756782_ja-JP

liliconcom

COVID-19ワクチンの副反応モデル（2021-US-30MP-920）

スリン・リー、SMU、シンガポール経営大学

COVID-19ワクチンは、世界中で感染者数と死亡者数の急増を引き起こしているパンデミックの収束に向けて重要な役割を果たしています。しかしながら、ワクチンの開発と接種が前例のない速さで行われたことから、地域社会における安全性への疑問が生じています。米国ワクチン有害事象報告システム（VAERS）のデータは、ワクチンの安全性に関する懸念が根拠に基づいているかどうかを判断する上で役立つ可能性があります。そこで本稿では、VAERSの構造化変数と非構造化変数の両方を用いて、COVID-19ワクチンの有害反応をモデル化します。

副作用の重症度は、まずVAERSデータセットから、ワクチン接種後の反応に伴う転帰を記述する変数から導出されます。次に、症状、病歴、投薬、アレルギーを記述したテキスト形式の非構造化データを文書用語行列（DTM）に変換し、これらを構造化変数と組み合わせることで、副作用の重症度を予測するモデルを構築します。説明モデルは、JMP Pro 16の一般化回帰モデルとバイナリ文書用語行列（DTM）を用いて構築され、モデル評価は検証セットのRSquare値に基づいて行われます。

最適モデルは、二値DTMのLasso推定法を用いた一般化回帰モデルです。最適モデルから得られた副作用に影響を与える主な決定要因は、症状の数、ワクチン接種開始までの期間、ワクチンの投与方法、患者の年齢、および心肺疾患に関連する症状です。

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
ピーター・ポリト	今日の調子はどうですか。
	聞こえますか。
	あなたが話しているのなら、私はあなたの言うことを聞き取ることができません。
	こんにちは。
	テストテスト。
	ああ、こんにちは、レオ、聞こえますか。
	はい、申し訳ありません。技術的な問題が原因だと思います。
ピーター・ポリト	ああ、全然問題ありません。
	ああ、それはいいジミーだ。
ピーター・ポリト	ああ、どこだ。
	どこからお電話ですか。
	シンガポール。
ピーター・ポリト	シンガポールは大丈夫、何時くらいに遅いですか。
	約909。
ピーター・ポリト	ええ、そうですね。
	ええ、素晴らしいですね。
	しがみついている。
	とても遅くなりましたが、作ってくれてありがとう。
	可能ですよ。大丈夫ですよ。ええ、いいものができるといいんですけど。
	おお。
	いいえ、このことでとてもストレスを感じています。ああ、そうですね。わかりました。仮想背景を設定しましょう。
	わかった。
ピーター・ポリト	正式に始める前に、私の側でいくつか確認しておきたいことがあります。
	わかった。
ピーター・ポリト	ただ私にください。
	ここで1分。
	うん。
ピーター・ポリト	私はここですべてを正しく行うために、チェックリストだけ持参します。
	大丈夫。
	確認のため。
	癒されますね。
	ええ、あなたの講演のタイトルは「魔女団のワクチンの副作用のモデル」ですね。
	はい、そうですか、その通りです。
ピーター・ポリト	わかりました。この録画は使用のために行われ、Jump Discovery Summit カンファレンスは Jump ユーザー コミュニティで公開されることをご理解いただけるようお願いいたします。この録画と使用を許可していただけますか。
	はい、わかりました。素晴らしいです。
	マイクの音は良好で、バックグラウンドのノイズは聞こえません。携帯電話の電源はオフになっていますか。その他、ランダムなノイズの原因となるものはありますか。
	ちょっとまって。
	送りますよ、見つけてあげましょう。
ピーター・ポリト	はい、それから。
	画面を共有できるかどうかを確認する必要があります。また、解像度やその他のいくつかの点を確認します。
	はい、もちろんです。
ピーター・ポリト	ありがとう。
	すみません、リサ・リングですか、それともスージングリーですか。
	私の名前はうまく発行されました。
ピーター・ポリト	大丈夫だよ。
	えっと、大丈夫ですか。
