NOS یکی از ابزارهای پرکاربرد برای ارزیابی کیفیت و خطر سوگیری در مطالعات مشاهده‌ای (Observational Studies) شامل مطالعات مورد-شاهدی (Case-Control) و مطالعات هم‌گروهی (Cohort) است.
به طور کلی ارزیابی کیفیت روش‌شناختی (خطر سوگیری) گامی حیاتی پیش از بهره‌برداری از نتایج مطالعات است و نقش اساسی در افزایش اعتبار و صحت مرورهای سیستمی دارد.
منابع: منبع۱ منبع۲ منبع۳
گردآورنده:علی هاشمی

🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

⭕️مفاهیم پایه آماری برای مرور ها

در دنیای پزشکی و علوم سلامت، انواع مختلفی از مرور های پژوهشی وجود دارد که هر کدام هدف و روش متفاوتی دارند. از جمله رایج ترین مرور ها می توان به موارد زیر اشاره کرد:

📌مرور روایی (Narrative Review)
📌مرور سیستماتیک ( Systematic Review)
📌مرور نقشه ای( Scoping Review)
📌مرور سریع( Rapid Review)


اما بیشترین اهمیت مفاهیم اماری در مرور های سیستماتیک و متاآنالیز دیده می شود، چرا که این نوع مرورها داده ها را از چندین مطالعه مختلف جمع آوری، ارزیابی و به صورت آماری ترکیب می کنند تا به نتایج دقیق تر و قابل اتکا برسند.[1]
مرور سیستماتیک با استفاده از روش شناسی ساختاریافته و شفاف،امکان شناسایی،انتخاب و ارزیابی انتقادی مطالعات را فراهم می کند و با استفاده ازمتاآنالیز،می توان داده های عددی حاصل از مطالعات مختلف را به صورت کمی و اماری ترکیب کرد.[2]

📌اهمیت مفاهیم اماری در مرورهای سیستماتیک و متاانالیز

برای فهم صحیح نتایج مرور های سیستماتیک و متاآنالیز، اشنایی با چند مفهوم آماری پایه ضروری است:

☑️1.اندازه اثر  ( Effect size)

اندازه اثر، معیاری است که میزان تاثیر یک مداخله یا ارتباط را نشان می دهد و در متاآنالیز ها برای ترکیب نتایج مطالعات مختلف استفاده می شود. این معیار می تواند شامل:

اختلاف میانگین(MD) ، نسبت شانس( OR)، نسبت خطر (  HR) و غیره باشد.[3] مثلا در متاآنالیز از چندین مطالعه درمانی، اندازه اثر می تواندنشان دهد که یک دارو به طور متوسط چقدر در بهبود بیماران موثر بوده است.[3]

☑️2.وزن دهی مطالعات

در متاآنالیز ،مطالعات بر اساس کیفیت و حجم نمونه شان وزن داده می شود تا مطالعات بزرگتر و با کیفیت بهتر، تاثیر بیشتری در نتیجه نهایی داشته باشند.

☑️3. فاصله اطمینان(Confidence Interval)

فاصله اطمینان، بازه ای است که با درصد اطمینان مشخص( معمولا 95%) مقدار واقعی اندازه اثر راشامل می شود. اگر فاصله اطمینان شامل عددصفر ( برای MD) یاعدد یک (برای OR/HR) نباشد، نتایج معنادار اماری محسوب می شوند.[3]

☑️4.ازمون فرض و مقدار P(p-value)

در تحلیل های آماری ابتدا فرض صفر بیان می شود، یعنی فرض می شود بین دو گروه یا متغیر هیچ تفاوت معناداری وجود ندارد.سپس داده های جمع آوری شده بررسی می شوند تا مشخص شود که آیا این فرض قابل رد شدن هست یا نه.
مقدار P(p-value)  بیانگر احتمال مشاهده شدن تفاوت موجود درصورتی است که فرض صفر درست باشد.[3]

☑️5.شاخص ناهمگنی ( Heterogeneity- I²)

یکی از چالش های مهم در مرور سیستماتیک، تفاوت بین نتایج مطالعات مختلف است که به آن ناهمگنی می گویند. شاخص I² مقدار ناهمگنی را به صورت درصد نشان می دهد.مثلا I² برابر با 0درصد به معنی نبود ناهمگنی و مقادیر بالاتر نشان دهنده اختلاف بیشتر بین مطالعات است. این شاخص به تصمیم گیری برای استفاده از مدل اثر ثابت یا اثر تصادفی کمک می کند.[4]

☑️6.مدل های اثر ثابت و اثر تصادفی

مدل اثر ثابت فرض می کند که همه مطالعات یک اندازه اثر واحد دارند.
مدل اثر تصادفی تفاوت های واقعی بین مطالعات را در نظر می گیرد و برای داده هایی با ناهمگنی بالا مناسب تر است.[4]

📊مثال کاربردی از مرور سیستماتیک با تاکید بر مفاهیم اماری:

در یک متاآنالیز واقعی که اثر افزودن DPP-4 inhibitor به درمان بیماران مبتلا به دیابت نوع 2 بررسی شد نتایج نشان داد: [5]

MD : -0.61%    CI: 95%   I²: 73.4%

به دلیل ناهمگنی بالا مدل اثر  تصادفی برای تحلیل استفاده شد.

