你好 每个人。
谢谢 为了 调音 在 到 我的 讲话。
我是 大卫 迈因特鲁普，
教授 在 因戈尔施塔特大学 的 应用 科学。
和 今天， I 将要 讲话 关于 A 套索R 出院 到 检测 R 风险 演员
为了 致命的 结果 在 危重病人 新冠肺炎 患者。
超过 这 最后的 二 年，
某物 开始 到 日益 打扰 我，
和 它 是 不是 什么 你 大概 思考 现在， p 流行性，
或者 在 至少 不是 仅有的。
这 话题 是 已连接 到 这。
这 是 我 给予 a 讲话 在 深的 学习 和 人造的 智力
在 这 发现 首脑 2019 在 这 精彩的 城市 的 哥本哈根。
和 自从 然后，
它 看起来 喜欢 人工智能 有 变得 这 普遍的 工具 为了 一切，
所以 让 我 给 你 一个 例子。
在 可能 2021年，
这 一般的 导演 的 这 世界 健康 组织
说 这 下列的：
“一 的 这 教训 的 新冠肺炎
是 那 这 世界 需求 a 重要的 飞跃 向前
在 数据 分析。
这 要求 利用 这 潜在的 的 先进的 技术
这样的 作为 人造的 智力。”
所以 到 我， 这 感觉 喜欢 a 少量， 忘记 关于 这 科学 方法
定义 这 目标， 指定 这 工具， 说明 这 假设， 和 等等，
只是 降低 这 魔法 单词 人造的 智力
和 你 是 在 这 好的 边。
所以 所以， I 决定 到 给 这 讲话 在 这 形式 的 a 对话
之间 一个 人工智能 爱好者 在 这 左边 边 和 a 统计学家 在 这 正确的 边。
和 我是 去 到 讲话 a 少量 更多的 具体来说 在 统计 模型，
人造的 智力， 和 受到处罚 回归。
和 然后 在 这 第二 部分 的 这 讲话， 我是 实际上 去 到 展示
案件 学习 关于 这 批判地 患病的 新冠肺炎 患者。
所以 让我们 得到 開始了。
这是 这 第一的 问题 从 我们的 人工智能 爱好者。
在 这 时代 的 人造的 智力 和 深的 学习，
WHO 需求 统计 回归 模型？
这是 我的 短的 回答 那 I 借来的 从 胡安 低的 任何，
副 总统 在 微软。
“什么时候 我们 增加 钱， 它是 人工智能， 什么时候 我们 聘请， 它是 机器 学习，
和 什么时候 我们 做 这 工作， 它是 物流 回归。”
所以 I 爱 这 鸣叫 因为 在 我的 观点 在 至少，
它 凝结 a 很多 的 真相 在 a 非常 短的 陈述。
人工智能 有 变得 a 普遍的 营销 工具。
但 为了 这 真实的 问题， 我们 仍然 使用 传统的 先进的 统计 方法。
A 小的 少量 更长 回答 可以 是 这 下列的。
如果 I 看 在 这 典型的 任务 的 工程师 和 科学家，
他们 包括 创新， 理解， 提升， 和 预测。
和 深的 学习 和 人造的 智力
是 主要 a 预言 工具。
为了 一切 别的，
我们 仍然 需要 先进的 统计 方法 喜欢 传统的 机器 学习，
统计 造型， 和 设计 的 实验。
好的， 但 你 有 到 承认
那 那里 是 非常 成功的 应用程序 的 人工智能 和 深的 学习。
出色地， 有 绝对地 不 怀疑 关于 那。
为了 例子，
预测 这 下一个 移动 在 a 游戏 喜欢 棋 和 去。
这 深的- 学习 算法 做 这 方式 更好的 比 任何 人类 存在。
或者 I 会 喜欢 到 介绍 我的 最喜欢的 人造的 智力 应用，
哪个 是 解决 这 蛋白质 折叠式的 问题。
这 蛋白质 折叠式的 问题 有 著名地 到过 介绍 1972
经过 这 诺贝尔 奖 优胜者， 基督教 安芬森
WHO 说 在 他的 验收 演讲
