Vocero | Transcripción |
| Pedro Polito | Cómo está 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. |
| Pedro Polito | Ah, no hay ningún problema. |
| Oh, está bien, es un buen Jimmy. |
| Pedro Polito | Oh dónde. |
| ¿Estás llamando desde? |
| Singapur. |
| Pedro Polito | Singapur está bien, ¿qué tan tarde? ¿Está allí? |
| Aproximadamente 909. |
| Pedro Polito | Sí, bueno. |
| Sí, te felicito por. |
| colgando de. |
| tan tarde gracias por hacerlo. |
| Posiblemente no, está bien, um, sí, espero hacerlo bien. |
| Oh. |
| No, he estado muy estresado por esto. Oh, bueno, sí, estoy bien, déjame poner un fondo virtual. |
| Bueno. |
| Pedro Polito | Y tengo que repasar solo un par de cosas por mi parte antes de comenzar oficialmente. |
| Bueno. |
| Pedro Polito | solo dame una. |
| minuto aquí. |
| sí. |
| Pedro Polito | Solo traigo mi lista de verificación, asegúrese de hacer todo correctamente aquí. |
| está bien. |
| Entonces solo para confirmar. |
| Eres tranquilizador. |
| Sí, y su charla se titula Un modelo para la reacción adversa a la vacuna del aquelarre. |
| Sí, ¿es correcto? Sí, es cierto. |
| Pedro Polito | Muy bien, y luego, solo para asegurarnos de que comprende que esto se está grabando para su uso y que la conferencia cumbre de Jump Discovery estará disponible públicamente en la comunidad de usuarios de Jump, ¿da permiso para esta grabación y uso? |
| Sí, está bien, genial. |
| tu micrófono suena bien, no escucho ningún ruido de fondo, tu teléfono celular está apagado y todo ese tipo de cosas, cualquier cosa que pueda hacer ruidos aleatorios. |
| Aférrate. |
| Lo enviaré y los encontraré, sí. |
| Pedro Polito | Está bien, y luego. |
| Necesitamos verificar si puedes ir y compartir tu pantalla y revisaremos y verificaremos la resolución y algunas otras cosas. |
| Bien, seguro. |
| Pedro Polito | Gracias. |
| Lo siento, ¿es Lisa Ling o tranquilizadoramente? |
| Mi nombre suena muy bien, sí. |
| Pedro Polito | lo tengo bien. |
| ¿Está bien? |
| Pedro Polito | No lo veo todavía oh um, ya sabes, pastel cubriéndolo solo un momento. |
| Eso se ve bien. |
| Y si vas al final de la pantalla, ¿tu barra de tareas en realidad no veo tu barra de tareas, así que estamos bien? |
| Bueno. |
| Pedro Polito | Y déjame asegurarme. |
| Son programas que pueden crear una ventana emergente como Outlook o Skype o cualquiera de ellos que se cierran y cierran. |
| Um, sí, creo, así que apuesto a que van a pasar por ellos. |
| Cierro mi cocina. |
| Bueno. |
| si bien. |
| Pedro Polito | Bien, entonces, ¿trabajarás solo desde un PowerPoint o también mostrarás Jump? |
| Estaba preocupado por el tránsito, así que lo haré desde PowerPoint. |
| Pedro Polito | Bien, genial, entonces voy a silenciar y apagar mi cámara, ya estamos grabando, así que tan pronto como lo hagamos. |
| Tan pronto como veas que mi foto desaparece, continúa y comienza, no voy a interrumpir por ningún motivo e intentaremos seguirla. Es una presentación de 30 minutos, así que sigamos y ni siquiera estaré aquí. Será como si estuvieras hablando solo. |
| Bien, entonces el Acta está bien. |
| Pedro Polito | Estas listo para ir. |
| sí. |
| Pedro Polito | Bueno. |
| Muy bien, y es sólo para que sepas cuándo lo haremos realmente. |
| Tenga la cumbre de descubrimiento, si mañana se da cuenta de que se equivocó o quería presentar algo de una manera ligeramente diferente. |
| Puedes estar en vivo sobre cuándo se realizan tus presentaciones, y puedes preguntarle a la persona que presenta un depósito y luego puedes decir que sabes que estoy a punto de decir esto, lo que quería transmitir es que te puede gustar. |
| edite en tiempo real durante la presentación, así que no se preocupe por obtener cada palabra perfectamente, simplemente relájese y revísela y estoy seguro de que todo estará bien. |
| Está bien. |
| sí. |
| Pedro Polito | Muy bien, voy a silenciar y apagar mi cámara y luego tú continúas y comienzas bien. |
| Gracias Pedro. |
| Hola, soy Suling. Soy estudiante de maestría en la Singapore Management University, donde actualmente estoy realizando 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 presentó 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 por su facilidad de uso, la variedad de métodos estadísticos y las visualizaciones que podía hacer con él. |
