研究拥有丰富的经验。包博士自2005年以来一直是美国国家卫生研究所的研究资助审查委员会成员，也是多个大学和政府机构科学家的研究顾问。同时包博士也是国际MAQC组学质量控制联盟的组织委员会成员和地方组织主席，北卡精准健康协作指导委员会委员以及复旦大学的兼职教授。

CDISC大会议程

JMP Clinical 是JMP产品家族中专门用于临床试验安全性和有效性的专业数据分析软件。

借助基于角色的工作流程、可重用模板和自动化报告工具，试验审查流程的所有关键参与者均可轻松探索趋势和离群值，并分享结果。JMP Clinical可提供基于 RECIST的肿瘤学可视化、基于风险的监查、数据监测和统计分析，可减少成本高昂的现场审查，并揭示隐蔽性数据、安全性和有效性等方面的问题。

FDA等监管机构广泛使用JMP Clinical的文本挖掘、潜在语义分析、潜在类分析、XGBoost等机器学习算法进行不良事件分析，从而最终确定药物标签中的不良事件列表。

重要的事情再说一遍：

包博士的演讲在8月5日（星期三）

上午10:30-11:00，

想要学习与交流的小伙伴

千万不要错过哦！😉