Hola todo el mundo.
Gracias por Afinación en a mi hablar.
estoy David meintrup,
Profesor a Universidad de Ingolstadt de Aplicado Ciencias.
Y Este Dia, yo voluntad hablar sobre A Lazo R salida a Detectar R pregunta F actores
por O fatal resultados en Críticamente enfermo COVID-19 Pacientes.
Sobre la ultimo dos años,
alguna cosa empezado a cada vez más molestar yo,
y eso es no qué tú probablemente pensar ahora, la p andémico,
o a el menos no solamente.
los tema es conectado a este.
Este es yo donación a hablar en profundo aprendizaje y artificial inteligencia
a la Descubrimiento Cumbre 2019 en la maravilloso ciudad de Copenhague.
Y ya que después,
eso aspecto me gusta AI posee convertirse en la universal herramienta por todo,
asi que dejar yo dar tú un ejemplo.
En Mayo 2021,
la General Director de la Mundo Salud Organización
dijo la siguiendo:
"Una de la lecciones de COVID-19
es que la mundo necesidades a importante salto delantero
en datos análisis.
Este requiere aprovechando la potencial de avanzado tecnologías
tal como artificial inteligencia."
Asi que a yo, este siente me gusta a un poco, olvidar sobre la científico método
definiendo la meta, especificando la instrumentos, declarando la hipótesis, et cetera,
Sólo soltar la magia palabra artificial inteligencia
y tú son en la bueno lado.
Asi que por lo tanto, yo decidió a dar este hablar en la forma de a diálogo
Entre un AI entusiasta en la izquierda lado y a estadístico en la Correcto lado.
Y estoy yendo a hablar a un poco más específicamente en estadístico modelos,
artificial inteligencia, y penalizado regresión.
Y después en la segundo parte de la hablar, estoy Realmente yendo a presente
el caso estudiar sobre la críticamente enfermo COVID-19 pacientes
Asi que vamos obtener empezado.
Aquí está la primero pregunta de nuestro AI entusiasta.
En la era de artificial inteligencia y profundo aprendizaje,
quién necesidades estadístico regresión modelos?
Aquí está mi corto responder que yo prestado de Juan lava ista,
Vicio Presidente a Microsoft.
"Cuando nosotros elevar dinero, es AI, cuando nosotros contratar, es máquina aprendizaje,
y cuando nosotros hacer la trabajar, es logístico regresión."
Asi que yo amor este Pío porque en mi opinión a el menos,
eso condensa a lote de verdad en a muy corto declaración.
AI posee convertirse en a universal marketing herramienta.
Pero por la real problemas, nosotros todavía usar tradicional avanzado estadístico métodos.
A poco un poco más extenso responder pudo ser la siguiendo.
Si yo Mira a la típico tarea de ingenieros y científicos,
ellos incluir innovar, comprender, mejorar, y predecir.
Y profundo aprendizaje y artificial inteligencia
es principalmente a predicción herramienta.
Para todo más,
nosotros todavía necesitar avanzado estadístico métodos me gusta tradicional máquina aprendizaje,
estadístico modelado, y diseño de experimentos
De acuerdo, pero tú tener a admitir
que allá son muy exitoso aplicaciones de AI y profundo aprendizaje.
Bien, hay absolutamente no duda sobre que.
Para ejemplo,
prediciendo la Siguiente Muevete en a juego me gusta ajedrez y Vamos.
los profundo- aprendizaje algoritmos hacer este camino mejor que ningún humano siendo.
O yo haría me gusta a introducir mi favorito artificial inteligencia solicitud,
cual es resolviendo la proteína plegable problema.
los proteína plegable problema posee famosamente estado introducido 1972
por la nobel Premio ganador, cristiano Anfinsen,
quién dijo en su aceptación discurso
que a de proteína aminado ácido secuencia debería completamente determinar su 3D estructura.
Y sobre la ultimo 50 años, este problema posee básicamente estado no resuelto.
Y allá estaba muy poco Progreso
Hasta que Mente profunda por Google desarrollado un AI- establecido algoritmo llamó AlfaF antiguo
que a a muy largo medida resuelto la proteína plegable problema.
