398757_ja-JP

liliconcom

COVID-19 ワクチン副反応のモデル (2021-US-30MP-920)

レベル: 中級

 

Suling Lee、SMU、シンガポール管理大学

 

新型コロナウイルス感染症（COVID-19）ワクチンは、世界中で感染者数と死亡者数の急増を引き起こしている世界的パンデミックを鎮める試みにおいて重要な役割を果たしている。 しかし、前例のない速度で開発および投与されたため、地域社会ではその安全性について疑問が生じました。 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拠があ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、新型コロナウイルス感染症ワクチンに対する副反応をモデル化しています。

副反応の重症度は、まずワクチン接種者の反応後の転帰を表す変数から導き出されます。ヴァールスデータセット。 次に、症状、病歴、薬、アレルギーを説明するテキストの非構造化データが文書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、副作用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バイナリ文書用語マトリックス (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 値に基づくモデル評価が行われます。

最適なモデルは、バイナリ DTM の Lasso 推定法を使用した一般化回帰モデルです。 最適モデルからの副反応に寄与する主な決定要因は、症状の数、ワクチン接種開始までの期間、ワクチンの投与方法、患者の年齢、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	成績証明書
ピーター・ポリト	今日の調子はどうですか。
	聞こえますか。
	あなたが話していても、私には聞こえません。
	こんにちは。
	テストテスト。
	ああ、こんにちはレオ、聞こえますか？
	はい、申し訳ありませんが、技術的な問題を考えています。
ピーター・ポリト	ああ、まったく問題ありません。
	ああ、いいジミーだよ。
ピーター・ポリト	ああ、どこで。
	から電話してるの？
	シンガポール。
ピーター・ポリト	シンガポールは大丈夫、なんて遅いの、そこにいるの。
	909くらい。
ピーター・ポリト	はい、そうですね。
	はい、ありがとうございます。
	ぶら下がっています。
	とても遅くなりました、作ってくれてありがとう。
	たぶん、いいえ、大丈夫です、ええと、良いものを作ることを願っています。
	おお。
	いいえ、これについてはかなりストレスを感じています。ああ、はい、大丈夫です、バーチャル背景を付けさせてください。
	わかった。
ピーター・ポリト	そして、正式に始める前に、私の方でいくつかのことを行う必要があります。
	わかった。
ピーター・ポリト	ただ、私に与えてください。
	ここで分。
	うん。
ピーター・ポリト	ここですべてを正しく行っているかどうかを確認するためのチェックリストのみを持ち込んでいます。
	大丈夫。
	それで、確認のためだけに。
	癒し系ですね。
	はい、あなたの講演のタイトルは、ワクチン副反応のモデルです。
	はい、そうですか、そうです。
ピーター・ポリト	わかりました。では、これは使用のために記録されており、ジャンプ ディスカバリー サミット カンファレンスはジャンプ ユーザー コミュニティで公開されることを理解していただきたいのですが、この記録と使用を許可していただけますか。
	はい、わかりました。
	マイクの音は良いです。周囲のノイズは聞こえません。携帯電話の電源がオフになっています。その他、ランダムなノイズが発生する可能性のあるものはすべてあります。
	ちょっとまって。
	送ってあげるよ、見つけてあげるよ、はい。
ピーター・ポリト	さて、それでは。
	画面を共有できるかどうかを確認する必要があります。解像度やその他いくつかのことを確認して確認します。
	もちろん。
ピーター・ポリト	ありがとう。
	ごめんなさい、リサリンですか、それともなだめますか。
	私の名前はうまく発行されています。
ピーター・ポリト	大丈夫だった。
	うーん、大丈夫ですか。
ピーター・ポリト	まだ見えません、ああ、ちょっとパイがそれを覆っているのはわかりますね。
	それは良さそうです。
	そして、画面の一番下に行くとタスクバーが表示されますが、実際にはタスクバーが表示されないので、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。
	それは、Outlook や Skype などのポップアップを作成する可能性のあるプログラム、またはすべて閉じられて終了するプログラムです。
	ええと、私はそう思います、それで私は彼らをチェックするに違いありません。
	私のキッチンを閉めてください。
	わかった。
	うん、いいよ。
ピーター・ポリト	さて、それでは、PowerPoint だけで作業するつもりですか、それともジャンプも表示しますか。
	トランジットが心配だったので、パワポから運命です。
ピーター・ポリト	わかりました。それでは、カメラをミュートにして電源を切ります。すでに録画中なので、すぐに録画します。
	私の写真が消えるのを見たらすぐに始めてください、そして私はいかなる理由でも中断するつもりはありません、そして私たちは30分のプレゼンテーションなので最後までやりましょう、そして私はここにさえいません自分自身に話しかけているようになるでしょう。
	はい、議事録はそれでOKです。
ピーター・ポリト	準備はできていますか。
	うん。
ピーター・ポリト	わかった。
