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, tut mir leid, ich denke an die technischen Schwierigkeiten. |
| Peter Polito | Oh, überhaupt kein Problem. |
| Oh okay, es ist ein netter Jimmy. |
| Peter Polito | Oh, wo. |
| Rufen Sie an von. |
| Singapur. |
| Peter Polito | Singapur, alles klar, wie spät ist es dort? |
| Um 909. |
| Peter Polito | nun ja. |
| Ja, großes Lob an dich. |
| durchhalten. |
| So spät, danke, dass du es gemacht hast. |
| Möglich, nein, es ist alles in Ordnung, ähm ja, ich hoffe, ich mache es gut. |
| Oh. |
| Nein, ich war sehr gestresst. Na ja, ja, okay, lassen Sie mich einfach einen virtuellen Hintergrund hinzufügen. |
| Okay. |
| Peter Polito | Und ich muss noch ein paar Dinge erledigen, bevor wir offiziell anfangen. |
| Okay. |
| Peter Polito | Gib mir einfach eine. |
| Minute hier. |
| Ja. |
| Peter Polito | Ich bringe nur meine Checkliste mit, um sicherzustellen, dass ich hier alles richtig mache. |
| In Ordnung. |
| Also nur zur Bestätigung. |
| Du bist beruhigend. |
| Ja, und Ihr Vortrag trägt den Titel „Ein Modell für Nebenwirkungen von Zirkelimpfstoffen“. |
| Ja, ist das richtig? Ja, das stimmt. |
| 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-Benutzergemeinschaft verfügbar sein wird, sofern Sie die Erlaubnis für diese Aufzeichnung und Verwendung erteilen. |
| Ja, okay, großartig. |
| Ihr Mikrofon klingt gut, ich höre keine Hintergrundgeräusche, Ihr Handy ist ausgeschaltet und all diese Dinge, die zufällige Geräusche verursachen könnten. |
| abwarten. |
| Ich schicke es, ich werde sie finden, ja. |
| Peter Polito | Okay, und dann. |
| Wir müssen überprüfen, ob Sie Ihren Bildschirm freigeben können, und wir werden die Auflösung und einige andere Dinge überprüfen. |
| Okay, sicher. |
| Peter Polito | Danke schön. |
| Es tut mir leid, ist es Lisa Ling oder beruhigend? |
| Mein Vorname passt gut, ja. |
| Peter Polito | Habe es in Ordnung gebracht. |
| Ähm, ist es okay? |
| Peter Polito | Ich sehe es noch nicht, oh ähm, du weißt schon, Kuchen deckt es einen Moment ab. |
| Das sieht gut aus. |
| Und wenn Sie zum unteren Bildschirmrand gehen, wird Ihre Taskleiste tatsächlich angezeigt. Ich sehe Ihre Taskleiste nicht, also sind wir in Ordnung. |
| Okay. |
| Peter Polito | Und lassen Sie mich dafür sorgen. |
| Es handelt sich dabei um alle Programme, die möglicherweise ein Popup-Fenster erstellen, wie etwa Outlook oder Skype, oder solche, die alle geschlossen und beendet werden. |
| Ähm ja, denke ich, also wette ich, dass die Überprüfung auf sie zurückzuführen ist. |
| schließe meine Küche. |
| Okay. |
| Ja, gut. |
| Peter Polito | Okay, und dann arbeiten Sie nur mit PowerPoint oder zeigen Sie auch Jump. |
| Ich hatte Angst vor dem Übergang, also werde ich es von PowerPoint aus übernehmen. |
| Peter Polito | Okay, großartig, dann werde ich meine Kamera stummschalten und ausschalten, wir nehmen bereits auf, also sobald wir. |
| Sobald Sie sehen, dass mein Bild verschwindet, legen Sie los und ich werde Sie aus keinem Grund unterbrechen. Wir werden versuchen, die Präsentation durchzugehen, die 30 Minuten dauert. Also lasst uns durchgehen, und ich werde nicht einmal hier sein es wird so sein, als würdest du mit dir selbst reden. |
| Okay, damit das Protokoll stimmt, okay. |
| Peter Polito | Bist du bereit zu gehen. |
| Ja. |
| Peter Polito | Okay. |
| Alles klar, und nur damit Sie wissen, wann wir eigentlich sind. |
| Nehmen Sie am Entdeckungsgipfel teil, wenn Ihnen morgen auffällt, dass Sie sich vertan haben oder etwas anders darstellen wollten. |
