خوب خوب
سال هم به پایان خودش رسید - شروع سال جدید میلادی رو تبریک میگم بهتون 🤩

یادمه سال پیش این موقع ها تازه در بحبوحه کنکور قرار گرفته بودم. یه شبه پلن کل زندگیم تغییر کرد و بعد از کلی شکست و ناراحتی و ناامیدی و ... قرار بر این شد که ارشد بخونم و مابقی داستان های خودش.
خیلی نمیخوام راجع به اینکه این تصمیم درست بوده یا نه صحبت کنم (شاید یه روزی سفره دلم رو پیشتون باز کردم البته 😅).
هدف از این نوشته این بود که یک جمع بندی داشته باشیم در سال آکادمیکی که برامون گذشت.

دروغ چرا، ریسرچ واسه من همه چیه، همه زندگیم. شاید خیلی وقتا از ناراحتی، ناامیدی، افسردگی و مشکلات زندگی پناه بردم به ریسرچ.
جدا از بحث های علمی و پیشرفت هایی که برام به همراه داشته، شاید بزرگترین نقش ریسرچ در زندگی این بوده که پناه من بوده برای همه مشکلات پیش رو، ریسرچی که شاید اگه نبود من خیلی وقت پیش ها باخت داده بودم و هیچ وقت دوستای خوبی مثه شما نداشتم.

البته که یک وقتایی هم باهام راه نیومده، روی اعصاب بوده و کلی اعصاب منو بهم ریخته و باهام کم نامهربونی نکرده😄.
من واسه یادگیری پژوهش خیلی سختی کشیدم، از صفر که هیچی از خیلی منفی تر از اونی که فکر کنید شروع کردم. اما هدف چی بوده؟ اینکه دیگه هیچکدوم از شمایی که داخل این کانال هستید به هیچ وجه اون سختی هارو تجربه نکنید، شمایی که بعضی هاتون واقعا استعداد بی نظیری در این زمینه دارید و شاید یه وقتا نیاز به جرقه برای انفجار دارید. چه افتخاری بالاتر از اینکه این جرقه از سمت ما باشه و خشت اول پژوهشتون رو ما بذاریم :)

در یک سالی که گذشت واقعا هدف صرفا همکاری با رفقایی بود که تجربه اولشون در نگارش مقاله هست (البته داشتیم همکارا و اساتید که خیلی خفن بودن و ما ازشون کلی چیزا یاد گرفتیم). ولی رسالت این کانال از زمانی که ایجاد شد بر پایه همکاری و آموزش به دانشجویان جوان تر بود، افرادی که استعدادشو دارن ولی به علت اینکه کارهای اولشون هست و شاید تجربه کمتری در ریسرچ دارن، اساتید و سایر گروه های پژوهشی اشتیاق کمتری جهت همکاری با اون ها دارند. ما اومدیم که دقیقا با همون افراد کار کنیم - چون من خودم دقیقا همونی بودم که به علت ترم پایین و تجربه کمم در ریسرچ، هیچکس باهام کار نمیکرد🫠
تقریبا بیش از 70% تایم پژوهشیم در این یک سال صرف آموزش به سایر رفقای پژوهشگرم شد. اسامی رو که داشتم امشب چک میکردم دیدم ما در یک سال اخیر با 42 نفر از شما برای اولین بار همکاری داشتیم که 28 نفر از این 42 نفر مقاله اولشون بود و این افتخار رو داریم که حس وصف نشدنی شادی و شیرینی چاپ اولین مقالشون رو با ما تجربه کنن 😍 و حدود 15 نفر از شما هم قبل تر از این ها باهم همکاری داشتیم و از قدیمی های ریسرچرید 😁

از اونجایی که بخش عمده فعالیت های ما برای آموزش بوده شاید مثه سایر رفقای پژوهشگرمون خیلی در زمینه پاپلیش مقاله موفق نبودیم، البته که به نظر من معیار تعداد مقاله نیست و مهم اون کار تاثیرگذاری هست که انجام میشه.

در سالی که گذشت، تیم پژوهشی ما در بیش از ۱۱۰ ژورنال سابمیت مقاله داشته و در پی اون ریجکتی هم کم نداشتیم، اما در کل و خروجی پژوهشی ما 15 پاپلیکیشن بوده(حداقل هر ماه یک پاپلیکیشن رو داشتیم) که اون ها شامل 12 مقاله و 3 کتاب بوده.

