| Oratore |
Trascrizione |
| Pietro Polito |
Come stai oggi. |
| |
Riesci a sentirmi. |
| |
Se stai parlando, non riesco a sentirti. |
| |
Ciao. |
| |
prova prova. |
| |
Oh ciao Leo, riesci a sentirmi? |
| |
Sì, mi dispiace, ma penso alle difficoltà tecniche, sì. |
| Pietro Polito |
Oh, nessun problema. |
| |
Oh, okay, è un bel Jimmy. |
| Pietro Polito |
Oh, dove. |
| |
Stai chiamando da? |
| |
Singapore. |
| Pietro Polito |
Singapore, va bene, quanto è tardi, è lì. |
| |
Circa 909. |
| Pietro Polito |
Sì, va bene. |
| |
Sì, complimenti a te per. |
| |
appeso. |
| |
Grazie per averlo fatto, anche se in ritardo. |
| |
Possibile no, va bene, ehm, sì, spero di farne una bella. |
| |
OH. |
| |
No, sono molto stressato per questo. Oh bene, sì, lo sono. Okay, lasciami solo mettere uno sfondo virtuale. |
| |
Va bene. |
| Pietro Polito |
E devo ancora sistemare un paio di cose prima di iniziare ufficialmente. |
| |
Va bene. |
| Pietro Polito |
dammi solo un. |
| |
minuto qui. |
| |
Sì. |
| Pietro Polito |
Porto con me solo la mia lista di controllo per assicurarmi di fare tutto correttamente. |
| |
Bene. |
| |
Quindi, solo per conferma. |
| |
Tu sei rassicurante. |
| |
Sì, e il tuo intervento si intitola "Modello per la reazione avversa al vaccino Coven". |
| |
Sì, è corretto? Sì, è esatto. |
| Pietro Polito |
Va bene, e poi, solo per assicurarci che tu abbia capito che questa registrazione è a scopo di utilizzo e che la conferenza Jump Discovery Summit sarà disponibile al pubblico nella comunità degli utenti Jump. Dai l'autorizzazione per questa registrazione e questo utilizzo. |
| |
Sì, ok, ottimo. |
| |
il tuo microfono suona bene, non sento alcun rumore di sottofondo, il tuo cellulare è spento e tutto quel genere di cose che potrebbero fare rumori casuali. |
| |
aspettare. |
| |
Lo invierò, li troverò, sì. |
| Pietro Polito |
Bene, allora. |
| |
Dobbiamo verificare se puoi condividere il tuo schermo. Controlleremo la risoluzione e alcune altre cose. |
| |
Va bene, certo. |
| Pietro Polito |
Grazie. |
| |
Mi dispiace, è Lisa Ling o Soothingly? |
| |
Il mio primo nome è carino, sì. |
| Pietro Polito |
capito bene. |
| |
ehm, va bene? |
| Pietro Polito |
Non l'ho ancora visto, oh uhm, sai, sto ricoprendo la torta per un attimo. |
| |
Sembra buono. |
| |
E se vai in fondo allo schermo, la barra delle applicazioni in realtà non la vedo, quindi siamo a posto. |
| |
Va bene. |
| Pietro Polito |
E lasciatemi accertarmene. |
| |
Sono tutti programmi che potrebbero creare un pop-up, come Outlook o Skype o uno qualsiasi di questi, che vengono chiusi e abbandonati. |
| |
Ehm sì, credo, quindi scommetto che li controllerò. |
| |
chiudi la mia cucina. |
| |
Va bene. |
| |
Sì, bene. |
| Pietro Polito |
Okay, e allora, lavorerai solo con un PowerPoint o mostrerai anche il salto? |
| |
Ero preoccupato per il transito, quindi lo farò da PowerPoint. |
| Pietro Polito |
Ok, ottimo, allora disattivo l'audio e spengo la telecamera, stiamo già registrando, quindi non appena... |
| |
Non appena vedi la mia foto, vai via, vai avanti e inizia. Non ti interromperò per nessun motivo. Cercheremo di proseguire. È una presentazione di 30 minuti, quindi proseguiamo. Non sarò nemmeno qui, sarà come se stessi parlando da solo. |
| |
Ok, quindi il verbale è corretto. |
| Pietro Polito |
Siete pronti a partire? |
| |
Sì. |
| Pietro Polito |
Va bene. |
| |
Va bene, e lo facciamo solo per farti sapere quando effettivamente... |
| |
Organizza un summit di scoperta se domani ti rendi conto di aver parlato male o di aver voluto presentare qualcosa in modo leggermente diverso. |
