Bonjour tout le monde.
Merci pour réglage dans à mon parler.
Je suis David Meintrup,
Professeur à Université d'Ingolstadt de Appliqué Les sciences.
Et aujourd'hui, je volonté parler à propos UN Lasso R émersion à Détecter R isk F acteurs
pour O fatal résultats dans Gravement malade COVID 19 Les patients.
Sur le dernier deux années,
quelque chose commencé à de plus en plus déranger moi,
et il est pas quoi toi probablement pense maintenant, le p andémique,
ou à moins pas seulement.
Le sujet est connecté à ce.
Ce est moi donnant un parler sur profond apprentissage et artificiel intelligence
à le Découverte Sommet 2019 dans le merveilleux ville de Copenhague.
Et depuis alors,
il regards comme IA a devenir le universel outil pour tout,
donc laisser moi donner toi un exemple.
Dans Peut 2021,
le Général Directeur de le Monde Santé Organisation
dit le suivant:
"Un de le cours de COVID 19
est que le monde besoins un significatif saut avant
dans données analyse.
Ce a besoin exploiter le potentiel de avancé les technologies
tel comme artificiel intelligence."
Donc à moi, ce se sent comme un peu, oublier à propos le scientifique méthode
définition le but, en précisant le outils, déclarant le hypothèse, et cetera,
Juste baisse le la magie mot artificiel intelligence
et toi sont sur le bien côté.
Donc donc, je décidé à donner ce parler dans le formulaire de un dialogue
entre un IA passionné sur le gauche côté et un statisticien sur le droite côté.
Et Je suis en allant à parler un peu plus spécifiquement sur statistique des modèles,
artificiel intelligence, et pénalisé régression.
Et alors dans le deuxième partie de le parler, Je suis en fait en allant à présent
l'affaire étude à propos le de manière critique je vais COVID 19 les patients.
Donc allons obtenir commencé.
Voici le d'abord question depuis notre IA passionné.
Dans le ère de artificiel intelligence et profond apprentissage,
OMS besoins statistique régression des modèles?
Voici mon court répondre que je emprunté depuis Juan Lav est-ce,
Vice Président à Microsoft.
"Quand nous augmenter argent, c'est l'IA, quand nous embaucher, c'est machine apprentissage,
et quand nous faire le travail, c'est la logistique régression."
Donc je amour ce tweeter parce que dans mon avis à moins,
il condense un parcelle de vérité dans un très court déclaration.
IA a devenir un universel commercialisation outil.
Mais pour le réel problèmes, nous toujours utiliser traditionnel avancé statistique méthodes.
UN petit peu plus long répondre pourrait être le suivant.
Si je regarder à le typique tâche de ingénieurs et scientifiques,
ils inclure innover, comprendre, améliorer, et prédire.
Et profond apprentissage et artificiel intelligence
est principalement un prédiction outil.
Pour tout autre,
nous toujours besoin avancé statistique méthodes comme traditionnel machine apprentissage,
statistique la modélisation, et conception de expériences.
D'accord, mais toi avoir à admettre
que là sont très réussi applications de IA et profond apprentissage.
Bien, il y a absolument Non doute à propos que.
Pour exemple,
prédire le suivant se déplacer dans un jeu comme échecs et Aller.
Le profond- apprentissage algorithmes faire ce chemin mieux que n'importe lequel humain être.
Ou je serait comme à introduire mon préféré artificiel intelligence application,
lequel est résoudre le protéine pliant problème.
Le protéine pliant problème a communément a été introduit 1972
par le Nobel Prix gagnant, Christian Anfinsen,
OMS dit dans son acceptation discours
que un les protéines amino acide séquence devrait pleinement déterminer c'est 3D structure.
Et sur le dernier 50 années, ce problème a essentiellement a été non résolu.
Et là était très petit progrès
jusqu'à Esprit profond par Google développé un IA- basé algorithme appelé AlphaF vieux
que à un très grand étendue résolu le protéine pliant problème.
Et toi voir deux exemples de ce sur le droite côté.
