| Conférencier |
Transcription |
| Pierre Polito |
Comment vas-tu aujourd'hui. |
| |
Pouvez-vous m'entendre. |
| |
Si vous parlez, je ne peux pas vous entendre. |
| |
Bonjour. |
| |
test test. |
| |
Oh bonjour Léo, tu m'entends. |
| |
ouais désolé pour ça je pense aux difficultés techniques ouais. |
| Pierre Polito |
Oh, pas de problème du tout. |
| |
Oh ok, c'est un joli Jimmy. |
| Pierre Polito |
Oh, où. |
| |
Vous appelez de. |
| |
Singapour. |
| Pierre Polito |
Singapour, d'accord, quelle heure est-il là-bas ? |
| |
Environ 909. |
| Pierre Polito |
Ouais, eh bien. |
| |
ouais, bravo à toi pour. |
| |
suspendu. |
| |
si tard, merci d'être venu. |
| |
C'est possible, non, tout va bien, euh ouais, j'espère que j'en ferai une bonne. |
| |
Oh. |
| |
Non, j'ai été très stressé à ce sujet. Eh bien, oui, ça va. Laissez-moi juste mettre un arrière-plan virtuel. |
| |
D'accord. |
| Pierre Polito |
Et je dois passer en revue quelques points de mon côté avant de commencer officiellement. |
| |
D'accord. |
| Pierre Polito |
donne-moi juste un. |
| |
minute ici. |
| |
Ouais. |
| Pierre Polito |
J'apporte simplement ma liste de contrôle pour m'assurer que je fais tout correctement ici. |
| |
Très bien. |
| |
Donc juste pour confirmer. |
| |
Vous êtes apaisant. |
| |
ouais et votre exposé s'intitule « Un modèle pour les réactions indésirables aux vaccins coven ». |
| |
Oui, c'est correct, oui, c'est vrai. |
| Pierre Polito |
Très bien, et ensuite, juste pour être sûr que vous comprenez que ceci est enregistré pour l'utilisation et que la conférence du sommet Jump Discovery sera disponible publiquement dans la communauté des utilisateurs de Jump. Donnez-vous la permission pour cet enregistrement et cette utilisation. |
| |
Oui, d'accord, super. |
| |
ton microphone sonne bien, je n'entends aucun bruit de fond, ton téléphone portable est éteint et tout ce genre de choses, tout ce qui pourrait faire des bruits aléatoires. |
| |
accrochez-vous. |
| |
je l'enverrai, je les trouverai, ouais. |
| Pierre Polito |
D'accord, et ensuite. |
| |
Nous devons vérifier si vous pouvez partager votre écran et nous allons vérifier la résolution et quelques autres choses. |
| |
D'accord, bien sûr. |
| Pierre Polito |
Merci. |
| |
je suis désolé, est-ce Lisa Ling ou apaisante. |
| |
Mon prénom est bien émis, ouais. |
| Pierre Polito |
je l'ai compris. |
| |
euh, est-ce que ça va. |
| Pierre Polito |
Je ne le vois pas encore, oh euh, tu sais, une tarte le recouvre juste un instant. |
| |
Ça a l'air bien. |
| |
Et si vous allez en bas de votre écran, votre barre des tâches en fait, je ne vois pas votre barre des tâches, donc tout va bien. |
| |
D'accord. |
| Pierre Polito |
Et laissez-moi m'en assurer. |
| |
Il existe des programmes qui peuvent créer une fenêtre contextuelle comme Outlook ou Skype ou l'un d'entre eux, tous ceux-ci sont fermés et quittés. |
| |
euh ouais, je pense, donc je parie qu'ils vont les vérifier. |
| |
ferme ma cuisine. |
| |
D'accord. |
| |
Ouais, bien. |
| Pierre Polito |
Ok, et ensuite, allez-vous travailler uniquement à partir d'un PowerPoint ou allez-vous également montrer du Jump ? |
| |
J'avais peur du transit, donc je vais le destiner à partir de PowerPoint. |
| Pierre Polito |
Ok, super, alors je vais couper le son et éteindre ma caméra, nous enregistrons déjà, donc dès que nous... |
| |
Dès que vous voyez ma photo disparaître, allez-y et commencez et je ne vais pas vous interrompre pour aucune raison et nous allons essayer de passer en revue cette présentation de 30 minutes, alors allons-y, et je ne serai même pas là, ce sera comme si vous vous parliez à vous-même. |
| |
D'accord, donc le procès-verbal est correct. |
| Pierre Polito |
Êtes-vous prêt à partir ? |
| |
Ouais. |
| Pierre Polito |