| Sie können live dabei sein, wenn Ihre Präsentationen stattfinden, und Sie können die Person, die die Präsentation vorlegt, um eine Anzahlung bitten und dann sagen, dass Sie wissen, dass ich gleich Folgendes sagen werde. Was ich vermitteln wollte, ist, dass es Ihnen irgendwie gefallen kann. |
| Bearbeiten Sie es in Echtzeit während der Präsentation. Machen Sie sich also keine Sorgen darüber, jedes Wort perfekt hinzubekommen. Entspannen Sie sich einfach und gehen Sie es durch, und ich bin mir sicher, dass alles in Ordnung sein wird. |
| In Ordnung. |
| Ja. |
| Peter Polito | Alles klar, ich schalte meine Kamera stumm und schalte sie aus, und dann fangen Sie 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. |
| Deshalb bin ich heute hier, um eine Aufgabe vorzustellen, die für meinen Masterstudiengang „IT for Business“ eingereicht wurde, und, was noch wichtiger ist, ich möchte meine bisherige JMP-Reise mit Ihnen teilen. |
| Deshalb habe ich dieses Jahr angefangen, JMP zu verwenden, und ich habe mich wirklich in es verliebt, weil es einfach zu bedienen ist und eine Reihe statistischer Methoden und Visualisierungen bietet, die ich damit erstellen kann. |
| Als JMP-Anfänger fühle ich mich wirklich geehrt, hier meinen Bericht vorzustellen und freue mich über Ihr Feedback, denn ich habe das Gefühl, dass ich noch so viel lernen muss, ja. |
| Die Motivation für meinen Aufsatz bestand also eigentlich darin, einen Blick auf die COVID-19-Impfstoffe zu werfen, damit wir wissen, wie wichtig sie sind |
| Die beispiellose Geschwindigkeit, mit der es entwickelt und verabreicht wurde, hat in der Gemeinschaft einige Zweifel an seiner Sicherheit geweckt. |
| Wir verwenden also Daten aus dem US-amerikanischen System zur Meldung unerwünschter Impfereignisse, ja. |
| Daher verwenden wir die Daten von dort, weil wir der Meinung sind, dass sie möglicherweise dabei helfen, festzustellen, ob die Sicherheitsbedenken hinsichtlich des Impfstoffs begründet sind. Daher nutzt dieser Artikel sowohl die strukturierten als auch die unstrukturierten Daten von VAERS, um die Nebenwirkungen von COVID-19-Impfstoffen zu modellieren. |
| Was ist VAERS? Das Center of Disease Control and Prevention und die US-amerikanische FDA verfügen also über dieses System, und es handelt sich tatsächlich um ein unerwünschtes Ereignis |
| System, in dem es Daten sammelt. Im Allgemeinen sehen wir jedoch, dass VAERS-Daten nicht zur Bestimmung kausaler Zusammenhänge mit unerwünschten Ereignissen verwendet werden können |
| weil der Zusammenhang zwischen dem unerwünschten Ereignis und der Impfung nicht nachgewiesen ist. Was wir hier also tatsächlich sehen, ist, dass es Leute gibt, die berichten, aber es gibt auch Leute, die über die Ereignisse berichten, aber dann gibt es keine vollständige Aktion |
| um zu bestätigen, dass zwischen den gemeldeten Symptomen und Ereignissen ein Zusammenhang mit dem Impfstoff besteht. Warum wollen wir diese Daten trotzdem nutzen? Die Daten sind also erstens verfügbar und gemeinfrei. |
| Die Daten sind aktuell und, was noch wichtiger ist, aufgrund der geringen Häufigkeit ist es wahrscheinlich, dass nicht alle unerwünschten Ereignisse während der klinischen Studien erfasst werden. Also |
| Bei klinischen Studien werden in der Regel nur gesunde Personen einbezogen. Es handelt sich also um spezielle Bevölkerungsgruppen, etwa Menschen mit chronischen Krankheiten oder schwangere Frauen |
| begrenzt, sodass sie wissen, dass VAERS eine wichtige Quelle für die Impfstoffsicherheit ist. Weitere Informationen dazu finden Sie unter diesem Link hier. |
