Hallo alle.
Danke für Tuning In Zu Mein sprechen.
Ich bin David Meintrup,
Professor bei Hochschule Ingolstadt von Angewandt Wissenschaften.
Und Heute, I Wille sprechen um A Lasso R Austritt Zu R erkennen isk F Schauspieler
für Tödlich Die Ergebnisse In Schwerstkrank COVID 19 Patienten.
Über Die zuletzt zwei Jahre,
etwas gestartet Zu zunehmend sich kümmern Mich,
Und Es Ist nicht Was Du wahrscheinlich denken Jetzt, das p Andemie,
oder bei am wenigsten nicht nur.
Der Thema Ist verbunden Zu Das.
Das Ist Mich Geben a sprechen An tief Lernen Und künstlich Intelligenz
bei Die Entdeckung Gipfel 2019 In Die wunderbar Stadt von Kopenhagen.
Und seit Dann,
Es Aussehen wie KI hat werden Die Universal- Werkzeug für alles,
Also lassen Mich geben Du ein Beispiel.
In Mai 2021,
Die Allgemein Direktor von Die Welt Gesundheit Organisation
sagte Die Folgendes:
"Eins von Die Unterricht von COVID 19
Ist Das Die Welt Bedürfnisse a bedeutsam Sprung nach vorne
In Daten Analyse.
Das erfordert Nutzbarmachung Die Potenzial von fortschrittlich Technologien
solch als künstlich Intelligenz."
Also Zu Mich, Das fühlt sich an wie a bisschen, vergessen um Die wissenschaftlich Verfahren
definieren Die Ziel, Angabe Die Werkzeuge, Angabe Die Hypothese, Und und so weiter,
Nur fallen Die Magie Wort künstlich Intelligenz
Und Du Sind An Die Gut Seite.
Also daher, I entschieden Zu geben Das sprechen In Die bilden von a Dialog
zwischen ein KI Enthusiast An Die links Seite Und a Statistiker An Die Rechts Seite.
Und Ich bin gehen Zu sprechen a bisschen mehr speziell An statistisch Modelle,
künstlich Intelligenz, Und bestraft Regression.
Und Dann In Die zweite Teil von Die sprechen, Ich bin Genau genommen gehen Zu gegenwärtig
der Fall Studie um Die kritisch krank COVID 19 Patienten.
Also lasst uns erhalten gestartet.
Hier ist Die Erste Frage aus unser KI Enthusiast.
In Die Epoche von künstlich Intelligenz Und tief Lernen,
WHO Bedürfnisse statistisch Regression Modelle?
Hier ist Mein kurz Antwort Das I entlehnt aus Juan Niedrig beliebig,
Vize Präsident bei Microsoft.
"Wann Wir erheben Geld, es ist KI, Wann Wir mieten, es ist Maschine Lernen,
Und Wann Wir Tun Die arbeiten, es ist Logistik Regression."
Also I Liebe Das twittern Weil In Mein Meinung bei am wenigsten,
Es kondensiert a viel von Wahrheit In a sehr kurz Stellungnahme.
KI hat werden a Universal- Marketing Werkzeug.
Aber für Die real Probleme, Wir Trotzdem verwenden traditionell fortschrittlich statistisch Methoden.
A wenig bisschen länger Antwort könnte Sei Die Folgendes.
Wenn I sehen bei Die typisch Aufgabe von Ingenieure Und Wissenschaftler,
Sie enthalten Innovationen, verstehen, verbessern, Und vorhersagen.
Und tief Lernen Und künstlich Intelligenz
Ist hauptsächlich a Vorhersage Werkzeug.
Für alles anders,
Wir Trotzdem brauchen fortschrittlich statistisch Methoden wie traditionell Maschine Lernen,
statistisch Modellieren, Und Design von Experimente.
Okay, Aber Du haben Zu zugeben
Das Dort Sind sehr erfolgreich Anwendungen von KI Und tief Lernen.
Also, es gibt absolut NEIN zweifeln um Das.
Für Beispiel,
Vorhersagen Die nächste bewegen In a Spiel wie Schach Und Gehen.
Der tief- Lernen Algorithmen Tun Das Weg besser als beliebig menschlich Sein.