| |
Puoi essere in diretta quando si svolgono le tue presentazioni, puoi chiedere un deposito alla persona che presenta e poi puoi dire: "Sai, sto per dire questo, quello che volevo dire è che puoi in un certo senso... |
| |
modifica in tempo reale durante la presentazione, quindi non preoccuparti di dover scrivere ogni parola alla perfezione, rilassati e rileggila, sono sicuro che andrà tutto bene. |
| |
Va bene. |
| |
Sì. |
| Pietro Polito |
Va bene, disattivo l'audio e spengo la telecamera, poi tu puoi iniziare, ok? |
| |
Grazie Peter. |
| |
Ciao, mi chiamo Suling. Sono uno studente magistrale alla Singapore Management University, dove attualmente sto seguendo un corso di analisi dei dati presso la School of Computing and Information Systems. |
| |
Quindi oggi sono qui per presentare un compito che ho consegnato per il mio master in IT for Business e, cosa ancora più importante, voglio condividere il mio percorso finora con JMP. |
| |
Ho iniziato a usare JMP quest'anno e me ne sono innamorato per la sua semplicità d'uso, la gamma di metodi statistici e le visualizzazioni che potevo realizzare. |
| |
Quindi, in quanto principiante nell'uso di JMP, sono davvero onorato di essere qui a presentare il mio report e di darmi il tuo feedback, perché sento che ho ancora molto da imparare. |
| |
Quindi la motivazione del mio articolo era in realtà quella di esaminare i vaccini COVID 19, così sappiamo quanto siano importanti, ma allo stesso tempo |
| |
la velocità senza precedenti con cui è stato sviluppato e somministrato ha suscitato alcuni dubbi nella comunità in merito alla sua sicurezza. |
| |
Quindi stiamo utilizzando i dati del sistema di segnalazione degli eventi avversi dei vaccini degli Stati Uniti, sì. |
| |
Stiamo quindi utilizzando i dati provenienti da lì perché riteniamo che possano contribuire a determinare se i dubbi sulla sicurezza del vaccino siano fondati. Questo articolo si avvale quindi sia dei dati strutturati che di quelli non strutturati del VAERS per modellare la reazione avversa ai vaccini contro il COVID-19. |
| |
Cos'è il VAERS? Il Center of Disease Control and Prevention e la FDA statunitense hanno implementato questo sistema, e in realtà si tratta di un evento avverso. |
| |
sistema in cui vengono raccolti i dati. Ma in generale, ciò che vediamo è che i dati VAERS non possono essere utilizzati per determinare nessi causali con eventi avversi. |
| |
Perché il collegamento tra l'evento avverso e la vaccinazione non è stabilito. Quindi, quello che vediamo qui è che ci sono persone che segnalano, ma lì ci sono persone che segnalano gli eventi, ma poi non c'è un'azione completa che sia |
| |
Per confermare che questi sintomi ed eventi segnalati siano in qualche modo correlati al vaccino. Perché allora continuare a utilizzare questi dati? Innanzitutto, i dati sono disponibili e di pubblico dominio. |
| |
I dati sono aggiornati e, cosa ancora più importante, non è probabile che tutti gli eventi avversi vengano rilevati durante gli studi clinici a causa della bassa frequenza. Quindi |
| |
Di solito, per le sperimentazioni cliniche, includono solo individui sani. Quindi, popolazioni speciali, come quelle con malattie croniche o donne in gravidanza, sono |
| |
limitato, in modo che sappiano che il VAERS è una fonte importante per la sicurezza dei vaccini. Per maggiori informazioni al riguardo, potete consultare questo link. |
| |
Sì, quindi il set di dati utilizzato per questo studio proviene da tabelle di dati ad albero estratte dal VAERS. La prima sono i dati del VAERS. |
