https://www.nature.com/articles/s41586-021-04278-5.pdf

⭐️ نام مقاله:
Multi-omic machine learning predictor of breast cancer therapy response

🆔@NivanAssociation

کلیت مقاله: سرطان سینه در حقیقت یک اکوسیستم پیچیده از سلولهای ملیگننت یا بدخیم است. ترکیب اکوسیستم این تومورها و ارتباطات بین آنها و سلول های آنها می تواند به ما در پاسخ این بیماری به سایتوتوکسیک تراپی کمک بکند. مدل های پیشگویی که تا به الان پاسخ به این درمان را پیش بینی می کردند شامل این معیار نمی شدند. در این تحقیق، ۱۶۹ بیمار قبل از آغاز درمان مورد مطالعه قرار گرفته و از اطلاعاتی شامل پرونده کلینیکی، پاتولوژی، ژنتیکی و همچنین اطلاعات رونویسی RNA ها که از بیوپسی آنها تهیه شده بود، استفاده شده است. این بیماران در ادامه به وسیله کموتراپی تحت درمان و تا قبل از جراحی مورد ارزیابی قرار می گیرند.
نتیجه پاتولوژی بعد جراحی، با بسیاری از دیتا های بیوپسی های تشخیصی ابتدایی، همبستگی دارد. این مطالعه در حقیقت نشان می دهد که پاسخ به درمان در این بیماری، با زیست بوم تومورها قبل از آغاز درمان مرتبط است و این فاکتور های مرتبط با هم می توانند در مدل های پیشگو با استفاده از متود های ML، با هم ترکیب شوند. میزان باقیمانده بیماری در بدن بعد از درمان، همواره تحت الگوی مشخصی با فاکتورها و ویژگی های قبل درمان مرتبط است مثل جهش ها و میوتیشن های تومور و تعداد جایگاه های رونویسی، پرولیفراسیون تومور، عدم عملکرد مناسب T سل ها و ... (که در مقاله موارد دیگری هم توضیح داده شده است)
با ترکیب این فاکتورها توانستیم یک مدل ML پیچیده چندفاکتوره را طراحی بکنیم که توانست به صورت کامل پاتولوژی پاسم به درمان را در ۷۵ مورد پیش بینی بکند و همچنین در کل تحقیق توانست آمار AUC برابر با ۰.۸۷ را از خود نشان دهد.

💬 نتیجه: پاسخ به درمان به وسیله ویژگی های کاراکتریستیک ابتدایی از اکوسیستم تومور مشخص می شود که این مطالعه به خوبی توانسته این فاکتور ها را در یک مدل پیشگو بر پایه ی ML قرار دهد. این مدل میتواند برای پیشگویی پاسخ به درمان سایر سرطان ها هم مورد ارزیابی قرار بگیرد.

🆔@NivanAssociation

⭐️ جدیدترین مقالات منتشر شده در حوزه پزشکی و بالینی

وب سایت زیر جدیدترین مقالات چاپ شده با کلمات کلیدی مدنظر شما در مجلات مورد نظرتان را نشان می دهد

🌐 https://www.readbyqxmd.com

🆔@NivanAssociation

⭐️ معرفی مطالعات مقطعی - توصیفی (denoscriptive cross-sectional)

💬 تعریف و ویژگی: مطالعات مقطعی که به عنوان مطالعه شیوع یا مطالعه توصیفی- تحلیلی نیز خوانده می شود، معموال شامل یک نمونه گیری تصادفی از جامعه هدف است. این مطالعات به شکل یک عکس فوری از رویداد یک بیماری و وضعیت مواجهه در یک جمعیت انجام می شود و توزیع فراوانی متغیرهای مختلف را در یک جمعیت و در یک لحظه از زمان بررسی می کند. در این نوع مطالعه ارتباط بررسی می شود ولی علت و معلولی بررسی نمی شود.