	わかりました。それは、実際にいつになるかを知るためです。
	明日、自分の言い間違いに気づいた場合や、少し違う方法で何かを提示したかった場合には、ディスカバリーサミットを開催してください。
	プレゼンテーションの進行中をライブで見ることもできますし、デポジットを提示している人に尋ねることもできます。その後、私がこれを言おうとしていることを知っていると言うことができます、私が伝えたかったことは、あなたがある程度気に入っているということです。
	プレゼンテーション中はリアルタイムで編集するので、すべての単語を完璧に理解することにストレスを感じる必要はありません。リラックスして読み進めてください。きっと大丈夫です。
	よし。
	うん。
ピーター・ポリト	わかりました、私はミュートしてカメラをオフにします。それからあなたは先に進んで大丈夫です。
	ありがとうピーター。
	こんにちは、スリンです。 私はシンガポール管理大学の修士課程の学生で、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履修しています。
	そこで私が今日ここに来たのは、IT for Business プログラムの修士課程に提出された課題を提出するためであり、さらに重要なことに、これまでの JMP の歩みを共有したいと思っています。
	そこで、今年から JMP を使い始めました。その使いやすさ、統計手法の範囲の広さ、そして実行できる視覚化のおかげで、すっかり気に入ってしまいました。
	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。また、フィードバックを聞かせてください。そう、私にはまだまだ学ぶ必要があると感じているからです。
	したがって、私の論文の動機は実際には、新型コロナウイルスワクチンについて検討することでした。そのため、ワクチンがどれほど重要であるかはわかっていますが、
	前例のない速度で開発および投与されたため、コミュニティではその安全性について疑問が生じています。
	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、はい。
	そこで、ワクチンの安全性に関する懸念が根拠となっ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ので、私たちはそこからのデータを使用しています。 そこでこの論文では、VAERS の構造化データと非構造化データの両方を利用して、新型コロナウイルス感染症ワクチンの副反応をモデル化しています。
	それで、VAERSとは何ですか？ 疾病管理予防センターと米国食品医薬品局はこのシステムを導入していますが、これは実際に有害事象です
	データを収集するシステム。 しかし、一般的に私たちが目にしているのは、VAERS データは有害事象との因果関係を判断するために使用できないということです。
	有害事象とワクチン接種との関連性が確立されていないためです。 ここで私たちが実際に見ているのは、報告している人々がいますが、そこでは出来事を報告している人々がいますが、それでは完全な行動はありません。
	報告されているこれらの症状や出来事がワクチンと関連があるかどうかを確認するために。 では、なぜこのデータをまだ使用したいのでしょうか? したがって、まずデータは利用可能であり、パブリックドメインです。
	データは最新であり、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わけではありません。 それで
	通常、臨床試験の場合、対象となるのは健康な個人のみです。 慢性疾患のある人や妊娠中の女性などの特別な人々は、
	VAERS がワクチンの安全性にとって重要な情報源であることを彼らが知っているように、限定されています。 詳細については、こちらのリンクを参照してください。
	はい、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。 1 つ目は VAERS データです。
	主に患者のプロフィールと有害事象の転帰に関する情報が含まれているため、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表示されていますが、これは 1 人、1 人の患者に基づいた 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有益な情報がたくさんありますが、スペルミス、タイプミス、過度に長い文、または非常に短い文のようなものさえ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と症状の VAERS です。 つまり、1 つはワクチンに関する情報を含み、もう 1 つはワクチンに関する情報を含みます。
	表示される症状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慮すると、実際には VAERS データはかなりマイニングされています
	かなり多くの研究者によって作成されていますが、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。
	また、本物ではないものもあります。 そこで、検出力を確認してみると、通常、必要な情報を抽出するために何らかの形式の手動スクリーニングが使用されていることがわかります。
	ただし、これも非常に労力がかかり、非常に困難であるため、この文書では、JMP のテキスト分析技術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説明モデルを作成してみます。 そこで私たちが行ったことは、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、VAERS ID を使用して結合することです。
