你好 每個人。
謝謝 為了 調音 在 到 我的 講話。
我是 大衛 邁因特魯普，
教授 在 因戈爾施塔特大學 的 應用 科學。
和 今天， I 將要 演講 關於 A 套索R 出院 到 檢測 R 風險 演員
為了 致命的 結果 在 重症病人 新冠肺炎 患者。
超過 這 最後的 二 年，
某物 開始 到 日益 打擾 我，
和 它 是 不是 什麼 你 大概 思考 現在， p 流行性，
或者 在 至少 不是 僅有的。
這 話題 是 已連接 到 這。
這 是 我 給予 a 演講 在 深的 學習 和 人造的 智力
在 這 發現 首腦 2019 在 這 精彩的 城市 的 哥本哈根。
和 自從 然後，
它 看起來 喜歡 人工智慧 有 變得 這 普遍的 工具 為了 一切，
所以 讓 我 給 你 一個 例子。
在 可能 2021年，
這 一般的 導演 的 這 世界 健康 組織
說 這 下列的：
「一 的 這 教訓 的 新冠肺炎
是 那 這 世界 需求 a 重要的 飛躍 向前
在 數據 分析。
這 要求 利用 這 潛在的 的 先進的 科技
這樣的 作為 人造的 智力。 」
所以 到 我， 這 感覺 喜歡 a 位元, 忘記 關於 這 科學 方法
定義 這 目標， 指定 這 工具， 說明 這 假設， 和 等等，
只是 降低 這 魔法 單字 人造的 智力
和 你 是 在 這 好的 邊。
所以 所以， I 決定 到 給 這 演講 在 這 形式 的 a 對話
之間 一個 人工智慧 愛好者 在 這 左邊 邊 和 a 統計學家 在 這 正確的 邊。
和 我是 去 到 演講 a 位元 更多的 具體來說 在 統計 模型，
人造的 智力， 和 受到處罰 回歸。
和 然後 在 這 第二 部分 的 這 講話， 我是 實際上 去 到 展示
案件 學習 關於 這 批判地 患病的 新冠肺炎 患者。
所以 讓我們 得到 開始了。
這是 這 第一的 問題 從 我們的 人工智慧 愛好者。
在 這 時代 的 人造的 智力 和 深的 學習，
世界衛生組織 需求 統計 回歸 模型？
這是 我的 短的 回答 那 I 借來的 從 胡安 低的 任何，
副 總統 在 微軟。
「什麼時候 我們 增加 錢， 它是 人工智慧, 什麼時候 我們 聘請， 它是 機器 學習，
和 什麼時候 我們 做 這 工作， 它是 物流 回歸。 」
所以 I 愛 這 鳴叫 因為 在 我的 觀點 在 至少，
它 凝結 a 很多 的 真相 在 a 非常 短的 陳述。
人工智慧 有 變得 a 普遍的 行銷 工具。
但 為了 這 真實的 問題， 我們 仍然 使用 傳統的 先進的 統計 方法。
A 小的 位元 更長 回答 可以 是 這 下列的。
如果 I 看 在 這 典型的 任務 的 工程師 和 科學家，
他們 包括 創新， 理解， 提升， 和 預測。
和 深的 學習 和 人造的 智力
是 主要 a 預言 工具。
為了 一切 別的，
我們 仍然 需要 先進的 統計 方法 喜歡 傳統的 機器 學習，
統計 造型， 和 設計 的 實驗。
好的， 但 你 有 到 承認
那 那裡 是 非常 成功的 應用程式 的 人工智慧 和 深的 學習。
出色地， 有 絕對地 不 懷疑 關於 那。
為了 例子，
預測 這 下一個 移動 在 a 遊戲 喜歡 棋 和 去。
這 深的- 學習 演算法 做 這 方式 更好的 比 任何 人類 存在。
或者 I 會 喜歡 到 介紹 我的 最喜歡的 人造的 智力 應用，
哪個 是 解決 這 蛋白質 折疊式的 問題。
這 蛋白質 折疊式的 問題 有 著名地 到過 介紹 1972
經過 這 諾貝爾 獎 優勝者， 基督教 安芬森
世界衛生組織 說 在 他的 驗收 演講
