Hallo alle.
Vielen Dank zum stimmen in zu mein sich unterhalten.
Ich bin David Meintrup,
Professor bei Hochschule Ingolstadt von Angewandt Wissenschaften.
Und heute, ich Wille sich unterhalten um EIN Lasso R Austritt zu R erkennen isk F Schauspieler
zum Tödliches O Ergebnisse in Schwer krank COVID-19 Patienten.
Über das letzte zwei Jahre,
etwas gestartet zu zunehmend sich kümmern mich,
und es ist nicht was Sie wahrscheinlich denken jetzt, die p andämisch,
oder bei am wenigsten nicht nur.
Das Thema ist in Verbindung gebracht zu Dies.
Dies ist mich geben a sich unterhalten an tief Lernen und künstlich Intelligenz
bei das Entdeckung Gipfel 2019 in das wunderbar Stadt von Kopenhagen.
Und seit dann,
es sieht aus wie KI hat werden das Universal- Werkzeug zum alles,
Also Lassen mich geben Sie ein Beispiel.
Im Kann 2021,
das Allgemein Direktor von das Welt Die Gesundheit Organisation
sagte das Folgendes:
"Einer von das Lektionen von COVID-19
ist das das Welt braucht a von Bedeutung Sprung nach vorne
in Daten Analyse.
Dies erfordert Einspannen das Potenzial von fortschrittlich Technologien
eine solche wie künstlich Intelligenz."
So zu mich, Dies fühlt sich wie a bisschen, vergessen um das wissenschaftlich Methode
definieren das Tor, spezifizieren das Werkzeug, angeben das Hypothese, et und so weiter,
Gerade fallen das Magie Wort künstlich Intelligenz
und Sie sind an das gut Seite.
So deshalb, ich beschlossen zu geben Dies sich unterhalten in das bilden von a Dialog
zwischen ein KI Enthusiast an das links Seite und a Statistiker an das Rechts Seite.
Und Ich bin gehen zu sich unterhalten a bisschen mehr speziell an statistisch Modelle,
künstlich Intelligenz, und bestraft Rückschritt.
Und dann in das zweite Teil von das sich unterhalten, Ich bin eigentlich gehen zu gegenwärtig
der Fall lernen um das kritisch krank COVID-19 Patienten.
So Lasst uns erhalten gestartet.
Hier ist das Erste Frage aus unser KI Enthusiast.
Im das Epoche von künstlich Intelligenz und tief Lernen,
wer braucht statistisch Rückschritt Modelle?
Hier ist mein kurz Antworten das ich geliehen aus Juan Lav ist,
Vize Präsident bei Microsoft.
"Wann wir heben Geld, es ist KI, Wenn wir mieten, es ist Maschine Lernen,
und Wenn wir tun das Arbeit, es ist Logistik Rückschritt."
So ich Liebe Dies twittern Weil in mein Meinung bei am wenigsten,
es kondensiert a viel von Wahrheit in a sehr kurz Aussage.
KI hat werden a Universal- Marketing Werkzeug.
Aber zum das real Probleme, wir still verwenden traditionell fortschrittlich statistisch Methoden.
EIN wenig bisschen länger Antworten könnte sein das folgende.
Wenn ich sehen bei das typisch Aufgabe von Ingenieure und Wissenschaftler,
sie enthalten erneuern, verstehe, verbessern, und vorhersagen.
Und tief Lernen und künstlich Intelligenz
ist hauptsächlich a Vorhersage Werkzeug.
Zum alles anders,
wir still brauchen fortschrittlich statistisch Methoden wie traditionell Maschine Lernen,
statistisch Modellieren, und Entwurf von Experimente.
Okay, aber Sie haben zu zugeben
das dort sind sehr erfolgreich Anwendungen von KI und tief Lernen.
Brunnen, es gibt unbedingt nein Zweifel um das.
Zum Beispiel,
vorhersagen das nächste Bewegung in a Spiel wie Schach und Gehen.
Das tief- Lernen Algorithmen tun Dies Weg besser als irgendein Mensch Sein.