	私たちが患者の転帰に基づいて行ったのは、重症度評価と呼ばれるものを導き出すことでした。これについては後ほど少し説明します。 したがって、テーブルが結合されると、
	物語文は4つあります。 1つは、アレルギー、投薬内容、病歴、症状に関するものです。
	次に、テキスト分析技術を使用して、各テキスト データの重大度評価を説明する上位の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上の既存のスプレッドシートデータ構造変数に結合します。 さて、これらすべてをまとめてコンパイルし、それをモデル構築に組み込みます。
	さて、それでは、この重症度評価とは何でしょうか? 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表す 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ました。その結果、4 段階の深刻度が得られ、これを深刻度評価と呼びます。
	次は、その使用方法について少し説明します。
	テキスト分析用の JMP Pro Text Explorer プラットフォーム。データ クリーニングから始めます。 そこで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、私たちがやったことは次のとおりです。
	まず最初に、用語頻度を使用するか、どのような種類の用語頻度を使用するかを決定します。その後、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を考慮すると大きな利点があることを示しているためです。
	それでは次に、入ってきたクリーニングについて少し説明します。 そこで、最初に JMP Pro Text Explorer を使用してテキスト データを整理し、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。
	この用語は、白血球などの用語が白血球と細胞に関連付けられるのではなく、フレーズとして保持されているようなものであることがわかりますが、あまり意味がありません。
	他にもいくつかの方法を使用できます。 そのため、1 つは語尾に基づいて単語をステム化する結合基準であり、次に、単語のスペルミスやタイプミスなどを再コード化するために、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。
	はい、そして次は、非常に便利な機能を使用して、同様のアイテムをすべてまとめて再コード化することでした。
	したがって、テキストを整理した後に次に行うことは、
	実際のワークフローを見ていきました。 このワークフローは、ストップワードを除外したり、用語に対するターゲット変数の影響を確認したりするのに役立ちます。
	そこで私がここで行ったのは、最も頻繁に使用される用語をサイズで視覚化し、重大度の評価に基づいて色付けすることでした。
	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、暗い色はその他の最も深刻なケースに属していることがわかります。好きなようにピックアップすると、単語は非常に小さいです。
	そして、一般的な症状は深刻ではないことを実際に示していますが、脳血管障害、肺塞栓症などの用語をピックアップしました。 したがって、これらは最も重篤な有害事象に関連しています。
	次に選択という用語を使用しますが、この選択という用語は JMP Pro 16 の新機能であり、これは非常にタイムリーでした。
	一般化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続いて、用語選択がある場所でこれを選択するだけで済みます。
	そして、応答変数にとって重要な主要な用語を特定できるようになります。 したがって、応答変数は重症度評価です。
	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、非正規分布変数や相関性の高い変数に対して広く使用されています。
	データが互いに独立しており、他の相関関係を示さない場合。 したがって、この方法は私たちのデータセットに適合するため、私たちにとって役立ちます。
	データ テーブル内での各役割は患者であり、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、一般化回帰モデルでは変数の選択が可能であるということです。応答変数に最も大きな影響を与える変数を選択したいので、これが私たちがやりたいことです。
	はい、この回帰モデルについてもう少し詳しく説明すると、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。
	ここでの違いは、なげなわは相関する因子のグループから 1 つの項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 ネットは項のグループを選択することです。 一般的には、エラスティック ネットが使用されると思いますが、ここでは、バイナリ項の周波数を選択しました。
	さて、これは用語選択の結果です。ここでは (???) の概要を示し、その後一般化した (???) ことがわかりますが、さらに興味深いのは
	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因子です。
	そして、ここにあるのは、係数に従って並べ替えたときに最も重要な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、新型コロナウイルス感染症 (COVID-19) 肺炎、脳血管障害など、すべての項が応答変数に影響を与えることがわかります。
	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おり、一方、より低周波の用語は適切であり、実際には非常に軽度の症状であることがわかります。
	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、症状の例に進みました。アレルギーや病歴も含まれます。
	したがって、後で行ったのは、文書用語マトリックスを保存することでした。 基本的に、DTM は毎回データ テーブルに列を保存します。
	ここに例があります。これは非常に疎な行列であるため、主に多くのゼロがあり、1 つは「この列をここに持って行きましょう」の存在を示し、1 つは (???) の存在を示します。
	したがって、それを保存し、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、これらの項をすべて保存したら、モデリングに進みます。 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になったので、ここでは予測モデリングに進み、検証列を作成しました。 ここでは選択肢を選択したので、検証設定を 55% に設定しました。
	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特定することでした。したがって、全体として、7 つの構造変数と、ドキュメント用語マトリックスから導出された 55 の構造変数、および合計約 31,000 のルールが存在します。
	そして、私たちが目にしているのは、不均衡なデータセットを取得する重大度評価のせいで、そこに不均衡があるということです。 このため、R スプリットと AIC 値を比較してモデルの評価を行いました。
	それで。
	JMP では適合モデルを使用するので、一般化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ため、ペナルティ付き回帰手法を使用した一般化線形モデルのグループと思われる個別のモデルが準備されたことがわかります。
	そして、ここでのさまざまな特性に基づいて適合を試みます。これらはすべて、他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、投げ縄法の Sorry 値が最も低く、Rsquare 値が最も高いことがわかります。また、非常に近い値が他にもあるため、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 曲線に基づくなげなわモデルを比較すると、実際には両方の ROC 曲線が非常に似ていることがわかります。
	ただし、最尤モデルの ROC 曲線は、そ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 値は重大度評価が最も高いほど高く、両者の違いはほんのわずかであることがわかります。
	一般に、重大度の評価が下がれば上がるほど、エリア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、重大度評価 4 (最高レベル) は、レベルのほとんどが合計データ値の約 5% にすぎませんが、全体としては、実際には両方の差がほとんどないため、領域がわずかに大きい方を選択します。 。
	さて、次は効果テストに移ります。 レポートでは、効果テストの表示を選択できます。つまり、効果テストは次のようになります。
	変数が残りの変数に影響を及ぼさないという帰無仮説の仮説検定。
	JMP コミュニティに効果テストに関する非常に素晴らしい説明がありました。これは次の投稿によるものだと思います。
	マーク・ベイリー。 そこで彼は、効果検定が ANOVA のタイプ III 平方和に実際にどのように基づいているかについて少し話しました。
	データセットのおかげで、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。つまり、モデル内のすべての項を実際にすべての条件でテストします。
	その中の用語。 したがって、主効果は、項目間の相互作用の欠如と、他の項に照らして、他の主効果にも照らしてテストされます。
	ここで何を使いたいのかというと、ここで見られるように、効果テストはモデルの削減と同様に、私たちの目的にも役立つということです。
	そして、それにより、重要な変数の長いリストから推論を引き出すことができます。
	カットオフ アルファ値 0.1 を使用して、カイ二乗 (???) 最低カイ二乗値での確率を調べます。
	多数の独立変数があるため、そのリストは非常に長くなりますが、実際に見てみると、そのほとんどが心肺疾患に関連しています。
	そのため、症状の数やワクチン接種の発症までの日数など、影響を受けるものもあります。
	(???) ワクチンが中心にあるほど、それぞれのワクチンが中心になり、残りのワクチンが何らかの形で別のワクチンに関連していることがわかります。
	心肺疾患、私には医学的知識がないので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、いくつかの奇妙な病気があります。
	ここでは奇妙な結果が見られますが、変数リストの上位変数に関して言えば、一般的には次のような状況です。
	さて、それ以外に、本当に興味深いのはモデルの評価を見ることです。つまり、私たちがやっているのは説明的なモデルを構築することであるにもかかわらず、