ピーター・ポリト	まだ見えません。ああ、えーっと、パイがそれを覆っているのをちょっとだけ見てください。
	それは良さそうですね。
	画面の下部に移動すると、タスクバーは実際に表示されますが、タスクバーは表示されないので問題ありません。
	わかった。
ピーター・ポリト	確認させてください。
	Outlook や Skype などのポップアップを作成する可能性のあるプログラム、またはそれらのいずれかがすべて閉じられて終了します。
	うーん、そうだと思います。だから、彼らをチェックすることに賭けます。
	キッチンを閉めてください。
	わかった。
	うん、よかった。
ピーター・ポリト	さて、それでは、PowerPoint だけで作業する予定ですか、それともジャンプも表示する予定ですか。
	転送が心配だったので、PowerPointから転送することにします。
ピーター・ポリト	はい、素晴らしいです。それでは、すでに録画しているので、音声をミュートしてカメラをオフにします。
	私の写真が消えたらすぐに始めてください。私はいかなる理由があっても邪魔をしません。30 分間のプレゼンテーションなので、最後までやり遂げましょう。私はここにいませんので、独り言を言っているようなものになるでしょう。
	はい、それで議事録は大丈夫です。
ピーター・ポリト	出発の準備はできましたか。
	うん。
ピーター・ポリト	わかった。
	はい、実際にいつになるか知っていただくためです。
	明日、自分が間違った言い方をしていたことに気づいたり、少し違う方法で何かを提示したかったことに気づいたら、ディスカバリーサミットを開催してください。
	プレゼンテーションの進行中にライブで参加し、プレゼンテーションを行う人にデポジットを要求し、「これからこう言いますが、私が伝えたかったのは、次のようなことです」と言うことができます。
	プレゼンテーション中にリアルタイムで編集するので、すべての単語を完璧にしようとストレスを感じる必要はありません。ただリラックスして、それを見れば、きっと大丈夫でしょう。
	よし。
	うん。
ピーター・ポリト	はい、ミュートにしてカメラをオフにしますので、それでは始めてください。
	ありがとう、ピーター。
	こんにちは、スリンです。シンガポール経営大学の修士課程に在籍しており、現在はコンピューティング・情報システム学部でデータ分析のコースを受講しています。
	実は今日私がここにいるのは、ビジネス向け IT プログラムの修士課程に提出した課題を発表するためであり、さらに重要なこととして、これまでの JMP の取り組みを共有したいからです。
	今年から JMP を使い始めましたが、その使いやすさ、さまざまな統計手法、そして JMP で実行できる視覚化機能のおかげで、本当に気に入りました。
	JMP 初心者として、ここでレポートを発表できることを大変光栄に思います。皆さんのフィードバックをお待ちしています。まだまだ学ぶべきことがたくさんあると感じているからです。
	私の論文の動機は、COVID-19ワクチンについて調べることでした。ワクチンの重要性は分かっていますが、
	前例のない速さで開発され、運用されたことから、その安全性に関して社会に疑問が生じている。
	はい、私たちは米国のワクチン有害事象報告システムのデータを使用しています。
	ワクチンの安全性に関する懸念が根拠のあるものであるかどうかを判断するのに役立つ可能性があると判断したため、そこからのデータを使用しています。本論文では、VAERSの構造化データと非構造化データの両方を用いて、COVID-19ワクチンの副作用をモデル化しています。
	ではVAERSとは何でしょうか？疾病管理予防センターと米国食品医薬品局がこのシステムを導入しており、これは有害事象の報告です。
	データ収集システムです。しかし、一般的には、有害事象との因果関係を判定するのに使用できないVAERSデータが見られます。
	有害事象とワクチン接種の関連性が確立されていないからです。つまり、ここで実際に見られるのは、報告する人はいるものの、実際に何らかの対策が取られていないということです。
