Altoparlante | Trascrizione |
| Pietro Polito | Come stai oggi. |
| Riesci a sentirmi. |
| Se parli, non riesco a sentirti. |
| Ciao. |
| test. |
| Oh ciao Leo mi senti? |
| sì scusami, penso alle difficoltà tecniche sì. |
| Pietro Polito | Oh nessun problema. |
| Oh ok, è un bel Jimmy. |
| Pietro Polito | Oh dove. |
| Stai chiamando da. |
| Singapore. |
| Pietro Polito | Singapore va bene, quanto tardi, è lì. |
| Circa 909. |
| Pietro Polito | sì bene. |
| si complimenti per |
| appeso. |
| così tardi grazie per averlo fatto. |
| Possibile no, va tutto bene, sì, spero di farne una buona. |
| Oh. |
| No, sono stato molto stressato per questo Oh beh, sì, sto bene, fammi solo mettere uno sfondo virtuale. |
| Va bene. |
| Pietro Polito | E devo affrontare solo un paio di cose da parte mia prima di iniziare ufficialmente. |
| Va bene. |
| Pietro Polito | dammi solo un. |
| minuto qui. |
| Sì. |
| Pietro Polito | Porto solo la mia lista di controllo per assicurarmi di fare tutto correttamente qui. |
| Tutto a posto. |
| Quindi solo per confermare. |
| Sei rassicurante. |
| sì e il tuo discorso è intitolato un modello per la reazione avversa al vaccino della congrega. |
| Sì, è corretto sì, è vero. |
| Pietro Polito | Va bene, e poi solo per assicurarti di capire che questo viene registrato per l'uso e la conferenza del vertice di jump discovery sarà disponibile pubblicamente nella comunità degli utenti di jump, dai il permesso per questa registrazione e l'uso. |
| Sì, ok fantastico. |
| il tuo microfono suona bene, non sento rumori di sottofondo se il tuo cellulare è spento e tutto quel genere di cose che potrebbero emettere dei rumori casuali. |
| aspettare. |
| manderò li troverà sì. |
| Pietro Polito | Ok, e allora. |
| Dobbiamo controllare se puoi condividere il tuo schermo e controlleremo la risoluzione e alcune altre cose. |
| Certo, sicuramente. |
| Pietro Polito | Grazie. |
| mi dispiace, è Lisa ling o in modo rassicurante. |
| Il mio nome emette bene sì. |
| Pietro Polito | capito bene. |
| va bene. |
| Pietro Polito | Non lo vedo ancora oh um sai che la torta lo copre solo un momento. |
| Sembra bello. |
| E se vai in fondo allo schermo fa la tua barra delle applicazioni in realtà non vedo la tua barra delle applicazioni quindi siamo a posto. |
| Va bene. |
| Pietro Polito | E fammi essere sicuro. |
| Sono tutti i programmi che potrebbero creare un pop-up come Outlook o Skype o uno di quelli sono tutti chiusi e chiusi. |
| um sì, penso, quindi scommetto che il controllo su di loro. |
| chiudi la mia cucina. |
| Va bene. |
| si Bene. |
| Pietro Polito | Ok, e poi, lavorerai solo da un PowerPoint o mostrerai anche un salto. |
| Ero preoccupato del transito, quindi lo farò da PowerPoint. |
| Pietro Polito | Ok, fantastico, allora disattiverò l'audio e spegnerò la mia videocamera che stiamo già registrando non appena avremo. |
| Non appena vedi la mia foto andare via vai avanti e inizia e non interromperò per nessun motivo e proveremo a passare attraverso è una presentazione di 30 minuti quindi andiamo avanti e non sarò nemmeno qui sarà come se stessi parlando da solo. |
| Ok, quindi il verbale va bene. |
| Pietro Polito | Sei pronto per andare. |
| Sì. |
| Pietro Polito | Va bene. |
| Va bene, ed è solo perché tu sappia quando in realtà. |
| Fai il summit di scoperta, se domani ti rendi conto che hai sbagliato a parlare o che volevi presentare qualcosa in un modo leggermente diverso. |
| Puoi essere in diretta su quando stanno andando le tue presentazioni, e puoi chiedere alla persona che presenta un deposito e poi puoi dire che sai che sto per dire questo, quello che volevo trasmettere è che puoi un po' come. |
| modifica in tempo reale durante la presentazione, quindi non stressarti per ottenere ogni parola perfettamente rilassati e passa attraverso di essa e sono sicuro che andrà bene. |
| Va bene. |
| Sì. |
| Pietro Polito | Va bene, tolgo l'audio e spengo la videocamera e poi tu vai avanti e cominci bene. |
| Grazie Pietro. |
| Ciao, sono Suling. Sono uno studente di master presso la Singapore Management University, dove attualmente sto seguendo un corso di analisi dei dati presso la School of Computing and Information Systems. |