Y tú ver dos ejemplos de este en la Correcto lado.
Este es muy impresionante y hermoso trabajar.
Y yo incluido eso aquí porque yo querido a aclarar
que este es la Perfecto profundo- aprendizaje AI problema.
Nosotros tener a enorme Monto de datos,
nosotros tener a combinacional explosión de opciones,
y la resultado nosotros son buscando por es a predicción,
la actual 3D estructura de la proteína.
Asi que por predicciones, nosotros debería siempre usar AI.
No a todos.
Para ejemplo, en la conjunto de datos que yo voluntad presente
sobre la críticamente enfermo COVID-19 pacientes,
nosotros desear la modelo a predecir si la paciente voluntad sobrevivir o voluntad morir.
Pero la puro predicción no De Verdad ayuda.
Si tú saber alguien es yendo a morir, qué tú desear es tú desear a tratar,
tú desear a prevenir, tú desear a saber la riesgo factores,
tú desear a ser poder a Actuar
y no sólo simplemente prediciendo muerte o supervivencia.
Asi que qué nosotros necesitar es a De Verdad interpretable modelo
que voluntad insinuación estas cosas que nosotros necesitar
me gusta tratamiento, prevención, y riesgo factores
Otro camino de buscando a eso,
vamos tener a Mira a típico datos- impulsado modelado estrategias.
Qué es muy típicamente hecho en profundo- aprendizaje AI ambiente
es que tú tomar todos disponible datos,
tú lanzar eso en la profundo- aprendizaje AI algoritmo.
Y eso puede que predecir muy bien la Salir que estás buscando por,
pero estás consiguiendo a completamente no interpretable modelo.
Qué un ¿alternativa?
Un alternativa es a ya en la datos recopilación proceso
pensar con cuidado qué datos hacer tú necesitar con avanzado estadístico métodos.
Después aplicar a estadístico modelo,
y como a resultado, tú obtener a completamente interpretable modelo.
De acuerdo, dice nuestro AI entusiasta,
Pero tú son perdido un importante punto aquí.
Estadístico modelos puede que ser bonito por pequeña datos conjuntos,
pero por grande datos, ellos no poder ser usó, ¿Correcto?
Bien, no.
Para largo datos conjuntos, allá son varios inteligente maneras
a reducir la dimensionalidad
antes de tú comienzo con la adecuado proceso de la modelo.
Y yo haría me gusta a introducir, a el menos dentro de poco,
Tres de estas inteligente maneras a reducir la modelo dimensionalidad.
Número una, redundancia análisis, alguna cosa tú puede que tener Escuchó sobre.
Si tú tener a largo datos establecer,
la precio tú pagar es típicamente que la factores son altamente correlacionado
y tú pueden medida la Monto de correlación dentro de la establecer de factores
por la valor que es llamó diferencia inflación factor.
Y después tú pueden Realmente eliminar la factores
con la más alto diferencia inflación factores
¿Por qué?
Porque ellos no agregar adicional información
a la establecer de factores que tú son ya buscando a.
Asi que este es una clásico camino de reduciendo la dimensionalidad de su datos.
Si tú tener categórico datos, por ejemplo,
tú Mira a un X- rayo de la pulmón y tú pueden ver diferente síntomas.
Después tú pueden tener Variables que describir,
este síntoma estaba allá, este síntoma estaba allá,
u otro síntoma estaba allá, X 1, X 2, X 3.
Quizás por su análisis,
es suficiente a distinguir un normal- buscando pulmón
y a pulmón que posee alguno síntomas en algún lugar.
En otro palabras, tú convertir a fila solamente con ceros a a cero.
Y si hay a el menos una una, tú cambio eso a a una,
y tú crear a nuevo variable atrapando este información.
O a dar tú un alternativa, tú pudo suma X 1, X 2, y X 3,
y contar la número de síntomas que tú ver en un X- rayo.
Este procedimiento es llamó puntuación
y es a muy eficiente camino de reduciendo dimensionalidad.