🟢 نقاط قوت
1️⃣ این مطالعات در مدت زمان کوتاه و با هزینه کم انجام می شوند.
2️⃣ مشکل از دست دادن نمونه ها را نداریم درحالی که در مطالعاتی که نیاز به پیگیری بیماران درطول زمان دارند این مشکل همواره وجود دارد.
3️⃣ با استفاده از این مطالعات می توان شیوع لحظه ای مواجهه و پیامد را به دست آورد.
4️⃣ هیچکس با یک عامل خطر احتمالی مواجهه ندارد یا از یک عامل مفید احتمالی محروم نمی شود.

🔴 نقاط ضعف
1️⃣ رابطه علیتی به درستی مشخص نمی شود.
2️⃣ نمی توان بروز بیماری ها را محاسبه کرد. محاسبه بروز بیماری ها در تعیین رابطه علت و معلولی بین مواجهه و پیامد نقش موثری دارد.
3️⃣ در مواردی که مواجهه یا پیامد نادر است، انجام مطالعات مقطعی مشکل می شود.

🆔@NivanAssociation

https://www.nature.com/articles/s41467-022-28421-6.pdf

⭐️ نام مقاله:
Machine learning-based integration develops an immune-derived lncRNA signature for improving outcomes in colorectal cancer

🆔@NivanAssociation

💬 کلیت مقاله: در مطالعات اخیر به تازگی دریافته اند که IncRNA ها (non-coding RNA های بلند) در فرآیند های درمانی و اصلاحی ایمونولوژیک در سرطان کولورکتال (CRC) موثرند. با این حال مطالعات کلینیکال مرتبط با ایمونولوژی در زمینه IncRNA کم بوده و بسیاری از مباحث در این زمینه هنوز کشف نشده است. در این مطالعه، یک پروسه یکپارچه برپایه ML برای ساخت آثار ایمونولوژی مرتبط با IncRNA ها به نام IRLS توسعه داده شده است. IRLS در حقیقت یک ریسک فاکتور با قدرت بالا برای میزان بقا و احتمال پایدار شدن بیمار است ولی قدرت محدودی در پیش بینی بقای بدون عود بیماران دارد. به علاوه IRLS به صورت مجزا، accuracy (صحت) بالاتری به نسبت ۱۰۹ متغیر شامل متغیر های کلینیکی مرسوم و ویژگی های مولکولی را دارد. به دست آوردن گروه های با ریسک زیاد و کم از این جهت مهم است که گروه high risk به کموتراپی بر پایه فلورواوراسیل حساسیت دارد درحالیکه گروه low risk بیشتر از درمان با bevacizumab منفعت میبرد. نکته قابل توجه این است که گروه low risk، انفیلتراسیون قابل توجه لنفوسیتی، بیان بالای CD8A و PD-L1 و همچنین پاسخ به درمان با pembrolizumab‌ را از خود نشان می دهد.

💬 نتیجه: مدل IRLS میتواند به عنوان یک ابزار قدرتمند برای بهتر شدن نتایج بالینی در بیماران CRC، مورد استفاده قرار گیرد.

🆔@NivanAssociation

⭐️ Umbrella Diagram

یک قالب ساده و منحصر به فرد است که آماده استفاده در ارائه های پاورپوینت برای ارتقای کسب و کار است. چتر نماد امنیت در شرایط آب و هوایی سخت است. این استعاره از امنیت می تواند به خوبی در هنگام نشان دادن مزایای پایبندی به سازمان شما به ذینفعان به کار رود. این الگو همچنین می تواند برای معرفی خطراتی استفاده شود که پس از تصمیم گیری احتمال وقوع آنها محتمل است و باید از آنها جلوگیری شود.

🆔@NivanAssociation

⭐️ کلیت مقاله: سرطان تخمدان یکی از شایع ترین بدخیمی های ژنیکولوژیک است که بعد از سرطان سرویکس (دهانه رحم) و سرطان رحم در جایگاه سوم قرار دارد. HGSOC (high-grade serous ovarian cancer) یکی از تهاجمی ترین زیرگروه های این بیماری است که شروع دیررس علائم آن، نشان دهنده پروگنوز (پیش آگهی) بد بیماری است.
الگوریتم های فعلی که ریسک داشتن سرطان تخمدان را پیش بینی می کنند، نتوانسته است حساسیت و اختصاصیت کافی را برای استفاده موثر و فراگیر در سطح دنیا فراهم کند. همچنین استفاده از بیومارکر ها یا پارامتر های کمکی مثل سن یا وضعیت مونوپوز (یائسگی) کمم کمی مرده است. به همین دلیل امروزه نیاز است تا با تشخیص الگوهای اثر مولکولی و توسعه الگوریتم های جدید به تشخیص HGSOC کمک کرد. همچنین باید فهم خود را از این بیماری با هدف نهایی افزایش بقای بیماران افزایش دهیم.
در این مطالعه، یک سیستم DSS (decision suport system) بر پایه ی ML، طراحی شده است که با دسترسی به دیتاهای آزاد HGSOC، توانایی بالایی در فهم و شناسایی دیتا های بیوپسی های این بیماری دارد. مدل یا سیستم DSS دارای دو مرحله است:
1️⃣ انتخاب ویژگی
2️⃣ درخت تصمیم گیری (decision tree)
با استفاده از این مدل سعی شده است تا مولکول هایی که در تشخیص این بیماری کاربرد دارند شناسایی شوند.

💬 نتیجه: نتایج این مدل شامل سه پروتئین کاملا متمایز از هم است: TOP1 و PDIA4 و OGN‌ که می توانند برای آزمایشات تشخیصی در آینده بسیار کاربردی باشند.

🆔@NivanAssociation

⭐️ نام مقاله:
Machine learning methods to predict presence of residual cancer following hysterectomy

🆔@NivanAssociation

💬 کلیت مقاله: درمان های جراحی برای بدخیمی های ژنیکولوژیک در سرتاسر دنیا معمولا شامل هیسترکتومی می شوند. با وجود درمان های جراحی و دارویی، بدخیمی های ژنیکولوژیک احتمال عود بالایی را دارند.
مدل های ML امروزی با استفاده از اطلاعات پاتولوژی پیشرفته که معمولا توسط مراجع پایین دستی درمانی در دسترس نیستند و منحصر به یک نوع سرطان خاص هستند، اقدام به پیش بینی می کنند درحالیکه امروزه ما نیاز به مدل هایی را داریم که بتواند با استفاده از منابع کلینیکال در دسترس، اقدام به پیش بینی باقیمانده های بیماری در بدن (که به صورت کلینیکال قابل تشخیص نیستند) بکند. در این مطالعه، تعدادی از مدل های ML توسعه داده شده و مورد ارزیابی قرار گرفته اند تا بتوان با کمک آنها، ریسک باقیماندن موارد پاتولوژیک پس از هیسترکتومی را با استفاده از پارامتر های کلینیکی و جراحی، پیش بینی کرد.
در این تحقیق، داده هایی از 3656 بیمار مورد هیسترکتومی از طریق دیتابیس NSQIP در بازه ی ۱۴ ساله برای توسعه مدلها جمع آوری شده که در آن ۲۹۲۵ بیمار مورد ارزیابی قرار گرفته و  ۷۳۱ نفر در گروه کنترل قرار گرفتند.
مدل های به کار رفته در این مطالعه، نشان می دهند که مهم ترین نشانه های پیش بینی کننده عود لگنی پس از جراحی شامل مواردی مثل وجود توده های شکمی در سطح دیافراگم، بیماری های واقع در مزانتر روده و بیماری های سروز روده در ابتدای بیماری و همچنین بیماری های مجاور لگنی قبل از جراحی می باشد.
💬 نتیجه: بین ۳ مدل اصلی که مورد مطالعه قرار گرفتند، تفاوت های آماری زیادی مشاهده نشد. این ۳ مدل توانستند به نتایج آماری با AUC حدود ۰.۹ و accuracy یا صحت ۸۷ تا ۸۸ درصد دست پیدا کنند. با استفاده از این مدلها، پزشکان می توانند مواردی از سرطان های ژنیکولوژیک را که احتمال عود پس از هیسترکتومی دارند را تشخیص داده و درمان های اضافی لازم را انجام دهند.