D'accord. |
| |
Très bien, et c'est juste pour que vous sachiez quand nous le ferons réellement. |
| |
Organisez le sommet de la découverte, si vous vous rendez compte demain que vous vous êtes mal exprimé ou que vous vouliez présenter quelque chose d'une manière légèrement différente. |
| |
Vous pouvez être en direct lorsque vos présentations se déroulent, et vous pouvez demander à la personne qui présente un dépôt, puis vous pouvez dire que vous savez que je suis sur le point de dire ceci, ce que je voulais transmettre, c'est que vous pouvez en quelque sorte aimer. |
| |
éditez en temps réel pendant la présentation, alors ne vous inquiétez pas pour obtenir chaque mot parfaitement, détendez-vous et parcourez-le et je suis sûr que tout ira bien. |
| |
D'accord. |
| |
Ouais. |
| Pierre Polito |
Très bien, je vais couper le son et éteindre ma caméra, puis vous allez de l'avant et commencez, ok. |
| |
Merci Peter. |
| |
Bonjour, je m'appelle Suling. Je suis étudiant en master à l'Université de gestion de Singapour, où je suis actuellement un cursus en analyse de données à l'École d'informatique et des systèmes d'information. |
| |
Je suis donc ici aujourd'hui pour présenter un devoir qui a été soumis pour mon programme de maîtrise en informatique pour les entreprises et, plus important encore, je souhaite partager mon parcours JMP jusqu'à présent. |
| |
J'ai donc commencé à utiliser JMP cette année et j'en suis vraiment tombé amoureux en raison de sa facilité d'utilisation et de la gamme de méthodes statistiques et des visualisations que je pouvais y faire. |
| |
Donc, en tant que débutant utilisant JMP, je suis vraiment honoré d'être ici pour présenter mon rapport et faites-moi part de vos commentaires, car je sens que j'ai encore beaucoup à apprendre, oui. |
| |
Donc, la motivation de mon article était en fait d'examiner les vaccins contre la COVID-19, afin que nous sachions à quel point ils sont importants, mais à |
| |
Le rythme sans précédent auquel il a été développé et administré a suscité des doutes au sein de la communauté quant à sa sécurité. |
| |
Nous utilisons donc les données du système américain de déclaration des effets indésirables des vaccins, oui. |
| |
Nous utilisons donc ces données, car nous pensons qu'elles pourraient nous aider à déterminer si les inquiétudes concernant la sécurité du vaccin sont fondées. Cet article utilise donc les données structurées et non structurées du VAERS pour modéliser les effets indésirables des vaccins contre la COVID-19. |
| |
Alors, qu'est-ce que le VAERS ? Le Centre pour le contrôle et la prévention des maladies (CDC) et la FDA américaine ont mis en place ce système, et il s'agit bien d'un événement indésirable. |
| |
système de collecte de données. Mais généralement, nous constatons que les données du VAERS ne permettent pas d'établir de lien de causalité avec les événements indésirables. |
| |
Parce que le lien entre l'effet indésirable et la vaccination n'est pas établi. On constate donc que des personnes signalent les événements, mais qu'aucune mesure concrète n'est prise. |
| |
Pour confirmer que ces symptômes et événements signalés sont liés au vaccin, existe-t-il un lien ? Alors, pourquoi voulons-nous continuer à utiliser ces données ? Premièrement, elles sont disponibles et publiques. |
| |
Les données sont à jour et, plus important encore, il est peu probable que tous les événements indésirables soient détectés lors des essais cliniques en raison de leur faible fréquence. |
| |
Habituellement, les essais cliniques n'incluent que des individus sains. Des populations particulières, comme les personnes atteintes de maladies chroniques ou les femmes enceintes, sont concernées. |
| |