Oder ich möchten wie zu einführen mein Favorit künstlich Intelligenz Anwendung,
die ist lösen das Protein Falten Problem.
Das Protein Falten Problem hat berühmt gewesen eingeführt 1972
durch das Nobel Preis Gewinner, Christian Anfinsen,
wer sagte in seine Annahme Rede
das a Protein Amino Säure Reihenfolge sollte völlig bestimmen es ist 3D Struktur.
Und Über das letzte 50 Jahre, Dies Problem hat Grundsätzlich gewesen ungelöst.
Und dort war sehr wenig Fortschritt
bis um DeepMind durch Google aufgetreten ein KI- basierend Algorithmus genannt AlphaF alt
das zu a sehr groß Ausmaß gelöst das Protein Falten Problem.
Und Sie sehen zwei Beispiele von Dies an das Rechts Seite.
Dies ist sehr beeindruckend und schön Arbeit.
Und ich inbegriffen es hier Weil ich gesucht zu klären
das Dies ist das perfekt tief- Lernen KI Problem.
Wir haben a groß Menge von Daten,
wir haben a kombinatorisch Explosion von Optionen,
und das Ergebnis wir sind suchen zum ist a Vorhersage,
das tatsächlich 3D Struktur von das Protein.
So zum Vorhersagen, wir sollte stets verwenden KI.
Nicht bei alle.
Zum Beispiel, in das Datensatz das ich Wille gegenwärtig
um das kritisch krank COVID-19 Patienten,
wir wollen das Modell zu vorhersagen wenn das Geduldig Wille überleben oder Wille sterben.
Aber das rein Vorhersage nicht Ja wirklich Hilfe.
Wenn Sie kennt jemand ist gehen zu sterben, was Sie wollen ist Sie wollen zu behandeln,
Sie wollen zu verhindern, Sie wollen zu kennt das Risiko Faktoren,
Sie wollen zu sein fähig zu Handlung
und nicht nur einfach vorhersagen Tod oder Überleben.
So was wir brauchen ist a Ja wirklich interpretierbar Modell
das Wille Hinweis diese Dinge das wir brauchen
wie Behandlung, Verhütung, und Risiko Faktoren.
Andere Weg von suchen bei es,
Lasst uns haben a sehen bei typisch Daten- Gefahren Modellieren Strategien.
Was ist sehr typisch erledigt in tief- Lernen KI Umgebung
ist das Sie nehmen alle verfügbar Daten,
Sie Wurf es in das tief- Lernen KI Algorithmus.
Und es könnte vorhersagen sehr Gut das Ergebnis das du bist suchen zum,
aber du bist bekommen a völlig nicht interpretierbar Modell.
Was ist ein Alternative?
Ein Alternative ist zu schon in das Daten Sammlung Prozess
denken sorgfältig was Daten tun Sie brauchen mit fortschrittlich statistisch Methoden.
Dann anwenden a statistisch Modell,
und wie a Ergebnis, Sie erhalten a völlig interpretierbar Modell.
Okay, sagt unser KI Enthusiast,
Aber Sie sind fehlen ein wichtig Punkt hier.
Statistisch Modelle könnte sein Hübsch zum klein Daten setzt,
aber zum groß Daten, sie kippen sein Gebraucht, Rechts?
Brunnen, nein.
Zum groß Daten setzt, dort sind mehrere intelligent Wege
zu reduzieren das Dimensionalität
Vor Sie Anfang mit das passend zu Prozess von das Modell.
Und ich möchten wie zu einführen, bei am wenigsten in Kürze,
drei von diese intelligent Wege zu reduzieren das Modell Dimensionalität.
Nummer eines, Redundanz Analyse, etwas Sie könnte haben gehört um.
Wenn Sie haben a groß Daten einstellen,
das Preis Sie Zahlen ist typisch das das Faktoren sind höchst korreliert
und Sie kann messen das Menge von Korrelation innerhalb das einstellen von Faktoren
durch das Wert das ist genannt Varianz Inflation Faktor.
Und dann Sie kann eigentlich beseitigen das Faktoren
mit das höchste Varianz Inflation Faktoren.
