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

Понял, что одного поста о ДИ мало🤷‍♂
Поэтому буду думать над вторым, где хочу рассказать о подходах оценки значимости, используя р и ДИ

Оказывается я иногда ещё и врач, а работа может оттянуть все время от блога

И в какой степени (по вашему мнению) ее нужно клиницисту знать?

Знаете, что самое смешное, когда тебя банят? До этого эти люди рассказывали о свободе слова и мнений

ОЦЕНИВАЙ ВМЕСТЕ

"Забудьте о p-значениях и о том, исключают ли ваши доверительные интервалы 0" ©

Одна из завершающих строчек (пер. с английского) книги "Регрессия: теория и практика" Гельмана Э. и др. Но почему такое отношение у профессоров по статистике❓

В предыдущих постах я рассказывал о p-value и доверительных интервалах ⏮️ Очень часто их используют, чтобы принимать какие-то решения. И действительно, часто можно увидеть эти показатели в исследованиях, где тестируются гипотезы 🟰

📍Для р стандартно определяется порог в 0,05. Он говорит, что вероятность увидеть наши такие или еще более экстремальные результаты при верной нулевой гипотезе (различий нет) составляет 5%❗
И в научном обществе посчитали, что такая вероятность достаточно мала, чтобы мы ее могли наблюдать 👻

На самом деле уровень 0,05 установлен по согласованию, никаких объективных причин он за собой не несет. В связи с чем постоянно ведутся споры и предлагается ужесточение до 0,01 или даже до 0,001 🤬
Но тогда возникает проблема с пересмотром уже имеющихся исследований ⚖️

⚠️Поэтому формально: если р<0,05, то мы отвергаем нулевую гипотезу (различий нет), указывая "получены значимые различия"⚠️

📍95 % доверительный интервал (ДИ) – это интервал, сгенерированный процедурой, которая при многократных повторах выборок с вероятностью 95% содержит/включает/"покрывает" истинное значение популяции❗
Т.е. если в 100 разных выборках рассчитать 95% ДИ, то в среднем 95 из них будут покрывать истинный эффект, остальные 5 будут ошибаться 🤯

Для ДИ есть две ситуации:
1️⃣ Если мы оцениваем его для разницы/difference (А – В), то он не должен включать 0. Потому что иначе мы предполагаем, что есть вероятность, что истинное значение равно ему (либо покрывает, либо нет, но мы этого не знаем). И так как мы оцениваем только один конкретный ДИ для одной выборки, то не можем знать другие (иначе можно было бы предположить, что мы ошибаемся).

2️⃣ В случае оценки отношения/ratio (А/В), он не должен включать 1. Остальной принцип остается таким же.

⚠️Поэтому формально: для разницы ДИ не должен включать 0, для отношения – 1, тогда мы отклоняем нулевую гипотезу⚠️

Обычно точную оценку (estimate) приводят вместе с 95% ДИ и р. Могут возникать формальные ситуации, когда ДИ не значим, а р значим. Как в этой ситуации поступать?🙀

Я обычно склоняюсь к идеи оценивания по ДИ (за счет его большей информативность). Но в такой ситуации нужно обязательно учитывать другие нюансы (размер выборки, множественные сравнения, распределение ошибок и т.д.)🧐

Так почему такое отношение у профессоров по статистике?👨🏻‍🎓 Они против формальных оценок на основе пересечения порога. Один показатель - плохой способ оценить всю методологию и анализ, нужно не отбрасывать доступную информацию, а использовать ее 🙇🏻‍♂️

#ebm_статистика #биостатистика #biostatistics

Хочется оставить в общем виде посты по диагностике:

1) чувствительность (Se) и специфичность (Sp)

2) использование (польза) от чувствительности и специфичности

3) пред- (априорная) и посттестовая (апостериорная) вероятности

4) положительная и негативная прогностические ценности (PPV и NPV)

5) методы рассчёта посттестовой вероятности

Надеюсь так будет удобнее и понятнее😅

#ebm_диагностика

В общем, теперь выскажу свое мнение)
Я сейчас стараюсь углубляться в изучение статистики, поэтому очевидно, что у меня смещенный взгляд
Но! Чем дальше я читаю, тем больше у меня вопросов о взаимосвязях и причинно-следственных выводах в исследованиях. Я стараюсь продумывать, насколько адекватно оно по методологии и стат. анализу, ведь от этого зависит какие результаты получены, а значит и какие выводы сделают авторы.
Так же в книгах озвучивается мысль, что работа статистика не заучить и написать формулу, а правильно применять методы анализа и их интерпретировать. "Правильно" - это подходящий под установленные конкретные цели. Потому что единых и строго верных алгоритмов тут нет.

Зачем же все это врачу? Мы итак учимся 6-8 лет, а тут ещё параллельно "это".

На мой (максимально субъективный, предвзятый и хирургический) взгляд, это помогает оценивать статьи (особенно после изучения causal inference), самому принимать решения (определять важные и имеющие влияние факторы), понимать другие сферы, связанные со статистикой (экономика, социология, бизнес), углубиться в область исследований (т.к. статистика связана с методологией, как предыдущим этапом).

Какой объем необходим?
Честно, на этот вопрос у меня нет ответа. Как минимум стоит вспомнить математику из школы. В комментариях писали разные мнения, но примерный список тем достаточно часто встречается в "базовых" курсах об основах статистики.
На мой все тот же взгляд, надо начать, а дальше не останавливаться 😁 там как и в медицине, огромные просторы знаний. И я думаю, что огромное искусство - совместить вместе эти просторы (знать бы как...)!

визуализация результатов отдельный вид искусства)

Как при помощи статистики можно решать конфликты 😁