Vocero | Transcripción |
| Peter Polito | Cómo estás hoy. |
| Puedes oírme. |
| Si estás hablando, no puedo escucharte. |
| Hola. |
| prueba prueba. |
| Oh, hola Leo, ¿puedes oírme? |
| sí, lo siento, pienso en las dificultades técnicas, sí. |
| Peter Polito | Oh, no hay problema en absoluto. |
| Oh, está bien, es un buen Jimmy. |
| Peter Polito | Oh dónde. |
| ¿Estás llamando desde. |
| Singapur. |
| Peter Polito | Singapur está bien, qué tarde, es allí. |
| Aproximadamente 909. |
| Peter Polito | Sí, bueno. |
| sí, felicitaciones por. |
| colgando de. |
| tan tarde gracias por hacerlo. |
| Posible no, está bien um sí, espero hacer una buena. |
| Oh. |
| No, he estado muy estresado por esto Oh, bueno, sí, estoy bien, déjame poner un fondo virtual. |
| Bueno. |
| Peter Polito | Y tengo que pasar por un par de cosas antes de que comencemos oficialmente. |
| Bueno. |
| Peter Polito | solo dame una. |
| minuto aquí. |
| sí. |
| Peter Polito | Solo traigo mi lista de verificación para asegurarme de hacer todo correctamente aquí. |
| bien. |
| Así que solo para confirmar. |
| Eres reconfortante. |
| sí, y su charla se titula un modelo de reacción adversa a la vacuna del aquelarre. |
| Sí, eso es correcto, sí, eso es correcto. |
| Peter Polito | Muy bien, y luego solo para asegurarse de que comprende que esto se está grabando para el uso y la conferencia de la cumbre de descubrimiento de salto estará disponible públicamente en la comunidad de usuarios de salto, ¿da permiso para esta grabación y uso? |
| Sí, está bien, genial. |
| su micrófono suena bien, no escucho ningún ruido de fondo si su teléfono celular está apagado y todo ese tipo de cosas que pueden hacer algunos ruidos aleatorios. |
| Aférrate. |
| Lo enviaré y los encontraré, sí. |
| Peter Polito | De acuerdo, y luego. |
| Necesitamos verificar si puedes ir y compartir tu pantalla y revisaremos y verificaremos la resolución y algunas otras cosas. |
| Bien, seguro. |
| Peter Polito | Gracias. |
| lo siento, es Lisa ling o calmante. |
| Mi primer nombre está muy bien, sí. |
| Peter Polito | lo tengo bien. |
| um está bien. |
| Peter Polito | No lo veo todavía, oh um, sabes que el pastel lo cubre solo un momento. |
| Eso se ve bien. |
| Y si vas a la parte inferior de tu pantalla, ¿tu barra de tareas en realidad? No veo tu barra de tareas, así que estamos bien. |
| Bueno. |
| Peter Polito | Y déjame asegurarme. |
| Son todos los programas que pueden crear una ventana emergente como Outlook o Skype o cualquiera de esos son todos los que se cierran y se abandonan. |
| um, sí, creo, así que apuesto a que los verificaría. |
| cierra mi cocina. |
| Bueno. |
| si bien. |
| Peter Polito | Bien, y luego, vas a trabajar solo desde un PowerPoint o también mostrarás un salto. |
| Estaba preocupado por el tránsito, así que lo estaré destinado desde PowerPoint. |
| Peter Polito | Bien, genial, entonces voy a silenciar y apagar mi cámara ya estamos grabando tan pronto como lo hagamos. |
| Tan pronto como veas que mi foto se va, sigue adelante y comienza y no voy a interrumpir por ningún motivo e intentaremos pasar por una presentación de 30 minutos, así que sigamos, y ni siquiera estaré aquí. será como si estuvieras hablando contigo mismo. |
| De acuerdo, para que el Acta esté bien. |
| Peter Polito | Estas listo para ir. |
| sí. |
| Peter Polito | Bueno. |
| De acuerdo, y es solo para que sepas cuando realmente. |
| Tenga la cumbre del descubrimiento, si mañana se da cuenta de que se ha equivocado o quería presentar algo de una manera ligeramente diferente. |
| Puede estar en vivo en el momento en que van sus presentaciones, y puede pedirle a la persona que presenta un depósito y luego puede decirle que sabe que estoy a punto de decir esto, lo que quería transmitir es que puede gustarle. |
| edite en tiempo real durante la presentación, así que no se preocupe por obtener cada palabra a la perfección, simplemente relájese y revíselo, y estoy seguro de que todo irá bien. |
| Está bien. |
| sí. |
| Peter Polito | Muy bien, voy a silenciar y apagar mi cámara y luego seguir adelante y empezar bien. |
| Gracias Peter. |