Ils savent donc que le VAERS est une source importante pour la sécurité des vaccins. Pour plus d'informations à ce sujet, vous pouvez consulter ce lien. |
| |
Oui, l'ensemble de données utilisé pour cette étude provient de trois tables de données extraites du VAERS. La première est constituée des données du VAERS. |
| |
Il contient principalement des informations sur le profil des patients et l'issue des événements indésirables, donc ce que j'ai ici est un petit extrait de JMP |
| |
Nous avons ici le texte des symptômes, et vous pouvez constater qu'il s'agit d'un rapport basé sur une seule personne, un seul patient. D'accord, et les données sont assez floues. |
| |
Il y a beaucoup d'informations utiles dans le texte narratif, mais vous pouvez voir qu'il y a des fautes d'orthographe, des fautes de frappe, des déclarations excessivement longues ou même très brèves. |
| |
Les deux prochains ensembles de données dont nous disposons sont les données VAERS de vaccination et de symptômes. L'un contient des informations sur le vaccin, l'autre |
| |
est extrait du texte des symptômes visibles. Compte tenu de cette accessibilité, les données du VAERS ont été exploitées de manière assez approfondie. |
| |
beaucoup de chercheurs le font, mais comme vous pouvez le constater, les données sont en réalité très difficiles à utiliser car la qualité du rapport varie. |
| |
Il y a aussi quelque chose qui pourrait ne pas être authentique. L'analyse de la puissance montre qu'une certaine forme de filtrage manuel est généralement utilisée pour extraire les informations requises. |
| |
Cependant, cela demande beaucoup de travail et est assez difficile, c'est pourquoi cet article vise à présenter les méthodes permettant d'extraire les informations clés à l'aide de techniques d'analyse de texte dans JMP. |
| |
Nous avons donc essayé de créer un modèle explicatif pour expliquer les variables les plus importantes impliquées dans cet événement. Nous avons donc nettoyé chaque table de données individuellement, puis nous les avons jointes à l'aide de l'identifiant VAERS. |
| |
À partir des résultats des patients, nous avons établi une évaluation de la gravité. J'y reviendrai plus tard. Une fois les tables jointes, |
| |
Il y a quatre textes narratifs. Un sur les allergies, les médicaments, les antécédents médicaux et les symptômes. |
| |
Nous utiliserons ensuite des techniques d’analyse de texte pour extraire les vecteurs des principaux termes qui… expliqueront le niveau de gravité de chacune des données textuelles. |
| |
Et intégrez-les aux variables structurées des données de la feuille de calcul existante dans l'ensemble de données. Ensuite, tout cela est compilé et intégré dans la construction du modèle. |
| |
Alors, à quoi sert cette évaluation de la gravité ? Elle est basée sur l'évolution de la maladie chez le patient. Les données VAERS comportent 12 variables décrivant l'état du patient. |
| |
Et puis, sur cette base, nous avons extrait les variables et essayé de leur donner un sens, nous avons donc obtenu quatre niveaux de gravité, que nous appelons ensuite la cote de gravité. |
| |
Nous allons maintenant parler un peu de la façon dont nous utilisons |
| |
JMP Pro Text Explorer, plateforme d'analyse de texte, commence par le nettoyage des données. Notre objectif était d'extraire les termes significatifs des données textuelles. |
| |
Et ajoutez-les aux variables structurées pour construire votre modèle. Comme vous pouvez le constater, les données textuelles sont assez confuses. Nous avons donc procédé ainsi : |
| |
Tout d'abord, décidez entre l'utilisation du terme fréquence, quel type de terme fréquence utiliser, puis le terme binaire fréquence a été sélectionné, car les données montrent qu'il y a un avantage significatif à considérer, à l'utiliser. |
| |
