Lautsprecher | Transkript |
| Peter Polito | Wie geht es dir heute. |
| Können Sie mich hören. |
| Wenn Sie sprechen, kann ich Sie nicht hören. |
| Hallo. |
| Test Test. |
| Oh Hallo Leo, kannst du mich hören. |
| ja Entschuldigung, ich denke an die technischen Schwierigkeiten ja. |
| Peter Polito | Ach überhaupt kein Problem. |
| Oh okay, es ist ein netter Jimmy. |
| Peter Polito | Oh, wo. |
| Rufen Sie an von. |
| Singapur. |
| Peter Polito | Singapur in Ordnung, wie spät ist es da. |
| Über 909. |
| Peter Polito | nun ja. |
| ja ein großes Lob an dich. |
| hängen an. |
| so spät danke, dass du es geschafft hast. |
| Möglich nein es ist in Ordnung ähm ja ich hoffe ich mache einen guten. |
| Oh. |
| Nein, ich war sehr gestresst darüber. Na ja, ja, mir geht es gut, lass mich einfach einen virtuellen Hintergrund hinzufügen. |
| Okay. |
| Peter Polito | Und ich muss nur ein paar Dinge an meiner Seite durchmachen, bevor wir offiziell beginnen. |
| Okay. |
| Peter Polito | gib mir einfach a. |
| Minute hier. |
| Ja. |
| Peter Polito | Ich bringe nur meine Checkliste mit, um sicherzustellen, dass ich hier alles richtig mache. |
| in Ordung. |
| Also nur zur Bestätigung. |
| Sie sind beruhigend. |
| Ja, und Ihr Vortrag trägt den Titel ein Modell für die Nebenwirkung des Coven-Impfstoffs. |
| Ja, ist das richtig, ja das ist richtig. |
| Peter Polito | Alles klar, und nur um sicherzustellen, dass Sie verstehen, dass dies für die Verwendung aufgezeichnet wird und die Jump Discovery Summit-Konferenz öffentlich in der Jump-Benutzer-Community verfügbar ist, geben Sie die Erlaubnis für diese Aufzeichnung und Verwendung. |
| Ja, okay, toll. |
| dein Mikrofon klingt gut, ich höre keine Hintergrundgeräusche ist dein Handy aus und all das, was zufällige Geräusche machen könnte. |
| abwarten. |
| Ich schicke es und finde sie ja. |
| Peter Polito | Okay, und dann. |
| Wir müssen überprüfen, wie Sie Ihren Bildschirm freigeben können, und wir werden die Auflösung und einige andere Dinge überprüfen. |
| Okay, sicher. |
| Peter Polito | Dankeschön. |
| Es tut mir leid, ist es Lisa Ling oder beruhigend. |
| Mein Vorname ist schön ja. |
| Peter Polito | hab es ok. |
| ähm ist es okay. |
| Peter Polito | Ich sehe es noch nicht. |
| Das sieht gut aus. |
| Und wenn Sie an den unteren Rand Ihres Bildschirms gehen, wird Ihre Taskleiste tatsächlich angezeigt. Ich sehe Ihre Taskleiste nicht, also sind wir gut. |
| Okay. |
| Peter Polito | Und lassen Sie mich sicherstellen. |
| Es sind alle Programme, die ein Popup erstellen könnten, wie Outlook oder Skype, oder eines dieser Programme, die alle geschlossen und beendet werden. |
| ähm ja, denke ich, also wette ich darauf, sie zu überprüfen. |
| schließe meine Küche. |
| Okay. |
| Ja, gut. |
| Peter Polito | Okay, und dann werden Sie nur von einer PowerPoint aus arbeiten oder auch Sprung zeigen. |
| Ich war besorgt über den Transit, also werde ich es von PowerPoint aus bestimmen. |
| Peter Polito | Okay, super, dann werde ich meine Kamera stumm schalten und die Kamera die wir schon aufnehmen so bald wie möglich ausschalten. |
| Sobald Sie sehen, dass mein Bild verschwindet, fangen Sie an und ich werde aus keinem Grund unterbrechen und wir werden versuchen, die 30-minütige Präsentation durchzugehen, also lass uns durchgehen und ich werde nicht einmal hier sein es wird sein, als würdest du mit dir selbst sprechen. |
| Okay, damit das Protokoll richtig in Ordnung ist. |
| Peter Polito | Bist du bereit zu gehen. |
| Ja. |
| Peter Polito | Okay. |
| In Ordnung, und es ist nur, damit Sie wissen, wann wir tatsächlich sind. |