                                      

✅ نتیجه گیری:

مرور سیستماتیک و متاآنالیز ها ابزار های قدرتمندی در تحقیق پزشکی هستند که با به کارگیری مفاهیم اماری پایه، می توانند داده های متنوعی را ترکیب و نتایج دقیق تر و قابل اعتماد ارائه دهند، آشنایی با مفاهیمی همچون: اندازه اثر، وزن دهی مطالعات، فاصله اطمینان، شاخص ناهمگنی، و مدل های اماری برای درک درست این مدل ها ضروری است.
با افزایش حجم تحقیقات پزشکی و نیاز به تصمیم گیری های مبتنی بر شواهد،درک و کاربرد درست این مفاهیم به پزشکان، پژوهشگران و سیاست گذاران سلامت کمک می کند تا بهترین شواهد را شناسایی وبه کار ببرند.[1-4]

گردآورنده: سمیه گل محمدی

🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

💠منابعی فراتر از ژورنال‌ها: Grey Literature

🔹 در دنیای پژوهش، همیشه همه چیز در مجلات علمی معتبر منتشر نمی‌شود. بخش بزرگی از اطلاعات ارزشمند، در قالب‌هایی منتشر می‌شوند که کمتر در پایگاه‌های رایج نمایه شده‌اند. این منابع را با نام منابع خاکستری (Grey Literature) می‌شناسیم.

🔹 منابع خاکستری شامل:

✅ پایان‌نامه‌ها و رساله‌های دانشگاهی
✅ گزارش‌های دولتی، تحقیقاتی، و فنی
✅ پیش‌چاپ‌ها (preprints) و پروتکل‌های پژوهشی
✅ اسناد سازمانی، راهنماهای بالینی، اسلایدهای کنفرانس
✅ گزارش‌های کارآزمایی بالینی ثبت‌شده، مطالعات ثبت‌نشده یا نیمه‌کاره

📌 چرا جست‌وجوی منابع خاکستری مهم است؟

🔸 دستیابی به شواهد و داده‌هایی که در ژورنال‌ها یافت نمی‌شوند
🔸 کشف نتایج منفی یا خنثی که کمتر منتشر می‌شوند
🔸 تکمیل بهتر پیشینه پژوهش، مخصوصاً در پروژه‌های بین‌رشته‌ای
🔸 کمک به توسعه راهنماهای درمانی، سیاست‌گذاری سلامت، و مطالعات کیفی

🛠 از کجا شروع کنیم؟

🔹 پایگاه‌ها و منابع کلیدی:

📍OpenGrey – پایگاه اروپایی منابع خاکستری
📍 BASE – جستجوگر دانشگاهی متن‌باز
📍Grey Matters (CADTH) – لیست گام‌به‌گام برای جست‌وجو
📍ClinicalTrials / WHO ICTRP – کارآزمایی‌های بالینی
📍ProQuest Dissertations & Theses – پایان‌نامه‌ها
📍LinkedIn / ResearchGate / Google Scholar – دسترسی مستقیم به نویسندگان یا نسخه‌های پیش‌نشر

✅ چطور کیفیت منابع خاکستری را بسنجیم؟

برای ارزیابی این منابع از مدل معروف AACODS استفاده می‌شود:

🔸 Authority – نویسنده/سازمان معتبر؟
🔸 Accuracy – اطلاعات دقیق و مستند؟
🔸 Coverage – دامنه موضوعی مشخص؟
🔸 Objectivity – بی‌طرفی در گزارش‌دهی؟
🔸 Date – اطلاعات به‌روز؟
🔸 Significance – ارتباط با موضوع تحقیق شما؟

گردآورنده: دکتر محمد مهدی قربانی

📚 منابع پیشنهادی:

🔗لینک منبع
🔗لینک منبع

🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

مرور سیستماتیک روشی است که با استفاده از روش‌های شفاف و ساختارمند، همه شواهد مرتبط با یک پرسش پژوهشی مشخص را شناسایی، ارزیابی و خلاصه می‌کند تا با کمترین سوگیری و بیشترین دقت همراه باشد.

