こんにちは みんな。
ありがとう のために チューニング で に 私の 話す。
私は デビッド マイントルップ、
教授 で インゴルシュタット大学 の 適用済み 科学。
そして 今日、 I 意思 話す について A ラッソR 退出 に Rを検出 イスクF 俳優
のために 致命的な 結果 で 重病 COVID-19（新型コロナウイルス感染症 患者。
以上 その 最後 二 年、
何か 開始 に ますます わざわざ 自分、
そして それ は ない 何 あなた おそらく 考える 今、 p アンデミック、
または で 少しでも ない のみ。
その トピック は 接続された に これ。
これ は 自分 与える a 話す の上 深い 学ぶ そして 人工的な 知能
で その 発見 サミット 2019 で その 素晴らしい 市 の コペンハーゲン。
そして 以来 それから、
それ 見た目 のように 人工知能 もっている なる その 普遍的な 道具 のために すべて、
それで させて 自分 与える あなた 一つの 例。
で 5月 2021年、
その 一般的な 監督 の その 世界 健康 組織
言った その 続く：
"1つ の その レッスン の COVID-19（新型コロナウイルス感染症
は それ その 世界 ニーズ a 重要な 飛躍 フォワード
で データ 分析。
これ 必要 活用 その 潜在的 の 高度な テクノロジー
そのような として 人工的な 知能。"
それで に 自分、 これ 感じる のように a 少し、 忘れる について その 科学的 方法
定義する その ゴール、 指定する その ツール、 述べる その 仮説、 そして その他、
ただ 落とす その 魔法 言葉 人工的な 知能
そして あなた は の上 その 良い 側。
それで したがって、 I 決めた に 与える これ 話す で その 形状 の a 対話
間 一つの 人工知能 愛好家 の上 その 左 側 そして a 統計学者 の上 その 右 側。
そして 私は 行く に 話す a 少し もっと 具体的には の上 統計的 モデル、
人工的な 知能、 そして 罰せられる 回帰。
そして それから で その 2番 一部 の その 話す、 私は 実は 行く に 現在
事件 勉強 について その 批判的に 病気 COVID-19（新型コロナウイルス感染症 患者。
それで さあ 得る 開始しました。
こちらは その 初め 質問 から 私たちの 人工知能 愛好家。
で その 時代 の 人工的な 知能 そして 深い 学ぶ、
誰が ニーズ 統計的 回帰 モデルですか？
こちらは 私の 短い 答え それ I 借り から フアン 低い どれでも、
副 社長 で マイクロソフト。
"いつ 私たちは 上げる お金、 その AI、 いつ 私たちは 雇う、 その 機械 学ぶ、
そして いつ 私たちは する その 仕事、 その ロジスティック 「回帰」です。
それで I 愛 これ ツイート なぜなら で 私の 意見 で 少しでも、
それ 凝縮する a 多く の 真実 で a とても 短い 声明。
人工知能 もっている なる a 普遍的な マーケティング 道具。
しかし のために その 本物 問題、 私たちは まだ 使用 伝統的 高度な 統計的 方法。
A 少し 少し より長い 答え できた なれ その 続く。
もし I 見て で その 典型的な タスク の エンジニア そして 科学者たち、
彼らは 含む 革新し、 理解する、 改善する、 そして 予測する。
そして 深い 学ぶ そして 人工的な 知能
は 主に a 予測 道具。
のために すべて それ以外、
私たちは まだ 必要 高度な 統計的 方法 のように 伝統的 機械 学ぶ、
統計的 モデリング、 そして デザイン の 実験。
わかった、 しかし あなた 持っている に 認める
それ そこには は とても 成功 アプリケーション の 人工知能 そして 深い 学ぶ。
良い、 そこには 絶対に いいえ 疑い について それ。
のために 例、
予測する その 次 動く で a ゲーム のように チェス そして 行く。
その 深い- 学ぶ アルゴリズム する これ 方法 より良い よりも どれでも 人間 いる。
または I だろう のように に 導入 私の お気に入り 人工的な 知能 応用、
どれの は 解決する その タンパク質 折りたたみ 問題。
その タンパク質 折りたたみ 問題 もっている 有名な された 紹介された 1972
による その ノーベル 賞 勝者、 キリスト教徒 アンフィンセン、
誰が 言った で 彼の 受け入れ スピーチ
それ a タンパク質の アミノ 酸 順序 すべき 完全に 決定する その 3D 構造。
