Ciao tutti.
Grazie per messa a punto in a mio parlare.
Io sono Davide Meintrup,
professoressa a Università di Ingolstadt di Applicato Scienze.
E oggi, io volere parlare di UN Lasso R egressione a Rileva R isk F attori
per fatale O risultati in Malato grave COVID-19 Pazienti.
Al di sopra di il Ultimo Due anni,
qualche cosa cominciato a sempre più fastidio me,
e esso è non che cosa voi probabilmente pensare adesso, il p andemico,
o a meno non solo.
Il argomento è collegato a questo.
Questo è me dando un parlare Su profondo apprendimento e artificiale intelligenza
a il Scoperta Vertice 2019 in il meraviglioso città di Copenaghen.
E da poi,
esso sembra piace AI ha diventare il universale attrezzo per Tutto quanto,
Così permettere me dare voi un esempio.
In Maggio 2021,
il Generale Direttore di il Mondo Salute Organizzazione
disse il seguente:
"Uno di il Lezioni di COVID-19
è Quello il mondo necessità un significativo salto inoltrare
in dati analisi.
Questo richiede imbrigliare il potenziale di Avanzate tecnologie
tale come artificiale intelligenza."
Così a me, questo sente piace un morso, dimenticare di il scientifico metodo
definendo il obiettivo, specificando il Strumenti, affermando il ipotesi, et cetera,
Solo far cadere il Magia parola artificiale intelligenza
e voi sono Su il Buona lato.
Così dunque, io deciso a dare questo parlare in il modulo di un dialogo
fra un AI appassionato Su il sinistra lato e un statistico Su il Giusto lato.
E Io sono andando a parlare un morso Di più nello specifico Su statistico Modelli,
artificiale intelligenza, e penalizzato regressione.
E poi in il secondo parte di il parlare, Io sono in realtà andando a regalo
il caso studia di il criticamente malato COVID-19 pazienti.
Così andiamo ottenere cominciato.
Ecco il primo domanda da i nostri AI appassionato.
In il era di artificiale intelligenza e profondo apprendimento,
chi necessità statistico regressione Modelli?
Ecco mio breve Rispondere Quello io preso in prestito da Juan lav ista,
Vice Presidente a Microsoft.
"Quando noi aumentare i soldi, è IA, quando noi assumere, è macchina apprendimento,
e quando noi fare il opera, è logistico regressione."
Così io amore questo twittare perché in mio opinione a meno,
esso condensa un quantità di verità in un molto breve dichiarazione.
AI ha diventare un universale marketing attrezzo.
Ma per il vero i problemi, noi ancora uso tradizionale Avanzate statistico metodi.
UN piccolo morso più a lungo Rispondere Potevo essere il seguente.
Se io Guarda a il tipico compito di ingegneri e scienziati,
essi includere innovare, comprendere, Ottimizzare, e prevedere.
E profondo apprendimento e artificiale intelligenza
è principalmente un predizione attrezzo.
Per Tutto quanto altro,
noi ancora bisogno Avanzate statistico metodi piace tradizionale macchina apprendimento,
statistico modellazione, e disegno di esperimenti.
Bene, ma voi avere a ammettere
Quello là sono molto riuscito applicazioni di AI e profondo apprendimento.
Bene, c'è assolutamente No dubbio di Quello.
Per esempio,
predire il prossimo muoversi in un gioco piace scacchi e Andare.
Il profondo- apprendimento algoritmi fare questo modo meglio di qualunque umano essendo.
O io voluto piace a introdurre mio preferito artificiale intelligenza applicazione,
quale è risolvendo il proteina pieghevole problema.
Il proteina pieghevole problema ha notoriamente stato introdotto 1972
di il Nobel Premio vincitore, cristiano Anfinsen,
chi disse in il suo accettazione discorso
Quello un di proteine amino acido sequenza dovrebbe completamente determinare suo 3D struttura.
E Sopra il Ultimo 50 anni, questo problema ha fondamentalmente stato irrisolto.
E là era molto piccolo progresso
Fino a Mente Profonda di Google sviluppato un AI- basato algoritmo chiamato AlfaF vecchio
Quello a un molto di grandi dimensioni estensione risolto il proteina pieghevole problema.