	JMP がパラメータ推定値を確認できるように非常にうまくレポートを提供してくれたので、予測モデルも調べてみました。
	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しました。ここで、表示されている値が非常に小さいことがわかります。これが得られる値です。
	プロファイラーを開いた直後に表示されるため、ここでの値は各変数の平均であり、これらの各変数が
	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症度への影響はほとんどないことを意味します。
	これらを予測変数の係数として基にします。 ここでのこの研究に基づいてわかることは、実際には (???) 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がわかります。これは一種のことです。
	これらの症状や影響のほとんどは予想の範囲内ですが、私たちはワクチンの全体像を見ているので、これらの症状のほとんど（病歴、アレルギー）は、実際にはワクチンの結果にほとんど影響を与えていないことがわかります。ワクチンのこと。
	そして。
	うん。
	それでは、少し結論として、結論としていくつかのステートメントを述べます。 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。
	これらの変数は、特に重大度の評価を決定する方法において、私たちの理解を最大限に活用して作成されましたが、
	おそらく、ワクチンの研究や臨床試験に精通した専門家に、重症度評価が十分であるかどうかについて相談する必要があるでしょう。
	有害事象の結果をスコア化します。 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
	私たちは、新型コロナウイルス感染症ワクチン接種に対する反応の重症度に応じて変化す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、変数を見ることでそれがわかります。
	そして最後に、バイナリ評価に基づく文書用語マトリックスであるバイナリ用語頻度が、文書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判明しました。
	そして、投げ縄ペナルティ付き回帰手法を使用した一般化線形モデルにより、最適なモデルが生成されました。
	非常に短いプレゼンテーションをお楽しみいただけたでしょうか。ご質問やフィードバックがございましたら、ぜひお知らせください。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。
	なんてこった。
	私は今、私たちがこの人生を望んでいたのは間違いだと気づきました、ああ、なんてことでしょう。
ピーター・ポリト	つまり、これがまさにあなたがいる状況です。
	実際のディスカバリーサミットではプレゼンターが登場します。
	それで、彼らは事前にあなたに連絡するつもりで、あなたはただ「私のスライドの1つに間違いがあるので、この部分が出てくるとすぐに飛び出すでしょう」と言うだけで、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。
	これは昨年のディスカバリーサミット中に頻繁に起こりましたが、まったく問題ありません。
	わかった、わかった。
	まあまあ、ああジェームズ。
ピーター・ポリト	それを修正してやり直すと、気分が良くなりますか。
	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なので、ええと再入力する必要があるため、実際に修正するのにしばらく時間がかかります。
ピーター・ポリト	はい、それは知りませんでした。心配する必要はありません。修正は非常に簡単で、リアルタイムで行うことができます。
	わかった、わかった。
	はい、はい。
	それでも、最後まで座っていただきありがとうございました。
ピーター・ポリト	はい、問題ないのは素晴らしいことです、本当に。
	わかった。
ピーター・ポリト	はい、その他ご質問、ご意見、何でも結構です。
	はい、リンクはあります。私のスライドやメンバーなどをすべてアップロードできるリンクです。しかし、私のものと取り違えがありました。
	ターニャからのメールで、ターニャからそのことについて思うのですが、ターニャが私に正しく返信したとき、彼女はそのリンクを見逃していたと思うので、そのリンクは録画の 1 つに埋め込まれると思いましたが、皆さんは正しく理解していないと思います。 。
ピーター・ポリト	私はそれを持っていませんが、ターニャに連絡して、直接あなたに連絡するように頼んでみます。
	それを解決するために。
	わかりました、ありがとうございます。これで私のメールは補えると思います。
ピーター・ポリト	どうもありがとう。
	問題ありません、それでは、おやすみ、ゆっくりお休みください。
	はい、良い一日を。
ピーター・ポリト	ありがとう。
	それでは、バイバイ。

 

起こるエネルギー省統計とモデリングRe: 新型コロナウイルス感染症ワクチン副反応のモデル (2021-US-30MP-920)

こんにちは@ジェイ1 、この投稿、およびこのライブラリ内の他の投稿は、今後の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随時更新します。 10 月 4 日から 7 日までオンラインで開催されるカンファレンスにぜひご参加ください。

Re: 新型コロナウイルス感染症ワクチン副反応のモデル (2021-US-30MP-920)

こんにちは。ここにはデータ/モデル/プレゼンテーションがありません...共有できるリンクはありましたか?