那 a 蛋白質的 氨基 酸 順序 應該 完全 決定 它是 3D 結構。
和 超過 這 最後的 50 年， 這 問題 有 基本上 到過 未解。
和 那裡 曾是 非常 小的 進步
直到 DeepMind 經過 Google 發達 一個 人工智慧- 基於 演算法 稱為 AlphaF 老的
那 到 a 非常 大的 程度 已解決 這 蛋白質 折疊式的 問題。
和 你 看 二 範例 的 這 在 這 正確的 邊。
這 是 非常 感人的 和 美麗的 工作。
和 I 包括 它 這裡 因為 I 通緝 到 闡明
那 這 是 這 完美的 深的- 學習 人工智慧 問題。
我們 有 a 廣闊的 數量 的 數據，
我們 有 a 組合 霹靂 的 選項，
和 這 結果 我們 是 尋找 為了 是 a 預言，
這 實際的 3D 結構 的 這 蛋白質。
所以 為了 預測， 我們 應該 總是 使用 人工智慧.
不是 在 全部。
為了 例子， 在 這 數據集 那 I 將要 展示
關於 這 批判地 患病的 新冠肺炎 患者，
我們 想 這 模型 到 預測 如果 這 病人 將要 存活 或者 將要 這。
但 這 純的 預言 沒有 真的 幫助。
如果 你 知道 某人 是 去 到 這， 什麼 你 想 是 你 想 到 對待，
你 想 到 防止， 你 想 到 知道 這 風險 因素，
你 想 到 是 有能力的 到 行為
和 不是 只是 簡單地 預測 死亡 或者 生存。
所以 什麼 我們 需要 是 a 真的 可解釋的 模型
那 將要 暗示 這些 事物 那 我們 需要
喜歡 治療， 預防， 和 風險 因素。
其他 方式 的 尋找 在 它，
讓我們 有 a 看 在 典型的 數據- 驅動 造型 策略。
什麼 是 非常 通常 完畢 在 深的- 學習 人工智慧 環境
是 那 你 拿 全部 可用的 數據，
你 丟 它 在 這 深的- 學習 人工智慧 演算法.
和 它 可能 預測 非常 出色地 這 結果 那 你是 尋找 為了，
但 你是 得到 a 完全 不可解釋 模型。
什麼是 一個 選擇？
一個 選擇 是 到 已經 在 這 數據 收藏 流程
思考 小心 什麼 數據 做 你 需要 和 先進的 統計 方法。
然後 申請 a 統計 模型，
和 作為 a 結果， 你 得到 a 完全 可解釋的 模型。
好的， 說 我們的 人工智慧 愛好者，
但 你 是 遺失的 一個 重要的 觀點 這裡。
統計 模型 可能 是 好的 為了 小的 數據 套，
但 為了 大的 數據， 他們 不能 是 用過的， 正確的？
出色地， 不。
為了 大的 數據 套， 那裡 是 一些 聰明的 方法
到 減少 這 維度
前 你 開始 和 這 配件 流程 的 這 模型。
和 I 會 喜歡 到 介紹， 在 至少 不久，
三 的 這些 聰明的 方法 到 減少 這 模型 維度。
數位 一， 冗餘 分析， 某物 你 可能 有 聽到 關於。
如果 你 有 a 大的 數據 放，
這 價格 你 支付 是 通常 那 這 因素 是 高度 相關
和 你 能 措施 這 數量 的 相關性 之內 這 放 的 因素
經過 這 價值 那 是 稱為 變異數 通貨膨脹 因素。
和 然後 你 能 實際上 排除 這 因素
和 這 最高 變異數 通貨膨脹 因素。
為什麼？
因為 他們 不 添加 額外的 資訊
到 這 放 的 因素 那 你 是 已經 尋找 在。
所以 這 是 一 經典的 方式 的 減少 這 維度 的 你的 數據。
如果 你 有 分類 數據， 為了 例子，
你 看 在 一個 X- 射線 的 這 肺 和 你 能 看 不同的 症狀。
然後 你 能 有 變數 那 描述，
這 症狀 曾是 那裡， 這 症狀 曾是 那裡，
或其他 症狀 曾是 那裡， X 1、 X 2、 X 3.