E voi vedere Due esempi di questo Su il Giusto lato.
Questo è molto degno di nota e Bellissima opera.
E io incluso esso qui perché io ricercato a chiarire
Quello questo è il Perfetto profondo- apprendimento AI problema.
Noi avere un vasto Quantità di dati,
noi avere un combinatoria esplosione di opzioni,
e il risultato noi sono analizzare, cercare, guardare per è un predizione,
il effettivo 3D struttura di il proteina.
Così per predizioni, noi dovrebbe sempre uso AI.
Non a tutto.
Per esempio, in il set di dati Quello io volere regalo
di il criticamente malato COVID-19 pazienti,
noi volere il modello a prevedere Se il paziente volere sopravvivere o volere morire.
Ma il puro predizione non lo fa veramente aiuto.
Se voi sapere qualcuno è andando a morire, che cosa voi volere è voi volere a trattare,
voi volere a impedire, voi volere a sapere il rischio fattori,
voi volere a essere capace a atto
e non Appena semplicemente predire Morte o sopravvivenza.
Così che cosa noi bisogno è un veramente interpretabile modello
Quello volere suggerimento queste le cose Quello noi bisogno
piace trattamento, prevenzione, e rischio fattori.
Altro modo di analizzare, cercare, guardare a esso,
andiamo avere un Guarda a tipico dati- guidato modellazione strategie.
Che cosa è molto tipicamente fatto in profondo- apprendimento AI ambiente
è Quello voi prendere tutto a disposizione dati,
voi gettare esso in il profondo- apprendimento AI algoritmo.
E esso potrebbe prevedere molto bene il risultato Quello sei analizzare, cercare, guardare per,
ma sei ottenere un completamente non interpretabile modello.
Cosa c'è un alternativa?
Un alternativa è a già in il dati collezione processi
pensare con attenzione che cosa dati fare voi bisogno insieme a Avanzate statistico metodi.
Quindi applicare un statistico modello,
e come un risultato, voi ottenere un completamente interpretabile modello.
Bene, dice i nostri AI appassionato,
Ma voi sono mancante un importante punto qui.
Statistico Modelli potrebbe essere simpatico per piccolo dati imposta,
ma per grande dati, essi non posso essere Usato, Giusto?
Bene, no.
Per di grandi dimensioni dati imposta, là sono parecchi intelligente modi
a ridurre il dimensionalità
prima voi inizio insieme a il raccordo processi di il modello.
E io voluto piace a introdurre, a meno in breve,
tre di queste intelligente modi a ridurre il modello dimensionalità.
Numero uno, ridondanza analisi, qualche cosa voi potrebbe avere sentito di.
Se voi avere un di grandi dimensioni dati impostare,
il prezzo voi pagare è tipicamente Quello il fattori sono altamente correlato
e voi Potere misurare il Quantità di correlazione entro il impostare di fattori
di il valore Quello è chiamato varianza inflazione fattore.
E poi voi Potere in realtà eliminare il fattori
insieme a il più alto varianza inflazione fattori.
Come mai?
Perché essi non Inserisci aggiuntivo informazione
a il impostare di fattori Quello voi sono già analizzare, cercare, guardare a.
Così questo è uno classico modo di riducendo il dimensionalità di tuo dati.
Se voi avere categorico dati, per esempio,
voi Guarda a un X- raggio di il polmone e voi Potere vedere diverso sintomi.
Quindi voi Potere avere variabili Quello descrivere,
questo sintomo era là, questo sintomo era là,
oppure un'altra sintomo era là, X 1, X 2, X 3.
Forse per tuo analisi,
è abbastanza a distinguere un normale- analizzare, cercare, guardare polmone
e un polmone Quello ha alcuni sintomi in qualche luogo.
In Altro parole, voi convertire un riga solo insieme a zeri a un zero.
E Se c'è a meno uno uno, voi modificare esso a un uno,
e voi creare un nuovo variabile cattura questo informazione.
O a dare voi un alternativa, voi Potevo somma X 1, X 2, e X 3,
e contare il numero di sintomi Quello voi vedere Su un X- raggio.
Questo procedura è chiamato segnare
e è un molto efficiente modo di riducendo dimensionalità.