| |
Contiene principalmente informazioni sul profilo dei pazienti e sull'esito degli eventi avversi, quindi quello che ho qui è una piccola clip da JMP |
| |
Qui abbiamo il testo sui sintomi e potete vedere che si tratta di un solo report basato su una persona, un paziente. Ok, e i dati sono piuttosto confusi. |
| |
Il testo narrativo contiene molte informazioni utili, ma si possono notare errori di ortografia, refusi, dichiarazioni eccessivamente lunghe o addirittura molto brevi. |
| |
Quindi i due set di dati successivi che abbiamo sono i dati VAERS sui vaccini, così come i sintomi. Uno contiene informazioni sul vaccino, l'altro |
| |
viene estratto dal testo dei sintomi che possiamo vedere. Bene, quindi data questa accessibilità, in realtà i dati VAERS sono stati estratti abbastanza |
| |
molti di questi dati sono stati raccolti da un buon numero di ricercatori, ma, come puoi vedere, è molto difficile utilizzare i dati poiché la qualità del rapporto varia. |
| |
E c'è anche qualcosa che potrebbe non essere autentico. Quindi, una revisione del potere dimostra che di solito viene impiegata una qualche forma di screening manuale per estrarre le informazioni richieste. |
| |
Tuttavia, questo è anche un processo piuttosto laborioso e piuttosto difficile, quindi questo documento mira a mostrare i metodi per estrarre le informazioni chiave utilizzando tecniche di analisi del testo in JMP |
| |
e cercare di creare un modello esplicativo per spiegare le variabili più importanti coinvolte in questo evento. Quindi, quello che abbiamo fatto è stato pulire singolarmente ciascuna di queste tabelle di dati e poi unirle utilizzando l'ID VAERS. |
| |
Quello che abbiamo fatto, basandoci sui risultati dei pazienti, è stato ricavare un indice di gravità, di cui parlerò più avanti. Quindi, una volta unite le tabelle, |
| |
Ci sono quattro testi narrativi. Uno sulle allergie, sui farmaci, sulla storia clinica e sui sintomi. |
| |
Quindi utilizzeremo tecniche di analisi del testo per estrarre i vettori per i termini principali che...spiegheranno il livello di gravità di ciascuno dei dati di testo. |
| |
E uniscili alle variabili strutturate dei dati del foglio di calcolo esistenti sul set di dati. Bene, poi tutto questo viene compilato insieme e poi inserito nella creazione del modello. |
| |
Bene, quindi a cosa serve questa valutazione di gravità? Si basa sull'esito del paziente; i dati VAERS hanno 12 variabili che descrivono lo stato del paziente. |
| |
Quindi, sulla base di ciò, abbiamo estratto le variabili e cercato di dargli un senso, così abbiamo individuato quattro livelli di gravità e li abbiamo chiamati valutazione della gravità. |
| |
Quindi ora parleremo un po' di come usiamo |
| |
Piattaforma JMP Pro Text Explorer per l'analisi del testo. Iniziamo con la pulizia dei dati. Quindi, quello che volevamo fare era estrarre davvero i termini significativi dai dati di testo. |
| |
E aggiungiamo le variabili strutturate per costruire il modello. Come potete vedere, in realtà i dati di testo sono piuttosto disordinati, quindi quello che abbiamo fatto è stato |
| |
prima di tutto, bisogna decidere se usare il termine frequenza, che tipo di termine frequenza usare, e poi è stato selezionato il termine binario frequenza, poiché i dati mostrano che c'è un vantaggio significativo nel prenderlo in considerazione, nel suo utilizzo. |
| |
Quindi, un po' di informazioni sulla pulizia effettuata. Quindi, i dati di testo sono stati prima organizzati utilizzando JMP Pro Text Explorer e abbiamo utilizzato una funzionalità utile che è lì per aggiungere frasi e identificare automaticamente |
