756782_de-DE

liliconcom

Ein Modell für Nebenwirkungen des COVID-19-Impfstoffs (2021-US-30MP-920)

Suling Lee, SMU, Singapore Management University

COVID-19-Impfstoffe spielen eine entscheidende Rolle bei der Eindämmung der globalen Pandemie, die weltweit zu einem Anstieg der Infektionen und Todesfälle führt. Die beispiellose Geschwindigkeit, mit der die Impfstoffe entwickelt und verabreicht wurden, weckte jedoch Zweifel an ihrer Sicherheit in der Bevölkerung. Daten des US-amerikanischen Vaccine Adverse Event Reporting System (VAERS) könnten dazu beitragen, festzustellen, ob die Sicherheitsbedenken gegenüber den Impfstoffen begründet sind. Daher nutzt diese Arbeit die Kombination strukturierter und unstrukturierter Variablen von VAERS, um die Nebenwirkungen von COVID-19-Impfstoffen zu modellieren.

Der Schweregrad der Nebenwirkung wird zunächst aus den Variablen abgeleitet, die das Ergebnis des Impfstoffempfängers nach einer Reaktion aus den VAERS- Datensätzen beschreiben. Anschließend werden unstrukturierte Daten in Form von Texten, die Symptome, Anamnese, Medikamente und Allergien beschreiben, in eine Dokument-Term-Matrix umgewandelt. Diese wird in Kombination mit den strukturierten Variablen zum Aufbau eines Modells verwendet, das den Schweregrad der Nebenwirkung vorhersagt. Das erklärende Modell wird mit JMP Pro 16 unter Verwendung verallgemeinerter Regressionsmodelle und einer binären Dokument-Term-Matrix (DTM) erstellt, wobei die Modellbewertung auf dem RSquare-Wert des Validierungssatzes basiert.

Das optimale Modell ist ein verallgemeinertes Regressionsmodell, das die Lasso-Schätzmethode für binäre DTM verwendet. Die wichtigsten Einflussfaktoren für Nebenwirkungen im optimalen Modell sind die Anzahl der Symptome, der Zeitraum zwischen Impfbeginn, die Art der Impfstoffverabreichung, das Alter des Patienten und Symptome im Zusammenhang mit einer kardiopulmonalen Erkrankung.

Automatisch generiertes Transkript ...

Lautsprecher	Transkript
Peter Polito	Wie geht es dir heute.
	Können Sie mich hören.
	Wenn Sie sprechen, kann ich Sie nicht hören.
	Hallo.
	Test, Test.
	Oh, hallo Leo, kannst du mich hören?
	ja, tut mir leid, ich denke an die technischen Schwierigkeiten, ja.
Peter Polito	Oh, überhaupt kein Problem.
	Oh, okay, es ist ein schöner Jimmy.
Peter Polito	Oh, wo.
	Rufen Sie an von.
	Singapur.
Peter Polito	Singapur, alles klar, wie spät ist es dort?
	Ungefähr 909.
Peter Polito	ja gut.
	ja, ein großes Lob an Sie dafür.
	durchhalten.
	so spät, danke, dass du es gemacht hast.
	Möglicherweise, nein, es ist alles in Ordnung, ähm, ja, ich hoffe, ich mache einen guten.
	Oh.
	Nein, ich war deswegen total gestresst. Na ja, schon okay, ich lege einfach einen virtuellen Hintergrund an.
	Okay.
Peter Polito	Und ich muss noch ein paar Dinge meinerseits klären, bevor wir offiziell beginnen.
	Okay.
Peter Polito	gib mir einfach eins.
	Minute hier.
	Ja.
Peter Polito	Ich bringe nur meine Checkliste mit, um sicherzugehen, dass ich hier alles richtig mache.
	In Ordnung.
	Also nur zur Bestätigung.
	Du bist beruhigend.
	ja, und Ihr Vortrag trägt den Titel „Modell für Nebenwirkungen von Hexenzirkel-Impfstoffen“.
	Ja, ist das richtig? Ja, das stimmt.