Principale componente analisi ha Esattamente il stesso spirito.
Esso ricombina continuo variabili.
Esso prende un lineare combinazione di continuo variabili
insieme a il idea di cattura il variazione in uno di recente creato variabile.
io chiamata queste dimensionalità riduzione metodi intelligente,
perché quando voi applicare loro,
voi già imparare qualche cosa di tuo dati.
E quello è il totale scopo di statistiche, non lo è esso?
Apprendimento le cose da tuo dati.
Così permettere me ricapitolare il vantaggi di statistico Modelli.
Primo, essi Potere essere Usato per tutto tipi di compiti,
non solo per predizioni.
Secondo, il modello si è utile e completamente interpretabile.
E Terzo,
voi Potere inizio in un di grandi dimensioni set di dati insieme a intelligente dimensionalità riduzione
prima voi in realtà in forma il modello.
Io sono ancora non convinto.
Può voi dare me un esempio di un statistico modello
Quello voi applicato a un di grandi dimensioni set di dati?
Bene, Così andiamo introdurre logistico Lazo regressione.
Lazo è un abbreviazione
per meno assoluto restringimento e selezione operatore,
e perché esso è chiamato piace Quello, io volere spiegare in un pochi momenti.
Andiamo introdurre questo Lazo regressione in quattro passi.
Fare un passo numero uno è a ricordare noi stessi di il logistico regressione modello.
In un logistico regressione modello, noi avere un categorico,
in il più facile Astuccio, Due- livello fattore...
Scusa, un categorico risposta insieme a Due livelli,
e noi avere un obiettivo a modello il occorrenza probabilità di il evento.
Questo è tipicamente fatto insieme a questo S- sagomato funzione
Quello corrisponde a il probabilità di il evento in realtà avvenendo.
Il funzionale termine è dato qui a il sinistra,
ma il Buona notizia è Quello
insieme a un facile trasformazione Quello è chiamato logit trasformazione,
voi Potere giro il originale i valori in tronco d'albero valorizza,
e poi il risultato è un semplice lineare regressione
Su il valori logit.
Così il parte inferiore linea è logistico regressione,
è semplicemente lineare regressione Su logit i valori.
Fare un passo numero Due.
Questo è un classico situazione di un Due- fattore lineare regressione modello.
E come fare noi in forma questo a un dati nube?
Bene, noi fare questo insieme a il aiuto di un perdita funzione.
Per esempio, noi prendere il somma di quadrato errori,
e poi noi Guarda per il minimo di questo funzione.
Questo è il molto famoso e standard ordinario quadrato estimatore
Quello è il risultato di minimizzando nello specifico questo perdita funzione
dato di il somma di quadrato errori.
In terzo luogo, qualche cosa Quello è può essere meno conosciuto,
io voluto piace a introdurre concetto f dalla matematica
il norma di un vettore Quello è in realtà Appena un rappresentazione
di il nozione di il distanza di un lunghezza di un vettore.
Andiamo Guarda a tre esempi.
Il primo uno Quello voi vedere qui in il mezzo
è il classico distanza Quello voi tutto sapere e uso.
Questo è il euclideo distanza.
È calcolato di prendendo il piazze di il coordinate
e poi prendendo il quadrato radice.
Il unità cerchio come voi sapere rappresenta tutto punti
Quello avere un distanza uno, da il centro.
Questo è il classico euclideo norma.
Noi Potere semplificare questo calcolo di semplicemente prendendo il somma di assoluto i valori.
Così invece di prendendo un quadrato e prendendo un quadrato radice,
noi semplicemente somma il assoluto i valori.
Questo è chiamato il L_1 norma.
E che cosa voi vedere qui, questo diamante è il rappresentazione
di il unità cerchio di questo L_1 norma.
In Altro parole, tutto il punti qui Su questo diamante avere distanza uno ,
Se voi misurare distanza insieme a il l _1 norma.
Infine, il Così- chiamato massimo norma dove voi Continua a semplificare.
Voi Appena prendere il più grandi valore di il Due assoluto i valori, x1 e x2 .
Se voi pensare di che cosa il unità cerchio è in questo Astuccio,
esso volere in realtà giro in un quadrato.
Questo quadrato è il unità cerchio per il massimo valore.