Wieso den?
Da sie nicht hinzufügen zusätzlich Information
zu das einstellen von Faktoren das Sie sind schon suchen bei.
So Dies ist eines klassisch Weg von reduzieren das Dimensionalität von dein Daten.
Wenn Sie haben kategorisch Daten, zum Beispiel,
Sie sehen bei ein X- Strahl von das Lunge und Sie kann sehen anders Symptome.
Dann Sie kann haben Variablen das beschreiben,
Dies Symptom war dort, Dies Symptom war dort,
oder ein anderes Symptom war dort, X 1, X 2, X 3.
Vielleicht zum dein Analyse,
es ist genügend zu unterscheiden ein Normal- suchen Lunge
und a Lunge das hat etwas Symptome irgendwo.
Im Sonstiges Wörter, Sie Konvertieren a die Zeile nur mit Nullen zu a Null.
Und wenn es gibt bei am wenigsten eines eines, Sie Rückgeld es zu a eines,
und Sie schaffen a Neu Variable fangen Dies Information.
Oder zu geben Sie ein Alternative, Sie könnte Summe X 1, X 2, und X 3,
und zählen das Nummer von Symptome das Sie sehen an ein X- Strahl.
Dies Verfahren ist genannt punkten
und ist a sehr effizient Weg von reduzieren Dimensionalität.
Rektor Komponente Analyse hat exakt das gleich Geist.
Es rekombiniert kontinuierlich Variablen.
Es nimmt a linear Kombination von kontinuierlich Variablen
mit das Idee von fangen das Variation in eines neu erstellt Variable.
ich Anruf diese Dimensionalität die Ermäßigung Methoden intelligent,
Weil Wenn Sie anwenden Sie,
Sie schon lernen etwas um dein Daten.
Und das ist das ganz Zweck von Statistiken, ist nicht es?
Lernen Dinge aus dein Daten.
So Lassen mich zusammenfassen das Vorteile von statistisch Modelle.
Zuerst, sie kann sein Gebraucht zum alle Arten von Aufgaben,
nicht nur zum Vorhersagen.
Zweite, das Modell selbst ist nützlich und völlig interpretierbar.
Und dritte,
Sie kann Anfang in a groß Datensatz mit intelligent Dimensionalität die Ermäßigung
Vor Sie eigentlich fit das Modell.
Ich bin still nicht überzeugt.
dürfen Sie geben mich ein Beispiel von a statistisch Modell
das Sie angewandt zu a groß Datensatz?
Okay, Also Lasst uns einführen Logistik Lasso Rückschritt.
Lasso ist ein Abkürzung
zum am wenigsten absolut Schwindung und Auswahl Operator,
und warum es ist genannt wie das, ich Wille erklären in a wenig Momente.
Lasst uns einführen Dies Lasso Rückschritt in vier Schritte.
Schritt Nummer eines ist zu erinnern uns selbst von das Logistik Rückschritt Modell.
Im a Logistik Rückschritt Modell, wir haben a kategorisch,
in das am einfachsten Fall, zwei- eben Faktor...
Entschuldigung, A kategorisch Antwort mit zwei Ebenen,
und wir haben a Tor zu Modell das Auftreten Wahrscheinlichkeit von das Veranstaltung.
Dies ist typisch erledigt mit Dies S- geformt Funktion
das entspricht zu das Wahrscheinlichkeit von das Veranstaltung eigentlich auftreten.
Das funktionell Begriff ist gegeben hier zu das links,
aber das gut Nachrichten ist das
mit ein einfach Transformation das ist genannt Logit Transformation,
Sie kann drehen das Original Werte hinein Protokoll es schätzt,
und dann das Ergebnis ist a einfach linear Rückschritt
an das Logit-Werte.
So das Unterseite Linie ist Logistik Rückschritt,
ist einfach linear Rückschritt an Logit Werte.
Schritt Nummer zwei.
Dies ist a klassisch Lage von a zwei- Faktor linear Rückschritt Modell.
Und wie tun wir fit Dies zu a Daten Wolke?
