Altoparlante | Trascrizione |
| Pietro Polito | Come stai oggi. |
| Riesci a sentirmi. |
| Se stai parlando, non riesco a sentirti. |
| Ciao. |
| test. |
| Oh ciao Leo, puoi sentirmi? |
| sì, scusa, penso alle difficoltà tecniche sì. |
| Pietro Polito | Oh, nessun problema. |
| Oh okay, è un bel Jimmy. |
| Pietro Polito | Oh dove. |
| Stai chiamando da. |
| Singapore. |
| Pietro Polito | Singapore va bene, quanto è tardi, è lì. |
| Circa 909. |
| Pietro Polito | sì bene. |
| sì, complimenti a te per. |
| appeso. |
| così tardi, grazie per averlo fatto. |
| Possibile no va tutto bene ehm sì spero di farne una buona. |
| OH. |
| No, sono stato molto stressato per questa cosa. Oh beh, sì, sto bene, lasciami solo mettere uno sfondo virtuale. |
| Va bene. |
| Pietro Polito | E devo esaminare solo un paio di cose da parte mia prima di iniziare ufficialmente. |
| Va bene. |
| Pietro Polito | dammi solo un. |
| minuto qui. |
| Sì. |
| Pietro Polito | Inserisco solo la mia lista di controllo per assicurarmi di fare tutto correttamente qui. |
| Bene. |
| Quindi, giusto 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 solo per essere sicuro che tu capisca che questo è stato registrato per l'uso e la conferenza del Jump Discovery Summit sarà disponibile pubblicamente nella comunità degli utenti Jump, dai il permesso per questa registrazione e utilizzo. |
| Sì, va bene, fantastico. |
| il tuo microfono suona bene, non sento alcun rumore di sottofondo, il tuo cellulare è spento e tutto quel genere di cose che potrebbero produrre rumori casuali. |
| aspettare. |
| lo manderò, li troverò sì. |
| Pietro Polito | Ok, e poi. |
| Dobbiamo controllare se puoi condividere il tuo schermo e noi esamineremo la risoluzione e alcune altre cose. |
| Certo, sicuramente. |
| Pietro Polito | Grazie. |
| mi dispiace, è Lisa ling o rassicurante. |
| Il mio nome esce bene, sì. |
| Pietro Polito | capito bene. |
| ehm, 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, la barra delle applicazioni in realtà non la vedo, quindi va bene. |
| Va bene. |
| Pietro Polito | E lasciami essere sicuro. |
| Sono tutti i programmi che potrebbero creare un popup come Outlook o Skype o qualcuno di questi sono tutti quelli chiusi e usciti. |
| ehm sì, penso, quindi scommetto che li controllerò. |
| chiudi la mia cucina. |
| Va bene. |
| si Bene. |
| Pietro Polito | Ok, e poi lavorerai solo da un PowerPoint o mostrerai anche il salto. |
| Ero preoccupato per il transito, quindi lo farò da PowerPoint. |
| Pietro Polito | Ok, fantastico, allora disattiverò l'audio e spegnerò la videocamera, stiamo già registrando, non appena lo faremo. |
| Non appena vedi che la mia foto scompare, vai avanti e inizia e non interromperò per nessun motivo e proveremo a completarla, è una presentazione di 30 minuti, quindi procediamo 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 per farti sapere quando lo faremo davvero. |
| Organizza il summit di scoperta, se domani ti accorgi di aver detto male o di voler presentare qualcosa in un modo leggermente diverso. |
| Puoi essere in diretta durante la presentazione e puoi chiedere alla persona che presenta un deposito e poi puoi dire che sai che sto per dirlo, quello che volevo trasmettere è che in un certo senso ti potrebbe piacere. |
| modifica in tempo reale durante la presentazione, quindi non preoccuparti di capire perfettamente ogni parola, rilassati e leggila e sono sicuro che andrà tutto bene. |
| Va bene. |
| Sì. |
| Pietro Polito | Va bene, metterò l'audio in muto e spegnerò la telecamera, poi tu vai avanti e inizi 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 compito che è stato inviato per il mio master in IT for Business e, cosa ancora più importante, desidero condividere il mio percorso con JMP finora. |
| Così ho iniziato a utilizzare JMP quest'anno e me ne sono davvero innamorato per la facilità d'uso, la gamma di metodi statistici e le visualizzazioni che potevo eseguire su di esso. |
| Quindi, come principiante nell'uso di JMP, sono davvero onorato di essere qui a presentare il mio rapporto e di permettermi di avere il tuo feedback, perché sento che ho ancora molto da imparare, sì. |
| Quindi la motivazione del mio articolo era in realtà quella di esaminare i vaccini COVID 19, quindi sappiamo quanto siano importanti, ma a |
| il ritmo senza precedenti con cui è stato sviluppato e somministrato ha sollevato alcuni dubbi nella comunità riguardo alla sua sicurezza. |
| Quindi stiamo utilizzando i dati del sistema di segnalazione degli eventi avversi dei vaccini degli Stati Uniti, sì. |
| Quindi stiamo utilizzando i dati provenienti da lì perché riteniamo che esista un potenziale per aiutare a determinare se i problemi di sicurezza del 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 il 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 sono i dati VAERS che non possono essere utilizzati per determinare collegamenti causali con eventi avversi |