那 a 蛋白质的 氨基 酸 顺序 应该 完全 决定 它是 3D 结构。
和 超过 这 最后的 50 年， 这 问题 有 基本上 到过 未解。
和 那里 曾是 非常 小的 进步
直到 DeepMind 经过 谷歌 发达 一个 人工智能- 基于 算法 称为 AlphaF 老的
那 到 a 非常 大的 程度 已解决 这 蛋白质 折叠式的 问题。
和 你 看 二 示例 的 这 在 这 正确的 边。
这 是 非常 感人的 和 美丽的 工作。
和 I 包括 它 这里 因为 I 通缉 到 阐明
那 这 是 这 完美的 深的- 学习 人工智能 问题。
我们 有 a 广阔的 数量 的 数据，
我们 有 a 组合 爆炸 的 选项，
和 这 结果 我们 是 寻找 为了 是 a 预言，
这 实际的 3D 结构 的 这 蛋白质。
所以 为了 预测， 我们 应该 总是 使用 人工智能。
不是 在 全部。
为了 例子， 在 这 数据集 那 I 将要 展示
关于 这 批判地 患病的 新冠肺炎 患者，
我们 想 这 模型 到 预测 如果 这 病人 将要 存活 或者 将要 这。
但 这 纯的 预言 没有 真的 帮助。
如果 你 知道 某人 是 去 到 这， 什么 你 想 是 你 想 到 对待，
你 想 到 防止， 你 想 到 知道 这 风险 因素，
你 想 到 是 有能力的 到 行为
和 不是 只是 简单地 预测 死亡 或者 生存。
所以 什么 我们 需要 是 a 真的 可解释的 模型
那 将要 暗示 这些 事物 那 我们 需要
喜欢 治疗， 预防， 和 风险 因素。
其他 方式 的 寻找 在 它，
让我们 有 a 看 在 典型的 数据- 驱动 造型 策略。
什么 是 非常 通常 完毕 在 深的- 学习 人工智能 环境
是 那 你 拿 全部 可用的 数据，
你 扔 它 在 这 深的- 学习 人工智能 算法。
和 它 可能 预测 非常 出色地 这 结果 那 你是 寻找 为了，
但 你是 得到 a 完全 不可解释 模型。
什么是 一个 选择？
一个 选择 是 到 已经 在 这 数据 收藏 过程
思考 小心 什么 数据 做 你 需要 和 先进的 统计 方法。
然后 申请 a 统计 模型，
和 作为 a 结果， 你 得到 a 完全 可解释的 模型。
好的， 说 我们的 人工智能 爱好者，
但 你 是 丢失的 一个 重要的 观点 这里。
统计 模型 可能 是 好的 为了 小的 数据 套，
但 为了 大的 数据， 他们 不能 是 用过的， 正确的？
出色地， 不。
为了 大的 数据 套， 那里 是 一些 聪明的 方法
到 减少 这 维度
前 你 开始 和 这 配件 过程 的 这 模型。
和 I 会 喜欢 到 介绍， 在 至少 不久，
三 的 这些 聪明的 方法 到 减少 这 模型 维度。
数字 一， 冗余 分析， 某物 你 可能 有 听到 关于。
如果 你 有 a 大的 数据 放，
这 价格 你 支付 是 通常 那 这 因素 是 高度 相关
和 你 能 措施 这 数量 的 相关性 之内 这 放 的 因素
经过 这 价值 那 是 称为 方差 通货膨胀 因素。
和 然后 你 能 实际上 排除 这 因素
和 这 最高 方差 通货膨胀 因素。
为什么？
因为 他们 不 添加 额外的 信息
到 这 放 的 因素 那 你 是 已经 寻找 在。
所以 这 是 一 经典的 方式 的 减少 这 维度 的 你的 数据。
如果 你 有 分类 数据， 为了 例子，
你 看 在 一个 X- 射线 的 这 肺 和 你 能 看 不同的 症状。
然后 你 能 有 变量 那 描述，
这 症状 曾是 那里， 这 症状 曾是 那里，
或其他 症状 曾是 那里， X 1、 X 2、 X 3.