⦁ تعریف ناقص یا نامشخص سؤال پژوهش (مثلاً مشخص نکردن چارچوب PICOS)، که باعث سردرگمی و کاهش اعتبار نتایج می‌شود.
⦁ جستجوی ناقص منابع و انتخاب غیرشفاف مطالعات، که احتمال سوگیری و تکرارپذیری پایین را به دنبال دارد.
⦁ گزارش‌دهی ناقص روش‌ها و نتایج، عدم ارزیابی کیفیت مطالعات واردشده، و نبود شفافیت کافی در بیان منابع و فرآیند مرور.

این اشتباهات باعث کاهش اعتبار علمی، افزایش احتمال سوگیری و کاهش اعتماد به نتایج مرور سیستماتیک می‌شوند.
اگر معیارهای ورود و خروج مطالعات به‌درستی تعریف نشود و شفاف نباشد، ممکن است مطالعات نامرتبط وارد مرور سیستماتیک شوند یا مطالعات مرتبط حذف شوند و در نتیجه نتایج مرور سیستماتیک دچار سوگیری شود و اعتبار نتایج کاهش یابد.

۱. تعریف مبهم سؤال پژوهش
اگر سؤال مرور سیستماتیک به‌درستی و با چارچوب مشخص (مثل PICOS) تعریف نشود، کل فرآیند جستجو و انتخاب مطالعات دچار سردرگمی می‌شود و ممکن است مطالعات نامرتبط یا ناکافی وارد مرور شوند. این موضوع باعث می‌شود نتایج نهایی اعتبار کافی نداشته باشند و تکرارپذیری پژوهش زیر سؤال برود.

۲. جستجوی ناقص منابع
یکی از مهم‌ترین اشتباهات، جستجو نکردن در همه پایگاه‌های اطلاعاتی اصلی، استفاده نکردن از کلیدواژه‌های معادل و مترادف، یا ثبت نکردن دقیق مراحل جستجو است. این کار باعث می‌شود مطالعات کلیدی از قلم بیفتد و سوگیری انتخاب رخ دهد. ثبت کامل استراتژی جستجو و استفاده از منابع خاکستری (gray literature) بسیار مهم است.

۳. معیارهای ورود و خروج نامشخص
اگر معیارهای ورود و خروج مطالعات به‌وضوح تعریف نشوند، انتخاب مطالعات سلیقه‌ای می‌شود و تکرارپذیری و اعتبار مرور کاهش می‌یابد. باید این معیارها را پیش از شروع جستجو به‌صورت شفاف و مستند تعیین کرد تا هر پژوهشگری بتواند فرآیند را تکرار کند.

۴. ارزیابی ضعیف کیفیت مطالعات
نبود ارزیابی دقیق ریسک سوگیری (Risk of Bias) یا کیفیت مطالعات واردشده، باعث می‌شود نتایج مرور به‌شدت تحت تأثیر مطالعات ضعیف یا مغرضانه قرار گیرد. استفاده از ابزارهای معتبر مثل ابزار Cochrane Risk of Bias یا Newcastle-Ottawa Scale توصیه می‌شود.

۵. اشتباهات آماری
انتخاب مدل آماری نامناسب (مثلاً مدل اثر ثابت به‌جای مدل اثر تصادفی)، اشتباه در تبدیل داده‌ها، تفسیر غلط ناهمگنی (heterogeneity)، یا استفاده نادرست از داده‌های ترکیبی از رایج‌ترین خطاهاست.

۶. گزارش‌دهی ناقص
عدم استفاده از چک‌لیست‌هایی مثل PRISMA، نبود نمودار جریان (Flow Diagram) و گزارش ناقص روش‌ها و نتایج، اعتبار علمی مقاله را زیر سؤال می‌برد. گزارش‌دهی شفاف و کامل، امکان ارزیابی و تکرار نتایج را برای دیگر پژوهشگران فراهم می‌کند.

۷. کار گروهی ضعیف
انجام مرور سیستماتیک به‌تنهایی یا بدون همکاری افراد با تجربه، احتمال بروز خطا در انتخاب مطالعات، استخراج داده و تحلیل را بالا می‌برد. همکاری چند پژوهشگر و حل اختلاف نظرها، دقت و اعتبار کار را افزایش می‌دهد.

۸. سوگیری در انتخاب یا گزارش نتایج
انتخاب گزینشی مطالعات یا گزارش‌دهی انتخابی نتایج (مثلاً فقط نتایج مثبت) باعث کاهش اعتبار مرور می‌شود و می‌تواند به نتیجه‌گیری‌های اشتباه منجر شود. ثبت پروتکل مرور و شفافیت در گزارش‌دهی، راهکار اصلی مقابله با این خطاست.

