398757_ja-JP

liliconcom

Re：COVID-19ワクチン副作用のモデル（2021-US-30MP-920）

こんにちは、ここにデータ/モデル/プレゼンテーションが表示されません...共有できるリンクはありましたか？

COVID-19ワクチンの副作用のモデル（2021-US-30MP-920）

レベル：中級

 

シンガポール経営大学SMU、Suling Lee

 

COVID-19ワクチンは、世界中で感染症や死亡の急増を引き起こしている世界的大流行を和らげる試みにおいて重要な役割を果たしています。 しかし、それが開発され、管理された前例のない速度は、コミュニティでのその安全性について疑問を投げかけました。 からのデータ米国のワクチン有害事象報告システム、VAERSは、ワクチンの安全性に関する懸念が根付いているかどうかを判断するのに役立つ可能性があります。 そのため、この論文では、VAERSの構造化変数と非構造化変数の両方の組み合わせを使用して、COVID-19ワクチンに対する副作用をモデル化します。

副作用の重症度は、最初に、からの反応後のワクチンレシピエントの結果を説明する変数から導き出されます。 VAERSデータセット。 次に、症状、病歴、投薬、およびアレルギーを説明するテキストからの非構造化データがドキュメント用語マトリックスに変換され、これらを構造化変数と組み合わせることで、有害反応の重症度を予測するモデルを構築できます。 説明モデルは、一般化回帰モデルとBinary Document Term Matrix（DTM）を使用するJMP Pro 16を使用して構築され、検証セットのRSquare値に基づいてモデルが評価されます。

最適なモデルは、バイナリDTMのラッソ推定法を使用した一般化回帰モデルです。 最適なモデルからの副作用に寄与する主要な決定要因は、症状の数、ワクチン接種開始間の期間、ワクチンの投与方法、患者の年齢、および心肺疾患に関連する症状です。

 

 

 

自動生成されたトランスクリプト...

 