Oder I würde wie Zu einführen Mein Favorit künstlich Intelligenz Anwendung,
welche Ist Lösen Die Protein faltbar Problem.
Der Protein faltbar Problem hat berühmt gewesen eingeführt 1972
von Die Nobel Preis Gewinner, Christian Die Anfinsen,
WHO sagte In sein Annahme Rede
Das a Proteine Aminosäuren Säure Sequenz sollen voll bestimmen es ist 3D Struktur.
Und über Die zuletzt 50 Jahre, Das Problem hat grundsätzlich gewesen ungelöst.
Und Dort War sehr wenig Fortschritt
bis DeepMind von Google entwickelt ein KI- basierend Algorithmus angerufen AlphaF alt
Das Zu a sehr groß Ausmaß gelöst Die Protein faltbar Problem.
Und Du sehen zwei Beispiele von Das An Die Rechts Seite.
Das Ist sehr beeindruckend Und Schön arbeiten.
Und I inklusive Es Hier Weil I gesucht Zu klären
Das Das Ist Die perfekt tief- Lernen KI Problem.
Wir haben a groß Menge von Daten,
Wir haben a kombinatorisch Explosion von Optionen,
Und Die Ergebnis Wir Sind suchen für Ist a Vorhersage,
Die tatsächlich 3D Struktur von Die Protein.
Also für Vorhersagen, Wir sollen stets verwenden KI.
Nicht bei alle.
Für Beispiel, In Die Datensatz Das I Wille gegenwärtig
um Die kritisch krank COVID 19 Patienten,
Wir wollen Die Modell Zu vorhersagen Wenn Die geduldig Wille überleben oder Wille Die.
Aber Die rein Vorhersage nicht Wirklich helfen.
Wenn Du wissen jemand Ist gehen Zu Die, Was Du wollen Ist Du wollen Zu behandeln,
Du wollen Zu verhindern, Du wollen Zu wissen Die Risiko Faktoren,
Du wollen Zu Sei fähig Zu Akt
Und nicht Nur einfach Vorhersagen Tod oder Überleben.
Also Was Wir brauchen Ist a Wirklich interpretierbar Modell
Das Wille Hinweis diese Dinge Das Wir brauchen
wie Behandlung, Verhütung, Und Risiko Faktoren.
Ein anderer Weg von suchen bei Es,
lasst uns haben a sehen bei typisch Daten- angetrieben Modellieren Strategien.
Was Ist sehr typischerweise Erledigt In tief- Lernen KI Umfeld
Ist Das Du nehmen alle verfügbar Daten,
Du werfen Es In Die tief- Lernen KI Algorithmus.
Und Es könnte vorhersagen sehr Also Die Ergebnis Das du bist suchen für,
Aber du bist bekommen a voll nicht interpretierbar Modell.
Was ist ein Alternative?
Ein Alternative Ist Zu bereits In Die Daten Sammlung Verfahren
denken sorgfältig Was Daten Tun Du brauchen mit fortschrittlich statistisch Methoden.
Dann anwenden a statistisch Modell,
Und als a Ergebnis, Du erhalten a voll interpretierbar Modell.
Okay, sagt unser KI Enthusiast,
Aber Du Sind fehlen ein wichtig Punkt Hier.
Statistisch Modelle könnte Sei Hübsch für klein Daten Sätze,
Aber für groß Daten, Sie kippen Sei gebraucht, Rechts?
Also, NEIN.
Für groß Daten Sätze, Dort Sind mehrere intelligent Wege
Zu reduzieren Die Dimensionalität
vor Du Start mit Die Beschlag Verfahren von Die Modell.
Und I würde wie Zu einführen, bei am wenigsten kurz,
drei von diese intelligent Wege Zu reduzieren Die Modell Dimensionalität.
Nummer eins, Redundanz Analyse, etwas Du könnte haben gehört um.
Wenn Du haben a groß Daten Satz,
Die Preis Du zahlen Ist typischerweise Das Die Faktoren Sind hoch korreliert
Und Du dürfen messen Die Menge von Korrelation innerhalb Die Satz von Faktoren
von Die Wert Das Ist angerufen Varianz Inflation Faktor.