或許 為了 你的 分析，
它是 足夠的 到 區分 一個正常的 尋找 肺
和 a 肺 那 有 一些 症狀 某處。
在 其他 字， 你 轉變 a 排 僅有的 和 零 到 a 零。
和 如果 有 在 至少 一 一， 你 改變 它 到 a 一，
和 你 創造 a 新的 多變的 捕捉 這 資訊.
或者 到 給 你 一個 選擇， 你 可以 和 X 1、 X 2、 和 X 3、
和 數數 這 數位 的 症狀 那 你 看 在 一個 X- 射線。
這 程式 是 稱為 得分
和 是 a 非常 高效率的 方式 的 減少 維度。
主要的 成分 分析 有 確切地 這 相同的 精神。
它 重組 連續的 變數。
它 需要 a 線性 組合 的 連續的 變數
和 這 主意 的 捕捉 這 變化 在 一 新 創建 多變的。
I 稱呼 這些 維度 減少 方法 聰明的，
因為 什麼時候 你 申請 他們，
你 已經 學習 某物 關於 你的 數據。
和 那是 這 所有的 目的 的 統計數據， 不是 它？
學習 事物 從 你的 數據。
所以 讓 我 總結 這 優點 的 統計 模型。
第一的， 他們 能 是 用過的 為了 全部 種類 的 任務，
不是 僅有的 為了 預測。
第二， 這 模型 本身 是 有用 和 完全 可解釋的。
和 第三，
你 能 開始 在 a 大的 數據集 和 聰明的 維度 減少
前 你 實際上 合身 這 模型。
我是 仍然 不是 深信不疑。
能 你 給 我 一個 例子 的 a 統計 模型
那 你 應用 到 a 大的 數據集？
好的， 所以 讓我們 介紹 物流 套索 回歸。
套索 是 一個 縮寫
為了 至少 絕對 收縮 和 選擇 操作員，
和 為什麼 它 是 稱為 喜歡 那， I 將要 解釋 在 a 很少 時刻。
讓我們 介紹 這 套索 回歸 在 四 步驟。
步 數位 一 是 到 提醒 我們自己 的 這 物流 回歸 模型。
在 a 物流 回歸 模型， 我們 有 a 分類的，
在 這 最容易 案件， 二- 等級 因素...