	報告されているこれらの症状や事象がワクチンとの関連性があるかどうかを確認するためです。では、なぜこのデータを依然として使用したいのでしょうか？まず、このデータは入手可能であり、パブリックドメインです。
	データは最新のものであり、さらに重要なのは、発生頻度が低いため、臨床試験中にすべての有害事象が記録されるわけではないということです。そのため、
	通常、臨床試験では健康な個人のみが対象となります。そのため、慢性疾患を持つ人や妊婦などの特別な集団は
	VAERSがワクチンの安全性に関する重要な情報源であることを周知徹底するため、VAERSの規模は限定的です。詳細については、こちらのリンクをご覧ください。
	そうですね、この研究に使用したデータセットは、VAERSから抽出したツリーデータテーブルから取得しました。最初のものはVAERSデータです。
	主に患者のプロフィールと有害事象の結果に関する情報が含まれています。ここではJMPからの短いクリップです。
	ここに症状のテキストがあり、これは1人の人物、1人の患者に基づいた1つのレポートであることがわかります。さて、データはかなり乱雑です。
	物語文には役立つ情報が多数含まれていますが、スペルミスやタイプミス、長すぎる記述や非常に短い記述などがあることがわかります。
	次の2つのデータセットは、ワクチン接種データのVAERSと症状です。1つはワクチンに関する情報、もう1つは
	目に見える症状のテキストから抽出されています。このアクセスしやすさを考えると、VAERSデータはかなりマイニングされています
	かなりの数の研究者によって多くのデータが提供されていますが、レポートの品質がさまざまであるため、データの使用は実際には非常に難しいことがわかります。
	また、本物ではない可能性のあるものもあります。そこで、そのパワーを検証してみると、必要な情報を抽出するために、通常は何らかの手動スクリーニングが行われていることがわかります。
	しかし、これは非常に手間がかかり、非常に難しいため、この論文では、JMPのテキスト分析技術を使用して重要な情報を抽出する方法を紹介することを目的としています。
	そして、この事象に関係する最も重要な変数を説明する説明モデルを作成しようとしました。そこで、ここにある各データテーブルを個別にクリーンアップし、VAERS IDを使用して結合しました。
	患者の転帰に基づいて私たちが行ったのは、重症度評価と呼ばれるものを導き出すことでした。これについては後ほど少しお話しします。テーブルを結合すると
	物語形式のテキストが4つあります。1つはアレルギー、投薬、病歴、症状に関するものです。
	次に、テキスト分析技術を使用して、各テキスト データの重大度評価を説明する上位用語のベクトルを抽出します。
	そして、それらをデータセット上の既存のスプレッドシートデータの構造化変数に結合します。そして、これらすべてをまとめてコンパイルし、モデル構築に組み込みます。
	さて、重症度評価とは一体何でしょうか？これは患者の転帰に基づいており、VAERSデータには患者の状態を表す12の変数があります。
	そして、これに基づいて変数を抽出し、その意味を理解しようとした結果、重大度の 4 つのレベルが導き出され、これを重大度評価と呼んでいます。
	それでは次に、どのように使うかについて少しお話しましょう
	JMP Pro Text Explorerはテキスト分析プラットフォームであり、まずはデータのクリーニングから始めます。つまり、テキストデータから重要な用語を抽出したいのです。
	そして、それらを構造化変数に追加してモデルを構築します。ご覧のとおり、テキストデータは非常に乱雑なので、次のようにしました。
	まず、用語頻度を使用するか、どの種類の用語頻度を使用するかを決定します。そして、データにより、それを使用することを検討することで大きな利点があることが示されているため、バイナリ用語頻度が選択されました。
	次に、クリーニングについて少しお話します。テキストデータはまずJMP Proのテキストエクスプローラを使って整理され、フレーズを追加したり、自動的に識別したりする便利な機能を使用しました。
	用語を見ると、白血球などの用語が、白血球と細胞にまとめられるのではなく、フレーズとして保持されていることがわかります。これでは、あまり意味がありません。