或许 为了 你的 分析，
它是 足够的 到 区分 一个正常的 寻找 肺
和 a 肺 那 有 一些 症状 某处。
在 其他 字， 你 转变 a 排 仅有的 和 零 到 a 零。
和 如果 有 在 至少 一 一， 你 改变 它 到 a 一，
和 你 创造 a 新的 多变的 捕捉 这 信息。
或者 到 给 你 一个 选择， 你 可以 和 X 1、 X 2、 和 X 3、
和 数数 这 数字 的 症状 那 你 看 在 一个 X- 射线。
这 程序 是 称为 得分
和 是 a 非常 高效的 方式 的 减少 维度。
主要的 成分 分析 有 确切地 这 相同的 精神。
它 重组 连续的 变量。
它 需要 a 线性 组合 的 连续的 变量
和 这 主意 的 捕捉 这 变化 在 一 新 创建 多变的。
I 称呼 这些 维度 减少 方法 聪明的，
因为 什么时候 你 申请 他们，
你 已经 学习 某物 关于 你的 数据。
和 那是 这 所有的 目的 的 统计数据， 不是 它？
学习 事物 从 你的 数据。
所以 让 我 总结 这 优点 的 统计 模型。
第一的， 他们 能 是 用过的 为了 全部 种类 的 任务，
不是 仅有的 为了 预测。
第二， 这 模型 本身 是 有用 和 完全 可解释的。
和 第三，
你 能 开始 在 a 大的 数据集 和 聪明的 维度 减少
前 你 实际上 合身 这 模型。
我是 仍然 不是 深信不疑。
能 你 给 我 一个 例子 的 a 统计 模型
那 你 应用 到 a 大的 数据集？
好的， 所以 让我们 介绍 物流 套索 回归。
套索 是 一个 缩写
为了 至少 绝对 收缩 和 选择 操作员，
和 为什么 它 是 称为 喜欢 那， I 将要 解释 在 a 很少 时刻。
让我们 介绍 这 套索 回归 在 四 步骤。
步 数字 一 是 到 提醒 我们自己 的 这 物流 回归 模型。
在 a 物流 回归 模型， 我们 有 a 分类的，
在 这 最容易 案件， 二- 等级 因素...
抱歉， 分类 回复 和 二 水平，
和 我们 有 a 目标 到 模型 这 发生 可能性 的 这 事件。
这 是 通常 完毕 和 这 S- 形状 功能
那 对应 到 这 可能性 的 这 事件 实际上 正在发生。
这 功能 学期 是 给定 这里 到 这 左边，
但 这 好的 消息 是 那
和 一个 简单的 转型 那 是 称为 逻辑回归 转型，
你 能 转动 这 原来的 价值观 进入 日志 它重视，
和 然后 这 结果 是 a 简单的 线性 回归
在 这 逻辑值。
所以 这 底部 线 是 物流 回归，
是 简单地 线性 回归 在 逻辑回归 值。
步 数字 二。
这 是 a 经典的 情况 的 a 二- 因素 线性 回归 模型。
和 如何 做 我们 合身 这 到 a 数据 云？
出色地， 我们 做 这 和 这 帮助 的 a 损失 功能。
为了 例子， 我们 拿 这 和 的 平方 错误，
和 然后 我们 看 为了 这 最低限度 的 这 功能。
这 是 这 非常 著名的 和 标准 普通的 正方形 估计器
那 是 这 结果 的 最小化 具体来说 这 损失 功能
给定 经过 这 和 的 平方 錯誤。
第三， 某物 那 是 或许 较少的 已知，
I 会 喜欢 到 介绍 概念 f 从数学
这 规范 的 a 向量 那 是 实际上 只是 a 表示
的 这 概念 的 这 距离 的 a 长度 的 a 向量。
让我们 看 在 三 例子。
这 第一的 一 那 你 看 这里 在 这 中间
是 这 经典的 距离 那 你 全部 知道 和 使用。
这 是 这 欧几里得 距离。
它是 计算 经过 服用 这 正方形 的 这 坐标
和 然后 服用 这 正方形 根。
这 单元 圆圈 作为 你 知道 代表 全部 点
那 有 a 距离 一， 从 这 中心。
这 是 这 经典的 欧几里得 规范。
我们 能 简化 这 计算 经过 简单地 服用 这 和 的 绝对 值。
所以 反而 的 服用 a 正方形 和 服用 a 正方形 根，
我们 简单地 和 这 绝对 值。
这 是 称为 这 L_1 规范。
和 什么 你 看 这里， 这 钻石 是 这 表示
的 这 单元 圆圈 的 这 L_1 规范。
在 其他 字， 全部 这 点 这里 在 这 钻石 有 距离一 ,
如果 你 措施 距离 和 这 L _1 规范。
最后， 这 所以- 称为 最大限度 规范 在哪里 你 继续 到 简化。
你 只是 拿 这 更大 价值 的 这 二 绝对 价值观， x1 和 x2 .