✅ لینک این پاپلیکیشن ها در زیر اومده:
1. https://link.springer.com/referenceworkentry/10.1007/978-3-030-80962-1_417-1

2.
https://www.nmcd-journal.com/article/S0939-4753(23)00432-5/fulltext

3.
http://www.govaresh.org/index.php/dd/article/view/2583

4.
https://www.eurekaselect.com/article/140821

5.
https://apb.tbzmed.ac.ir/Article/apb-42418

6.
https://bmjopen.bmj.com/content/14/7/e080926

7.
https://clinicalhypertension.biomedcentral.com/articles/10.1186/s40885-024-00281-w

8.
https://www.sciencedirect.com/science/article/pii/S1053811924004324?via%3Dihub

9.
https://onlinelibrary.wiley.com/doi/10.1002/ptr.8356

10.
https://onlinelibrary.wiley.com/doi/10.1002/ptr.8340

11.
https://link.springer.com/chapter/10.1007/16833_2024_466

12.
https://link.springer.com/chapter/10.1007/16833_2024_472

13.
https://www.sciencedirect.com/science/article/abs/pii/S0958694624002851?via%3Dihub

14 and 15
این دوتا اکپست شدن ولی هنوز روی سایت ژورنال نیومده 😅

اما اهداف امسال چیه؟
1. طبیعتا آموزش به افراد بیشتر ——> بیشتر مقالاتمون رو میخوام امسال با افرادی کار کنم که تا به حال تجربه همکاری با تیم ما رو نداشتن ولو اینکه تجربه اولشون در کار پژوهشی باشه (در فراخوان های پژوهشی آینده شرایط رو اعلام خواهم کرد حتما) - خیلی دوست دارم سبک آموزش هامونو نوین‌تر کنیم و بتونیم در زمان محدود با تعداد بیشتری از شما فرایند آموزش و همکاری رو داشته باشیم، بر همین اساس چندین ماهه ذهنم درگیره و یه سری ایده ها توی ذهنم هست که به نظرم امسال، سالِ اجرا اون ها میتونه باشه 🔥
2. هدفِ تعدادِ خاصی برای چاپ مقاله ندارم!
چون به نظرم این اعداد نیستن که به انسان عزت و احترام میدن و این انسان ها هستن که به اعداد معنی میبخشن، فلذا واقعا تعداد مقاله برام مهم نیست (کما اینکه هیچ وقت هم نبوده) - ولی از طرفی راکد شدن پژوهشی رو اصلا دوست ندارم و به نظرم چاپ مقاله مثه خون توی رگ های یه پژوهشگر میمونه و بدون پاپلیش که نمیشه زندگی کرد!
در همین راستا حدودا ماهی یک پاپلیکیشن به نظر تعداد مناسبی هست و سعیمون اینه که امسال هم بتونیم این تارگت رو بزنیم (شایدم بیشتر!) :)

ممنون که اینجا هستید. چنین جمع خفنی باعث دلگرمی منه 🫶 سال جدید برای شماست، بترکونید رفقا😍💪

سلام رفقا
داشتم کامنت های داوران این مقاله را پاسخ میدادم.
به یک کامنت جالب بر خوردم، گفتم اینجا با شما مطرحش کنم (البته سطح این کامنت یه مقدار بالا هست و بیشتر کاربردی تره برای همکارانی که آنالیز انجام میدن).

حالا کامنت داور چی بود؟ :
You can consider using newer methods like the Hartung-Knapp adjustment.

اصولا عناوینی که تیم ما کار میکنه و دیتاهایی که در مطالعات اولیه این عناوین گزارش شده، مارو به سمت استفاده از مدل DerSimonian and Laird برای آنالیز دیتاها میبره.

حالا داور به ما پیشنهاد داده از مدل Hartung-Knapp-Sidik-Jonkman (HKSJ) adjustment برای آنالیز داده هامون در متاآنالیز استفاده کنیم. این مدل یکی از مدل های بسیار جدید در متاآنالیز هست و حقیقتش من تا به حال در متاآنالیزهای حیطه تغذیه ندیدم کسی از این مدل برای آنالیزش استفاده کنه (هرچند که مدل آماری بسیار قوی ای هست و استفاده از این مدل در جای مناسب قطعا قطعیت نتایج و سطح شواهد شمارو به صورت معنی داری بهبود میبخشه)

🫷حالا اصن مدل HKSJ چیه و چی میگه؟
تعدیل Hartung-Knapp-Sidik-Jonkman (HKSJ) یک روش آماریه که در فراتحلیل‌ها برای تخمین اثرات کلی استفاده می‌شه. هدف اون این است که نتایج دقیق‌تر و قابل اعتمادتر باشند، مخصوصاً وقتی مطالعات شامل تغییرپذیری زیادی هستند.