Peter Polito	Also gut, und dann nur um sicherzugehen, dass Sie verstehen, dass dies für die Verwendung aufgezeichnet wird und die Jump Discovery Summit-Konferenz in der Jump-Benutzer-Community öffentlich verfügbar sein wird. Erteilen Sie die Erlaubnis für diese Aufzeichnung und Verwendung?
	Ja, okay, super.
	Ihr Mikrofon klingt gut, ich höre keine Hintergrundgeräusche, ist Ihr Handy ausgeschaltet und all diese Dinge, irgendetwas, das zufällige Geräusche verursachen könnte.
	abwarten.
	ich schicke es und werde sie finden, ja.
Peter Polito	Okay, und dann.
	Wir müssen prüfen, ob Sie Ihren Bildschirm freigeben können. Außerdem werden wir die Auflösung und einige andere Dinge überprüfen.
	Okay, sicher.
Peter Polito	Danke schön.
	Es tut mir leid, ist es Lisa Ling oder Soothingly?
	Mein Vorname wird schön ausgegeben, ja.
Peter Polito	habe es verstanden, ok.
	ähm, ist es okay.
Peter Polito	Ich sehe es noch nicht, oh, ähm, Sie wissen schon, Kuchen bedeckt es, einen Moment.
	Das sieht gut aus.
	Und wenn Sie zum unteren Rand Ihres Bildschirms gehen, wird Ihre Taskleiste tatsächlich angezeigt. Ich sehe Ihre Taskleiste nicht, also ist alles in Ordnung.
	Okay.
Peter Polito	Und lassen Sie mich sichergehen.
	Es handelt sich um Programme, die möglicherweise ein Popup erstellen, wie Outlook oder Skype, oder um solche, die alle geschlossen und beendet werden.
	ähm, ja, ich denke, also ich wette, sie werden überprüft.
	schließe meine Küche.
	Okay.
	ja gut.
Peter Polito	Okay, und dann: Arbeiten Sie nur mit einer PowerPoint-Präsentation oder zeigen Sie auch Jump?
	Ich war wegen des Übergangs besorgt, deshalb werde ich es anhand von PowerPoint planen.
Peter Polito	Okay, super, dann werde ich den Ton meiner Kamera ausschalten und sie stummschalten. Wir nehmen bereits auf, also sobald wir …
	Sobald Sie sehen, dass mein Bild verschwindet, legen Sie los. Ich werde Sie auf keinen Fall unterbrechen. Wir werden versuchen, alles durchzugehen. Es ist eine 30-minütige Präsentation, also lassen Sie uns alles durchgehen. Ich werde nicht einmal hier sein, es wird sein, als würden Sie mit sich selbst sprechen.
	Okay, damit ist das Protokoll richtig, okay.
Peter Polito	Bist du bereit zu gehen?
	Ja.
Peter Polito	Okay.
	In Ordnung, und es ist nur, damit Sie wissen, wann wir tatsächlich …
	Halten Sie den Entdeckungsgipfel ab, wenn Sie morgen feststellen, dass Sie sich versprochen haben oder etwas etwas anders präsentieren wollten.
	Sie können live dabei sein, wenn Ihre Präsentationen laufen, und Sie können die präsentierende Person um eine Anzahlung bitten und dann können Sie sagen: „Wissen Sie, ich werde jetzt Folgendes sagen. Was ich sagen wollte, ist, dass Sie das irgendwie mögen können.“
	Bearbeiten Sie während der Präsentation in Echtzeit, also machen Sie sich keinen Stress, jedes Wort perfekt zu schreiben, entspannen Sie sich einfach und gehen Sie es durch, und ich bin sicher, es wird alles gut.
	In Ordnung.
	Ja.
Peter Polito	Also gut, ich schalte den Ton aus und schalte meine Kamera aus, und dann können Sie loslegen, okay?
	Danke, Peter.
	Hallo, ich bin Suling. Ich bin Masterstudentin an der Singapore Management University, wo ich derzeit einen Kurs in Datenanalyse an der School of Computing and Information Systems belege.