Und Dann Du dürfen Genau genommen beseitigen Die Faktoren
mit Die höchste Varianz Inflation Faktoren.
Warum?
Weil Sie nicht hinzufügen zusätzlich Information
Zu Die Satz von Faktoren Das Du Sind bereits suchen bei.
Also Das Ist eins Klassiker Weg von Reduzierung Die Dimensionalität von dein Daten.
Wenn Du haben kategorisch Daten, für Beispiel,
Du sehen bei ein X- Strahl von Die Lunge Und Du dürfen sehen anders Symptome.
Dann Du dürfen haben Variablen Das beschreiben,
Das Symptom War Dort, Das Symptom War Dort,
oder ein anderes Symptom War Dort, X 1, X 2, X 3.
Vielleicht für dein Analyse,
es ist genug Zu unterscheiden ein Normal- suchen Lunge
Und a Lunge Das hat manche Symptome irgendwo.
In andere Wörter, Du konvertieren a Reihe nur mit Nullen Zu a null.
Und Wenn es gibt bei am wenigsten eins eins, Du ändern Es Zu a eins,
Und Du erstellen a neu Variable fangen Das Information.
Oder Zu geben Du ein Alternative, Du könnte Summe X 1, X 2, Und X 3,
Und zählen Die Nummer von Symptome Das Du sehen An ein X- Strahl.
Das Verfahren Ist angerufen Wertung
Und Ist a sehr effizient Weg von Reduzierung Dimensionalität.
Rektor Komponente Analyse hat genau Die Dasselbe Geist.
Es rekombiniert kontinuierlich Variablen.
Es dauert a linear Kombination von kontinuierlich Variablen
mit Die Idee von fangen Die Variation In eins neu erstellt Variable.
I Anruf diese Dimensionalität Reduktion Methoden intelligent,
Weil Wann Du anwenden ihnen,
Du bereits lernen etwas um dein Daten.
Und das ist Die ganz Zweck von Statistiken, ist nicht Es?
Lernen Dinge aus dein Daten.
Also lassen Mich zusammenfassen Die Vorteile von statistisch Modelle.
Erste, Sie dürfen Sei gebraucht für alle Arten von Aufgaben,
nicht nur für Vorhersagen.
Zweite, Die Modell selbst Ist nützlich Und voll interpretierbar.
Und dritte,
Du dürfen Start In a groß Datensatz mit intelligent Dimensionalität Reduktion
vor Du Genau genommen fit Die Modell.
Ich bin Trotzdem nicht überzeugt.
Kann Du geben Mich ein Beispiel von a statistisch Modell
Das Du angewandt Zu a groß Datensatz?
Okay, Also lasst uns einführen Logistik Lasso Regression.
Lasso Ist ein Abkürzung
für am wenigsten Absolute Schwindung Und Auswahl Operator,
Und Warum Es Ist angerufen wie Das, I Wille erklären In a wenige Momente.
Lasst uns einführen Das Lasso Regression In vier Schritte.
Schritt Nummer eins Ist Zu erinnern uns von Die Logistik Regression Modell.
In a Logistik Regression Modell, Wir haben a kategorisch,
In Die am einfachsten Fall, zwei- Ebene Faktor...
Entschuldigung, ein kategorisch Antwort mit zwei Ebenen,
Und Wir haben a Ziel Zu Modell Die Auftreten Wahrscheinlichkeit von Die Ereignis.
Das Ist typischerweise Erledigt mit Das S- geformt Funktion
Das entspricht Zu Die Wahrscheinlichkeit von Die Ereignis Genau genommen auftreten.
Der funktional Begriff Ist gegeben Hier Zu Die links,
Aber Die Gut Nachricht Ist Das
mit ein einfach Transformation Das Ist angerufen logit Transformation,
Du dürfen drehen Die Original Werte hinein Protokoll es schätzt,
Und Dann Die Ergebnis Ist a einfach linear Regression
An Die Logit-Werte.
Also Die unten Linie Ist Logistik Regression,
Ist einfach linear Regression An logit Werte.
Schritt Nummer zwei.
Das Ist a Klassiker Situation von a zwei- Faktor linear Regression Modell.