| |
i termini, quindi quello che puoi vedere è che termini come globuli bianchi sono mantenuti come frase invece di essere inseriti in sangue bianco e globuli, il che non avrebbe molto senso. |
| |
E anche altri metodi da usare. Uno è lo standard per combinare le parole in base alla loro desinenza, e poi abbiamo anche pensato di ordinare l'elenco alfabeticamente per ricodificare parole con errori di ortografia o di battitura, o cose del genere. |
| |
Sì, e poi la cosa successiva è stata usare la funzione molto comoda per ricodificare insieme tutti gli elementi simili, sì. |
| |
Quindi la cosa successiva che abbiamo fatto dopo aver ripulito il testo è stata guardare il |
| |
In realtà, era l'aspetto del flusso di lavoro. Il flusso di lavoro è utile per l'esclusione delle stop word e per vedere l'effetto della variabile target sui termini. |
| |
Quello che ho fatto qui è stato visualizzare i termini più frequenti in base alla dimensione e colorarli in base al livello di gravità. |
| |
Quindi puoi vedere che i colori più chiari appartengono ai casi meno gravi, mentre quelli più scuri appartengono ai casi più gravi. Se prendi nota, le parole sono piuttosto piccole. |
| |
E dimostra davvero che i sintomi comuni non sono gravi, ma abbiamo utilizzato termini come "incidente cerebrovascolare", "embolia polmonare" e cose del genere. Quindi questi sono correlati all'evento avverso più grave. |
| |
La prossima cosa che utilizziamo è il termine selezione, quindi il termine selezione è la nuova funzionalità di JMP Pro 16, che è arrivata al momento giusto. |
| |
Quindi integra il modello di regressione generalizzata nella piattaforma di analisi del testo, quindi, partendo dalla piattaforma di analisi del testo, puoi semplicemente selezionare dove si trova la selezione dei termini. |
| |
E poi, permette l'identificazione di termini chiave importanti per la variabile di risposta. Quindi, la nostra variabile di risposta è il livello di gravità. |
| |
Perché usare il modello di regressione generalizzata? È ampiamente utilizzato per variabili non distribuite normalmente o altamente correlate. |
| |
Dove i dati sono indipendenti l'uno dall'altro e non mostrano altre correlazioni. Quindi questo metodo è utile per noi perché si adatta al nostro set di dati. |
| |
E ogni ruolo che abbiamo all'interno della nostra tabella dati è un paziente e tutti questi sono indipendenti l'uno dall'altro. |
| |
Quindi, la cosa più importante è che il modello di regressione generalizzata consente la selezione delle variabili, ed è quello che vogliamo fare perché vogliamo selezionare le variabili con la maggiore influenza sulla variabile di risposta. |
| |
Sì, quindi per entrare un po' più nel dettaglio di questo modello di regressione, ci sono alcune opzioni che possiamo usare qui, ovvero la rete elastica e il lazo. |
| |
Quindi, la differenza è che il lazo tende a selezionare un termine da un gruppo di fattori correlati, mentre la rete elastica seleziona un gruppo di termini. Quindi, in generale, penso che venga utilizzata la rete elastica, e qui abbiamo scelto la frequenza del termine binario. |
| |
Ok, quindi questo è il risultato della selezione del termine, quindi puoi vederlo qui che ti mostra la panoramica del (???) e poi generalizzato (???) ma più interessante |
| |
se si parte dal coefficiente si può vedere che questi sono i coefficienti positivi più importanti. Quindi questi sono i principali fattori che giocano il ruolo più importante in termini della nostra variabile di risposta. |
| |
