756782_ko-KR

liliconcom

COVID-19 백신 부작용 모델(2021-US-30MP-920)

Suling Lee, SMU, 싱가포르 경영대학교

COVID-19 백신은 전 세계적으로 감염과 사망자 급증을 유발하는 세계적 대유행을 완화하는 데 중요한 역할을 합니다. 그러나 전례 없는 속도로 개발 및 투여되면서 지역 사회 내 안전성에 대한 의문이 제기되었습니다. 미국 백신 부작용 보고 시스템 (VAERS)의 데이터는 백신 안전성 우려의 근거가 있는지 판단하는 데 도움이 될 수 있습니다. 따라서 본 논문에서는 VAERS의 구조화 변수와 비구조화 변수를 결합하여 COVID-19 백신의 부작용을 모델링합니다.

부작용의 심각도는 먼저 VAERS 데이터 세트에서 반응 후 백신 접종자의 결과를 설명하는 변수로부터 도출됩니다. 다음으로, 증상, 병력, 복용 약물, 알레르기를 설명하는 텍스트 형태의 비정형 데이터를 문서 용어 행렬(Document Term Matrix)로 변환하고, 이를 구조화된 변수와 결합하여 부작용의 심각도를 예측하는 모델을 구축합니다. 설명 모델은 JMP Pro 16에서 일반화 회귀 모형과 이진 문서 용어 행렬(DTM)을 사용하여 구축되었으며, 모델 평가는 검증 세트의 RSquare 값을 기반으로 합니다.

최적 모형은 이진 DTM(Binary DTM)에 라소 추정법을 사용한 일반화 회귀 모형입니다. 최적 모형에서 이상반응에 기여하는 주요 결정 요인은 증상 수, 백신 접종 시작 간격, 백신 접종 방법, 환자 연령, 그리고 심폐 질환 관련 증상입니다.

자동 생성된 대본...

스피커	성적 증명서
피터 폴리토	오늘 하루 어땠어요.
	나의 말이 들리나요?
	당신이 말하고 있다면, 나는 당신의 말을 들을 수 없습니다.
	안녕하세요.
	테스트 테스트.
	오, 안녕하세요 레오. 들리나요?
	네, 죄송해요. 기술적인 어려움이 있었던 것 같아요.
피터 폴리토	아, 전혀 문제없습니다.
	오, 알겠어요. 좋은 말씀이에요, 지미.
피터 폴리토	아, 어디에요.
	어디에서 전화하시는 건가요?
	싱가포르.
피터 폴리토	싱가포르는 괜찮아요, 몇 시쯤에 도착하나요?
	약 909개.
피터 폴리토	네, 그렇죠.
	네, 잘했어요.
	매달려 있다.
	너무 늦었지만 알려주셔서 고맙습니다.
	가능하지, 괜찮아. 음, 잘 되길 바라.
	오.
	아니, 난 이 일로 엄청난 스트레스를 받았어. 아, 그래, 알았어. 가상 배경을 넣어볼게.
	좋아요.
피터 폴리토	그리고 공식적으로 시작하기 전에 몇 가지 사항을 먼저 확인해야 합니다.
	좋아요.
피터 폴리토	그냥 나에게 주세요.
	여기서 1분.
	응.
피터 폴리토	제가 체크리스트를 가져오는 이유는 여기서 모든 것을 올바르게 하는지 확인하기 위해서입니다.
	괜찮은.
	그러니 확인하려고요.
	당신은 위로하는군요.
	네, 당신의 발표 제목은 코벤 백신 부작용 모델이군요.
	네, 맞나요? 네, 맞아요.
피터 폴리토	좋습니다. 그리고 이것이 점프 디스커버리 서밋 컨퍼런스의 사용을 위해 녹화된다는 것을 확실히 이해하시기 바랍니다. 이 녹화와 사용에 대해 허가해 주시겠습니까?