Brunnen, wir tun Dies mit das Hilfe von a Verlust Funktion.
Zum Beispiel, wir nehmen das Summe von kariert Fehler,
und dann wir sehen zum das Minimum von Dies Funktion.
Dies ist das sehr berühmt und Standard gewöhnliche Quadrat Schätzer
das ist das Ergebnis von minimieren speziell Dies Verlust Funktion
gegeben durch das Summe von kariert Fehler.
Drittens, etwas das ist kann sein weniger bekannt,
ich möchten wie zu einführen Konzept f aus Mathematik
das Norm von a Vektor das ist eigentlich nur a Darstellung
von das Vorstellung von das Distanz von a Länge von a Vektor.
Lasst uns sehen bei drei Beispiele.
Das Erste eines das Sie sehen hier in das Mitte
ist das klassisch Distanz das Sie alle kennt und verwenden.
Dies ist das Euklidisch Distanz.
Es ist berechnet durch nehmen das Quadrate von das Koordinaten
und dann nehmen das Quadrat Wurzel.
Das Einheit Kreis wie Sie kennt repräsentiert alle Punkte
das haben a Distanz eines, aus das Center.
Dies ist das klassisch Euklidisch Norm.
Wir kann vereinfachen Dies Berechnung durch einfach nehmen das Summe von absolut Werte.
So stattdessen von nehmen a Quadrat und nehmen a Quadrat Wurzel,
wir einfach Summe das absolut Werte.
Dies ist genannt das L_1 Norm.
Und was Sie sehen hier, Dies Diamant ist das Darstellung
von das Einheit Kreis von Dies L_1 Norm.
Im Sonstiges Wörter, alle das Punkte hier an Dies Diamant haben Abstand eins ,
wenn Sie messen Distanz mit das L _1 Norm.
Endlich, das Also- genannt maximal Norm wo Sie fortsetzen zu vereinfachen.
Du nur nehmen das größer Wert von das zwei absolut Werte, x1 und x2 .
Wenn Sie denken um was das Einheit Kreis ist in Dies Fall,
es Wille eigentlich drehen hinein a Quadrat.
Dies Quadrat ist das Einheit Kreis zum das maximal Wert.
So in Zusammenfassung, wir kann messen Distanz in anders Wege in Mathematik,
und was Sie sehen hier, das Diamant, das tatsächlich Kreis oder Quadrat
sind Einheit Kreise.
So Punkte mit Distanz eines, nur gemessen mit drei anders Normen,
drei Entfernungen,
drei anders Vorstellungen von was a Länge ist.
Endlich, Lasst uns kombinieren alles wir haben erledigt Also weit.
So wir Anfang mit das Logistik Rückschritt Modell.
Wir hinzufügen das Verlust Funktion.
Und jetzt, stattdessen von nehmen das gewöhnliche quadratischer Verlust Funktion,
wir hinzufügen ein zusätzliches Begriff.
Und Dies Begriff besteht Grundsätzlich von das L_1 Norm von das Parameter.
Du sehen das wir hinzufügen das absolut Werte, Beta_1 und Beta_2?
So Dies ist das L_1 Norm von das Parameter
das wir hinzufügen zu das Verlust Funktion.
Von Kurs, Dies ist nur eines Auswahl.
Du könnte Auch Quadrat diese.
Dann, Sie möchten erhalten was ist genannt a Grat Rückschritt
wenn Sie nehmen das Quadrat von das Parameter.
Dies Erste eines hier,
das oben eines das wir sind gehen zu fortsetzen zu verwenden
ist genannt das Lasso oder L_1 Rückschritt
Weil Dies Begriff hier ist einfach das L_1-Norm von das Beta,
von das Parameter Vektor.
Jetzt, gesamt, was Dies meint ist das Sie bestrafen das Verlust Funktion
zum wählen groß Beta Werte.
Und Dies ist warum Dies Strafe das Sie einführen
führt zu das Begriff bestraft Verlust Funktionen.
So wenn Sie haben a Bestrafung, eine Strafe zum groß Beta Vektoren,
dann stattdessen von tun gewöhnliche am wenigsten Quadrate,
Sie tun a bestraft Rückschritt.