Und Wie Tun Wir fit Das Zu a Daten Wolke?
Also, Wir Tun Das mit Die helfen von a Verlust Funktion.
Für Beispiel, Wir nehmen Die Summe von kariert Fehler,
Und Dann Wir sehen für Die Minimum von Das Funktion.
Das Ist Die sehr berühmt Und Standard normal Quadrat Schätzer
Das Ist Die Ergebnis von Minimierung speziell Das Verlust Funktion
gegeben von Die Summe von kariert Fehler.
Drittens, etwas Das Ist Vielleicht weniger bekannt,
I würde wie Zu einführen Konzept f aus der Mathematik
Die Norm von a Vektor Das Ist Genau genommen Nur a Darstellung
von Die Vorstellung von Die Distanz von a Länge von a Vektor.
Lasst uns sehen bei drei Beispiele.
Der Erste eins Das Du sehen Hier In Die Mitte
Ist Die Klassiker Distanz Das Du alle wissen Und verwenden.
Das Ist Die Euklidisch Distanz.
Es ist berechnet von Einnahme Die Quadrate von Die Koordinaten
Und Dann Einnahme Die Quadrat Wurzel.
Der Einheit Kreis als Du wissen stellt dar alle Punkte
Das haben a Distanz eins, aus Die Center.
Das Ist Die Klassiker Euklidisch Norm.
Wir dürfen vereinfachen Das Berechnung von einfach Einnahme Die Summe von Absolute Werte.
Also stattdessen von Einnahme a Quadrat Und Einnahme a Quadrat Wurzel,
Wir einfach Summe Die Absolute Werte.
Das Ist angerufen Die L_1 Norm.
Und Was Du sehen Hier, Das Diamant Ist Die Darstellung
von Die Einheit Kreis von Das L_1 Norm.
In andere Wörter, alle Die Punkte Hier An Das Diamant haben Abstand eins ,
Wenn Du messen Distanz mit Die L _1 Norm.
Endlich, Die Also- angerufen maximal Norm Wo Du weitermachen Zu vereinfachen.
Du Nur nehmen Die größer Wert von Die zwei Absolute Werte, x1 Und x2 .
Wenn Du denken um Was Die Einheit Kreis Ist In Das Fall,
Es Wille Genau genommen drehen hinein a Quadrat.
Das Quadrat Ist Die Einheit Kreis für Die maximal Wert.
Also In Zusammenfassung, Wir dürfen messen Distanz In anders Wege In Mathematik,
Und Was Du sehen Hier, Die Diamant, Die tatsächlich Kreis oder Quadrat
Sind Einheit Kreise.
Also Punkte mit Distanz eins, 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.
Also Wir Start mit Die Logistik Regression Modell.
Wir hinzufügen Die Verlust Funktion.
Und Jetzt, stattdessen von Einnahme Die normal quadratischer Verlust Funktion,
Wir hinzufügen eine zusätzliche Begriff.
Und Das Begriff besteht grundsätzlich von Die L_1 Norm von Die Parameter.
Du sehen Das Wir hinzufügen Die Absolute Werte, Beta_1 Und Beta_2?
Also Das Ist Die L_1 Norm von Die Parameter
Das Wir hinzufügen Zu Die Verlust Funktion.
Von Kurs, Das Ist Nur eins Auswahl.
Du könnte Auch Quadrat diese.
Dann, Du würde erhalten Was Ist angerufen a Grat Regression
Wenn Du nehmen Die Quadrat von Die Parameter.
Das Erste eins Hier,
Die Spitze eins Das Wir Sind gehen Zu weitermachen Zu verwenden
Ist angerufen Die Lasso oder L_1 Regression
Weil Das Begriff Hier Ist einfach Die L_1-Norm von Die Beta,
von Die Parameter Vektor.
Jetzt, gesamt, Was Das bedeutet Ist Das Du bestrafen Die Verlust Funktion
für Auswahl groß Beta Werte.
Und Das Ist Warum Das Strafe Das Du einführen
führt Zu Die Begriff bestraft Verlust Funktionen.
Also Wenn Du haben a Bestrafung, eine Strafe für groß Beta Vektoren,
Dann stattdessen von tun normal am wenigsten Quadrate,
Du Tun a bestraft Regression.