如果 你 思考 关于 什么 这 单元 圆圈 是 在 这 案件，
它 将要 实际上 转动 进入 a 正方形。
这 正方形 是 这 单元 圆圈 为了 这 最大限度 价值。
所以 在 概括， 我们 能 措施 距离 在 不同的 方法 在 数学，
和 什么 你 看 这里， 这 钻石， 这 实际的 圆圈 或者 正方形
是 单元 界。
所以 点 和 距离 一， 只是 测量 和 三 不同的 规范，
三 距离，
三 不同的 观念 的 什么 a 长度 是。
最后， 让我们 结合 一切 我们已经 完毕 所以 远的。
所以 我们 开始 和 这 物流 回归 模型。
我们 添加 这 损失 功能。
和 现在， 反而 的 服用 这 普通的 平方损失 功能，
我们 添加 额外的 学期。
和 这 学期 包括 基本上 的 这 L_1 规范 的 这 范围。
你 看 那 我们 添加 这 绝对 价值观， Beta_1 和 Beta_2？
所以 这 是 这 L_1 规范 的 这 参数
那 我们 添加 到 这 损失 功能。
的 课程， 这 是 只是 一 选择。
你 可以 还 正方形 这些。
然后， 你 会 得到 什么 是 称为 a 岭 回归
如果 你 拿 这 正方形 的 这 参数。
这 第一的 一 这里，
这 顶部 一 那 我们 是 去 到 继续 到 使用
是 称为 这 套索 或者 L_1 回归
因为 这 学期 这里 是 简单地 这 L_1范数 的 这 测试版，
的 这 范围 向量。
现在， 全面的， 什么 这 方法 是 那 你 惩治 这 损失 功能
为了 选择 大的 测试版 值。
和 这 是 为什么 这 惩罚 那 你 介绍
线索 到 这 学期 受到处罚 损失 功能。
所以 如果 你 有 a 惩罚， 惩罚 为了 大的 测试版 向量，
然后 反而 的 正在做 普通的 至少 正方形，
你 做 a 受到处罚 回归。
现在， 让我们 看 a 小的 少量 更近 到 这 影响 那 惩罚 有。
所以 这 是 一次 再次 这 受到处罚 损失 功能
和 这 额外的 学期 这里。
现在， 这 图形 那 你 看 这里
是 独立的 的 这 所以- 称为 调音 范围， 拉姆达。
这 更大 Lambda 是， 这 更多的 重量 这 学期 有，
和 这 更多的 它 将要 力量 这 Beta 值 到 是 小的。
这 是 为什么 你 看 那 这 参数 收缩。
和 这 是 为什么 这 所有的 程序 是 称为 绝对 收缩。
第二， 在 这 图形， 你 能 考虑 这 区域 这里，
这 钻石 作为 这 预算 那 你 有
为了 这 和 的 这 绝对 价值观 的 测试版。
和 在 这些 椭圆， 这 残差 和 的 正方形 是 持续的。
所以 你是 寻找 为了 这 最小 残差 和 的 正方形
之内 这 预算。
这 在 这 案件 绘制 这里 线索 到 这 观点 这里。
和 到期的 到 这 形状 的 这 钻石，
这些 二 将要 通常 连接 在 a 角落 的 这 钻石。
和 什么 这 方法 是 那 这 相应的 范围
是 放 恰恰 到 零。
和 这 是 为什么 这 方法 是 还 好的 为了 选择
因为 环境 这 范围 零 方法 没有什么 别的
比踢 它 出去 的 这 模型。
所以 这 是 在 概括 为什么 我们 称呼 这 L _1 回归 套索。
它 有 a 收缩 元素 和 a 选择 元素
到期的 到 这些 二 描述 特征。
一 最后的 实际的 方面 的 套索 回归
是 关于 这 调音 范围， 这 Lambda 这里。
如何 做 你 选择 它？
出色地， 一 非常 常见的 方法 是 这 下列的：
你 使用 a 验证 方法
喜欢 为了 例子， 赤池信息 标准，
和 你 阴谋 这 依赖 的 这 AIC 的 拉姆达。
和 然后 你 能 挑选 a Lambda 价值
那 给出 你 a 最小 AIC。
在 这 左边 边， 你 看 如何 这 参数 收缩
和 你 能 看 这 蓝色的 线条 那 对应 到 这 参数
那 是 实际上 非 零
尽管 这 其他 的 是 已经 被迫 到 是 零。
我是 仍然 不是 深信不疑。
能 你 展示 我 a 具体的 案件 学习？
的 课程。
所以 数据 那 我是 去 到 展示 这里
包括 的 739 病情危重 重症监护室 患者 和 新冠肺炎
那 曾是 集 在 这 开始 的 这 大流行
之间 行进 和 十月 2020年。
我们 有 一 二进制 回复
那 包括 的 这 级别 已恢复 死了，
和 我们 有 43 因素：
实验室 价值观， 命脉， 预 现存的 状况， 等等。
这 是 这 数据 那 我们 是 去 到 分析 现在。
所以 这里， 你 看 这 数据集。
它 有 四十四 列， 作为 你 能 看 向下 这里。
和 739 患者。
现在， 让我们 开始 熟悉 a 小的 少量 这里 和 这 数据。
我们 有 这 最后的 已知 地位， 已恢复 死了，
年龄、性别、 和 体重指数。
和 然后 我们 有 额外的 基线 价值观，
合并症， 生命体征，l ab 价值观， 症状， 和 CT 结果。
让我们 看 在 一些 分布。
所以 这 是 这 分配 的 这 最后的 已知 地位。
所以 你 能 看 那 很遗憾 46% 的 这些 患者 死了。
我们 看 这里 这 倾斜的 年龄 分配 和 一个 强调 这里 多于 60.