| Quindi oggi sono qui per presentare un incarico che è stato inviato per il mio master in IT for Business e, cosa più importante, voglio condividere il mio viaggio in JMP fino ad ora. |
| Così ho iniziato a usare JMP quest'anno e me ne sono davvero innamorato per la facilità d'uso e la gamma di metodi statistici e le visualizzazioni che potevo fare su di esso. |
| Quindi, come principiante che usa JMP, sono davvero onorato di essere qui a presentare il mio rapporto e di farmi avere il tuo feedback, perché sento che devo imparare molto di più, sì. |
| Quindi la motivazione per il mio articolo era in realtà guardare ai vaccini COVID 19, quindi sappiamo quanto siano importanti ma a |
| il ritmo senza precedenti con cui è stato sviluppato e amministrato ha sollevato alcuni dubbi nella comunità per quanto riguarda la sua sicurezza. |
| Quindi stiamo usando i dati del sistema di segnalazione degli eventi avversi vaccinali degli Stati Uniti, sì. |
| Quindi stiamo usando i dati da lì perché troviamo che c'è un potenziale per aiutare a determinare se i problemi di sicurezza sul vaccino sono fondati. Quindi questo documento utilizza sia i dati strutturati che quelli non strutturati del VAERS per modellare la reazione avversa dei vaccini COVID-19. |
| Allora, cos'è VAERS? Quindi il Centro per il controllo e la prevenzione delle malattie e la FDA statunitense hanno adottato questo sistema, ed è in realtà un evento avverso |
| sistema in cui raccoglie i dati. Ma generalmente ciò che vediamo è che i dati VAERS che non possono essere utilizzati per determinare i collegamenti causali agli eventi avversi |
| perché il legame tra l'evento avverso e la vaccinazione non è stabilito. Quindi quello che in realtà vediamo qui è che ci sono persone che stanno segnalando, ma lì, sono persone che stanno segnalando gli eventi, ma poi non c'è pieno di azione che sia |
| per confermare che questi sintomi ed eventi che vengono riportati, ci sono collegamenti con il vaccino. Allora perché vogliamo ancora utilizzare questi dati? Quindi, in primo luogo, i dati sono disponibili e di dominio pubblico. |
| I dati sono aggiornati e, cosa più importante, è probabile che non tutti gli eventi avversi vengano rilevati durante gli studi clinici a causa della bassa frequenza. Così |
| di solito per gli studi clinici, includono solo gli individui sani. Quindi popolazioni speciali, come quelle con malattie croniche o donne incinte, queste sono |
| limitato, quindi sanno che il VAERS è una fonte importante per la sicurezza dei vaccini. Quindi, per ulteriori informazioni a riguardo, puoi cercare questo link qui. |
| Sì, quindi il set di dati utilizzato per questo studio proviene da tabelle di dati ad albero estratte da VAERS. Il primo sono i dati VAERS. |
| Contiene principalmente informazioni sul profilo dei pazienti e sull'esito degli eventi avversi, quindi quello che ho qui è una piccola clip da JMP |
| dove abbiamo qui il testo dei sintomi e puoi vedere che questo è solo un rapporto basato su una persona, un paziente. Ok, e i dati sono piuttosto sporchi. |
| Ci sono molte informazioni utili nel testo narrativo, ma puoi notare che ci sono errori di ortografia, errori di battitura, dichiarazioni eccessivamente lunghe o addirittura molto brevi. |
| Quindi i prossimi due set di dati che abbiamo sono i VAERS dei dati sulla vaccinazione, così come i sintomi. Quindi uno contiene informazioni sul vaccino, l'altro |
| viene estratto dal testo dei sintomi che possiamo vedere. Ok, data questa accessibilità, in realtà i dati VAERS sono stati estratti abbastanza |
| molto da un certo numero di ricercatori, ma, come puoi vedere, i dati sono in realtà molto difficili da usare poiché la qualità del rapporto varia. |
| E c'è anche qualcosa che potrebbe non essere genuino. Quindi revisione del potere, che mostra che una qualche forma di screening manuale viene solitamente impiegata per estrarre le informazioni richieste. |
| Tuttavia, questo è anche piuttosto laborioso e piuttosto difficile, quindi questo documento mira a mostrare i metodi per estrarre le informazioni chiave utilizzando tecniche di analisi del testo in JMP |