Ensuite, un petit mot sur le nettoyage qui a eu lieu. Les données textuelles ont d'abord été organisées à l'aide de l'explorateur de texte JMP Pro et nous avons utilisé une fonctionnalité utile qui s'y trouve pour ajouter des phrases et identifier automatiquement |
| |
les termes donc ce que vous pouvez voir, c'est que des termes comme les globules blancs sont conservés comme une phrase au lieu d'être regroupés dans le sang blanc et les cellules, ce qui n'aura pas beaucoup de sens. |
| |
Il existe également quelques autres méthodes. L'une d'elles est la méthode standard pour combiner les mots en fonction de leurs terminaisons. Nous avons également pensé à trier la liste par ordre alphabétique afin de corriger les fautes d'orthographe, les fautes de frappe ou autres erreurs similaires. |
| |
Ouais, et ensuite la chose suivante était d'utiliser la fonction très pratique pour recoder tous les éléments similaires ensemble, ouais. |
| |
Donc, la prochaine chose que nous avons faite après avoir nettoyé le texte était de regarder le |
| |
C'était en fait un aperçu du flux de travail. Ce flux est utile pour l'exclusion des mots vides et pour observer l'effet de la variable cible sur les termes. |
| |
Donc, ce que j'ai fait ici, c'est de visualiser les termes les plus fréquents par taille et de les colorier en fonction de la gravité. |
| |
Vous pouvez donc voir que les couleurs plus claires appartiennent aux cas les moins graves et les plus foncées aux autres cas les plus graves, et vous pouvez les ramasser, puis les mots sont assez petits. |
| |
Cela montre que les symptômes courants ne sont pas graves, mais nous avons choisi des termes comme « accident vasculaire cérébral », « embolie pulmonaire » et autres. Ils sont donc liés à l'événement indésirable le plus grave. |
| |
La prochaine chose que nous utilisons est le terme sélection, donc le terme sélection est une nouvelle fonctionnalité de JMP Pro 16 qui était assez opportune. |
| |
Il intègre donc le modèle de régression généralisée dans la plateforme d'analyse de texte. Ainsi, à partir de la plateforme d'analyse de texte, vous pouvez simplement sélectionner cet élément là où se trouve la sélection de termes. |
| |
Ensuite, cela permet d'identifier les termes clés importants pour la variable de réponse. Notre variable de réponse est donc le taux de gravité. |
| |
Alors pourquoi utiliser le modèle de régression généralisée ? Il est largement utilisé pour les variables non distribuées normalement ou fortement corrélées. |
| |
Les données sont indépendantes les unes des autres et ne présentent aucune autre corrélation. Cette méthode est donc utile car elle s'adapte à notre ensemble de données. |
| |
Et chaque rôle que nous avons dans notre table de données est un patient et tous ceux-ci sont indépendants les uns des autres. |
| |
Donc, et puis le plus important est aussi que le modèle de régression généralisée permet la sélection des variables, c'est donc ce que nous voulons faire parce que nous voulons sélectionner les variables ayant la plus grande influence sur la variable de réponse. |
| |
Oui, donc un peu plus de détails sur ce modèle de régression, il y a quelques options que nous pouvons utiliser ici, c'est-à-dire le filet élastique, ainsi que le lasso. |
| |
La différence ici est que le lasso tend à sélectionner un terme parmi un groupe de facteurs corrélés, tandis que le réseau élastique sélectionne un groupe de termes. En général, je pense que le réseau élastique est utilisé, et ici, c'est notre choix de fréquence des termes binaires qui est entré en jeu. |
| |
Ok, donc c'est le résultat de la sélection du terme, donc vous pouvez voir cela ici qui vous montre l'aperçu du (???) puis généralisé (???) mais plus intéressant |
| |