| Machen Sie den Discovery Summit, wenn Sie morgen feststellen, dass Sie sich vertippt haben oder etwas anders präsentieren wollten. |
| Sie können live dabei sein, wenn Ihre Präsentationen laufen, und Sie können die Person, die eine Anzahlung vorlegt, fragen und dann sagen, dass Sie wissen, dass ich gleich das sagen werde. Was ich vermitteln wollte, ist, dass Sie es mögen können. |
| Bearbeiten Sie in Echtzeit während der Präsentation, also machen Sie sich keinen Stress, jedes Wort perfekt zu bekommen, entspannen Sie sich einfach und gehen Sie es durch und es wird sicher gut gehen. |
| Gut. |
| Ja. |
| Peter Polito | In Ordnung, ich werde meine Kamera stumm schalten und ausmachen und dann gehst du weiter und fang gut an. |
| Danke Peter. |
| Hallo, ich bin Suling. Ich bin Masterstudent an der Singapore Management University, wo ich derzeit einen Kurs in Datenanalyse an der School of Computing and Information Systems absolviere. |
| Ich bin heute also hier, um eine Aufgabe zu präsentieren, die für meinen Master in IT for Business eingereicht wurde, und, was noch wichtiger ist, ich möchte meine bisherige JMP-Reise teilen. |
| Also habe ich dieses Jahr angefangen, JMP zu verwenden, und ich habe mich wegen der Benutzerfreundlichkeit und der Bandbreite der statistischen Methoden und der Visualisierungen, die ich damit machen konnte, wirklich darin verliebt. |
| Als JMP-Anfänger fühle ich mich sehr geehrt, hier meinen Bericht vorzustellen, und lasse mich dein Feedback haben, weil ich das Gefühl habe, dass ich noch viel mehr lernen muss, ja. |
| Die Motivation für meine Arbeit war also, sich die COVID-19-Impfstoffe anzusehen, damit wir wissen, wie wichtig sie sind, aber bei |
| die beispiellose Geschwindigkeit, mit der es entwickelt und verwaltet wurde, hat in der Gemeinschaft einige Zweifel an seiner Sicherheit geweckt. |
| Wir verwenden also Daten aus dem US-amerikanischen Meldesystem für unerwünschte Impfstoff-Ereignisse, ja. |
| Wir verwenden die Daten von dort, weil wir feststellen, dass es möglich ist, festzustellen, ob die Sicherheitsbedenken bezüglich des Impfstoffs begründet sind. Daher verwendet dieses Papier sowohl die strukturierten als auch die unstrukturierten Daten von VAERS, um die Nebenwirkung von COVID-19-Impfstoffen zu modellieren. |
| Was ist also VAERS? Das Center of Disease Control and Prevention und die US-amerikanische FDA haben dieses System also eingeführt, und es ist eigentlich ein unerwünschtes Ereignis |
| System, in dem es Daten sammelt. Aber im Allgemeinen sehen wir, dass VAERS-Daten nicht verwendet werden können, um kausale Verbindungen zu unerwünschten Ereignissen zu bestimmen |
| weil der Zusammenhang zwischen dem unerwünschten Ereignis und der Impfung nicht hergestellt ist. Was wir hier also tatsächlich sehen, ist, dass es Leute gibt, die berichten, aber dort sind es Leute, die über die Ereignisse berichten, aber dann gibt es keine Aktion voller Action |
| um zu bestätigen, dass diese gemeldeten Symptome und Ereignisse einen Zusammenhang mit dem Impfstoff haben. Warum wollen wir diese Daten trotzdem verwenden? Die Daten sind also erstens verfügbar und gemeinfrei. |
| Die Daten sind aktuell und, was noch wichtiger ist, dass aufgrund der geringen Häufigkeit wahrscheinlich nicht alle unerwünschten Ereignisse während der klinischen Studien erfasst werden. So |
| in der Regel umfassen sie für klinische Studien nur die gesunden Personen. Spezielle Bevölkerungsgruppen, wie chronisch Kranke oder Schwangere, sind dies |
| begrenzt, damit sie wissen, dass VAERS eine wichtige Quelle für die Impfstoffsicherheit ist. Für weitere Informationen dazu können Sie diesen Link hier nachschlagen. |