	Ich bin heute hier, um eine Aufgabe vorzustellen, die ich für meinen Masterstudiengang „IT für Unternehmen“ eingereicht habe, und, was noch wichtiger ist, ich möchte Ihnen von meinem bisherigen Werdegang mit JMP berichten.
	Ich habe dieses Jahr angefangen, JMP zu verwenden, und war aufgrund der Benutzerfreundlichkeit, der Bandbreite an statistischen Methoden und Visualisierungen, die ich damit durchführen konnte, wirklich begeistert davon.
	Als Anfänger in der Verwendung von JMP ist es mir eine große Ehre, hier zu sein und meinen Bericht vorzustellen. Geben Sie mir bitte Ihr Feedback, denn ich habe das Gefühl, dass ich noch so viel lernen muss, ja.
	Die Motivation für meinen Artikel war eigentlich, die COVID-19-Impfstoffe zu untersuchen, damit wir wissen, wie wichtig sie sind, aber gleichzeitig
	die beispiellose Geschwindigkeit, mit der es entwickelt und verabreicht wurde, hat in der Bevölkerung Zweifel an seiner Sicherheit geweckt.
	Ja, wir verwenden Daten aus dem US-amerikanischen Meldesystem für Impfnebenwirkungen.
	Wir verwenden diese Daten, weil sie unserer Ansicht nach dazu beitragen können, festzustellen, ob die Sicherheitsbedenken hinsichtlich des Impfstoffs begründet sind. In diesem Artikel werden sowohl die strukturierten als auch die unstrukturierten Daten von VAERS verwendet, um die Nebenwirkungen von COVID-19-Impfstoffen zu modellieren.
	Was ist also VAERS? Das Center of Disease Control and Prevention und die US-amerikanische FDA haben dieses System eingeführt, und es handelt sich tatsächlich um ein unerwünschtes Ereignis.
	System, in dem Daten gesammelt werden. Im Allgemeinen sehen wir jedoch, dass VAERS-Daten, die nicht zur Ermittlung kausaler Zusammenhänge mit unerwünschten Ereignissen verwendet werden können,
	weil der Zusammenhang zwischen dem unerwünschten Ereignis und der Impfung nicht nachgewiesen ist. Was wir hier also sehen, ist, dass es Leute gibt, die die Ereignisse melden, aber dann gibt es keine umfassenden Maßnahmen, die
	um zu bestätigen, dass die gemeldeten Symptome und Ereignisse einen Zusammenhang mit dem Impfstoff haben. Warum wollen wir diese Daten dennoch nutzen? Erstens sind die Daten öffentlich verfügbar.
	Die Daten sind aktuell und, was noch wichtiger ist, es ist wahrscheinlich, dass aufgrund der geringen Häufigkeit nicht alle unerwünschten Ereignisse während der klinischen Studien erfasst werden.
	Normalerweise werden bei klinischen Studien nur gesunde Personen einbezogen. Spezielle Populationen, wie Menschen mit chronischen Krankheiten oder schwangere Frauen, sind
	begrenzt, sodass sie wissen, dass VAERS eine wichtige Quelle für die Impfstoffsicherheit ist. Weitere Informationen dazu finden Sie unter diesem Link.
	Der für diese Studie verwendete Datensatz stammt aus drei Datentabellen, die aus VAERS extrahiert wurden. Die erste sind die VAERS-Daten.
	Es enthält hauptsächlich Informationen über das Patientenprofil und den Ausgang von unerwünschten Ereignissen, also habe ich hier einen kleinen Clip von JMP
	Hier haben wir den Symptomtext. Sie sehen, dass es sich nur um einen Bericht handelt, der auf einer Person, einem Patienten basiert. Okay, und die Daten sind ziemlich fehlerhaft.
	Der erzählende Text enthält zwar viele nützliche Informationen, aber man kann erkennen, dass er Rechtschreibfehler und Tippfehler enthält und die Aussagen übermäßig lang oder sogar sehr kurz sind.
	Die nächsten beiden Datensätze, die wir haben, sind die VAERS-Daten der Impfdaten sowie die Symptome. Einer enthält Informationen über den Impfstoff, der andere
	wird aus dem Symptomtext extrahiert, den wir sehen können. Angesichts dieser Zugänglichkeit wurden die VAERS-Daten tatsächlich ziemlich gut ausgewertet.