Ce est très impressionnant et beau travail.
Et je inclus il ici parce que je recherché à clarifier
que ce est le parfait profond- apprentissage IA problème.
Nous avoir un vaste montant de données,
nous avoir un combinatoire explosion de options,
et le résultat nous sont regarder pour est un prédiction,
le réel 3D structure de le protéine.
Donc pour prédictions, nous devrait toujours utiliser IA.
Pas à tous.
Pour exemple, dans le base de données que je volonté présent
à propos le de manière critique je vais COVID 19 les patients,
nous vouloir le modèle à prédire si le patient volonté survivre ou volonté mourir.
Mais le pur prédiction n'a pas vraiment aide.
Si toi savoir quelqu'un est en allant à mourir, quoi toi vouloir est toi vouloir à traiter,
toi vouloir à prévenir, toi vouloir à savoir le risque facteurs,
toi vouloir à être capable à acte
et pas juste simplement prédire la mort ou survie.
Donc quoi nous besoin est un vraiment interprétable modèle
que volonté indice ces des choses que nous besoin
comme traitement, la prévention, et risque facteurs.
Un autre chemin de regarder à il,
allons avoir un regarder à typique données- conduit la modélisation stratégies.
Quoi est très typiquement fait dans profond- apprentissage IA environnement
est que toi prendre tous disponible données,
toi lancer il dans le profond- apprentissage IA algorithme.
Et il pourrait prédire très Bien le résultat que tu es regarder pour,
mais tu es obtenir un pleinement non interprétable modèle.
Qu'est-ce que c'est un alternative?
Un alternative est à déjà dans le données collection processus
pense soigneusement quoi données faire toi besoin avec avancé statistique méthodes.
Alors appliquer un statistique modèle,
et comme un résultat, toi obtenir un pleinement interprétable modèle.
D'accord, dit notre IA passionné,
Mais toi sont manquant un important indiquer ici.
Statistique des modèles pourrait être bon pour petit données des ensembles,
mais pour grand données, ils ne peut pas être utilisé, droite?
Bien, Non.
Pour grand données des ensembles, là sont plusieurs intelligent façons
à réduire le dimensionnalité
avant toi commencer avec le raccord processus de le modèle.
Et je serait comme à introduire, à moins prochainement,
trois de ces intelligent façons à réduire le modèle dimensionnalité.
Nombre un, redondance analyse, quelque chose toi pourrait avoir entendu à propos de.
Si toi avoir un grand données ensemble,
le prix toi payer est typiquement que le facteurs sont très corrélé
et toi peut mesure le montant de corrélation dans le ensemble de facteurs
par le valeur que est appelé variance inflation facteur.
Et alors toi peut en fait éliminer le facteurs
avec le le plus élevé variance inflation facteurs.
Pourquoi?
Parce que ils ne le faites pas ajouter supplémentaire information
à le ensemble de facteurs que toi sont déjà regarder à.
Donc ce est un classique chemin de réduire le dimensionnalité de ton données.
Si toi avoir catégorique données, pour exemple,
toi regarder à un X- rayon de le poumon et toi peut voir différent symptômes.
Alors toi peut avoir variables que décrire,
ce symptôme était là, ce symptôme était là,
ou un autre symptôme était là, X 1, X 2, X 3.
Peut être pour ton analyse,
c'est assez à distinguer un normal- regarder poumon
et un poumon que a quelques symptômes quelque part.
Dans autre mots, toi convertir un rangée seulement avec des zéros à un zéro.
Et si il y a à moins un un, toi changement il à un un,
et toi créer un nouveau variable contagieux ce information.
Ou à donner toi un alternative, toi pourrait somme X 1, X 2, et X 3,
et compter le nombre de symptômes que toi voir sur un X- rayon.
Ce procédure est appelé notation
et est un très efficace chemin de réduire dimensionnalité.
Principal composant analyse a exactement le même esprit.
Il recombine continu variables.