به زبان ساده‌تر:🙄
وقتی می‌خواهید نتایج چندین مطالعه را با هم ترکیب کنید، ممکن است این مطالعات شرایط یا کیفیت‌های متفاوتی داشته باشند. روش HKSJ به شما کمک می‌کنه تا این تفاوت‌ها را بهتر مدیریت کنید و تخمینی بهتری از اثر واقعی (مثه تأثیر یک درمان) ارائه بدید. این روش از نظر ریاضی اصلاحاتی انجام می‌دهد تا خطای استاندارد کمتر یا دقیق‌تر محاسبه شود.
مزیت اصلی HKSJ این است که در مقایسه با روش‌های سنتی، وقتی مطالعات کم هستند یا تفاوت‌ها بین آن‌ها زیاد است، تخمین‌های معقول‌تری ارائه می‌ده. 🤓

#ابهام

اگر شما در مقالتون به این کامنت داور برخورد کنید چه پاسخی بهشون میدید؟؟

یا مثلا دوست دارید بدونید چه پاسخی تیم تحقیقاتی ما به این داور داده و چطور قراره قانعش کنیم ما بهترین مدل آماری برای مطالعمون استفاده کردیم و به آنالیز و دیتاهای ما ایرادی وارد نیست؟ 🥸

با گذاشتن سند بره مسافرت ؟؟؟!!!!!!
واقعا با خودتون چه فکری میکنید که چنین حرفایی میزنید؟ لکه ننگ و سیاه ترین نقطه تاریخید..

#برده_داری_نوین!

اما پاسخ این کامنت:

12. You can consider using newer methods like the Hartung-Knapp adjustment.
Reply: We thank the reviewer for suggesting. In our study, we utilized the DerSimonian and Laird (DL) random-effects model, a widely accepted method for meta-analyses, due to its computational simplicity and historical prevalence in the field. While we acknowledge that the HKSJ adjustment has gained traction in recent years for improving the precision of confidence interval estimation, particularly in small-sample meta-analyses, its application may not always be necessary or advantageous.
In our case, the number of included studies and their sample sizes were sufficient to yield stable estimates using the DL method. Moreover, the results were rigorously tested for robustness through sensitivity analyses, ensuring the reliability of the reported findings. We also assessed heterogeneity using the I2 statistic and conducted subgroup and meta-regression analyses to explore potential sources of variability, adhering to best practices in systematic reviews and meta-analyses.
It is important to note that the Hartung-Knapp adjustment can produce overly conservative intervals when heterogeneity is low or the number of studies is large, which may not reflect the true uncertainty in the estimates. To further address this comment, we have reviewed our analyses and confirmed that our primary conclusions remain robust and unaffected by the choice of statistical adjustment.
We appreciate the reviewer’s suggestion and will consider implementing the Hartung-Knapp adjustment in future meta-analyses, where appropriate, to further enhance the methodological rigor. However, we believe that the methods employed in the present study are scientifically valid and align with current standards in meta-analytic research.

+تراپی؟!
-نه ممنون! با بهترین استاد ایران کار میکنیم 🤓

خیلی جالب بود که من دونفر از بچه های کانال رو به این ژورنال معرفی کردم و ژورنال برای هردونفرشون داوری اون مقاله رو فرستاد 😁💪

اون کیه که دو روز دیگه دوتا امتحان عجیب داره و تازه ذوق پژوهشیش گل کرده و تصمیم گرفته روی پژوهش بیشترررر از همیشه وقت بذاره؟؟
✋✋


پ ن: به صورت عجیبی این ژورنال داره برام داوری میفرسته، فکر میکنم با این وضعیت احتمالا کل ایشو بعدیشون رو من داوری کرده باشم 😂🧑‍🦽

یکی دیگه هم همین چند دقیقه پیش فرستادن.

این یک متا مشاهده ای در زمینه قلب و عروق است که یک تیم ایرانی هم انجامش دادن.

نظرتون هست پس از داوری این کار ارزشمند، کامنت هایی که برای این مقاله میذاریم رو اینجا باهاتون به اشتراک بذارم تا با روند و کامنت های داوری بیشتر آشنا بشید؟
این کار میتونه برای افرادی که تازه داوری مقالات رو آغاز کردند هم مفید باشه و یا اگه دوست دارید در آینده سمت داوری مقالات برید این کامنت ها شمارو بیشتر با فضا داوری مقالات علمی آشنا میکنه 🤓

فیگر اول مقاله - پریزما (نسخه نهایی)

قسمتی از فیگر که هایلایت زرد رنگ دارد، وابسته به جدول۲ ساپلیمنت مقاله (همان جدول اکسکلودها) تغییر خواهد کرد. مابقی فیگر، به جز تغییر در اعداد، دست نخورده باقی خواهد ماند.

@MetaWithMan