| Hola, soy Suling. Soy un estudiante de maestría en la Universidad de Administración de Singapur, donde actualmente estoy cursando un curso de análisis de datos en la Escuela de Computación y Sistemas de Información. |
| De hecho, estoy aquí hoy para presentar una tarea que se ha enviado para mi programa de maestría en TI para empresas y, lo que es más importante, quiero compartir mi viaje con JMP hasta ahora. |
| Así que comencé a usar JMP este año y realmente me enamoré de él debido a la facilidad de uso y la variedad de métodos estadísticos y las visualizaciones que podía hacer con él. |
| Entonces, como principiante que usa JMP, me siento realmente honrado de estar aquí presentando mi informe y déjenme sus comentarios, porque siento que tengo mucho más para aprender, sí. |
| Entonces, la motivación de mi artículo fue en realidad mirar las vacunas COVID 19, para que sepamos lo importantes que son, pero en |
| la velocidad sin precedentes a la que se desarrolló y administró ha generado algunas dudas en la comunidad con respecto a su seguridad. |
| Así que estamos usando datos del sistema de notificación de eventos adversos de vacunas de los Estados Unidos, sí. |
| Por lo tanto, estamos usando datos de allí porque descubrimos que existe la posibilidad de ayudar a determinar si se fundamentan las preocupaciones de seguridad de la vacuna. Por lo tanto, este artículo utiliza tanto los datos estructurados como los no estructurados de VAERS para modelar la reacción adversa de las vacunas COVID-19. |
| Entonces, ¿qué es VAERS? Entonces, el Centro de Control y Prevención de Enfermedades y la FDA de EE. UU. Han tenido este sistema, y en realidad es un evento adverso. |
| sistema donde recopila datos. Pero, en general, lo que vemos es que los datos de VAERS que no se pueden utilizar para determinar vínculos causales con eventos adversos |
| porque el vínculo entre el evento adverso y la vacunación no está establecido. Entonces, lo que realmente vemos aquí es que hay personas que están informando, pero hay personas que están informando los eventos, pero luego no hay mucha acción que sea |
| para confirmar que estos síntomas y eventos que se informan, existe algún vínculo con la vacuna. Entonces, ¿por qué todavía queremos usar estos datos? Entonces, en primer lugar, los datos están disponibles y son de dominio público. |
| Los datos están actualizados y, lo que es más importante, es probable que no se capturen todos los eventos adversos durante los ensayos clínicos debido a su baja frecuencia. Entonces |
| por lo general, para los ensayos clínicos, solo incluyen a los individuos sanos. Por tanto, poblaciones especiales, como las que padecen enfermedades crónicas o las mujeres embarazadas, son |
| limitado para que sepan que VAERS es una fuente importante para la seguridad de las vacunas. Entonces, para obtener más información al respecto, puede buscar este enlace aquí. |
| Sí, el conjunto de datos utilizado para este estudio proviene de tablas de datos de árbol extraídas de VAERS. El primero son los datos de VAERS. |
| Contiene principalmente información sobre el perfil de los pacientes y el resultado de los eventos adversos, así que lo que tengo aquí es un pequeño clip de JMP |
| donde tenemos aquí el texto de los síntomas y puede ver que este es solo un informe basado en una persona, un paciente. Está bien, y los datos están bastante sucios. |
| Hay mucha información útil en el texto narrativo, pero se puede ver que hay errores ortográficos, errores tipográficos, excesivamente largos o incluso como declaraciones muy breves. |
| Entonces, los siguientes dos conjuntos de datos que tenemos son los VAERS de los datos de vacunación, así como los síntomas. Entonces uno contiene información sobre la vacuna, el otro |
| se extrae del texto de síntomas que podemos ver. Bien, dada esta accesibilidad, en realidad los datos de VAERS se han extraído bastante |
| mucho por un gran número de investigadores, pero, como puede ver, los datos son realmente muy difíciles de usar ya que la calidad del informe varía. |
| Y también hay algo que podría no ser genuino. Así que revise el poder, que muestra que se suele emplear alguna forma de cribado manual para extraer la información requerida. |
| Sin embargo, esto también es bastante laborioso y bastante difícil, por lo que este documento tiene como objetivo mostrar los métodos para extraer la información clave utilizando técnicas de análisis de texto en JMP. |
| e intentar hacer un modelo explicativo para explicar las variables más importantes involucradas en este evento. Entonces, lo que hicimos fue que para cada una de estas tablas de datos aquí las limpiamos individualmente y luego las unimos usando el VAERS ID. |
| Lo que hicimos basándonos en los resultados de los pacientes fue derivar algo que se llama índice de gravedad, hablaré un poco sobre esto más adelante. Así que una vez que se unen las mesas |
| hay cuatro textos narrativos. Uno sobre alergias, medicación, historial médico y síntomas. |
| Y luego usaremos técnicas de análisis de texto para extraer los vectores de los términos principales que ... explicarán la clasificación de gravedad para cada uno de los datos de texto. |
| Y únalas en las variables estructuradas de datos de la hoja de cálculo existentes en el conjunto de datos. Está bien, y luego todo esto se compila y luego lo pones en la construcción de modelos. |
| Bien, entonces, ¿de qué se trata esta clasificación de gravedad? Se basa en el resultado del paciente, los datos del VAERS tienen 12 variables que describen el estado del paciente. |
| Y luego, basándonos en esto, hemos extraído las variables y tratamos de darle sentido, así que obtuvimos cuatro niveles de severidad y luego lo llamamos el índice de severidad. |
| A continuación, hablaremos un poco sobre cómo usamos |
| Plataforma JMP Pro Text Explorer para análisis de texto y comenzamos con la limpieza de datos. Entonces, lo que queríamos hacer era extraer realmente los términos significativos de los datos del texto. |
| Y agréguelos a las variables estructuradas para construir su modelo. Como puede ver, en realidad, los datos de texto son bastante desordenados, así que lo que hicimos fue |
| En primer lugar, decida entre usar el término frecuencia, qué tipo de término frecuencia usar, y luego se seleccionó el término binario frecuencia, ya que los datos muestran que hay una ventaja significativa de considerarlo, de usarlo. |
| A continuación, un poco sobre la limpieza que llegó. Entonces, los datos de texto se organizaron primero usando el Explorador de texto de JMP Pro y usamos una función útil que está allí para agregar frases e identificar automáticamente |
| los términos, de modo que lo que puede ver son términos como glóbulos blancos que se mantienen como una frase en lugar de ser introducidos en la sangre y los glóbulos blancos, lo que no tendrá mucho sentido. |
| Y algunos otros métodos también para usar. Entonces, uno es el estándar para combinar las palabras que derivan de las palabras en función de las terminaciones de las palabras y luego también pensamos en ordenar la lista alfabéticamente para recodificar como palabras mal escritas o errores tipográficos o lo que es similar. |
| Sí, y luego lo siguiente fue usar la función muy útil para recodificar todos los elementos similares juntos, sí. |
| Entonces, lo siguiente que hacemos después de limpiar el texto fue mirar el |
| fue la mirada al flujo de trabajo en realidad. El flujo de trabajo es útil para la exclusión de palabras vacías y para ver el efecto de la variable de destino en los términos. |
| Entonces, lo que hice aquí fue visualizar los términos más frecuentes por tamaño y colorearlos según la clasificación de gravedad. |
| Entonces puede ver que los colores más claros pertenecen a los casos menos severos y los más oscuros son los otros más severos, y puede que le guste retomar, entonces las palabras son bastante pequeñas. |
| Y realmente muestra que los síntomas comunes no son graves, pero recogimos los términos por la embolia pulmonar incidente vascular cerebral y cosas por el estilo. Entonces, estos están relacionados con el evento adverso más grave. |
| Lo siguiente que usamos es el término selección, por lo que el término selección es la nueva característica JMP Pro 16, que fue bastante oportuna. |
| Por lo tanto, integra el modelo de regresión generalizada en la plataforma de análisis de texto, por lo que, siguiendo desde la plataforma de análisis de texto, puede seleccionar esto donde está la selección de términos. |
| Y luego, permite la identificación de términos clave que son importantes para la variable de respuesta. Entonces, nuestra variable de respuesta es la clasificación de gravedad. |
| Entonces, ¿por qué utilizar el modelo de regresión generalizada? Por lo tanto, se usa ampliamente para variables no distribuidas normalmente o altamente correlacionadas. |
| Donde los datos son independientes entre sí y no muestran otra correlación. Entonces, este método aquí es útil para nosotros porque se ajusta a nuestro conjunto de datos. |
| Y cada rol que tenemos dentro de nuestra tabla de datos es un paciente y todos esos son independientes entre sí. |
| Entonces, y luego lo más importante es también que el modelo de regresión generalizada permite la selección de variables, así que eso es lo que queremos hacer porque queremos recoger las variables con mayor influencia en la variable de respuesta. |
| Sí, así que un poco más de detalle sobre este modelo de regresión, hay algunas opciones que podemos usar aquí, que son la red elástica, así como el lazo. |
| Entonces, aquí está lo diferente de estos: el lazo tiende a seleccionar un término de un grupo de factores correlacionados, mientras que la red elástica seleccionará un grupo de términos. Entonces, en general, creo que se usa la red elástica, y luego aquí es nuestra elección del término binario frecuencia. |
| Bien, este es el resultado de la selección de términos, por lo que puede ver eso aquí que le muestra la descripción general de (???) y luego generalizado (???) pero más interesante |
| cuando comenzó por el coeficiente, puede ver que estos son los coeficientes positivos superiores. Por lo tanto, estos son los factores principales que juegan el papel más importante en términos de nuestra variable de respuesta. |
| Y este de aquí son los síntomas que menos influyen cuando se clasifican según el coeficiente. Entonces, al mirar los resultados, puede ver que el paro cardíaco y la neumonía COVID-19, accidentes vasculares cerebrales, son todos los términos que afectan la variable de respuesta. |
| Entonces, podemos ver que los términos de naturaleza más seria están relacionados con el corazón y los pulmones, en comparación con los de frecuencia más baja, que son síntomas muy, muy leves, en realidad. |
| De acuerdo, repetimos todo este proceso para todos los demás |
| para todas las demás variables de texto, por lo que hemos ido al ejemplo para los síntomas, por lo que también están las alergias, el historial médico |
| así como los medicamentos que se utilizan, por lo que lo que hicimos más tarde fue guardar la matriz de términos del documento. Bien, que es básicamente el DTM guarda una columna en la tabla de datos para cada vez. |
| Entonces puede ver aquí un ejemplo, principalmente muchos ceros porque es una matriz muy escasa, por lo que uno indicará la presencia de, tomemos esta columna aquí, uno indicará la presencia de (???) .. |
| Así que lo guardamos y repetimos el proceso para el otro análisis de texto. |
| Y luego, una vez que tenemos todos estos términos guardados, pasamos al modelado. Entonces, por lo tanto, el modelado se construyó como una especie de columna de validación, así que aquí, fuimos al modelado predictivo y hicimos la columna de validación. Así que aquí seleccionamos las opciones, así que póngalo como configuración de validación al 55%. |
| Y todo el asunto aquí fue identificar las variables importantes con la severidad como una variable de respuesta. Así que, en total, tenemos siete variables de estructura y 55 que se derivaron de la matriz de términos del documento y un total de aproximadamente 31,000 reglas. |
| Y lo que vemos es que hay un desequilibrio allí debido a una clasificación de gravedad que obtiene un conjunto de datos desequilibrado. Entonces, debido a esto, hicimos nuestra evaluación del modelo al comparar la división R y los valores de AIC. |
| Entonces. |
| Usamos el modelo de ajuste en JMP y volvemos a elegir el modelo de regresión generalizado. |
| Y podemos ver que estos son los resultados aquí, modelos tan separados que usted cree que se preparó el grupo de modelos lineales generalizados, utilizando las técnicas de regresión penalizadas. |
| Y luego tratamos de ajustar en función de las diversas características aquí, estos son todos los otros métodos de estimación penalizados. |
| Entonces, de todos los modelos, podemos ver que el método de lazo tiene el menor perdón tiene el valor de Rsquare más alto, y hay otros valores que también se acercan bastante, así que vamos a echarles un vistazo más de cerca. |
| Entonces, al comparar el modelo de máxima verosimilitud, así como el modelo de lazo basado en la curva ROC, puede ver que en realidad ambas curvas ROC son bastante similares. |
| Y sin embargo, la curva ROC para el modelo de máxima verosimilitud muestra que tiene la mayor gravedad. |
| Lo sentimos, la curva ROC para el modelo de máxima verosimilitud muestra que |
| el valor de ROC es más alto para la clasificación de gravedad más alta, y puede ver que aquí solo hay una pequeña diferencia entre ambos. |
| Y, en general, a medida que baja la clasificación de gravedad, el área en realidad aumenta y una de las razones es que nuestro conjunto de datos está muy desequilibrado. |
| Entonces, la calificación de gravedad de cuatro, que es el nivel más alto, la mayor parte de su nivel es solo alrededor del 5% de los valores de datos totales, está bien, por lo que, en general, esta diferencia es muy pequeña entre ambos, por lo que elegimos el que tiene un área un poco más grande . |
| Bien, entonces nuestro próximo paso a la prueba de efectos. Entonces, en el informe, puede elegir ver la prueba de efectos, por lo que la prueba de efectos es |
| la prueba de hipótesis de la hipótesis nula de que la variable no tiene efecto sobre el resto. |
| Hubo esta muy buena explicación de la prueba de efectos en la comunidad JMP, creo que fue aportada por |
| Mark Bailey. Así que habla un poco sobre cómo la prueba de efectos se basa en realidad en la suma de cuadrados de Tipo III para ANOVA. |
| Entonces podemos ver que la prueba de efectos es muy adecuada aquí debido a nuestro conjunto de datos, por lo que en realidad prueba cada término en el modelo en términos de cada |
| término en él. Por lo tanto, los efectos principales se prueban en la falta de interacciones entre los elementos y a la luz de los otros términos, a la luz de los otros efectos principales también. |
| Entonces, lo que quiere usar aquí es que vemos aquí es que la prueba de efectos es útil para nuestro propósito, como lo es para la reducción de modelos. |
| Y nos permite hacer inferencias de la larga lista de variables significativas. |
| Observamos la probabilidad en el valor más bajo de ChiSquare (???) ChiSquare tomando un valor alfa de corte de 0,1. |
| Tenemos una serie de variables independientes, por lo que es una lista bastante larga de ellas, y la mayoría de ellas, ya que examina la mayoría de ellas realmente relacionadas con las enfermedades cardiopulmonares. |
| Entonces algunos de ellos son los afectados como el número de síntomas, el número de días entre el inicio de la vacunación. |
| (???) es el más en el que se centra la vacuna que por cada uno y luego se puede ver que el resto de ellos están relacionados de alguna manera con otro. |
| enfermedades cardiopulmonares, hay algunas extrañas que no vengo de un fondo médico, así que tampoco las entiendo, pero se puede ver que la sordera es una de ellas, así que hay algunas |
| resultados extraños que podemos ver aquí, pero en general eso es, la imagen es eso, en términos de las principales variables en términos de lista de variables. |
| De acuerdo, además de esto, lo que es realmente interesante es mirar la evaluación del modelo, así que aunque lo que estamos haciendo es construir un modelo explicativo, |
| Fui a buscar en el modelo predictivo también porque JMP ha puesto muy bien el informe allí para que mire las estimaciones de los parámetros, así que |
| Así que uso el generador de perfiles para tratar de comprender las estimaciones de los parámetros y puede ver aquí que los valores que se muestran son muy, muy pequeños, por lo que este es el valor que obtiene |
| inmediatamente cuando abre el Profiler, por lo que los valores aquí son el promedio de cada variable y puede ver que cada una de estas variables |