Principal componente análisis posee exactamente la mismo espíritu.
Eso recombina continuo variables
Eso toma a lineal combinación de continuo Variables
con la ocurrencia de atrapando la variación en una recién creado variable.
yo llamar estas dimensionalidad reducción métodos inteligente,
porque cuando tú aplicar a ellos,
tú ya aprender alguna cosa sobre su datos.
Y ese es la entero objetivo de Estadísticas, no es ¿eso?
Aprendizaje cosas de su datos.
Asi que dejar yo resumir la ventajas de estadístico modelos
Primero, ellos pueden ser usó por todos tipos de Tareas,
no solamente por predicciones
Segundo, la modelo sí mismo es útil y completamente interpretable
Y tercera,
tú pueden comienzo en a largo conjunto de datos con inteligente dimensionalidad reducción
antes de tú Realmente adaptar la modelo.
estoy todavía no convencido.
Pueden tú dar yo un ejemplo de a estadístico modelo
que tú aplicado a a largo conjunto de datos?
De acuerdo, asi que vamos introducir logístico Lazo regresión.
Lazo es un abreviatura
por el menos absoluto contracción y selección operador,
y por qué eso es llamó me gusta que, yo voluntad explique en a pocos momentos
Vamos introducir este Lazo regresión en cuatro pasos.
Paso número una es a recordar Nosotros mismos de la logístico regresión modelo.
En a logístico regresión modelo, nosotros tener a categórico,
en la más fácil caso, dos- nivel factor...
Lo siento un categórico respuesta con dos niveles,
y nosotros tener a meta a modelo la ocurrencia probabilidad de la evento.
Este es típicamente hecho con este S- conformado función
que corresponde a la probabilidad de la evento Realmente ocurriendo
los funcional término es dado aquí a la izquierda,
pero la bueno noticias es que
con un fácil transformación que es llamó logit transformación,
tú pueden giro la original valores dentro Iniciar sesión valora,
y después la resultado es a simple lineal regresión
en la valores logit.
Asi que la abajo línea es logístico regresión,
es simplemente lineal regresión en logit valores.
Paso número dos.
Este es a clásico situación de a dos- factor lineal regresión modelo.
Y cómo hacer nosotros adaptar este a a datos ¿nube?
Bien, nosotros hacer este con la ayuda de a pérdida función.
Para ejemplo, nosotros tomar la suma de al cuadrado errores,
y después nosotros Mira por la mínimo de este función.
Este es la muy famoso y estándar común cuadrado estimador
que es la resultado de minimizando específicamente este pérdida función
dado por la suma de al cuadrado errores
En tercer lugar, alguna cosa que es quizás menos conocido,
yo haría me gusta a introducir concepto F de las matemáticas
la norma de a vector que es Realmente sólo a representación
de la noción de la distancia de a longitud de a vector.
Vamos Mira a Tres ejemplos
los primero una que tú ver aquí en la medio
es la clásico distancia que tú todos saber y usar.
Este es la euclidiana distancia.
Es calculado por tomando la cuadrícula de la coordenadas
y después tomando la cuadrado raíz.
los unidad circulo como tú saber representa todos puntos
que tener a distancia una, de la centro.
Este es la clásico euclidiana norma.
Nosotros pueden simplificar este cálculo por simplemente tomando la suma de absoluto valores.
Asi que en cambio de tomando a cuadrado y tomando a cuadrado raíz,
nosotros simplemente suma la absoluto valores.
Este es llamó la L_1 norma.
Y qué tú ver aquí, este diamante es la representación
de la unidad circulo de este L_1 norma.
En otro palabras, todos la puntos aquí en este diamante tener distancia uno ,
si tú medida distancia con la L _1 norma.
Finalmente, la asi que- llamó máximo norma dónde tú Seguir a simplificar.
Tú sólo tomar la más grande valor de la dos absoluto valores, x1 y x2 .
Si tú pensar sobre qué la unidad circulo es en este caso,
eso voluntad Realmente giro dentro a cuadrado.
Este cuadrado es la unidad circulo por la máximo valor.