| Ja, also stammt der für diese Studie verwendete Datensatz aus Baumdatentabellen, die aus VAERS extrahiert wurden. Der erste sind die VAERS-Daten. |
| Es enthält hauptsächlich Informationen über das Patientenprofil und den Ausgang unerwünschter Ereignisse, daher habe ich hier einen kleinen Clip von JMP |
| wo wir hier den Symptomtext haben und Sie sehen können, dass dies nur ein Bericht ist, der auf einer Person, einem Patienten basiert. Okay, und die Daten sind ziemlich schmutzig. |
| Es gibt viele nützliche Informationen im erzählenden Text, aber Sie können sehen, dass es Rechtschreibfehler, Tippfehler, zu lange oder sogar sehr kurze Aussagen gibt. |
| Die nächsten beiden Datensätze, die wir haben, sind also die VAERS der Impfdaten sowie die Symptome. Das eine enthält also Informationen zum Impfstoff, das andere |
| wird aus dem Symptomtext extrahiert, den wir sehen können. Okay, angesichts dieser Zugänglichkeit wurden die VAERS-Daten tatsächlich ziemlich abgebaut |
| von einer ganzen Reihe von Forschern, aber wie Sie sehen können, ist die Verwendung der Daten tatsächlich sehr schwierig, da die Qualität des Berichts variiert. |
| Und es gibt auch etwas, das möglicherweise nicht echt ist. Eine Überprüfung der Macht, die zeigt, dass in der Regel eine Form des manuellen Screenings verwendet wird, um die erforderlichen Informationen zu extrahieren. |
| Dies ist jedoch auch ziemlich arbeitsintensiv und ziemlich schwierig, daher zielt dieses Papier darauf ab, die Methoden zur Extraktion der Schlüsselinformationen mithilfe von Textanalysetechniken in JMP . zu präsentieren |
| und versuchen Sie, ein Erklärungsmodell zu erstellen, um die wichtigsten Variablen zu erklären, die an diesem Ereignis beteiligt sind. Was wir also gemacht haben, ist, dass wir für jede dieser Datentabellen hier drüben sie einzeln bereinigen und sie dann mit der VAERS-ID verbinden. |
| Auf der Grundlage der Patientenergebnisse haben wir etwas abgeleitet, das als Schweregradbewertung bezeichnet wird. Ich werde später ein wenig darüber sprechen. Also, sobald die Tische verbunden sind |
| Es gibt vier erzählende Texte. Eine zu Allergien, Medikamenten, Krankengeschichte und Symptomen. |
| Und dann werden wir Textanalysetechniken verwenden, um die Vektoren für die Top-Terme zu extrahieren, die ... die Bewertung des Schweregrads für jede der Textdaten erklären. |
| Und fügen Sie sie in die vorhandenen strukturierten Variablen der Tabellenkalkulationsdaten im Datensatz ein. Okay, und dann wird das alles zusammen kompiliert und dann in den Modellbau gesteckt. |
| Okay, was ist das mit der Schweregradbewertung? Es basiert auf dem Ergebnis des Patienten, die VAERS-Daten enthalten 12 Variablen, die den Status des Patienten beschreiben. |
| Auf dieser Grundlage haben wir dann die Variablen extrahiert und versuchen, sie zu verstehen, also haben wir vier Schweregrade entfernt und nennen dies dann die Schweregradbewertung. |
| Als nächstes werden wir ein wenig darüber sprechen, wie wir es verwenden |
| JMP Pro Text Explorer Plattform zur Textanalyse und wir beginnen mit der Datenbereinigung. Wir wollten also wirklich die signifikanten Begriffe aus den Textdaten extrahieren. |
| Und erweitern Sie sie um die strukturierten Variablen, um Ihr Modell zu erstellen. Wie Sie sehen können, sind die Textdaten tatsächlich ziemlich chaotisch, also haben wir es getan |
| Entscheiden Sie sich zunächst zwischen der Verwendung des Begriffs Häufigkeit, welcher Art von Begriffshäufigkeit zu verwenden ist, und wählen Sie dann den binären Begriff Häufigkeit aus, da die Daten zeigen, dass es einen erheblichen Vorteil gibt, ihn zu verwenden. |
