Ciao tutti.
Grazie per messa a punto In A Mio parlare.
Io sono Davide Meintrup,
Professore 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.
Sopra IL scorso due anni,
qualcosa iniziato A sempre più fastidio Me,
E Esso È non Che cosa Voi probabilmente pensare Ora, la pag andemico,
O A meno non soltanto.
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 qualunque cosa,
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 esigenze UN significativo salto inoltrare
In dati analisi.
Questo richiede imbrigliamento IL potenziale Di Avanzate tecnologie
come COME artificiale intelligenza."
COSÌ A Me, Questo sente Piace UN morso, dimenticare Di IL scientifico metodo
definendo IL obiettivo, specificando IL utensili, affermando IL ipotesi, et eccetera,
Appena gocciolare IL Magia parola artificiale intelligenza
E Voi Sono SU IL Bene lato.
COSÌ Perciò, 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 specificamente SU statistico Modelli,
artificiale intelligenza, E penalizzato regressione.
E Poi In IL secondo parte Di IL parlare, Io sono In realtà andando A presente
il caso studio Di IL criticamente malato COVID 19 pazienti.
COSÌ andiamo Ottenere iniziato.
Ecco IL Primo domanda da Nostro AI appassionato.
In IL era Di artificiale intelligenza E profondo apprendimento,
Chi esigenze statistico regressione Modelli?
Ecco Mio corto risposta Quello IO preso in prestito da Juan Lav ista,
Vice Presidente A Microsoft.
"Quando Noi aumentare soldi, suo l'intelligenza artificiale, Quando Noi assumere, suo macchina apprendimento,
E Quando Noi Fare IL lavoro, suo logistico regressione."
COSÌ IO Amore Questo twittare Perché In Mio opinione A meno,
Esso condensa UN quantità Di verità In UN molto corto dichiarazione.
AI ha diventare UN universale marketing attrezzo.
Ma per IL vero i problemi, Noi Ancora utilizzo tradizionale Avanzate statistico metodi.
UN poco morso più a lungo risposta Potevo Essere IL seguente.
Se IO Aspetto A IL tipico compito Di ingegneri E scienziati,
Essi includere innovare, capire, migliorare, E prevedere.
E profondo apprendimento E artificiale intelligenza
È principalmente UN predizione attrezzo.
Per qualunque cosa altro,
Noi Ancora Bisogno Avanzate statistico metodi Piace tradizionale macchina apprendimento,
statistico modellazione, E progetto Di esperimenti.
Va 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 mossa In UN gioco Piace scacchi E Andare.
IL profondo- apprendimento algoritmi Fare Questo modo Meglio di Qualunque umano essendo.
O IO volevo Piace A introdurre Mio preferito artificiale intelligenza applicazione,
Quale È risolvere 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 proteine ammino acido sequenza Dovrebbe completamente determinare suo 3D struttura.
E Sopra IL scorso 50 anni, Questo problema ha fondamentalmente stato irrisolto.
E Là era molto poco progresso
Fino a Mente profonda di Google sviluppato UN AI- basato algoritmo chiamato AlfaF vecchio
Quello A UN molto grande estensione risolto IL proteina pieghevole problema.
E Voi Vedere due esempi Di Questo SU IL Giusto lato.
Questo È molto degno di nota E Bellissimo lavoro.
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 combinatorio esplosione Di opzioni,
E IL risultato Noi Sono guardare per È UN predizione,
IL effettivo 3D struttura Di IL proteina.
COSÌ per predizioni, Noi Dovrebbe Sempre utilizzo AI.
Non A Tutto.
Per esempio, In IL set di dati Quello IO Volere presente
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 no 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 questi cose Quello Noi Bisogno
Piace trattamento, prevenzione, E rischio fattori.
Un altro modo Di guardare A Esso,
andiamo Avere UN Aspetto A tipico dati- guidato modellazione strategie.
Che cosa È molto tipicamente Fatto In profondo- apprendimento AI ambiente
È Quello Voi Prendere Tutto disponibile dati,
Voi gettare Esso In IL profondo- apprendimento AI algoritmo.
E Esso Potrebbe prevedere molto BENE IL risultato Quello tu sei guardare per,
Ma tu sei ottenere UN completamente non interpretabile modello.
Cosa c'è UN alternativa?
UN alternativa È A Già In IL dati collezione processi
pensare accuratamente Che cosa dati Fare Voi Bisogno con Avanzate statistico metodi.
Poi fare domanda a UN statistico modello,
E COME UN risultato, Voi Ottenere UN completamente interpretabile modello.
Va bene, dice Nostro AI appassionato,
Ma Voi Sono mancante UN importante punto Qui.