	네, 알겠습니다.
	마이크 음질이 좋고, 배경 소음은 들리지 않습니다. 휴대전화가 꺼져 있는지, 그런 종류의 것들, 무작위적인 소음을 낼 만한 것들은 없는지.
	잠깐만요.
	내가 보내서 찾아낼게요.
피터 폴리토	좋아, 그럼.
	화면을 공유할 수 있는지 확인해야 하며, 해상도와 몇 가지 다른 사항을 검토해 보겠습니다.
	알겠습니다.
피터 폴리토	감사합니다.
	죄송한데요, 리사 링인가요 아니면 달래는 건가요?
	제 이름이 꽤 괜찮게 나왔네요.
피터 폴리토	알겠습니다.
	음, 괜찮아요.
피터 폴리토	아직은 모르겠는데 오, 음 알다시피 파이를 덮는 건 잠깐만요.
	좋아 보이네요.
	그리고 화면 하단으로 가면 작업 표시줄이 보이지 않으니 괜찮습니다.
	좋아요.
피터 폴리토	그리고 제가 확인해 보겠습니다.
	Outlook이나 Skype 등 팝업을 생성할 수 있는 모든 프로그램은 모두 닫히고 종료됩니다.
	음, 그럴 것 같아요. 그래서 확인해 봤어요.
	주방을 닫아주세요.
	좋아요.
	네 좋아요.
피터 폴리토	좋아요. 그럼 파워포인트로만 작업할 건가요, 아니면 점프도 보여줄 건가요?
	나는 트랜지션이 걱정되었기 때문에 파워포인트에서 그것을 운명으로 정할 것입니다.
피터 폴리토	좋아요, 좋습니다. 그럼 음소거하고 카메라를 끄겠습니다. 우리는 이미 녹화 중이니까요.
	제 사진이 사라지는 것을 보자마자 바로 시작하세요. 어떤 이유로든 방해하지 않을 겁니다. 30분짜리 프레젠테이션이니 자세히 살펴보도록 하죠. 저는 여기 있지도 않을 테니까, 마치 혼잣말을 하는 것 같을 겁니다.
	좋아요, 그럼 회의록은 맞죠?
피터 폴리토	출발할 준비가 되셨나요?
	응.
피터 폴리토	좋아요.
	알겠습니다. 실제로 언제인지 알려드리려고요.
	내일 실수로 말했거나 약간 다른 방식으로 발표하고 싶었다는 것을 깨달았다면, 디스커버리 서밋에 참석하세요.
	프레젠테이션이 진행되는 동안 생방송을 할 수 있고, 프레젠테이션을 하는 사람에게 보증금을 물어볼 수도 있고, "이 말을 하려고 하는데, 제가 전달하고 싶은 건 이런 거예요"라고 말할 수도 있습니다.
	프레젠테이션 중에 실시간으로 편집할 수 있으므로 모든 단어를 완벽하게 전달하려고 스트레스 받지 말고, 편안하게 앉아서 진행하면 괜찮을 거라고 확신합니다.
	괜찮은.
	응.
피터 폴리토	좋아요, 카메라를 음소거하고 끄겠습니다. 그러면 계속해서 시작하세요.
	고맙습니다, 피터.
	안녕하세요, 저는 술링입니다. 싱가포르 경영대학교 석사과정에 재학 중이며, 현재 컴퓨팅 및 정보 시스템 학부에서 데이터 분석 과정을 수강하고 있습니다.
	그래서 오늘 저는 IT 비즈니스 석사과정에 제출한 과제를 발표하기 위해 이 자리에 모였습니다. 그리고 더 중요한 것은 지금까지 제가 JMP를 통해 겪은 과정을 여러분과 공유하고 싶다는 것입니다.
	그래서 저는 올해 JMP를 사용하기 시작했는데, 사용하기 쉽고 통계적 방법이 다양하며 시각화 기능도 있어서 정말 좋아하게 됐어요.