Asi que en resumen, nosotros pueden medida distancia en diferente maneras en matemáticas,
y qué tú ver aquí, la diamante, la actual circulo o cuadrado
son unidad círculos
Asi que puntos con distancia una, sólo Medido con Tres diferente normas,
Tres distancias,
Tres diferente nociones de qué a longitud es.
Finalmente, vamos combinar todo hemos hecho asi que lejos.
Asi que nosotros comienzo con la logístico regresión modelo.
Nosotros agregar la pérdida función.
Y ahora, en cambio de tomando la común pérdida cuadrada función,
nosotros agregar un adicional de término.
Y este término consiste básicamente de la L_1 norma de la parámetro.
Tú ver que nosotros agregar la absoluto valores, Beta_1 y Beta_2?
Asi que este es la L_1 norma de la parámetros
que nosotros agregar a la pérdida función.
De curso, este es sólo una elección.
Tú pudo además cuadrado estas.
Después, tú haría obtener qué es llamó a Cresta regresión
si tú tomar la cuadrado de la parámetros
Este primero una aquí,
la parte superior una que nosotros son yendo a Seguir a usar
es llamó la Lazo o L_1 regresión
porque este término aquí es simplemente la norma L_1 de la Beta,
de la parámetro vector.
Ahora, general, qué este medio es que tú castigar la pérdida función
por eligiendo largo Beta valores.
Y este es por qué este multa que tú introducir
Guías a la término penalizado pérdida funciones
Asi que si tú tener a castigo, una falta por largo Beta vectores,
después en cambio de haciendo común el menos cuadrícula,
tú hacer a penalizado regresión.
Ahora, vamos Mira a poco un poco cerca a la efecto que penalizando posee.
Asi que este es una vez otra vez la penalizado pérdida función
con este adicional término aquí.
Ahora, la grafico que tú ver aquí
es independiente de la asi que- llamó Afinación parámetro, lambda.
los más grande lambda es, la más peso este término posee,
y la más eso voluntad fuerza la valores beta a ser pequeña.
Este es por qué tú ver que la parámetros encogerse.
Y este es por qué este entero procedimiento es llamó absoluto contracción.
En segundo lugar, en este grafico, tú pueden considerar este área aquí,
este diamante como la presupuesto que tú tener
por la suma de la absoluto valores de Beta.
Y en estas elipses, la residual suma de cuadrado es constante.
Asi que estás buscando por la pequeñísimo residual suma de cuadrado
dentro de la presupuesto.
Este en la caso dibujado aquí Guías a este punto aquí.
Y adeudado a la forma de este diamante,
estas dos voluntad típicamente conectar en a esquina de la diamante.
Y qué este medio es que la correspondiente parámetro
es establecer precisamente a cero.
Y este es por qué este método es además bueno por selección
porque ajuste este parámetro cero medio nada más
que patear eso afuera de la modelo.
Asi que este es en resumen por qué nosotros llamar la L _1 regresión Lazo.
Eso posee a contracción elemento y a selección elemento
adeudado a estas dos descrito caracteristicas.
Una ultimo práctico aspecto de Lazo regresión
es sobre la Afinación parámetro, este lambda aquí.
Cómo hacer tú elegir ¿eso?
Bien, una muy común Acercarse es la siguiendo:
tú usar a validación método
me gusta por ejemplo, información de akaike criterio,
y tú gráfico la dependencia de la AIC de lambda.
Y después tú pueden elegir a lambda valor
que da tú a mínimo AIC.
En la izquierda lado, tú ver cómo la parámetros encogerse
y tú pueden ver la azul líneas que corresponder a la parámetros
que son Realmente no- cero
tiempo la otro unos son ya forzado a ser cero.
estoy todavía no convencido.
Pueden tú mostrar yo a concreto caso ¿estudiar?
De curso.
Entonces el datos que estoy yendo a presente aquí
consiste de 739 críticamente enfermo UCI pacientes con COVID-19
que estaba recogido en la comienzo de la pandemia
Entre Marzo y Octubre 2020.