	Viele Forscher haben dies bereits getan, aber wie Sie sehen, ist die Verwendung der Daten tatsächlich sehr schwierig, da die Qualität der Berichte schwankt.
	Und es gibt auch etwas, das möglicherweise nicht echt ist. Die Überprüfung der Leistung zeigt also, dass normalerweise eine Art manuelle Überprüfung durchgeführt wird, um die erforderlichen Informationen zu extrahieren.
	Dies ist jedoch auch ziemlich arbeitsintensiv und ziemlich schwierig, daher zielt dieses Dokument darauf ab, die Methoden zum Extrahieren der wichtigsten Informationen mithilfe von Textanalysetechniken in JMP vorzustellen
	und versuchen, ein Erklärungsmodell zu erstellen, um die wichtigsten Variablen zu erklären, die an diesem Ereignis beteiligt sind. Wir haben also jede dieser Datentabellen hier einzeln bereinigt und sie dann mithilfe der VAERS-ID verknüpft.
	Aus den Patientenergebnissen haben wir eine sogenannte Schweregradbewertung abgeleitet. Ich werde später noch etwas darauf eingehen. Sobald die Tabellen verknüpft sind
	Es gibt vier erzählende Texte. Einer über Allergien, Medikamente, Krankengeschichte und Symptome.
	Und dann werden wir Textanalysetechniken verwenden, um die Vektoren für die wichtigsten Begriffe zu extrahieren, die ... die Schweregradbewertung für jedes der Textdaten erklären.
	Und fügen Sie sie den vorhandenen Tabellendaten strukturierter Variablen im Datensatz hinzu. Okay, und dann wird das alles zusammengetragen und dann fügen Sie es in den Modellaufbau ein.
	Okay, worum geht es bei dieser Schweregradbewertung? Sie basiert auf dem Ergebnis des Patienten. Die VAERS-Daten enthalten 12 Variablen, die den Zustand des Patienten beschreiben.
	Und dann haben wir auf dieser Grundlage die Variablen extrahiert und versucht, sie zu verstehen. So kamen wir zu vier Schweregraden und nennen dies dann die Schweregradbewertung.
	Als nächstes werden wir ein wenig darüber sprechen, wie wir
	JMP Pro Text Explorer-Plattform für die Textanalyse. Wir beginnen mit der Datenbereinigung. Unser Ziel war es, die wesentlichen Begriffe aus den Textdaten zu extrahieren.
	Und erweitern Sie sie zu den strukturierten Variablen, um Ihr Modell zu erstellen. Wie Sie sehen, sind die Textdaten ziemlich chaotisch, also haben wir Folgendes getan:
	Entscheiden Sie sich zunächst zwischen der Verwendung der Termfrequenz, also welche Art von Termfrequenz Sie verwenden möchten. Anschließend wurde die binäre Termfrequenz ausgewählt, da die Daten zeigen, dass es einen erheblichen Vorteil bietet, sie in Betracht zu ziehen und zu verwenden.
	Als nächstes ein wenig über die Bereinigung, die hereinkam. Die Textdaten wurden zunächst mit dem JMP Pro Text Explorer organisiert und wir nutzten eine nützliche Funktion, die darin enthalten ist, um Phrasen hinzuzufügen und automatisch zu identifizieren
	Sie sehen also, dass Begriffe wie „weiße Blutkörperchen“ als Phrase beibehalten werden, anstatt sie in „weißes Blut und Zellen“ einzufügen, was nicht viel Sinn ergibt.
	Und es gibt noch ein paar andere Methoden, die man verwenden kann. Eine davon ist der Standard zum Kombinieren, der die Wörter anhand der Wortendungen bildet. Außerdem haben wir uns überlegt, die Liste alphabetisch zu sortieren, um beispielsweise falsch geschriebene Wörter, Tippfehler oder Ähnliches neu zu kodieren.
	Ja, und dann bestand der nächste Schritt darin, die sehr praktische Funktion zu verwenden, um alle ähnlichen Elemente zusammen neu zu codieren, ja.