Così in riepilogo, noi Potere misurare distanza in diverso modi in matematica,
e che cosa voi vedere qui, il diamante, il effettivo cerchio o quadrato
sono unità cerchi.
Così punti insieme a distanza uno, Appena misurato insieme a tre diverso norme,
tre distanze,
tre diverso nozioni di che cosa un lunghezza è.
Infine, andiamo combinare Tutto quanto noi abbiamo fatto Così lontano.
Così noi inizio insieme a il logistico regressione modello.
Noi Inserisci il perdita funzione.
E adesso, invece di prendendo il ordinario perdita quadrata funzione,
noi Inserisci un ulteriore termine.
E questo termine consiste fondamentalmente di il L_1 norma di il parametro.
Voi vedere Quello noi Inserisci il assoluto i valori, Beta_1 e Beta_2?
Così questo è il L_1 norma di il parametri
Quello noi Inserisci a il perdita funzione.
Di corso, questo è Appena uno scelta.
Voi Potevo anche quadrato queste.
Quindi, voi voluto ottenere che cosa è chiamato un Cresta regressione
Se voi prendere il quadrato di il parametri.
Questo primo uno qui,
il superiore uno Quello noi sono andando a Continua a uso
è chiamato il Lazo o L_1 regressione
perché questo termine qui è semplicemente il L_1 norma di il Beta,
di il parametro vettore.
Adesso, complessivamente, che cosa questo significa è Quello voi punire il perdita funzione
per scegliendo di grandi dimensioni Beta i valori.
E questo è perché questo pena Quello voi introdurre
conduce a il termine penalizzato perdita funzioni.
Così Se voi avere un punizione, una penalità per di grandi dimensioni Beta vettori,
poi invece di facendo ordinario meno piazze,
voi fare un penalizzato regressione.
Adesso, andiamo Guarda un piccolo morso più vicino a il effetto Quello penalizzante ha.
Così questo è una volta ancora il penalizzato perdita funzione
insieme a questo aggiuntivo termine qui.
Adesso, il grafico Quello voi vedere qui
è indipendente di il Così- chiamato messa a punto parametro, Lambda.
Il più grandi Lambda è, il Di più il peso questo termine ha,
e il Di più esso volere forza il Valori beta a essere piccolo.
Questo è perché voi vedere Quello il parametri restringersi.
E questo è perché questo totale procedura è chiamato assoluto restringimento.
In secondo luogo, in questo grafico, voi Potere ritenere questo la zona qui,
questo diamante come il bilancio Quello voi avere
per il somma di il assoluto i valori di Beta.
E Su queste ellissi, il residuo somma di quadrato è costante.
Così sei analizzare, cercare, guardare per il più piccolo residuo somma di quadrato
entro il bilancio.
Questo in il Astuccio disegnato qui conduce a questo punto qui.
E dovuto a il forma di questo diamante,
queste Due volere tipicamente Collegare in un angolo di il diamante.
E che cosa questo significa è Quello il corrispondente parametro
è impostare precisamente a zero.
E questo è perché questo metodo è anche Buona per selezione
perché ambientazione questo parametro zero significa niente altro
che calciare esso fuori di il modello.
Così questo è in riepilogo perché noi chiamata il l _1 regressione Lazo.
Esso ha un restringimento elemento e un selezione elemento
dovuto a queste Due descritto caratteristiche.
Uno Ultimo pratico aspetto di Lazo regressione
è di il messa a punto parametro, questo Lambda qui.
Come fare voi scegliere esso?
Bene, uno molto Comune approccio è il seguente:
voi uso un convalida metodo
piace per esempio, Akaike informazioni criterio,
e voi complotto il dipendenza di il AIC di Lambda.
E poi voi Potere scegliere un Lambda valore
Quello dà voi un minimo AIC.
SU il sinistra lato, voi vedere come il parametri restringersi
e voi Potere vedere il blu linee Quello corrispondere a il parametri
Quello sono in realtà non- zero
mentre il Altro quelli sono già costretto a essere zero.
Io sono ancora non convinto.
Può voi mostrare me un calcestruzzo Astuccio studia?
Di corso.