	他にもいくつか方法があります。一つは、語尾に基づいて単語を語幹化する結合基準です。もう一つは、スペルミスやタイプミスなどを再コード化するために、リストをアルファベット順に並べ替えるというものです。
	はい、そして次のことは、非常に便利な関数を使用して、類似のアイテムをすべてまとめて再コード化することでした。
	テキストを整理した後の次の作業は、
	実際にワークフローを見てみました。ワークフローは、ストップワードの除外や、ターゲット変数が用語に与える影響を確認するのに役立ちます。
	ここで私が行ったのは、最も頻繁に使用される用語をサイズ別に視覚化し、重大度評価に基づいて色分けすることです。
	明るい色はそれほど重症ではない症例、暗い色は最も重症である症例であることがわかります。また、文字が非常に小さいことがわかります。
	共通する症状は重篤ではないものの、脳血管障害、肺塞栓症などの用語を拾い上げていることがわかります。つまり、これらは最も重篤な有害事象に関連しているということです。
	次に用語選択を使用します。用語選択は JMP Pro 16 の新機能であり、非常にタイムリーでした。
	したがって、一般化回帰モデルをテキスト分析プラットフォームに統合しているので、テキスト分析プラットフォームに従って、用語選択がある場所でこれを選択するだけです。
	そして、応答変数にとって重要なキーワードを特定することができます。つまり、応答変数は重症度評価です。
	では、なぜ一般化回帰モデルを使うのでしょうか？これは、正規分布していない変数や相関の高い変数に広く使用されているからです。
	データは互いに独立しており、他の相関関係は見られません。この方法は、私たちのデータセットに適合するため、有用です。
	データ テーブル内の各ロールは患者であり、それらはすべて互いに独立しています。
	したがって、最も重要なことは、一般化回帰モデルでは変数の選択が可能であり、応答変数に最も大きな影響を与える変数を選択する必要があるため、これを実行するということです。
	はい、この回帰モデルについてもう少し詳しく説明すると、ここでは Elastic Net と Lasso といういくつかのオプションを使用できます。
	これら2つの違いは、Lassoは相関関係にある因子のグループから1つの用語を選択する傾向があるのに対し、Elastic Networkは複数の用語のグループを選択することです。一般的にはElastic Networkが使用されると思います。そして、こちらではバイナリ用語頻度を選択しています。
	さて、これが用語選択の結果です。ここでは（？？？）の概要と一般化された（？？？）が表示されていますが、さらに興味深いのは
	係数から始めると、これらが上位の正の係数であることがわかります。つまり、これらは応答変数に関して最も大きな役割を果たす上位の要因です。
	こちらが係数に従って並び替えた場合、最も影響が少ない症状です。結果を見ると、心停止、COVID-19肺炎、脳血管発作といった用語が、応答変数に影響を与えることがわかります。
	ですから、より深刻な性質の用語は心臓と肺に関係しているのに対し、頻度の低い用語は実際には非常に軽い症状であることがわかります。
	さて、他のすべてについてもこのプロセスを繰り返します
	他のすべてのテキスト変数については、症状の例を見てきましたが、アレルギーや病歴もあります
	使用される薬剤も保存するため、後でドキュメント用語マトリックスを保存しました。これは基本的に、DTMがデータテーブルに各時刻の列を保存することを意味します。
	ここで例を見ると、非常にスパースな行列であるため、主にゼロが多く、ここにある列は (???) の存在を示します。
	したがって、それを保存し、他のテキスト分析に対してこのプロセスを繰り返します。
	全ての用語を保存したら、モデリングに移りました。モデリングでは、検証列のようなものを組み込むことになります。ここでは予測モデリングに進み、検証列を作成します。ここで選択肢を選択し、検証設定を55%とします。