	Nachdem wir den Text bereinigt hatten, schauten wir uns als Nächstes die
	Der Workflow diente eigentlich dazu, Stoppwörter auszuschließen und die Auswirkung der Zielvariablen auf die Begriffe zu sehen.
	Was ich hier gemacht habe, war, die am häufigsten vorkommenden Begriffe anhand ihrer Größe zu visualisieren und sie je nach Schweregrad einzufärben.
	Sie können also sehen, dass die helleren Farben zu den weniger schweren Fällen gehören und die dunkleren zu den schwereren Fällen. Und Sie können es gleich erkennen, dann sind die Wörter ziemlich klein.
	Und es zeigt wirklich, dass die häufigsten Symptome nicht schwerwiegend sind, aber wir haben Begriffe wie zerebrale Gefäßvorfälle, Lungenembolien usw. aufgegriffen. Diese gehören also zu den schwerwiegendsten unerwünschten Ereignissen.
	Als nächstes verwenden wir die Begriffsauswahl. Die Begriffsauswahl ist also eine neue Funktion von JMP Pro 16, die ziemlich aktuell war.
	Es integriert also das verallgemeinerte Regressionsmodell in die Textanalyseplattform, sodass Sie dies von der Textanalyseplattform aus einfach dort auswählen können, wo sich die Begriffsauswahl befindet.
	Und dann ermöglicht es die Identifizierung von Schlüsselbegriffen, die für die Antwortvariable wichtig sind. Unsere Antwortvariable ist also die Bewertung des Schweregrads.
	Warum also das verallgemeinerte Regressionsmodell verwenden? Es wird häufig für nicht normalverteilte oder stark korrelierte Variablen verwendet.
	Wo die Daten unabhängig voneinander sind und keine weiteren Korrelationen aufweisen. Daher ist diese Methode hier für uns nützlich, da sie zu unserem Datensatz passt.
	Und jede Rolle, die wir in unserer Datentabelle haben, ist ein Patient und alle sind unabhängig voneinander.
	Und das Wichtigste ist auch, dass das verallgemeinerte Regressionsmodell eine Variablenauswahl ermöglicht. Und genau das wollen wir tun, weil wir die Variablen mit dem größten Einfluss auf die Antwortvariable auswählen möchten.
	Ja, also ein paar mehr Details zu diesem Regressionsmodell: Es gibt ein paar Optionen, die wir hier verwenden können, nämlich das elastische Netz und das Lasso.
	Der Unterschied besteht darin, dass das Lasso dazu neigt, einen Begriff aus einer Gruppe korrelierter Faktoren auszuwählen, während das elastische Netzwerk eine Gruppe von Begriffen auswählt. Im Allgemeinen wird also das elastische Netz verwendet, und hier kommt unsere Auswahl der binären Begriffsfrequenz ins Spiel.
	Okay, das ist also das Ergebnis der Begriffsauswahl, also können Sie das hier sehen, das Ihnen die Übersicht über die (???) zeigt und dann verallgemeinert (???), aber interessanter ist
	Wenn Sie mit dem Koeffizienten beginnen, können Sie sehen, dass dies die höchsten positiven Koeffizienten sind. Dies sind also die wichtigsten Faktoren, die hinsichtlich unserer Antwortvariable die größte Rolle spielen.
	Und dies hier sind die Symptome, die bei der Sortierung nach dem Koeffizienten die geringste Rolle spielen. Betrachtet man die Ergebnisse, sieht man, dass Herzstillstand, COVID-19-Pneumonie und zerebrovaskuläre Unfälle allesamt Faktoren sind, die die Antwortvariable beeinflussen.
	Wir können also sehen, dass sich ernstere Symptome auf das Herz und die Lunge beziehen, im Gegensatz zu den Symptomen mit niedrigerer Frequenz, bei denen es sich eigentlich um sehr, sehr leichte Symptome handelt.