| Ja, der für diese Studie verwendete Datensatz stammt aus Baumdatentabellen, die aus VAERS extrahiert wurden. Das erste sind die VAERS-Daten. |
| Es enthält hauptsächlich Informationen über das Patientenprofil und den Ausgang unerwünschter Ereignisse. Ich habe hier also einen kleinen Ausschnitt von JMP |
| Hier haben wir den Text zu den Symptomen und Sie können sehen, dass dies nur ein Bericht ist, der auf einer Person, einem einzelnen Patienten basiert. Okay, und die Daten sind ziemlich schmutzig. |
| Es gibt viele nützliche Informationen im Erzähltext, aber man kann sehen, dass es Rechtschreibfehler, Tippfehler, übermäßig lange oder sogar sehr kurze Aussagen gibt. |
| Die nächsten beiden Datensätze, die wir haben, sind also die VAERS der Impfdaten sowie der Symptome. So enthält das eine Informationen zum Impfstoff, das andere |
| wird aus dem Symptomtext extrahiert, den wir sehen können. Okay, angesichts dieser Zugänglichkeit wurden die VAERS-Daten tatsächlich ziemlich ausgewertet |
| Vieles von einer ganzen Reihe von Forschern, aber wie Sie sehen, ist die Verwendung der Daten tatsächlich sehr schwierig, da die Qualität des Berichts schwankt. |
| Und es gibt auch etwas, das möglicherweise nicht echt ist. Eine Überprüfung der Leistung zeigt also, dass normalerweise eine Form der manuellen Überprüfung eingesetzt wird, um die erforderlichen Informationen zu extrahieren. |
| Allerdings ist dies auch recht arbeitsintensiv und ziemlich schwierig, daher zielt dieser Artikel darauf ab, die Methoden zum Extrahieren der Schlüsselinformationen mithilfe von Textanalysetechniken in JMP vorzustellen |
| und versuchen Sie, ein Erklärungsmodell zu erstellen, um die wichtigsten Variablen zu erklären, die an diesem Ereignis beteiligt sind. Wir haben also jede dieser Datentabellen hier einzeln bereinigt und sie dann mithilfe der VAERS-ID zusammengefügt. |
| Basierend auf den Patientenergebnissen leiteten wir etwas ab, das als Schweregradbewertung bezeichnet wird. Darauf werde ich etwas später eingehen. Also, sobald die Tische verbunden sind |
| Es gibt vier Erzähltexte. Eines zu Allergien, Medikamenten, Krankengeschichte und Symptomen. |
| Und dann werden wir Textanalysetechniken verwenden, um die Vektoren für die Top-Begriffe zu extrahieren, die ... die Schweregradbewertung 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 zusammengetragen und dann in den Modellbau gesteckt. |
| Okay, worum geht es bei dieser Schweregradbewertung? Es basiert auf dem Ergebnis des Patienten. Die VAERS-Daten enthalten 12 Variablen, die den Status des Patienten beschreiben. |
| Und dann haben wir auf dieser Grundlage die Variablen extrahiert und versucht, sie zu verstehen, sodass wir vier Schweregrade ermittelt haben und diese dann als Schweregradbewertung bezeichnen. |
| Als nächstes werden wir ein wenig darüber sprechen, wie wir es verwenden |
| JMP Pro Text Explorer-Plattform für die Textanalyse und wir beginnen mit der Datenbereinigung. Wir wollten also wirklich die wesentlichen Begriffe aus den Textdaten extrahieren. |
| Und ergänzen Sie sie mit den strukturierten Variablen, um Ihr Modell zu erstellen. Wie Sie sehen, sind die Textdaten tatsächlich ziemlich chaotisch, also haben wir Folgendes getan |
| Entscheiden Sie sich zunächst für die Verwendung des Begriffs „Häufigkeit“, welche Art von Begriffshäufigkeit verwendet werden soll, und wählen Sie dann den binären Begriff „Häufigkeit“ aus, da die Daten zeigen, dass die Verwendung dieses Begriffs einen erheblichen Vorteil mit sich bringt. |