そして 以上 その 最後 50 年、 これ 問題 もっている 基本的に された 未解決。
そして そこには だった とても 少し 進捗
それまで ディープマインド による グーグル 発展した 一つの AI- ベース アルゴリズム と呼ばれる アルファF 古い
それ に a とても 大きい 範囲 解決済み その タンパク質 折りたたみ 問題。
そして あなた 見る 二 例 の これ の上 その 右 側。
これ は とても 印象的な そして 美しい 仕事。
そして I 含まれる それ ここ なぜなら I 望んでいた に 明らかにする
それ これ は その 完璧 深い- 学ぶ 人工知能 問題。
私たちは 持っている a 広大な 額 の データ、
私たちは 持っている a 組み合わせ 爆発 の オプション、
そして その 結果 私たちは は 見ている のために は a 予測、
その 実際の 3D 構造 の その タンパク質。
それで のために 予測、 私たちは すべき いつも 使用 人工知能。
ない で 全て。
のために 例、 で その データセット それ I 意思 現在
について その 批判的に 病気 COVID-19（新型コロナウイルス感染症 患者、
私たちは 欲しい その モデル に 予測する もし その 忍耐強い 意思 生き残る または 意思 その。
しかし その 純粋な 予測 しない 本当に ヘルプ。
もし あなた 知る 誰か は 行く に その、 何 あなた 欲しい は あなた 欲しい に 扱う、
あなた 欲しい に 防ぐ、 あなた 欲しい に 知る その リスク 要因、
あなた 欲しい に なれ できる に 活動
そして ない ただ 単に 予測する 死 または 生存。
それで 何 私たちは 必要 は a 本当に 解釈可能な モデル
それ 意思 ヒント これら もの それ 私たちは 必要
のように 処理、 防止、 そして リスク 要因。
別の 方法 の 見ている で それ、
さあ 持っている a 見て で 典型的な データ- 駆動 モデリング 戦略。
何 は とても 通常 終わり で 深い- 学ぶ 人工知能 環境
は それ あなた 取る 全て 利用可能 データ、
あなた 投げる それ で その 深い- 学ぶ 人工知能 アルゴリズム。
そして それ かもしれない 予測する とても 良い その 結果 それ あなたは 見ている のために、
しかし あなたは 取得 a 完全に 解釈不能 モデル。
何ですか 一つの 代替？
アン 代替 は に すでに で その データ コレクション プロセス
考える 気をつけて 何 データ する あなた 必要 と 高度な 統計的 方法。
それから 適用する a 統計的 モデル、
そして として a 結果、 あなた 得る a 完全に 解釈可能な モデル。
わかった、 言う 私たちの 人工知能 愛好家、
しかし あなた は ない 一つの 重要 ポイント ここ。
統計 モデル かもしれない なれ ニース のために 小さい データ セット、
しかし のために 大きい データ、 彼らは できない なれ 使用済み、 右？
良い、 いいえ。
のために 大きい データ セット、 そこには は いくつかの 知的 方法
に 減らす その 次元性
前に あなた 始める と その フィッティング プロセス の その モデル。
そして I だろう のように に 導入、 で 少しでも まもなく、
三つ の これら 知的 方法 に 減らす その モデル 次元。
番号 1つ、 冗長性 分析、 何か あなた かもしれない 持っている 聞いた について。
もし あなた 持っている a 大きい データ セット、
その 価格 あなた 支払う は 通常 それ その 要因 は 非常に 相関関係
そして あなた できる 測定 その 額 の 相関 内で その セット の 要因
による その 価値 それ は と呼ばれる 分散 インフレーション 要素。
そして それから あなた できる 実は なくす その 要因
と その 最高 分散 インフレーション 要因。
なぜ？
なぜなら 彼らは しない 追加 追加 情報
に その セット の 要因 それ あなた は すでに 見ている で。
それで これ は 1つ クラシック 方法 の 削減 その 次元性 の あなたの データ。
もし あなた 持っている カテゴリカル データ、 のために 例、
あなた 見て で 一つの X- レイ の その 肺 そして あなた できる 見る 違う 症状。
それから あなた できる 持っている 変数 それ 説明する、
これ 症状 だった そこには、 これ 症状 だった そこには、
または別の 症状 だった そこには、 X 1、 X 2、 X 3.