和 你 能 看 那 大致 70% 的 这 患者 是 男性。
有 a 看 在 这 额外的 基线 值。
你 能 看 这里 这 身体 大量的 指数，
和 你 将要 注意 那 我们 有 a 趋势 的 高 身体 大量的 指数
多于 25.
我们 有 相当 a 很多 的 高手 和 在 抑制剂，
和 还 的 他汀类药物， 所以 治疗 为了 胆固醇
和 为了 血 压力 和 一些 免疫抑制。
下一个， 合并症。
你 看 那 几乎 三分之二 是 高血压，
和 我们 有 相当 a 重要的 数量 的 心血管 疾病，
的 肺部 疾病，
和 关于 30% 的 我们的 患者 有 糖尿病。
现在， 为了 这 其余的 四 团体， 生命体征，l ab 价值观， 症状， 和 CT，
我是 去 到 展示 你 一 代表 从 每个
所以 那 你 能 得到 a 感觉 的 如何 这些 价值观 是 分布式。
这 是 这 呼吸 速度。
这些 是 这 数字 的 淋巴细胞。
所以 这 是 a 必不可少的 范围， a 实验室 范围。
这里， 你 有 a 症状， 严重 肝 失败
那 能 发生 在 这 重症监护室。
和 这 是 a CT 结果，
区域 的 合并 那 能 是 见过 在 这 CT 的 这 肺。
好的， 所以 现在 我们 是 准备好
和 我们 是 实际上 去 到 分析 这 模型。
所以 I 去 到 分析，F 它M 模型。
I 拿 这 最后的 已知 地位。
那是 为什么 I 扔 在 一切 别的 作为 因素
和 I 去 到 一般的 回归
哪个 是 去 到 履行 这 套索 回归。
你 能 看 这里 那 这 套索 估计 方法
是 已经 已预先选定。
所以 如果 I 点击 在 去， 这 程序 是 已经 完成的。
它是 非常 快速地， 和 这 是 这 结果。
这 是 这 截屏 那 你 锯 已经 在 这 滑动。
现在， 我是 不是 去 到 工作 和 这 模型 为了 这 下列的 原因。
如果 I 去 这里 向上 到 这 C 型 比较 部分，
I 看 那 I 有 三十 参数 在 这 模型。
所以 这 模型 是 仍然 非常 大的。
如果 I 去 后退 向下 这里，
I 能 看 那 我的 AIC 没有 改变 a 很多 如果 I 放 它 更远 到 这 左边。
反而 的 正在做 这 手动， 什么 我是 去 到 做
是 我是 去 到 改变 这 设置 的 跳转
所以 那 它 没有 拿 这 最好的- 合身， 这 最小 AIC，
但 反而 这 最小 之内 这 黄色的 区。
所以 这 是 某物 I 能 做 这里 在 这 模型 发射。
所以 I 拿 这 高级 C 控制
和 I 改变 最好的 合身 到 S 最马勒斯特 在Y 黄色Z 一。
I 点击 在 去。
和 现在， 实际上 I 有 a 非常 好的 模型 和 16 参数。
现在， 这 是 这 模型 我是 去 到 使用。
和 到 是 有能力的 到 展示 你 什么 因素 是 在 这 模型，
我是 只是 去 到 选择 他们， 选择 非零 条款。
现在， I 有 这些 16 选定，
和 I 能 放 他们 在 a 物流 回归
和 激活 这 赔率 比率。
所以 在 这 顶部， 我们 看 这 16 效果 在 我们的 模型。
和 以下， 我们 能 看 这 赔率 比率。
所以 为了 例子， 这 赔率 比率 的 年龄 是 1.07。
如果 你 拿 这 到 这 力量 10， 它 将要 给 你 大致 a 价值 的 二，
哪个 方法 那 和 10年 更多的，