	Okay, also wiederholen wir diesen ganzen Prozess für alle anderen
	für alle anderen Textvariablen, also sind wir zum Beispiel für Symptome gegangen, also gibt es auch die Allergien, die Krankengeschichte
	sowie die verwendeten Medikamente. Was wir also später gemacht haben, war, die Dokumenttermmatrix zu speichern. Okay, das ist im Grunde das DTM, das für jedes Mal eine Spalte in der Datentabelle speichert.
	Sie sehen hier ein Beispiel, hauptsächlich viele Nullen, da es sich um eine sehr dünne Matrix handelt. Eins zeigt also das Vorhandensein von an. Nehmen wir diese Spalte hier, eine zeigt das Vorhandensein von (???) an.
	Also speichern wir es und wiederholen den Vorgang für die andere Textanalyse.
	Nachdem wir alle Begriffe gespeichert hatten, begannen wir mit der Modellierung. Die Modellierung sollte eine Art Validierungsspalte einbauen. Hier haben wir zur prädiktiven Modellierung gewechselt und eine Validierungsspalte erstellt. Hier haben wir die Auswahlmöglichkeiten ausgewählt und sie als Validierungssetup 55 % festgelegt.
	Und hier ging es darum, die wichtigen Variablen mit dem Schweregrad als Antwortvariable zu identifizieren. Insgesamt haben wir also sieben Strukturvariablen und 55, die aus der Dokumenttermmatrix abgeleitet wurden, und insgesamt etwa 31.000 Regeln.
	Wir sehen, dass hier ein Ungleichgewicht besteht, da die Bewertung des Schweregrads zu einem unausgewogenen Datensatz führt. Aus diesem Grund haben wir unsere Modellbewertung anhand des Vergleichs des R-Splits mit den AIC-Werten durchgeführt.
	Also.
	Wir verwenden daher das Fit-Modell in JMP und wählen erneut das verallgemeinerte Regressionsmodell.
	Und wir können sehen, dass dies hier die Ergebnisse sind. Sie denken also, dass die Gruppe der verallgemeinerten linearen Modelle unter Verwendung der bestraften Regressionstechniken vorbereitet wurde.
	Und dann versuchen wir, basierend auf den verschiedenen Merkmalen hier eine Anpassung vorzunehmen. Dies sind alle anderen Schätzmethoden mit Strafpunkten.
	Von allen Modellen können wir also sehen, dass die Lasso-Methode den niedrigsten, oder besser gesagt, den höchsten R-Quadrat-Wert hat. Und es gibt auch andere Werte, die ziemlich nahe dran sind, also werden wir uns diese genauer ansehen.
	Wenn man also das Maximum-Likelihood-Modell und das Lasso-Modell basierend auf der ROC-Kurve vergleicht, kann man sehen, dass beide ROC-Kurven eigentlich ziemlich ähnlich sind.
	Und dennoch zeigt die ROC-Kurve für das Maximum-Likelihood-Modell, dass es den höchsten Schweregrad aufweist.
	Entschuldigung, die ROC-Kurve für das Maximum-Likelihood-Modell zeigt, dass
	Der ROC-Wert ist bei der höchsten Schweregradbewertung höher und Sie können sehen, dass es hier zwischen beiden nur einen geringen Unterschied gibt.
	Und im Allgemeinen nimmt der Bereich tatsächlich zu, wenn man den Schweregrad nach unten geht, und einer der Gründe dafür ist, dass unser Datensatz sehr unausgewogen ist.
	Der Schweregrad von vier, also die höchste Stufe, macht im Großen und Ganzen nur etwa 5 % der gesamten Datenwerte aus. Okay, insgesamt gibt es also eigentlich nur einen sehr kleinen Unterschied zwischen diesen beiden, also wählen wir den mit der etwas größeren Fläche.
	Okay, als Nächstes geht es um den Effekttest. Im Bericht können Sie den Effekttest anzeigen lassen. Der Effekttest ist
	der Hypothesentest der Nullhypothese, dass die Variable keinen Einfluss auf den Rest hat.
	Es gab diese sehr schöne Erklärung des Effekttests in der JMP-Community, ich glaube, sie wurde beigetragen von
	Mark Bailey spricht ein wenig darüber, wie der Effekttest tatsächlich auf der Summe der Quadrate vom Typ III für ANOVA basiert.