ستاره پارساکیان

🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

#با_مقاله_درس_بخوانیم


حدود اطمینان. (Confidence Intervals)

۱) تعریف دقیق:

حدود اطمینان به ما این امکان را می‌دهد که عدم قطعیت‌های ایجاد شده در تخمین پارامترهای جمعیتی را اندازه‌گیری کنیم. این حدود به‌طور معمول بر اساس داده‌های نمونه‌ای محاسبه می‌شود و شامل دو عنصر کلیدی است؛
بازه اطمینان: که شامل دو عدد است و مقداری که در آن می‌توانیم پارامتر واقعی جمعیت را پیدا کنیم.
سطح اطمینان: که معمولاً به‌صورت درصد بیان می‌شود (مثلاً ۹۵٪) و احتمال صحیح بودن حدهای محسوب شده را نشان می‌دهد.

2) تفسیر مفهومی:

اگر ما می‌گوییم که حدود اطمینان ۹۵٪ برای میانگین یک جامعه ۵۰ تا ۶۰ است، این به این معنی است که اگر تعداد زیادی از نمونه‌های تصادفی مشابه گرفته شوند، در ۹۵٪ موارد، میانگین واقعی جامعه در این بازه قرار خواهد داشت. لذا این ابزار برای مستند کردن تصمیم‌گیری‌ها در علم آمار و مدیریت بسیار مهم است.

3) مزایا و کاربردها:

آسان شدن در فهم: حدود اطمینان به تفسیر نتایج آماری کمک می‌کند و نشان‌دهنده‌ی عدم قطعیت نتیجه‌گیری‌ها است.
تصمیم‌گیری در سیاست: در سیاست‌گذاری‌ها، بازه‌های اطمینان به تحلیل‌گران این امکان را می‌دهد که نوسانات در داده‌ها و تصمیم‌های مبتنی بر آن‌ها را در نظر بگیرند.
تحقیق و توسعه: در تحقیقات علمی، حدود اطمینان به محققان کمک می‌کند تا از دقت یافته‌های خود آگاه شوند و در نتیجه به نگارش مقالات علمی دقیق‌تر بپردازند.

4) محدودیت‌ها:
نیاز به اندازه نمونه بزرگ: هنگامی که اندازه نمونه کوچک است، حدود اطمینان ممکن است
قابلیت اطمینان کمتری داشته باشد.

فرضیات توزیع: معمولاً فرض می‌شود که داده‌ها از یک توزیع نرمال پیروی می‌کنند. اگر این فرضیات در مورد توزیع داده‌ها نقض شود، می‌توانیم نتایج نادرستی به‌دست آوریم.

اعتماد به سطح اطمینان: تفسیر نادرست از سطح اطمینان می‌تواند منجر به سو تفاهم‌هایی شود. به‌عنوان مثال، ۹۵٪ اطمینان به این معنی نیست که در ۹۵٪ موارد جواب درست است.

5) نتیجه گیری:

حدود اطمینان یک ابزار حیاتی در آمار هستند که به ما کمک می‌کنند تا عدم قطعیت‌های مربوط به تخمین پارامترهای جمعیتی را کمی کنیم و ابزاری قدرتمند در آمار برای تخمین پارامترهای جمعیتی و درک نوسانات در داده‌ها هستند. فهم درست از نحوه استفاده و تفسیر آنها می‌تواند به تحلیل‌های دقیق‌تر و تصمیم‌گیری‌های آگاهانه‌تری کمک کند.

گردآورنده: مجتبی اسماعیلی



🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

Excel for data organization

🔴 چکیده 

سازماندهی اصولی داده ها پایه ی پژوهش های معتبر است و خطای تحلیل را تا ۷۰٪ کاهش می‌دهد.اکسل ابزاری کلیدی برای ورود و مدیریت اولیه ی داده هاست.

🔴مقدمه

اکسل به‌دلیل رابط کاربری آسان و دسترس‌پذیری بالا، محبوب‌ترین ابزار برای جمع‌آوری داده‌هاست. اما ساختار نامناسب داده‌ها باعث : اتلاف ۸۰٪ زمان پروژه برای پاک سازی داده ها و خطاهای تحلیلی و تکثیر ناپذیری نتایج به دلیل ساختار نادرست می‌شود.

🔴اصول کلیدی ساختاردهی داده‌ها 

- متغیرها در ستون‌ها، مشاهدات در سطرها: هر سلول فقط شامل یک داده واحد باشد

- عدم ادغام سلول‌ها: سلول‌های ادغام‌شده خوانش داده توسط نرم‌افزارهای تحلیلی (مانند R/Python) را مختل می‌کنند . 

- حذف سلول‌های خالی: جایگزینی با مقادیر استاندارد (NA : برای داده‌های مفقود) 

- استفاده از Table ساختاریافته (Ctrl+T)
  - قابلیت ارجاع پویا با نام ستون

  - به‌روزرسانی خودکار فرمول‌ها با افزودن داده‌های جدید

- جدا کردن داده‌های خام از تحلیل‌شده

  - نگهداری داده‌های اصلی در شیت Raw_Data

  - ثبت تمام مراحل پاک‌سازی در شیت Log . 