多分 のために あなたの 分析、
その 十分 に 区別する 通常の 見ている 肺
そして a 肺 それ もっている いくつかの 症状 どこかに。
で 他の 言葉、 あなた 変換する a 行 のみ と ゼロ に a ゼロ。
そして もし そこには で 少しでも 1つ 1つ、 あなた 変化 それ に a 1つ、
そして あなた 作成する a 新しい 変数 キャッチ これ 情報。
または に 与える あなた 一つの 代替、 あなた できた 和 X 1、 X 2、 そして X 3、
そして カウント その 番号 の 症状 それ あなた 見る の上 一つの X- レイ。
これ 手順 は と呼ばれる 得点
そして は a とても 効率的 方法 の 削減 次元性。
主要 成分 分析 もっている その通り その 同じ 精神。
それ 再結合する 連続 変数。
それ かかる a リニア 組み合わせ の 連続 変数
と その アイデア の キャッチ その 変化 で 1つ 新たに 作成された 変数。
I 電話 これら 次元性 削減 方法 知的、
なぜなら いつ あなた 適用する 彼ら、
あなた すでに 学ぶ 何か について あなたの データ。
そして それは その 全体 目的 の 統計、 ない それ？
学ぶ もの から あなたの データ。
それで させて 自分 要約する その 利点 の 統計的 モデル。
初め、 彼らは できる なれ 使用済み のために 全て 種類 の タスク、
ない のみ のために 予測。
2番、 その モデル 自体 は 役に立つ そして 完全に 解釈可能。
そして 三番目、
あなた できる 始める で a 大きい データセット と 知的 次元性 削減
前に あなた 実は フィット その モデル。
私は まだ ない 確信している。
できる あなた 与える 自分 一つの 例 の a 統計的 モデル
それ あなた 適用済み に a 大きい データセット?
わかった、 それで さあ 導入 ロジスティック ラッソ 回帰。
ラッソ は 一つの 略語
のために 少しでも 絶対 収縮 そして 選択 オペレーター、
そして なぜ それ は と呼ばれる のように それ、 I 意思 説明する で a 少し 瞬間。
さあ 導入 これ ラッソ 回帰 で 4つ 手順。
ステップ 番号 1つ は に 思い出させる 私たち自身 の その ロジスティック 回帰 モデル。
で a ロジスティック 回帰 モデル、 私たちは 持っている a カテゴリカル、
で その 最も簡単 場合、 二- レベル 要素...