抱歉， 分類 回覆 和 二 水平，
和 我們 有 a 目標 到 模型 這 發生 可能性 的 這 事件。
這 是 通常 完畢 和 這 S- 形狀 功能
那 對應 到 這 可能性 的 這 事件 實際上 正在發生。
這 功能 學期 是 給定 這裡 到 這 左邊，
但 這 好的 訊息 是 那
和 一個 簡單的 轉型 那 是 稱為 邏輯迴歸 轉型，
你 能 轉動 這 原來的 價值觀 進入 紀錄 它重視，
和 然後 這 結果 是 a 簡單的 線性 回歸
在 這 邏輯值。
所以 這 底部 線 是 物流 回歸，
是 簡單地 線性 回歸 在 邏輯迴歸 值。
步 數位 二。
這 是 a 經典的 情況 的 a 二- 因素 線性 回歸 模型。
和 如何 做 我們 合身 這 到 a 數據 雲？
出色地， 我們 做 這 和 這 幫助 的 a 損失 功能。
為了 例子， 我們 拿 這 和 的 平方 錯誤，
和 然後 我們 看 為了 這 最低限度 的 這 功能。
這 是 這 非常 著名的 和 標準 普通的 方塊 估計器
那 是 這 結果 的 最小化 具體來說 這 損失 功能
給定 經過 這 和 的 平方 錯誤。
第三， 某物 那 是 或許 較少的 已知，
I 會 喜歡 到 介紹 概念 f 從數學
這 規範 的 a 向量 那 是 實際上 只是 a 表示
的 這 概念 的 這 距離 的 a 長度 的 a 向量。
讓我們 看 在 三 例子。
這 第一的 一 那 你 看 這裡 在 這 中間
是 這 經典的 距離 那 你 全部 知道 和 使用。
這 是 這 歐幾裡得 距離。
它是 計算 經過 服用 這 方塊 的 這 座標
和 然後 服用 這 方塊 根。
這 單元 圓圈 作為 你 知道 代表 全部 點
那 有 a 距離 一， 從 這 中心。
這 是 這 經典的 歐幾裡得 規範。
我們 能 簡化 這 計算 經過 簡單地 服用 這 和 的 絕對 值。
所以 反而 的 服用 a 方塊 和 服用 a 方塊 根，
我們 簡單地 和 這 絕對 值。
這 是 稱為 這 L_1 規範。
和 什麼 你 看 這裡， 這 鑽石 是 這 表示
的 這 單元 圓圈 的 這 L_1 規範。
在 其他 字， 全部 這 點 這裡 在 這 鑽石 有 距離一 ,
如果 你 措施 距離 和 這 L _1 規範。
最後， 這 所以- 稱為 最大限度 規範 在哪裡 你 繼續 到 簡化。
你 只是 拿 這 更大 價值 的 這 二 絕對 價值觀， x1 和 x2 .
如果 你 思考 關於 什麼 這 單元 圓圈 是 在 這 案件，
它 將要 實際上 轉動 進入 a 正方形。
這 方塊 是 這 單元 圓圈 為了 這 最大限度 價值。
所以 在 概括， 我們 能 措施 距離 在 不同的 方法 在 數學，
和 什麼 你 看 這裡， 這 鑽石， 這 實際的 圓圈 或者 方塊
是 單元 界。
所以 點 和 距離 一， 只是 測量 和 三 不同的 規範，
三 距離，
三 不同的 觀念 的 什麼 a 長度 是。
最後， 讓我們 結合 一切 我們已經 完畢 所以 遠的。
所以 我們 開始 和 這 物流 回歸 模型。
我們 添加 這 損失 功能。
和 現在， 反而 的 服用 這 普通的 平方損失 功能，
我們 添加 額外的 學期。
和 這 學期 包括 基本上 的 這 L_1 規範 的 這 範圍。
你 看 那 我們 添加 這 絕對 價值觀， Beta_1 和 Beta_2？
所以 這 是 這 L_1 規範 的 這 參數
那 我們 添加 到 這 損失 功能。
的 課程， 這 是 只是 一 選擇。
你 可以 也 方塊 這些。
然後， 你 會 得到 什麼 是 稱為 a 嶺 回歸
如果 你 拿 這 方塊 的 這 參數。
這 第一的 一 這裡，
這 頂部 一 那 我們 是 去 到 繼續 到 使用
是 稱為 這 套索 或者 L_1 回歸