Nosotros tener una binario respuesta
que consiste de la niveles recuperado y muerto,
y nosotros tener 43 factores:
laboratorio valores, partes vitales, pre- existente condiciones, etcétera.
Este es la datos que nosotros son yendo a analizar ahora.
Asi que aquí, tú ver la conjunto de datos
Eso posee 44 columnas, como tú pueden ver abajo aquí.
Y 739 pacientes
Ahora, vamos comienzo familiarizando a poco un poco aquí con la datos.
Nosotros tener este ultimo conocido estado, recuperado y muerto,
género edad, y IMC.
Y después nosotros tener adicional base valores,
comorbilidades, vitales, yo abdominales valores, síntomas, y Connecticut resultados.
Vamos Mira a alguno distribuciones.
Asi que este es la distribución de la ultimo conocido estado.
Asi que tú pueden ver que desafortunadamente 46 por ciento de estas pacientes murió.
Nosotros ver aquí la sesgado años distribución con un énfasis aquí arriba 60
Y tú pueden ver que apenas 70 por ciento de la pacientes son machos
Tener a Mira a la adicional base valores.
Tú pueden ver aquí la cuerpo masa índice,
y tú voluntad aviso que nosotros tener a tendencia de un alto cuerpo masa índice
arriba 25
Nosotros tener bastante a lote de AS y A inhibidores,
y además de estatinas, asi que tratos por colesterol
y por sangre presión y alguno inmunosupresor.
Próximo, comorbilidades.
Tú ver que casi dos tercios son hipertenso,
y nosotros tener bastante a importante Monto de cardiovascular enfermedad,
de pulmonar enfermedad,
y sobre 30 por ciento de nuestro pacientes tener diabetes.
Ahora, por la restante cuatro grupos, vitales, yo abdominales valores, síntomas, y CONNECTICUT,
estoy yendo a mostrar tú una representante de cada
asi que que tú pueden obtener a sentimiento de cómo estas valores son repartido.
Este es la respiratorio Velocidad.
Estas son la número de linfocitos
Asi que este es a vital parámetro, a laboratorio parámetro.
Aquí, tú tener a síntoma, severo hígado falla
que pueden ocurrir en la UCI.
Y este es a Connecticut resultado,
áreas de consolidación que pueden ser visto en la Connecticut de la pulmón.
De acuerdo, asi que ahora nosotros son Listo
y nosotros son Realmente yendo a analizar la modelo.
Asi que yo Vamos a Analizar, F es M Modelo.
yo tomar la ultimo conocido estado.
Ese es por qué yo lanzar en todo más como factor
y yo Vamos a General Regresión
cual es yendo a llevar a cabo la Lazo regresión.
Tú pueden ver aquí que la Lazo Estimacion método
es ya preseleccionado
Asi que si yo hacer clic en Vamos, la procedimiento es ya acabado.
Es muy rápido, y este es la resultado.
Este es la captura de pantalla que tú sierra ya en la deslizar.
Ahora, estoy no yendo a trabajar con este modelo por la siguiendo razón.
Si yo Vamos aquí arriba a la Modelo C comparación sección,
yo ver que yo tener 30 parámetros en este modelo.
Asi que este modelo es todavía muy grande.
Si yo Vamos espalda abajo aquí,
yo pueden ver que mi AIC no cambio a lote si yo poner eso más lejos a la izquierda.
En cambio de haciendo este a mano, qué estoy yendo a hacer
es estoy yendo a cambio la ajustes de JMP
asi que que eso no tomar la mejor- adaptar, la mínimo AIC,
pero en cambio la pequeñísimo dentro de la amarillo zona.
Asi que este es alguna cosa yo pueden hacer aquí en la Modelo Lanzar.
Asi que yo tomar la C avanzado controlar
y yo cambio Mejor Adaptar a S más pequeño en Y amarillo Z una.
yo hacer clic en Vamos.
Y ahora, Realmente yo tener a muy bonito modelo con dieciséis parámetros
Ahora, este es la modelo estoy yendo a usar.
Y a ser poder a mostrar tú qué factores son en este modelo,
estoy sólo yendo a Seleccione a ellos, Seleccione distinto de cero Términos.