Statistico Modelli Potrebbe Essere Carino per piccolo dati imposta,
Ma per grande dati, Essi non posso Essere usato, Giusto?
BENE, NO.
Per grande dati imposta, Là Sono parecchi intelligente modi
A ridurre IL dimensionalità
Prima Voi inizio con IL raccordo processi Di IL modello.
E IO volevo Piace A introdurre, A meno in breve,
tre Di questi intelligente modi A ridurre IL modello dimensionalità.
Numero uno, ridondanza analisi, qualcosa Voi Potrebbe Avere sentito Di.
Se Voi Avere UN grande dati impostato,
IL prezzo Voi paga È tipicamente Quello IL fattori Sono altamente correlati
E Voi Potere misurare IL quantità Di correlazione entro IL impostato Di fattori
di IL valore Quello È chiamato varianza inflazione fattore.
E Poi Voi Potere In realtà eliminare IL fattori
con IL più alto varianza inflazione fattori.
Perché?
Perché Essi non aggiungere aggiuntivo informazione
A IL impostato Di fattori Quello Voi Sono Già guardare A.
COSÌ Questo È uno classico modo Di riducendo IL dimensionalità Di tuo dati.
Se Voi Avere categorico dati, per esempio,
Voi Aspetto A UN X- raggio Di IL polmone E Voi Potere Vedere diverso sintomi.
Poi 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,
suo Abbastanza A distinguere un normale- guardare polmone
E UN polmone Quello ha Alcuni sintomi in qualche luogo.
In altro parole, Voi convertire UN riga soltanto con zeri A UN zero.
E Se c'è A meno uno uno, Voi modifica Esso A UN uno,
E Voi creare UN nuovo variabile catturare 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 punteggio
E È UN molto efficiente modo Di riducendo dimensionalità.
Principale componente analisi ha esattamente IL Stesso spirito.
Esso si ricombina continuo variabili.
Esso prende UN lineare combinazione Di continuo variabili
con IL idea Di catturare IL variazione In uno recentemente creato variabile.
IO chiamata questi dimensionalità riduzione metodi intelligente,
Perché Quando Voi fare domanda a loro,
Voi Già Imparare qualcosa Di tuo dati.
E quello è IL Totale scopo Di statistiche, non lo è Esso?
Apprendimento cose da tuo dati.
COSÌ permettere Me riassumere IL vantaggi Di statistico Modelli.
Primo, Essi Potere Essere usato per Tutto tipi Di compiti,
non soltanto per predizioni.
Secondo, IL modello si È utile E completamente interpretabile.
E terzo,
Voi Potere inizio In UN grande set di dati con intelligente dimensionalità riduzione
Prima Voi In realtà adatto IL modello.
Io sono Ancora non convinto.
Potere Voi Dare Me UN esempio Di UN statistico modello
Quello Voi applicato A UN grande insieme di dati?
Va 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 semplice caso, due- livello fattore...
Scusa, a categorico risposta con due livelli,
E Noi Avere UN obiettivo A modello IL occorrenza probabilità Di IL evento.
Questo È tipicamente Fatto con Questo S- a forma di funzione
Quello corrisponde A IL probabilità Di IL evento In realtà verificarsi.
IL funzionale termine È dato Qui A IL Sinistra,
Ma IL Bene notizia È Quello
con UN facile trasformazione Quello È chiamato logit trasformazione,
Voi Potere giro IL originale valori in tronco d'albero valorizza,
E Poi IL risultato È UN semplice lineare regressione
SU IL valori logit.
COSÌ IL metter il fondo a linea È logistico regressione,
È semplicemente lineare regressione SU logit valori.
Fare un passo numero due.
Questo È UN classico situazione Di UN due- fattore lineare regressione modello.
E Come Fare Noi adatto Questo A UN dati nuvola?
BENE, Noi Fare Questo con IL aiuto Di UN perdita funzione.
Per esempio, Noi Prendere IL somma Di quadrato errori,
E Poi Noi Aspetto per IL minimo Di Questo funzione.
Questo È IL molto famoso E standard ordinario piazza estimatore
Quello È IL risultato Di minimizzando specificamente Questo perdita funzione
dato di IL somma Di quadrato errori.
In terzo luogo, qualcosa Quello È Forse meno conosciuto,
IO volevo Piace A introdurre concetto F matematica rom
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 Aspetto A tre esempi.
IL Primo uno Quello Voi Vedere Qui In IL mezzo
È IL classico distanza Quello Voi Tutto Sapere E utilizzo.
Questo È IL euclideo distanza.
Suo calcolato di prendendo IL piazze Di IL coordinate
E Poi prendendo IL piazza 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 valori.