Jetzt, Lasst uns sehen a wenig bisschen näher zu das Wirkung das bestrafen hat.
So Dies ist einmal wieder das bestraft Verlust Funktion
mit Dies zusätzlich Begriff hier.
Jetzt, das Graph das Sie sehen hier
ist unabhängig von das Also- genannt stimmen Parameter, Lambda.
Das größer Lambda ist, das mehr Gewicht Dies Begriff hat,
und das mehr es Wille Macht das Beta-Werte zu sein klein.
Dies ist warum Sie sehen das das Parameter schrumpfen.
Und Dies ist warum Dies ganz Verfahren ist genannt absolut Schwindung.
Zweitens, in Dies Graph, Sie kann Erwägen Dies Bereich hier,
Dies Diamant wie das Budget das Sie haben
zum das Summe von das absolut Werte von Beta.
Und an diese Ellipsen, das Restwert Summe von Quadrat ist Konstante.
So du bist suchen zum das am kleinsten Restwert Summe von Quadrat
innerhalb das Budget.
Dies in das Fall gezeichnet hier führt zu Dies Punkt hier.
Und fällig zu das Form von Dies Diamant,
diese zwei Wille typisch verbinden in a Ecke von das Diamant.
Und was Dies meint ist das das dazugehörigen Parameter
ist einstellen genau zu Null.
Und Dies ist warum Dies Methode ist Auch gut zum Auswahl
Weil Einstellung Dies Parameter Null meint nichts anders
als treten es aus von das Modell.
So Dies ist in Zusammenfassung warum wir Anruf das L _1 Rückschritt Lasso.
Es hat a Schwindung Element und a Auswahl Element
fällig zu diese zwei beschrieben Merkmale.
Einer letzte praktisch Aspekt von Lasso Rückschritt
ist um das stimmen Parameter, Dies Lambda hier.
Wie tun Sie wählen es?
Brunnen, eines sehr gemeinsames sich nähern ist das Folgendes:
Sie verwenden a Validierung Methode
wie zum Beispiel, Akaike-Informationen Kriterium,
und Sie Handlung das Abhängigkeit von das AIC von Lambda.
Und dann Sie kann wählen a Lambda Wert
das gibt Sie a minimal AIC.
An das links Seite, Sie sehen wie das Parameter schrumpfen
und Sie kann sehen das blau Linien das entsprechen zu das Parameter
das sind eigentlich nicht- Null
während das Sonstiges Einsen sind schon gezwungen zu sein Null.
Ich bin still nicht überzeugt.
dürfen Sie Show mich a Beton Fall lernen?
Von Kurs.
Also die Daten das Ich bin gehen zu gegenwärtig hier
besteht von 739 schwer krank Intensivstation Patienten mit COVID-19
das war gesammelt in das Anfang von das Pandemie
zwischen Marsch und Oktober 2020.
Wir haben eines binär Antwort
das besteht von das Ebenen erholt und tot,
und wir haben 43 Faktoren:
Labor Werte, lebenswichtige, Vor- vorhandenen Bedingungen, und so weiter.
Dies ist das Daten das wir sind gehen zu analysieren jetzt.
So hier, Sie sehen das Datensatz.
Es hat 44 Säulen, wie Sie kann sehen Nieder hier.
Und 739 Patienten.
Jetzt, Lasst uns Anfang vertraut machen a wenig bisschen hier mit das Daten.
Wir haben Dies letzte bekannt Status, erholt und tot,
Alter Geschlecht, und BMI.
Und dann wir haben zusätzlich Grundlinie Werte,
Komorbiditäten, lebenswichtige, l ab Werte, Symptome, und CT Ergebnisse.
Lasst uns sehen bei etwas Verteilungen.
So Dies ist das Verteilung von das letzte bekannt Status.
So Sie kann sehen das Unglücklicherweise 46 Prozent von diese Patienten gestorben.
Wir sehen hier das schief das Alter Verteilung mit ein Hervorhebung hier Oben 60.