| Als nächstes ein wenig über die Reinigung, die hereingekommen ist. Daher wurden die Textdaten zunächst mit dem JMP Pro Text Explorer organisiert und wir verwendeten eine nützliche Funktion, mit der Phrasen hinzugefügt und automatisch identifiziert werden können |
| Die Begriffe sind, wie Sie sehen können, so, als würden Begriffe wie „weiße Blutkörperchen“ als Phrase beibehalten, anstatt in „weißes Blut und weiße Blutkörperchen“ hineingezogen zu werden, was keinen großen Sinn ergibt. |
| Und noch ein paar andere Methoden. Es handelt sich also um einen Standard zum Kombinieren, der die Wörter basierend auf den Wortendungen bildet, und dann haben wir uns auch überlegt, die Liste alphabetisch zu sortieren, um etwa falsch geschriebene Wörter oder Tippfehler oder ähnliches neu zu kodieren. |
| Ja, und als Nächstes mussten wir die sehr praktische Funktion nutzen, um alle ähnlichen Elemente zusammen neu zu kodieren. |
| Nachdem wir den Text bereinigt haben, schauen wir uns als Nächstes den Text an |
| War der Blick auf den Workflow eigentlich. Der Workflow eignet sich zum Ausschließen von Stoppwörtern und zum Erkennen der Auswirkung der Zielvariablen auf die Begriffe. |
| Deshalb habe ich hier die häufigsten Begriffe nach Größe und Farbe basierend auf der Schweregradbewertung visualisiert. |
| Sie können also sehen, dass die helleren Farben zu den weniger schwerwiegenden Fällen gehören und die dunkleren zu den anderen schwerwiegendsten Fällen gehören, und Sie können es gerne aufheben, dann sind die Wörter recht klein. |
| Und es zeigt wirklich, dass die häufigen Symptome nicht schwerwiegend sind, aber wir haben Begriffe wie Lungenembolie und solche Dinge aufgeschnappt. Diese beziehen sich also auf das schwerwiegendste unerwünschte Ereignis. |
| Als nächstes verwenden wir den Begriff „Auswahl“. Der Begriff „Auswahl“ ist also die neue Funktion von JMP Pro 16, die recht zeitgemäß war. |
| Es integriert also das verallgemeinerte Regressionsmodell in die Textanalyseplattform, sodass Sie im Anschluss an die Textanalyseplattform einfach dort auswählen können, wo sich die Begriffsauswahl befindet. |
| Und dann ermöglicht es die Identifizierung von Schlüsselbegriffen, die für die Antwortvariable wichtig sind. Unsere Antwortvariable ist also die Schweregradbewertung. |
| Warum also das verallgemeinerte 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, weil sie zu unserem Datensatz passt. |
| Und jede Rolle, die wir in unserer Datentabelle haben, ist ein Patient und alle diese sind unabhängig voneinander. |
| Das Wichtigste ist also auch, dass das verallgemeinerte Regressionsmodell eine Variablenauswahl ermöglicht. Das ist es, was wir tun wollen, weil wir die Variablen mit dem größten Einfluss auf die Antwortvariable auswählen wollen. |
| Ja, also ein bisschen mehr Details zu diesem Regressionsmodell. Es gibt ein paar Optionen, die wir hier verwenden können, nämlich das elastische Netz und das Lasso. |
| Der Unterschied besteht darin, dass das Lasso dazu neigt, einen Begriff aus einer Gruppe korrelierter Faktoren auszuwählen, während das elastische Netzwerknetz eine Gruppe von Begriffen auswählt. Im Allgemeinen denke ich, dass ein elastisches Netz verwendet wird, und hier kam dann unsere Wahl des binären Begriffs „Frequenz“ ins Spiel. |
| Okay, das ist das Ergebnis der Begriffsauswahl. Sie können das hier sehen, das Ihnen einen Überblick über (???) und dann verallgemeinert (???) zeigt, aber interessanter |
| Wenn Sie mit dem Koeffizienten begonnen haben, können Sie sehen, dass dies die wichtigsten positiven Koeffizienten sind. Das sind also die wichtigsten Faktoren, die im Hinblick auf unsere Antwortvariable die größte Rolle spielen. |