🆔@NivanAssociation

⭕️ Confidence Interval

حتما دیده اید در مقالات پس از اعلام نتیجه در پرانتز مینویسد CI95% و یک بازه اعلام میکنند
این بازه چیست
این بازه به طور عامیانه همان مثبت و منفی خودمان است
یعنی چی؟؟
عدد اعلامی ما عددیست که ما بدست اوردیم ولی ایا عدد واقعی در واقعیت همین است؟
اینجاست که بازه احتمالی مطرح میشود
در CI ما میگوییم با احتمال اعلام خودمان که معمولا ۹۵ درصد و گاها ۹۹ درصد است عدد واقعی در این بازه است
خب چه ربطی به عدد ما داره؟
نکتش همینه که هرچی این بازه کوچیک تر باشه و درصد بالاتری انتخاب کرده باشیم اعتبار عدد ما بالاتر میره و قابل استناد تره
حالا چطوری محاسبه میشه؟
فرمولش رو ببینید و متوجه میشید
متغیر n و x که مشخصا میمونه s و z
برای احتمال ۹۵ درصد برای s ما عدد ۲ و برای z عدد ۱.۹۶ رو میذاریم
برای احتمال ۹۹ برای s حدود ۳ و برای z عدد ۲.۵۷ رو میذاریم
متغیر s که همون انحراف معیار و منحنی توزیع نرماله ولی z پیچیده تره و توضیح میخواد
چرا پس همیشه همرو ۹۹ اعلام نمی کنیم؟
به دو دلیل یک اینکه نیاز نیست و ۹۵ کار رو معمولا راه میندازه و دو اینکه با ۹۹ بازه بزرگ میشه و عدد خودمون میره زیر سوال

🆔@NivanAssociation

🔺️ DDx = differential diagnosis → تشخیص افتراقی


🔺️ FAST = fluorescent antibody staining technique → فن رنگ‌آمیزی با پادتن فلورسنت


🔺️ CT scan = computed tomography scan → توموگرافی رایانه‌ای


🔺️ CTA = Computed tomography angiograph → آنژیوگرافی توموگرافی رایانه‌ای


🔺️ MRV = Magnetic resonance venography → تصویربرداری مغناطیسی از سیستم وریدی


🔺️ MRI = Magnetic resonance imaging → تصویربرداری پرتو مغناطیسی

#اختصارات_پزشکی

🆔️@NivanAssociation

⭕️ حساسیت و اختصاصیت

قطعا بارها شنیده اید این تست حساس است اما اختصاصی نیست یا بالعکس یا اینکه هم اختصاصی است و هم حساس
این ها به چه معنا هستند؟

✅ اول بریم سراغ حساسیت یا sensitivity: فرمولش در تصویر هست، مثبت های واقعی بر جمع مثبت های واقعی به علاوه منفی های الکی
خب پس وقتی تستی حساسه یعنی این کسر به یک نزدیکه و چطور به یک نزدیک میشه؟ اگر متغیر اضافه یعنی منفی الکی کوچیک باشه
پس نتیجه میگیریم اگر تستی حساس باشه احتمال اینکه
منفیش واقعی باشه بالاس

✅ دوم اختصاصیت یا specifity: فرمولش رو گذاشتم میشه منفی واقعی بر جمع منفی واقعی و مثبت الکی
این هم مثل اون یکی وقتی تستی اختصاصیه پس این کسر به یک نزدیکه پس متغیر اضافش باید کم باشه پس متبت الکیش کمه
نتیجه اینکه تست اختصاص اگر مثبت شد احتمالا درسته

🤔 حالا فقط یک سوال میمونه؟
این واقعی و الکی بودن رو کی معین میکنه؟
این واقعی یا الکی بودن برا اساس نتایح یک تست معروف به تست استاندار طلاییه یا همون gold standard عه

🆔️@NivanAssociation

⭐️ آشنایی با مهمترین انواع زخم

🔺️زخم بستر:
این زخم‌های فشاری معمولاً در نواحی استخوانی بدن ایجاد می‌شوند. در کلینیک زخم، با تغییر وضعیت‌دهی بیمار، استفاده از تخت‌های ضد زخم بستر و پانسمان‌های مناسب درمان می‌شوند.

🔺️زخم دیابتی:
به دلیل کاهش جریان خون، این زخم‌ها دیر التیام هستند. کنترل قند خون، مراقبت از پا و استفاده از درمان‌های ترمیمی در کلینیک زخم انجام می‌شود.

🔺️زخم وریدی:
با پانسمان‌های فشاری، بانداژ و استفاده از جوراب واریس درمان می‌شوند. در موارد شدید جراحی لازم است.

🔺️زخم سوختگی:
پس از تمیزکردن زخم، پانسمان آنتی‌بیوتیکی استفاده می‌شود. در موارد شدید پیوند پوست انجام می‌گیرد.

🔺️زخم عفونی:
پاکسازی و ضدعفونی محل زخم، درناژ، داروهای ضدالتهاب و آنتی‌بیوتیک درمانی تجویز می‌شود.

🔺️زخم جراحی:
بسته به نوع عمل جراحی، پانسمان مناسب استفاده شده و بهبودی زخم پایش می‌شود.

🆔️@NivanAssociation

⭕ SPSS

SPSS یک نرم افزار آماری قدرتمند و گسترده است که برای تحلیل داده‌ها و انجام تحقیقات آماری در زمینه‌های مختلف مورد استفاده قرار می‌گیرد. این نرم افزار قابلیت انجام تحلیل‌های آماری از ساده تا پیچیده را داراست و به کاربران امکان می‌دهد داده‌های خود را به صورت گسترده و دقیق تحلیل کنند.

SPSS ابزارهای مختلفی برای تحلیل داده‌ها فراهم کرده است، از جمله:

1. تحلیل توصیفی: شامل محاسبه معیارهای مختلف مانند میانگین، واریانس، پراکندگی و تعداد نمونه‌ها برای توصیف داده‌ها است.
  
2. تحلیل استنباطی: شامل آزمون‌های فرضیه مانند t-test، ANOVA، chi-square و غیره برای بررسی تفاوت‌ها و روابط آماری بین داده‌ها است.

3. تحلیل رگرسیون: برای بررسی رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل استفاده می‌شود.

4. تحلیل عاملی: برای کاوش در ساختار داده‌ها و شناسایی الگوهای پنهان در داده‌ها استفاده می‌شود.

5. خوشه‌بندی: برای گروه‌بندی داده‌ها به شکل خوشه‌های مشابه بر اساس ویژگی‌های مشترک استفاده می‌شود.

🆔️@NivanAssociation

⭕ نرم افزار R

نرم‌افزار R یک زبان برنامه‌نویسی و محیط تحلیل آماری است که برای تحلیل داده‌ها و ایجاد گرافیک‌های آماری استفاده می‌شود. این نرم‌افزار به عنوان یکی از ابزارهای محبوب در علوم داده و آمار شناخته شده است و دارای یک جامعه فعال کاربران و توسعه‌دهندگان است. R به صورت رایگان در دسترس است.