🔴 خطاهای رایج و راهکارهای علمی

- چندین جدول در یک شیت
باعث.  ⬅️ ترکیب نادرست مشاهدات 
راه حل ⬅️ یک شیت = یک جدول

- عناوین ستون با فاصله
باعث    ⬅️خطا در خوانش کدها
راه حل ⬅️استفاده از Underline یا CamelCase (e.g., Household_Size) 

- ذخیره تاریخ به‌صورت متن
باعث.   ⬅️ محاسبات نادرست زمانی    
راه حل ⬅️فرمت استاندارد YYYY-MM-DD
 
- داده‌های تکراری 
باعث    ⬅️ انحراف تحلیل‌ها
راه حل ⬅️Data Remove Duplicates

- ترکیب داده و واحد در سلول
باعث   ⬅️ تبدیل متن به عدد ناممکن
راه حل ⬅️ ستون جداگانه برای واحدها

🔴 ابزار های کنترل کیفیت

- اعتبارسنجی داده‌ها (Data Validation): 
  محدودیت ورود داده‌های نادرست (e.g., مقادیر منفی برای "سن").

- قالب‌بندی شرطی (Conditional Formatting):  شناسایی سریع outliers (e.g., مقادیر بالاتر از ۳ انحراف معیار) . 

🔴 کاربردهای پیشرفته در پژوهش‌های آکادمی

--- سیستم شماره‌گذاری منابع:
   - اختصاص ID منحصربه‌فرد به هر منبع               (e.g., Ref_001, Ref_002)

   ـ پیوند هیپرلینک به فایل‌های PDF در ستون Full_Text . 

---دسته‌بندی موضوعی: 
  - فیلترپذیری بر اساس متغیرهایی مانند سال، نوع منبع، کلیدواژه‌ها . 

--- برای خلاصه سازی ⬅️ Pivot Tables
محاسبه سریع میانگین/مجموع براساس گروه‌ها (e.g., میانگین درآمد به‌ازای هر منطقه )
  --- ابزار Analyze Data: 
  تولید خودکار نمودارها و الگوها با پرس‌وجوی متنی (e.g., "نمودار فروش براساس ماه")

🔴 محدودیت‌ها و راهکارهای جایگزین 

اکسل فقط تا ۱.۰۸ میلیون سطر را پشتیبانی می‌کند. 
  ⬅️ راهکار: خروجی به فرمت CSV و استفاده از ابزارهایی مانند R یا Python

عدم شفافیت در محاسبات: پیگیری تغییرات فرمول‌ها دشوار است. 
  ⬅️ راهکار: استفاده از ماکروها برای ثبت مراحل یا مهاجرت به نرم‌افزارهای کدباز
نتیجه گیری

🔴 نتیجه

سازماندهی اصولی داده‌ها در اکسل: 

- پایه‌ای برای تحلیل‌های معتبر و افزایش قابلیت تکثیر پذیری پژوهش است. زمان تحلیل را تا ۵۰٪ کاهش میدهد. 
 
بااین‌حال، اکسل برای تحلیل‌های پیچیده جایگزین ابزارهای تخصصی نیست. پیشنهاد می‌شود داده‌های سازمان‌یافته در اکسل به فرمت‌های متن‌باز (مانند CSV) صادر و در مخازنی مانند Figshare ذخیره شوند.

گردآورنده: الهه باقری

📚 منبع۱
      منبع۲
      منبع۳

🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

🔰مدیریت منابع غیر انگلیسی


مقالات مروری سیستماتیک یکی از منابع اصلی تحقیقاتی، به‌ویژه در حوزه علوم پزشکی محسوب می‌شوند. با این حال، اغلب در فرایند گردآوری این مقالات، منابع غیرانگلیسی چالش‌ برانگیز هستند؛ به‌ویژه در پژوهش‌هایی با رویکرد بین‌المللی یا در مواردی که داده‌های موجود در مطالعات غیرانگلیسی ممکن است نتایج یا اطلاعات آماری را به‌طور قابل توجهی تغییر دهند. حذف این منابع می‌تواند منجر به سوگیری (bias) شده و در نهایت، دقت و اعتبار علمی نتایج حاصل از مرور را کاهش دهد.
راهکارهای متنوعی در مقالات برای مقابله با این مسئله پیشنهاد شده است؛ برخی بر اهمیت استفاده از ابزارهای ترجمه ماشینی رایگان مانند Google Translate یا سایر سایت‌های کم‌هزینه تأکید دارند. برخی دیگر بر استفاده از منابع انسانی، مانند دانشجویان داوطلب یا اعضای گروه‌های پژوهشی چندزبانه، به‌عنوان روشی مؤثر برای ترجمه تأکید می‌کنند. در پژوهش‌هایی که دارای حمایت مالی (گرنت) هستند نیز، امکان استفاده از مترجمان حرفه‌ای یا خدمات ترجمه تخصصی فراهم است.
در نهایت، اغلب مقالات بر این نکته تأکید دارند که برای ارتقاء کیفیت علمی و جلوگیری از سوگیری، پژوهشگران نباید منابع را صرفاً به‌دلیل زبان نگارش آن‌ها کنار
بگذارند.

