揚聲器 | 成績單 |
| 彼得·波利托 | 你今天怎麼樣。 |
| 你聽得到我嗎。 |
| 如果你說話，我聽不到你的聲音。 |
| 你好。 |
| 測試一下。 |
| 哦，你好，獅子座，你聽得到我說話嗎？ |
| 是的，抱歉，我想到了技術困難，是的。 |
| 彼得·波利托 | 哦，完全沒問題。 |
| 哦，好吧，這是一個很好的吉米。 |
| 彼得·波利托 | 哦，在哪裡。 |
| 您是從 打來的嗎？ |
| 新加坡。 |
| 彼得·波利托 | 新加坡好吧，多晚了，到了嗎。 |
| 大約909。 |
| 彼得·波利托 | 是啊，好吧。 |
| 是的，謝謝你。 |
| 掛在身上。 |
| 這麼晚了謝謝你的幫忙。 |
| 可能不，沒關係，是的，我希望我能做得很好。 |
| 哦。 |
| 不，我對此壓力很大，哦，是的，我很好，讓我放一個虛擬背景。 |
| 好的。 |
| 彼得·波利托 | 在我們正式開始之前，我需要先完成幾件事。 |
| 好的。 |
| 彼得·波利托 | 給我一個。 |
| 分鐘在這裡。 |
| 是的。 |
| 彼得·波利托 | 我只帶上我的清單以確保我在這裡正確地完成了所有事情。 |
| 好吧。 |
| 所以只是為了確認一下。 |
| 你很舒緩。 |
| 是的，你的演講的標題是 Coven 疫苗不良反應模型。 |
| 是的，這是正確的嗎？是的，這是正確的。 |
| 彼得·波利托 | 好吧，然後只是為了確保您了解這是為了使用而錄製的，並且跳轉發現峰會將在跳轉用戶社區中公開提供，您是否授予此錄製和使用的權限。 |
| 是的，好的，太好了。 |
| 你的麥克風聽起來不錯，我聽不到任何背景噪音，你的手機關閉了，諸如此類的事情可能會發出一些隨機噪音。 |
| 不掛。 |
| 我會發送它會找到他們是的。 |
| 彼得·波利托 | 好吧，然後。 |
| 我們需要檢查您是否可以共享您的螢幕，我們將仔細檢查解析度和其他一些內容。 |
| 好吧，當然。 |
| 彼得·波利托 | 謝謝。 |
| 對不起，是麗莎林還是安慰。 |
| 我的名字很好聽是的。 |
| 彼得·波利托 | 沒問題。 |
| 嗯，可以嗎。 |
| 彼得·波利托 | 我還沒有看到它，哦，嗯，你知道餡餅覆蓋它一會兒。 |
| 看起來不錯。 |
| 如果你轉到螢幕底部，你的任務欄實際上我看不到你的任務欄，所以我們很好。 |
| 好的。 |
| 彼得·波利托 | 讓我確認一下。 |
| 它是任何可能建立彈出視窗的程序，例如 Outlook 或 Skype，或所有這些程式都已關閉並退出。 |
| 嗯，是的，我想，所以我打賭他們會過牌。 |
| 關閉我的廚房。 |
| 好的。 |
| 好耶。 |
| 彼得·波利托 | 好的，然後，您是只使用 PowerPoint 進行工作，還是同時顯示跳躍。 |
| 我很擔心這種轉變，所以我將透過 PowerPoint 來決定它。 |
| 彼得·波利托 | 好吧，太好了，那麼我要靜音並關閉我的相機，我們已經在錄製了，所以我們盡快。 |
| 一旦你看到我的照片就走開，繼續開始，我不會以任何理由打斷，我們會嘗試完成這是一個 30 分鐘的演示，所以讓我們完成，我什至不會在這裡就像你在自言自語一樣。 |
| 好的，這樣會議紀要就可以了。 |
| 彼得·波利托 | 你準備好出發了嗎。 |
| 是的。 |
| 彼得·波利托 | 好的。 |
| 好吧，這只是為了讓你知道我們什麼時候真正開始。 |
| 如果你明天意識到自己說錯了或你想以稍微不同的方式展示一些東西，那就舉行發現高峰會。 |
| 當你的演示進行時，你可以現場直播，你可以詢問提交押金的人，然後你可以說你知道我要這麼說，我想傳達的是你可能會喜歡。 |
| 在演示過程中即時編輯，所以不要強調讓每個單字都完美，只需放鬆並完成它，我相信會很好的。 |