申し訳ありませんが、 カテゴリカル 応答 と 二 レベル、
そして 私たちは 持っている a ゴール に モデル その 発生 確率 の その イベント。
これ は 通常 終わり と これ S- 形状 関数
それ 対応する に その 確率 の その イベント 実は 発生しています。
その 機能的 学期 は 与えられた ここ に その 左、
しかし その 良い ニュース は それ
と 一つの 簡単 変換 それ は と呼ばれる ロジット 変換、
あなた できる 振り向く その オリジナル 価値観 の中へ ログ それは価値があり、
そして それから その 結果 は a 単純 リニア 回帰
の上 その ロジット値。
それで その 底 ライン は ロジスティック 回帰、
は 単に リニア 回帰 の上 ロジット 価値観。
ステップ 番号 二。
これ は a クラシック 状況 の a 二- 要素 リニア 回帰 モデル。
そして どうやって する 私たちは フィット これ に a データ 雲？
良い、 私たちは する これ と その ヘルプ の a 損失 関数。
のために 例、 私たちは 取る その 和 の 二乗 エラー、
そして それから 私たちは 見て のために その 最小 の これ 関数。
これ は その とても 有名な そして 標準 普通 四角 推定値
それ は その 結果 の 最小限に抑える 具体的には これ 損失 関数
与えられた による その 和 の 二乗 エラー。
第三に、 何か それ は 多分 少ない 知られている、
I だろう のように に 導入 コンセプト f 数学から
その 規範 の a ベクター それ は 実は ただ a 表現
の その 概念 の その 距離 の a 長さ の a ベクター。
さあ 見て で 三つ 例。
その 初め 1つ それ あなた 見る ここ で その 真ん中
は その クラシック 距離 それ あなた 全て 知る そして 使用。
これ は その ユークリッド 距離。
その 計算された による 取る その 正方形 の その 座標
そして それから 取る その 四角 根。
その ユニット 丸 として あなた 知る を表す 全て ポイント
それ 持っている a 距離 1つ、 から その 中心。
これ は その クラシック ユークリッド 規範。
私たちは できる 簡素化する これ 計算 による 単に 取る その 和 の 絶対 価値観。
それで その代わり の 取る a 四角 そして 取る a 四角 根、
私たちは 単に 和 その 絶対 価値観。
これ は と呼ばれる その L_1 規範。
そして 何 あなた 見る ここ、 これ ダイヤモンド は その 表現
の その ユニット 丸 の これ L_1 規範。
で 他の 言葉、 全て その ポイント ここ の上 これ ダイヤモンド 持っている 距離1 ,
もし あなた 測定 距離 と その L _1 規範。
ついに、 その それで- と呼ばれる 最大 規範 どこ あなた 続く に 簡素化する。
あなた ただ 取る その 大きい 価値 の その 二 絶対 価値観、 1個 そして 2倍 .
もし あなた 考える について 何 その ユニット 丸 は で これ 場合、
それ 意思 実は 振り向く の中へ a 四角。
これ 四角 は その ユニット 丸 のために その 最大 価値。
それで で まとめ、 私たちは できる 測定 距離 で 違う 方法 で 数学、
そして 何 あなた 見る ここ、 その ダイヤモンド、 その 実際の 丸 または 四角
は ユニット 円。
それで ポイント と 距離 1つ、 ただ 測定された と 三つ 違う 規範、
三つ 距離、
三つ 違う 概念 の 何 a 長さ は。
ついに、 さあ 組み合わせる すべて 私たちは 終わり それで 遠い。
それで 私たちは 始める と その ロジスティック 回帰 モデル。
私たちは 追加 その 損失 関数。
そして 今、 その代わり の 取る その 普通 平方損失 関数、
私たちは 追加 追加の 学期。
そして これ 学期 構成 基本的に の その L_1 規範 の その パラメータ。
あなた 見る それ 私たちは 追加 その 絶対 価値観、 ベータ_1 そして ベータ_2?