Così la dati Quello Io sono andando a regalo qui
consiste di 739 malato grave terapia intensiva pazienti insieme a COVID-19
Quello era raccolto in il inizio di il pandemia
fra Marzo e ottobre 2020.
Noi avere uno binario risposta
Quello consiste di il livelli recuperato e morto,
e noi avere 43 fattori:
laboratorio i valori, organi vitali, pre- esistente condizioni, eccetera.
Questo è il dati Quello noi sono andando a analizzare adesso.
Così qui, voi vedere il set di dati.
Esso ha 44 colonne, come voi Potere vedere fuori uso qui.
E 739 pazienti.
Adesso, andiamo inizio familiarizzare un piccolo morso qui insieme a il dati.
Noi avere questo Ultimo conosciuto stato, recuperato e morto,
età, sesso, e BMI.
E poi noi avere aggiuntivo linea di base i valori,
comorbidità, vitali, l ab i valori, sintomi, e CT risultati.
Andiamo Guarda a alcuni distribuzioni.
Così questo è il distribuzione di il Ultimo conosciuto stato.
Così voi Potere vedere Quello Sfortunatamente 46 per cento di queste pazienti morto.
Noi vedere qui il obliquo età distribuzione insieme a un enfasi qui sopra 60.
E voi Potere vedere Quello all'incirca 70 per cento di il pazienti sono maschi.
Ho un Guarda a il aggiuntivo linea di base i valori.
Voi Potere vedere qui il corpo messa indice,
e voi volere Avviso Quello noi avere un tendenza di un alto corpo messa indice
sopra 25.
Noi avere piuttosto un quantità di ASSO e A inibitori,
e anche di statine, Così trattamenti per colesterolo
e per sangue pressione e alcuni immunosoppressore.
Prossimo, comorbilità.
Voi vedere Quello quasi due terzi sono ipertensivo,
e noi avere piuttosto un significativo Quantità di cardiovascolare patologia,
di polmonare patologia,
e di 30 per cento di i nostri pazienti avere diabete.
Adesso, per il residuo quattro gruppi, vitali, l ab i valori, sintomi, e CT,
Io sono andando a mostrare voi uno rappresentante da a testa
Così Quello voi Potere ottenere un sensazione di come queste i valori sono distribuito.
Questo è il respiratorio Vota.
Queste sono il numero di linfociti.
Così questo è un vitale parametro, un laboratorio parametro.
Qui, voi avere un sintomo, acuto fegato fallimento
Quello Potere verificarsi Su il terapia intensiva.
E questo è un CT risultato,
le zone di consolidamento Quello Potere essere visto Su il CT di il polmone.
Bene, Così adesso noi sono pronto
e noi sono in realtà andando a analizzare il modello.
Così io andare a Analizza, F esso M odel.
io prendere il Ultimo conosciuto stato.
Quello è perché io gettare in Tutto quanto altro come fattore
e io andare a Generale Regressione
quale è andando a eseguire il Lazo regressione.
Voi Potere vedere qui Quello il Lazo stima metodo
è già preselezionato.
Così Se io clic Su Andare, il procedura è già finito.
È molto veloce, e questo è il risultato.
Questo è il immagine dello schermo Quello voi sega già Su il diapositiva.
Adesso, Io sono non andando a opera insieme a questo modello per il seguente Motivo.
Se io andare qui su a il Modello C confronto sezione,
io vedere Quello io avere 30 parametri in questo modello.
Così questo modello è ancora molto grande.
Se io andare Indietro fuori uso qui,
io Potere vedere Quello mio AIC non lo fa modificare un quantità Se io mettere esso ulteriore a il sinistra.
Invece di facendo questo manualmente, che cosa Io sono andando a fare
è Io sono andando a modificare il impostazioni di JMP
Così Quello esso non lo fa prendere il migliore- in forma, il minimo AIC,
ma invece il più piccolo entro il giallo zona.
Così questo è qualche cosa io Potere fare qui in il Modello Lancio.
Così io prendere il Avanzato C controllo
e io modificare Migliore In forma a s il più malleabile in Y giallo Z uno.
io clic Su Andare.
E adesso, in realtà io avere un molto simpatico modello insieme a 16 parametri.
Adesso, questo è il modello Io sono andando a uso.