lorsque vous avez commencé par le coefficient, vous pouvez voir que ce sont les principaux coefficients positifs. Ce sont donc les principaux facteurs qui jouent le plus grand rôle en termes de notre variable de réponse. |
| |
Et ceux-ci, ci-contre, représentent les symptômes qui jouent le moins d'influence lorsqu'on les classe selon le coefficient. En examinant les résultats, on constate que l'arrêt cardiaque, la pneumonie liée à la COVID-19 et les accidents vasculaires cérébraux sont autant de termes qui influencent la variable de réponse. |
| |
Nous pouvons donc voir que les termes de nature plus grave sont liés au cœur et aux poumons, d'accord, par rapport à ceux de fréquence plus basse, qui sont des symptômes très, très légers, en réalité. |
| |
Ok, donc nous répétons tout ce processus pour tous les autres |
| |
pour toutes les autres variables de texte, nous sommes donc passés à l'exemple des symptômes, il y a donc aussi les allergies, les antécédents médicaux |
| |
En plus des médicaments utilisés, nous avons ensuite enregistré la matrice terminologique du document. En fait, la MNT enregistre une colonne dans la table de données à chaque fois. |
| |
Vous pouvez donc voir ici un exemple, vous avez principalement beaucoup de zéros car c'est une matrice très clairsemée donc on indiquera la présence de prenons cette colonne ici on indiquera la présence de (???).. |
| |
Nous l'enregistrons donc et répétons le processus pour l'autre analyse de texte. |
| |
Une fois tous ces termes enregistrés, nous sommes passés à la modélisation. La modélisation consistait à créer une sorte de colonne de validation. Nous avons donc utilisé la modélisation prédictive et créé une colonne de validation. Nous avons sélectionné les options et défini la configuration de validation à 55 %. |
| |
Et tout le truc ici était d'identifier les variables importantes avec la gravité comme variable de réponse. Donc, au total, nous avons sept variables de structure et 55 qui ont été dérivées de la matrice des termes du document et un total d'environ 31 000 règles. |
| |
Nous constatons un déséquilibre dû à la gravité des données. C'est pourquoi nous avons évalué notre modèle en comparant les valeurs de répartition R et d'AIC. |
| |
Donc. |
| |
Nous utilisons le modèle d'ajustement dans JMP et choisissons à nouveau le modèle de régression généralisée. |
| |
Et nous pouvons voir que ce sont les résultats ici, donc des modèles séparés que vous pensez que le groupe de modèles linéaires généralisés, en utilisant les techniques de régression pénalisées ont été préparés. |
| |
Et puis nous essayons de nous adapter en fonction des différentes caractéristiques ici, ce sont toutes les autres méthodes d'estimation pénalisées. |
| |
Ainsi, de tous les modèles, nous pouvons voir que la méthode du lasso a la valeur Rsquare la plus basse, et qu'il existe d'autres valeurs qui s'en rapprochent également. Nous allons donc les examiner de plus près. |
| |
Ainsi, en comparant le modèle de vraisemblance maximale ainsi que le modèle de lasso basé sur la courbe ROC, vous pouvez voir qu'en fait les deux courbes ROC sont assez similaires. |
| |
Et pourtant, la courbe ROC du modèle de vraisemblance maximale montre qu’il présente la gravité la plus élevée. |
| |
Désolé, la courbe ROC pour le modèle de vraisemblance maximale montre que |
| |
la valeur ROC est plus élevée pour la cote de gravité la plus élevée, et vous pouvez voir qu'il n'y a qu'une légère différence ici entre les deux. |
| |
Et en général, à mesure que l'on diminue le niveau de gravité, la zone augmente en réalité et l'une des raisons est que notre ensemble de données est très déséquilibré. |
| |