| perché non è stabilito il legame tra l’evento avverso e la vaccinazione. Quindi quello che vediamo qui è che ci sono persone che riferiscono, ma lì sono persone che riportano gli eventi, ma poi non c'è piena di azione che sia |
| per confermare che i sintomi e gli eventi segnalati esistano collegamenti al vaccino. Allora perché vogliamo ancora utilizzare questi dati? Quindi in primo luogo i dati sono disponibili e di pubblico dominio. |
| I dati sono aggiornati e, cosa ancora più importante, è probabile che non tutti gli eventi avversi vengano rilevati durante gli studi clinici a causa della bassa frequenza. COSÌ |
| solitamente per gli studi clinici, includono solo individui sani. Quindi lo sono popolazioni speciali, come quelle con malattie croniche o le donne incinte |
| 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 un piccolo clip di 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 vedere che ci sono errori di ortografia, errori di battitura, affermazioni eccessivamente lunghe o addirittura molto brevi. |
| Quindi i prossimi due set di dati che abbiamo sono i VAERS dei dati sulle vaccinazioni, così come i sintomi. Quindi uno contiene informazioni riguardanti il vaccino, l’altro |
| viene estratto dal testo dei sintomi che possiamo vedere. Ok, quindi data questa accessibilità, in realtà i dati VAERS sono stati abbastanza estratti |
| molti ricercatori, ma, come puoi vedere, i dati sono in realtà molto difficili da utilizzare poiché la qualità del rapporto varia. |
| E c'è anche qualcosa che potrebbe non essere autentico. Quindi revisione del potere, che mostra che una qualche forma di screening manuale viene solitamente utilizzata per estrarre le informazioni richieste. |
| Tuttavia, anche questo richiede molto lavoro ed è piuttosto difficile, quindi questo documento mira a mostrare i metodi per estrarre le informazioni chiave utilizzando le 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 pulire singolarmente ciascuna di queste tabelle di dati e poi unirle utilizzando l'ID VAERS. |
| Ciò che abbiamo fatto in base ai risultati dei pazienti è stato ricavare qualcosa chiamato valutazione della gravità, ne parlerò un po' più tardi. Quindi una volta uniti i tavoli |
| i testi narrativi sono quattro. Uno su allergie, farmaci, anamnesi e sintomi. |
| Quindi utilizzeremo tecniche di analisi del testo per estrarre i vettori per i termini principali che... spiegheranno la valutazione di gravità per ciascuno dei dati di testo. |
| E uniscili alle variabili strutturate dei dati del foglio di calcolo esistente sul set di dati. Ok, poi tutto questo viene compilato insieme e poi lo inserisci nella costruzione del modello. |
| Ok, allora di cosa si tratta la valutazione della gravità? Si basa sull'esito del paziente, i dati VAERS hanno 12 variabili che descrivono lo stato del paziente. |
| E poi, sulla base di questo, abbiamo estratto le variabili e cercato di dargli un senso, quindi abbiamo ricavato quattro livelli di gravità e poi lo chiamiamo valutazione di gravità. |
| Quindi adesso parleremo un po' di come lo 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 realmente 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 confusi, quindi quello che abbiamo fatto è stato |
| prima di tutto, decidere se usare il termine frequenza, che tipo di termine frequenza usare, e poi è stato selezionato il termine binario frequenza, poiché i dati mostrano che c'è un vantaggio significativo, nel considerarlo, nell'usarlo. |
| Quindi ora parliamo un po' della pulizia che è arrivata. Quindi i dati di testo sono stati inizialmente organizzati utilizzando JMP Pro Text Explorer e abbiamo utilizzato un'utile funzionalità lì presente per aggiungere frasi e identificare automaticamente |
| i termini, quindi quello che puoi vedere è come se termini come globuli bianchi fossero mantenuti come una frase invece di essere inseriti nel sangue e nei globuli bianchi, il che non avrebbe molto senso. |
| E anche alcuni altri metodi da utilizzare. Quindi uno è lo standard per la combinazione che ha la radice delle parole in base alle desinenze delle parole e quindi abbiamo anche pensato di ordinare l'elenco in ordine alfabetico per ricodificare parole con errori di ortografia o errori di battitura o cose simili. |
| Sì, e poi la cosa successiva è stata usare la funzione molto pratica per ricodificare insieme tutti gli elementi simili, sì. |
| Quindi la cosa successiva che facciamo dopo aver ripulito il testo è stata guardare il file |
| era in realtà lo sguardo al flusso di lavoro. Il flusso di lavoro è utile per l'esclusione delle parole 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 alla dimensione e colorarli in base alla valutazione della gravità. |
| Quindi puoi vedere che i colori più chiari appartengono ai casi meno gravi e quelli più scuri sono quelli più gravi, e puoi riprendere, quindi le parole sono piuttosto piccole. |