| 好的。 |
| 是的。 |
| 彼得·波利托 | 好吧，我要靜音並關閉相機，然後你就可以開始了。 |
| 謝謝彼得。 |
| 大家好，我是蘇玲。 我是新加坡管理大學的碩士生，目前正在電腦與資訊系統學院攻讀數據分析課程。 |
| 實際上，我今天來這裡是為了展示一項已為我的商業 IT 專案碩士學位提交的作業，更重要的是，我想分享迄今為止我的 JMP 之旅。 |
| 因此，我今年開始使用 JMP，我真的愛上了它，因為它易於使用、統計方法範圍廣泛，而且我可以用它來視覺化。 |
| 因此，作為使用 JMP 的初學者，我非常榮幸能夠在這裡展示我的報告並讓我收到您的回饋，因為我覺得我需要學習更多東西，是的。 |
| 所以我論文的動機其實是研究 COVID 19 疫苗，所以我們知道它們有多重要，但 |
| 它的開發和管理速度前所未有，引起了社會對其安全性的一些懷疑。 |
| 所以我們使用的是美國疫苗不良事件通報系統的數據，是的。 |
| 因此，我們使用那裡的數據，因為我們發現有可能幫助確定疫苗的安全問題是否成立。 因此，本文利用 VAERS 的結構化和非結構化資料來建模 COVID-19 疫苗的不良反應。 |
| 那什麼是 VAERS？ 所以疾病預防控制中心和美國FDA都有這個系統，其實是個不良事件 |
| 收集數據的系統。 但一般來說，我們看到的是 VAERS 數據不能用於確定不良事件的因果關係 |
| 因為不良事件與疫苗接種之間的關聯尚未建立。 因此，我們在這裡實際看到的是，有人在報告，但在那裡，他們是在報告事件的人，但沒有採取充分的行動 |
| 以確定報告的這些症狀和事件與疫苗是否有任何關聯。 那我們為什麼還要使用這些數據呢？ 因此，首先數據是可用的並且是公共領域的。 |
| 這些數據是最新的，更重要的是，由於頻率較低，並非所有不良事件都可能在臨床試驗期間被捕獲。 所以 |
| 通常對於臨床試驗，他們只包括健康個體。 因此，特殊人群，例如患有慢性疾病的人或孕婦， |
| 有限，因此他們知道 VAERS 是疫苗安全的重要來源。 因此，有關它的更多信息，您可以在此處查找此鏈接。 |
| 是的，所以本研究使用的資料集來自從 VAERS 中提取的樹資料表。 第一個是 VAERS 數據。 |
| 它主要包含有關患者概況和不良事件結果的信息，所以我這裡有一個來自 JMP 的小片段 |
| 我們這裡有症狀文本，您可以看到這只是一份基於一人、一名患者的報告。 好吧，數據很髒。 |
| 敘述文本中有很多有用的信息，但你可以看到存在拼字錯誤、錯字、過長甚至像非常簡短的陳述。 |
| 因此，我們接下來的兩個資料集是疫苗接種資料的 VAERS 以及症狀。 因此，一個包含有關疫苗的信息，另一個包含有關疫苗的信息 |
| 是從我們可以看到的症狀文本中提取的。 好的，考慮到這種可訪問性，實際上 VAERS 數據已經被充分挖掘 |
| 相當多的研究人員提供了許多數據，但是，正如您所看到的，由於報告的品質各不相同，這些數據實際上使用起來非常具有挑戰性。 |
| 還有一些可能不是真的。 因此審查權力，這表明通常採用某種形式的手動篩選來提取所需的資訊。 |
| 然而，這也是相當費力且相當困難的，因此本文旨在展示使用JMP中的文本分析技術提取關鍵資訊的方法 |
| 並嘗試做一個解釋模型來解釋該事件中涉及的最重要的變數。 因此，我們所做的是，對於這裡的每個資料表，我們單獨清理它們，然後使用 VAERS ID 將它們連接起來。 |
| 我們根據患者的結果所做的是得出所謂的嚴重程度評級，稍後我將對此進行一些討論。 所以一旦表連接起來 |
| 有四個敘述性文本。 一是關於過敏、藥物、病史和症狀。 |
| 然後我們將使用文字分析技術來提取最重要術語的向量，這些術語將解釋每個文字資料的嚴重性評級。 |
