Conférencier | Transcription |
| Pierre Polito | Comment ça va aujourd'hui. |
| Pouvez-vous m'entendre. |
| Si vous parlez, je ne peux pas vous entendre. |
| Bonjour. |
| essai essai. |
| Oh bonjour Léo, pouvez-vous m'entendre. |
| ouais désolé pour ça je pense aux difficultés techniques ouais. |
| Pierre Polito | Ah pas de problème du tout. |
| Oh d'accord, c'est un bon Jimmy. |
| Pierre Polito | Oh où. |
| Appelez-vous de. |
| Singapour. |
| Pierre Polito | Singapour d'accord, quelle heure est-il là-bas. |
| Vers 909. |
| Pierre Polito | ouais bien. |
| ouais bravo à toi pour. |
| accroché. |
| si tard merci de l'avoir fait. |
| Possible non c'est bon euh ouais j'espère en faire un bon. |
| Oh. |
| Non, j'ai été très stressé à propos de ça Oh bien, ouais je vais bien, laisse-moi juste mettre un arrière-plan virtuel. |
| D'accord. |
| Pierre Polito | Et je dois faire quelques choses de mon côté avant de commencer officiellement. |
| D'accord. |
| Pierre Polito | Juste me donner un. |
| minute ici. |
| Oui. |
| Pierre Polito | Je n'apporte ma liste de contrôle que pour m'assurer de tout faire correctement ici. |
| bien. |
| Donc juste pour confirmer. |
| Vous êtes apaisant. |
| oui et votre discours s'intitule un modèle pour les réactions indésirables aux vaccins coven. |
| Oui, est-ce correct ouais c'est vrai. |
| Pierre Polito | Très bien, et puis juste pour vous assurer que vous comprenez que cela est enregistré pour l'utilisation et que la conférence du sommet de découverte de saut sera disponible publiquement dans la communauté des utilisateurs de saut, donnez-vous la permission pour cet enregistrement et cette utilisation. |
| Oui, d'accord super. |
| votre microphone sonne bien, je n'entends aucun bruit de fond, c'est votre téléphone portable éteint et tout ce genre de choses qui pourraient faire des bruits aléatoires. |
| attendez. |
| je l'enverrai les trouverai ouais. |
| Pierre Polito | D'accord, et puis. |
| Nous devons vérifier la possibilité d'aller partager votre écran et nous allons vérifier la résolution et quelques autres choses. |
| Bien sûr. |
| Pierre Polito | Merci. |
| Je suis désolé, est-ce Lisa ling ou apaisante. |
| Mon prénom émet bien ouais. |
| Pierre Polito | tout va bien. |
| euh ça va. |
| Pierre Polito | Je ne le vois pas encore oh euh tu sais tarte couvrant juste un instant. |
| Ça à l'air bon. |
| Et si vous allez en bas de votre écran fait votre barre des tâches en fait je ne vois pas votre barre des tâches donc ça va. |
| D'accord. |
| Pierre Polito | Et laissez-moi m'en assurer. |
| Ce sont tous les programmes qui pourraient créer une fenêtre contextuelle comme Outlook ou Skype ou l'un de ceux-ci sont tous fermés et arrêtés. |
| euh ouais, je pense, donc je parie la vérification sur eux. |
| fermer ma cuisine. |
| D'accord. |
| Ouais bien. |
| Pierre Polito | D'accord, et ensuite, allez-vous travailler uniquement à partir d'un PowerPoint ou vous montrerez également un saut. |
| Je m'inquiétais du transit, je le ferai donc à partir de PowerPoint. |
| Pierre Polito | D'accord, super, alors je vais couper et éteindre ma caméra, nous sommes déjà en train d'enregistrer dès que nous le ferons. |
| Dès que vous voyez ma photo s'en aller, allez-y et commencez et je ne vais pas vous interrompre pour aucune raison et nous essaierons de faire une présentation de 30 minutes alors allons-y, et je ne serai même pas là ce sera comme si vous parliez à vous-même. |
| D'accord, pour que le procès-verbal soit correct. |
| Pierre Polito | Êtes-vous prêt à aller. |
| Oui. |
| Pierre Polito | D'accord. |
| Très bien, et c'est juste pour que vous sachiez quand nous sommes réellement. |
| Organisez le sommet découverte, si vous vous rendez compte demain que vous vous êtes mal exprimé ou que vous vouliez présenter quelque chose d'une manière légèrement différente. |
| Vous pouvez être en direct sur le moment de vos présentations, et vous pouvez demander à la personne qui présente un acompte et ensuite vous pouvez dire que vous savez que je suis sur le point de dire ceci, ce que je voulais dire, c'est que vous pouvez en quelque sorte aimer. |
| éditez en temps réel pendant la présentation, alors ne vous inquiétez pas pour obtenir chaque mot parfaitement, détendez-vous et passez-le en revue et je suis sûr que tout ira bien. |
| D'accord. |
| Oui. |
| Pierre Polito | D'accord, je vais couper le son et éteindre ma caméra et ensuite tu vas de l'avant et tu commences bien. |
| Merci Pierre. |
| Bonjour, je m'appelle Suling. Je suis étudiante en master à la Singapore Management University où je poursuis actuellement un cours en analyse de données à la School of Computing and Information Systems. |
| Je suis donc ici aujourd'hui pour présenter un devoir qui a été soumis pour mon programme de maîtrise en informatique pour les entreprises et, plus important encore, je souhaite partager mon parcours JMP jusqu'à présent. |
| J'ai donc commencé à utiliser JMP cette année et j'en suis vraiment tombé amoureux en raison de la facilité d'utilisation et de la gamme de méthodes statistiques et des visualisations que je pouvais faire dessus. |
| Donc, en tant que débutant utilisant JMP, je suis vraiment honoré d'être ici pour présenter mon rapport et de me laisser vos commentaires, car je pense que j'ai beaucoup plus à apprendre, oui. |
| Donc, la motivation de mon article était en fait d'examiner les vaccins COVID 19, nous savons donc à quel point ils sont importants, mais à |
| le rythme sans précédent auquel il a été développé et administré a soulevé des doutes dans la communauté quant à sa sécurité. |
| Nous utilisons donc les données du système américain de déclaration des effets indésirables des vaccins, oui. |
| Nous utilisons donc des données à partir de là parce que nous constatons qu'il existe un potentiel pour aider à déterminer si les problèmes d'innocuité du vaccin sont fondés. Ainsi, cet article utilise à la fois les données structurées et non structurées du VAERS pour modéliser la réaction indésirable des vaccins COVID-19. |
| Alors qu'est-ce que le VAERS ? Ainsi, le Center of Disease Control and Prevention et la FDA des États-Unis ont mis en place ce système, et il s'agit en fait d'un événement indésirable. |
| système où il collecte des données. Mais généralement, ce que nous voyons, c'est que les données du VAERS qui ne peuvent pas être utilisées pour déterminer les liens de causalité avec les événements indésirables |
| car le lien entre l'événement indésirable et la vaccination n'est pas établi. Donc, ce que nous voyons ici, c'est que vous avez des gens qui rapportent, mais là, ce sont des gens qui rapportent les événements, mais alors il n'y a pas d'action complète qui soit |
| pour confirmer que ces symptômes et événements signalés ont un lien avec le vaccin. Alors pourquoi voulons-nous toujours utiliser ces données ? Donc, premièrement, les données sont disponibles et du domaine public. |
| Les données sont à jour et, plus important encore, tous les événements indésirables ne seront probablement pas capturés au cours des essais cliniques en raison de leur faible fréquence. Donc |
| généralement pour les essais cliniques, ils n'incluent que les individus en bonne santé. Ainsi, des populations particulières, comme celles qui souffrent de maladies chroniques ou les femmes enceintes, ce sont des |
| limité afin qu'ils sachent que le VAERS est une source importante pour la sécurité des vaccins. Donc, pour plus d'informations à ce sujet, vous pouvez consulter ce lien ici. |
| Oui, donc l'ensemble de données utilisé pour cette étude provient de tableaux de données arborescents extraits du VAERS. La première concerne les données VAERS. |
| Il contient principalement des informations sur le profil des patients et l'issue des événements indésirables, donc ce que j'ai ici est un petit clip de JMP |
| où nous avons ici le texte des symptômes et vous pouvez voir qu'il ne s'agit que d'un rapport basé sur une personne, un patient. D'accord, et les données sont assez sales. |
| Il y a beaucoup d'informations utiles dans le texte narratif, mais vous pouvez voir qu'il y a des fautes d'orthographe, des fautes de frappe, des déclarations excessivement longues ou même très brèves. |
| Les deux prochains ensembles de données dont nous disposons sont donc le VAERS des données de vaccination, ainsi que les symptômes. L'un contient donc des informations concernant le vaccin, l'autre |
| est extrait du texte des symptômes que nous pouvons voir. D'accord, étant donné cette accessibilité, les données VAERS ont été assez exploitées |
| beaucoup par le par un certain nombre de chercheurs, mais, comme vous pouvez le voir, les données sont en fait très difficiles à utiliser car la qualité du rapport varie. |
| Et il y a aussi quelque chose qui pourrait ne pas être authentique. Donc, examen de la puissance, qui montre qu'une certaine forme de filtrage manuel est généralement utilisée pour extraire les informations requises. |
| Cependant, cela demande également beaucoup de travail et est assez difficile, c'est pourquoi cet article vise à présenter les méthodes permettant d'extraire les informations clés à l'aide de techniques d'analyse de texte dans JMP. |
| et essayez de faire un modèle explicatif pour expliquer les variables les plus importantes impliquées dans cet événement. Donc, ce que nous avons fait, c'est que pour chacun de ces tableaux de données ici, nous les nettoyons individuellement, puis les joignons à l'aide de l'ID VAERS. |
| Ce que nous avons fait en fonction des résultats des patients, c'est de dériver quelque chose qui s'appelle une cote de gravité, j'en parlerai un peu plus tard. Donc une fois les tables jointes |
| il y a quatre textes narratifs. Un sur les allergies, les médicaments, les antécédents médicaux et les symptômes. |
| Ensuite, nous utiliserons des techniques d'analyse de texte pour extraire les vecteurs des principaux termes qui... expliqueront le degré de gravité de chacune des données textuelles. |
| Et joignez-les aux variables structurées de données de feuille de calcul existantes sur l'ensemble de données. D'accord, et puis tout cela est compilé ensemble et ensuite vous le mettez dans la construction de modèles. |
| D'accord, de quoi s'agit-il donc de l'indice de gravité ? Il est basé sur les résultats du patient, les données VAERS ont 12 variables qui décrivent l'état du patient. |
| Et puis, sur cette base, nous avons extrait les variables et essayé de leur donner un sens, nous avons donc obtenu quatre niveaux de gravité et nous appelons cela la cote de gravité. |
| Ensuite, nous parlerons un peu de la façon dont nous utilisons |
| Plateforme JMP Pro Text Explorer pour l'analyse de texte et nous commençons par le nettoyage des données. Donc, ce que nous voulions faire, c'était vraiment extraire les termes significatifs des données textuelles. |
| Et augmentez-les avec les variables structurées pour construire votre modèle. Comme vous pouvez le voir, en fait, les données textuelles sont assez désordonnées, donc ce que nous avons fait était |
| tout d'abord, décidez entre utiliser la fréquence de terme, quel type de fréquence de terme utiliser, puis la fréquence de terme binaire a été sélectionnée, car les données montrent qu'il y a un avantage significatif, à considérer, à l'utiliser. |
| Ensuite, un peu sur le nettoyage qui est arrivé. Ainsi, les données textuelles ont d'abord été organisées à l'aide de JMP Pro Text Explorer et nous avons utilisé une fonctionnalité utile qui permet d'ajouter des phrases et d'identifier automatiquement |
| les termes, donc ce que vous pouvez voir, c'est comme des termes comme les globules blancs sont conservés comme une phrase au lieu d'être tirés dans le sang blanc et les globules blancs, ce qui n'aura pas beaucoup de sens. |
| Et quelques autres méthodes à utiliser. L'un est donc la norme de combinaison qui a dérivé les mots en fonction des terminaisons des mots, puis nous avons également pensé à trier la liste par ordre alphabétique afin de recoder comme des mots mal orthographiés ou des fautes de frappe ou quoi de similaire. |
| Ouais et ensuite la chose suivante était d'utiliser la fonction très pratique pour recoder tous les éléments similaires ensemble ouais. |
| Donc, la prochaine chose que nous faisons après avoir nettoyé le texte était de regarder le |
| était le regard sur le flux de travail en fait. Le workflow est utile pour l'exclusion des mots vides et pour voir l'effet de la variable cible sur les termes. |
| Donc, ce que j'ai fait ici, c'est de visualiser les termes les plus fréquents par leur taille et leur couleur en fonction de l'indice de gravité. |
| Vous pouvez donc voir que les couleurs les plus claires appartiennent aux cas les moins graves et les plus sombres sont les autres les plus graves, et vous pouvez aimer ramasser, alors les mots sont assez petits. |
| Et cela montre vraiment que les symptômes communs ne sont pas graves, mais nous avons pris des termes par l'embolie pulmonaire accident vasculaire cérébrale et des choses comme ça. Ceux-ci sont donc liés à l'événement indésirable le plus grave. |
| La prochaine chose que nous utilisons le terme sélection, donc le terme sélection est la nouvelle fonctionnalité JMP Pro 16 qui, qui était tout à fait opportune. |
| Il intègre donc le modèle de régression généralisé dans la plate-forme d'analyse de texte. Ainsi, à partir de la plate-forme d'analyse de texte, vous pouvez simplement sélectionner celui-ci là où se trouve la sélection des termes. |
| Et puis, il permet l'identification des termes clés qui sont importants pour la variable de réponse. Notre variable de réponse est donc la cote de gravité. |
| Alors pourquoi utiliser le modèle de régression généralisé ? Il est donc largement utilisé pour les variables non normalement distribuées ou fortement corrélées. |
| Où les données sont indépendantes les unes des autres et ne montrent aucune autre corrélation. Donc, cette méthode ici est utile pour nous car elle correspond à notre ensemble de données. |
| Et chaque rôle que nous avons dans notre table de données est un patient et tous ceux-ci sont indépendants les uns des autres. |
| Donc, et puis la chose la plus importante est aussi que le modèle de régression généralisé permet la sélection de variables, c'est donc ce que nous voulons faire parce que nous voulons sélectionner les variables ayant la plus grande influence sur la variable de réponse. |
| Oui, donc un peu plus de détails sur ce modèle de régression, il y a quelques options que nous pouvons utiliser ici, c'est le filet élastique, ainsi que le lasso. |
| Donc, ici, la différence est que le lasso a tendance à sélectionner un terme parmi un groupe de facteurs corrélés, tandis que le réseau élastique sélectionne un groupe de termes. Donc, généralement, je pense que le filet élastique est utilisé, et puis ici, c'est notre choix de la fréquence du terme binaire qui est entré. |
| D'accord, c'est donc le résultat de la sélection de termes, vous pouvez donc voir cela ici qui vous montre la vue d'ensemble du (???) et ensuite généralisé (???) mais plus intéressant |
| lorsque vous avez commencé par le coefficient, vous pouvez voir que ce sont les principaux coefficients positifs. Ce sont donc les principaux facteurs qui jouent le plus grand rôle en termes de variable de réponse. |
| Et celui-ci ici sont les symptômes qui jouent le moins de rôle quand on les trie selon le coefficient. Donc, en regardant les résultats, vous pouvez voir que l'arrêt cardiaque et la pneumonie COVID-19, les accidents vasculaires cérébraux ne sont que tous les termes qui affectent la variable de réponse. |
| Nous pouvons donc voir que les termes de nature plus grave sont liés au cœur et aux poumons, d'accord, par rapport à ceux à plus basse fréquence, qui sont des symptômes très, très légers, en fait. |
| D'accord, nous répétons donc tout ce processus pour tous les autres |
| pour toutes les autres variables de texte, nous sommes donc passés à l'exemple des symptômes, donc il y a aussi les allergies, les antécédents médicaux |
| ainsi que les médicaments qui sont utilisés, donc ce que nous avons fait plus tard était de sauvegarder la matrice de termes du document. D'accord, le DTM enregistre une colonne dans la table de données à chaque fois. |
| Donc vous pouvez voir ici un exemple, vous avez principalement beaucoup de zéros car c'est une matrice très clairsemée donc on va indiquer la présence de prenons cette colonne là on va indiquer la présence de (???).. |
| Nous l'enregistrons donc et répétons le processus pour l'autre analyse de texte. |
| Et puis, une fois que nous avons enregistré tous ces termes, nous sommes passés à la modélisation. Par conséquent, la modélisation devait être construite en quelque sorte comme une colonne de validation, alors ici, nous sommes passés à la modélisation prédictive et avons créé une colonne de validation. Donc, ici, nous avons sélectionné les choix, alors mettez-les comme validation configurée à 55%. |
| Et le tout ici était d'identifier les variables importantes avec la gravité comme variable de réponse. Donc, en tout, nous avons sept variables de structure et 55 qui ont été dérivées de la matrice de termes du document et un total d'environ 31 000 règles. |
| Et ce que nous voyons, c'est qu'il y a un déséquilibre là-bas à cause d'un indice de gravité, vous obtenez un ensemble de données déséquilibré. Donc, à cause de cela, nous avons effectué notre évaluation de modèle en comparant la division R et les valeurs AIC. |
| Donc. |
| Nous utilisons le modèle d'ajustement dans JMP et choisissons à nouveau le modèle de régression généralisé. |
| Et nous pouvons voir que ce sont les résultats ici donc des modèles séparés que vous pensez que le groupe de modèles linéaires généralisés, utilisant les techniques de régression pénalisées a été préparé. |
| Et puis nous essayons d'ajuster en fonction des différentes caractéristiques ici, ce sont toutes les autres méthodes d'estimation pénalisées. |
| Ainsi, de tous les modèles, nous pouvons voir que la méthode lasso a la valeur Rsquare la plus basse, désolée la plus élevée, et qu'il existe d'autres valeurs assez proches également, nous allons donc les examiner de plus près. |
| Ainsi, en comparant le modèle de probabilité maximale, ainsi que le modèle lasso basé sur la courbe ROC, vous pouvez voir qu'en réalité les deux courbes ROC sont assez similaires. |
| Et cependant, la courbe ROC pour le modèle de vraisemblance maximale montre qu'il a la sévérité la plus élevée. |
| Désolé, la courbe ROC pour le modèle de vraisemblance maximale montre que |
| la valeur ROC est plus élevée pour l'indice de gravité le plus élevé, et vous pouvez voir qu'il ne s'agit ici que d'une légère différence entre les deux. |
| Et en général, au fur et à mesure que vous baissez le niveau de gravité, la zone augmente réellement et l'une des raisons est que notre ensemble de données est très déséquilibré. |
| Donc, l'indice de gravité de quatre, qui est le niveau le plus élevé, la plupart de votre niveau n'est que d'environ 5% des valeurs totales des données d'accord, donc dans l'ensemble, cette différence est en fait très faible entre les deux, nous choisissons donc celui avec une zone légèrement plus grande . |
| D'accord, alors notre prochain sera activé pour le test des effets. Donc, dans le rapport, vous pouvez choisir de voir le test des effets, donc le test des effets est |
| le test d'hypothèse de l'hypothèse nulle selon laquelle la variable n'a aucun effet sur le reste. |
| Il y avait cette très belle explication du test des effets sur la communauté JMP, je pense qu'elle a été contribuée par |
| Mark Bailey. Il explique donc un peu comment le test des effets est en fait basé sur la somme des carrés de type III pour l'ANOVA. |
| Nous pouvons donc voir que le test des effets est très approprié ici en raison de notre ensemble de données, il teste donc en fait chaque terme du modèle en termes de chaque |
| terme en elle. Ainsi, les effets principaux sont testés en l'absence d'interactions entre les items et à la lumière des autres termes, à la lumière des autres effets principaux également. |
| Donc, ce que vous voulez utiliser ici, c'est que nous voyons ici que le test des effets est utile pour notre objectif, comme pour la réduction de modèle. |
| Et, et cela nous permet de tirer des conclusions de la longue liste de variables significatives. |
| Nous examinons la probabilité que la valeur ChiSquare la plus basse du ChiSquare (???) prenne une valeur alpha de coupure de 0,1. |
| Nous avons un certain nombre de variables indépendantes, c'est donc une longue liste d'entre elles, et la plupart d'entre elles, lorsque vous les examinez, sont en fait liées aux maladies cardio-pulmonaires. |
| Certains d'entre eux sont donc ceux qui sont affectés comme le nombre de symptômes, le nombre de jours entre le début de la vaccination. |
| (???) est le plus dans lequel le vaccin se concentre que par chacun et alors vous pouvez voir que le reste d'entre eux sont liés d'une manière ou d'une autre à un autre. |
| maladies cardio-pulmonaires, il y en a d'étranges que je ne viens pas du milieu médical, donc je ne comprends pas vraiment non plus, mais vous pouvez voir que la surdité est l'une d'entre elles, donc il y en a |
| résultats étranges que nous pouvons voir ici, mais en général, l'image est la suivante, en termes de variables supérieures en termes de variables de liste. |
| Bon à part ça, c'est vrai, ce qui est vraiment intéressant c'est de regarder l'évaluation du modèle donc même si ce que nous faisons est de construire un modèle explicatif, |
| Je suis également allé examiner le modèle prédictif parce que JMP a très bien mis un rapport là-bas pour que je regarde les estimations des paramètres, donc |
| J'utilise donc le profileur pour essayer de comprendre les estimations des paramètres et vous pouvez voir ici que les valeurs affichées sont vraiment, vraiment petites, c'est donc la valeur que vous obtenez |
| immédiatement lorsque vous ouvrez le profileur, donc les valeurs ici sont la moyenne de chaque variable et vous pouvez voir que chacune de ces variables |
| De chacune de ces valeurs ici en fait très faible, cela signifie donc qu'il y a très peu d'effet sur la gravité en fonction de ces coefficients. |
| Sur la base de ceux-ci en tant que coefficient des variables prédites. Donc, ce que vous pouvez voir sur la base de cette étude ici, vous pouvez dire qu'en fait (???) les symptômes et son effet ont très, très peu d'effet sur la gravité et c'est un peu comme ça. |
| un peu dans l'attente de voir que la plupart de ces symptômes et effets, parce que nous regardons l'image générale du vaccin, nous pouvons voir que la plupart de ces symptômes - antécédents médicaux, allergies - ont très peu d'effet en fait sur l'issue de le du vaccin. |
| Bon alors. |
| Oui. |
| Donc une petite conclusion, quelques déclarations en guise de conclusion. Plusieurs décisions ont été prises dans le regroupement et la classification des variables. |
| Et bien que ces variables aient été faites au mieux de notre compréhension, en particulier dans la manière dont nous avons établi une cote de gravité, |
| Nous avons peut-être besoin qu'un expert connaissant les études de vaccins ou les essais cliniques soit consulté pour savoir si l'évaluation de la gravité est suffisante ou non pour |
| pour noter les résultats des événements indésirables. Et basé sur la construction de modèles de données structurées et non structurées |
| nous avons identifié des facteurs clés qui varient en fonction de la gravité d'une réaction à une vaccination COVID-19. |
| Cependant, nous ne sommes toujours pas l'effet de ces variables clés sur la gravité de la variable de réponse est très faible, donc cela se voit en examinant les variables. |
| Et puis, enfin, la matrice des termes du document basée sur les évaluations binaires, la fréquence des termes binaires s'est avérée la plus efficace pour représenter les poids des autres termes dans le document. |
| Et le modèle linéaire généralisé avec la technique de régression pénalisée au lasso a produit le modèle optimal. |
| J'espère donc que vous avez apprécié la très courte présentation et faites-moi savoir si vous avez des questions ou des commentaires, merci beaucoup. |
| Pierre Polito | bon travail. |
| était très. |
| Oh non. |
| Je viens de réaliser que je suis tu sais erreur, nous voulions cette vie oh mon Dieu. |
| Pierre Polito | Alors que c'est la situation exacte où vous êtes bien. |
| Donc, au sommet de la découverte, il y aura un présentateur. |
| Et donc ils vont vous contacter à l'avance et vous dites simplement, j'ai une erreur sur l'une de mes diapositives, et donc dans cette partie qui apparaîtra, il ou elle la mettra en pause. |
| Et ensuite, vous pouvez partager la diapositive et en parler, puis revenir directement à la vidéo, donc ne vous en souciez pas du tout. |
| Cela s'est souvent produit lors du sommet de la découverte de l'année dernière, ce n'est pas du tout un problème. |
| OK OK. |
| Bon sang, oh James. |
| Pierre Polito | Souhaitez-vous le réparer et le refaire, cela vous ferait vous sentir mieux. |
| Je ne sais pas. |
| Si c'est en fait celui-ci ici, parce que ce n'est pas la bonne case, il me faudra un certain temps pour le réparer car je dois le retaper ouais. |
| Pierre Polito | ouais, alors il ne savait pas, ne t'inquiète pas, ce sera une solution très simple et tu peux le faire en temps réel. |
| OK OK. |
| D'accord ouais. |
| Merci de vous être assis, cependant. |
| Pierre Polito | ouais pas de problème c'est super, j'ai vraiment. |
| D'accord. |
| Pierre Polito | Très bien, toute autre question ou commentaire ou quoi que ce soit. |
| ouais j'en ai un c'est que euh alors qu'est-ce qu'il y a un lien, où je peux télécharger toutes mes diapositives et mes gens et des choses comme ça, mais il y avait un mélange avec mon. |
| e-mail, et je pense de Tanya à ce sujet que lorsque Tanya m'a répondu correctement, je pense qu'elle a raté ce lien, alors j'ai pensé que le lien sera intégré dans l'un des enregistrements, mais je suppose que vous n'avez pas bien compris . |
| Pierre Polito | Je ne l'ai pas, mais je vais contacter Tanya et lui demander de vous contacter directement. |
| Pour aider à y remédier. |
| D'accord, merci beaucoup, je pense que cela compense mon e-mail ouais. |
| Pierre Polito | Merci beaucoup. |
| Pas de problème d'accord, passez une bonne nuit et reposez-vous bien. |
| oui tu passes une bonne journée. |
| Pierre Polito | Merci. |
| Alors au revoir. |