それで これ は その L_1 規範 の その パラメータ
それ 私たちは 追加 に その 損失 関数。
の コース、 これ は ただ 1つ 選択。
あなた できた また 四角 これら。
それから、 あなた だろう 得る 何 は と呼ばれる a リッジ 回帰
もし あなた 取る その 四角 の その パラメータ。
これ 初め 1つ ここ、
その トップ 1つ それ 私たちは は 行く に 続く に 使用
は と呼ばれる その ラッソ または L_1 回帰
なぜなら これ 学期 ここ は 単に その L_1ノルム の その ベータ、
の その パラメータ ベクター。
今、 全体、 何 これ 手段 は それ あなた 罰する その 損失 関数
のために 選択する 大きい ベータ 価値観。
そして これ は なぜ これ ペナルティ それ あなた 導入
リード に その 学期 罰せられる 損失 機能。
それで もし あなた 持っている a 罰、 ペナルティ のために 大きい ベータ ベクトル、
それから その代わり の やっている 普通 少しでも 正方形、
あなた する a 罰せられる 回帰。
今、 さあ 見て a 少し 少し より近い に その 効果 それ 罰する もっている。
それで これ は 一度 また その 罰せられる 損失 関数
と これ 追加 学期 ここ。
今、 その グラフ それ あなた 見る ここ
は 独立した の その それで- と呼ばれる チューニング パラメータ、 ラムダ。
その 大きい ラムダ は、 その もっと 重さ これ 学期 もっている、
そして その もっと それ 意思 力 その ベータ値 に なれ 小さい。
これ は なぜ あなた 見る それ その パラメータ 縮む。
そして これ は なぜ これ 全体 手順 は と呼ばれる 絶対 収縮。
第二に、 で これ グラフ、 あなた できる 考慮する これ エリア ここ、
これ ダイヤモンド として その 予算 それ あなた 持っている
のために その 和 の その 絶対 価値観 の ベータ。
そして の上 これら 省略記号、 その 残留 和 の 四角 は 絶え間ない。
それで あなたは 見ている のために その 最小 残留 和 の 四角
内で その 予算。
これ で その 場合 描かれた ここ リード に これ ポイント ここ。
そして 期限 に その 形 の これ ダイヤモンド、
これら 二 意思 通常 接続する で a コーナー の その ダイヤモンド。
そして 何 これ 手段 は それ その 対応する パラメータ
は セット 正確に に ゼロ。
そして これ は なぜ これ 方法 は また 良い のために 選択
なぜなら 設定 これ パラメータ ゼロ 手段 何もない それ以外
蹴るよりも それ 外 の その モデル。
それで これ は で まとめ なぜ 私たちは 電話 その L _1 回帰 投げ縄。
それ もっている a 収縮 要素 そして a 選択 要素
期限 に これら 二 説明された 特徴。
1つ 最後 実用的 側面 の ラッソ 回帰
は について その チューニング パラメータ、 これ ラムダ ここ。
どうやって する あなた 選ぶ それ？
良い、 1つ とても 一般 アプローチ は その 続く：
あなた 使用 a 検証 方法
のように のために 例、 赤池情報 基準、
そして あなた プロット その 依存 の その AIC の ラムダ。
そして それから あなた できる 選ぶ a ラムダ 価値
それ 与える あなた a 最小限 AIC。
の上 その 左 側、 あなた 見る どうやって その パラメータ 縮む
そして あなた できる 見る その 青 線 それ 対応する に その パラメータ
それ は 実は 非 ゼロ
その間 その 他の もの は すでに 強制された に なれ ゼロ。
私は まだ ない 確信している。
できる あなた 見せる 自分 a コンクリート 場合 勉強？
の コース。
だから データ それ 私は 行く に 現在 ここ
構成 の 739 重病 集中治療室 患者 と COVID-19（新型コロナウイルス感染症
それ だった 収集された で その 始まり の その パンデミック
間 行進 そして 10月 2020年。
私たちは 持っている 1つ バイナリ 応答
それ 構成 の その レベル 回復した そして死んだ、
そして 私たちは 持っている 43 要因:
研究室 価値観、 バイタルサイン、 事前 既存 条件、 等々。
これ は その データ それ 私たちは は 行く に 分析する 今。
それで ここ、 あなた 見る その データセット。
それ もっている 44 列、 として あなた できる 見る 下 ここ。
そして 739 患者。
今、 さあ 始める 慣れ親しむ a 少し 少し ここ と その データ。
私たちは 持っている これ 最後 知られている 状態、 回復した そして死んだ、
年齢、性別、 そして BMI。
そして それから 私たちは 持っている 追加 ベースライン 価値観、
合併症、 バイタルサイン、l 腹筋 価値観、 症状、 そして CT 結果。
さあ 見て で いくつかの 配布物。
それで これ は その 分布 の その 最後 知られている 状態。
それで あなた できる 見る それ 残念ながら 46パーセント の これら 患者 死亡した。
私たちは 見る ここ その 歪んだ 年 分布 と 一つの 強調 ここ その上 60.