Il prend un linéaire combinaison de continu variables
avec le idée de contagieux le variation dans un nouvellement créé variable.
je appel ces dimensionnalité réduction méthodes intelligent,
parce que quand toi appliquer eux,
toi déjà apprendre quelque chose à propos ton données.
Et c'est le entier but de statistiques, n'est-ce pas il?
Apprentissage des choses depuis ton données.
Donc laisser moi résumer le avantages de statistique des modèles.
D'abord, ils peut être utilisé pour tous types de Tâches,
pas seulement pour prédictions.
Deuxième, le modèle lui-même est utile et pleinement interprétable.
Et troisième,
toi peut commencer dans un grand base de données avec intelligent dimensionnalité réduction
avant toi en fait ajuster le modèle.
Je suis toujours pas convaincu.
Peut toi donner moi un exemple de un statistique modèle
que toi appliqué à un grand base de données?
D'accord, donc allons introduire la logistique Lasso régression.
Lasso est un abréviation
pour moins absolu rétrécissement et sélection opérateur,
et pourquoi il est appelé comme que, je volonté expliquer dans un peu des moments.
Allons introduire ce Lasso régression dans quatre pas.
Étape nombre un est à rappeler nous-mêmes de le la logistique régression modèle.
Dans un la logistique régression modèle, nous avoir un catégorique,
dans le le plus simple cas, deux- niveau facteur...
Désolé un catégorique réponse avec deux les niveaux,
et nous avoir un but à modèle le occurrence probabilité de le événement.
Ce est typiquement fait avec ce S- en forme de fonction
que correspond à le probabilité de le événement en fait se produisant.
Le fonctionnel terme est donné ici à le gauche,
mais le bien nouvelles est que
avec un facile transformation que est appelé se connecter transformation,
toi peut tourner le original valeurs dans enregistrer il valorise,
et alors le résultat est un simple linéaire régression
sur le valeurs logit.
Donc le bas doubler est la logistique régression,
est simplement linéaire régression sur se connecter valeurs.
Étape nombre deux.
Ce est un classique situation de un deux- facteur linéaire régression modèle.
Et comment faire nous ajuster ce à un données nuage?
Bien, nous faire ce avec le aide de un perte fonction.
Pour exemple, nous prendre le somme de au carré les erreurs,
et alors nous regarder pour le le minimum de ce fonction.
Ce est le très célèbre et standard ordinaire carré estimateur
que est le résultat de minimiser spécifiquement ce perte fonction
donné par le somme de au carré les erreurs.
Troisièmement, quelque chose que est peut être moins connu,
je serait comme à introduire concept F mathématiques romaines
le norme de un vecteur que est en fait juste un représentation
de le notion de le distance de un longueur de un vecteur.
Allons regarder à trois exemples.
Le d'abord un que toi voir ici dans le milieu
est le classique distance que toi tous savoir et utiliser.
Ce est le Euclidien distance.
C'est calculé par prise le carrés de le coordonnées
et alors prise le carré racine.
Le unité cercle comme toi savoir représente tous points
que avoir un distance un, depuis le centre.
Ce est le classique Euclidien norme.
Nous peut simplifier ce calcul par simplement prise le somme de absolu valeurs.
Donc plutôt de prise un carré et prise un carré racine,
nous simplement somme le absolu valeurs.
Ce est appelé le L_1 norme.
Et quoi toi voir ici, ce diamant est le représentation
de le unité cercle de ce L_1 norme.
Dans autre mots, tous le points ici sur ce diamant avoir distance un ,
si toi mesure distance avec le L _1 norme.
Enfin, le donc- appelé maximum norme où toi continuer à simplifier.
Toi juste prendre le plus grand valeur de le deux absolu valeurs, x1 et x2 .
Si toi pense à propos quoi le unité cercle est dans ce cas,
il volonté en fait tourner dans un carré.
Ce carré est le unité cercle pour le maximum valeur.
Donc dans résumé, nous peut mesure distance dans différent façons dans mathématiques,
et quoi toi voir ici, le diamant, le réel cercle ou carré
sont unité cercles.