Jetzt, lasst uns sehen a wenig bisschen näher Zu Die Wirkung Das bestrafend hat.
Also Das Ist einmal wieder Die bestraft Verlust Funktion
mit Das zusätzlich Begriff Hier.
Jetzt, Die Graph Das Du sehen Hier
Ist unabhängig von Die Also- angerufen Tuning Parameter, Lambda.
Der größer Lambda Ist, Die mehr Gewicht Das Begriff hat,
Und Die mehr Es Wille Gewalt Die Beta-Werte Zu Sei klein.
Das Ist Warum Du sehen Das Die Parameter schrumpfen.
Und Das Ist Warum Das ganz Verfahren Ist angerufen Absolute Schwindung.
Zweitens, In Das Graph, Du dürfen halten Das Bereich Hier,
Das Diamant als Die Budget Das Du haben
für Die Summe von Die Absolute Werte von Beta.
Und An diese Ellipsen, Die Rest Summe von Quadrat Ist Konstante.
Also du bist suchen für Die kleinste Rest Summe von Quadrat
innerhalb Die Budget.
Das In Die Fall gezogen Hier führt Zu Das Punkt Hier.
Und fällig Zu Die Form von Das Diamant,
diese zwei Wille typischerweise verbinden In a Ecke von Die Diamant.
Und Was Das bedeutet Ist Das Die entsprechend Parameter
Ist Satz genau Zu null.
Und Das Ist Warum Das Verfahren Ist Auch Gut für Auswahl
Weil Einstellung Das Parameter null bedeutet Nichts anders
als zu treten Es aus von Die Modell.
Also Das Ist In Zusammenfassung Warum Wir Anruf Die L _1 Regression Lasso.
Es hat a Schwindung Element Und a Auswahl Element
fällig Zu diese zwei beschrieben Merkmale.
Eins zuletzt praktisch Aspekt von Lasso Regression
Ist um Die Tuning Parameter, Das Lambda Hier.
Wie Tun Du wählen Es?
Also, eins sehr gemeinsam Ansatz Ist Die Folgendes:
Du verwenden a Validierung Verfahren
wie für Beispiel, Informationen über Akaike Kriterium,
Und Du Handlung Die Abhängigkeit von Die AIC von Lambda.
Und Dann Du dürfen wählen a Lambda Wert
Das gibt Du a minimal AIC.
An Die links Seite, Du sehen Wie Die Parameter schrumpfen
Und Du dürfen sehen Die Blau Linien Das entsprechen Zu Die Parameter
Das Sind Genau genommen nicht- null
während Die andere diejenigen Sind bereits gezwungen Zu Sei null.
Ich bin Trotzdem nicht überzeugt.
Kann Du zeigen Mich a Beton Fall Studie?
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 Die Anfang von Die Pandemie
zwischen Marsch Und Oktober 2020.
Wir haben eins binär Antwort
Das besteht von Die Ebenen erholt und tot,
Und Wir haben 43 Faktoren:
Labor Werte, Vitalfunktionen, vor- bestehende Bedingungen, und so weiter.
Das Ist Die Daten Das Wir Sind gehen Zu analysieren Jetzt.
Also Hier, Du sehen Die Datensatz.
Es hat 44 Spalten, als Du dürfen sehen runter Hier.
Und 739 Patienten.
Jetzt, lasst uns Start vertraut machend a wenig bisschen Hier mit Die Daten.
Wir haben Das zuletzt bekannt Status, erholt und tot,
Alter, Geschlecht, Und BMI.
Und Dann Wir haben zusätzlich Basislinie Werte,
Komorbiditäten, Vitalfunktionen, l ab Werte, Symptome, Und CT Ergebnisse.
Lasst uns sehen bei manche Verteilungen.
Also Das Ist Die Verteilung von Die zuletzt bekannt Status.
Also Du dürfen sehen Das Leider 46 Prozent von diese Patienten gestorben.
Wir sehen Hier Die schief Alter Verteilung mit ein Schwerpunkt Hier über 60.
Und Du dürfen sehen Das rund 70 Prozent von Die Patienten Sind Männchen.