| Als nächstes ein bisschen über die Reinigung, die hereinkam. Also wurden die Textdaten zuerst mit dem JMP Pro Text Explorer organisiert und wir haben eine nützliche Funktion verwendet, die darin enthalten ist, Phrasen hinzuzufügen und automatisch zu identifizieren |
| die Begriffe, so dass Sie sehen können, dass Begriffe wie weiße Blutkörperchen als Phrase gehalten werden, anstatt in weißes Blut und weiße Blutkörperchen gezogen zu werden, was nicht viel Sinn macht. |
| Und noch ein paar andere Methoden. So ist einer der Standard zum Kombinieren der Wörter basierend auf den Wortendungen und dann dachten wir auch daran, die Liste alphabetisch zu sortieren, um wie falsch geschriebene Wörter oder Tippfehler oder ähnliches neu zu codieren. |
| Ja, und dann war das nächste, die sehr praktische Funktion zu verwenden, um alle ähnlichen Elemente zusammen zu codieren, ja. |
| Das nächste, was wir also tun, nachdem wir den Text bereinigt haben, war, uns die |
| war der Blick auf den Workflow eigentlich. Der Workflow ist nützlich, um Stoppwörter auszuschließen und die Auswirkungen der Zielvariablen auf die Terme zu sehen. |
| Was ich hier also gemacht habe, war, die häufigsten Begriffe nach Größe und Farbe zu visualisieren, basierend auf der Schweregradbewertung. |
| Sie können also sehen, dass die helleren Farben zu den weniger schwerwiegenden Fällen gehören und dunklere zu den anderen schwereren, und Sie können gerne aufgreifen, dann sind die Wörter ziemlich klein. |
| Und es zeigt wirklich, dass die üblichen Symptome nicht schwerwiegend sind, aber wir haben Begriffe wie die zerebrale vaskuläre Lungenembolie und ähnliches aufgeschnappt. Diese beziehen sich also auf das schwerwiegendste unerwünschte Ereignis. |
| Als nächstes verwenden wir den Begriff Auswahl, also ist der Begriff Auswahl die neue Funktion JMP Pro 16, die ziemlich aktuell war. |
| Es integriert also das generalisierte Regressionsmodell in die Textanalyseplattform, sodass Sie im Anschluss an die Textanalyseplattform dies einfach auswählen können, wo die Begriffsauswahl ist. |
| Und dann ermöglicht es die Identifizierung von Schlüsselbegriffen, die für die Antwortvariable wichtig sind. Unsere Antwortvariable ist also die Schweregradbewertung. |
| Warum also das generalisierte Regressionsmodell verwenden? Daher wird es häufig für nicht normalverteilte oder stark korrelierte Variablen verwendet. |
| Wo die Daten unabhängig voneinander sind und keine andere Korrelation zeigen. Diese Methode hier ist also für uns nützlich, da sie zu unserem Datensatz passt. |
| Und jede Rolle, die wir in unserer Datentabelle haben, ist ein Patient und all dies ist unabhängig voneinander. |
| Also, und das Wichtigste ist auch, dass das generalisierte Regressionsmodell eine Variablenauswahl zulässt, also wollen wir das tun, weil wir die Variablen mit dem größten Einfluss auf die Antwortvariable aufnehmen möchten. |
| Ja, also ein bisschen mehr Details zu diesem Regressionsmodell, es gibt ein paar Optionen, die wir hier verwenden können, das elastische Netz sowie das Lasso. |
| Der Unterschied besteht darin, dass das Lasso dazu neigt, einen Begriff aus einer Gruppe korrelierter Faktoren auszuwählen, während das Netz des elastischen Netzwerks eine Gruppe von Begriffen auswählt. Im Allgemeinen denke ich, dass ein elastisches Netz verwendet wird, und dann kam hier unsere Wahl des binären Terms Frequenz ins Spiel. |
| Okay, das ist also das Ergebnis der Begriffsauswahl, also kannst du das hier drüben sehen, das dir die Übersicht der (???) und dann verallgemeinerten (???) aber interessanter zeigt |