	JMP를 사용하는 초보자로서, 제 보고서를 발표하게 되어 매우 영광입니다. 여러분의 피드백을 듣고 싶습니다. 아직 배워야 할 것이 너무 많다고 느끼거든요.
	그래서 제 논문의 동기는 실제로 COVID 19 백신을 살펴보는 것이었습니다. 그래서 우리는 그것이 얼마나 중요한지 알고 있습니다.
	이 약물이 전례 없는 속도로 개발되고 투여되면서 지역 사회에서는 이 약물의 안전성에 대한 의구심이 일고 있습니다.
	그렇다면 우리는 미국 백신 부작용 보고 시스템의 데이터를 사용하고 있는 셈인가요?
	따라서 저희는 백신 안전성 우려의 근거가 있는지 판단하는 데 도움이 될 수 있는 잠재력이 있다고 판단하여 해당 데이터를 활용하고 있습니다. 따라서 본 논문에서는 VAERS의 구조화된 데이터와 비구조화된 데이터를 모두 활용하여 COVID-19 백신의 부작용을 모델링합니다.
	그렇다면 VAERS는 무엇일까요? 질병통제예방센터(CDC)와 미국 식품의약국(FDA)이 이 시스템을 도입했는데, 실제로는 부작용 사례입니다.
	데이터를 수집하는 시스템입니다. 하지만 일반적으로 우리가 보는 것은 VAERS 데이터로, 부작용과의 인과 관계를 파악하는 데 사용할 수 없다는 것입니다.
	부작용과 백신 접종 사이의 연관성이 확립되지 않았기 때문입니다. 따라서 실제로 우리가 여기서 보는 것은 보고하는 사람들이 있다는 것입니다. 하지만 거기에는 사건을 보고하는 사람들이 있습니다. 하지만 그에 대한 완전한 조치는 없습니다.
	보고된 이러한 증상과 사례가 백신과 관련이 있는지 확인하기 위해서입니다. 그렇다면 왜 이 데이터를 계속 사용해야 할까요? 첫째, 데이터가 공개되어 있고 접근이 가능하기 때문입니다.
	데이터는 최신 상태이며, 더 중요한 것은 빈도가 낮아 임상 시험 중 모든 부작용을 포착할 가능성이 낮다는 것입니다.
	일반적으로 임상 시험에서는 건강한 사람만 포함합니다. 따라서 만성 질환자나 임산부와 같은 특수 집단은
	VAERS가 백신 안전에 중요한 정보원이라는 것을 알 수 있도록 제한적으로 제공됩니다. 더 자세한 정보는 여기 링크를 참조하세요.
	네, 이 연구에 사용된 데이터 세트는 VAERS에서 추출한 나무 데이터 테이블에서 가져왔습니다. 첫 번째는 VAERS 데이터입니다.
	여기에는 주로 환자 프로필과 부작용 결과에 대한 정보가 포함되어 있으므로 여기에 있는 것은 JMP의 작은 클립입니다.
	여기 증상 텍스트가 있는데, 이건 한 사람, 한 환자에 대한 하나의 보고서일 뿐이라는 걸 알 수 있죠. 네, 데이터가 꽤 지저분하네요.
	서사 텍스트에는 유용한 정보가 많이 있지만 철자 오류, 오타, 지나치게 길거나 심지어 매우 짧은 진술이 있는 것을 볼 수 있습니다.
	다음 두 데이터 세트는 백신 접종 데이터의 VAERS와 증상 데이터입니다. 하나는 백신 관련 정보를 포함하고, 다른 하나는
	우리가 볼 수 있는 증상 텍스트에서 추출됩니다. 좋아요, 이러한 접근성을 고려하면 실제로 VAERS 데이터는 상당히 많이 마이닝되었습니다.
	많은 연구자들이 연구를 진행했지만, 보고서의 질이 다양하기 때문에 데이터를 사용하는 것은 실제로 매우 어렵습니다.
	그리고 진짜가 아닐 수도 있는 부분도 있습니다. 필요한 정보를 추출하기 위해 일반적으로 일종의 수동 검색이 사용된다는 것을 보여주는 전력 검토 결과입니다.
	하지만 이 역시 상당한 노동집약적이고 어려운 작업이므로 본 논문에서는 JMP에서 텍스트 분석 기법을 활용하여 핵심 정보를 추출하는 방법을 소개하고자 한다.
	이 사건과 관련된 가장 중요한 변수들을 설명하는 설명 모델을 만들어 보겠습니다. 그래서 저희는 여기 있는 각 데이터 테이블을 개별적으로 정리한 후 VAERS ID를 사용하여 결합했습니다.
	환자 결과를 바탕으로 우리가 한 일은 심각도 등급이라는 것을 도출하는 것이었습니다. 이 부분에 대해서는 나중에 좀 더 자세히 설명하겠습니다. 테이블을 결합한 후
	네 가지 서술 텍스트가 있습니다. 하나는 알레르기, 약물, 병력 및 증상에 관한 것입니다.
	그리고 텍스트 분석 기술을 사용하여 각 텍스트 데이터의 심각도 등급을 설명하는 가장 중요한 용어에 대한 벡터를 추출합니다.
	그리고 이들을 기존 스프레드시트 데이터와 데이터 세트의 구조화된 변수에 결합합니다. 좋아요, 그리고 이 모든 것을 함께 컴파일한 후 모델 구축에 적용합니다.
	좋아요, 그럼 이 중증도 등급은 무슨 뜻인가요? 환자의 치료 결과를 기반으로 합니다. VAERS 데이터는 환자 상태를 나타내는 12개의 변수를 가지고 있습니다.
	그리고 이를 바탕으로 변수를 추출하고 이를 이해하려고 노력했습니다. 그 결과 심각도가 4단계로 나뉘었고, 이를 심각도 등급이라고 부릅니다.
	그럼 다음으로 우리가 어떻게 사용하는지에 대해 조금 이야기해 보겠습니다.
	텍스트 분석을 위한 JMP Pro Text Explorer 플랫폼을 사용하여 데이터 정리부터 시작했습니다. 그래서 저희가 하고 싶었던 것은 텍스트 데이터에서 중요한 용어를 추출하는 것이었습니다.
	그리고 구조화된 변수에 추가하여 모델을 구축합니다. 보시다시피, 실제로 텍스트 데이터는 꽤 복잡하기 때문에 우리가 한 일은 다음과 같습니다.
	우선 용어 빈도를 사용할지, 어떤 종류의 용어 빈도를 사용할지 결정한 다음, 이진 용어 빈도를 선택했습니다. 데이터에 따르면 이진 용어 빈도를 사용하는 것이 상당한 이점이 있으므로 고려하고 사용하기로 했습니다.
	다음으로는 들어온 정리 작업에 대해 조금 말씀드리겠습니다. 텍스트 데이터는 먼저 JMP Pro Text Explorer를 사용하여 구성되었으며, 구문을 추가하고 자동으로 식별하는 데 유용한 기능을 사용했습니다.
	용어를 보면 백혈구와 같은 용어는 백혈구와 세포로 끌어들이는 대신 문구로 유지되는 것 같습니다. 그렇게 하면 별로 의미가 없을 겁니다.
	그리고 몇 가지 다른 방법도 있습니다. 하나는 단어의 어미를 기준으로 단어를 어간화하는 결합 기준이고, 다른 하나는 철자 오류나 오타, 또는 이와 비슷한 것들을 다시 코딩하기 위해 목록을 알파벳순으로 정렬하는 것입니다.
	네. 그리고 다음은 매우 편리한 기능을 사용해서 비슷한 항목을 모두 함께 다시 코딩하는 것이었습니다.
	따라서 텍스트를 정리한 후 우리가 하는 다음 일은 다음을 살펴보는 것입니다.
	실제로 워크플로를 살펴보는 것이었습니다. 워크플로는 불용어 제외와 대상 변수가 용어에 미치는 영향을 확인하는 데 유용합니다.
	그래서 제가 여기서 한 일은 가장 빈번하게 나타나는 용어를 크기에 따라 시각화하고 심각도 등급에 따라 색상을 지정하는 것이었습니다.
	따라서 밝은 색상은 심각하지 않은 사례이고 어두운 색상은 가장 심각한 사례이며, 집어 올리면 단어가 매우 작아지는 것을 볼 수 있습니다.
	일반적인 증상은 심각하지 않다는 것을 보여주는데, 뇌혈관 질환, 폐색전증 등과 같은 용어를 사용했습니다. 따라서 이러한 용어는 가장 심각한 부작용과 관련이 있습니다.
	다음으로 용어 선택을 사용하는데, 용어 선택은 JMP Pro 16의 새로운 기능으로, 매우 시의적절했습니다.
	따라서 일반화된 회귀 모델을 텍스트 분석 플랫폼에 통합하므로 텍스트 분석 플랫폼에서 용어 선택이 있는 곳을 선택하면 됩니다.
	그러면 반응 변수에 중요한 핵심 용어를 파악할 수 있습니다. 따라서 반응 변수는 심각도 평가입니다.
	그렇다면 일반화 회귀 모형을 사용하는 이유는 무엇일까요? 정규 분포가 아니거나 상관관계가 높은 변수에 널리 사용되기 때문입니다.
	데이터가 서로 독립적이고 다른 상관관계를 보이지 않는 경우입니다. 따라서 이 방법은 우리 데이터 세트에 적합하기 때문에 유용합니다.
	그리고 데이터 테이블 내부에 있는 각 역할은 환자이고, 이들은 모두 서로 독립적입니다.
	그래서 가장 중요한 것은 일반화된 회귀 모델이 변수 선택을 허용한다는 것입니다. 우리가 하려는 것은 반응 변수에 가장 큰 영향을 미치는 변수를 선택하려는 것입니다.
	네, 이 회귀 모델에 대해 조금 더 자세히 설명하자면, 여기서 사용할 수 있는 몇 가지 옵션이 있는데, 탄력적 그물과 올가미입니다.
	여기서 다른 점은 라소(lasso)는 상관관계가 있는 요인 그룹에서 하나의 항을 선택하는 반면, 탄력적 네트워크(elastic network)는 항 그룹을 선택합니다. 일반적으로 탄력적 네트워크가 사용되고, 여기서는 이진 항 빈도를 선택합니다.
	좋습니다. 이것은 용어 선택의 결과이므로 여기에서 (???)의 개요와 일반화된 (???)를 볼 수 있지만 더 흥미로운 점은
	계수로 시작하면 이것들이 상위 양의 계수라는 것을 알 수 있습니다. 즉, 이것들은 반응 변수 측면에서 가장 큰 역할을 하는 상위 요인입니다.
	그리고 여기 있는 것은 계수에 따라 분류할 때 가장 영향을 적게 미치는 증상들입니다. 결과를 보면, 심장마비, COVID-19 폐렴, 뇌혈관 사고 등 반응 변수에 영향을 미치는 모든 용어가 여기에 있습니다.
	그래서 우리는 더 심각한 성격의 용어가 심장과 폐와 관련되어 있고, 낮은 빈도의 용어는 실제로 매우 매우 가벼운 증상인 것을 볼 수 있습니다.
	좋습니다. 그러면 우리는 다른 모든 것에 대해 이 전체 과정을 반복합니다.
	다른 모든 텍스트 변수의 경우 증상에 대한 예를 살펴보았고 알레르기, 병력도 살펴보았습니다.
	사용된 약물도 마찬가지고요. 그래서 나중에 문서 용어 행렬을 저장했습니다. 네, 기본적으로 DTM은 각 시간에 대한 열을 데이터 테이블에 저장합니다.
	여기서 예를 볼 수 있는데, 매우 희소한 행렬이기 때문에 0이 많이 있습니다. 그래서 하나는 (???)의 존재를 나타냅니다. 이 열을 예로 들면, 하나는 (???)의 존재를 나타냅니다.
	그래서 우리는 그것을 저장하고 다른 텍스트 분석을 위해 이 과정을 반복합니다.
	그리고 이 모든 용어를 저장한 후 모델링으로 넘어갔습니다. 모델링은 일종의 검증 열을 만드는 것이었습니다. 여기서는 예측 모델링으로 가서 검증 열을 만들었습니다. 여기서 선택 항목을 선택했고, 검증 설정은 55%로 했습니다.
	그리고 여기서의 모든 작업은 심각도를 반응 변수로 하여 중요한 변수를 식별하는 것이었습니다. 따라서 전체적으로 7개의 구조 변수와 문서 용어 행렬에서 파생된 55개, 그리고 총 약 31,000개의 규칙이 있습니다.
	심각도 등급 때문에 불균형적인 데이터 세트가 생성되는 불균형이 있다는 것을 알 수 있습니다. 따라서 R 분할과 AIC 값을 비교하여 모델 평가를 수행했습니다.
	그래서.
	JMP에서 적합 모델을 사용하고 다시 일반화 회귀 모델을 선택합니다.
	그리고 우리는 이것이 여기에서 결과임을 볼 수 있습니다. 즉, 일반화 선형 모델 그룹이라고 생각하는 별도의 모델이 페널티 회귀 기술을 사용하여 준비되었습니다.
	그리고 우리는 여기의 다양한 특성에 기초하여 적합성을 시도합니다. 이는 모두 다른 페널티 추정 방법입니다.
	모든 모델 중에서 라쏘 방법이 가장 낮고 R제곱 값이 가장 높은 것을 볼 수 있으며, 이에 매우 가까운 다른 값도 있으므로 이에 대해 자세히 살펴보겠습니다.
	따라서 최대 우도 모델과 ROC 곡선을 기반으로 한 라쏘 모델을 비교하면 실제로 두 ROC 곡선이 매우 유사하다는 것을 알 수 있습니다.
	그러나 최대 우도 모델의 ROC 곡선은 가장 높은 심각도를 나타냅니다.
	죄송합니다. 최대 우도 모델의 ROC 곡선은 다음을 보여줍니다.
	ROC 값은 가장 높은 심각도 등급일수록 더 높고, 이 두 가지 사이에는 약간의 차이만 있다는 것을 알 수 있습니다.
	그리고 일반적으로 심각도 등급이 낮아질수록 해당 지역은 실제로 증가하는데 그 이유 중 하나는 데이터 세트가 매우 불균형하기 때문입니다.
	따라서 가장 높은 수준인 심각도 등급 4의 경우, 대부분의 수준은 전체 데이터 값의 약 5%에 불과합니다. 따라서 전반적으로 두 수준 간의 차이는 실제로 매우 적습니다. 따라서 영역이 약간 더 큰 수준을 선택합니다.
	좋아요, 이제 효과 테스트를 살펴보겠습니다. 보고서에서 효과 테스트를 볼 수 있도록 선택할 수 있습니다. 효과 테스트는 다음과 같습니다.
	변수가 나머지에 영향을 미치지 않는다는 귀무 가설에 대한 가설 검정입니다.
	JMP 커뮤니티에 효과 테스트에 대한 아주 좋은 설명이 있었는데, 아마도 다음 사람이 기여한 것 같습니다.
	마크 베일리입니다. 그는 효과 검정이 실제로 ANOVA의 제3종 제곱합에 기반한다는 점에 대해 간략히 설명했습니다.
	따라서 우리는 데이터 세트 때문에 효과 테스트가 여기에서 매우 적합하다는 것을 알 수 있습니다. 즉, 실제로 모델의 모든 항목을 모든 측면에서 테스트합니다.
	그 안에 용어가 있습니다. 따라서 주효과는 항목 간 상호작용이 없는 상태에서, 그리고 다른 용어와 다른 주효과를 고려하여 검정됩니다.
	그럼 여기서 사용하고 싶은 것은 효과 테스트가 모델 축소와 마찬가지로 우리 목적에 유용하다는 것입니다.
	그리고, 이를 통해 우리는 중요한 변수들의 긴 목록을 추론할 수 있습니다.
	우리는 0.1의 차단 알파 값을 취하여 카이제곱(???)의 가장 낮은 카이제곱 값에서의 확률을 살펴봅니다.
	독립 변수가 여러 개 있어서 목록이 꽤 길고, 살펴보면 대부분이 실제로 심폐질환과 관련이 있습니다.
	따라서 증상의 수, 예방접종을 시작하는 날짜 수 등 일부 항목은 영향을 받습니다.
	(???)는 백신이 각각에 중점을 두고 있다는 것을 의미하며, 나머지 백신도 서로 어떻게든 연관되어 있다는 것을 알 수 있습니다.
	심폐질환은 좀 이상한 질환이 있는데 저는 의학계 출신이 아니어서 잘 이해가 안 되지만, 청각장애도 그 중 하나라는 걸 알 수 있죠.
	여기서 볼 수 있는 이상한 결과도 있지만, 일반적으로는 변수를 나열한 상위 변수의 관점에서 보면 그렇습니다.
	알겠습니다. 이것 외에도 정말 흥미로운 점은 모델 평가를 살펴보는 것입니다. 우리가 하는 일이 설명 모델을 구축하는 것이기는 하지만,
	JMP가 매개변수 추정치를 살펴볼 수 있도록 보고서를 아주 잘 정리해 놓았기 때문에 예측 모델도 살펴보러 갔습니다.
	그래서 저는 Profiler를 사용하여 매개변수 추정치를 이해하려고 노력했고 여기서 표시되는 값이 정말 정말 작다는 것을 알 수 있었습니다. 이것이 여러분이 얻는 값입니다.
	Profiler를 열면 즉시, 여기의 값은 각 변수의 평균이고 이러한 각 변수가
	여기 있는 각 값은 실제로 매우 작으므로 이러한 계수를 기반으로 한 심각도에 미치는 영향이 매우 적다는 것을 의미합니다.
	예측 변수의 계수로 이를 기반으로 합니다. 따라서 이 연구를 바탕으로 볼 수 있는 것은 실제로 (???) 증상과 그 효과가 중증도에 미치는 영향이 매우 미미하다는 것입니다.
	백신에 대한 전반적인 그림을 살펴보면, 이러한 증상과 효과의 대부분이 백신 접종 결과에 실제로 미치는 영향이 거의 없다는 것을 알 수 있기 때문에 이러한 증상과 효과의 대부분이 나타날 것이라는 기대를 할 수 있습니다.
	알겠습니다.
	응.
	결론은 간략하게, 결론적인 진술은 몇 가지로 요약할 수 있습니다. 변수의 그룹화와 분류에 있어서 몇 가지 결정이 내려졌습니다.
	그리고 이러한 변수들은 특히 심각도 등급을 도출하는 방식에서 우리가 최선을 다해 이해한 대로 만들어졌지만,
	우리는 백신 연구나 임상 시험에 대해 잘 아는 전문가와 상담하여 심각도 등급이 충분한지 여부를 확인해야 할 수도 있습니다.
	부작용 결과를 평가합니다. 구조화 및 비구조화 데이터의 모델 구축을 기반으로
	우리는 COVID-19 백신에 대한 반응의 심각도에 따라 달라지는 주요 요소를 파악했습니다.
	하지만 우리는 여전히 이러한 주요 변수들이 반응 변수인 심각도에 미치는 영향이 매우 작다는 것을 알고 있습니다. 따라서 이는 변수를 살펴보면 알 수 있습니다.
	그리고 마지막으로 이진 평가에 기반한 문서 용어 행렬에서 이진 용어 빈도는 문서의 다른 용어에 대한 가중치를 나타내는 데 가장 효과적인 것으로 나타났습니다.
	그리고 라쏘 페널티 회귀 기법을 적용한 일반화 선형 모형이 최적의 모형을 만들어냈습니다.
	그러니 아주 짧은 프레젠테이션을 즐기셨기를 바랍니다. 질문이나 피드백이 있으시면 알려주시기 바랍니다. 정말 감사합니다.
피터 폴리토	잘했어요.
	매우.
	안 돼.
	난 내가 실수했다는 걸 깨달았어. 우리가 이런 삶을 원했던 거였어. 오 세상에.
피터 폴리토	이것이 바로 당신이 처한 상황이에요.
	그래서 실제 디스커버리 서밋에서는 발표자가 있을 거예요.
	그래서 그들은 당신에게 미리 연락할 것이고 당신은 "슬라이드 중 하나에 실수가 있어요."라고 말할 것입니다. 그러면 이 부분이 나타나서 그 사람이 그것을 일시 정지시킬 것입니다.
	그런 다음 슬라이드를 공유하고 그에 대해 이야기한 후 바로 비디오로 돌아갈 수 있으니 전혀 걱정하지 마세요.
	작년 디스커버리 서밋에서도 이런 일이 꽤 자주 일어났지만 전혀 문제가 되지 않습니다.
	알았어 알았어.
	아, 제임스.
피터 폴리토	고치고 다시 하면 기분이 나아질까요?
	모르겠습니다.
	만약 이게 사실이라면, 이건 잘못된 상자이기 때문에, 실제로 고치려면 시간이 좀 걸릴 겁니다. 다시 입력해야 하니까요.
피터 폴리토	네, 그럼 몰랐던 거군요. 걱정하지 마세요. 정말 쉽게 고칠 수 있고 실시간으로 할 수 있어요.
	알았어 알았어.
	네, 그렇죠.
	하지만 끝까지 앉아주셔서 감사합니다.
피터 폴리토	네, 아무 문제 없다는 게 정말 좋네요.
	좋아요.
피터 폴리토	좋아요. 다른 질문이나 의견이 있으면 말씀해 주세요.
	네, 하나 있는데, 음, 링크가 있나요? 제 슬라이드와 사람들, 그런 것들을 모두 업로드할 수 있는 곳이죠. 하지만 제 것과 혼동이 있었어요.
	이메일, 그리고 타냐가 그 문제에 대해 답장을 보냈을 때, 그녀가 링크를 놓친 것 같아요. 그래서 링크가 녹음 파일 중 하나에 내장될 거라고 생각했는데, 여러분이 옳게 답하지 못한 것 같아요.
피터 폴리토	저는 가지고 있지 않지만, 타냐에게 연락해서 당신에게 직접 연락해 달라고 부탁하겠습니다.
	이를 해결하는 데 도움이 됩니다.
	알겠습니다. 정말 감사합니다. 제 이메일 주소가 맞는 것 같습니다.
피터 폴리토	정말 고맙습니다.
	괜찮아요. 좋은 밤 보내시고 푹 쉬세요.
	네, 좋은 하루 보내세요.
피터 폴리토	감사합니다.
	이제 안녕.

고급 통계 모델링자동화 및 스크립팅기본 데이터 분석 및 모델링소비자 및 시장 조사콘텐츠 구성데이터 블렌딩 및 정리데이터 탐색 및 시각화실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석