| e prova a fare un modello esplicativo per spiegare le variabili più importanti coinvolte in questo evento. Quindi quello che abbiamo fatto è che per ciascuna di queste tabelle di dati qui le puliamo individualmente e poi le uniamo usando l'ID VAERS. |
| Quello che abbiamo fatto in base agli esiti del paziente è stato ricavare qualcosa che si chiama valutazione di gravità, ne parlerò un po' più avanti. Quindi una volta che i tavoli sono uniti |
| ci sono quattro testi narrativi. Uno sulle allergie, sui farmaci, sull'anamnesi e sui sintomi. |
| E poi useremo tecniche di analisi del testo per estrarre i vettori per i termini principali che... spiegheranno il livello di gravità per ciascuno dei dati di testo. |
| E uniscili alle variabili strutturate dei dati del foglio di calcolo esistenti sul set di dati. Ok, e poi tutto questo viene compilato insieme e poi lo metti nella costruzione del modello. |
| Ok, quindi di cosa tratta questa valutazione di gravità? Si basa sull'esito del paziente, i dati VAERS hanno 12 variabili che descrivono lo stato del paziente. |
| E poi, in base a questo, abbiamo estratto le variabili e abbiamo cercato di dargli un senso, quindi abbiamo ottenuto quattro livelli di gravità e quindi lo chiamiamo indice di gravità. |
| Quindi dopo parleremo un po' di come usiamo |
| Piattaforma JMP Pro Text Explorer per l'analisi del testo e iniziamo con la pulizia dei dati. Quindi quello che volevamo fare era estrarre davvero i termini significativi dai dati di testo. |
| E aumentali alle variabili strutturate per costruire il tuo modello. Quindi, come puoi vedere, in realtà, i dati di testo sono piuttosto disordinati, quindi quello che abbiamo fatto è stato |
| prima di tutto, decidi tra l'uso del termine frequenza, che tipo di frequenza del termine usare, e quindi è stato selezionato il termine frequenza binaria, poiché i dati mostrano che c'è un vantaggio significativo, nel considerare, nell'usarlo. |
| Quindi, dopo un po' sulla pulizia che è arrivata. Quindi i dati di testo sono stati organizzati per la prima volta utilizzando JMP Pro Text Explorer e abbiamo utilizzato una funzione utile per aggiungere frasi e identificare automaticamente |
| i termini quindi quello che puoi vedere è come termini come i globuli bianchi sono tenuti come una frase invece di essere trascinati nel sangue e nei globuli bianchi, il che non avrebbe molto senso. |
| E anche alcuni altri metodi da usare. Quindi uno è lo standard per la combinazione che deriva dalle parole in base alle desinenze delle parole e quindi abbiamo anche pensato di ordinare l'elenco in ordine alfabetico per ricodificare come parole errate o errori di battitura o cosa c'è di simile. |
| Sì, e poi la cosa successiva è stata usare la funzione molto utile per ricodificare tutti gli elementi simili insieme sì. |
| Quindi la prossima cosa che abbiamo fatto dopo aver ripulito il testo è stata guardare il |
| era lo sguardo al flusso di lavoro in realtà. Il flusso di lavoro è utile per l'esclusione delle parole non significative e per vedere l'effetto della variabile di destinazione sui termini. |
| Quindi quello che ho fatto qui è stato visualizzare i termini più frequenti in base alle dimensioni e colorarli in base al grado di gravità. |
| Quindi puoi vedere che i colori più chiari appartengono ai casi meno gravi e quelli più scuri sono gli altri più gravi, e puoi come raccogliere, quindi le parole sono piuttosto piccole. |
| E mostra davvero che i sintomi comuni non sono gravi, ma abbiamo raccolto i termini dell'embolia polmonare incidente vascolare cerebrale e cose del genere. Quindi questi sono correlati all'evento avverso più grave. |
| La prossima cosa che usiamo il termine selezione, quindi il termine selezione è la nuova funzionalità JMP Pro 16 che è stata abbastanza tempestiva. |
| Quindi integra il modello di regressione generalizzato nella piattaforma di analisi del testo, quindi seguendo la piattaforma di analisi del testo, puoi semplicemente selezionarlo dove si trova la selezione del termine. |
| E poi, consente l'identificazione dei termini chiave che sono importanti per la variabile di risposta. Quindi la nostra variabile di risposta è il livello di gravità. |
| Allora perché usare il modello di regressione generalizzata? Quindi è ampiamente utilizzato per variabili non normalmente distribuite o altamente correlate. |
| Dove i dati sono indipendenti l'uno dall'altro e non mostrano altre correlazioni. Quindi questo metodo qui è utile per noi perché si adatta al nostro set di dati. |
| E ogni ruolo che abbiamo all'interno della nostra tabella dati è un paziente e tutti questi sono indipendenti l'uno dall'altro. |
| Quindi, la cosa più importante è anche che il modello di regressione generalizzata consente la selezione delle variabili, quindi è quello che vogliamo fare perché vogliamo raccogliere le variabili con la massima influenza sulla variabile di risposta. |
| Sì, quindi un po' più di dettagli su questo modello di regressione ci sono alcune opzioni che possiamo usare qui che è la rete elastica, così come il lazo. |
| Quindi qui ci sono le cose diverse su questi è che il lazo tende a selezionare un termine da un gruppo di fattori correlati, mentre la rete elastica seleziona un gruppo di termini. Quindi, in generale, penso che venga utilizzata la rete elastica, e poi qui è arrivata la nostra scelta del termine binario frequenza. |
| Ok, quindi questo è il risultato della selezione del termine, quindi puoi vedere quello qui che mostra la panoramica del (???) e poi generalizzato (???) ma più interessante |
| quando hai iniziato dal coefficiente puoi vedere che questi sono i coefficienti più positivi Quindi questi sono i fattori principali che giocano il ruolo più importante in termini di nostra variabile di risposta. |
| E questo qui sono i sintomi che giocano un ruolo minore quando si ordinano quelli in base al coefficiente. Quindi, guardando i risultati, puoi vedere che l'arresto cardiaco e la polmonite da COVID-19, gli incidenti vascolari cerebrali sono proprio tutti i termini che influenzano la variabile di risposta. |
| Quindi possiamo vedere che i termini di natura più seria sono correlati al cuore e ai polmoni, ok rispetto a quelli a frequenza più bassa, che sono sintomi molto, molto lievi, in realtà. |
| Ok, quindi ripetiamo l'intero processo per tutti gli altri |
| per tutte le altre variabili di testo, quindi siamo passati all'esempio per i sintomi, quindi ci sono anche le allergie, l'anamnesi |
| così come i farmaci utilizzati, quindi ciò che abbiamo fatto in seguito è stato salvare la matrice dei termini del documento. Ok, che è fondamentalmente il DTM salva una colonna nella tabella dei dati per ogni volta. |
| Quindi puoi vedere qui un esempio, principalmente molti zeri perché è una matrice molto sparsa quindi uno indicherà la presenza di prendiamo questa colonna qui uno indicherà la presenza di (???).. |
| Quindi lo salviamo e ripetiamo il processo per l'altra analisi del testo. |
| E poi, una volta salvati tutti questi termini, siamo passati alla modellazione. Quindi la modellazione doveva essere costruita come una colonna di convalida, quindi qui siamo passati alla modellazione predittiva e alla colonna di convalida. Quindi qui abbiamo selezionato le scelte, quindi mettilo come configurazione di convalida 55%. |
| E l'intera cosa qui era identificare le variabili importanti con gravità come variabile di risposta. Quindi in tutto abbiamo sette variabili di struttura e 55 derivate dalla matrice dei termini del documento e un totale di circa 31.000 regole. |
| E quello che vediamo è che c'è uno squilibrio lì a causa di un livello di gravità che ottieni un set di dati sbilanciato. Quindi, per questo motivo, abbiamo effettuato la nostra valutazione del modello confrontando la divisione R e i valori AIC. |
| Così. |
| Usiamo il modello di adattamento in JMP quindi e scegliamo di nuovo il modello di regressione generalizzata. |
| E possiamo vedere che questi sono i risultati qui, quindi i modelli separati si pensa che il gruppo dei modelli lineari generalizzati, utilizzando le tecniche di regressione penalizzata, siano stati preparati. |
| E poi cerchiamo di incastrare in base alle varie caratteristiche qui sopra, questi sono tutti gli altri altri metodi di stima penalizzati. |
| Quindi, di tutti i modelli, possiamo vedere che il metodo lazo ha il valore più basso scusa ha il valore Rsquare più alto, e ci sono anche altri valori che si avvicinano abbastanza, quindi daremo un'occhiata più da vicino. |
| Quindi, confrontando il modello di massima verosimiglianza, così come il modello lazo basato sulla curva ROC, puoi vedere che in realtà entrambe le curve ROC sono abbastanza simili. |
| E tuttavia la curva ROC per il modello di massima verosimiglianza mostra che ha la gravità più alta. |
| Spiacenti, la curva ROC per il modello di massima verosimiglianza mostra che |
| il valore ROC è più alto per il livello di gravità più alto e puoi vedere che qui c'è solo una leggera differenza tra entrambi. |
| E in generale, man mano che diminuisci il livello di gravità, l'area effettivamente aumenta e uno dei motivi è perché il nostro set di dati è molto sbilanciato. |
| Quindi il livello di gravità di quattro, che è il livello più alto, la maggior parte del tuo livello è solo circa il 5% dei valori totali dei dati va bene, quindi nel complesso questa differenza è davvero molto piccola tra entrambi, quindi scegliamo quello con un'area leggermente più grande . |
| Ok, quindi il nostro prossimo passo al test degli effetti. Quindi, nel rapporto, puoi scegliere di vedere il test degli effetti, quindi il test degli effetti è |
| il test di ipotesi dell'ipotesi nulla che la variabile non abbia effetto sul resto. |
| C'era questa spiegazione molto carina del test degli effetti sulla comunità JMP, penso che sia stata fornita da |
| Mark Bailey. Quindi parla un po' di come il test degli effetti sia effettivamente basato sulla somma dei quadrati di tipo III per ANOVA. |
| Quindi possiamo vedere che il test degli effetti è molto adatto qui a causa del nostro set di dati, quindi testa effettivamente ogni termine nel modello in termini di ogni |
| termine in esso. Quindi gli effetti principali vengono testati in una mancanza delle interazioni tra gli elementi e alla luce degli altri termini, anche alla luce degli altri effetti principali. |
| Quindi quello che vuoi usare qui è che vediamo qui è che il test degli effetti è utile per il nostro scopo, così come lo è per la riduzione del modello. |
| E, e ci permette di trarre deduzioni dalla lunga lista di variabili significative. |
| Osserviamo la probabilità al valore ChiSquare più basso (???) di prendere un valore alfa cut-off di 0,1. |
| Abbiamo un certo numero di variabili indipendenti, quindi questo è un elenco piuttosto lungo di esse, e la maggior parte di esse, mentre si esamina la maggior parte di esse, è effettivamente correlata alle malattie cardiopolmonari. |
| Quindi alcuni di loro sono quelli effettuati come il numero di sintomi, il numero di giorni tra l'inizio della vaccinazione. |
| (???) è il più in cui il vaccino si concentra che da ciascuno e quindi puoi vedere che il resto di essi è in qualche modo correlato a un altro. |
| malattie cardiopolmonari, ce ne sono di strane che non vengo da una formazione medica, quindi non lo capisco nemmeno io, ma puoi vedere che la sordità è una di queste, quindi ci sono alcuni |
| strani risultati che possiamo vedere qui, ma in generale è così, l'immagine è quella, in termini di variabili principali in termini di elenco delle variabili. |
| Ok oltre a questo, giusto, ciò che è veramente interessante è guardare la valutazione del modello, quindi anche se quello che stiamo facendo è costruire un modello esplicativo, |
| Sono andato a esaminare anche il modello predittivo perché JMP ha messo molto bene il rapporto lì per consentirmi di esaminare le stime dei parametri, quindi |
| Quindi uso il Profiler per cercare di capire le stime dei parametri e puoi vedere qui che i valori mostrati sono davvero, davvero piccoli, quindi questo è il valore che ottieni |
| immediatamente quando apri il Profiler, quindi i valori qui sono la media di ciascuna variabile e puoi vedere che ognuna di queste variabili |
| Di ciascuno di questi valori qui in realtà è molto piccolo, quindi significa che c'è un effetto minimo sulla gravità in base a questi coefficienti. |