E questo qui è il sintomo che gioca meno ruolo quando si ordina in base al coefficiente. Quindi, osservando i risultati, si può vedere che arresto cardiaco, polmonite da COVID-19 e accidenti cerebrovascolari sono tutti termini che influenzano la variabile di risposta. |
| |
Quindi possiamo vedere che i sintomi di natura più grave sono correlati al cuore e ai polmoni, rispetto a quelli di frequenza più bassa, che sono in realtà sintomi molto, molto lievi. |
| |
Ok, quindi ripetiamo l'intero processo per tutti gli altri |
| |
per tutte le altre variabili di testo, quindi siamo passati all'esempio dei sintomi, quindi ci sono anche le allergie, la storia medica |
| |
così come i farmaci utilizzati, quindi quello che abbiamo fatto in seguito è stato salvare la matrice dei termini del documento. Bene, in pratica il DTM salva una colonna nella tabella dati per ogni volta. |
| |
Quindi puoi vedere qui un esempio, ci sono principalmente molti zeri perché è una matrice molto sparsa, quindi uno indicherà la presenza di, prendiamo questa colonna qui, uno indicherà la presenza di (???).. |
| |
Quindi lo salviamo e ripetiamo il procedimento per l'altra analisi del testo. |
| |
E poi, una volta salvati tutti questi termini, siamo passati alla modellazione. Quindi, la modellazione consisteva nel creare una sorta di colonna di convalida, quindi qui siamo passati alla modellazione predittiva e abbiamo creato la colonna di convalida. Quindi qui abbiamo selezionato le opzioni, quindi abbiamo impostato la convalida al 55%. |
| |
E l'obiettivo qui era identificare le variabili importanti con la gravità come variabile di risposta. Quindi in totale abbiamo sette variabili di struttura e 55 che sono state derivate dalla matrice dei termini del documento e un totale di circa 31.000 regole. |
| |
E quello che vediamo è che c'è uno squilibrio a causa del livello di severità, che si traduce in un set di dati non bilanciato. Per questo motivo, abbiamo effettuato la nostra valutazione del modello confrontando la suddivisione R e i valori AIC. |
| |
COSÌ. |
| |
Utilizziamo il modello di adattamento in JMP e scegliamo nuovamente il modello di regressione generalizzata. |
| |
E possiamo vedere che questi sono i risultati qui, quindi i modelli separati che pensi siano stati preparati nel gruppo di modelli lineari generalizzati, utilizzando le tecniche di regressione penalizzata. |
| |
E poi proviamo ad adattarci in base alle varie caratteristiche qui, questi sono tutti gli altri metodi di stima penalizzati. |
| |
Quindi, tra tutti i modelli, possiamo vedere che il metodo lazo ha il valore Rsquare più basso, e ci sono anche altri valori molto simili, quindi li esamineremo più da vicino. |
| |
Confrontando il modello di massima verosimiglianza con il modello lazo basato sulla curva ROC, si può notare che in realtà entrambe le curve ROC sono piuttosto simili. |
| |
Tuttavia la curva ROC per il modello di massima verosimiglianza mostra che ha la gravità più elevata. |
| |
Mi dispiace, la curva ROC per il modello di massima verosimiglianza mostra che |
| |
il valore ROC è più alto per il livello di gravità più alto e come puoi vedere c'è solo una leggera differenza tra i due. |
| |
E in generale, man mano che si scende nel livello di gravità, l'area in realtà aumenta e uno dei motivi è che il nostro set di dati è molto sbilanciato. |
| |
Quindi il livello di gravità è quattro, che è il livello più alto, e rappresenta solo circa il 5% dei valori totali dei dati, quindi nel complesso la differenza tra i due è davvero minima, quindi scegliamo quello con un'area leggermente più ampia. |