| Und dieses hier sind die Symptome, die am wenigsten eine Rolle spielen, wenn man sie nach dem Koeffizienten sortiert. Wenn Sie sich also die Ergebnisse ansehen, können Sie sehen, dass Herzstillstand, COVID-19-Pneumonie und zerebrale Gefäßunfälle allesamt Begriffe sind, die sich auf die Antwortvariable auswirken. |
| Wir können also sehen, dass Begriffe ernsterer Art mit Herz und Lunge in Zusammenhang stehen, im Gegensatz zu den eher niederfrequenten Begriffen, die eigentlich sehr, sehr milde Symptome sind. |
| Okay, also wiederholen wir diesen ganzen Vorgang für alle anderen |
| Für alle anderen Textvariablen sind wir zum Beispiel für Symptome gegangen, also gibt es auch die Allergien und die Krankengeschichte |
| sowie die Medikamente, die verwendet werden, also haben wir später die Dokumentbegriffsmatrix gespeichert. Okay, im Grunde speichert der DTM jedes Mal eine Spalte in der Datentabelle. |
| Hier sehen Sie ein Beispiel, in dem es hauptsächlich viele Nullen gibt, da es sich um eine sehr dünnbesiedelte Matrix handelt. Eine davon zeigt das Vorhandensein von (???) an. Nehmen wir diese Spalte hier. |
| Also speichern wir es und wiederholen den Vorgang für die andere Textanalyse. |
| Und nachdem wir alle diese Begriffe gespeichert hatten, gingen wir zum Modellieren über. Deshalb sollte die Modellierung sozusagen wie eine Validierungsspalte eingebaut werden, also sind wir hier zur prädiktiven Modellierung übergegangen und haben eine Validierungsspalte erstellt. Hier haben wir also die Optionen ausgewählt und sie als Validierungseinstellung auf 55 % festgelegt. |
| Und die ganze Sache hier bestand darin, die wichtigen Variablen mit dem Schweregrad als Antwortvariable zu identifizieren. Insgesamt haben wir also sieben Strukturvariablen und 55, die aus der Dokumentbegriffsmatrix abgeleitet wurden, und insgesamt etwa 31.000 Regeln. |
| Und was wir sehen, ist, dass es dort ein Ungleichgewicht gibt, weil man aufgrund der Schweregradbewertung einen unausgeglichenen Datensatz erhält. Aus diesem Grund haben wir unsere Modellbewertung anhand des Vergleichs des R-Splits und der AIC-Werte durchgeführt. |
| Also. |
| Wir verwenden also das Anpassungsmodell in JMP und wählen erneut das verallgemeinerte Regressionsmodell. |
| Und wir können sehen, dass dies hier die Ergebnisse sind, sodass separate Modelle, wie Sie denken, die Gruppe der verallgemeinerten linearen Modelle unter Verwendung der bestraften Regressionstechniken erstellt wurden. |
| Und dann versuchen wir, die verschiedenen Merkmale hier anzupassen, das sind alle anderen bestraften Schätzmethoden. |
| Wir können also sehen, dass die Lasso-Methode von allen Modellen den niedrigsten bzw. höchsten Rsquare-Wert hat, und es gibt auch andere Werte, die ziemlich nahe beieinander liegen, also werden wir sie uns genauer ansehen. |
| Wenn man also das Maximum-Likelihood-Modell und das auf der ROC-Kurve basierende Lasso-Modell vergleicht, erkennt man, dass tatsächlich beide ROC-Kurven recht ähnlich sind. |
| Die ROC-Kurve für das Maximum-Likelihood-Modell zeigt jedoch, dass es den höchsten Schweregrad aufweist. |
| Leider zeigt die ROC-Kurve für das Maximum-Likelihood-Modell das |
| Der ROC-Wert ist für die höchste Schweregradbewertung höher, und Sie können sehen, dass es hier nur einen geringfügigen Unterschied zwischen beiden gibt. |
| Und im Allgemeinen nimmt der Bereich mit abnehmender Schweregradbewertung tatsächlich zu, und einer der Gründe dafür ist, dass unser Datensatz sehr unausgewogen ist. |