Und Sie kann sehen das grob 70 Prozent von das Patienten sind Männchen.
Haben a sehen bei das zusätzlich Grundlinie Werte.
Du kann sehen hier das Karosserie Masse Index,
und Sie Wille Notiz das wir haben a Tendenz von ein hoch Karosserie Masse Index
Oben 25.
Wir haben ziemlich a viel von AS und BEI Inhibitoren,
und Auch von Statine, Also Behandlungen zum Cholesterin
und zum Blut Druck und etwas immunsuppressiv.
Nächste, Komorbiditäten.
Du sehen das fast zwei Drittel sind Bluthochdruck,
und wir haben ziemlich a von Bedeutung Menge von Herz-Kreislauf Erkrankung,
von Lungen Erkrankung,
und um 30 Prozent von unser Patienten haben Diabetes.
Jetzt, zum das verblieben vier Gruppen, lebenswichtige, l ab Werte, Symptome, und CT,
Ich bin gehen zu Show Sie eines Vertreter aus jeder
Also das Sie kann erhalten a Gefühl von wie diese Werte sind verteilt.
Dies ist das Atmung Bewertung.
Diese sind das Nummer von Lymphozyten.
So Dies ist a lebenswichtig Parameter, a Labor Parameter.
Hier, Sie haben a Symptom, schwer Leber Versagen
das kann geschehen an das Intensivstation.
Und Dies ist a CT Ergebnis,
Bereiche von Konsolidierung das kann sein gesehen an das CT von das Lunge.
Okay, Also jetzt wir sind bereit
und wir sind eigentlich gehen zu analysieren das Modell.
So ich gehen zu Analysieren, f es m Modell.
ich nehmen das letzte bekannt Status.
Das ist warum ich Wurf in alles anders wie Faktor
und ich gehen zu Allgemein Rückfall
die ist gehen zu ausführen das Lasso Rückschritt.
Du kann sehen hier das das Lasso Einschätzung Methode
ist schon vorausgewählt.
So wenn ich klicken an Gehen, das Verfahren ist schon fertig.
Es ist sehr schnell, und Dies ist das Ergebnis.
Dies ist das Bildschirmfoto das Sie gesehen schon an das gleiten.
Jetzt, Ich bin nicht gehen zu Arbeit mit Dies Modell zum das folgende Grund.
Wenn ich gehen hier hoch zu das Modell C Vergleich Sektion,
ich sehen das ich haben 30 Parameter in Dies Modell.
So Dies Modell ist still sehr groß.
Wenn ich gehen der Rücken Nieder hier,
ich kann sehen das mein AIC nicht Rückgeld a viel wenn ich stellen es des Weiteren zu das links.
Stattdessen von tun Dies manuell, was Ich bin gehen zu tun
ist Ich bin gehen zu Rückgeld das die Einstellungen von JMP
Also das es nicht nehmen das Beste- fit, das minimal AIC,
aber stattdessen das am kleinsten innerhalb das gelb Zone.
So Dies ist etwas ich kann tun hier in das Modell Start.
So ich nehmen das Fortgeschrittene C steuern
und ich Rückgeld Am besten Fit zu S kleinst in Y gelbes Z eines.
ich klicken an Gehen.
Und jetzt, eigentlich ich haben a sehr Hübsch Modell mit 16 Parameter.
Jetzt, Dies ist das Modell Ich bin gehen zu verwenden.
Und zu sein fähig zu Show Sie was Faktoren sind in Dies Modell,
Ich bin nur gehen zu auswählen Sie, Auswählen Nicht null Bedingungen.
Jetzt, ich haben diese 16 ausgewählt,
und ich kann stellen Sie in a Logistik Rückschritt
und aktivieren Sie das Chancen Verhältnisse.
So an das oben, wir sehen das 16 Auswirkungen in unser Modell.
Und unter, wir kann sehen das Chancen Verhältnisse.
So zum Beispiel, das Chancen Verhältnis von das Alter ist 1.07.
Wenn Sie nehmen Dies zu das Energie 10, es Wille geben Sie grob a Wert von zwei,
die meint das mit 10 Jahre mehr,
grob, etwa dein Chancen Verhältnis Doppel.