| Wenn Sie mit dem Koeffizienten beginnen, können Sie sehen, dass dies die besten positiven Koeffizienten sind. Dies sind also die wichtigsten Faktoren, die in Bezug auf unsere Antwortvariable die größte Rolle spielen. |
| Und dieses hier sind die Symptome, die bei der Sortierung nach dem Koeffizienten die geringste Rolle spielen. Wenn Sie sich die Ergebnisse ansehen, können Sie also sehen, dass Herzstillstand und COVID-19-Pneumonie, zerebrale vaskuläre Unfälle nur all die Begriffe sind, die die Reaktionsvariable beeinflussen. |
| Wir können also sehen, dass ernstere Begriffe sich auf Herz und Lunge beziehen, im Gegensatz zu den eher niederfrequenten, die wirklich sehr, sehr milde Symptome sind. |
| Okay, also wiederholen wir diesen ganzen Vorgang für alle anderen |
| für alle anderen Textvariablen, also sind wir zum Beispiel für Symptome gegangen, also gibt es auch die Allergien, die Krankengeschichte |
| sowie die verwendeten Medikamente, also haben wir später die Dokumentbegriffsmatrix gespeichert. Okay, im Grunde speichert der DTM für jedes Mal eine Spalte in der Datentabelle. |
| Sie können hier also ein Beispiel sehen, hauptsächlich viele Nullen, da es sich um eine sehr spärliche Matrix handelt. |
| Also speichern wir es und wiederholen den Vorgang für die andere Textanalyse. |
| Und dann, nachdem wir alle diese Begriffe gespeichert hatten, gingen wir zum Modellieren über. Daher sollte die Modellierung eine Art Validierungsspalte sein, also gingen wir hier zur Vorhersagemodellierung und machten eine Validierungsspalte. Also hier drüben haben wir die Auswahl getroffen, also haben wir sie als Validierungssetup von 55% angegeben. |
| Und das Ganze hier war, die wichtigen Variablen mit dem Schweregrad als Antwortvariable zu identifizieren. Insgesamt haben wir also sieben Strukturvariablen und 55, die aus der Dokumenttermmatrix und insgesamt etwa 31.000 Regeln abgeleitet wurden. |
| Und was wir sehen, ist, dass es dort ein Ungleichgewicht gibt, weil Sie aufgrund einer Bewertung des Schweregrads einen unausgeglichenen Datensatz erhalten. Aus diesem Grund haben wir unsere Modellbewertung zum Vergleich des R-Splits und der AIC-Werte durchgeführt. |
| So. |
| Wir verwenden also das Fit-Modell in JMP und wählen wieder das generalisierte Regressionsmodell. |
| Und wir können sehen, dass dies die Ergebnisse hier sind, so dass separate Modelle, die Sie denken, die Gruppe der verallgemeinernden linearen Modelle, die die bestraften Regressionstechniken verwenden, vorbereitet wurden. |
| Und dann versuchen wir, anhand der verschiedenen Merkmale hier zu passen, das sind alle anderen bestraften Schätzmethoden. |
| Von allen Modellen können wir also sehen, dass die Lasso-Methode den niedrigsten Wert hat, sorry hat den höchsten Rsquare-Wert, und es gibt andere Werte, die auch ziemlich ähnlich sind, also werden wir sie uns genauer ansehen. |
| Wenn Sie also das Maximum-Likelihood-Modell sowie das Lasso-Modell basierend auf der ROC-Kurve vergleichen, können Sie sehen, dass beide ROC-Kurven tatsächlich ziemlich ähnlich sind. |
| Und die ROC-Kurve für das Maximum-Likelihood-Modell zeigt jedoch, dass es den höchsten Schweregrad hat. |
| Entschuldigung, die ROC-Kurve für das Maximum-Likelihood-Modell zeigt das |
| der ROC-Wert ist für die höchste Schweregradbewertung höher, und Sie können sehen, dass es hier nur einen geringen Unterschied zwischen diesen beiden gibt. |
| Und im Allgemeinen nimmt der Bereich mit abnehmendem Schweregrad tatsächlich zu, und einer der Gründe dafür ist, dass unser Datensatz sehr unausgewogen ist. |