Haben a sehen bei Die zusätzlich Basislinie Werte.
Du dürfen sehen Hier Die Körper Masse Index,
Und Du Wille beachten Das Wir haben a Tendenz von ein hohes Körper Masse Index
über 25.
Wir haben ganz a viel von AS Und BEI Inhibitoren,
Und Auch von Statine, Also Behandlungen für Cholesterin
Und für Blut Druck Und manche Immunsuppressivum.
Nächste, Komorbiditäten.
Du sehen Das fast zwei Drittel Sind hypertensiv,
Und Wir haben ganz a bedeutsam Menge von Herz-Kreislauf Krankheit,
von pulmonal Krankheit,
Und um 30 Prozent von unser Patienten haben Diabetes.
Jetzt, für Die übrig vier Gruppen, Vitalfunktionen, l ab Werte, Symptome, Und CT,
Ich bin gehen Zu zeigen Du eins Vertreter aus jede
Also Das Du dürfen erhalten a Gefühl von Wie diese Werte Sind verteilt.
Das Ist Die Atemwege Rate.
Diese Sind Die Nummer von Lymphozyten.
Also Das Ist a lebenswichtig Parameter, a Labor Parameter.
Hier, Du haben a Symptom, schwer Leber Versagen
Das dürfen geschehen An Die Intensivstation.
Und Das Ist a CT Ergebnis,
Bereiche von Konsolidierung Das dürfen Sei gesehen An Die CT von Die Lunge.
Okay, Also Jetzt Wir Sind bereit
Und Wir Sind Genau genommen gehen Zu analysieren Die Modell.
Also I gehen Zu Analysieren, F es M Modell.
I nehmen Die zuletzt bekannt Status.
Das ist Warum I werfen In alles anders als Faktor
Und I gehen Zu Allgemein Regression
welche Ist gehen Zu durchführen Die Lasso Regression.
Du dürfen sehen Hier Das Die Lasso Schätzung Verfahren
Ist bereits vorgewählt.
Also Wenn I klicken An Gehen, Die Verfahren Ist bereits fertig.
Es ist sehr schnell, Und Das Ist Die Ergebnis.
Das Ist Die Screenshot Das Du gesehen bereits An Die gleiten.
Jetzt, Ich bin nicht gehen Zu arbeiten mit Das Modell für Die folgende Grund.
Wenn I gehen Hier hoch Zu Die Modell C Vergleich Abschnitt,
I sehen Das I haben 30 Parameter In Das Modell.
Also Das Modell Ist Trotzdem sehr groß.
Wenn I gehen zurück runter Hier,
I dürfen sehen Das Mein AIC nicht ändern a viel Wenn I setzen Es weiter Zu Die links.
Stattdessen von tun Das manuell, Was Ich bin gehen Zu Tun
Ist Ich bin gehen Zu ändern Die Einstellungen von JMP
Also Das Es nicht nehmen Die am besten- fit, Die minimal AIC,
Aber stattdessen Die kleinste innerhalb Die Gelb Zone.
Also Das Ist etwas I dürfen Tun Hier In Die Modell Start.
Also I nehmen Die Erweitertes C Kontrolle
Und I ändern Am besten Fit bis S kleinste in Y gelbes Z eins.
I klicken An Gehen.
Und Jetzt, Genau genommen I haben a sehr Hübsch Modell mit 16 Parameter.
Jetzt, Das Ist Die Modell Ich bin gehen Zu verwenden.
Und Zu Sei fähig Zu zeigen Du Was Faktoren Sind In Das Modell,
Ich bin Nur gehen Zu wählen ihnen, Wählen Ungleich Null Bedingungen.
Jetzt, I haben diese 16 ausgewählt,
Und I dürfen setzen ihnen In a Logistik Regression
Und aktivieren Die Chancen Verhältnisse.
Also An Die Spitze, Wir sehen Die 16 Effekte In unser Modell.
Und unten, Wir dürfen sehen Die Chancen Verhältnisse.
Also für Beispiel, Die Chancen Verhältnis von Alter Ist 1.07.
Wenn Du nehmen Das Zu Die Leistung 10, Es Wille geben Du rund a Wert von zwei,
welche bedeutet Das mit 10 Jahre mehr,
rund, etwa dein Chancen Verhältnis Doppel.
