グラフで理解する統計：可視化の力― 製薬業界で役立つ“見える化”の基本と実装例 ―

library(ggplot2)

set.seed(123)

# サンプルデータ（収縮期血圧）
df <- data.frame(
sbp = rnorm(200, mean = 130, sd = 15)
)

ggplot(df, aes(x = sbp)) +
geom_histogram(binwidth = 5, fill = “#4C72B0”, color = “white”) +
labs(
title = “図1. 収縮期血圧の分布（N=200）”,
x = “収縮期血圧（mmHg）”,
y = “度数”
) +
theme_bw()

• ベースライン値の分布確認（年齢、血圧など）
• 製造工程のばらつき確認（錠剤重量、含量）
• 外れ値の初期チェック

set.seed(123)

df2 <- data.frame(
group = rep(c(“Treatment”, “Placebo”), each = 100),
change = c(
rnorm(100, mean = -5, sd = 8), # 治療群：血圧が下がる
rnorm(100, mean = -1, sd = 8) # プラセボ群：変化が小さい
)
)

ggplot(df2, aes(x = group, y = change, fill = group)) +
geom_boxplot(outlier.color = “red”) +
labs(
title = “図2. 血圧変化量の群間比較（箱ひげ図）”,
x = “群”,
y = “血圧変化量（mmHg）”
) +
scale_fill_brewer(palette = “Set2”) +
theme_bw()

• 治療群 vs プラセボ群の比較
• ロット間の品質比較
• 外れ値の確認（工程異常の兆候）

set.seed(123)

generate_pk_data <- function(n = 150, dose_min = 10, dose_max = 100) {
dose <- runif(n, dose_min, dose_max)
conc <- 0.8 * dose + rnorm(n, sd = 10)
data.frame(dose = dose, conc = conc)
}

df3 <- generate_pk_data()

ggplot(df3, aes(x = dose, y = conc)) +
geom_point(alpha = 0.7, color = “#4C72B0”) +
geom_smooth(method = “lm”, se = FALSE, color = “red”) +
labs(
title = “図3. 用量と血中濃度の関係（散布図）”,
x = “用量（mg）”,
y = “血中濃度（ng/mL）”
) +
theme_bw()

• PK解析（用量と血中濃度）
• 工程パラメータの因果探索
• 臨床データの探索解析（年齢と効果など）