گردآورنده: مهسا نوری

منابع:
Source 1
Source 2
Source 3
Source 4
Source 5


🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

🔹 مقدار احتمال (P-value) به زبان ساده

🔸 مقدمه

اعتبار نتیجه‌ی علمی یک مقاله پژوهشی نباید فقط بر پایه‌ی تحلیل آماری باشد. نه‌تنها استفاده‌ی درست از روش‌های آماری اهمیت دارد، بلکه تفسیر صحیح نتایج نیز نقش حیاتی در رسیدن به نتایج معتبر دارد.
برای پشتیبانی از اهمیت نتایج یک مطالعه، مفهومی به نام معناداری آماری (statistical significance) مورد استفاده قرار می‌گیرد که معمولاً با شاخصی به نام مقدار احتمال یا p-value ارزیابی می‌شود.

🔸مقدار احتمال یا P-value چیست ؟

مقدار احتمال یا p-value به صورت احتمال دستیابی به داده‌هایی به اندازه یا شدیدتر از آنچه مشاهده شده تعریف می‌شود، با این فرض که فرض صفر (null hypothesis) درست باشد.
در بسیاری از مطالعات علمی، از p-value برای اندازه‌گیری قدرت شواهد آماری استفاده می‌شود. این مقدار نشان می‌دهد که نتایج مشاهده‌شده تا چه اندازه ممکن است صرفاً بر اثر شانس حاصل شده باشند.
هرچند p-value به گزارش نتایج آزمون‌های آماری کمک می‌کند، اما به‌تنهایی نمی‌تواند اهمیت عملی و واقعی نتایج را نشان دهد.

🔸 آستانه‌ی p-value

برای اینکه بررسی کنیم آیا یک نتیجه معنادار هست یا نه، پژوهشگران احتمال رخ دادن آن نتیجه را تحت فرض صفر و صرفاً به‌دلیل شانس محاسبه می‌کنند.
آستانه‌ای که به‌صورت تاریخی و شهودی برای رد فرض صفر در نظر گرفته شده، مقدار 0.05 است.
در نتیجه، اگر مقدار p کمتر از 0.05 باشد، پژوهشگران معمولاً آن را به‌عنوان لحظه‌ی «یافتم!» (eureka) تلقی می‌کنند؛ یعنی فرض صفر را کنار گذاشته و فرض مقابل را می‌پذیرند.
درواقع، p-value نشان می‌دهد که احتمال دارد اثر مشاهده‌شده صرفاً تصادفی باشد، در حالی‌ که در واقعیت هیچ اثری وجود ندارد.
به‌طور سنتی، اگر p کمتر از 0.05 یا 0.01 باشد، نتیجه از نظر آماری معنادار در نظر گرفته می‌شود.
هرچند برخی معتقدند این آستانه باید سخت‌گیرانه‌تر شود، اما همچنان در عمل به‌طور گسترده پذیرفته شده است.

🔸 نکات و توصیه‌های مهم هنگام استفاده از p-value

1️⃣ گزارش اندازه‌ی اثر و فاصله اطمینان
فقط به p-value اکتفا نکنید. اندازه‌ی اثر (effect size) نشان دهنده میزان قدرت و اهمیت عملی نتیجه است و لذا باید به طور صحیح ذکر شود.

2️⃣ بیان شفاف فرض صفر
دقیق توضیح دهید که p-value نشان‌دهنده‌ی چیست. به عنوان مثال آیا آزمون یک‌ سو کور است یا دو‌ سو کور و این مقدار چه نسبتی با فرض صفر دارد؟

3️⃣ تفسیر p-value در چارچوب اندازه نمونه
نمونه‌های بزرگ ممکن است حتی برای اثرهای خیلی کوچک، p معنادار تولید کنند، در حالی‌که نمونه‌های کوچک ممکن است نتایج مهم را معنادار نشان ندهند.
پس قدرت آماری مطالعه را نسبت به اندازه‌ی اثر مدنظر در نظر بگیرید.

4️⃣ احتیاط در مقایسه‌های متعدد
اجرای چند آزمون، احتمال خطای نوع اول (false positive) را بالا می‌برد. برای کنترل این خطا باید اصلاحاتی مثل تصحیح بونفرونی (Bonferroni) انجام داد.