COSÌ Invece Di prendendo UN piazza E prendendo UN piazza radice,
Noi semplicemente somma IL assoluto 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 con IL l _1 norma.
Finalmente, IL COSÌ- chiamato massimo norma Dove Voi Continua A semplificare.
Voi Appena Prendere IL più grandi valore Di IL due assoluto valori, x1 E x2 .
Se Voi pensare Di Che cosa IL unità cerchio È In Questo caso,
Esso Volere In realtà giro in UN piazza.
Questo piazza 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 piazza
Sono unità cerchi.
COSÌ punti con distanza uno, Appena misurato con tre diverso norme,
tre distanze,
tre diverso nozioni Di Che cosa UN lunghezza È.
Finalmente, andiamo combinare qualunque cosa noi abbiamo Fatto COSÌ lontano.
COSÌ Noi inizio con IL logistico regressione modello.
Noi aggiungere IL perdita funzione.
E Ora, Invece Di prendendo IL ordinario perdita quadrata funzione,
Noi aggiungere un ulteriore termine.
E Questo termine consiste fondamentalmente Di IL L_1 norma Di IL parametro.
Voi Vedere Quello Noi aggiungere IL assoluto valori, Beta_1 E Beta_2?
COSÌ Questo È IL L_1 norma Di IL parametri
Quello Noi aggiungere A IL perdita funzione.
Di corso, Questo È Appena uno scelta.
Voi Potevo Anche piazza questi.
Poi, Voi volevo Ottenere Che cosa È chiamato UN Cresta regressione
Se Voi Prendere IL piazza Di IL parametri.
Questo Primo uno Qui,
IL superiore uno Quello Noi Sono andando A Continua A utilizzo
È chiamato IL Lazo O L_1 regressione
Perché Questo termine Qui È semplicemente IL Norma L_1 Di IL Beta,
Di IL parametro vettore.
Ora, complessivamente, Che cosa Questo significa È Quello Voi punire IL perdita funzione
per scegliendo grande Beta 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 grande Beta vettori,
Poi Invece Di facendo ordinario meno piazze,
Voi Fare UN penalizzato regressione.
Ora, andiamo Aspetto UN poco morso più vicino A IL effetto Quello penalizzante ha.
COSÌ Questo È una volta Ancora IL penalizzato perdita funzione
con Questo aggiuntivo termine Qui.
Ora, 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 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 prendere in considerazione Questo la zona Qui,
Questo diamante COME IL bilancio Quello Voi Avere
per IL somma Di IL assoluto valori Di Beta.
E SU questi ellissi, IL residuo somma Di piazza È costante.
COSÌ tu sei guardare per IL più piccolo residuo somma Di piazza
entro IL bilancio.
Questo In IL caso disegnato Qui conduce A Questo punto Qui.
E dovuto A IL forma Di Questo diamante,
questi due Volere tipicamente Collegare In UN angolo Di IL diamante.
E Che cosa Questo significa È Quello IL corrispondente parametro
È impostato precisamente A zero.
E Questo È Perché Questo metodo È Anche Bene per selezione
Perché collocamento Questo parametro zero significa Niente altro
che calci 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 questi due descritto caratteristiche.
Uno scorso 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 utilizzo 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.
Potere Voi spettacolo Me UN calcestruzzo caso studio?
Di corso.
Così il dati Quello Io sono andando A presente Qui
consiste Di 739 malato grave terapia intensiva pazienti con 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 valori, organi vitali, pre- esistente condizioni, eccetera.
Questo È IL dati Quello Noi Sono andando A analizzare Ora.
COSÌ Qui, Voi Vedere IL set di dati.
Esso ha 44 colonne, COME Voi Potere Vedere giù Qui.
E 739 pazienti.
Ora, andiamo inizio familiarizzare UN poco morso Qui con IL dati.
Noi Avere Questo scorso conosciuto stato, recuperato e morto,
età, sesso, E BMI.
E Poi Noi Avere aggiuntivo linea di base valori,
comorbilità, organi vitali, l ab valori, sintomi, E CT risultati.
Andiamo Aspetto A Alcuni distribuzioni.
COSÌ Questo È IL distribuzione Di IL scorso conosciuto stato.
COSÌ Voi Potere Vedere Quello Purtroppo 46 per cento Di questi pazienti morto.
Noi Vedere Qui IL distorto età distribuzione con UN enfasi Qui Sopra 60.
E Voi Potere Vedere Quello all'incirca 70 per cento Di IL pazienti Sono maschi.
Avere UN Aspetto A IL aggiuntivo linea di base valori.
Voi Potere Vedere Qui IL corpo massa indice,
E Voi Volere avviso Quello Noi Avere UN tendenza Di un alto corpo massa indice
Sopra 25.