そして あなた できる 見る それ だいたい 70パーセント の その 患者 は 男性。
持っている a 見て で その 追加 ベースライン 価値観。
あなた できる 見る ここ その 体 質量 索引、
そして あなた 意思 知らせ それ 私たちは 持っている a 傾向 の 高い 体 質量 索引
その上 25.
私たちは 持っている とても a 多く の エース そして で 阻害剤、
そして また の スタチン、 それで 治療 のために コレステロール
そして のために 血 プレッシャー そして いくつかの 免疫抑制剤。
次、 併存疾患。
あなた 見る それ ほとんど 3分の2 は 高血圧、
そして 私たちは 持っている とても a 重要な 額 の 心臓血管 病気、
の 肺 病気、
そして について 30パーセント の 私たちの 患者 持っている 糖尿病。
今、 のために その 残り 4つ グループ、 バイタルサイン、l 腹筋 価値観、 症状、 そして CT、
私は 行く に 見せる あなた 1つ 代表 から それぞれ
それで それ あなた できる 得る a フィーリング の どうやって これら 価値観 は 配布されました。
これ は その 呼吸器 レート。
これら は その 番号 の リンパ球。
それで これ は a 重要な パラメータ、 a 研究室 パラメータ。
ここ、 あなた 持っている a 症状、 厳しい 肝臓 失敗
それ できる 起こる の上 その 集中治療室。
そして これ は a CT 結果、
地域 の 統合 それ できる なれ 見た の上 その CT の その 肺。
わかった、 それで 今 私たちは は 準備ができて
そして 私たちは は 実は 行く に 分析する その モデル。
それで I 行く に 分析、F それM モデル。
I 取る その 最後 知られている 状態。
それは なぜ I 投げる で すべて それ以外 として 要素
そして I 行く に 一般的な 回帰
どれの は 行く に 実行する その ラッソ 回帰。
あなた できる 見る ここ それ その ラッソ 推定 方法
は すでに 事前に選択されています。
それで もし I クリック の上 行く、 その 手順 は すでに 終了した。
その とても 速い、 そして これ は その 結果。
これ は その スクリーンショット それ あなた 見た すでに の上 その スライド。
今、 私は ない 行く に 仕事 と これ モデル のために その 続く 理由。
もし I 行く ここ 上 に その モデルC 比較 セクション、
I 見る それ I 持っている 30 パラメータ で これ モデル。
それで これ モデル は まだ とても 大きい。
もし I 行く 戻る 下 ここ、
I できる 見る それ 私の AIC しない 変化 a 多く もし I 置く それ さらに遠く に その 左。
その代わり の やっている これ 手動で、 何 私は 行く に する
は 私は 行く に 変化 その 設定 の ジャンプ
それで それ それ しない 取る その 最高- フィット、 その 最小限 AIC、
しかし その代わり その 最小 内で その 黄色 ゾーン。
それで これ は 何か I できる する ここ で その モデル 打ち上げ。
それで I 取る その 上級C コントロール
そして I 変化 最高 フィット Sへ 最も小さい Yで 黄色のZ 1つ。
I クリック の上 行く。
そして 今、 実は I 持っている a とても ニース モデル と 16 パラメータ。
今、 これ は その モデル 私は 行く に 使用。
そして に なれ できる に 見せる あなた 何 要因 は で これ モデル、
私は ただ 行く に 選択 彼ら、 選択 ゼロ以外 条項。
今、 I 持っている これら 16 選択された、
そして I できる 置く 彼ら で a ロジスティック 回帰
そして 活性化 その オッズ 比率。
それで の上 その トップ、 私たちは 見る その 16 効果 で 私たちの モデル。
そして 下に、 私たちは できる 見る その オッズ 比率。
それで のために 例、 その オッズ 比率 の 年 は 1.07。
もし あなた 取る これ に その 力 10, それ 意思 与える あなた だいたい a 価値 の 二、
どれの 手段 それ と 10年 もっと、
だいたい、 約 あなたの オッズ 比率 ダブルス。
あなたの チャンス の 死にかけている は 2回 として 高い として 前に。
そして それから 下に ここ、
私たちは 持っている その オッズ 比率 のために その 教育的な 変数。
それで のために 例、
冠状 心臓血管 病気 もっている 一つの 奇数 比率 の 1.62。
今、 I だろう のように に ポイント 外 いくつかの の これら 結果。
それで さあ 初め 見て で 要因
それ は 良い- 知られている から その 一般的な 人口。
それで ここ、 あなた 見る その 依存 の その 最後 知られている 状態 対 年。
そして あなた できる 見る どうやって これ 増加 年
増加 あなたの チャンス の 死にかけている とても 大幅。
として I 言った 前に、 その オッズ 比率 の 10年 は だいたい ダブル。
の上 その 左 側、
あなた 見る 肺 病気 そして 心臓血管 病気
それ 両方 また 持っている a 重要な 効果 の上 その リスク の 死にかけている から COVID- 19.