| |
Bene, quindi il nostro prossimo passo sarà passare al test degli effetti. Nel report, puoi scegliere di vedere il test degli effetti, quindi il test degli effetti è |
| |
il test di ipotesi dell'ipotesi nulla secondo cui la variabile non ha alcun effetto sul resto. |
| |
C'era questa spiegazione molto bella del test degli effetti sulla comunità JMP, penso che sia stata fornita da |
| |
Mark Bailey. Quindi parla un po' di come il test degli effetti si basi in realtà sulla somma dei quadrati di Tipo III per l'ANOVA. |
| |
Quindi possiamo vedere che il test degli effetti è molto adatto qui a causa del nostro set di dati, quindi in realtà testa ogni termine nel modello in termini di ogni |
| |
termine in esso. Quindi gli effetti principali vengono testati in assenza di interazioni tra gli elementi e alla luce degli altri termini, nonché alla luce degli altri effetti principali. |
| |
Quindi, quello che vuoi usare qui è quello che vediamo qui: il test degli effetti è utile per il nostro scopo, in quanto lo è per la riduzione del modello. |
| |
E ci consente di trarre inferenze dal lungo elenco di variabili significative. |
| |
Esaminiamo la probabilità del valore Chiquadrato più basso (???) prendendo come valore alfa di soglia 0,1. |
| |
Abbiamo un certo numero di variabili indipendenti, quindi la lista è piuttosto lunga e la maggior parte di esse, se esaminate attentamente, sono effettivamente correlate alle malattie cardiopolmonari. |
| |
Quindi alcuni di questi sono quelli interessati, come il numero di sintomi, il numero di giorni trascorsi dall'inizio della vaccinazione. |
| |
(???) è tanto più in cui il vaccino si concentra, tanto più che per ognuno di essi si può vedere che il resto è in qualche modo correlato all'altro. |
| |
malattie cardiopolmonari, ce ne sono alcune strane che non ho un background medico, quindi non le capisco davvero neanche io, ma puoi vedere che la sordità è una di queste, quindi ce ne sono alcune |
| |
risultati strani che possiamo vedere qui, ma in generale il quadro è questo, in termini di variabili principali in termini di elenco delle variabili. |
| |
Ok, oltre a questo, giusto, ciò che è davvero interessante è guardare la valutazione del modello, quindi anche se quello che stiamo facendo è costruire un modello esplicativo, |
| |
Sono andato a dare un'occhiata anche al modello predittivo perché JMP ha messo a disposizione un report molto ben fatto per consentirmi di esaminare le stime dei parametri, quindi |
| |
Quindi utilizzo il Profiler per cercare di capire le stime dei parametri e puoi vedere qui che i valori mostrati sono davvero, davvero piccoli, quindi questo è il valore che ottieni |
| |
immediatamente quando apri il Profiler, quindi i valori qui sono la media di ciascuna variabile e puoi vedere che ciascuna di queste variabili |
| |
In realtà, ciascuno di questi valori è molto piccolo, il che significa che l'effetto sulla gravità in base a questi coefficienti è molto limitato. |
| |
Basandoci su questi come coefficiente delle variabili previste, possiamo affermare che, in base a questo studio, in realtà i sintomi e il loro effetto hanno un impatto molto, molto limitato sulla gravità, e questo è un po' come... |
| |
in un certo senso, è nelle aspettative vedere che la maggior parte di questi sintomi ed effetti, perché stiamo osservando il quadro generale del vaccino, possiamo vedere che la maggior parte di questi sintomi (anamnesi, allergie) hanno in realtà un effetto molto limitato sull'esito del vaccino. |
| |
Va bene. |
| |
Sì. |
| |