スピーカー	トランスクリプト
ピーターポリト	今日はどうですか。
	私の声が聞こえますか。
	あなたが話しているなら、私はあなたの声を聞くことができません。
	こんにちは。
	テストテスト。
	ああこんにちはレオあなたは私を聞くことができます。
	ええ、申し訳ありませんが、技術的な問題について考えています。
ピーターポリト	まったく問題ありません。
	ああ、それはいいジミーです。
ピーターポリト	ああ、どこ。
	から電話をかけていますか。
	シンガポール。
ピーターポリト	シンガポールは大丈夫です、どれくらい遅く、そこにありますか。
	約909。
ピーターポリト	ええ、まあ。
	ええ、あなたに称賛を。
	ぶら下がっています。
	それを作ってくれて本当にありがとう。
	可能性はありませんそれは大丈夫ですええええ私は私が良いことをしたいと思います。
	おお。
	いいえ、私はこれについて高いストレスのようでした。まあ、ええ、私は大丈夫です、私はただ仮想の背景を置きましょう。
	わかった。
ピーターポリト	そして、正式に開始する前に、私は自分の側でいくつかのことを経験しなければなりません。
	わかった。
ピーターポリト	ただ私にください。
	ここで分。
	うん。
ピーターポリト	チェックリストを持ち込むだけで、ここですべてが正しく行われていることを確認します。
	大丈夫。
	確認するだけです。
	あなたは落ち着いています。
	ええ、あなたの話は、コヴンワクチンの副作用のモデルと題されています。
	はい、そうです、そうです。
ピーターポリト	了解しました。これが使用のために記録されていることを理解するために、ジャンプディスカバリーサミット会議がジャンプユーザーコミュニティで公開されます。この記録と使用を許可しますか。
	はい、大丈夫です。
	マイクの音はいいですが、バックグラウンドノイズは聞こえません。携帯電話がオフになっていると、ランダムなノイズが発生する可能性があります。
	ちょっとまって。
	私はそれを送りますええそれらを見つけるでしょう。
ピーターポリト	さて、それから。
	画面を共有できるかどうかを確認する必要があります。解像度などを確認します。
	もちろん。
ピーターポリト	ありがとうございました。
	すみません、リサ・リンですか、それとも落ち着きますか。
	私の名はうまく発行されています。
ピーターポリト	大丈夫です。
	ええと、それは大丈夫です。
ピーターポリト	私はまだそれを見ていませんああ、あなたはそれを少しの間覆っているパイを知っています。
	よさそうだ。
	また、画面の下部に移動すると、タスクバーが実際に表示されないので、問題ありません。
	わかった。
ピーターポリト	そして、確認させてください。
	OutlookやSkypeのようなポップアップを作成する可能性のあるプログラム、またはそれらのいずれかがすべて閉じられて終了するプログラムです。
	ええと、私は思うので、私はそれらをチェックすることに賭けます。
	キッチンを閉めます。
	わかった。
	ええ、いいです。
ピーターポリト	では、PowerPointから作業するのか、それともジャンプを表示するのか。
	トランジットが心配だったので、パワーポイントから運命づけます。
ピーターポリト	さて、素晴らしいです。それでは、すでに録画しているカメラをミュートしてオフにします。
	私の写真が消えていくのを見てすぐに始めてください。なんらかの理由で中断することはありません。30分のプレゼンテーションを試してみますので、通過しましょう。私もここにいません。それはあなたが自分自身と話しているようになります。
	さて、議事録は大丈夫です。
ピーターポリト	行く準備はできていますか。
	うん。
ピーターポリト	わかった。
	大丈夫です、そしてそれは私たちが実際にいつ知っているかということです。
	明日、間違った話をしたり、少し違う方法で何かを提示したいと思った場合は、ディスカバリーサミットを開催してください。
	あなたはあなたのプレゼンテーションが行われているときに生きることができます、そしてあなたは預金を提示している人に尋ねることができますそしてあなたは私がこれを言おうとしていることをあなたが知っていると言うことができます、私が伝えたかったのはあなたが一種のようにできるということです。
	プレゼンテーション中にリアルタイムで編集するので、すべての単語を完全に取得することを強調しないでください。リラックスしてそれを通過してください。そうすれば、大丈夫だと確信しています。
	わかった。
	うん。
ピーターポリト	了解しました。ミュートしてカメラの電源を切ります。それから先に進んで大丈夫です。
	ピーターに感謝します。
	こんにちは、私はスリンです。 私はシンガポール経営大学の修士課程で、現在、コンピューティング情報システム学部でデータ分析のコースを受講しています。
	ですから、私は実際に今日ここにいて、IT for Businessプログラムの修士号に提出された課題を提示します。さらに重要なことに、これまでのJMPの旅を共有したいと思います。