因為 這 學期 這裡 是 簡單地 這 L_1範數 的 這 測試版，
的 這 範圍 向量。
現在， 全面的， 什麼 這 方法 是 那 你 懲治 這 損失 功能
為了 選擇 大的 測試版 值。
和 這 是 為什麼 這 懲罰 那 你 介紹
線索 到 這 學期 受到處罰 損失 功能。
所以 如果 你 有 a 懲罰， 懲罰 為了 大的 測試版 向量，
然後 反而 的 正在做 普通的 至少 正方形，
你 做 a 受到處罰 回歸。
現在， 讓我們 看 a 小的 位元 更近 到 這 影響 那 懲罰 有。
所以 這 是 一次 再次 這 受到處罰 損失 功能
和 這 額外的 學期 這裡。
現在， 這 圖形 那 你 看 這裡
是 獨立的 的 這 所以- 稱為 調音 範圍， 拉姆達。
這 更大 Lambda 是， 這 更多的 重量 這 學期 有，
和 這 更多的 它 將要 力量 這 Beta 值 到 是 小的。
這 是 為什麼 你 看 那 這 參數 收縮。
和 這 是 為什麼 這 所有的 程式 是 稱為 絕對 收縮。
第二， 在 這 圖形， 你 能 考慮 這 區域 這裡，
這 鑽石 作為 這 預算 那 你 有
為了 這 和 的 這 絕對 價值觀 的 測試版。
和 在 這些 橢圓， 這 殘差 和 的 方塊 是 持續的。
所以 你是 尋找 為了 這 最小 殘差 和 的 方塊
之內 這 預算。
這 在 這 案件 繪製 這裡 線索 到 這 觀點 這裡。
和 到期的 到 這 形狀 的 這 鑽石，
這些 二 將要 通常 連接 在 a 角落 的 這 鑽石。
和 什麼 這 方法 是 那 這 相應的 範圍
是 放 恰恰 到 零。
和 這 是 為什麼 這 方法 是 也 好的 為了 選擇
因為 環境 這 範圍 零 方法 沒有什麼 別的
比踢 它 出去 的 這 模型。
所以 這 是 在 概括 為什麼 我們 稱呼 這 L _1 回歸 套索。
它 有 a 收縮 元素 和 a 選擇 元素
到期的 到 這些 二 描述 特徵。
一 最後的 實際的 方面 的 套索 回歸
是 關於 這 調音 範圍， 這 Lambda 這裡。
如何 做 你 選擇 它？
出色地， 一 非常 常見的 方法 是 這 下列的：
你 使用 a 驗證 方法
喜歡 為了 例子， 赤池資訊 標準，
和 你 陰謀 這 依賴 的 這 AIC 的 拉姆達。
和 然後 你 能 挑選 a Lambda 價值
那 給出 你 a 最小 AIC。
在 這 左邊 邊， 你 看 如何 這 參數 收縮
和 你 能 看 這 藍色的 線條 那 對應 到 這 參數
那 是 實際上 非 零
儘管 這 其他 的 是 已經 被迫 到 是 零。
我是 仍然 不是 深信不疑。
能 你 展示 我 a 具體的 案件 學習？
的 課程。
所以 數據 那 我是 去 到 展示 這裡
包括 的 739 病情危急 重症監護室 患者 和 新冠肺炎
那 曾是 集 在 這 開始 的 這 大流行
之間 行進 和 十月 2020年。
我們 有 一 二進位 回覆
那 包括 的 這 等級 已恢復 死了，
和 我們 有 43 因素：
實驗室 價值觀， 命脈， 預 現存的 狀況， 等等。
這 是 這 數據 那 我們 是 去 到 分析 現在。
所以 這裡， 你 看 這 數據集。
它 有 四十四 列， 作為 你 能 看 向下 這裡。
和 739 患者。
現在， 讓我們 開始 熟悉 a 小的 位元 這裡 和 這 數據。
我們 有 這 最後的 已知 地位， 已恢復 死了，
年齡、性別、 和 體重指數。
和 然後 我們 有 額外的 基線 價值觀，
合併症， 生命體徵，l ab 價值觀， 症狀， 和 CT 結果。
讓我們 看 在 一些 分佈。
所以 這 是 這 分配 的 這 最後的 已知 地位。
所以 你 能 看 那 很遺憾 46% 的 這些 患者 死了。
我們 看 這裡 這 傾斜的 年齡 分配 和 一個 強調 這裡 多於 60.