Quindi, una breve conclusione, alcune affermazioni conclusive. Sono state prese diverse decisioni nel raggruppamento e nella classificazione delle variabili. |
| |
E sebbene queste variabili siano state elaborate al meglio delle nostre conoscenze, soprattutto nel modo in cui abbiamo elaborato un livello di severità, |
| |
Forse abbiamo bisogno di consultare un esperto che abbia familiarità con gli studi sui vaccini o con le sperimentazioni cliniche per stabilire se il livello di gravità sia sufficiente o meno per |
| |
per valutare gli esiti degli eventi avversi. E sulla base della costruzione di modelli di dati strutturati e non strutturati |
| |
abbiamo identificato i fattori chiave che variano a seconda della gravità della reazione al vaccino contro il COVID-19. |
| |
Tuttavia, non sappiamo ancora se l'effetto di queste variabili chiave sulla variabile di risposta sia molto piccolo; lo possiamo vedere osservando le variabili. |
| |
E infine, la matrice dei termini del documento basata sulle valutazioni binarie: la frequenza dei termini binari si è rivelata la più efficace nel rappresentare i pesi degli altri termini nel documento. |
| |
E il modello lineare generalizzato con la tecnica di regressione penalizzata lazo ha prodotto il modello ottimale. |
| |
Spero quindi che questa breve presentazione vi sia piaciuta e fatemi sapere se avete domande o commenti. Grazie mille. |
| Pietro Polito |
ottimo lavoro. |
| |
era molto. |
| |
Oh no. |
| |
Ho appena realizzato che sono, sai, un errore, volevamo questa vita, oh mio dio. |
| Pietro Polito |
Quindi questa è esattamente la situazione in cui ti trovi. |
| |
Quindi al summit vero e proprio ci sarà un relatore. |
| |
E così ti contatteranno in anticipo e tu dirai semplicemente: "Ho un errore in una delle mie diapositive", e quando compare questa parte, lui o lei la metterà in pausa. |
| |
E poi puoi condividere la diapositiva, parlarne e poi tornare subito al video, quindi non preoccuparti affatto. |
| |
Ciò che è accaduto parecchio durante il Discovery Summit dell'anno scorso non è affatto un problema. |
| |
Va bene, va bene. |
| |
Oh cavolo, James. |
| Pietro Polito |
Vorresti sistemarlo e rifarlo? Ti farebbe sentire meglio. |
| |
Non lo so. |
| |
Se è proprio questo qui, perché questa è la casella sbagliata, mi ci vorrà un po' di tempo per sistemarlo perché dovrò riscriverlo, sì. |
| Pietro Polito |
Sì, allora non lo sapevo, non preoccuparti, sarà una soluzione molto semplice e potrai farlo in tempo reale. |
| |
Va bene, va bene. |
| |
Va bene, sì. |
| |
Grazie comunque per avermi seguito fino in fondo. |
| Pietro Polito |
Sì, nessun problema, è fantastico, davvero. |
| |
Va bene. |
| Pietro Polito |
Va bene, avete altre domande, commenti o altro? |
| |
sì, ne ho uno, è questo, ehm, cosa c'è, un link dove posso caricare tutte le mie diapositive, la mia gente e cose del genere, ma c'è stato un errore con il mio. |
| |
email, e credo che sia stata Tanya a dirmi che quando mi ha risposto correttamente, credo che si sia persa quel link, quindi ho pensato che il link sarebbe stato incorporato in una delle registrazioni, ma non credo che abbiate capito bene. |
| Pietro Polito |
Non ce l'ho, ma contatterò Tanya e le chiederò di contattarti direttamente. |
| |
Per contribuire a porre rimedio a questa situazione. |
| |
Ok, certo, grazie mille. Penso che questo combaci con la mia email, sì. |
| Pietro Polito |
Grazie mille. |
| |
Nessun problema, va bene. Buona notte e buon riposo. |
| |
Sì, ti auguro una buona giornata. |
| Pietro Polito |
Grazie. |
| |
Tanti arrivederci. |