| Entonces, como principiante en el uso de JMP, me siento muy honrado de estar aquí presentando mi informe y dejarme recibir sus comentarios, porque siento que tengo mucho más que aprender, sí. |
| Entonces, la motivación de mi artículo fue en realidad analizar las vacunas COVID 19, para que sepamos lo importantes que son, pero al menos |
| el ritmo sin precedentes al que se desarrolló y administró ha generado algunas dudas en la comunidad sobre su seguridad. |
| Entonces, sí, estamos utilizando datos del sistema de notificación de eventos adversos de las vacunas de los Estados Unidos. |
| Así que estamos utilizando datos de allí porque encontramos que existe la posibilidad de ayudar a determinar si las preocupaciones sobre la seguridad de la vacuna están fundadas. Por lo tanto, este artículo utiliza datos tanto estructurados como no estructurados de VAERS para modelar la reacción adversa de las vacunas COVID-19. |
| Entonces, ¿qué es VAERS? Así que el Centro para el Control y la 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 del VAERS que no se pueden utilizar para determinar vínculos causales con eventos adversos |
| porque no se establece el vínculo entre el evento adverso y la vacunación. Entonces, lo que realmente vemos aquí es que hay personas que están informando, pero hay personas que están informando sobre los eventos, pero luego no hay ninguna acción completa. |
| para confirmar que estos síntomas y eventos que se reportan, tienen algún vínculo con la vacuna. Entonces, ¿por qué queremos seguir utilizando estos datos? En primer lugar, los datos están disponibles y son de dominio público. |
| Los datos están actualizados y, lo que es más importante, no es probable que todos los eventos adversos se capturen durante los ensayos clínicos debido a su baja frecuencia. Entonces |
| Por lo general, en los ensayos clínicos, incluyen solo a individuos sanos. Así que las poblaciones especiales, como aquellas con enfermedades crónicas o 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 árboles extraídas de VAERS. El primero son los datos del 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 pueden ver que este es solo un informe basado en una persona, un paciente. Bien, y los datos están bastante sucios. |
| Hay mucha información útil en el texto narrativo, pero se puede ver que hay errores ortográficos, tipográficos, declaraciones excesivamente largas o incluso muy breves. |
| Entonces, los siguientes dos conjuntos de datos que tenemos son el VAERS de datos de vacunación, así como los síntomas. Entonces uno contiene información sobre la vacuna, el otro |
| Está extraído del texto de síntomas que podemos ver. Bien, dada esta accesibilidad, en realidad los datos del VAERS se han extraído bastante |
| Mucho por un buen número de investigadores, pero, como puede ver, los datos son en realidad muy difíciles de usar ya que la calidad del informe varía. |
| Y también hay algo que podría no ser genuino. Entonces, la revisión del poder, que muestra que generalmente se emplea alguna forma de selección manual para extraer la información requerida. |
| Sin embargo, esto también requiere bastante trabajo y es bastante difícil, por lo que este artículo 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 ID de VAERS. |
| Lo que hicimos en función de los resultados de los pacientes fue derivar algo que se llama clasificación de gravedad. Hablaré un poco sobre esto más adelante. Entonces una vez que las mesas están unidas |
| Hay cuatro textos narrativos. Uno sobre las 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 de cada uno de los datos del texto. |
| Y únalas en las variables estructuradas de datos de la hoja de cálculo existentes en el conjunto de datos. Bien, luego todo esto se compila y luego se pone en la construcción del modelo. |
| Bien, ¿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, en base a esto, extrajimos las variables y tratamos de darles sentido, por lo que obtuvimos cuatro niveles de gravedad y luego lo llamamos clasificación de gravedad. |