そして これら 要因は また 有効 で その 一般的な 人口。
今、 もっと 興味深いことに、
私たちは 探す これら 三つ 要因 ない に なれ で 私たちの モデル。
それで 性別、 BMI、 そして 高血圧 は ない 一部 の 私たちの モデル。
それで どうやって は それ 可能？
良い、 その 致命的 に 覚えて
それ 私たちの 人口 構成 の 集中治療室 患者。
彼らは は すでに 批判的に 病気。
それで 私たちは 持っている 72パーセント の 男 患者、
私たちは 持っている ほとんど 80パーセント それ 持っている a BMI 以上 26,
そして 3分の2 は 高血圧。
それで これら 要因 意思 実は 非常に 増加 あなたの リスク
の 重要な 原因 の その COVID- 19 病気。
しかし 一度 あなた は 批判的に 病気、 で それ ポイント、 彼らは しない 案件 もう。
それで それ だった a とても 重要 結果 のために 私たち。
どれの 要因 運ぶ 以上 から その 一般的な 人口
そして どれの 要因 消える で 彼らの 重要性
一度 あなた は すでに 重病ですか？
ついに、 I だろう のように に ポイント 外 1つ もっと 側面 どれの は スタチン。
スタチン だった 全体的に 取るに足らない。
あなた 見る その P 価値 ここ の 25パーセント 一度 あなた 見た で 彼ら 一変量的に。
しかし で 私たちの マルチ 階乗 モデル、 彼らは だった 非常に 重要な。
そして として あなた できる 見る ここ、 その オッズ 比率 は 下に 1つ、
削減 その リスク の 死亡。
それで これ は a とても 重要 レッスン。
時々、 人々 選ぶ リスク 要因 初め で 大きい データセット
による 見ている で 彼ら 一変量的に。
そして もし あなた した それ、 あなた だろう と 保証
持っている 逃した スタチン、
なぜなら 一変量的に、 その 完全に 無関係です。
しかし で 私たちの 多因子 モデル、
私たちは できた 見せる それ スタチン 持っている a 保護的な 効果
に対して 死にかけている から COVID-19（新型コロナウイルス感染症 一度 あなた は 批判的に 病気。
これ 発見 もっている された 後で 確認済み による その他。
そして ただ として 一つの 例、
I 含まれる a メタ 分析 から 9月 21
それ 確かに 確認する それ スタチン 減らす その 死亡 の 患者
で a とても 大きい メタ 分析 と ほとんど 15万 患者。
もし あなたは 興味がある で もっと 詳細、
私たちは 出版された 私たちの 仕事 で その ジャーナル の 臨床 薬。
I だろう のように に 取る その 機会 に 感謝 私の 共著者、
で 特定の、 ステファン ボルグマン そしてマルティナ ノワク- 作る
から その クリニック で インゴルシュタット。
そして I だろう また のように に 感謝 あなた とても 多くの のために あなたの 注意、
そして 私は 見ている フォワード に あなたの 質問。
感謝 あなた とても 多くの。