和 你 能 看 那 大致 70% 的 這 患者 是 男性。
有 a 看 在 這 額外的 基線 值。
你 能 看 這裡 這 身體 大量的 指數，
和 你 將要 注意 那 我們 有 a 趨勢 的 高 身體 大量的 指數
多於 25.
我們 有 相當 a 很多 的 高手 和 在 抑制劑，
和 也 的 他汀類藥物， 所以 治療 為了 膽固醇
和 為了 血 壓力 和 一些 免疫抑制。
下一個， 合併症。
你 看 那 幾乎 三分之二 是 高血壓，
和 我們 有 相當 a 重要的 數量 的 心血管 疾病,
的 肺部 疾病,
和 關於 30% 的 我們的 患者 有 糖尿病。
現在， 為了 這 其餘的 四 團體， 生命體徵，l ab 價值觀， 症狀， 和 CT，
我是 去 到 展示 你 一 代表 從 每個
所以 那 你 能 得到 a 感覺 的 如何 這些 價值觀 是 分佈式。
這 是 這 呼吸 速度。
這些 是 這 數位 的 淋巴細胞。
所以 這 是 a 必不可少的 範圍， a 實驗室 範圍。
這裡， 你 有 a 症狀， 劇烈 肝 失敗
那 能 發生 在 這 重症監護室。
和 這 是 a CT 結果，
區域 的 合併 那 能 是 見過 在 這 CT 的 這 肺.
好的， 所以 現在 我們 是 準備好
和 我們 是 實際上 去 到 分析 這 模型。
所以 I 去 到 分析，F 它M 模型。
I 拿 這 最後的 已知 地位。
那是 為什麼 I 丟 在 一切 別的 作為 因素
和 I 去 到 一般的 回歸
哪個 是 去 到 執行 這 套索 回歸。
你 能 看 這裡 那 這 套索 估計 方法
是 已經 已預先選定。
所以 如果 I 點選 在 去， 這 程式 是 已經 完成的。
它是 非常 快速地， 和 這 是 這 結果。
這 是 這 螢幕截圖 那 你 鋸 已經 在 這 滑動。
現在， 我是 不是 去 到 工作 和 這 模型 為了 這 下列的 原因。
如果 I 去 這裡 向上 到 這 C 型 比較 部分，
I 看 那 I 有 三十 參數 在 這 模型。
所以 這 模型 是 仍然 非常 大的。
如果 I 去 後退 向下 這裡，
I 能 看 那 我的 AIC 沒有 改變 a 很多 如果 I 放 它 更遠 到 這 左邊。
反而 的 正在做 這 手動， 什麼 我是 去 到 做
是 我是 去 到 改變 這 設定 的 跳轉
所以 那 它 沒有 拿 這 最好的- 合身， 這 最小 AIC，
但 反而 這 最小 之內 這 黃色的 區。
所以 這 是 某物 I 能 做 這裡 在 這 模型 發射。
所以 I 拿 這 高級 C 控制
和 I 改變 最好的 合身 到 S 最馬勒斯特 在Y 黃色Z 一。
I 點選 在 去。
和 現在， 實際上 I 有 a 非常 好的 模型 和 16 參數。
現在， 這 是 這 模型 我是 去 到 使用。
和 到 是 有能力的 到 展示 你 什麼 因素 是 在 這 模型，
我是 只是 去 到 選擇 他們， 選擇 非零 條款。
現在， I 有 這些 16 選定，
和 I 能 放 他們 在 a 物流 回歸
和 啟用設定 這 賠率 比率。
所以 在 這 頂部， 我們 看 這 16 效果 在 我們的 模型。
和 以下， 我們 能 看 這 賠率 比率。
所以 為了 例子， 這 賠率 比率 的 年齡 是 1.07。
如果 你 拿 這 到 這 力量 10， 它 將要 給 你 大致 a 價值 的 二，
哪個 方法 那 和 10年 更多的，
大致， 大約 你的 賠率 比率 雙打。
你的 機會 的 死亡 是 兩次 作為 高的 作為 前。
和 然後 以下 這裡，
我們 有 這 賠率 比率 為了 這 教學 變數。
所以 為了 例子，
冠狀動脈 心血管 疾病 有 一個 奇怪的 比率 的 1.62。
現在， I 會 喜歡 到 觀點 出去 一些 的 這些 結果。
所以 讓我們 第一的 看 在 因素
那 是 出色地- 已知 從 這 一般的 人口。
所以 這裡， 你 看 這 依賴 的 這 最後的 已知 地位 相對 年齡。
和 你 能 看 如何 這 增加 年齡
增加 你的 機會 的 死亡 非常 顯著地。
作為 I 說 前， 這 賠率 比率 的 10年 是 大致 雙倍的。
在 這 左邊 邊，
你 看 肺部 疾病 和 心血管 疾病
那 兩個都 也 有 a 重要的 影響 在 這 風險 的 死亡 從 冠狀病毒- 19.