Dein Chance von sterben Ist zweimal als hoch als vor.
Und Dann unten Hier,
Wir haben Die Chancen Verhältnisse für Die pädagogisch Variablen.
Also für Beispiel,
Koronar Herz-Kreislauf Krankheit hat ein seltsam Verhältnis von 1,62.
Jetzt, I würde wie Zu Punkt aus manche von diese Ergebnisse.
Also lasst uns Erste sehen bei Faktoren
Das Sind Also- bekannt aus Die allgemein Bevölkerung.
Also Hier, Du sehen Die Abhängigkeit von Die zuletzt bekannt Status gegen Alter.
Und Du dürfen sehen Wie Das zunehmend Alter
Zunahme dein Chance von sterben sehr erheblich.
Als I sagte vor, Die Chancen Verhältnis von 10 Jahre Ist rund doppelt.
An Die links Seite,
Du sehen pulmonal Krankheit Und Herz-Kreislauf Krankheit
Das beide Auch haben a bedeutsam Wirkung An Die Risiko von sterben aus COVID- 19.
Und diese Faktoren sind Auch gültig In Die allgemein Bevölkerung.
Jetzt, mehr Interessant,
Wir finden diese drei Faktoren nicht Zu Sei In unser Modell.
Also Geschlecht, BMI, Und Hypertonie Sind nicht Teil von unser Modell.
Also Wie Ist Das möglich?
Also, es ist kritisch Zu erinnern
Das unser Bevölkerung besteht von Intensivstation Patienten.
Sie Sind bereits kritisch krank.
Also Wir haben 72 Prozent von männlich Patienten,
Wir haben fast 80 Prozent Das haben a BMI über 26,
Und zwei Drittel Sind hypertensiv.
Also diese Faktoren Wille Genau genommen hoch Zunahme dein Risiko
von eine kritische Ursache von Die COVID- 19 Krankheit.
Aber einmal Du Sind kritisch krank, bei Das Punkt, Sie nicht Gegenstand mehr.
Also Das War a sehr wichtig Ergebnis für uns.
Welche Faktoren tragen über aus Die allgemein Bevölkerung
Und welche Faktoren verschwinden In ihre Bedeutung
einmal Du Sind bereits schwer krank?
Endlich, I würde wie Zu Punkt aus eins mehr Aspekt welche Ist Statine.
Statine war vollständig unbedeutend.
Du sehen Die P Wert Hier von 25 Prozent einmal Du sah bei ihnen univariat.
Aber In unser Multi Fakultät Modell, Sie war hoch bedeutsam.
Und als Du dürfen sehen Hier, Die Chancen Verhältnis Ist unten eins,
Reduzierung Die Risiko von Mortalität.
Also Das Ist a sehr wichtig Lektion.
Manchmal, Menschen wählen Risiko Faktoren Erste In groß Datensatz
von suchen bei ihnen univariat.
Und Wenn Du tat Das, Du würde mit Garantie
haben verpasst Statine,
Weil univariat, es ist vollständig irrelevant.
Aber In unser multifaktoriell Modell,
Wir könnte zeigen Das Statine haben a schützend Wirkung
gegen sterben aus COVID 19 einmal Du Sind kritisch krank.
Das Finden hat gewesen später bestätigt von andere.
Und Nur als ein Beispiel,
I inklusive a Meta- Analyse aus September 21
Das In der Tat bestätigt Das Statine reduzieren Die Mortalität von Patienten
In a sehr groß Meta- Analyse mit fast 150.000 Patienten.
Wenn du bist interessiert In mehr Einzelheiten,
Wir veröffentlicht unser arbeiten In Die Zeitschrift von Klinisch Medizin.
I würde wie Zu nehmen Die Gelegenheit Zu Dank Mein Co-Autoren,
In besondere, Stefan Borgmann und Martina Nowak- Machen
aus Die Klinik In Ingolstadt.
Und I würde Auch wie Zu Dank Du sehr viel für dein Aufmerksamkeit,
Und Ich bin suchen nach vorne Zu dein Fragen.
Dank Du sehr viel.