| E dimostra davvero che i sintomi comuni non sono gravi, ma abbiamo raccolto termini dall'embolia polmonare incidente vascolare cerebrale e cose del genere. Quindi questi sono correlati all’evento avverso più grave. |
| Successivamente utilizziamo il termine selezione, quindi il termine selezione è la nuova funzionalità di JMP Pro 16 che è stata abbastanza tempestiva. |
| Quindi integra il modello di regressione generalizzata nella piattaforma di analisi del testo, quindi seguendo la piattaforma di analisi del testo, puoi semplicemente selezionarlo dove si trova la selezione dei termini. |
| Inoltre, consente l'identificazione dei termini chiave importanti per la variabile di risposta. Quindi la nostra variabile di risposta è la valutazione della gravità. |
| Allora perché utilizzare 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 altra correlazione. 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 sono indipendenti l'uno dall'altro. |
| Quindi, la cosa più importante è anche che il modello di regressione generalizzata consenta la selezione delle variabili, quindi questo è ciò che vogliamo fare perché vogliamo selezionare le variabili con la maggiore influenza sulla variabile di risposta. |
| Sì, quindi un po' più in dettaglio su questo modello di regressione, ci sono alcune opzioni che possiamo usare qui, ovvero la rete elastica, così come il lazo. |
| Quindi qui la cosa diversa è che il lazo tende a selezionare un termine da un gruppo di fattori correlati, mentre la rete elastica selezionerà 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, questo è il risultato della selezione dei termini, quindi puoi vederlo qui che mostra la panoramica di (???) e poi generalizzata (???) ma in modo più interessante |
| quando inizi dal coefficiente puoi vedere che questi sono i coefficienti positivi più alti. Quindi questi sono i fattori principali che svolgono il ruolo più importante in termini di variabile di risposta. |
| E questo qui sono i sintomi che giocano il ruolo minore quando vengono ordinati in base al coefficiente. Quindi, guardando i risultati, puoi vedere che arresto cardiaco e polmonite da COVID-19, incidenti vascolari cerebrali sono solo 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, va bene, 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 dei sintomi, quindi ci sono anche le allergie, la storia medica |
| così come i farmaci utilizzati, quindi ciò che abbiamo fatto in seguito è stato salvare la matrice dei termini del documento. Ok, fondamentalmente il DTM salva una colonna nella tabella 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, quindi, la modellazione doveva essere costruita in una sorta di colonna di convalida, quindi qui siamo passati alla modellazione predittiva e abbiamo creato una colonna di convalida. Quindi qui abbiamo selezionato le scelte, quindi inseriscilo come impostazione di convalida al 55%. |
| E il tutto qui consisteva nell'identificare le variabili importanti con la gravità come variabile di risposta. Quindi, tutto sommato 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 a causa di una valutazione di gravità che ottiene un set di dati sbilanciato. Per questo motivo, abbiamo effettuato la valutazione del nostro modello confrontando la suddivisione R e i valori AIC. |
| COSÌ. |
| Utilizziamo il modello di adattamento in JMP quindi scegliamo nuovamente il modello di regressione generalizzata. |
| E possiamo vedere che questi sono i risultati qui, quindi modelli separati si pensa che siano stati preparati il gruppo di modelli lineari generalizzati, utilizzando le tecniche di regressione penalizzata. |
| E poi proviamo ad adattare in base alle varie caratteristiche qui presenti, queste sono tutte le altre modalità di stima penalizzate. |
| Quindi, tra 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 li esamineremo 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. |
| Siamo spiacenti, la curva ROC per il modello di massima verosimiglianza lo mostra |
| 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 i due. |
| E in generale, man mano che si scende nel 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, ok, quindi nel complesso questa differenza in realtà è molto piccola tra i due, quindi scegliamo quello con un'area leggermente più grande . |
| Ok, il prossimo passo sarà il 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 secondo cui la variabile non ha alcun effetto sul resto. |
| C'era questa bellissima spiegazione del test degli effetti sulla comunità JMP, penso che sia stata fornita da un contributo |
| Marco 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 assenza di interazioni tra gli elementi e alla luce degli altri termini, anche alla luce degli altri effetti principali. |