E a essere capace a mostrare voi che cosa fattori sono in questo modello,
Io sono Appena andando a Selezionare loro, Selezionare Diverso da zero Termini.
Adesso, io avere queste 16 selezionato,
e io Potere mettere loro in un logistico regressione
e attivare il probabilità rapporti.
Così Su il superiore, noi vedere il 16 effetti in i nostri modello.
E sotto, noi Potere vedere il probabilità rapporti.
Così per esempio, il probabilità rapporto di età è 1.07.
Se voi prendere questo a il potenza 10, esso volere dare voi all'incirca un valore di Due,
quale significa Quello insieme a 10 anni Di più,
all'incirca, circa tuo probabilità rapporto raddoppia.
Tuo opportunità di sta morendo è due volte come alto come prima.
E poi sotto qui,
noi avere il probabilità rapporti per il pedagogico variabili.
Così per esempio,
coronarica cardiovascolare patologia ha un strano rapporto di 1.62.
Adesso, io voluto piace a punto fuori alcuni di queste risultati.
Così andiamo primo Guarda a fattori
Quello sono bene- conosciuto da il generale popolazione.
Così qui, voi vedere il dipendenza di il Ultimo conosciuto stato contro età.
E voi Potere vedere come questo crescente età
aumento tuo opportunità di sta morendo molto in modo significativo.
Come io disse prima, il probabilità rapporto di 10 anni è all'incirca Doppio.
SU il sinistra lato,
voi vedere polmonare patologia e cardiovascolare patologia
Quello Entrambi anche avere un significativo effetto Su il rischio di sta morendo da COVID- 19.
E queste i fattori sono anche valido in il generale popolazione.
Adesso, Di più È interessante notare che
noi trova queste tre fattori non a essere in i nostri modello.
Così Genere, BMI, e ipertensione sono non parte di i nostri modello.
Così come è Quello possibile?
Bene, è critico a ricordare
Quello i nostri popolazione consiste di terapia intensiva pazienti.
Essi sono già criticamente malato.
Così noi avere 72 per cento di maschio pazienti,
noi avere quasi 80 per cento Quello avere un BMI Sopra 26,
e due terzi sono ipertensivo.
Così queste fattori volere in realtà altamente aumento tuo rischio
di un critico causa di il COVID- 19 patologia.
Ma una volta voi sono criticamente malato, a Quello punto, essi non importa più.
Così Quello era un molto importante risultato per noi.
Quale fattori trasportare Sopra da il generale popolazione
e quale fattori scomparire in i loro importanza
una volta voi sono già malato grave?
Infine, io voluto piace a punto fuori uno Di più aspetto quale è statine.
Statine erano interamente insignificante.
Voi vedere il P valore qui di 25 per cento una volta voi guardato a loro in modo univariato.
Ma in i nostri multi fattoriale modello, essi erano altamente significativo.
E come voi Potere vedere qui, il probabilità rapporto è sotto uno,
riducendo il rischio di mortalità.
Così questo è un molto importante lezione.
Qualche volta, le persone scegliere rischio fattori primo in di grandi dimensioni set di dati
di analizzare, cercare, guardare a loro in modo univariato.
E Se voi fatto Quello, voi voluto insieme a garanzia
avere perse statine,
perché in modo univariato, è completamente irrilevante.
Ma in i nostri multifattoriale modello,
noi Potevo mostrare Quello statine avere un protettivo effetto
contro sta morendo da COVID-19 una volta voi sono criticamente malato.
Questo trovare ha stato dopo confermato di altri.
E Appena come un esempio,
io incluso un meta- analisi da settembre 21
Quello infatti conferma Quello statine ridurre il mortalità di pazienti
in un molto di grandi dimensioni meta- analisi insieme a quasi 150.000 pazienti.
Se sei interessato in Di più particolari,
noi pubblicato i nostri opera in il rivista di Clinico Medicinale.
io voluto piace a prendere il opportunità a Grazie mio coautori,
in particolare, Stefano Bormann e Martina Nowak- Machen
da il clinica in Ingolstadt.
E io voluto anche piace a Grazie voi molto tanto per tuo Attenzione,
e Io sono analizzare, cercare, guardare inoltrare a tuo domande.
Ringraziare voi molto tanto.
