Кому нужны книги даром?
Налетайте
Единственное ограничение размер (до 50 мб), иначе кидает на сайт, который заблокировали недавно (о причинах думайте сами ☺️)
https://news.1rj.ru/str/firstlibrarybot

UPD: альтернатива без данного недостатка
https://libgen.rs/

Те, кто проходили 3 этап нового набора в ЖК, я о вас не забыл. Предположительно (надеюсь) окончательные результаты после 26 числа (когда привезу ноут в СПб)

Если у вас есть знакомые, которые занимаются ремонтом apple в СПб, то буду благодарен

ИНТЕРЕСНО СЛОЖНО ДУМАТЬ
⠀
Регрессия - один из сложнейших и интереснейших методов в статистике 🤓
Из-за сложности формул, объяснений, количества получаемых данных некоторые так и не решаются разобраться с этим разделом. Но на самом деле вся сложность скрыта в понимании регрессионных моделей и применении их к реальным проблемам 🤖
⠀
При этом в книгах и статьях по статистике встречается множество предположений для регрессии.
И кажется, что если ваши данные не соответствуют им всем, то и не нужно применять этот метод 🙀😭
⠀
Но это не так. Тут и скрывается понимание цели анализа, потому что она подскажет какие предположения для вас важны❗
⠀
Рассмотрим некоторые варианты применения регрессии:
⠀
📍 Прогнозирование.
В данном случае мы хотим на основе уже известных нам данных попытаться предсказать какой-то исход📈 При этом здесь очень важна репрезентативность данных (на самом деле она необходима в любых исследованиях)
⠀
📍 Изучение взаимосвязей.
Здесь интересно узнать влияние разных факторов на исход, т.е. выявить значимые среди них 🎯 В такой ситуации, например, учитывается мультиколлинеарность факторов (связь факторов между собой вне исхода - например, на основе роста, веса и ИМТ оцениваем уровень общего белка) ⚧️
⠀
📍 Причинно-следственный вывод.
В таком случае мы хотим узнать эффект от воздействия 🎁 И ключевой проблемой является схожесть групп или коррекция имеющихся различий. Что влечет за собой более строгое соблюдение предположений и учёт методологии исследования (контролируемость, сбор данных, их пропуски и т.д.)⛔
⠀
Одним из важных пунктов при изучении регрессии - это применимость☝🏻
Нужно разобраться с целями исследования и анализа, понять методологию, источник и способ получения данных, определиться с исходом и т.д. 🤯
⠀
В этом, на мой взгляд, и есть интерес (неординарность, пластичность). Но в этом и сложность (нужно думать, много думать). И это даже вдохновляет❗😎

#ebm_нюансы #статистика #statistics

Как бы вам не было ненавистно другое мнение, это не повод злорадствовать, радоваться. Плюрализм взглядов должен быть, чтобы находить и решать противоречия (искать баланс между крайностями)

Чуть-чуть решил поиграть в Деда Мороза: отправил всем письма с результатами 3 этапа 5 набора в журнальный клуб!!!

Проверяйте почту, папки "входящие" и "спам", там должно быть письмо

Итоги года? Вы серьезно? Вспомните его. Я считаю, что год ещё не закончился.
⠀
Поэтому нахер подведение итогов❗️
⠀
Увидимся в 2023👋
#следуй_за_черным_кроликом

КЛАССНО, ПРОСТО, УДОБНО, НО БЕСПОЛЕЗНО?

Есть интересный показатель, который кажется очень простым и удобным для клинической практики, но в действительности он скорее ненужен. Разберемся почему 🕵🏻

❗Число необходимое для лечения (Number need to treat, NNT) - это количество пациентов, которое необходимо пролечить, чтобы получить один положительный результат лечения❗

К сожалению, не все пациенты от лечения выздоравливают. Такая суровая реальность 🤷🏻‍♂️ И когда мы лечим пациентов, то должны быть готовы, что 1-ый и 2-ой поправятся без лечения, у 3-ий будут осложнения даже с лечением, а 4-ому как раз наше лечение поможет (т.е. без лекарства не выздоровеет) 🤧

Сейчас я описал NNT=4 (рис.1)

Рассчитывается через абсолютный риск (absolutely risk, AR, разница рисков, risk difference, RD), а точнее снижение абсолютного риска (absolutely risk reduction, ARR), формула в рис.2 🧮

✅Что нам (как кажется) он даёт?

📍Знаем, сколько надо минимально пролечить пациентов, чтобы помочь 1-ому

📍Удобно и просто рассчитать самостоятельно в большинстве исследований

📍Понятно врачу и пациенту

Но! Почти все это заблуждение! ❌ Точнее, не всё так просто, как хотелось бы...

🔸Мы не учитываем сами риски, т.е. ARR=0.02 и NNT=50 будут ОДИНАКОВЫЕ для R¹=0.03 и R²=0.01 (оба метода малоэффективны), R¹=0.98 и R²=0.96 (оба метода эффективны). А ситуации разные

🔸NNT это показатель для "среднего" пациента. Мы итак получаем усредненные оценки в исследованиях, но этот показатель гребёт всех под мифический "единый тип пациента", что в действительности не так

🔸Доверительные интервалы для NNT часто оказываются слишком большими или неинтерпретируемыми. Если у ARR в 95% ДИ будет 0 (т.е. вероятно, что снижения может не быть), то у NNT это будет ∞. Или может оказаться ДИ от 3 до 194, тогда сколько лечить?

🔸Не используется или забывается привязка ко времени. Мы получаем результаты (риски) за какой-то период, но почему-то при сообщении NNT это опускается. Также риски могут меняться с течением времени, что не имеет отражения в NNT

Кажущийся простым показатель на самом деле сложен в интерпретации. Поэтому ряд статистиков не рекомендуют его применять. Ещё интересно, что в исследовании Misselbrook и Armstrong (2001) пациенты реже соглашались на лечение, когда получали информацию в NNT, a не в ARR🤯

А ведь всё так хорошо начиналось...

#статистика #statistics

Пусть будет немного юмора о нашем последнем заседании журнального клуба 😁

Приглашаю всех желающих на свою лекцию 😁 "Врачу нужна статистика". Вообще меня позвала кафедра эпидемиологии первого меда Москвы, а я предложил сделать это мероприятие открытым
⠀
Итак:
9 февраля 2023г. в 17:30 (❗) в ПМГМУ им. И.М. Сеченова, кафедра эпидемиологии и доказательной медицины. Институт общественного здоровья им. Ф.Ф. Эрисмана.
По адресу: г. Москва, ул. Большая Пироговская, д. 2, стр. 2
⠀
Предварительно (до 07.02.23) надо зарегистрироваться через гугл-форму:
https://forms.gle/CstTJU8r6yUmuNgD8
⠀
Если вас не будет в списке, то мы не сможем вас пустить!
⠀
Приходите, будет душно и токсично 😁

UPD. Будет запись

Впервые пришло приглашение на рецензировании статьи (из Германии). Я в шоке. Вот думаю теперь, насколько душно это делать 😂

Все хочу сесть за написание поста по доверительным интервалам, но рабочие моменты сбивают 😬
А там надо, чтобы понятно донести, несколько источников перелопатить

Неожиданно для себя попал в дискуссию, где (на мой сугубо личный взгляд) оппонент отсылается к этим шести опасным словам

А я делал перевод публикации про них (ой как удобно 😁)

Рекомендую тем, кто ещё не читал и кто подзабыл🙈

Новшества в журнальном клубе:
Теперь кроме гостей (крутых адекватных врачей и не только) заседания учатся вести участники!
Первой эта роль выпала Полине с темой по гематологии. Она супер молодец! Я считаю, что справилась на 100% (и даже больше)! 🔥🔥🔥🎉🎉🎉
А я просто доволен, рад и горд 😁

Отчитался 😁 спасибо большое за возможность выступить в таком крутом месте 🔥 познакомился с автором проекта ordinatura.org 🤝🏻
Там вы можете оставить отзывы о наболевшем вашем опыте в ординатуре)
Всем спасибо, кто был и с кем пообщался🎉🎉🎉

Недавно позвали провести заседание в формате журнального клуба для СНО им. Н.И. Пирогова СибГМУ
Было классно, радует, что ребята отвечают (хоть некоторые учатся на младших курсах) 👍

А вот запись
https://youtu.be/XSklzmWGdJQ

Я не пропал, просто много работы

Если вам интересны журнальный клуб и офтальмология, то такой уже создан! 🔥🔥
Рекомендую подписаться и участвовать в дискуссиях

https://news.1rj.ru/str/eyejournalclub

P.S. меня берет маленькая гордость, ведь когда-то Настя участвовала в моем ☺️

ДОВЕРЯТЬ ВАЖНО
⠀
Исследователи стараются оценить данные каким-то точечным параметром (среднее, медиана, частота). Это удобно, понятно и хорошо интерпретируется. Но конкретные показатели отличаются между людьми (межгрупповая изменчивость), что создает определенные трудности – смещаемость (при выбросах) и неопределенность (неизвестна истинная точная оценка в популяции) 👨‍👩‍👧‍👦
⠀
Поэтому при анализе выборки мы используем интервальные оценки, включающие поправку на неопределенность. Наиболее популярная – доверительный интервал 🤖
⠀
Самое дискутабельное и сложное – это его определение и интерпретация 🙄
⠀
❗️Доверительный интервал (ДИ, confidence interval, CI) – это интервал, сгенерированный процедурой, которая при многократных повторах выборок с вероятностью n% содержит/включает/"покрывает" истинное значение популяции (классическое определение Неймана)❗️
⠀
Более понятно это отражено на рис.1
⠀
Наиболее часто встречается 95% ДИ, при этом 95% выбрано путем соглашения (как и пороговый р = 0,05). Однако можно выбрать и 90% (уже), и 99% (шире) – рис.2 ⚠️
⠀
🟢 Самое интересное, что классическое определение работает до расчета ДИ, а после частота, с которой наблюдаемый интервал содержит истинный эффект, равна либо 100%, если он находится в его пределах, либо 0%, если нет (пациент либо жив, либо мертв)
⠀
🔴 Зачем это знать? чтобы понимать ошибочность утверждения "конкретный 95% ДИ, представленный в исследовании, с вероятностью 95% содержит истинный размер эффекта", которое часто используется как интерпретация
Но можно вычислить байесовский достоверный (апостериорный) интервал (credible interval), к которому такое утверждение применимо
⠀
🔴 Так же ошибочно предполагать, что наблюдаемый 95% ДИ предсказывает, что 95% оценок, полученных в будущих исследованиях, будут находиться внутри этого интервала
Как видно на рис. 1 они могут иметь (или не иметь в 5% случаев) пересечения
⠀
🟢 Однако, если два 95% ДИ не перекрываются, то для разницы точной оценки с 95% ДИ мы найдем р<0,05; и соотвественно если один из интервалов содержит точечную оценку другого, для разницы мы найдем р>0,05
⠀
🟢 Еще интересно, что при увеличении размера выборки, ДИ будет становится уже. Т.к. наша оценка приближается к популяционной и снижается ошибка (SE) – рис.3

Сейчас практически в каждом исследовании встречаются ДИ, но часто их интерпретируют неверно. Важно помнить о его смысле, допущениях и ошибках, которые можно допустить 🙇🏻‍♂️

#biostatistics #биостатистика #ebm_статистика