Donc points avec distance un, juste mesuré avec trois différent normes,
trois les distances,
trois différent notions de quoi un longueur est.
Enfin, allons combiner tout nous avons fait donc loin.
Donc nous commencer avec le la logistique régression modèle.
Nous ajouter le perte fonction.
Et maintenant, plutôt de prise le ordinaire perte carrée fonction,
nous ajouter un montant supplémentaire de terme.
Et ce terme consiste essentiellement de le L_1 norme de le paramètre.
Toi voir que nous ajouter le absolu valeurs, Bêta_1 et Bêta_2 ?
Donc ce est le L_1 norme de le paramètres
que nous ajouter à le perte fonction.
De cours, ce est juste un choix.
Toi pourrait aussi carré ces.
Alors, toi serait obtenir quoi est appelé un crête régression
si toi prendre le carré de le paramètres.
Ce d'abord un ici,
le haut un que nous sont en allant à continuer à utiliser
est appelé le Lasso ou L_1 régression
parce que ce terme ici est simplement le norme L_1 de le Bêta,
de le paramètre vecteur.
Maintenant, dans l'ensemble, quoi ce moyens est que toi punir le perte fonction
pour choisir grand Bêta valeurs.
Et ce est pourquoi ce peine que toi introduire
conduit à le terme pénalisé perte les fonctions.
Donc si toi avoir un Châtiment, une pénalité pour grand Bêta vecteurs,
alors plutôt de faire ordinaire moins des carrés,
toi faire un pénalisé régression.
Maintenant, allons regarder un petit peu plus proche à le effet que pénalisation a.
Donc ce est une fois encore le pénalisé perte fonction
avec ce supplémentaire terme ici.
Maintenant, le graphique que toi voir ici
est indépendant de le donc- appelé réglage paramètre, Lambda.
Le plus grand Lambda est, le plus poids ce terme a,
et le plus il volonté forcer le Valeurs bêta à être petit.
Ce est pourquoi toi voir que le paramètres rétrécir.
Et ce est pourquoi ce entier procédure est appelé absolu rétrécissement.
Deuxièmement, dans ce graphique, toi peut considérer ce zone ici,
ce diamant comme le budget que toi avoir
pour le somme de le absolu valeurs de Bêta.
Et sur ces des ellipses, le résiduel somme de carré est constante.
Donc tu es regarder pour le le plus petit résiduel somme de carré
dans le budget.
Ce dans le cas dessiné ici conduit à ce indiquer ici.
Et exigible à le forme de ce diamant,
ces deux volonté typiquement connecter dans un coin de le diamant.
Et quoi ce moyens est que le correspondant paramètre
est ensemble précisément à zéro.
Et ce est pourquoi ce méthode est aussi bien pour sélection
parce que paramètre ce paramètre zéro moyens rien autre
que de donner des coups de pied il dehors de le modèle.
Donc ce est dans résumé pourquoi nous appel le L _1 régression Lasso.
Il a un rétrécissement élément et un sélection élément
exigible à ces deux décrit caractéristiques.
Un dernier pratique aspect de Lasso régression
est à propos le réglage paramètre, ce Lambda ici.
Comment faire toi choisir il?
Bien, un très commun approche est le suivant:
toi utiliser un validation méthode
comme pour exemple, Direction Akaike ! critère,
et toi parcelle le dépendance de le AIC de Lambda.
Et alors toi peut prendre un Lambda valeur
que donne toi un minimal AIC.
Sur le gauche côté, toi voir comment le paramètres rétrécir
et toi peut voir le bleu lignes que correspondre à le paramètres
que sont en fait non- zéro
alors que le autre ceux sont déjà forcé à être zéro.
Je suis toujours pas convaincu.
Peut toi montrer moi un béton cas étude?
De cours.
Alors le données que Je suis en allant à présent ici
consiste de 739 gravement malade USI les patients avec COVID 19
que était collecté dans le début de le pandémie
entre Mars et Octobre 2020.