Donc, la cote de gravité de quatre, qui est le niveau le plus élevé, la plupart de votre niveau ne représente qu'environ 5 % des valeurs totales des données, donc dans l'ensemble, il y a en fait très peu de différence entre les deux, nous choisissons donc celui avec une zone légèrement plus grande. |
| |
Bon, nous allons maintenant passer au test des effets. Dans le rapport, vous pouvez choisir d'afficher le test des effets. |
| |
le test d'hypothèse de l'hypothèse nulle selon laquelle la variable n'a aucun effet sur le reste. |
| |
Il y avait cette très belle explication du test des effets sur la communauté JMP, je pense qu'elle a été contribuée par |
| |
Mark Bailey. Il explique brièvement comment le test des effets repose sur la somme des carrés de type III pour l'ANOVA. |
| |
Nous pouvons donc voir que le test des effets est très approprié ici en raison de notre ensemble de données, il teste donc en fait chaque terme du modèle en termes de chaque |
| |
terme qu'il contient. Ainsi, les effets principaux sont testés en l'absence d'interactions entre les éléments et à la lumière des autres termes, ainsi qu'à la lumière des autres effets principaux. |
| |
Alors, ce que vous voulez utiliser ici, c'est que nous voyons ici que le test des effets est utile pour notre objectif, comme pour la réduction du modèle. |
| |
Et cela nous permet de tirer des conclusions à partir d’une longue liste de variables significatives. |
| |
Nous examinons la probabilité à la valeur ChiSquare la plus basse (???) en prenant une valeur alpha de coupure de 0,1. |
| |
Nous avons un certain nombre de variables indépendantes, ce qui constitue une liste assez longue, et la plupart d'entre elles, lorsque vous les examinez, sont en fait liées aux maladies cardiopulmonaires. |
| |
Certains d’entre eux sont donc affectés, comme le nombre de symptômes, le nombre de jours entre le début de la vaccination. |
| |
(???) est le plus dans lequel les centres de vaccins que par chacun et ensuite vous pouvez voir que le reste d'entre eux sont liés d'une manière ou d'une autre à un autre. |
| |
maladies cardio-pulmonaires, il y en a des étranges que je ne viens pas du milieu médical, donc je ne comprends pas vraiment non plus, mais vous pouvez voir que la surdité en fait partie, donc il y en a |
| |
des résultats étranges que nous pouvons voir ici, mais en général, c'est l'image que l'on obtient en termes de variables principales dans la liste des variables. |
| |
Bon, à part ça, ce qui est vraiment intéressant, c'est de regarder l'évaluation du modèle, donc même si ce que nous faisons c'est construire un modèle explicatif, |
| |
Je suis également allé examiner le modèle prédictif, car JMP a très bien mis un rapport là-bas pour que je puisse examiner les estimations des paramètres. |
| |
J'utilise donc le Profiler pour essayer de comprendre les estimations des paramètres et vous pouvez voir ici que les valeurs affichées sont vraiment, vraiment petites, c'est donc la valeur que vous obtenez |
| |
immédiatement lorsque vous ouvrez le Profiler, donc les valeurs ici sont la moyenne de chaque variable et vous pouvez voir que chacune de ces variables |
| |
Chacune de ces valeurs est en fait très petite, ce qui signifie qu'il y a très peu d'effet sur la gravité en fonction de ces coefficients. |
| |
Sur la base de ces coefficients, on constate que, d'après cette étude, les symptômes et leurs effets ont très peu d'effet sur la gravité. |
| |
On s'attend en quelque sorte à voir que la plupart de ces symptômes et effets, parce que nous regardons le tableau général du vaccin, nous pouvons voir que la plupart de ces symptômes - antécédents médicaux, allergies - ont en fait très peu d'effet sur le résultat du vaccin. |
| |
D'accord, donc. |
| |
Ouais. |
| |
Voici donc quelques conclusions. Plusieurs décisions ont été prises concernant le regroupement et la classification des variables. |