	ここでの全体的な目的は、重大度を応答変数として重要な変数を識別することです。つまり、全体として 7 つの構造変数と、ドキュメント用語マトリックスから派生した 55 個の変数があり、ルールの合計は約 31,000 個になります。
	重症度評価によってデータセットに不均衡が生じていることがわかります。そのため、R分割とAIC値を比較してモデル評価を行いました。
	それで。
	JMP の適合モデルを使用し、一般化回帰モデルを再度選択します。
	これらは結果であり、ペナルティ付き回帰手法を使用して一般化線形モデルのグループと考えられる個別のモデルが作成されたことがわかります。
	そして、ここにあるさまざまな特性に基づいて適合を試みます。これらはすべて、その他のペナルティ付き推定方法です。
	したがって、すべてのモデルの中で、Lasso メソッドの Rsquare 値が最も低く、最も高いことがわかります。また、これに非常に近い値もいくつかあるため、それらを詳しく見ていきます。
	したがって、最大尤度モデルと ROC 曲線に基づく Lasso モデルを比較すると、実際には両方の ROC 曲線が非常に似ていることがわかります。
	しかし、最大尤度モデルの ROC 曲線は、これが最も重大度が高いことを示しています。
	申し訳ありませんが、最大尤度モデルのROC曲線は、
	最も高い重大度評価では ROC 値が高くなり、両者の間にはわずかな差しかないことがわかります。
	一般的に、深刻度評価が下がるにつれて、エリアは実際に増加しますが、その理由の 1 つは、データ セットが非常に不均衡であるためです。
	重大度評価は最高レベルの 4 で、そのレベルの大部分は合計データ値の約 5% に過ぎません。つまり、全体としては、これら 2 つの差は実際にはほとんどないため、わずかに広い領域を持つ方を選択します。
	さて、次は効果テストです。レポートでは効果テストの表示を選択できます。効果テストは
	変数が残りの部分に影響を与えないという帰無仮説の仮説検定。
	JMPコミュニティに効果検定についての非常に良い説明がありました。
	マーク・ベイリー。彼は、効果検定が実際には分散分析のタイプIII平方和に基づいていることについて少し説明しています。
	データセットのおかげで、効果検定はここでは非常に適しており、モデル内のすべての項をすべての観点から実際にテストしていることがわかります。
	用語は含まれません。したがって、主効果は項目間の相互作用を考慮に入れず、他の用語や他の主効果も考慮して検証されます。
	ここで使用したいのは、ここでわかるように、効果テストはモデルの削減に役立ち、目的に役立ちます。
	そして、これにより、重要な変数の長いリストを推論することが可能になります。
	アルファ値を 0.1 にカットオフして、カイ二乗 (???) の最低カイ二乗値での確率を調べます。
	独立変数は多数あるため、リストはかなり長くなりますが、そのほとんどが、よく見ると、心肺疾患に関連していることがわかります。
	症状の数やワクチン接種開始から次のワクチン接種までの日数など、影響を受けるものもあります。
	（？？？）は、ワクチンがそれぞれの中心にあるほど、残りのワクチンが何らかの形で互いに関連していることがわかります。
	心肺疾患には奇妙なものがいくつかあります。私は医学のバックグラウンドがないので、よく理解できませんが、難聴もその一つです。
	ここでは奇妙な結果が見られますが、一般的には、変数のリストの上位の変数に関しては、これが図です。
	さて、これ以外にも、本当に興味深いのはモデル評価を見ることです。私たちがやっているのは説明モデルを構築することですが、
	JMPはパラメータ推定値を見るためのレポートをとてもわかりやすく提供してくれたので、予測モデルも調べてみました。
	プロファイラーを使ってパラメータ推定値を理解しようとしましたが、ここに表示されている値は非常に小さいことがわかります。これが得られる値です。
	プロファイラを開くとすぐに、ここに表示されている値は各変数の平均であり、これらの変数のそれぞれが
	ここでのそれぞれの値は実際には非常に小さいので、これらの係数に基づく重症度への影響はごくわずかであることを意味します。
	これらを予測変数の係数として用いています。この研究に基づくと、実際には（？？？）症状とその影響は重症度にほとんど影響を与えないことがわかります。これは、