| 並將它們加入現有電子表格資料結構化變數的資料集。 好的，然後將所有這些編譯在一起，然後將其放入模型建置中。 |
| 好的，那麼嚴重性評級到底是怎麼回事呢？ 它基於患者的結果，VAERS 數據有 12 個描述患者狀態的變數。 |
| 然後，基於此，我們提取了變數並嘗試理解它，因此我們得出了四個嚴重程度級別，然後我們將其稱為嚴重程度評級。 |
| 那麼接下來我們將討論一下我們如何使用 |
| 用於文字分析的 JMP Pro Text Explorer 平台，我們從資料清理開始。 所以我們想要做的是真正從文字資料中提取出重要的術語。 |
| 並將它們添加到結構化變數中以建立您的模型。 正如你所看到的，實際上，文字資料相當混亂，所以我們所做的是 |
| 首先，決定使用術語頻率，使用哪種術語頻率，然後選擇二進位術語頻率，因為數據表明考慮和使用它有一個顯著的優勢。 |
| 接下來是關於清潔的一些事情。 因此，首先使用 JMP Pro 文字瀏覽器組織文字數據，我們使用其中一個有用的功能來添加短語並自動識別 |
| 所以你可以看到，像白血球這樣的術語被保留為一個短語，而不是被拉到白血和細胞中，這沒有多大意義。 |
| 還有一些其他方法可供使用。 因此，一個是組合的標準，它根據詞尾來詞幹，然後我們還考慮按字母順序對列表進行排序，以便重新編碼，例如拼寫錯誤的單字或拼寫錯誤或類似的內容。 |
| 是的，接下來的事情是使用非常方便的功能將所有相似的項目重新編碼在一起是的。 |
| 因此，清理完文字後我們要做的下一件事就是查看 |
| 實際上是對工作流程的觀察。 此工作流程對於排除停用詞以及查看目標變數對術語的影響非常有用。 |
| 因此，我在這裡所做的就是根據嚴重性評級，透過大小和顏色來視覺化最常見的術語。 |
| 所以你可以看到，較淺的顏色屬於不太嚴重的情況，較深的顏色屬於其他最嚴重的情況，你可以拿起，那麼字就很小了。 |
| 這確實表明，常見症狀並不嚴重，但我們透過腦血管事件肺栓塞之類的事情來了解術語。 所以這些都跟最嚴重的不良事件有關。 |
| 接下來我們使用術語選擇，所以術語選擇是新功能 JMP Pro 16，這是相當及時的。 |
| 所以它是將廣義回歸模型整合到文字分析平台中，因此在文字分析平台之後，您可以在術語選擇處選擇它。 |
| 然後，它可以識別對反應變數重要的關鍵術語。 所以我們的反應變數是嚴重程度評級。 |
| 那為什麼要使用廣義迴歸模型呢？ 因此它廣泛用於非常態分佈或高度相關的變數。 |
| 其中數據彼此獨立且不顯示其他相關性。 所以這裡的這個方法對我們很有用，因為它適合我們的資料集。 |
| 我們資料表中的每個角色都是患者，所有這些角色都是相互獨立的。 |
| 所以，最重要的是廣義迴歸模型允許變數選擇，這就是我們想要做的，因為我們想要選擇對反應變數影響最大的變數。 |
| 是的，關於這個迴歸模型的更多細節，我們可以在這裡使用一些選項，即彈性網和套索。 |
| 因此，這裡的不同之處在於套索傾向於從一組相關因素中選擇一個術語，而彈性網路將選擇一組術語。 所以一般來說，我認為使用彈性網絡，然後這裡就是我們選擇的二進制項頻率。 |
| 好的，這就是術語選擇的結果，所以你可以看到這裡顯示了 (???) 的概述，然後是概括的 (???) 但更有趣的是 |
| 當您從係數開始時，您可以看到這些是最重要的正係數，因此這些是在我們的反應變數方面發揮最大作用的最重要因素。 |
| 這裡的這個症狀是根據係數排序時發揮最小作用的症狀。 因此，請查看結果，您可以看到心臟驟停和 COVID-19 肺炎、腦血管意外只是影響反應變數的所有術語。 |
| 所以我們可以看到，更嚴重的術語與心臟和肺部有關，而頻率較低的術語則與心臟和肺部有關，這些術語實際上是非常非常輕微的症狀。 |
| 好的，所以我們對所有其他人重複整個過程 |
| 對於所有其他文本變量，所以我們已經轉到症狀範例，所以還有過敏、病史 |
| 以及所使用的藥物，所以我們後來所做的就是保存文檔術語矩陣。 好的，基本上，DTM 每次都會將一列保存到資料表中。 |
| 所以你可以在這裡看到一個例子，你主要有很多零，因為它是一個非常稀疏的矩陣，所以一個將表明存在讓我們把這一列放在這裡一個將表明存在（？？？）.. |
| 因此，我們保存它並重複該過程以進行其他文本分析。 |
| 然後，一旦我們保存了所有這些術語，我們就開始建模。 因此，建模的建構類似於驗證列，所以在這裡，我們進行預測建模並製作驗證列。 因此，我們在這裡選擇了選項，將其設定為 55% 的驗證。 |
| 這裡的全部內容是識別重要變量的嚴重性作為響應變量所以總而言之，我們有 7 個結構變量和 55 個從文檔術語矩陣導出的變量，總共大約 31,000 條規則。 |
| 我們看到的是，由於嚴重性評級而導致資料集不平衡，因此存在不平衡。 因此，我們透過比較 R 分割和 AIC 值來進行模型評估。 |
| 所以。 |
| 我們使用JMP中的擬合模型，並再次選擇廣義迴歸模型。 |
| 我們可以看到，這些是這裡的結果，因此您認為使用懲罰迴歸技術準備了一組廣義線性模型的單獨模型。 |
| 然後我們嘗試根據這裡的各種特徵進行擬合，這些都是其他懲罰估計方法。 |
| 因此，在所有模型中，我們可以看到 lasso 方法的 Rsquare 值最低，抱歉具有最高的 Rsquare 值，並且還有其他值也非常接近，因此我們將仔細研究它們。 |
| 因此，比較最大似然模型以及基於 ROC 曲線的 lasso 模型，可以看到實際上兩條 ROC 曲線非常相似。 |
| 然而，最大似然模型的 ROC 曲線顯示它具有最高的嚴重性。 |
| 抱歉，最大似然模型的 ROC 曲線表明 |
| 對於最高嚴重等級，ROC 值較高，您可以看到兩者之間只有細微的差別。 |
| 一般來說，隨著嚴重程度等級的降低，該區域實際上會增加，原因之一是我們的資料集非常不平衡。 |
| 因此，嚴重程度等級為四，這是最高級別，您的級別最多只佔總數據值的5％ 好吧，所以總的來說，這兩者之間實際上差異很小，所以我們選擇面積稍大的一個。 |
| 好的，接下來我們開始進行效果測試。 所以進入報告，可以選擇看效果測試，所以效果測試是 |
| 零假設的假設檢驗，即該變數對其餘變數沒有影響。 |
| JMP 社群上有關於效果測試的非常好的解釋，我認為它是由 |
| 馬克貝利. 因此，他談到了效應檢定實際上是如何基於變異數分析的 III 型平方和的。 |
| 因此，我們可以看到，由於我們的資料集，效果測試在這裡非常合適，因此它實際上根據每個項來測試模型中的每個項 |
| 其中的術語。 因此，在項目之間缺乏交互作用的情況下，並根據其他項目和其他主效應來測試主效應。 |
| 所以你想在這裡使用的是，我們在這裡看到的是，效果測試對於我們的目的很有用，因為它對於模型簡化來說是有用的。 |
| 而且，它使我們能夠對一長串重要變數進行推論。 |
| 我們查看以 0.1 為截止 alpha 值時卡方 (???) 最低卡方值的機率。 |
| 我們有很多自變量，所以它們的列表很長，而且其中的大多數，當你仔細查看它們中的大多數實際上與心肺疾病有關時。 |
| 所以其中一些是受影響的，例如症狀的數量、疫苗接種開始之間的天數。 |
| (???) 是疫苗中心的更多內容，然後您可以看到其餘的疫苗以某種方式與另一個相關。 |
| 心肺疾病，有一些奇怪的，我不是醫學出身的，所以我也不太了解，但是你可以看到耳聾是其中之一，所以有一些 |
| 我們可以在這裡看到奇怪的結果，但總的來說，圖片是這樣的，就列出變數而言的頂級變數而言。 |
| 好吧，除此之外，真正有趣的是看看模型評估，所以即使我們正在做的是建立一個解釋模型， |
| 我還研究了預測模型，因為 JMP 非常好地將報告放在那裡，供我查看參數估計值，所以 |
| 因此，我使用 Profiler 嘗試了解參數估計值，您可以在這裡看到顯示的值非常非常小，所以這就是您獲得的值 |
| 當您開啟 Profiler 時，這裡的值是每個變數的平均值，您可以看到每個變數 |
| 這裡的每個值實際上都非常小，因此這意味著基於這些係數對嚴重性的影響很小。 |
| 基於這些作為預測變數的係數。 所以你可以看到，根據這裡的這項研究，你可以看出實際上（？？？）症狀及其影響對嚴重程度的影響非常非常小，這有點像。 |
| 可以預期看到大多數這些症狀和影響，因為我們正在研究疫苗的整體情況，我們可以看到大多數這些症狀 - 病史、過敏 - 實際上對結果影響很小疫苗的。 |
| 可以，然後呢。 |
| 是的。 |
| 所以一點結論，有些陳述作為結論性陳述。 在變數的分組和分類方面做出了一些決定。 |
| 儘管這些變數是我們根據我們的理解做出的，特別是我們得出嚴重程度評級的方式， |
| 我們或許需要一位熟悉疫苗研究或臨床試驗的專家來諮詢嚴重程度評級是否足以 |
| 對不良事件結果進行評分。 並基於結構化和非結構化資料進行模型構建 |
| 我們已經確定了因 COVID-19 疫苗接種反應嚴重程度而異的關鍵因素。 |
| 然而，我們仍然不認為這些關鍵變數對反應變數嚴重性的影響很小，所以這是透過查看變數來看出的。 |
| 最後，基於二進制評級的文檔術語矩陣，發現二進制術語頻率在表示文檔中其他術語的權重方面最有效。 |
| 廣義線性模型與套索懲罰迴歸技術產生了最優模型。 |
| 因此，我希望您喜歡這個簡短的演示，如果您有任何問題或任何反饋，請告訴我，非常感謝。 |
| 彼得·波利托 | 做得好。 |
| 非常。 |
| 不好了。 |
| 我剛剛意識到我是你知道的錯誤，我們想要這樣的生活哦天哪。 |
| 彼得·波利托 | 所以這就是你現在所處的情況。 |
| 因此，在實際的發現高峰會上將會有一位演講者。 |
| 所以他們會提前聯繫你，你只需說，我的一張幻燈片上有一個錯誤，所以在這一部分出現時，他或她會暫停它。 |
| 然後您可以分享幻燈片並討論它，然後直接返回視頻，所以完全不用擔心。 |
| 這種情況在去年的發現高峰會上發生過很多次，根本不是問題。 |
| 好吧好吧。 |
| 好吧，天哪，詹姆斯。 |
| 彼得·波利托 | 你想修復它並重做會讓你感覺好一點嗎？ |
| 我不知道。 |
| 如果實際上是這裡的這個，因為這是一個錯誤的框，我需要一段時間才能真正修復它，因為我需要重新輸入它。 |
| 彼得·波利托 | 是的，然後它不知道，不用擔心，這將是一個非常簡單的修復，並且您可以即時完成。 |
| 好吧好吧。 |
| 好的，是的。 |
| 不過，謝謝你坐下來，經歷了這一切。 |
| 彼得·波利托 | 是的，沒有問題就很好，我真的。 |
| 好的。 |
| 彼得·波利托 | 好吧，有任何其他問題或意見或任何其他問題。 |
| 是的，我有一個，嗯，所以有一個鏈接，我可以在其中上傳我所有的幻燈片和我的人員以及類似的東西，但是我的. |
| 電子郵件，我認為 tanya 認為當 tanya 正確回复我時，我認為她錯過了該鏈接，所以我認為該鏈接將嵌入其中一個錄音中，但我認為你們沒有做對。 |
| 彼得·波利托 | 我沒有，但我會聯繫 tanya 並請她直接與您聯繫。 |
| 來幫助解決這個問題。 |
| 好的，非常感謝，我想這彌補了我的電子郵件是的。 |
| 彼得·波利托 | 非常感謝。 |
| 沒問題，祝您度過一個美好的夜晚並好好休息。 |
| 是的，祝你今天愉快。 |
| 彼得·波利托 | 謝謝。 |
| 就這樣再見了。 |
