Conférencier | Transcription |
| Pierre Polito | Comment vas-tu aujourd'hui. |
| Pouvez-vous m'entendre. |
| Si vous parlez, je ne peux pas vous entendre. |
| Bonjour. |
| essai essai. |
| Oh bonjour Leo, peux-tu m'entendre. |
| ouais désolé, je pense aux difficultés techniques ouais. |
| Pierre Polito | Oh, pas de problème du tout. |
| Oh ok, c'est un gentil Jimmy. |
| Pierre Polito | Oh où. |
| Appelez-vous de. |
| Singapour. |
| Pierre Polito | Singapour, très bien, il est tard, il est là. |
| Vers 909. |
| Pierre Polito | ouais et bien. |
| ouais, bravo à toi pour. |
| s'accrocher. |
| si tard merci de l'avoir fait. |
| Possible non, tout va bien, euh ouais, j'espère en faire un bon. |
| Oh. |
| Non, j'ai été très stressé à ce sujet. Eh bien, ouais, je vais bien, laissez-moi juste mettre un arrière-plan virtuel. |
| D'accord. |
| Pierre Polito | Et je dois passer en revue quelques petites choses de mon côté avant de commencer officiellement. |
| D'accord. |
| Pierre Polito | Juste me donner un. |
| minute ici. |
| Ouais. |
| Pierre Polito | J'apporte seulement ma liste de contrôle pour m'assurer de tout faire correctement ici. |
| Très bien. |
| Donc juste pour confirmer. |
| Vous êtes apaisant. |
| ouais et votre exposé s'intitule un modèle pour les effets indésirables des vaccins coven. |
| Oui, est-ce exact, ouais, c'est vrai. |
| Pierre Polito | Très bien, et ensuite, juste pour vous assurer que vous comprenez que cela est enregistré pour l'utilisation et que la conférence au sommet de Jump Discovery sera disponible publiquement dans la communauté des utilisateurs de Jump, donnez-vous l'autorisation pour cet enregistrement et cette utilisation. |
| Oui, d'accord, super. |
| votre microphone sonne bien, je n'entends aucun bruit de fond, votre téléphone portable est éteint et tout ce genre de choses, tout ce qui pourrait faire des bruits aléatoires. |
| accrochez-vous. |
| je l'enverrai, je les trouverai ouais. |
| Pierre Polito | D'accord, et puis. |
| Nous devons vérifier si vous pouvez partager votre écran et nous vérifierons la résolution et quelques autres choses. |
| D'accord, bien sûr. |
| Pierre Polito | Merci. |
| je suis désolé, est-ce Lisa Ling ou apaisantement. |
| Mon prénom est bien émis ouais. |
| Pierre Polito | ça va. |
| euh, est-ce que ça va. |
| Pierre Polito | Je ne le vois pas encore, oh euh, tu sais, la tarte la couvre juste un instant. |
| Ça à l'air bon. |
| Et si vous allez en bas de votre écran, votre barre des tâches est-elle en fait, je ne vois pas votre barre des tâches, donc tout va bien. |
| D'accord. |
| Pierre Polito | Et laissez-moi m'en assurer. |
| Il s'agit de tous les programmes susceptibles de créer une fenêtre contextuelle, comme Outlook ou Skype, ou l'un d'entre eux, tous fermés et arrêtés. |
| euh ouais, je pense, alors je parie que je les vérifierai. |
| fermer ma cuisine. |
| D'accord. |
| Ouais bien. |
| Pierre Polito | D'accord, et ensuite, allez-vous travailler uniquement à partir d'un PowerPoint ou montrer également des sauts. |
| J'étais inquiet du transit, je vais donc le destiner à partir de PowerPoint. |
| Pierre Polito | D'accord, super, alors je vais couper le son et éteindre ma caméra, nous sommes déjà en train d'enregistrer dès que nous le ferons. |
| Dès que vous voyez ma photo, partez, commencez et je ne vais pas vous interrompre pour aucune raison et nous allons essayer de la parcourir, c'est une présentation de 30 minutes, alors passons en revue, et je ne serai même pas là. ce sera comme si tu parlais tout seul. |
| D'accord, pour que le procès-verbal soit correct. |
| Pierre Polito | Êtes-vous prêt à aller. |
| Ouais. |
| Pierre Polito | D'accord. |
| Très bien, et c'est juste pour que tu saches quand nous en sommes réellement. |
| Organisez le sommet de découverte, si vous réalisez demain que vous vous êtes mal exprimé ou que vous vouliez présenter quelque chose d'une manière légèrement différente. |
| Vous pouvez être en direct au moment où vos présentations se déroulent, et vous pouvez demander à la personne qui présente un dépôt, puis vous pouvez dire que vous savez que je suis sur le point de dire ceci, ce que je voulais transmettre, c'est que vous pouvez en quelque sorte aimer. |
| éditez en temps réel pendant la présentation, alors ne vous inquiétez pas pour que chaque mot soit parfait, détendez-vous et parcourez-le et je suis sûr que tout ira très bien. |
| D'accord. |
| Ouais. |
| Pierre Polito | Très bien, je vais couper le son et éteindre ma caméra, puis vous continuerez et commencerez, d'accord. |
| Merci Pierre. |
| Bonjour, je m'appelle Suling. Je suis étudiant en master à la Singapore Management University où je suis actuellement un cours d'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 sa facilité d'utilisation, de la gamme de méthodes statistiques et des visualisations que je pouvais y faire. |
| Donc, en tant que débutant utilisant JMP, je suis vraiment honoré d'être ici pour présenter mon rapport et me faire part de vos commentaires, car je sens que je dois encore beaucoup apprendre, oui. |
| La motivation de mon article était donc en fait d’examiner les vaccins contre la COVID-19, nous savons donc à quel point ils sont importants, mais |
| 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 événements indésirables liés aux vaccins, oui. |
| Nous utilisons donc ces données parce que nous constatons qu'elles pourraient aider à déterminer si les préoccupations en matière de sécurité concernant le vaccin sont fondées. Cet article utilise donc à la fois les données structurées et non structurées du VAERS pour modéliser les réactions indésirables des vaccins COVID-19. |
| Alors, qu’est-ce que le VAERS ? Ainsi, le Centre de contrôle et de prévention des maladies et la FDA américaine ont mis en place ce système, et il s'agit en fait d'un événement indésirable. |
| système où il collecte des données. Mais de manière générale, ce que nous constatons, c'est que les données 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 en réalité ici, c'est qu'il y a des gens qui rapportent, mais là, ce sont des gens qui rapportent les événements, mais il n'y a pas d'action complète qui soit |
| pour confirmer que les symptômes et événements signalés ont un lien avec le vaccin. Alors pourquoi voulons-nous encore utiliser ces données ? Donc, premièrement, les données sont disponibles et du domaine public. |
| Les données sont à jour et, plus important encore, il est peu probable que tous les événements indésirables soient capturés au cours des essais cliniques en raison de leur faible fréquence. Donc |
| généralement pour les essais cliniques, ils incluent uniquement les individus en bonne santé. Ainsi, des populations particulières, comme celles souffrant de maladies chroniques ou les femmes enceintes, sont |
| 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 arborescentes 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. Ce que j'ai ici est donc un petit extrait 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 seul 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 sur le vaccin, l'autre |
| est extrait du texte des symptômes que nous pouvons voir. D'accord, étant donné cette accessibilité, les données du VAERS ont en fait été assez bien exploitées. |
| beaucoup de chercheurs, mais comme vous pouvez le constater, les données sont en réalité très difficiles à utiliser car la qualité du rapport varie. |
| Et il y a aussi quelque chose qui pourrait ne pas être authentique. Il s'agit donc d'un 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. Cet article vise donc à présenter les méthodes permettant d'extraire les informations clés à l'aide des techniques d'analyse de texte dans JMP. |
| et essayez de créer un modèle explicatif pour expliquer les variables les plus importantes impliquées dans cet événement. Donc, ce que nous avons fait, c'est que pour chacune de ces tables de données ici, nous les nettoyons individuellement, puis les rejoignons en utilisant l'ID VAERS. |
| Ce que nous avons fait, sur la base des résultats pour les patients, a été de dériver ce que l'on appelle une évaluation de la 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 l'indice de gravité de chacune des données textuelles. |
| Et rejoignez-les dans les variables structurées de données de feuille de calcul existantes sur l'ensemble de données. D'accord, puis tout cela est compilé et ensuite vous le mettez dans la construction de modèles. |
| D'accord, de quoi s'agit-il en termes d'indice de gravité ? Basées sur le résultat du patient, les données VAERS comportent 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 sommes donc parvenus à quatre niveaux de gravité, que nous appelons ensuite l'indice de gravité. |
| Nous parlerons ensuite 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. 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. Donc, comme vous pouvez le voir, en fait, les données textuelles sont assez compliquées, donc ce que nous avons fait était |
| tout d'abord, décidez entre l'utilisation du terme fréquence, quel type de terme fréquence utiliser, puis le terme binaire fréquence a été sélectionné, car les données montrent qu'il y a un avantage significatif à envisager de l'utiliser. |
| Parlons maintenant un peu du nettoyage effectué. 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 si des termes comme les globules blancs étaient conservés sous forme d'expression au lieu d'être intégrés dans le sang et les cellules blancs, ce qui n'aurait pas beaucoup de sens. |
| Et quelques autres méthodes à utiliser. L'une est donc la norme de combinaison qui dérive les mots en fonction des terminaisons des mots, puis nous avons également pensé à trier la liste par ordre alphabétique afin de recoder les mots mal orthographiés ou les erreurs de frappe ou quoi de similaire. |
| Ouais, et puis la chose suivante a été d'utiliser la fonction très pratique pour recoder tous les éléments similaires ensemble, ouais. |
| Donc la prochaine chose que nous avons faite après avoir nettoyé le texte a été de regarder le |
| c'était en fait le regard sur le flux de travail. 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 en fonction de leur taille et de les colorer en fonction de l'indice de gravité. |
| Ainsi, vous pouvez voir que les couleurs plus claires appartiennent aux cas les moins graves et les plus foncées aux autres cas les plus graves, et vous pouvez aimer ramasser, alors les mots sont assez petits. |
| Et cela montre vraiment que les symptômes courants ne sont pas graves, mais nous avons repris les termes d'incident vasculaire cérébral, d'embolie pulmonaire et de choses comme ça. Ceux-ci sont donc liés à l’événement indésirable le plus grave. |
| La prochaine chose que nous utilisons est la sélection de termes, donc la sélection de termes est la nouvelle fonctionnalité de JMP Pro 16 qui arrive à point nommé. |
| Il intègre donc le modèle de régression généralisée dans la plate-forme d'analyse de texte, donc à partir de la plate-forme d'analyse de texte, vous pouvez simplement le sélectionner là où se trouve la sélection des termes. |
| Et puis, cela permet d’identifier les termes clés qui sont importants pour la variable de réponse. Notre variable de réponse est donc l’indice de gravité. |
| Alors pourquoi utiliser le modèle de régression généralisée ? Il est donc largement utilisé pour les variables non distribuées normalement ou hautement corrélées. |
| Où les données sont indépendantes les unes des autres et ne montrent aucune autre corrélation. Cette méthode ici nous est donc utile car elle correspond à notre ensemble de données. |
| Et chaque rôle que nous avons dans notre table de données est un patient et tous sont indépendants les uns des autres. |
| Donc, et puis le plus important est aussi que le modèle de régression généralisée 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 en détail sur ce modèle de régression, il y a quelques options que nous pouvons utiliser ici, à savoir le filet élastique, ainsi que le lasso. |
| Donc, voici ce qui est différent, c'est que le lasso a tendance à sélectionner un terme parmi un groupe de facteurs corrélés, tandis que le réseau élastique sélectionnera un groupe de termes. Donc, généralement, je pense que le filet élastique est utilisé, et puis ici, c'est notre choix du terme binaire fréquence qui est entré en jeu. |
| D'accord, c'est donc le résultat de la sélection des termes, vous pouvez donc le voir ici qui vous montre un aperçu du (???) puis généralisé (???) mais plus intéressant |
| Lorsque vous commencez par le coefficient, vous pouvez voir que ce sont les coefficients positifs les plus élevés. Ce sont donc les principaux facteurs qui jouent le plus grand rôle en termes de notre variable de réponse. |
| Et celui-ci ici est le symptôme qui joue le moins de rôle lors du tri en fonction du coefficient. Donc, en regardant les résultats, vous pouvez voir que l'arrêt cardiaque et la pneumonie COVID-19, les accidents vasculaires cérébraux sont tous des 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, par opposition aux termes de fréquence plus basse, qui sont en réalité des symptômes très, très légers. |
| D'accord, nous répétons donc tout ce processus pour tous les autres |
| pour toutes les autres variables du texte, nous sommes donc allés 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 a été de sauvegarder la matrice des termes du document. D'accord, en gros, 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 indiquera la présence de prenons cette colonne ici on indiquera la présence de (???).. |
| Nous le sauvegardons donc et répétons le processus pour l’autre analyse de texte. |
| Et puis, une fois tous ces termes sauvegardés, nous sommes passés à la modélisation. La modélisation devait donc être construite comme une colonne de validation, donc ici, nous sommes passés à la modélisation prédictive et avons créé une colonne de validation. Donc ici, nous avons sélectionné les choix, donc mettez-les comme configuration de validation à 55 %. |
| Et le tout ici était d'identifier les variables importantes avec la gravité comme variable de réponse. Au total, nous avons sept variables de structure et 55 qui ont été dérivées de la matrice des termes du document et un total d'environ 31 000 règles. |
| Et ce que nous constatons, c'est qu'il y a un déséquilibre à cause d'un indice de gravité qui donne un ensemble de données déséquilibré. C'est donc pour cette raison que nous avons effectué notre évaluation de modèle en comparant la répartition R et les valeurs AIC. |
| Donc. |
| Nous utilisons donc le modèle d'ajustement dans JMP et choisissons à nouveau le modèle de régression généralisée. |
| Et nous pouvons voir que ce sont les résultats ici, donc des modèles séparés, vous pensez que le groupe de modèles linéaires généralisés, utilisant les techniques de régression pénalisée ont été préparés. |
| Et puis nous essayons d'ajuster en fonction des différentes caractéristiques ici, ce sont toutes les autres méthodes d'estimation pénalisées. |
| Ainsi, parmi tous les modèles, nous pouvons voir que la méthode du lasso a la valeur Rsquare la plus basse, désolé, la plus élevée, et il existe également d'autres valeurs assez proches, nous allons donc les examiner de plus près. |
| Ainsi, en comparant le modèle du maximum de vraisemblance ainsi que le modèle du lasso basé sur la courbe ROC, vous pouvez voir qu'en réalité les deux courbes ROC sont assez similaires. |
| Cependant, la courbe ROC du modèle du maximum de vraisemblance montre que celui-ci présente la gravité la plus élevée. |
| Désolé, la courbe ROC pour le modèle du maximum de vraisemblance 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, à mesure que l'on diminue l'indice de gravité, la zone augmente en fait, 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 majeure partie de votre niveau ne représente qu'environ 5 % des valeurs totales des données, donc dans l'ensemble, il y a en fait très peu de différence entre les deux, nous choisissons donc celui avec une zone légèrement plus grande. . |
| D'accord, alors notre prochain passage au test des effets. Ainsi, 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 a eu cette très belle explication du test des effets sur la communauté JMP, je pense qu'elle a été contribuée par |
| Marc Bailey. Il explique donc un peu comment le test des effets est en réalité 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 chaque terme du modèle en termes de chaque |
| terme en lui. Les effets principaux sont donc 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 il l'est pour la réduction du modèle. |
| Et, et cela nous permet de tirer des conclusions sur la longue liste de variables significatives. |
| Nous examinons la probabilité que la valeur ChiSquare la plus basse du ChiSquare (???) prenne une valeur alpha seuil de 0,1. |
| Nous avons un certain nombre de variables indépendantes, ce qui en fait une liste assez longue, et la plupart d'entre elles, si 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. |
| (???) c'est d'autant plus dans lequel le vaccin est centré que par chacun et alors vous pouvez voir que les autres sont liés d'une manière ou d'une autre. |
| maladies cardio-pulmonaires, il y en a des étranges, je ne viens pas du milieu médical, donc je ne comprends pas très bien non plus, mais vous voyez que la surdité en fait partie, donc il y en a |
| des résultats étranges que nous pouvons voir ici, mais en général, l'image est la suivante, en termes de principales variables en termes de liste de variables. |
| 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 puisse examiner les estimations des paramètres, donc |
| J'utilise donc le Profiler pour essayer de comprendre les estimations des paramètres et vous pouvez voir ici que les valeurs affichées sont vraiment très petites, c'est donc la valeur que vous obtenez |
| immédiatement lorsque vous ouvrez le Profiler, les valeurs ici sont donc la moyenne de chaque variable et vous pouvez voir que chacune de ces variables |
| Chacune de ces valeurs est en réalité très petite, ce qui signifie qu'il y a très peu d'effet sur la gravité en fonction de ces coefficients. |
| Sur la base de ceux-ci comme 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 leurs effets ont très, très peu d'effet sur la gravité et c'est un peu comme ça. |
| on s'attend en quelque sorte à voir que la plupart de ces symptômes et effets, parce que nous regardons le tableau général du vaccin, nous pouvons voir que la plupart de ces symptômes - antécédents médicaux, allergies - ont en fait très peu d'effet sur le résultat du vaccin. le du vaccin. |
| Bon alors. |
| Ouais. |
| Donc une petite conclusion, quelques déclarations en guise de conclusion. Plusieurs décisions ont été prises concernant le regroupement et la classification des variables. |
| Et bien que ces variables aient été élaborées au mieux de notre compréhension, notamment dans la manière dont nous avons établi une cote de gravité, |
| Nous avons peut-être besoin de consulter un expert familier avec les études sur les vaccins ou les essais cliniques pour savoir si l'indice de gravité est suffisant ou non pour |
| pour noter les résultats des événements indésirables. Et basé sur la modélisation 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 contre la COVID-19. |
| Cependant, nous ne savons toujours pas que l'effet de ces variables clés sur la gravité de la variable de réponse est très faible, cela se voit donc en examinant les variables. |
| Et puis, enfin, la matrice des termes du document basée sur les notes binaires, la fréquence des termes binaires s'est avérée la plus efficace pour représenter les pondérations des autres termes du 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 n'hésitez pas à me faire 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 faisais une erreur, tu sais, nous voulions cette vie, oh mon Dieu. |
| Pierre Polito | C'est donc exactement la situation dans laquelle vous vous trouvez. |
| Ainsi, lors du sommet de découverte proprement dit, 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 puis vous pouvez partager la diapositive et en parler, puis revenir directement à la vidéo, alors ne vous inquiétez pas du tout. |
| Cela s'est produit à plusieurs reprises lors du sommet de la découverte de l'année dernière et ce n'est pas du tout un problème. |
| OK OK. |
| Eh bien mon Dieu, oh James. |
| Pierre Polito | Souhaitez-vous le réparer et le refaire, cela vous permettrait de vous sentir mieux. |
| Je ne sais pas. |
| Si c'est réellement 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, oui. |
| Pierre Polito | ouais, alors il ne savait pas, ne vous inquiétez pas, ce sera une solution très simple et vous pourrez le faire en temps réel. |
| OK OK. |
| D'accord ouais. |
| Merci d'être resté assis, cependant. |
| Pierre Polito | ouais, aucun problème, c'est génial, vraiment. |
| D'accord. |
| Pierre Polito | Très bien, d'autres questions, commentaires ou quoi que ce soit. |
| ouais, j'en ai un, c'est-à-dire, alors quoi de neuf, un lien, où je peux télécharger toutes mes diapositives et mes personnes et des choses comme ça, mais il y a eu une confusion avec mon. |
| e-mail, et je pense que de la part de Tanya, lorsque Tanya m'a répondu correctement, je pense qu'elle a raté ce lien, alors j'ai pensé que le lien serait intégré dans l'un des enregistrements, mais je ne pense pas que vous ayez bien compris. . |
| Pierre Polito | Je ne l'ai pas, mais je vais contacter Tanya et lui demander de vous contacter directement. |
| Pour aider à remédier à cela. |
| D'accord, bien sûr, merci beaucoup, je pense que cela compense mon e-mail, oui. |
| Pierre Polito | Merci beaucoup. |
| Pas de problème, bonne nuit et bon repos. |
| ouais, tu passes une bonne journée. |
| Pierre Polito | Merci. |
| Au revoir. |