	それで、今年からJMPを使い始めましたが、使いやすさと統計手法の範囲、そしてJMPで実行できる視覚化のおかげで、JMPが大好きになりました。
	ですから、JMPを使用する初心者として、ここでレポートを発表できることを本当に光栄に思います。フィードバックをお寄せください。そうなることを学ぶには、もっと多くのことが必要だと感じています。
	ですから、私の論文の動機は、実際にはCOVID 19ワクチンを調べることでした。したがって、それらがどれほど重要であるかはわかっていますが、
	それが開発され、管理された前例のない速度は、その安全性に関してコミュニティにいくつかの疑問を引き起こしました。
	そのため、米国のワクチン有害事象報告システムのデータを使用しています。
	したがって、ワクチンの安全性に関する懸念が生じているかどうかを判断するのに役立つ可能性があることがわかったため、そこからのデータを使用しています。 したがって、この論文では、VAERSからの構造化データと非構造化データの両方を利用して、COVID-19ワクチンの副作用をモデル化します。
	では、VAERSとは何ですか？ したがって、米国疾病予防管理センターと米国FDAはこのシステムを採用しており、実際には有害事象です。
	データを収集するシステム。 しかし、一般的に私たちが見ているのは、有害事象への因果関係を特定するために使用できないVAERSデータです。
	有害事象と予防接種の間のリンクが確立されていないためです。 つまり、ここで実際に見ているのは、報告している人がいるということですが、そこにはイベントを報告している人がいますが、それでは、
	報告されているこれらの症状やイベントを確認するために、ワクチンへのリンクはありますか。 では、なぜまだこのデータを使用したいのでしょうか。 したがって、最初にデータが利用可能であり、パブリックドメインです。
	データは最新のものであり、さらに重要なことに、頻度が低いため、臨床試験中にすべての有害事象が捕捉されるとは限りません。 そう
	通常、臨床試験では、健康な個人のみが含まれます。 ですから、慢性疾患や妊婦のような特別な集団は、
	限られているので、VAERSがワクチンの安全性の重要な情報源であることを彼らは知っています。 したがって、それに関する詳細については、ここでこのリンクを調べることができます。
	そうです、この調査に使用されたデータセットは、VAERSから抽出されたツリーデータテーブルからのものです。 最初のものはVAERSデータです。
	主に患者のプロファイルと有害事象の結果に関する情報が含まれているので、ここにあるのはJMPからの小さなクリップです
	ここに症状のテキストがあり、これは1人の1人の患者に基づく1つのレポートにすぎないことがわかります。 さて、データはかなり汚れています。
	物語のテキストには多くの有用な情報がありますが、スペルミス、タイプミス、長すぎる、または非常に短いステートメントのようなものがあることがわかります。
	したがって、次の2つのデータセットは、ワクチン接種データのVAERSと症状です。 つまり、1つにはワクチンに関する情報が含まれ、もう1つにはワクチンに関する情報が含まれています。
	私たちが見ることができる症状のテキストから抽出されます。 さて、このアクセシビリティを考えると、実際にはVAERSデータはかなりマイニングされています
	かなりの数の研究者によって多くのことが行われていますが、ご覧のとおり、レポートの品質はさまざまであるため、データを使用するのは実際には非常に困難です。
	そして、本物ではないかもしれない何かもあります。 したがって、パワーを確認します。これは、必要な情報を抽出するために、通常、何らかの形式の手動スクリーニングが採用されていることを示しています。
	ただし、これも非常に労働集約的で非常に難しいため、このペーパーでは、JMPのテキスト分析手法を使用して重要な情報を抽出する方法を紹介することを目的としています。
	そして、このイベントに関係する最も重要な変数を説明するための説明モデルを作成してみてください。 したがって、ここで行ったのは、これらのデータテーブルごとに個別にクリーンアップしてから、VAERSIDを使用して結合することです。
	患者の転帰に基づいて行ったことは、重症度評価と呼ばれるものを導き出すことでした。これについては後で少し説明します。 したがって、テーブルが結合されると
	4つの物語のテキストがあります。 アレルギー、投薬、病歴および症状に関するもの。
	次に、テキスト分析手法を使用して、各テキストデータの重大度を説明する上位用語のベクトルを抽出します。
	そして、それらをデータセットの既存のスプレッドシートデータ構造化変数に結合します。 さて、これをすべてまとめて、モデル構築に入れます。