Ahora, yo tener estas dieciséis seleccionado,
y yo pueden poner a ellos en a logístico regresión
y activar la posibilidades proporciones
Asi que en la parte superior, nosotros ver la dieciséis efectos en nuestro modelo.
Y abajo, nosotros pueden ver la posibilidades proporciones
Asi que por ejemplo, la posibilidades relación de años es 1.07.
Si tú tomar este a la energía 10, eso voluntad dar tú apenas a valor de dos,
cual medio que con 10 años más,
apenas, aproximadamente su posibilidades relación dobles.
Su oportunidad de muriendo es dos veces como alto como antes de.
Y después abajo aquí,
nosotros tener la posibilidades proporciones por la pedagógico variables
Asi que por ejemplo,
coronario cardiovascular enfermedad posee un extraño relación de 1.62.
Ahora, yo haría me gusta a punto afuera alguno de estas resultados.
Asi que vamos primero Mira a factores
que son bien- conocido de la general población.
Asi que aquí, tú ver la dependencia de la ultimo conocido estado versus años.
Y tú pueden ver cómo este creciente años
aumentar su oportunidad de muriendo muy significativamente.
Como yo dijo antes de, la posibilidades relación de 10 años es apenas doble.
En la izquierda lado,
tú ver pulmonar enfermedad y cardiovascular enfermedad
que ambas cosas además tener a importante efecto en la riesgo de muriendo de COVID-19- 19
Y estas los factores son además válido en la general población.
Ahora, más Curiosamente,
nosotros encontrar estas Tres factores no a ser en nuestro modelo.
Asi que género, IMC, y hipertensión son no parte de nuestro modelo.
Asi que cómo es que ¿posible?
Bien, es crítico a recuerda
que nuestro población consiste de UCI pacientes
Ellos son ya críticamente enfermo.
Asi que nosotros tener 72 por ciento de masculino pacientes,
nosotros tener casi 80 por ciento que tener a IMC sobre 26,
y dos tercios son hipertenso
Asi que estas factores voluntad Realmente altamente aumentar su riesgo
de un crítico causa de la COVID-19- 19 enfermedad.
Pero una vez tú son críticamente enfermo, a que punto, ellos no asunto más.
Asi que que estaba a muy importante resultado por a nosotros.
Cual factores llevar sobre de la general población
y cual factores desaparecer en sus importancia
una vez tú son ya ¿críticamente enfermo?
Finalmente, yo haría me gusta a punto afuera una más aspecto cual es estatinas
estatinas fueron enteramente insignificante.
Tú ver la PAGS valor aquí de 25 por ciento una vez tú mirado a a ellos univariadamente.
Pero en nuestro multi factorial modelo, ellos fueron altamente importante.
Y como tú pueden ver aquí, la posibilidades relación es abajo una,
reduciendo la riesgo de mortalidad.
Asi que este es a muy importante lección.
Algunas veces, gente elegir riesgo factores primero en largo conjunto de datos
por buscando a a ellos univariadamente.
Y si tú hizo que, tú haría con garantizar
tener omitido estatinas,
porque univariadamente, es completamente irrelevante.
Pero en nuestro multifactorial modelo,
nosotros pudo mostrar que estatinas tener a protector efecto
contra muriendo de COVID-19 una vez tú son críticamente enfermo.
Este hallazgo posee estado luego confirmado por otros.
Y sólo como un ejemplo,
yo incluido a meta- análisis de Septiembre 21
que Por supuesto confirma que estatinas reducir la mortalidad de pacientes
en a muy largo meta- análisis con casi 150.000 pacientes
Si estás interesado en más detalles,
nosotros publicado nuestro trabajar en la Diario de Clínico Medicamento.
yo haría me gusta a tomar la oportunidad a gracias mi coautores,
en especial, stefano Borgmann y martina Nowak- Machén
de la clínica en Ingolstadt.
Y yo haría además me gusta a gracias tú muy mucho por su atención,
y estoy buscando delantero a su preguntas.
Gracias tú muy mucho.