| Así que 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 auméntelas con las variables estructuradas para construir su modelo. Como puedes ver, en realidad, los datos de texto están 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 al considerarlo y usarlo. |
| A continuación, un poco sobre la limpieza que llegó. Entonces, los datos de texto se organizaron primero usando JMP Pro Text Explorer y usamos una función útil que está allí para agregar frases e identificar automáticamente |
| Los términos, por lo que pueden ver, son términos como glóbulos blancos que se mantienen como una frase en lugar de incorporarse a los glóbulos blancos y las células, lo que no tendrá mucho sentido. |
| Y también algunos otros métodos para usar. Entonces, uno es el estándar para combinar que deriva las palabras según las terminaciones de las palabras y luego también pensamos en ordenar la lista alfabéticamente para recodificar palabras como errores ortográficos o errores tipográficos o algo 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 excluir 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 pueden ver que los colores más claros pertenecen a los casos menos severos y los más oscuros son los otros más severos, y pueden retomar, entonces las palabras son bastante pequeñas. |
| Y realmente muestra que los síntomas comunes no son graves, pero retomamos los términos del incidente vascular cerebral, embolia pulmonar y cosas así. Por tanto, estos están relacionados con el evento adverso más grave. |
| Lo siguiente que usamos es la selección de términos, por lo que la selección de términos es la nueva característica de JMP Pro 16, que fue bastante oportuna. |
| Por lo tanto, integra el modelo de regresión generalizada en la plataforma de análisis de texto, de modo que, siguiendo desde la plataforma de análisis de texto, puede seleccionar aquí 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 calificación de gravedad. |
| Entonces, ¿por qué utilizar el modelo de regresión generalizada? Por lo tanto, se utiliza ampliamente para variables que no están distribuidas normalmente o que están altamente correlacionadas. |
| Donde los datos son independientes entre sí y no muestran otra correlación. Entonces, este método 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 son independientes entre sí. |
| Entonces, 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 seleccionar las variables con mayor influencia en la variable de respuesta. |
| Sí, 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. |
| Aquí la diferencia es que 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 una red elástica, y luego aquí entró nuestra elección del término binario frecuencia. |
| Bien, este es el resultado de la selección de términos, así que puedes verlo aquí que muestra una descripción general de (???) y luego generalizado (???), pero de manera más interesante. |
| Cuando comenzaste por el coeficiente, puedes ver que estos son los coeficientes positivos principales. Estos son los factores principales que desempeñan el papel más importante en términos de nuestra variable de respuesta. |
| Y estos de aquí son los síntomas que juegan menos papel cuando se clasifican según el coeficiente. Entonces, al observar los resultados, se puede ver que el paro cardíaco y la neumonía por COVID-19, los accidentes vasculares cerebrales, son solo 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 menor frecuencia, que son síntomas muy, muy leves, en realidad. |
| Bien, entonces repetimos todo este proceso para todos los demás. |
| para todas las demás variables de texto, hemos ido al ejemplo de síntomas, por lo que también están las alergias, el historial médico |
| así como los medicamentos que se utilizan, entonces lo que hicimos después fue guardar la matriz de términos del documento. Bien, básicamente el DTM guarda una columna en la tabla de datos cada vez. |
| Entonces puede ver aquí un ejemplo, principalmente muchos ceros porque es una matriz muy escasa, por lo que se indicará la presencia de tomemos esta columna de aquí y se indicará la presencia de (???). |