| |
Et bien que ces variables aient été élaborées au mieux de nos connaissances, notamment dans la manière dont nous avons établi une cote de gravité, |
| |
Il est peut-être nécessaire de consulter un expert familier avec les études sur les vaccins ou les essais cliniques pour déterminer si l'indice de gravité est suffisant ou non. |
| |
pour évaluer les conséquences des événements indésirables. Et ce, en s'appuyant sur la modélisation de données structurées et non structurées. |
| |
nous avons identifié des facteurs clés qui varient en fonction de la gravité d’une réaction à une vaccination contre la COVID-19. |
| |
Cependant, nous ne savons toujours pas si l'effet de ces variables clés sur la gravité de la variable de réponse est très faible, c'est ce que l'on constate en examinant les variables. |
| |
Et puis, enfin, la matrice des termes du document basée sur les notes binaires, la fréquence des termes binaires s'est avérée être la plus efficace pour représenter les poids des autres termes du document. |
| |
Et le modèle linéaire généralisé avec la technique de régression pénalisée par le lasso a produit le modèle optimal. |
| |
J'espère donc que vous avez apprécié cette très courte présentation et n'hésitez pas à me faire savoir si vous avez des questions ou des commentaires, merci beaucoup. |
| Pierre Polito |
excellent travail. |
| |
était très. |
| |
Oh non. |
| |
Je viens de réaliser que je suis, tu sais, une erreur, nous voulions cette vie, oh mon Dieu. |
| Pierre Polito |
C'est donc exactement la situation dans laquelle vous vous trouvez. |
| |
Donc, lors du sommet de la découverte, il y aura un présentateur. |
| |
Et donc ils vont vous contacter à l'avance et vous dites simplement, j'ai une erreur sur l'une de mes diapositives, et donc dans cette partie qui apparaît, elle va juste apparaître, il ou elle va la mettre en pause. |
| |
Et puis vous pouvez partager la diapositive et en parler, puis revenir directement à la vidéo, alors ne vous en souciez pas du tout. |
| |
Cela s'est produit assez souvent lors du sommet de la découverte de l'année dernière, ce qui ne constitue pas du tout un problème. |
| |
D'accord, d'accord. |
| |
Eh bien, mon Dieu, James. |
| Pierre Polito |
Voudriez-vous le réparer et le refaire, cela vous ferait-il vous sentir mieux ? |
| |
Je ne sais pas. |
| |
S'il s'agit bien de celui-ci, car ce n'est pas la bonne case, il me faudra un certain temps pour le réparer car je dois le retaper, oui. |
| Pierre Polito |
ouais, alors je ne savais pas, ne t'inquiète pas, ce sera une solution très simple et tu pourras le faire en temps réel. |
| |
D'accord, d'accord. |
| |
D'accord, ouais. |
| |
Merci d'avoir été là, malgré tout. |
| Pierre Polito |
ouais, pas de problème, c'est super, vraiment. |
| |
D'accord. |
| Pierre Polito |
Très bien, d'autres questions ou commentaires ou quoi que ce soit. |
| |
ouais, j'en ai un, c'est ça, euh, alors qu'est-ce qu'il y a un lien, où je peux télécharger toutes mes diapositives et mes gens et des choses comme ça, mais il y a eu une confusion avec mon. |
| |
e-mail, et je pense que c'est Tanya qui m'a répondu que lorsque Tanya m'a répondu, je pense qu'elle a raté ce lien, alors j'ai pensé que le lien serait intégré dans l'un des enregistrements, mais je suppose que vous ne l'avez pas bien compris. |
| Pierre Polito |
Je ne l'ai pas, mais je vais contacter Tanya et lui demander de vous contacter directement. |
| |
Pour aider à remédier à cela. |
| |
Ok, bien sûr, merci beaucoup, je pense que ça compense avec mon e-mail, oui. |
| Pierre Polito |
Merci beaucoup. |
| |
Pas de problème, d'accord, passe une bonne nuit et repose-toi bien. |
| |
Ouais, passe une bonne journée. |
| Pierre Polito |
Merci. |
| |
Tellement au revoir. |