	Wir können also sehen, dass der Effekttest hier aufgrund unseres Datensatzes sehr gut geeignet ist, da er tatsächlich jeden Term im Modell hinsichtlich jedes
	Begriff darin. Daher werden die Haupteffekte in Abwesenheit der Interaktionen zwischen den Elementen und im Lichte der anderen Begriffe getestet, auch im Lichte der anderen Haupteffekte.
	Was Sie hier also verwenden möchten, ist, dass wir hier sehen, dass der Effekttest für unseren Zweck nützlich ist, da er zur Modellreduktion dient.
	Und es ermöglicht uns, Rückschlüsse auf die lange Liste signifikanter Variablen zu ziehen.
	Wir betrachten die Wahrscheinlichkeit beim niedrigsten Chi-Quadrat-Wert (???) und nehmen einen Alpha-Grenzwert von 0,1.
	Wir haben eine Reihe unabhängiger Variablen, die Liste ist also ziemlich lang, und die meisten davon stehen, wenn man sie durchsieht, tatsächlich im Zusammenhang mit Herz-Lungen-Erkrankungen.
	Einige von ihnen sind betroffen, beispielsweise hinsichtlich der Anzahl der Symptome und der Anzahl der Tage seit Beginn der Impfung.
	(???) Je mehr sich die Impfstoffzentren voneinander unterscheiden, desto besser. Dann können Sie sehen, dass der Rest irgendwie miteinander verwandt ist.
	Herz-Lungen-Erkrankungen, es gibt einige seltsame, ich komme nicht aus dem medizinischen Bereich, also verstehe ich es auch nicht wirklich, aber Sie können sehen, dass Taubheit eine davon ist, also gibt es einige
	Wir sehen hier seltsame Ergebnisse, aber im Allgemeinen ist das Bild in Bezug auf die Top-Variablen in Bezug auf die Auflistungsvariablen so.
	Okay, abgesehen davon ist es wirklich interessant, sich die Modellbewertung anzuschauen. Obwohl wir hier ein Erklärungsmodell erstellen,
	Ich habe mir auch das Vorhersagemodell angesehen, weil JMP dort einen sehr schönen Bericht bereitgestellt hat, in dem ich die Parameterschätzungen einsehen konnte.
	Ich benutze den Profiler, um die Parameterschätzungen zu verstehen. Sie können hier sehen, dass die angezeigten Werte sehr, sehr klein sind. Dies ist also der Wert, den Sie erhalten.
	sofort, wenn Sie den Profiler öffnen, also sind die Werte hier der Durchschnitt jeder Variable und Sie können sehen, dass jede dieser Variablen
	Jeder dieser Werte ist tatsächlich sehr klein, das heißt, dass diese Koeffizienten nur sehr geringe Auswirkungen auf den Schweregrad haben.
	Basierend auf diesen als Koeffizient der vorhergesagten Variablen. Sie können also anhand dieser Studie hier erkennen, dass die Symptome und ihre Auswirkungen tatsächlich nur einen sehr, sehr geringen Einfluss auf den Schweregrad haben, und das ist irgendwie so.
	Es ist zu erwarten, dass die meisten dieser Symptome und Wirkungen, da wir das Gesamtbild des Impfstoffs betrachten, tatsächlich nur einen sehr geringen Einfluss auf die Wirkung des Impfstoffs haben.
	Okay, also.
	Ja.
	Also ein kleines Fazit, ein paar Feststellungen als Fazit: Es wurden mehrere Entscheidungen zur Gruppierung und Klassifizierung der Variablen getroffen.
	Und obwohl diese Variablen nach bestem Wissen und Gewissen erstellt wurden, insbesondere in der Art und Weise, wie wir zu einer Bewertung des Schweregrads kamen,
	Wir müssen möglicherweise einen Experten konsultieren, der mit Impfstoffstudien oder klinischen Tests vertraut ist, um zu entscheiden, ob die Schweregradbewertung ausreicht, um
	um die Ergebnisse unerwünschter Ereignisse zu bewerten. Und basierend auf dem Modellaufbau strukturierter und unstrukturierter Daten
	Wir haben Schlüsselfaktoren identifiziert, die mit der Schwere einer Reaktion auf eine COVID-19-Impfung variieren.