| Entonces 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. Por lo tanto, el modelado debía construirse como una columna de validación, así que aquí pasamos al modelado predictivo y creamos una columna de validación. Entonces aquí seleccionamos las opciones, así que póngalas como configuración de validación del 55%. |
| Y todo aquí fue identificar las variables importantes con la gravedad como variable de respuesta. Entonces, 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 debido a una clasificación de gravedad, se obtiene un conjunto de datos desequilibrado. Debido a esto, realizamos nuestra evaluación del modelo comparando la división R y los valores AIC. |
| Entonces. |
| Usamos el modelo de ajuste en JMP y elegimos nuevamente el modelo de regresión generalizada. |
| Y podemos ver que estos son los resultados aquí, por lo que se prepararon modelos separados que cree que son el grupo de modelos lineales generalizados, utilizando las técnicas de regresión penalizada. |
| Y luego tratamos de ajustarnos en función de las diversas características aquí, estos son todos los demás métodos de estimación penalizados. |
| Entonces, de todos los modelos, podemos ver que el método del lazo tiene el valor más bajo de Rsquare, y hay otros valores que también se acercan bastante, así que los veremos más de cerca. |
| Entonces, al comparar el modelo de máxima verosimilitud, así como el modelo de lazo basado en la curva ROC, se 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 ROC es mayor para la clasificación de gravedad más alta, y puede ver que aquí solo hay una ligera 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 clasificación de gravedad de cuatro, que es el nivel más alto, la mayor parte de su nivel es solo alrededor del 5% de los valores totales de datos. En general, esta diferencia es muy pequeña entre ambos, por lo que elegimos el que tiene un área ligeramente mayor. . |
| Bien, el próximo paso será 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 una muy buena explicación de la prueba de efectos en la comunidad JMP, creo que fue aportada por |
| Marcos Bailey. Entonces habla un poco sobre cómo la prueba de efectos en realidad se basa 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 del modelo en términos de cada |
| término en él. Así, los efectos principales se prueban en ausencia de interacciones entre los elementos y a la luz de los otros términos, también a la luz de los otros efectos principales. |
| Entonces, lo que quieres usar aquí es que vemos aquí que la prueba de efectos es útil para nuestro propósito, al igual que lo es para la reducción del modelo. |
| Y nos permite hacer inferencias de la larga lista de variables significativas. |
| Observamos la probabilidad del valor más bajo de ChiSquare (???) tomando un valor alfa de corte de 0,1. |
| Tenemos una cantidad de variables independientes, por lo que es una lista bastante larga de ellas, y la mayoría de ellas, si las analiza, en realidad están relacionadas con las enfermedades cardiopulmonares. |
| Algunos de ellos son los que se ven afectados, como el número de síntomas, el número de días entre el inicio de la vacunación. |
| (???) es cuanto más en los centros de vacunación que por cada uno y luego se puede ver que el resto están relacionados de alguna manera con el otro. |
| enfermedades cardiopulmonares, hay algunas raras que no tengo experiencia médica, así que tampoco las entiendo, pero puedes ver que la sordera es una de ellas, así que hay algunas |
| Resultados extraños que podemos ver aquí, pero en general, la imagen es esa, en términos de las variables principales en términos de enumeración de variables. |
| Bueno, además de esto, lo realmente interesante es mirar la evaluación del modelo, así que aunque lo que estamos haciendo es construir un modelo explicativo, |
| También fui a examinar el modelo predictivo porque JMP ha puesto muy bien el informe allí para que pueda ver las estimaciones de los parámetros, así que |
| Entonces uso el Profiler para tratar de entender las estimaciones de los parámetros y puedes ver aquí que los valores mostrados son realmente pequeños, así que este es el valor que obtienes. |
| inmediatamente cuando abres el Profiler, por lo que los valores aquí son el promedio de cada variable y puedes ver que cada una de estas variables |
| De cada uno de estos valores aquí en realidad son muy pequeños, por lo que significa que hay muy poco efecto sobre la gravedad en función de estos coeficientes. |
| Basado en estos como coeficiente de las variables predichas. Entonces, lo que pueden ver es que, basándose en este estudio aquí, se puede decir que en realidad (???) los síntomas y su efecto tienen muy, muy poco efecto sobre la gravedad y esto es algo así como. |
| Es una especie de expectativa ver que la mayoría de estos síntomas y efectos, debido a que estamos observando el panorama general de la vacuna, podemos ver que la mayoría de estos síntomas (antecedentes médicos, alergias) tienen muy poco efecto en realidad sobre el resultado de la vacuna. el de la vacuna. |
| Bueno entonces. |
| sí. |
| Entonces, una pequeña conclusión, algunas declaraciones a modo de conclusión. Se tomaron varias decisiones en el agrupamiento y clasificación de variables. |
| Y aunque estas variables se elaboraron según nuestro mejor entendimiento, especialmente en la forma en que llegamos a una calificación de gravedad, |
| Quizás necesitemos consultar a un experto familiarizado con los estudios o ensayos clínicos de vacunas para determinar si la clasificación de gravedad es suficiente o no para |
| para calificar los resultados de los eventos adversos. Y basado en la construcción de modelos de datos estructurados y no estructurados. |
| Hemos identificado factores clave que varían según la gravedad de una reacción a la vacuna COVID-19. |
| Sin embargo, todavía no sabemos que el efecto de estas variables clave sobre la gravedad de la variable de respuesta es muy pequeño, por lo que esto se ve al observar las variables. |
| Y luego, finalmente, se encontró que la matriz de términos del documento basada en las calificaciones binarias, la frecuencia de los términos binarios, era la más efectiva para representar los pesos de otros términos en el documento. |
| Y el modelo lineal generalizado con la técnica de regresión penalizada con lazo produjo el modelo óptimo. |
| Espero que hayan disfrutado de la breve presentación y háganme saber si tienen alguna pregunta o comentario, muchas gracias. |
| Pedro Polito | gran trabajo. |
| era muy. |
| Oh, no. |
| Me acabo de dar cuenta de que soy un error, queríamos esta vida, oh Dios. |
| Pedro Polito | Para que esta sea la situación exacta en la que te encuentras. |
| Entonces, en la cumbre de descubrimiento real habrá un presentador. |
| Entonces se comunicarán con usted con anticipación y usted simplemente dirá: "Tengo un error en una de mis diapositivas", y en esta parte aparecerá y él o ella la pausará. |
| Y luego pueden compartir la diapositiva y hablar sobre ello y luego volver al video, así que no se preocupen por eso en absoluto. |
| Esto sucedió bastante durante la cumbre de descubrimientos del año pasado y no es un problema en absoluto. |
| Bien bien. |
| Bueno, Dios mío, James. |
| Pedro Polito | ¿Le gustaría arreglarlo y rehacerlo? Eso lo haría sentir mejor. |
| No sé. |
| Si en realidad es este, porque es el cuadro incorrecto, me tomará un tiempo arreglarlo porque necesito volver a escribirlo, sí. |
| Pedro Polito | Sí, entonces no lo sabía, no te preocupes, será una solución muy fácil y podrás hacerlo en tiempo real. |
| Bien bien. |
| Está bien, sí. |
| Sin embargo, gracias por permanecer sentado. |
| Pedro Polito | Sí, no hay problema, es genial, de verdad. |
| Bueno. |
| Pedro Polito | Muy bien, cualquier otra duda o comentario o cualquier cosa. |
| Sí, tengo uno. Entonces, ¿qué hay? 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, según Tanya, cuando Tanya me respondió correctamente, 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 entendido bien. . |
| Pedro Polito | No lo tengo, pero me comunicaré con Tanya y le pediré que se comunique contigo directamente. |
| Para ayudar a remediar eso. |
| Vale, muchas gracias. Creo que eso compensa mi correo electrónico, sí. |
| Pedro Polito | Muchas gracias. |
| No hay problema, que tengas una buena noche y un buen descanso. |
| si, que tengas un buen día. |
| Pedro Polito | Gracias. |
| Tanto adiós. |