	ワクチンの全体像を見ていると、これらの症状や影響のほとんどが、病歴やアレルギーなど、ワクチンの効果にほとんど影響を与えないことがわかりますが、これは予想の範囲内です。
	そうですね。
	うん。
	結論として、いくつか述べておきたいことがあります。変数のグループ化と分類に関して、いくつかの決定がなされました。
	これらの変数は、特に重症度評価の算出方法において、私たちの理解の範囲内で作成されましたが、
	重症度評価が十分であるかどうかについては、ワクチン研究や臨床試験に精通した専門家に相談する必要があるかもしれません。
	有害事象の結果をスコアリングします。構造化データと非構造化データのモデル構築に基づいて
	COVID-19ワクチン接種に対する反応の重症度に応じて変化する重要な要因を特定しました。
	ただし、これらの主要変数が応答変数の重大度に与える影響はまだ非常に小さいため、これは変数を調べることによって確認できます。
	そして最後に、バイナリ評価に基づくドキュメント用語マトリックスでは、バイナリ用語頻度がドキュメント内の他の用語の重みを表すのに最も効果的であることがわかりました。
	そして、Lasso ペナルティ回帰手法を使用した一般化線形モデルによって最適なモデルが生成されました。
	ということで、この短いプレゼンテーションを楽しんでいただければ幸いです。ご質問やフィードバックがありましたら、ぜひお知らせください。ありがとうございます。
ピーター・ポリト	素晴らしい仕事だ。
	とてもでした。
	なんてこった。
	僕たちがこんな人生を望んでいたなんて、間違いだったって気づいたんだ。
ピーター・ポリト	これがまさにあなたが今いる状況です。
	実際のディスカバリーサミットにはプレゼンターがいます。
	そして、彼らは事前にあなたに連絡し、あなたは「スライドの 1 つに間違いがあります」と言うだけで、この部分が出てくると、彼または彼女はそれを一時停止します。
	そして、スライドを共有してそれについて話し、すぐにビデオに戻ることができるので、まったく心配する必要はありません。
	これは昨年のディスカバリーサミット中に頻繁に発生しましたが、まったく問題ではありません。
	はいはい。
	まあ、ああ、ジェームズ。
ピーター・ポリト	それを修正してやり直したら気分が良くなるでしょうか。
	わからない。
	もしこれが実際に間違ったボックスである場合、それを再入力する必要があるため、実際に修正するにはしばらく時間がかかります。
ピーター・ポリト	そうですね、それなら知らなかったのですね。心配しないでください。本当に簡単に修正できますし、リアルタイムで実行できます。
	はいはい。
	はいはい。
	それでも、最後まで座っていてくれてありがとう。
ピーター・ポリト	はい、問題ありません。本当に素晴らしいです。
	わかった。
ピーター・ポリト	他にご質問やご意見などございましたら、どうぞ。
	はい、1つあります。それは、うーん、それで、リンクはどうなっているのでしょうか。そこに、スライドや人々などをすべてアップロードできるのですが、私のものと混乱がありました。
	メールですが、ターニャから聞いた話では、ターニャが私に返信したときにそのリンクを見逃したようです。そのため、そのリンクは録音の 1 つに埋め込まれると思っていましたが、皆さんは正しく理解していないようです。
ピーター・ポリト	持っていませんが、ターニャに連絡して、直接あなたに連絡するように頼みます。
	それを改善するのに役立ちます。
	はい、ありがとうございます。これで私のメールアドレスは完了したと思います。
ピーター・ポリト	どうもありがとう。
	問題ありません。では、おやすみなさい、ゆっくり休んでください。
	はい、良い一日をお過ごしください。
ピーター・ポリト	ありがとう。
	それではまた。

高度な統計モデリング自動化とスクリプト基本的なデータ分析とモデリング消費者および市場調査コンテンツの編成データのブレンドとクリーンアップデータの探索と可視化実験計画法予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析