| Die Schweregradbewertung von vier, die die höchste Stufe ist, beträgt also nur etwa 5% der gesamten Datenwerte, also insgesamt ist der Unterschied zwischen diesen beiden sehr gering, also wählen wir die mit einem etwas größeren Bereich . |
| Okay, also unser nächstes wird zum Wirkungstest eingeschaltet. Im Bericht können Sie also den Effekttest anzeigen, also ist der Effekttest |
| der Hypothesentest der Nullhypothese, dass die Variable keinen Einfluss auf den Rest hat. |
| Da gab es diese sehr schöne Erklärung zum Effekttest in der JMP Community, ich glaube sie wurde von . beigesteuert |
| Mark Bailey. Also spricht er ein bisschen darüber, wie der Effekttest tatsächlich auf der Typ-III-Quadratsumme für die ANOVA basiert. |
| Wir können also sehen, dass der Effekttest hier aufgrund unseres Datensatzes sehr geeignet ist, sodass er tatsächlich jeden Term im Modell in Bezug auf alle testet |
| Begriff darin. So werden die Haupteffekte in Ermangelung der Interaktionen zwischen den Items und im Licht der anderen Begriffe auch im Licht der anderen Haupteffekte getestet. |
| Was Sie hier also verwenden möchten, ist, dass wir hier sehen, dass der Effekttest für unseren Zweck nützlich ist, ebenso wie für die Modellreduktion. |
| Und, und es erlaubt uns, Rückschlüsse auf die lange Liste signifikanter Variablen zu ziehen. |
| Wir betrachten die Wahrscheinlichkeit beim niedrigsten ChiQuadrat-Wert (???) und nehmen einen Alpha-Grenzwert von 0,1. |
| Wir haben eine Reihe von unabhängigen Variablen, das ist eine ziemlich lange Liste von ihnen, und die meisten von ihnen beziehen sich tatsächlich auf die Herz-Lungen-Erkrankungen. |
| So sind einige davon betroffen, wie die Anzahl der Symptome, die Anzahl der Tage zwischen dem Beginn der Impfung. |
| (???) ist das mehr in den Impfzentren, dass man an jedem und dann sieht, dass der Rest irgendwie miteinander verwandt ist. |
| Herz-Lungen-Krankheiten, es gibt einige seltsame, die ich nicht aus medizinischer Sicht komme, also verstehe ich es auch nicht wirklich, aber man sieht, dass Taubheit eine davon ist, also gibt es einige |
| seltsame Ergebnisse, die wir hier sehen können, aber im Allgemeinen ist das Bild in Bezug auf die Top-Variablen in Bezug auf das Auflisten von Variablen so. |
| Okay, abgesehen davon, ist es wirklich interessant, sich die Modellbewertung anzusehen. Obwohl wir also ein erklärendes Modell erstellen, |
| Ich habe mir auch das Vorhersagemodell angesehen, weil JMP dort sehr schön einen Bericht eingefügt hat, damit ich mir die Parameterschätzungen ansehen kann |
| Also benutze ich den Profiler, um zu versuchen, die Parameterschätzungen zu verstehen, und Sie können hier sehen, dass die angezeigten Werte wirklich, sehr klein sind, also ist dies der Wert, den Sie erhalten |
| sofort, wenn Sie den Profiler öffnen, also sind die Werte hier der Durchschnitt jeder Variablen und Sie können sehen, dass jede dieser Variablen |
| Jeder dieser Werte ist hier tatsächlich sehr klein, was bedeutet, dass der Schweregrad basierend auf diesen Koeffizienten nur sehr gering beeinflusst wird. |
| Basierend auf diesen als Koeffizienten der vorhergesagten Variablen. Was Sie also auf der Grundlage dieser Studie hier sehen können, können Sie feststellen, dass tatsächlich (???) Symptome und ihre Auswirkungen sehr, sehr wenig Einfluss auf die Schwere haben und so ähnlich ist. |
| Da wir das allgemeine Bild des Impfstoffs betrachten, können wir feststellen, dass die meisten dieser Symptome - Anamnese, Allergien - nur sehr wenig Einfluss auf das Ergebnis haben die des Impfstoffs. |
| Also gut. |
| Ja. |
| Also ein kleines Fazit, ein paar Statements als abschließendes Statement. Bei der Gruppierung und Klassifizierung von Variablen wurden mehrere Entscheidungen getroffen. |
| Und obwohl diese Variablen nach unserem besten Wissen erstellt wurden, insbesondere in der Art und Weise, wie wir eine Bewertung des Schweregrads erstellt haben, |
| Wir brauchen vielleicht einen Experten, der mit Impfstoffstudien oder klinischen Studien vertraut ist, um zu konsultieren, ob die Schweregradbewertung ausreicht, um |
| um die Ergebnisse der unerwünschten Ereignisse zu bewerten. Und basierend auf der Modellbildung von strukturierten und unstrukturierten Daten |
| Wir haben Schlüsselfaktoren identifiziert, die mit dem Schweregrad einer Reaktion auf eine COVID-19-Impfung variieren. |
| Wir sind jedoch immer noch nicht der Meinung, dass der Einfluss dieser Schlüsselvariablen auf den Schweregrad der Antwortvariablen sehr gering ist, sodass dies anhand der Variablen ersichtlich wird. |
| Und schließlich die Dokumenttermmatrix basierend auf den binären Bewertungen, die binäre Termhäufigkeit erwies sich als am effektivsten bei der Darstellung der Gewichte anderer Terme im Dokument. |
| Und das verallgemeinerte lineare Modell mit der lasso-bestraften Regressionstechnik erzeugte das optimale Modell. |
| Daher hoffe ich, dass Ihnen die kurze Präsentation gefallen hat und lassen Sie es mich wissen, wenn Sie Fragen oder Feedback haben. Vielen Dank. |
| Peter Polito | gut gemacht. |
| war sehr. |
| Ach nein. |
| Ich habe gerade erkannt, dass ich ein Fehler bin, wir wollten dieses Leben, oh Gott. |
| Peter Polito | Damit dies genau die Situation ist, in der Sie gut sind. |
| Beim eigentlichen Discovery Summit wird es also einen Moderator geben. |
| Und so werden sie sich im Voraus an Sie wenden und Sie sagen einfach, ich habe einen Fehler auf einer meiner Folien, und in diesem Teil wird es einfach knallen, er oder sie wird es pausieren. |
| Und dann können Sie die Folie teilen und darüber sprechen und dann direkt zum Video zurückkehren, also machen Sie sich keine Sorgen. |
| Das ist beim letztjährigen Entdeckungsgipfel schon einiges passiert, das ist überhaupt kein Problem. |
| Okay okay. |
| Na gut, oh James. |
| Peter Polito | Möchten Sie es reparieren und wiederholen, dann fühlen Sie sich besser. |
| Ich weiß nicht. |
| Wenn es tatsächlich dieses hier ist, weil dies das falsche Feld ist, wird es eine Weile dauern, bis ich es tatsächlich repariert habe, weil ich es erneut eingeben muss, ja. |
| Peter Polito | Ja, dann wusste es nicht, mach dir keine Sorgen, es wird eine wirklich einfache Lösung sein und du kannst es in Echtzeit tun. |
| Okay okay. |
| Okay ja. |
| Danke fürs Sitzen, aber. |
| Peter Polito | Ja, kein Problem ist großartig, ich wirklich. |
| Okay. |
| Peter Polito | Alles klar, alle anderen Fragen oder Kommentare oder so. |
| Ja, ich habe einen, der ist, ähm, also was ist ein Link, wo ich alle meine Folien und meine Leute und ähnliches hochladen kann, aber es gab eine Verwechslung mit meinem. |
| E-Mail, und ich denke von Tanya darüber, dass, als Tanya mir richtig geantwortet hat, ich glaube, dass sie diesen Link verpasst hat, also dachte ich, dass der Link in eine der Aufnahmen eingebettet wird, aber ich nehme an, ihr habt es nicht richtig verstanden . |
| Peter Polito | Ich habe es nicht, aber ich werde Tanya kontaktieren und sie bitten, sich direkt an dich zu wenden. |
| Um Abhilfe zu schaffen. |
| Okay, sicher vielen Dank, ich denke, das macht meine E-Mail aus, ja. |
| Peter Polito | Vielen Dank. |
| Kein Problem, gut, eine gute Nacht und gute Erholung. |
| ja du hast einen guten tag. |
| Peter Polito | Dankeschön. |
| So viel auf Wiedersehen. |