	さて、これはすべての重大度評価とは何ですか？ これは患者の転帰に基づいており、VAERSデータには患者の状態を説明する12の変数があります。
	そして、これに基づいて変数を抽出し、それを理解しようとしたので、4つのレベルの重大度を取り除いて、これを重大度評価と呼びます。
	次に、使用方法について少し説明します
	テキスト分析用のJMPPro Text Explorerプラットフォームで、データのクリーニングから始めます。 したがって、私たちがやりたかったのは、テキストデータから重要な用語を実際に抽出することでした。
	そして、それらを構造化変数に拡張して、モデルを構築します。 ご覧のとおり、実際には、テキストデータはかなり乱雑なので、私たちが行ったことは
	まず、用語頻度を使用するか、使用する用語頻度の種類を決定し、次にバイナリ用語頻度を選択しました。これは、データがそれを使用することの重要な利点があることを示しているためです。
	それでは、次に入った掃除について少し説明します。 そのため、テキストデータは最初にJMP Pro Text Explorerを使用して整理され、そこにある便利な機能を使用してフレーズを追加し、自動的に識別しました。
	白血球のような用語は、白血球や細胞に引き込まれるのではなく、フレーズとして保持されているように見えるので、あまり意味がありません。
	そして、他にもいくつかの方法を使用します。 つまり、1つは、単語の末尾に基づいて単語を語る組み合わせの標準です。次に、スペルミスやタイプミスなどのように再コーディングするために、リストをアルファベット順に並べ替えることも考えました。
	ええ、そして次のことは、非常に便利な機能を使用して、すべての類似したアイテムを一緒に再コーディングすることでした。
	したがって、テキストをクリーンアップした後に次に行うことは、
	実際にワークフローを見てみました。 ワークフローは、ストップワードの除外や、用語に対するターゲット変数の影響を確認するのに役立ちます。
	そこで、ここで行ったことは、最も頻繁な用語をサイズで視覚化し、重大度の評価に基づいて色を付けることでした。
	したがって、明るい色はそれほど深刻ではないケースに属し、暗い色は他の最も深刻なケースに属していることがわかります。そして、あなたは拾うのが好きで、言葉はかなり小さいです。
	そして、それは一般的な症状が深刻ではないことを実際に示していますが、私たちは脳血管障害の肺塞栓症などによって用語を拾い上げました。 したがって、これらは最も深刻な有害事象に関連しています。
	次に用語選択を使用するので、用語選択は新機能のJMP Pro 16であり、非常にタイムリーでした。
	つまり、一般化された回帰モデルがテキスト分析プラットフォームに統合されているため、テキスト分析プラットフォームに従って、用語を選択する場所でこれを選択できます。
	そして、応答変数にとって重要な重要な用語を特定できます。 したがって、応答変数は重大度の評価です。
	では、なぜ一般化回帰モデルを使用するのでしょうか。 そのため、正規分布ではない変数や相関の高い変数に広く使用されています。
	データが互いに独立していて、他の相関関係を示さない場合。 したがって、ここにあるこの方法は、データセットに適合するため、私たちにとって便利です。
	そして、データテーブル内で私たちが持っているそれぞれの役割は患者であり、それらはすべて互いに独立しています。
	したがって、最も重要なことは、一般化された回帰モデルで変数の選択が可能になることです。これは、応答変数に最も影響を与える変数を取得するために実行したいことです。
	ええ、この回帰モデルについてもう少し詳しく説明します。ここで使用できるオプションがいくつかあります。それは、エラスティックネットとなげなわです。
	したがって、ここでの違いは、なげなわが相関因子のグループから1つの用語を選択する傾向があるのに対し、エラスティックネットワークネットは用語のグループを選択することです。 ですから、一般的にはエラスティックネットが使われていると思いますが、ここで私たちが選んだ2進項の周波数が出てきました。
	さて、これは用語選択の結果です。ここで、（???）の概要を示し、次に一般化（???）を示していますが、もっと興味深いことがわかります。
	係数から始めると、これらが上位の正の係数であることがわかります。したがって、これらは、応答変数に関して最大の役割を果たす上位の要因です。
	そして、ここにあるこれは、係数に従ってそれをソートするときに最も役割を果たさない症状です。 したがって、結果を見ると、心停止とCOVID-19肺炎、脳血管障害、応答変数に影響を与えるすべての用語がわかります。
	したがって、より深刻な性質の用語は、心臓と肺に関連していることがわかります。これは、非常に軽度の症状である、より低頻度の用語とは異なります。
	さて、他のすべてに対してこのプロセス全体を繰り返します
	他のすべてのテキスト変数については、症状の例に進んだので、アレルギー、病歴もあります