Nous avoir un binaire réponse
que consiste de le les niveaux rétabli et mort,
et nous avoir 43 facteurs:
laboratoire valeurs, les signes vitaux, pré- existant conditions, etc.
Ce est le données que nous sont en allant à analyser maintenant.
Donc ici, toi voir le base de données.
Il a 44 Colonnes, comme toi peut voir vers le bas ici.
Et 739 les patients.
Maintenant, allons commencer familiarisation un petit peu ici avec le données.
Nous avoir ce dernier connu statut, rétabli et mort,
âge gendre, et IMC.
Et alors nous avoir supplémentaire ligne de base valeurs,
comorbidités, signes vitaux, l un B valeurs, symptômes, et CT résultats.
Allons regarder à quelques distributions.
Donc ce est le distribution de le dernier connu statut.
Donc toi peut voir que malheureusement 46 pour cent de ces les patients décédé.
Nous voir ici le biaisé âge distribution avec un accent ici au-dessus de 60.
Et toi peut voir que à peu près 70 pour cent de le les patients sont mâles.
Avoir un regarder à le supplémentaire ligne de base valeurs.
Toi peut voir ici le corps masse indice,
et toi volonté avis que nous avoir un tendance de un haut corps masse indice
au-dessus de 25.
Nous avoir assez un parcelle de AS et À des inhibiteurs,
et aussi de les statines, donc traitements pour cholestérol
et pour sang pression et quelques immunosuppresseur.
Suivant, comorbidités.
Toi voir que presque les deux tiers sont hypertendu,
et nous avoir assez un significatif montant de cardiovasculaire maladie,
de pulmonaire maladie,
et à propos 30 pour cent de notre les patients avoir diabète.
Maintenant, pour le restant quatre groupes, signes vitaux, l un B valeurs, symptômes, et CT,
Je suis en allant à montrer toi un représentant depuis chaque
donc que toi peut obtenir un sentiment de comment ces valeurs sont distribué.
Ce est le respiratoire taux.
Ces sont le nombre de lymphocytes.
Donc ce est un vital paramètre, un laboratoire paramètre.
Ici, toi avoir un symptôme, grave foie échec
que peut se produire sur le USI.
Et ce est un CT résultat,
domaines de consolidation que peut être vu sur le CT de le poumon.
D'accord, donc maintenant nous sont prêt
et nous sont en fait en allant à analyser le modèle.
Donc je aller à Analyser, F ce M modèle.
je prendre le dernier connu statut.
C'est pourquoi je lancer dans tout autre comme facteur
et je aller à Général Régression
lequel est en allant à effectuer le Lasso régression.
Toi peut voir ici que le Lasso estimation méthode
est déjà présélectionné.
Donc si je Cliquez sur sur Aller, le procédure est déjà fini.
C'est très rapide, et ce est le résultat.
Ce est le capture d'écran que toi scie déjà sur le glisser.
Maintenant, Je suis pas en allant à travail avec ce modèle pour le suivant raison.
Si je aller ici en haut à le Modèle C comparaison section,
je voir que je avoir 30 paramètres dans ce modèle.
Donc ce modèle est toujours très grand.
Si je aller dos vers le bas ici,
je peut voir que mon AIC n'a pas changement un parcelle si je mettre il plus loin à le gauche.
Plutôt de faire ce manuellement, quoi Je suis en allant à faire
est Je suis en allant à changement le paramètres de JMP
donc que il n'a pas prendre le meilleur- ajuster, le minimal AIC,
mais plutôt le le plus petit dans le jaune zone.
Donc ce est quelque chose je peut faire ici dans le Modèle Lancement.
Donc je prendre le Avancé C contrôle
et je changement Meilleur Ajuster à S le plus petit en Y jaune Z un.
je Cliquez sur sur Aller.
Et maintenant, en fait je avoir un très bon modèle avec 16 paramètres.
Maintenant, ce est le modèle Je suis en allant à utiliser.
Et à être capable à montrer toi quoi facteurs sont dans ce modèle,
Je suis juste en allant à sélectionner eux, Sélectionner Différent de zéro Termes.