和 這些 因素包括 也 有效的 在 這 一般的 人口。
現在， 更多的 有趣的是，
我們 尋找 這些 三 因素 不是 到 是 在 我們的 模型。
所以 性別， 體重指數， 和 高血壓 是 不是 部分 的 我們的 模型。
所以 如何 是 那 可能的？
出色地， 它是 批判的 到 記住
那 我們的 人口 包括 的 重症監護室 患者。
他們 是 已經 批判地 患病的。
所以 我們 有 72% 的 男性 患者，
我們 有 幾乎 80% 那 有 a 體重指數 超過 26歲，
和 三分之二 是 高血壓。
所以 這些 因素 將要 實際上 高度 增加 你的 風險
的 一個關鍵的 原因 的 這 冠狀病毒- 19 疾病.
但 一次 你 是 批判地 患病的， 在 那 觀點， 他們 不 事 不再。
所以 那 曾是 a 非常 重要的 結果 為了 我們。
哪個 因素 攜帶 超過 從 這 一般的 人口
和 哪個 因素 消失 在 他們的 重要性
一次 你 是 已經 病危？
最後， I 會 喜歡 到 觀點 出去 一 更多的 方面 哪個 是 他汀類藥物。
他汀類藥物 是 完全 微不足道。
你 看 這 P 價值 這裡 的 25% 一次 你 看了 在 他們 單變量地。
但 在 我們的 多 階乘 模型， 他們 是 高度 重要的。
和 作為 你 能 看 這裡， 這 賠率 比率 是 以下 一，
減少 這 風險 的 死亡。
所以 這 是 a 非常 重要的 課。
有時， 人們 選擇 風險 因素 第一的 在 大的 數據集
經過 尋找 在 他們 單變量地。
和 如果 你 做過 那， 你 會 和 保證
有 錯過 他汀類藥物，
因為 單變量地， 它是 完全地 不相關。
但 在 我們的 多因素 模型，
我們 可以 展示 那 他汀類藥物 有 a 保護的 影響
反對 死亡 從 新冠肺炎 一次 你 是 批判地 患病的。
這 發現 有 到過 之後 確認的 經過 其他的。
和 只是 作為 一個 例子，
I 包括 a 元 分析 從 九月 21
那 的確 確認 那 他汀類藥物 減少 這 死亡 的 患者
在 a 非常 大的 元 分析 和 幾乎 15萬 患者。
如果 你是 有興趣的 在 更多的 細節，
我們 已發布 我們的 工作 在 這 雜誌 的 臨床 藥物.
I 會 喜歡 到 拿 這 機會 到 感謝 我的 合著者，
在 特別的， 史蒂芬 博格曼 和瑪蒂娜 諾瓦克- 製作
從 這 診所 在 因戈爾施塔特。
和 I 會 也 喜歡 到 感謝 你 非常 很多 為了 你的 注意力，
和 我是 尋找 向前 到 你的 問題。
感謝 你 非常 很多。