با استفاده از R، شما می‌توانید:

1. تحلیل داده‌ها: R به شما امکان می‌دهد تا داده‌های خود را تحلیل کرده و به دست آوردن نتایج آماری دقیق را برای تصمیم‌گیری‌های خود استفاده کنید.

2. تصویرسازی داده‌ها: با استفاده از قابلیت‌های گرافیکی R، می‌توانید نمودارها، نمودارهای مختلف و تصاویر آماری زیبا برای نمایش داده‌های خود ایجاد کنید.

3. انجام مدل‌سازی آماری: R ابزار مناسبی برای انجام مدل‌سازی آماری و پیش‌بینی داده‌ها است. شما می‌توانید مدل‌های پیشرفته آماری را با استفاده از R ایجاد کنید و ارزیابی کنید.

4. توسعه پروژه‌های آماری: R به شما امکان می‌دهد تا پروژه‌های آماری خود را به صورت گسترده و سازماندهی شده توسعه دهید و به اشتراک بگذارید.

🆔️@NivanAssociation

🔴 جامع ترین دوره مقاله نویسی با حضور اساتید برتر داخل و خارج از کشور زیر نظر انجمن علمی-پژوهشی نیوان

✅️ ۱۵ جلسه کلاس آموزشی شامل بیش از ۳۵ ساعت تدریس در حیطه مقاله نویسی

🔺️جلسه دکتر محمود جوانی کاملا به صورت انگلیسی تدریس می‌شود.

🖥 کلاس ها به صورت مجازی در بستر اسکای روم برگزار می‌شود.

✅️ کلاس ها به صورت ضبط شده در اکانت شخصی شرکت کنندگان قرار میگیرد تا بتوانند به صورت آفلاین نیز از کلاس ها بهره‌مند شوند.

⭐️ جهت برگزاری بهتر دوره ظرفیت کلاس ها محدود می‌باشد.

🔺️تاریخ شروع دوره از ۱۸ فروردین ماه و به مدت ۳ هفته ادامه می‌یابد.

⭐️ پس از اتمام دوره دانشجویان مستعد به گروه های کاری و اساتید معرفی و لینک خواهند شد!!!

💬 برای اطلاعات بیشتر درمورد این دوره و دوره های مرتبط با پژوهش، المپیاد و … با ادمین کانال ارتباط بگیرید و در کانال انجمن علمی-پژوهشی نیوان عضو شوید.


🆔️@NivanAssociation

🔴مرور سیستماتیک یا Systematic Review به بررسی علمی که بر اساس شواهد روشن به نقد و بررسی و تعریف و ارزیابی یک موضوع تحقیقاتی می پردازد، گفته می شود. مرور سیستماتیک به استخراج و تفسیر داده ها از مقالات منتشر شده می پردازد، سپس نتایج را تجزیه و تحلیل، توصیف و خلاصه می کند تا به یک نتیجه گیری دقیق تبدیل شود. این نوع مطالعات روشی اسان برای دسترسی به تازه ترین های علم اند.

✳️مراحل نوشتن ی مقاله سیستماتیک:

1️⃣مرحله 1: مشخص نمودن سوال پژوهش

2️⃣مرحله 2: مشخص نمودن قرارداد یا برنامه تدوین مقاله

3️⃣مرحله 3: مشخص نمودن روش‌های جستجوی متون مورد نیاز

4️⃣مرحله 4: مشخص نمودن پژوهش‌های مرتبط و استخراج داده

5️⃣مرحله 5: ارزیابی کیفیت مطالعات منتخب

6️⃣مرحله 6: تحلیل نتایج بدست آمده

7️⃣مرحله 7: تفسیر و ارزیابی نتایج

🔺️ما در این دوره به‌طور کامل نحوه نوشتن مقالات سیستماتیک و متاآنالیز را بررسی خواهیم کرد.

#مقاله_نویسی

🆔️@NivanAssociation