Maintenant, je avoir ces 16 choisi,
et je peut mettre eux dans un la logistique régression
et Activer le chances ratios.
Donc sur le haut, nous voir le 16 effets dans notre modèle.
Et ci-dessous, nous peut voir le chances ratios.
Donc pour exemple, le chances rapport de âge est 1.07.
Si toi prendre ce à le pouvoir dix, il volonté donner toi à peu près un valeur de deux,
lequel moyens que avec 10 années plus,
à peu près, environ ton chances rapport double.
Ton chance de en train de mourir est deux fois comme haut comme avant.
Et alors ci-dessous ici,
nous avoir le chances ratios pour le pédagogique variables.
Donc pour exemple,
coronaire cardiovasculaire maladie a un impair rapport de 1.62.
Maintenant, je serait comme à indiquer dehors quelques de ces résultats.
Donc allons d'abord regarder à facteurs
que sont Bien- connu depuis le général population.
Donc ici, toi voir le dépendance de le dernier connu statut contre âge.
Et toi peut voir comment ce en augmentant âge
augmenter ton chance de en train de mourir très significativement.
Comme je dit avant, le chances rapport de 10 années est à peu près double.
Sur le gauche côté,
toi voir pulmonaire maladie et cardiovasculaire maladie
que les deux aussi avoir un significatif effet sur le risque de en train de mourir depuis COVID- 19.
Et ces les facteurs sont aussi valide dans le général population.
Maintenant, plus De façon intéressante,
nous trouver ces trois facteurs pas à être dans notre modèle.
Donc genre, IMC, et hypertension sont pas partie de notre modèle.
Donc comment est que possible?
Bien, c'est critique à souviens-toi
que notre population consiste de USI les patients.
Ils sont déjà de manière critique je vais.
Donc nous avoir 72 pour cent de mâle les patients,
nous avoir presque 80 pourcent que avoir un IMC sur 26,
et les deux tiers sont hypertendu.
Donc ces facteurs volonté en fait très augmenter ton risque
de un critique cause de le COVID- 19 maladie.
Mais une fois toi sont de manière critique je vais, à que indiquer, ils ne le faites pas matière plus.
Donc que était un très important résultat pour nous.
Lequel facteurs porter sur depuis le général population
et lequel facteurs disparaître dans leur importance
une fois toi sont déjà gravement malade?
Enfin, je serait comme à indiquer dehors un plus aspect lequel est les statines.
Statines étaient entièrement insignifiant.
Toi voir le P. valeur ici de 25 pour cent une fois toi regardé à eux de manière univariée.
Mais dans notre multi factorielle modèle, ils étaient très significatif.
Et comme toi peut voir ici, le chances rapport est ci-dessous un,
réduire le risque de mortalité.
Donc ce est un très important leçon.
Parfois, personnes choisir risque facteurs d'abord dans grand base de données
par regarder à eux de manière univariée.
Et si toi a fait que, toi serait avec garantie
avoir manqué les statines,
parce que de manière univariée, c'est complètement non pertinent.
Mais dans notre multifactoriel modèle,
nous pourrait montrer que statines avoir un protecteur effet
contre en train de mourir depuis COVID 19 une fois toi sont de manière critique je vais.
Ce découverte a a été plus tard confirmé par autres.
Et juste comme un exemple,
je inclus un méta- analyse depuis Septembre 21
que en effet confirme que statines réduire le mortalité de les patients
dans un très grand méta- analyse avec presque 150 000 les patients.
Si tu es intéressé dans plus détails,
nous publié notre travail dans le Journal de Clinique Médecine.
je serait comme à prendre le opportunité à remercier mon co-auteurs,
dans particulier, Stéphane Borgmann et Martine Nowak- Machen
depuis le clinique dans Ingolstadt.
Et je serait aussi comme à remercier toi très beaucoup pour ton attention,
et Je suis regarder avant à ton des questions.
Remercier toi très beaucoup.