| Sulla base di questi come coefficiente delle variabili previste. Quindi quello che puoi vedere sulla base di questo studio qui, puoi dire che in realtà (???) i sintomi e il suo effetto hanno un effetto molto, molto piccolo sulla gravità e questo è un po' come. |
| una sorta di aspettativa di vedere che la maggior parte di questi sintomi ed effetti, poiché stiamo guardando il quadro generale del vaccino, possiamo vedere che la maggior parte di questi sintomi - anamnesi, allergie - hanno davvero pochissimo effetto sull'esito di il del vaccino. |
| Va bene così. |
| Sì. |
| Quindi un po' di conclusione, alcune affermazioni come affermazione conclusiva. Diverse decisioni sono state prese nel raggruppamento e nella classificazione delle variabili. |
| E sebbene queste variabili siano state sfruttate al meglio delle nostre conoscenze, specialmente nel modo in cui siamo arrivati a un punteggio di gravità, |
| Forse abbiamo bisogno di un esperto che abbia familiarità con gli studi sui vaccini o le sperimentazioni cliniche per essere consultato per sapere se il grado di gravità è sufficiente o meno per |
| per valutare gli esiti degli eventi avversi. E basato sulla costruzione di modelli di dati strutturati e non strutturati |
| abbiamo identificato fattori chiave che variano con la gravità in una reazione a una vaccinazione COVID-19. |
| Tuttavia, l'effetto di queste variabili chiave sulla gravità della variabile di risposta non è ancora molto piccolo, quindi questo si vede osservando le variabili. |
| E poi, infine, la matrice dei termini del documento basata sulle valutazioni binarie, la frequenza dei termini binari è risultata essere la più efficace nel rappresentare i pesi degli altri termini nel documento. |
| E il modello lineare generalizzato con la tecnica di regressione penalizzata dal lazo ha prodotto il modello ottimale. |
| Quindi spero che ti sia piaciuta la brevissima presentazione e fammi sapere se hai domande o feedback, grazie mille. |
| Pietro Polito | ottimo lavoro. |
| era molto. |
| Oh no. |
| Ho appena realizzato che sono, sai, un errore che volevamo questa vita, oh Dio. |
| Pietro Polito | In modo che questa sia la situazione esatta in cui stai bene. |
| Quindi all'effettivo summit sulla scoperta ci sarà un presentatore. |
| E così ti contatteranno, prima del tempo e tu dirai solo, ho un errore su una delle mie diapositive, e quindi in questa parte viene fuori che farà scoppiare lui o lei lo metterà in pausa. |
| E poi puoi condividere la diapositiva e parlarne e poi tornare direttamente al video, quindi non preoccuparti affatto. |
| Questo è successo un bel po' durante il summit di scoperta dell'anno scorso non è affatto un problema. |
| Ok ok. |
| Ebbene, oh James. |
| Pietro Polito | Vorresti aggiustarlo e rifarlo ti farebbe sentire meglio. |
| Non lo so. |
| Se in realtà è questo qui, perché questa è la casella sbagliata, mi ci vorrà un po' di tempo per risolverlo perché devo riscriverlo, sì. |
| Pietro Polito | sì, allora non lo sapeva, non preoccuparti, sarà una soluzione davvero semplice e puoi farlo in tempo reale. |
| Ok ok. |
| Ok sì. |
| Grazie per esserti seduto, comunque. |
| Pietro Polito | sì, nessun problema è fantastico, davvero. |
| Va bene. |
| Pietro Polito | Va bene, qualsiasi altra domanda o commento o altro. |
| sì, ne ho uno è quello ehm, quindi che succede un collegamento, dove posso caricare tutte le mie diapositive e le mie persone e cose del genere, ma c'è stato un disguido con il mio. |
| e-mail, e penso che da tanya a questo proposito quando tanya mi ha risposto bene, penso che abbia perso quel link, quindi ho pensato che il link sarà incorporato in una delle registrazioni ma non credo che voi ragazzi abbiate capito bene . |
| Pietro Polito | Non ce l'ho, ma contatterò Tanya e le ho chiesto di contattare direttamente te. |
| Per aiutare a rimediare. |
| Va bene, certo, grazie mille, penso che si risolva con la mia e-mail, sì. |
| Pietro Polito | Grazie mille. |
| Nessun problema va bene, buona notte e buon riposo. |
| si, buona giornata. |
| Pietro Polito | Grazie. |
| Tanto ciao ciao. |