5️⃣ بررسی فرض‌های آزمون و تحلیل حساسیت
تمام آزمون‌های آماری بر پایه فرض‌هایی انجام می‌شوند (مثلاً توزیع نرمال در آزمون t).
اگر این فرض‌ها رعایت نشود، نتایج از جمله p-value ممکن است نامعتبر شوند. بنابراین، اطمینان حاصل کنید که آزمون مناسب یا تبدیل داده‌ها به‌درستی انجام شده باشد.

منابع :
منبع 1 | منبع 2 | منبع 3 | منبع 4

گردآورنده : رضا ایمانی

🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

Effect sizes explained simply

اندازه اثر چیست؟

اندازه اثر (Effect Size) یکی از مفاهیم مهم در تحلیل آماری است که نشان می‌دهد تفاوت یا رابطه بین دو متغیر یا گروه چقدر بزرگ و قابل توجه است. برخلاف مقدار p که فقط مشخص می‌کند یک اثر وجود دارد یا نه، اندازه اثر به ما می‌گوید آن اثر چقدر اهمیت دارد. مثلاً اگر دو روش آموزشی با هم مقایسه شوند، مقدار p ممکن است نشان دهد تفاوت معنادار است، اما فقط اندازه اثر می‌تواند بگوید این تفاوت واقعاً در عمل چقدر مهم است.

از اندازه اثر برای تفسیر بهتر نتایج، مقایسه مطالعات مختلف، و انجام فراتحلیل‌ها استفاده می‌شود. شاخص‌های مختلفی برای آن وجود دارد، مانند d کوهن برای تفاوت میانگین‌ها و r برای همبستگی. استفاده از اندازه اثر باعث می‌شود تصمیم‌گیری‌ها نه‌فقط آماری، بلکه عملی و کاربردی هم باشند.

گردآورنده: زهرا یونسی

منبع۱
منبع۲
منبع۳

🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

‼️‼️فوری-
#پژوهش_یار
#فراخوان_پژوهش

💫به جهت فراهم اوردن فرصت همکاری و شناسایی ظرفیت‌ها و‌توانایی‌های پژوهشگران علاقه مند به فیلد جراحی اعصاب و‌ستون فقرات
در گروه زیر عضو شوید:

👇👇👇👇👇
لینک گروه پژوهش در جراحی مغز و اعصاب🧠🧠


📳در این گروه اطلاع رسانی های پژوهشی اعلام میشود، علاقه مندان اعلان حضور میکنند و روزمه خود را ارسال میکنند و بلافاصله پس از تایید، وارد آن فعالیت میشوند.

📌جراحی مغز ( تومورها / اختلالات عروقی/ اعمال جراحی عملکردی جراحی مغز مثل DBS/VNS/ تروما/ مدیریت سایر اختلالات)
📌 جراحی ستون فقرات ( تنگی ها/شکستگی ها/ دفورمیتی ها / تومورها/ اختلالات عروقی)
📌جراحی اعصاب محیطی ( تومورها/ گیرافتادگی ها)
📌 میان رشته ای مثل نانو در جراحی اعصاب/ فارماکولوژی در جراحی اعصاب/ اپیدمیولوژی در جراحی اعصاب/ رادیوانکولوژی و جراحی اعصاب)
📌 هوش مصنوعی در جراحی مغز و اعصاب



#پژوهش_یار
#فراخوان_پژوهش_آموزش

👇👇👇👇👇
لینک گروه پژوهش در جراحی مغز و اعصاب🧠🧠


🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

‼️فراخوان ‌های همکاری پژوهشی ‌و اعلام نیاز‌
پیرامون موضوعات درجه یک در جراحی مغز و اعصاب و‌ ستون فقرات در این کانال و گروه منتشر میشود🌱.

باما همراه باشید.
|@NeuroResearchers|

‼️‼️فوری-
#پژوهش_یار
#فراخوان_پژوهش

💫به جهت فراهم اوردن فرصت همکاری و شناسایی ظرفیت‌ها و‌توانایی‌های پژوهشگران علاقه مند به فیلد جراحی اعصاب و‌ستون فقرات
در گروه زیر عضو شوید:

👇👇👇👇👇
لینک گروه پژوهش در جراحی مغز و اعصاب🧠🧠


📳در این گروه اطلاع رسانی های پژوهشی اعلام میشود، علاقه مندان اعلان حضور میکنند و روزمه خود را ارسال میکنند و بلافاصله پس از تایید، وارد آن فعالیت میشوند.