大致， 大约 你的 赔率 比率 双打。
你的 机会 的 死亡 是 两次 作为 高的 作为 前。
和 然后 以下 这里，
我们 有 这 赔率 比率 为了 这 教学 变量。
所以 为了 例子，
冠状动脉 心血管 疾病 有 一个 奇怪的 比率 的 1.62。
现在， I 会 喜欢 到 观点 出去 一些 的 这些 结果。
所以 让我们 第一的 看 在 因素
那 是 出色地- 已知 从 这 一般的 人口。
所以 这里， 你 看 这 依赖 的 这 最后的 已知 地位 相对 年龄。
和 你 能 看 如何 这 增加 年龄
增加 你的 机会 的 死亡 非常 显著地。
作为 I 说 前， 这 赔率 比率 的 10年 是 大致 双倍的。
在 这 左边 边，
你 看 肺部 疾病 和 心血管 疾病
那 两个都 还 有 a 重要的 影响 在 这 风险 的 死亡 从 冠状病毒- 19.
和 这些 因素包括 还 有效的 在 这 一般的 人口。
现在， 更多的 有趣的是，
我们 寻找 这些 三 因素 不是 到 是 在 我们的 模型。
所以 性别， 体重指数， 和 高血压 是 不是 部分 的 我们的 模型。
所以 如何 是 那 可能的？
出色地， 它是 批判的 到 记住
那 我们的 人口 包括 的 重症监护室 患者。
他们 是 已经 批判地 患病的。
所以 我们 有 72% 的 男性 患者，
我们 有 几乎 80% 那 有 a 体重指数 超过 26岁，
和 三分之二 是 高血压。
所以 这些 因素 将要 实际上 高度 增加 你的 风险
的 一个关键的 原因 的 这 冠状病毒- 19 疾病。
但 一次 你 是 批判地 患病的， 在 那 观点， 他们 不 事情 不再。
所以 那 曾是 a 非常 重要的 结果 为了 我们。
哪个 因素 携带 超过 从 这 一般的 人口
和 哪个 因素 消失 在 他们的 重要性
一次 你 是 已经 病危？
最后， I 会 喜欢 到 观点 出去 一 更多的 方面 哪个 是 他汀类药物。
他汀类药物 是 完全 微不足道。
你 看 这 P 价值 这里 的 25% 一次 你 看了 在 他们 单变量地。
但 在 我们的 多 阶乘 模型， 他们 是 高度 重要的。
和 作为 你 能 看 这里， 这 赔率 比率 是 以下 一，
减少 这 风险 的 死亡。
所以 这 是 a 非常 重要的 课。
有时， 人们 选择 风险 因素 第一的 在 大的 数据集
经过 寻找 在 他们 单变量地。
和 如果 你 做过 那， 你 会 和 保证
有 错过 他汀类药物，
因为 单变量地， 它是 完全地 不相關。
但 在 我们的 多因素 模型，
我们 可以 展示 那 他汀类药物 有 a 保护的 影响
反对 死亡 从 新冠肺炎 一次 你 是 批判地 患病的。
这 发现 有 到过 之后 确认的 经过 其他的。
和 只是 作为 一个 例子，
I 包括 a 元 分析 从 九月 21
那 的确 确认 那 他汀类药物 减少 这 死亡 的 患者
在 a 非常 大的 元 分析 和 几乎 15万 患者。
如果 你是 感兴趣的 在 更多的 细节，
我们 已发布 我们的 工作 在 这 杂志 的 临床 药品。
I 会 喜欢 到 拿 这 机会 到 感谢 我的 合著者，
在 特别的， 斯蒂芬 博格曼 和玛蒂娜 诺瓦克- 制作
从 这 诊所 在 因戈尔施塔特。
和 I 会 还 喜欢 到 感谢 你 非常 很多 为了 你的 注意力，
和 我是 寻找 向前 到 你的 问题。
感谢 你 非常 很多。