Noi Avere abbastanza 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 abbastanza UN significativo quantità Di cardiovascolare malattia,
Di polmonare malattia,
E Di 30 per cento Di Nostro pazienti Avere diabete.
Ora, per IL residuo quattro gruppi, organi vitali, l ab valori, sintomi, E TC,
Io sono andando A spettacolo Voi uno rappresentante da ogni
COSÌ Quello Voi Potere Ottenere UN sensazione Di Come questi valori Sono distribuito.
Questo È IL respiratorio valutare.
Questi 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.
Va bene, COSÌ Ora 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 scorso conosciuto stato.
Quello è Perché IO gettare In qualunque cosa 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.
Suo molto veloce, E Questo È IL risultato.
Questo È IL immagine dello schermo Quello Voi sega Già SU IL diapositiva.
Ora, Io sono non andando A lavoro con 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 giù Qui,
IO Potere Vedere Quello Mio AIC no modifica 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 modifica IL impostazioni Di JMP
COSÌ Quello Esso no Prendere IL migliore- adatto, IL minimo AIC,
Ma Invece IL più piccolo entro IL giallo zona.
COSÌ Questo È qualcosa IO Potere Fare Qui In IL Modello Lancio.
COSÌ IO Prendere IL Avanzato C controllo
E IO modifica Migliore Adatto a S più piccolo in Y giallo Z uno.
IO clic SU Andare.
E Ora, In realtà IO Avere UN molto Carino modello con 16 parametri.
Ora, Questo È IL modello Io sono andando A utilizzo.
E A Essere capace A spettacolo Voi Che cosa fattori Sono In Questo modello,
Io sono Appena andando A Selezionare loro, Selezionare Diverso da zero Termini.
Ora, IO Avere questi 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 Nostro 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 energia 10, Esso Volere Dare Voi all'incirca UN valore Di due,
Quale significa Quello con 10 anni Di più,
all'incirca, circa tuo probabilità rapporto raddoppia.
Tuo opportunità Di moribondo È due volte COME alto COME Prima.
E Poi sotto Qui,
Noi Avere IL probabilità rapporti per IL pedagogico variabili.
COSÌ per esempio,
coronario cardiovascolare malattia ha UN strano rapporto Di 1.62.
Ora, IO volevo Piace A punto fuori Alcuni Di questi risultati.
COSÌ andiamo Primo Aspetto A fattori
Quello Sono BENE- conosciuto da IL generale popolazione.
COSÌ Qui, Voi Vedere IL dipendenza Di IL scorso conosciuto stato contro età.
E Voi Potere Vedere Come Questo crescente età
aumento tuo opportunità Di moribondo 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 malattia E cardiovascolare malattia
Quello Entrambi Anche Avere UN significativo effetto SU IL rischio Di moribondo da COVID- 19.
E questi i fattori sono Anche valido In IL generale popolazione.
Ora, Di più È interessante notare che
Noi Trovare questi tre fattori non A Essere In Nostro modello.
COSÌ genere, indice di massa corporea, E ipertensione Sono non parte Di Nostro modello.
COSÌ Come È Quello possibile?
BENE, suo critico A Ricordare
Quello Nostro 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 questi fattori Volere In realtà altamente aumento tuo rischio
Di un critico causa Di IL COVID- 19 malattia.
Ma una volta Voi Sono criticamente malato, A Quello punto, Essi non questione più.
COSÌ Quello era UN molto importante risultato per noi.
Quale fattori trasportare Sopra da IL generale popolazione
E Quale fattori scomparire In loro importanza
una volta Voi Sono Già malato grave?
Finalmente, IO volevo 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 guardò A loro invariabile.
Ma In Nostro 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.
A volte, persone scegliere rischio fattori Primo In grande set di dati
di guardare A loro invariabile.
E Se Voi fatto Quello, Voi volevo con garanzia
Avere perse statine,
Perché invariabile, suo completamente irrilevante.
Ma In Nostro multifattoriale modello,
Noi Potevo spettacolo Quello statine Avere UN protettivo effetto
contro moribondo 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 grande meta- analisi con Quasi 150.000 pazienti.
Se tu sei interessato In Di più dettagli,
Noi pubblicato Nostro lavoro In IL rivista Di Clinico Medicinale.
IO volevo Piace A Prendere IL opportunità A Grazie Mio coautori,
In particolare, Stefano Borgmann e Martina Nowak- Machen
da IL clinica In Ingolstadt.
E IO volevo Anche Piace A Grazie Voi molto tanto per tuo Attenzione,
E Io sono guardare inoltrare A tuo domande.
Grazie Voi molto tanto.