Dein Chance von Absterben ist zweimal wie hoch wie Vor.
Und dann unter hier,
wir haben das Chancen Verhältnisse zum das pädagogisch Variablen.
So zum Beispiel,
koronar Herz-Kreislauf Erkrankung hat ein seltsam Verhältnis von 1.62.
Jetzt, ich möchten wie zu Punkt aus etwas von diese Ergebnisse.
So Lasst uns Erste sehen bei Faktoren
das sind Gut- bekannt aus das Allgemeines Population.
So hier, Sie sehen das Abhängigkeit von das letzte bekannt Status gegen das Alter.
Und Sie kann sehen wie Dies zunehmend das Alter
Zunahme dein Chance von Absterben sehr bedeutend.
Wie ich sagte Vor, das Chancen Verhältnis von 10 Jahre ist grob doppelt.
An das links Seite,
Sie sehen Lungen Erkrankung und Herz-Kreislauf Erkrankung
das beide Auch haben a von Bedeutung Wirkung an das Risiko von Absterben aus COVID- 19.
Und diese Faktoren sind Auch gültig in das Allgemeines Population.
Jetzt, mehr Interessant,
wir finden diese drei Faktoren nicht zu sein in unser Modell.
So Geschlecht, BMI, und Hypertonie sind nicht Teil von unser Modell.
So wie ist das möglich?
Brunnen, es ist kritisch zu denken Sie daran
das unser Population besteht von Intensivstation Patienten.
Sie sind schon kritisch krank.
So wir haben 72 Prozent von männlich Patienten,
wir haben fast 80 Prozent das haben a BMI Über 26,
und zwei Drittel sind Bluthochdruck.
So diese Faktoren Wille eigentlich höchst Zunahme dein Risiko
von ein kritischer weil von das COVID- 19 Erkrankung.
Aber einmal Sie sind kritisch krank, bei das Punkt, sie nicht Angelegenheit mehr.
So das war a sehr wichtig Ergebnis zum uns.
Die Faktoren tragen Über aus das Allgemeines Population
und die Faktoren verschwinden in ihr Bedeutung
einmal Sie sind schon schwer krank?
Endlich, ich möchten wie zu Punkt aus eines mehr Aspekt die ist Statine.
Statine war völlig unbedeutend.
Du sehen das P Wert hier von 25 Prozent einmal Sie sah bei Sie unvariabel.
Aber in unser multi Fakultät Modell, sie war höchst von Bedeutung.
Und wie Sie kann sehen hier, das Chancen Verhältnis ist unter eines,
reduzieren das Risiko von Sterblichkeit.
So Dies ist a sehr wichtig Lektion.
Manchmal, Personen wählen Risiko Faktoren Erste in groß Datensatz
durch suchen bei Sie unvariabel.
Und wenn Sie tat das, Sie möchten mit Garantie
haben verpasst Statine,
Weil unvariabel, es ist vollständig irrelevant.
Aber in unser multifaktoriell Modell,
wir könnte Show das Statine haben a schützend Wirkung
gegen Absterben aus COVID-19 einmal Sie sind kritisch krank.
Dies finden hat gewesen später Bestätigt durch Andere.
Und nur wie ein Beispiel,
ich inbegriffen a Meta- Analyse aus September 21
das in der Tat bestätigt das Statine reduzieren das Sterblichkeit von Patienten
in a sehr groß Meta- Analyse mit fast 150.000 Patienten.
Wenn du bist interessiert in mehr Einzelheiten,
wir veröffentlicht unser Arbeit in das Tagebuch von Klinisch Medizin.
ich möchten wie zu nehmen das Gelegenheit zu danken mein Co-Autoren,
in besondere, Stefan Borgmann und Martina Nowak- Machen
aus das Klinik in Ingolstadt.
Und ich möchten Auch wie zu danken Sie sehr viel zum dein Aufmerksamkeit,
und Ich bin suchen nach vorne zu dein Fragen.
Dank Sie sehr viel.