📌جراحی مغز ( تومورها / اختلالات عروقی/ اعمال جراحی عملکردی جراحی مغز مثل DBS/VNS/ تروما/ مدیریت سایر اختلالات)
📌 جراحی ستون فقرات ( تنگی ها/شکستگی ها/ دفورمیتی ها / تومورها/ اختلالات عروقی)
📌جراحی اعصاب محیطی ( تومورها/ گیرافتادگی ها)
📌 میان رشته ای مثل نانو در جراحی اعصاب/ فارماکولوژی در جراحی اعصاب/ اپیدمیولوژی در جراحی اعصاب/ رادیوانکولوژی و جراحی اعصاب)
📌 هوش مصنوعی در جراحی مغز و اعصاب



👨🏻‍💻👩🏼‍💻افرادی که توانایی پژوهشی خوب همراه با تعهد مناسب دارند، لطفا برای شرکت در فعالیت های جاری پژوهشی انجمن، به ایدی دکتر فرزان فهیم، دبیر و‌ موسس انجمن، پیام بدهند و ضمن معرفی خود به skill ها و‌تجارب پژوهشی خود اشاره کنند.
🆔@DrFarzan_Fahim

#پژوهش_یار
#فراخوان_پژوهش_آموزش

👇👇👇👇👇
لینک گروه پژوهش در جراحی مغز و اعصاب🧠🧠


🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

✅عنوان: مدیریت حجم زیاد مطالعات در پژوهش‌های پزشکی
Managing large numbers of studies

🔴چرا مهم است؟
مرور سیستماتیک و متاآنالیز در تصمیم‌گیری‌های درمانی نقش کلیدی دارند. اما حجم زیاد مطالعات، تحلیل را دشوار می‌کند.

🔴ابزارهای مفید:

🔸️Rayyan، Covidence، DistillerSR
🔸️هوش مصنوعی (LLMs) برای غربال هوشمند
🔸️نرم‌افزارهای تحلیل آماری: RevMan، R، CMA، Stata

🔴مراحل کلیدی مدیریت مطالعات:

🔸️تعریف معیارهای ورود و خروج
🔸️غربال دوبل و آزمایشی
🔸️استخراج داده و طراحی سؤال با فرمت PICO
🔸️بررسی ناهمگنی و تحلیل سوگیری

🔷️نتیجه‌گیری:

مدیریت دقیق مطالعات باعث صرفه‌جویی در زمان، کاهش خطا و افزایش اعتبار نتایج پژوهشی می‌شود. ابزارهای نوین، پژوهشگران را توانمندتر می‌کنند.

📚رفرنس ها:
منبع ۱
منبع ۲
منبع ۳
منبع ۴

✅آیدا محمودجانلو

🆔 @Neurosurgery_association
🆔 @NeuroResearchers
🌐 neuro-surgery.info

‼️‼️به زودی تشکیل کارگروه های پژوهشی در علوم ‌و‌ جراحی مغز و اعصاب
در گروه پژوهشی جراحی مغز و اعصاب


#پژوهش_یار
#فراخوان_پژوهش_آموزش

👇👇👇👇👇
لینک گروه پژوهش در جراحی مغز و اعصاب🧠🧠


🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |

#Resolving_disagreements_in_screening

۱. تعریف غربالگری و حل اختلاف در آن چیست؟

غربالگری مرحله‌ای از مرور نظام‌مند است که در آن دو مرورگر مستقل، عنوان و چکیده مقالات را بر اساس معیارهای ورود و خروج ارزیابی می‌کنند؛ در صورت اختلاف، مذاکره یا داوری ثالث انجام می‌شود.[1]

۲. کاربرد این روش چیست؟

حل اختلاف در غربالگری، باعث افزایش دقت انتخاب مطالعات و کاهش سوگیری فردی می‌شود. همچنین موجب ارتقاء قابلیت بازتولید یافته‌ها در مطالعات مرور نظام‌مند می‌گردد.[2]

۳. چه تناقضات و مشکلاتی در این روش وجود دارد؟

اختلاف تفسیر معیارها، خستگی مرورگران، سوگیری شناختی، و عدم استفاده از ابزارهای استاندارد، باعث کاهش همخوانی می‌شود. همچنین نبود ساختار برای ثبت دلیل حذف، مشکل‌ساز است.[3]

۴. مثال‌هایی از روش و کاربرد آن چیست؟

مثال‌ها: استفاده از نرم‌افزار Covidence برای غربالگری دوتایی؛ محاسبه ضریب کوهن کاپا (Cohen’s κ) برای سنجش توافق؛ ثبت دلایل حذف در سلسله‌مراتب منطقی، مانند مطالعات WHO یا Cochrane و...[4]

REFERENCES:

1/2/3/4

گرد آورنده: دکتر کیانا کیانپور

🔍در انجمن پژوهشی علوم و جراحی اعصاب با ما همراه باشید…
| @NeuroResearchers |