| Bei der Schweregradbewertung von vier, also der höchsten Stufe, beträgt der größte Teil Ihrer Stufe nur etwa 5 % der gesamten Datenwerte. Insgesamt ist der Unterschied zwischen beiden also eigentlich sehr gering, daher wählen wir die Stufe mit einer etwas größeren Fläche . |
| Okay, also unser nächstes Thema ist der Effekttest. Im Bericht können Sie also auswählen, dass der Effekttest angezeigt wird, also der Effekttest |
| der Hypothesentest der Nullhypothese, dass die Variable keinen Einfluss auf den Rest hat. |
| Es gab diese sehr schöne Erklärung des Effekttests in der JMP-Community, ich glaube, sie wurde von beigetragen |
| Mark Bailey. Er spricht also ein wenig darüber, wie der Effekttest tatsächlich auf der Quadratsumme vom Typ III für die ANOVA basiert. |
| Wir können also sehen, dass der Effekttest hier aufgrund unseres Datensatzes sehr gut geeignet ist, da er tatsächlich jeden Term im Modell im Hinblick auf jeden testet |
| Begriff darin. Daher werden die Haupteffekte in Abwesenheit der Wechselwirkungen zwischen den Elementen und im Lichte der anderen Begriffe getestet, auch im Lichte der anderen Haupteffekte. |
| 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 es ermöglicht uns, Rückschlüsse auf die lange Liste signifikanter Variablen zu ziehen. |
| Wir betrachten die Wahrscheinlichkeit beim niedrigsten ChiSquare-Wert (???) unter Annahme eines Cutoff-Alpha-Werts von 0,1. |
| Wir verfügen über eine Reihe unabhängiger Variablen, das ist also eine ziemlich lange Liste, und die meisten beziehen sich, wie Sie sehen, tatsächlich auf Herz-Lungen-Erkrankungen. |
| Einige davon sind also die Betroffenen, wie die Anzahl der Symptome und die Anzahl der Tage zwischen dem Beginn der Impfung. |
| (???) ist das Weitere, in dem sich die Impfzentren befinden, und dann kann man sehen, dass der Rest irgendwie mit einem anderen zusammenhängt. |
| Herz-Lungen-Erkrankungen, es gibt einige seltsame, ich habe keinen medizinischen Hintergrund, 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 so, in Bezug auf die Top-Variablen in Bezug auf die Auflistung von Variablen. |
| Okay, abgesehen davon, richtig, was wirklich interessant ist, ist die Modellbewertung. Auch wenn es sich bei uns um die Erstellung eines erklärenden Modells handelt, |
| Ich habe mir auch das Vorhersagemodell angesehen, weil JMP dort einen sehr guten Bericht bereitgestellt hat, damit ich mir die Parameterschätzungen ansehen kann |
| Deshalb verwende ich den Profiler, um zu versuchen, die Parameterschätzungen zu verstehen, und Sie können hier sehen, dass die angezeigten Werte wirklich sehr, sehr klein sind, also ist dies der Wert, den Sie erhalten |
| sofort, wenn Sie den Profiler öffnen, sodass die Werte hier der Durchschnitt jeder Variablen sind und Sie können sehen, dass jede dieser Variablen |
| Da jeder dieser Werte hier tatsächlich sehr klein ist, bedeutet dies, dass es nur sehr geringe Auswirkungen auf den Schweregrad gibt, der auf diesen Koeffizienten basiert. |
| Basierend auf diesen als Koeffizient der vorhergesagten Variablen. Was Sie also anhand dieser Studie hier sehen können, ist, dass tatsächlich (???) Symptome und ihre Auswirkungen sehr, sehr wenig Einfluss auf den Schweregrad haben, und das ist in etwa so. |
| Es ist durchaus zu erwarten, dass die meisten dieser Symptome und Wirkungen zu sehen sind. Da wir uns das allgemeine Bild des Impfstoffs ansehen, können wir sehen, dass die meisten dieser Symptome – Krankengeschichte, Allergien – tatsächlich nur sehr geringe Auswirkungen auf das Ergebnis haben die des Impfstoffs. |
| Okay, also. |
| Ja. |
| Also ein kleines Fazit, ein paar Aussagen als Schlussbemerkung. Bei der Gruppierung und Klassifizierung der Variablen wurden mehrere Entscheidungen getroffen. |
| Und obwohl diese Variablen nach bestem Wissen und Gewissen erstellt wurden, insbesondere in der Art und Weise, wie wir eine Schweregradbewertung erstellt haben, |
| Möglicherweise benötigen wir einen Experten, der sich mit Impfstoffstudien oder klinischen Studien auskennt, um zu erfahren, ob die Schweregradbewertung ausreichend ist oder nicht |
| um die Ergebnisse unerwünschter Ereignisse zu bewerten. Und basierend auf der Modellbildung strukturierter und unstrukturierter Daten |
| Wir haben Schlüsselfaktoren identifiziert, die je nach Schweregrad einer Reaktion auf eine COVID-19-Impfung variieren. |
| Allerdings sind wir immer noch nicht davon überzeugt, dass die Auswirkung dieser Schlüsselvariablen auf den Schweregrad der Antwortvariablen sehr gering ist, sodass dies anhand der Variablen ersichtlich ist. |
| Und schließlich wurde festgestellt, dass die binäre Begriffshäufigkeit in der Dokumentbegriffsmatrix, die auf der binären Bewertung basiert, die Gewichtung anderer Begriffe im Dokument am effektivsten darstellt. |
| Und das verallgemeinerte lineare Modell mit der Lasso-bestraften Regressionstechnik ergab das optimale Modell. |
| Ich hoffe also, dass Ihnen die sehr 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. |
| Mir ist gerade klar geworden, dass es ein Fehler war, dass wir dieses Leben wollten, oh Gott. |
| Peter Polito | Das ist also genau die Situation, in der es Ihnen gut geht. |
| Beim eigentlichen Entdeckungsgipfel 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 auftauchen und er oder sie wird es anhalten. |
| Und dann können Sie die Folie teilen und darüber sprechen und dann direkt zum Video zurückkehren, also machen Sie sich darüber überhaupt keine Sorgen. |
| Das ist beim letztjährigen Entdeckungsgipfel ziemlich oft passiert, das ist überhaupt kein Problem. |
| Okay okay. |
| Meine Güte, James. |
| Peter Polito | Würden Sie es gerne reparieren und wiederholen, damit Sie sich besser fühlen? |
| Ich weiß nicht. |
| Wenn es tatsächlich dieses hier ist, weil es das falsche Kästchen ist, wird es eine Weile dauern, bis ich es wirklich in Ordnung bringe, weil ich es noch einmal eingeben muss, ja. |
| Peter Polito | Ja, dann wusste es es nicht, machen Sie sich keine Sorgen, es wird eine wirklich einfache Lösung sein und Sie können es in Echtzeit tun. |
| Okay okay. |
| Okay, ja. |
| Vielen Dank, dass Sie es durchgehalten haben. |
| Peter Polito | Ja, kein Problem, das ist großartig, wirklich. |
| Okay. |
| Peter Polito | Alles klar, alle anderen Fragen oder Kommentare oder so. |
| Ja, ich habe einen. Ähm, was ist denn mit einem Link, über den 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 Tanya, als sie mir richtig geantwortet hat, diesen Link meiner Meinung nach übersehen hat, also dachte ich, dass der Link in eine der Aufnahmen eingebettet wird, aber ich glaube nicht, dass ihr es richtig verstanden habt . |
| Peter Polito | Ich habe es nicht, aber ich werde Tanya kontaktieren und sie bitten, sich direkt an Sie zu wenden. |
| Um Abhilfe zu schaffen. |
| Okay, klar, vielen Dank. Ich denke, das macht meine E-Mail wieder gut, ja. |
| Peter Polito | Vielen Dank. |
| Kein Problem, ich wünsche Ihnen eine gute Nacht und gute Erholung. |
| Ja, du hast einen schönen Tag. |
| Peter Polito | Danke schön. |
| So viel Tschüss. |