| Cada uno de estos valores aquí en realidad es muy pequeño, por lo que significa que hay muy poco efecto sobre la gravedad según estos coeficientes. |
| Basado en estos como un coeficiente de las variables predichas. Entonces, ¿qué puede ver que basado en este estudio aquí, puede decir que en realidad (???) los síntomas y su efecto tienen muy, muy poco efecto sobre la gravedad y esto es algo así. |
| como una especie de expectativa para ver que la mayoría de estos síntomas y efectos, debido a que estamos mirando el panorama general de la vacuna, podemos ver que la mayoría de estos síntomas (historial médico, alergias) tienen muy poco efecto en el resultado de el de la vacuna. |
| Bueno entonces. |
| sí. |
| Así que una pequeña conclusión, algunas declaraciones como declaración final. Se tomaron varias decisiones en la agrupación y clasificación de variables. |
| Y aunque estas variables se hicieron de la mejor manera posible, especialmente en la forma en que obtuvimos una calificación de gravedad, |
| Tal vez necesitemos que se consulte a un experto familiarizado con los estudios de vacunas o los ensayos clínicos para determinar si la clasificación de gravedad es suficiente para |
| para calificar los resultados de eventos adversos. Y basado en la construcción de modelos de datos estructurados y no estructurados |
| Hemos identificado factores clave que varían con la gravedad de una reacción a la vacuna COVID-19. |
| Sin embargo, todavía no sabemos que el efecto de estas variables clave en la variable de respuesta es muy pequeño, por lo que esto se ve al observar las variables. |
| Y luego, finalmente, la matriz de términos del documento basada en las calificaciones binarias, la frecuencia de los términos binarios resultó ser la más efectiva para representar las ponderaciones de otros términos en el documento. |
| Y el modelo lineal generalizado con la técnica de regresión penalizada por lazo produjo el modelo óptimo. |
| Así que espero que haya disfrutado de la presentación muy breve y hágamelo saber si tiene alguna pregunta o comentario, muchas gracias. |
| Peter Polito | gran trabajo. |
| era muy. |
| Oh no. |
| Me acabo de dar cuenta de que soy un error que queríamos en esta vida, oh Dios. |
| Peter Polito | Así que esta es la situación exacta en la que estás. |
| Entonces, en la cumbre de descubrimiento real habrá un presentador. |
| Entonces, ellos se comunicarán con usted, antes de tiempo, y usted simplemente dirá, tengo un error en una de mis diapositivas, y en esta parte aparece, simplemente aparecerá, él o ella la pausará. |
| Y luego puedes compartir la diapositiva y hablar sobre ella y luego volver directamente al video, así que no te preocupes por eso. |
| Esto sucedió bastante durante la cumbre de descubrimiento del año pasado, no es un problema en absoluto. |
| Bien bien. |
| Bueno, Dios mío, James. |
| Peter Polito | ¿Le gustaría arreglarlo y rehacerlo para que se sienta mejor? |
| No sé. |
| Si en realidad es este, porque este es el cuadro equivocado, me llevará un tiempo arreglarlo porque necesito volver a escribirlo, sí. |
| Peter Polito | Sí, entonces no lo sabía, no se preocupe, será una solución realmente fácil y puede hacerlo en tiempo real. |
| Bien bien. |
| De acuerdo, sí. |
| Sin embargo, gracias por sentarse. |
| Peter Polito | sí, ningún problema es genial, de verdad. |
| Bueno. |
| Peter Polito | Muy bien, cualquier otra pregunta o comentario o cualquier cosa. |
| sí, tengo uno es ese um entonces qué pasa con un enlace, donde puedo subir todas mis diapositivas y mi gente y cosas así, pero hubo una confusión con mi. |
| correo electrónico, y creo que tanya sobre eso cuando Tanya me respondió bien, creo que se perdió ese enlace, así que pensé que el enlace estaría incrustado dentro de una de las grabaciones, pero no creo que ustedes lo hayan hecho bien. . |
| Peter Polito | No lo tengo, pero me comunicaré con Tanya y le pediré que se comunique contigo directamente. |
| Para ayudar a remediar eso. |
| De acuerdo, muchas gracias. Creo que eso compensa mi correo electrónico, sí. |
| Peter Polito | Muchas gracias. |
| No hay problema, bueno, que tengas una buena noche y un buen descanso. |
| sí, que tengas un buen día. |
| Peter Polito | Gracias. |
| Hasta luego, adiós. |