	Wir sind uns jedoch noch nicht darüber im Klaren, dass die Auswirkung dieser Schlüsselvariablen auf die Schwere der Antwortvariablen sehr gering ist, was durch einen Blick auf die Variablen ersichtlich wird.
	Und schließlich erwies sich die Dokumentbegriffsmatrix auf Grundlage der binären Bewertungen und der binären Begriffshäufigkeit als am wirksamsten bei der Darstellung der Gewichtung anderer Begriffe im Dokument.
	Und das verallgemeinerte lineare Modell mit der Lasso-Penalisierungstechnik der Regression ergab das optimale Modell.
	Ich hoffe, Ihnen hat die sehr kurze Präsentation gefallen. Lassen Sie es mich wissen, wenn Sie Fragen oder Feedback haben. Vielen Dank.
Peter Polito	gute Arbeit.
	war sehr.
	Oh nein.
	Mir ist gerade klar geworden, dass ich, wissen Sie, einen Fehler gemacht habe, wir wollten dieses Leben, oh Gott.
Peter Polito	Das ist also genau die Situation, in der Sie sich befinden.
	Beim eigentlichen Discovery Summit wird es also einen Moderator geben.
	Sie werden sich also im Voraus an Sie wenden und Sie sagen einfach: „Auf einer meiner Folien ist ein Fehler“, und wenn dieser Teil erscheint, wird er oder sie einfach auftauchen und es anhalten.
	Und dann können Sie die Folie freigeben und darüber sprechen und dann direkt zum Video zurückkehren, also machen Sie sich darüber überhaupt keine Gedanken.
	Dies ist während des Discovery Summit im letzten Jahr ziemlich oft passiert und stellt überhaupt kein Problem dar.
	Okay, okay.
	Meine Güte, oh James.
Peter Polito	Würden Sie es gern reparieren und neu machen, würde Ihnen das ein besseres Gefühl geben?
	Ich weiß nicht.
	Wenn es tatsächlich dieses hier ist, weil dies das falsche Feld ist, werde ich eine Weile brauchen, um es tatsächlich zu korrigieren, weil ich es noch einmal eingeben muss, ja.
Peter Polito	ja, dann wusste es das nicht. Machen Sie sich keine Sorgen, es lässt sich ganz einfach beheben und Sie können es in Echtzeit tun.
	Okay, okay.
	Okay, ja.
	Danke, dass Sie trotzdem durchgehalten haben.
Peter Polito	ja, kein Problem, ist super, wirklich.
	Okay.
Peter Polito	Also gut, irgendwelche anderen Fragen oder Kommentare oder was auch immer.
	ja, ich habe einen, ist das das, ähm, also, was geht, ein Link, wo ich alle meine Folien und meine Leute und solche Sachen hochladen kann, aber es gab eine Verwechslung mit meinem.
	E-Mail, und ich glaube, Tanya hat mir geantwortet, dass sie den Link übersehen hat. Ich dachte also, der Link wäre in eine der Aufnahmen eingebettet, aber ich nehme an, Sie haben es nicht richtig verstanden.
Peter Polito	Ich habe es nicht, aber ich werde Tanya kontaktieren und sie bitten, sich direkt an Sie zu wenden.
	Um Abhilfe zu schaffen.
	Okay, sicher, vielen Dank, ich denke, das deckt sich mit meiner E-Mail, ja.
Peter Polito	Vielen Dank.
	Kein Problem, alles klar, ich wünsche Ihnen eine gute Nacht und viel Erholung.
	ja, schönen Tag noch.
Peter Polito	Danke schön.
	So viel Tschüss.

Erweiterte statistische ModellierungAutomatisierung und SkriptingGrundlegende Datenanalyse und -modellierungKonsumenten- und MarktforschungInhaltsorganisationDatenzusammenführung und -bereinigungDatenexploration und -visualisierungVersuchsplanungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzesstechnikZuverlässigkeitsanalyse