| Vocero |
Transcripción |
| Pedro Polito |
Cómo está hoy. |
| |
Puedes oírme. |
| |
Si estás hablando, no puedo escucharte. |
| |
Hola. |
| |
prueba prueba. |
| |
Oh, hola Leo, ¿puedes escucharme? |
| |
Sí, lo siento, pienso en las dificultades técnicas, sí. |
| Pedro Polito |
Oh, no hay problema en absoluto. |
| |
Oh, vale, es un lindo Jimmy. |
| Pedro Polito |
Oh, ¿dónde? |
| |
¿Estas llamando desde? |
| |
Singapur. |
| Pedro Polito |
Singapur está bien, ¿qué tan tarde es? |
| |
Alrededor de 909. |
| Pedro Polito |
Sí, bueno. |
| |
Sí, te doy todo el crédito por ello. |
| |
aferrándose. |
| |
Tan tarde, gracias por hacerlo. |
| |
No es posible, está bien, eh, sí, espero hacerlo bien. |
| |
Oh. |
| |
No, he estado muy estresado por esto. Bueno, sí lo estoy. Está bien, déjame poner un fondo virtual. |
| |
Bueno. |
| Pedro Polito |
Y tengo que repasar un par de cosas por mi parte antes de comenzar oficialmente. |
| |
Bueno. |
| Pedro Polito |
Sólo dame uno. |
| |
minuto aquí. |
| |
sí. |
| Pedro Polito |
Solo traigo mi lista de verificación para asegurarme de hacer todo correctamente aquí. |
| |
está bien. |
| |
Sólo para confirmar. |
| |
Eres tranquilizadoramente |
| |
Sí, y su charla se titula "Un modelo para la reacción adversa a la vacuna del aquelarre". |
| |
Sí, ¿es correcto? Sí, eso es correcto. |
| Pedro Polito |
Muy bien, y solo para asegurarme de que comprenda que esto se está grabando para su uso y la conferencia Jump Discovery Summit estará disponible públicamente en la comunidad de usuarios de Jump. ¿Da permiso para esta grabación y uso? |
| |
Sí, ok, genial. |
| |
Tu micrófono suena bien, no escucho ningún ruido de fondo. ¿Tu teléfono celular está apagado y todo ese tipo de cosas? Cualquier cosa que pueda hacer algunos ruidos aleatorios. |
| |
Aférrate. |
| |
Te lo enviaré, los encontraré, sí. |
| Pedro Polito |
Bueno, y entonces. |
| |
Necesitamos verificar si puedes ir y compartir tu pantalla y revisaremos la resolución y algunas otras cosas. |
| |
Está bien, claro. |
| Pedro Polito |
Gracias. |
| |
lo siento, ¿es lisa ling o tranquilizadoramente? |
| |
Mi primer nombre suena muy bien, sí. |
| Pedro Polito |
Está bien. |
| |
Um, ¿está bien? |
| Pedro Polito |
No lo veo todavía, oh, eh, ya sabes, pastel cubriéndolo un momento. |
| |
Eso se ve bien. |
| |
Y si vas a la parte inferior de tu pantalla, ¿tu barra de tareas en realidad no la veo, así que estamos bien? |
| |
Bueno. |
| Pedro Polito |
Y déjame asegurarme. |
| |
Hay programas que pueden crear una ventana emergente como Outlook o Skype o cualquiera de ellos, pero todos se cierran y se cierran. |
| |
Um, sí, creo, así que apuesto a que lo comprobarán. |
| |
cierra mi cocina |
| |
Bueno. |
| |
Sí, bien. |
| Pedro Polito |
Bien, y entonces, ¿trabajarás solo desde una presentación en PowerPoint o también mostrarás saltos? |
| |
Estaba preocupado por el tránsito, por lo que lo destinaré desde PowerPoint. |
| Pedro Polito |
Bueno, genial, entonces voy a silenciar y apagar mi cámara, ya estamos grabando, así que tan pronto como nosotros. |
| |
Tan pronto como veas que mi imagen desaparece, sigue adelante y comienza. No voy a interrumpir por ningún motivo e intentaremos repasarla. Es una presentación de 30 minutos, así que vamos a repasarla. Ni siquiera estaré aquí, será como si estuvieras hablando contigo mismo. |
| |
Bueno, entonces el Acta está bien. |
| Pedro Polito |
¿Estás listo para ir? |
| |
sí. |
| Pedro Polito |
Bueno. |
| |
Está bien, y es sólo para que sepan cuándo realmente... |
| |
Celebren la cumbre de descubrimiento si mañana se dan cuenta de que se equivocaron al hablar o de que querían presentar algo de una manera ligeramente diferente. |
| |
Puedes estar en vivo mientras se realizan tus presentaciones y puedes pedirle un depósito a la persona que está presentando y luego puedes decir: "Estoy a punto de decir esto, lo que quería transmitir es que puedes sentirte como en casa". |
| |
Edite en tiempo real durante la presentación, así que no se estrese por escribir cada palabra a la perfección, simplemente relájese y revíselo. Estoy seguro de que estará bien. |
| |
Está bien. |
| |
sí. |
| Pedro Polito |
Está bien, voy a silenciar y apagar mi cámara y luego puedes continuar y comenzar, ¿de acuerdo? |
| |
Gracias Peter. |
| |
Hola, soy Suling. Soy estudiante de maestría en la Universidad de Administración de Singapur, donde actualmente curso análisis de datos en la Facultad de Informática y Sistemas de Información. |
| |
Así que, de hecho, estoy aquí hoy para presentar un trabajo que he enviado para mi programa de maestría en TI para empresas y, lo que es más importante, quiero compartir mi trayectoria en JMP hasta ahora. |
| |
Comencé a usar JMP este año y realmente me enamoré de él debido a su facilidad de uso y la variedad de métodos estadísticos y visualizaciones que podía hacer en él. |
| |
Entonces, como principiante que usa JMP, me siento realmente honrado de estar aquí presentando mi informe y permítanme recibir sus comentarios, porque siento que todavía tengo mucho que aprender. |
| |
Así que la motivación para mi artículo fue en realidad analizar las vacunas contra la COVID-19, para que sepamos lo importantes que son, pero en |
| |
El ritmo sin precedentes al que se desarrolló y administró ha suscitado algunas dudas en la comunidad respecto de su seguridad. |
| |
Entonces, estamos utilizando datos del sistema de notificación de eventos adversos de vacunas de los Estados Unidos, sí. |
| |
Utilizamos datos de este estudio porque consideramos que existe la posibilidad de determinar si las preocupaciones sobre la seguridad de la vacuna están fundadas. Por ello, este documento utiliza datos estructurados y no estructurados de VAERS para modelar las reacciones adversas a las vacunas contra la COVID-19. |
| |
¿Qué es el VAERS? Los Centros para el Control y la Prevención de Enfermedades y la FDA de EE. UU. han implementado este sistema, y en realidad es un evento adverso. |
| |
sistema donde se recopilan datos. Pero, en general, lo que vemos es que los datos del VAERS no pueden utilizarse para determinar vínculos causales con eventos adversos. |
| |
Porque no se ha establecido el vínculo entre el evento adverso y la vacunación. Lo que vemos aquí es que hay personas que informan, pero no se toman medidas completas. |
| |
Para confirmar si los síntomas y eventos reportados tienen alguna relación con la vacuna. Entonces, ¿por qué seguimos queriendo usar estos datos? En primer lugar, los datos están disponibles y son de dominio público. |
| |
Los datos están actualizados y, lo que es más importante, no es probable que se registren todos los eventos adversos durante los ensayos clínicos debido a su baja frecuencia. Por lo tanto, |
| |
Por lo general, para los ensayos clínicos, solo se incluyen individuos sanos. Por lo tanto, poblaciones especiales, como las personas con enfermedades crónicas o las mujeres embarazadas, son... |
| |
Limitado, por lo que saben que VAERS es una fuente importante para la seguridad de las vacunas. Para más información al respecto, pueden consultar este enlace. |
| |
Sí, el conjunto de datos utilizado para este estudio proviene de tres tablas de datos extraídas del VAERS. La primera son los datos del VAERS. |
| |
Contiene principalmente información sobre el perfil de los pacientes y el resultado de los eventos adversos, así que lo que tengo aquí es un pequeño clip de JMP. |
| |
Aquí tenemos el texto de síntomas. Se puede ver que este es solo un informe basado en una persona, un paciente. Bueno, los datos están bastante erróneos. |
| |
Hay mucha información útil en el texto narrativo, pero se puede apreciar que hay errores ortográficos, errores tipográficos, afirmaciones excesivamente largas o incluso muy breves. |
| |
Los siguientes dos conjuntos de datos que tenemos son los datos de vacunación del VAERS, así como los síntomas. Uno contiene información sobre la vacuna, el otro... |
| |
Se extrae del texto de síntomas que podemos ver. Bien, dada esta accesibilidad, los datos del VAERS se han extraído bastante. |
| |
Hay muchos investigadores al respecto, pero, como puede verse, los datos son realmente muy difíciles de utilizar ya que la calidad del informe varía. |
| |
Y también hay algo que podría no ser genuino. Por lo tanto, la revisión del poder muestra que generalmente se emplea algún tipo de cribado manual para extraer la información requerida. |
| |
Sin embargo, esto también requiere mucho trabajo y es bastante difícil, por lo que este artículo tiene como objetivo mostrar los métodos para extraer la información clave utilizando técnicas de análisis de texto en JMP. |
| |
Intentamos crear un modelo explicativo para explicar las variables más importantes involucradas en este evento. Limpiamos cada tabla de datos individualmente y luego las unimos usando el ID de VAERS. |
| |
Lo que hicimos, basándonos en los resultados de los pacientes, fue obtener una clasificación de gravedad. Hablaré de esto más adelante. Una vez que se unen las tablas... |
| |
Hay cuatro textos narrativos. Uno trata sobre las alergias, la medicación, el historial médico y los síntomas. |
| |
Y luego utilizaremos técnicas de análisis de texto para extraer los vectores de los términos principales que... explicarán la clasificación de severidad de cada uno de los datos de texto. |
| |
Y unirlas a las variables estructuradas de datos de la hoja de cálculo existente en el conjunto de datos. Todo esto se compila y se utiliza para la construcción del modelo. |
| |
Bien, ¿de qué se trata la clasificación de gravedad? Se basa en el pronóstico del paciente. Los datos del VAERS tienen 12 variables que describen el estado del paciente. |
| |
Y luego, en base a esto, extrajimos las variables y tratamos de darle sentido, así que obtuvimos cuatro niveles de gravedad y luego llamamos a esto la calificación de gravedad. |
| |
A continuación hablaremos un poco sobre cómo usamos |
| |
Plataforma JMP Pro Text Explorer para análisis de texto. Comenzamos con la limpieza de datos. Nuestro objetivo era extraer los términos significativos de los datos textuales. |
| |
Y añádelos a las variables estructuradas para construir tu modelo. Como puedes ver, los datos de texto son bastante confusos, así que lo que hicimos fue... |
| |
En primer lugar, hay que decidir entre utilizar el término frecuencia, qué tipo de término frecuencia utilizar y, a continuación, se seleccionó el término binario frecuencia, ya que los datos muestran que hay una ventaja significativa al considerar su uso. |
| |
A continuación, un poco sobre la limpieza que se realizó. Los datos de texto se organizaron primero utilizando JMP Pro Text Explorer y usamos una función útil que está ahí para agregar frases e identificar automáticamente |
| |
Los términos, por lo que se puede ver, son como términos como glóbulos blancos que se mantienen como una frase en lugar de ser incluidos en glóbulos blancos y células, lo cual no tendrá mucho sentido. |
| |
También existen otros métodos. Uno de ellos es el estándar para combinar las palabras según sus terminaciones. Además, pensamos en ordenar la lista alfabéticamente para recodificar palabras con errores ortográficos, tipográficos o similares. |
| |
Sí, y luego el siguiente paso fue utilizar la función muy útil para recodificar todos los elementos similares juntos, sí. |
| |
Entonces, lo siguiente que hicimos después de limpiar el texto fue mirar el |
| |
En realidad, el análisis del flujo de trabajo es útil para excluir palabras vacías y para ver el efecto de la variable objetivo en los términos. |
| |
Entonces lo que hice aquí fue visualizar los términos más frecuentes por tamaño y colorearlos según el nivel de gravedad. |
| |
Entonces, puedes ver que los colores más claros pertenecen a los casos menos severos y los más oscuros son los más severos, y puedes, por ejemplo, levantar las palabras, que son bastante pequeñas. |
| |
Esto demuestra que los síntomas comunes no son graves, pero hemos adoptado términos como incidente cerebrovascular, embolia pulmonar y similares. Por lo tanto, estos se relacionan con el evento adverso más grave. |
| |
Lo siguiente que utilizamos es el término selección, por lo que el término selección es una nueva característica de JMP Pro 16 que fue bastante oportuna. |
| |
Por lo tanto, se integra el modelo de regresión generalizada en la plataforma de análisis de texto, de modo que, siguiendo desde la plataforma de análisis de texto, puede simplemente seleccionar aquí donde se encuentra la selección de términos. |
| |
Y luego, permite identificar términos clave importantes para la variable de respuesta. Nuestra variable de respuesta es la calificación de gravedad. |
| |
Entonces, ¿por qué usar el modelo de regresión generalizada? Se usa ampliamente para variables con distribución no normal o altamente correlacionadas. |
| |
Donde los datos son independientes entre sí y no muestran ninguna otra correlación. Por lo tanto, este método nos resulta útil porque se ajusta a nuestro conjunto de datos. |
| |
Y cada rol que tenemos dentro de nuestra tabla de datos es un paciente y todos esos son independientes entre sí. |
| |
Entonces, lo más importante también es que el modelo de regresión generalizado permite la selección de variables, que es lo que queremos hacer, porque queremos elegir las variables con la mayor influencia en la variable de respuesta. |
| |
Sí, entonces un poco más de detalle sobre este modelo de regresión. Hay algunas opciones que podemos usar aquí, que son la red elástica y el lazo. |
| |
La diferencia aquí es que el lazo tiende a seleccionar un término de un grupo de factores correlacionados, mientras que la red elástica selecciona un grupo de términos. En general, creo que se utiliza la red elástica, y aquí es donde entramos en juego la frecuencia de términos binarios. |
| |
Bien, este es el resultado de la selección de términos, así que puedes ver aquí que te muestra la descripción general de (???) y luego generalizada (???) pero lo más interesante es que |
| |
Cuando comienzas por el coeficiente, puedes ver que estos son los coeficientes positivos más altos. Por lo tanto, estos son los factores principales que juegan el papel más importante en términos de nuestra variable de respuesta. |
| |
Y este de aquí muestra los síntomas que menos influyen al ordenarlos según el coeficiente. Al observar los resultados, se puede ver que el paro cardíaco, la neumonía por COVID-19 y los accidentes cerebrovasculares son términos que afectan la variable de respuesta. |
| |
Entonces, podemos ver que los términos de naturaleza más seria están relacionados con el corazón y los pulmones, en comparación con los de frecuencia más baja, que son síntomas realmente muy, muy leves. |
| |
Bien, repetimos todo este proceso para todos los demás. |
| |
Para todas las demás variables de texto, pasamos al ejemplo de los síntomas, por lo que también están las alergias y el historial médico. |
| |
Así como los medicamentos que se usan, lo que hicimos después fue guardar la matriz de términos del documento. Básicamente, el DTM guarda una columna en la tabla de datos para cada vez. |
| |
Entonces, puedes ver aquí un ejemplo; principalmente muchos ceros porque es una matriz muy dispersa, así que uno indicará la presencia de, tomemos esta columna aquí, uno indicará la presencia de (???)... |
| |
Así que lo guardamos y repetimos el proceso para el resto del análisis de texto. |
| |
Una vez guardados todos estos términos, pasamos al modelado. El modelado debía crear una especie de columna de validación. Aquí, fuimos a modelado predictivo y creamos la columna de validación. Seleccionamos las opciones y la configuramos como configuración de validación al 55%. |
| |
Y todo el asunto aquí era identificar las variables importantes con la severidad como variable de respuesta. En total tenemos siete variables de estructura y 55 que se derivaron de la matriz de términos del documento y un total de aproximadamente 31.000 reglas. |
| |
Observamos que existe un desequilibrio debido a la clasificación de severidad, lo que genera un conjunto de datos desequilibrado. Por ello, evaluamos el modelo comparando la división R y los valores AIC. |
| |
Entonces. |
| |
Utilizamos el modelo de ajuste en JMP y elegimos nuevamente el modelo de regresión generalizado. |
| |
Y podemos ver que estos son los resultados aquí, así que se prepararon modelos separados del grupo de modelos lineales generalizados, utilizando las técnicas de regresión penalizada. |
| |
Y luego tratamos de ajustar, en función de las distintas características aquí, estos son todos los otros métodos de estimación penalizados. |
| |
Entonces, de todos los modelos, podemos ver que el método Lasso tiene el valor R cuadrado más bajo y el más alto, y hay otros valores que también se acercan bastante, así que los analizaremos más de cerca. |
| |
Entonces, al comparar el modelo de máxima verosimilitud, así como el modelo Lasso basado en la curva ROC, se puede ver que, en realidad, ambas curvas ROC son bastante similares. |
| |
Y sin embargo, la curva ROC para el modelo de máxima verosimilitud muestra que tiene la mayor gravedad. |
| |
Lo siento, la curva ROC para el modelo de máxima verosimilitud muestra que |
| |
El valor ROC es más alto para la calificación de gravedad más alta, y puedes ver que solo hay una ligera diferencia aquí entre ambos. |
| |
Y, en general, a medida que se desciende en el índice de gravedad, el área en realidad aumenta y una de las razones es porque nuestro conjunto de datos está muy desequilibrado. |
| |
Entonces, la calificación de gravedad de cuatro, que es el nivel más alto, la mayor parte de su nivel es solo alrededor del 5 % de los valores de datos totales, bien, entonces, en general, hay muy poca diferencia entre ambos, por eso elegimos el que tiene un área ligeramente más grande. |
| |
Bien, ahora pasamos a la prueba de efectos. En el informe, pueden ver la prueba de efectos. |
| |
la prueba de hipótesis de la hipótesis nula de que la variable no tiene efecto sobre el resto. |
| |
Hubo una explicación muy agradable de la prueba de efectos en la Comunidad JMP, creo que fue aportada por |
| |
Mark Bailey. Habla brevemente sobre cómo la prueba de efectos se basa en la suma de cuadrados tipo III para el ANOVA. |
| |
Así que podemos ver que la prueba de efectos es muy adecuada aquí debido a nuestro conjunto de datos, por lo que realmente prueba cada término en el modelo en términos de cada |
| |
término en él. Por lo tanto, los efectos principales se prueban en ausencia de interacciones entre los elementos y a la luz de los otros términos, y también a la luz de los demás efectos principales. |
| |
Entonces, lo que queremos usar aquí es que lo que vemos aquí es que la prueba de efectos es útil para nuestro propósito, ya que lo es para la reducción del modelo. |
| |
Y nos permite extraer inferencias de la larga lista de variables significativas. |
| |
Observamos la probabilidad en el valor de ChiCuadrado más bajo (???) tomando un valor alfa de corte de 0,1. |
| |
Tenemos varias variables independientes, por lo que es una lista bastante larga, y la mayoría de ellas, si las analizamos, en realidad están relacionadas con enfermedades cardiopulmonares. |
| |
Entonces, algunos de ellos son los afectados, como el número de síntomas o el número de días entre el inicio de la vacunación. |
| |
(???) es cuanto mas en que centros de vacunas se encuentran que por cada uno y luego se puede ver que el resto de ellos estan relacionados de alguna manera otro a. |
| |
enfermedades cardiopulmonares, hay algunas raras que no vengo del ámbito médico, así que tampoco las entiendo muy bien, pero como se puede ver la sordera es una de ellas, así que hay algunas |
| |
Resultados extraños que podemos ver aquí, pero en general, la imagen es esa, en términos de las variables principales en términos de lista de variables. |
| |
Bueno, además de esto, lo que es realmente interesante es observar la evaluación del modelo. Así que, aunque lo que estamos haciendo es construir un modelo explicativo, |
| |
También fui a ver el modelo predictivo porque JMP ha colocado muy bien el informe allí para que pueda ver las estimaciones de los parámetros. |
| |
Entonces, uso el Profiler para intentar comprender las estimaciones de los parámetros y puedes ver aquí que los valores mostrados son realmente muy pequeños, así que este es el valor que obtienes. |
| |
inmediatamente cuando abre el Profiler, por lo que los valores aquí son el promedio de cada variable y puede ver que cada una de estas variables |
| |
De cada uno de estos valores aquí en realidad son muy pequeños, lo que significa que hay muy poco efecto en la gravedad en función de estos coeficientes. |
| |
Basándose en esto como coeficiente de las variables predichas, lo que se puede ver, según este estudio, es que los síntomas y su efecto tienen muy poco efecto en la gravedad. |
| |
Es algo que se puede esperar de la mayoría de estos síntomas y efectos, porque estamos viendo el panorama general de la vacuna, y podemos observar que la mayoría de estos síntomas (historial médico, alergias) tienen en realidad muy poco efecto en el resultado de la vacuna. |
| |
Está bien, entonces. |
| |
sí. |
| |
A modo de conclusión, algunas afirmaciones finales. Se tomaron varias decisiones en la agrupación y clasificación de las variables. |
| |
Y aunque estas variables se hicieron según nuestro mejor entendimiento, especialmente en la forma en que llegamos a una clasificación de gravedad, |
| |
Quizás necesitemos consultar a un experto familiarizado con estudios de vacunas o ensayos clínicos para determinar si la calificación de gravedad es suficiente o no. |
| |
Para calificar los resultados de eventos adversos. Y con base en la construcción de modelos de datos estructurados y no estructurados. |
| |
Hemos identificado factores clave que varían según la gravedad de la reacción a la vacuna contra la COVID-19. |
| |
Sin embargo, todavía no sabemos si el efecto de estas variables clave sobre la variable de respuesta es muy pequeño, por lo que esto se puede ver al observar las variables. |
| |
Y luego, finalmente, la matriz de términos del documento basada en las calificaciones binarias, encontró que la frecuencia de términos binarios era la más eficaz para representar los pesos de otros términos en el documento. |
| |
Y el modelo lineal generalizado con la técnica de regresión penalizada por lazo produjo el modelo óptimo. |
| |
Así que espero que hayan disfrutado de esta breve presentación y no duden en dejarme saber si tienen alguna pregunta o algún comentario. Muchas gracias. |
| Pedro Polito |
Buen trabajo. |
| |
fue muy |
| |
Oh, no. |
| |
Acabo de darme cuenta de que soy un error, ya sabes, queríamos esta vida, oh Dios. |
| Pedro Polito |
Así que esa es exactamente la situación en la que estás. |
| |
Entonces, en la cumbre de descubrimiento real habrá un presentador. |
| |
Y entonces se comunicarán con usted con anticipación y usted simplemente dirá: "Tengo un error en una de mis diapositivas". Entonces, cuando aparezca esta parte, simplemente la pausará. |
| |
Y luego puedes compartir la diapositiva y hablar sobre ella y luego volver al video, así que no te preocupes en absoluto. |
| |
Esto ocurrió bastante a menudo durante la cumbre de descubrimiento del año pasado, lo cual no es un problema en absoluto. |
| |
Está bien, está bien. |
| |
Vaya, Dios mío, James. |
| Pedro Polito |
¿Te gustaría arreglarlo y rehacerlo? ¿Eso te haría sentir mejor? |
| |
No sé. |
| |
Si en realidad es este, porque esta es la casilla equivocada, me llevará un tiempo arreglarlo porque tengo que volver a escribirlo, sí. |
| Pedro Polito |
Sí, entonces no lo sabía, no te preocupes, tendrá una solución muy sencilla y podrás hacerlo en tiempo real. |
| |
Está bien, está bien. |
| |
Está bien, sí. |
| |
Gracias por sentarte, aunque sea un poco. |
| Pedro Polito |
Sí, no hay problema, es genial, de verdad. |
| |
Bueno. |
| Pedro Polito |
Muy bien, alguna otra pregunta o comentario o cualquier cosa. |
| |
Sí, tengo uno, ¿qué pasa? Un enlace donde puedo cargar todas mis diapositivas y mi gente y cosas así, pero hubo una confusión con mi. |
| |
correo electrónico, y creo que de Tanya sobre eso que cuando Tanya me respondió correctamente, creo que se perdió ese enlace, así que pensé que el enlace estaría incrustado dentro de una de las grabaciones, pero no supongo que lo hayan hecho bien. |
| Pedro Polito |
No lo tengo, pero me comunicaré con Tanya y le pediré que se comunique contigo directamente. |
| |
Para ayudar a remediarlo. |
| |
Está bien, claro, muchas gracias. Creo que eso compensa con mi correo electrónico. |
| Pedro Polito |
Muchas gracias. |
| |
No hay problema, está bien. Que tengas una buena noche y un buen descanso. |
| |
Sí, que tengas un buen día. |
| Pedro Polito |
Gracias. |
| |
Mucho adiós. |