	使用される薬剤と同様に、後で行ったのは、ドキュメントの用語マトリックスを保存することでした。 さて、これは基本的にDTMであり、毎回データテーブルに列を保存します。
	ここで例を見ることができます。これは非常にスパースな行列であるため、主に多くのゼロがあります。この列の存在を示します。ここでこの列を取得すると、（???）の存在が示されます。
	それで、それを保存して、他のテキスト分析のためにプロセスを繰り返します。
	そして、これらすべての用語を保存したら、モデリングに移りました。 したがって、モデリングは検証列のようなものを組み込むことでした。そこで、ここでは、予測モデリングに進み、検証列を作成しました。 そこで、ここで選択肢を選択したので、55％の検証設定として配置します。
	そして、ここでのすべては、応答変数として重大度を持つ重要な変数を識別することでした。したがって、全体として、ドキュメント用語マトリックスと合計約31,000のルールから派生した7つの構造変数と55があります。
	そして、私たちが見ているのは、不均衡なデータセットを取得する重大度の評価のために、そこに不均衡があるということです。 そのため、R分割値とAIC値を比較してモデル評価を行いました。
	そう。
	JMPで適合モデルを使用するため、一般化された回帰モデルを再度選択します。
	そして、これらがここでの結果であることがわかります。ペナルティ付き回帰手法を使用して、線形モデルを一般化するグループと思われる個別のモデルが準備されました。
	そして、ここでのさまざまな特性に基づいて適合させようとします。これらは、他のすべてのペナルティ付き推定方法です。
	したがって、すべてのモデルの中で、ラッソ法が最も低く、申し訳ありませんが最も高いRsquare値を持っていることがわかります。また、非常に近い値もあるので、それらを詳しく見ていきます。
	したがって、最尤モデルとROC曲線に基づくラッソモデルを比較すると、実際には両方のROC曲線が非常に類似していることがわかります。
	ただし、最尤モデルのROC曲線は、最尤モデルの重大度が最も高いことを示しています。
	申し訳ありませんが、最尤モデルのROC曲線は次のことを示しています
	ROC値は、重大度の評価が最も高いほど高くなります。ここでは、これらの両方のわずかな違いにすぎないことがわかります。
	そして、一般的に、重大度の評価を下げると、領域は実際に増加します。その理由の1つは、データセットが非常に不均衡であるためです。
	したがって、最高レベルである4の重大度評価では、レベルの大部分は合計データ値の約5％にすぎません。全体として、これは実際には両方の違いがほとんどないため、少し大きい領域の1つを選択します。 。
	さて、次はエフェクトテストをオンにします。 したがって、レポートでは、効果テストを表示するように選択できるため、効果テストは次のようになります。
	変数が残りの部分に影響を与えないという帰無仮説の仮説検定。
	JMPコミュニティでの効果テストについて、この非常に素晴らしい説明がありました。
	マークベイリー。 そこで彼は、効果テストが実際にANOVAのタイプIIIの二乗和にどのように基づいているかについて少し話します。
	したがって、データセットがあるため、ここでは効果テストが非常に適していることがわかります。実際には、モデル内のすべての項をすべての項でテストします。
	その中の用語。 したがって、主な効果は、アイテム間の相互作用がない状態で、他の用語に照らして、他の主な効果にも照らしてテストされます。
	したがって、ここで使用したいのは、モデルの縮小と同様に、効果テストが私たちの目的に役立つということです。
	そして、それは私たちが重要な変数の長いリストの推論を引き出すことを可能にします。
	カットオフアルファ値0.1を取るChiSquare（???）の最低ChiSquare値での確率を調べます。
	いくつかの独立変数があるので、それらのリストは非常に長く、それらのほとんどは、実際に心肺疾患に関連しているものです。
	したがって、それらのいくつかは、症状の数、ワクチン接種開始間の日数などの影響を受けたものです。
	（???）は、ワクチンがそれぞれの中心にあり、残りのワクチンが何らかの形で別のものに関連していることがわかります。
	心肺蘇生法、医学的背景から来ていない奇妙なものもあるので、私もよくわかりませんが、難聴もその一つであることがわかりますので、いくつかあります
	ここで見ることができる奇妙な結果ですが、一般的には、変数のリストの上位の変数に関しては、全体像がわかります。
	さて、これ以外に、本当に興味深いのはモデルの評価を見ることです。ですから、私たちが行っているのは説明モデルを構築することですが、
	JMPは、パラメーターの推定値を確認するためのレポートを非常にうまく配置しているので、予測モデルも調べました。
	そこで、プロファイラーを使用してパラメーターの推定値を理解しようとすると、ここに表示されている値が本当に非常に小さいことがわかります。これが、取得した値です。
	プロファイラーを開くとすぐに、ここの値は各変数の平均であり、これらの各変数を確認できます。
	ここでのこれらの各値は実際には非常に小さいため、これらの係数に基づく重大度への影響はほとんどないことを意味します。
	予測変数の係数としてこれらに基づいています。 したがって、ここでのこの研究に基づいてわかることは、実際に（???）症状とその影響が重症度にほとんど影響を及ぼさないことであり、これは一種のようなものです。
	ワクチンの全体像を見ているので、これらの症状と影響のほとんどが実際にはほとんど影響を及ぼさないことがわかります。ワクチンの。
	そして。
	うん。
	結論として、結論としていくつかのステートメントがあります。 変数のグループ化と分類において、いくつかの決定が行われました。
	そして、これらの変数は私たちの理解の及ぶ限り、特に私たちが重大度の評価を思いついた方法で作られましたが、
	重症度の評価が十分であるかどうかについて相談するために、ワクチン研究または臨床試験に精通した専門家がおそらく必要です。
	有害事象の結果をスコアリングします。 そして、構造化データと非構造化データのモデル構築に基づいています
	COVID-19ワクチン接種に対する反応の重症度によって異なる重要な要因を特定しました。
	ただし、応答変数の重大度に対するこれらの主要な変数の影響はまだ非常に小さいため、変数を調べることでこれを確認できます。
	そして最後に、バイナリ評価に基づくドキュメント用語マトリックスでは、バイナリ用語の頻度が、ドキュメント内の他の用語の重みを表すのに最も効果的であることがわかりました。
	そして、ラッソペナルティ付き回帰手法を使用した一般化線形モデルは、最適なモデルを生成しました。
	ですから、非常に短いプレゼンテーションを楽しんでいただければ幸いです。ご不明な点やフィードバックがございましたら、お気軽にお問い合わせください。ありがとうございました。
ピーターポリト	よくやった。
	とてもでした。
	大野。
	私はあなたが私たちがこの人生を望んでいた間違いを知っていることに気づきました。
ピーターポリト	だから、これはあなたが元気である正確な状況です。
	したがって、実際の発見サミットでは、プレゼンターが参加します。
	そして、彼らは前もってあなたに連絡するつもりです、そしてあなたはただ私のスライドの1つに間違いがあるとあなたが言うので、この部分でそれはただポップするでしょう彼または彼女はそれを一時停止します。
	そして、スライドを共有してそれについて話し、すぐにビデオに戻ることができるので、まったく心配する必要はありません。
	これは昨年の発見サミットでかなり起こったもので、まったく問題ありません。
	オーケーオーケー
	ジェームズ、まあまあ。
ピーターポリト	修正してやり直しますか？気分が良くなります。
	わからない。
	これが実際にここにある場合、これは間違ったボックスであるため、実際に修正するのに時間がかかります。再入力する必要があるからです。
ピーターポリト	ええ、それはそれが本当に簡単な修正になることを心配しないでください、そしてあなたはそれをリアルタイムで行うことができることを知りませんでした。
	オーケーオーケー
	はい、そうです。
	でも、座ってくれてありがとう。
ピーターポリト	ええ、問題ありません、私は本当に素晴らしいです。
	わかった。
ピーターポリト	よし、他の質問やコメントなど。
	ええ、私はそれを持っているので、リンクは何ですか。ここで、すべてのスライドと私の人々などをアップロードできますが、私との取り違えがありました。
	メール、そしてターニャからターニャが私に正しく答えたとき、彼女はそのリンクを逃したと思うので、リンクはレコーディングの1つに埋め込まれると思いましたが、あなたたちがそれを正しく理解したとは思いません。
ピーターポリト	私はそれを持っていませんが、私はターニャに連絡し、彼女に直接あなたに連絡するように頼みます。
	それを改善するのを助けるために。
	ええ、それは私のメールで埋め合わせだと思います。
ピーターポリト	どうもありがとう。
	問題ありません。おやすみなさい、そしてゆっくり休んでください。
	ええ、あなたは良い一日を過ごしています。
ピーターポリト	ありがとうございました。
	さようなら。

 

起こるDOE統計とモデリングRe：COVID-19ワクチン副作用のモデル（2021-US-30MP-920）

やあ@ jay1 、この投稿、およびこのライブラリの他の投稿は、プレゼンテーションのプレースホルダーです。ディスカバリーサミットアメリカ10月中。 著者はこれらの投稿を今からそれまでに更新します。 ここに注目してください。10月4日から7日までオンラインでカンファレンスに参加できることを願っています。