| Quindi quello che vuoi usare qui è quello 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 ci consente di trarre deduzioni dal lungo elenco di variabili significative. |
| Consideriamo la probabilità del valore ChiSquare più basso (???) prendendo un valore alfa limite di 0,1. |
| Abbiamo una serie di variabili indipendenti, quindi l'elenco è piuttosto lungo, e la maggior parte di esse, mentre le esamini, sono effettivamente correlate alle malattie cardiopolmonari. |
| Quindi alcuni di essi sono quelli influenzati, come il numero di sintomi, il numero di giorni tra l'inizio della vaccinazione. |
| (???) è più in cui il vaccino è centrato da ciascuno e poi puoi vedere che il resto è in qualche modo correlato a un altro. |
| malattie cardiopolmonari, ce ne sono alcune strane e non provengo da una formazione medica, quindi non lo capisco nemmeno io, ma puoi vedere che la sordità è una di queste, quindi ce ne sono alcune |
| strani risultati che possiamo vedere qui, ma in generale il quadro è quello, in termini di variabili principali in termini di elenco delle variabili. |
| Ok, a parte questo, quello 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 utilizzo il Profiler per cercare di comprendere le stime dei parametri e qui puoi vedere 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 ciascuna di queste variabili |
| Ciascuno di questi valori qui in realtà è molto piccolo, quindi significa che c'è un effetto minimo sulla gravità basata su questi coefficienti. |
| Basato su 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 loro effetto hanno un effetto molto, molto limitato 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 osservando il quadro generale del vaccino, possiamo vedere che la maggior parte di questi sintomi - anamnesi, allergie - hanno in realtà un effetto molto limitato sull'esito del vaccino quello del vaccino. |
| Va bene così. |
| Sì. |
| Quindi una piccola conclusione, alcune affermazioni come dichiarazione conclusiva. Sono state prese diverse decisioni nel raggruppamento e nella classificazione delle variabili. |
| E sebbene queste variabili siano state considerate al meglio delle nostre conoscenze, soprattutto nel modo in cui abbiamo ottenuto un punteggio di gravità, |
| Forse abbiamo bisogno che un esperto che abbia familiarità con gli studi sui vaccini o con le sperimentazioni cliniche venga consultato per stabilire se la valutazione della 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 di una reazione a una vaccinazione COVID-19. |
| Tuttavia, non siamo ancora consapevoli dell'effetto di queste variabili chiave sulla gravità della variabile di risposta, che è molto piccolo, quindi ciò si può vedere osservando le variabili. |
| Infine, la matrice dei termini del documento basata sulle valutazioni binarie, la frequenza dei termini binari, si è rivelata 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 la brevissima presentazione vi sia piaciuta e fatemi sapere se avete domande o feedback, grazie mille. |
| Pietro Polito | ottimo lavoro. |
| era molto. |
| Oh no. |
| Mi sono appena reso conto che, sai, errore, volevamo questa vita oh Dio. |
| Pietro Polito | Quindi questa è la situazione esatta in cui ti trovi bene. |
| Quindi al vero e proprio summit di scoperta ci sarà un relatore. |
| E quindi ti contatteranno, in anticipo e tu dici semplicemente, ho un errore in una delle mie diapositive, e quindi in questa parte che appare apparirà lui o lei la metterà in pausa. |
| E poi puoi condividere la diapositiva e parlarne e poi tornare subito al video, quindi non preoccuparti affatto. |
| Ciò che è accaduto parecchio durante il Discovery Summit dello scorso anno non è affatto un problema. |
| Ok ok. |
| Beh, Dio mio, James. |
| Pietro Polito | Ti piacerebbe aggiustarlo e rifarlo ti farebbe sentire meglio. |
| Non lo so. |
| Se in realtà è questo qui, perché è la casella sbagliata, mi ci vorrà un po' per risolverlo perché devo riscriverlo, sì. |
| Pietro Polito | sì, allora non lo sapevo, non preoccuparti, sarà una soluzione semplicissima e potrai 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, ecco, quindi che succede un collegamento, dove posso caricare tutte le mie diapositive, le mie persone e cose del genere, ma c'è stato un errore con il mio. |
| email, e penso che Tanya mi abbia risposto bene, quando Tanya mi ha risposto correttamente, penso che si sia persa quel collegamento, quindi ho pensato che il collegamento sarebbe stato incorporato in una delle registrazioni, ma non suppongo che voi ragazzi abbiate capito bene . |
| Pietro Polito | Non ce l'ho, ma contatterò Tanya e le chiederò di contattarti direttamente. |
| Per contribuire a rimediare a ciò. |
| Ok, certo, grazie mille, penso che questo compensi la mia email, sì. |
| Pietro Polito | Grazie mille. |
| Nessun problema, va bene, buona notte e buon riposo. |
| sì, buona giornata. |
| Pietro Polito | Grazie. |
| Ciao ciao. |
