Напоминаю, что завтра последний день приема ответов на 2 этап 6 набора в ЖК

А так же я пока в отпуске в самом лучшем городе (для меня), поэтому новые посты будут только в октябре (да, я так отмазываю свою лень 😁)

Чуть прерву свое отпускное молчание

Хочу пригласить всех на дополнительную программу для студентов-медиков и врачей, которую организует @medinvestgroup_edu и @ordinatura_org

На программе будет проводиться обучение по доказательной медицине, коммуникации, медицинскому праву и многому другому.

Участие полностью бесплатное, но нужно подать заявку и пройти отбор.
И да, дедлайн уже горит (до 25 сентября 2023г.) 🔥🔥🔥
Я там тоже буду проводить обучение, так что welcome!

СМЕШАЙ И (НЕ) ДЕЛАЙ

Я уже рассказывал о гипотезах (1 часть, 2 часть), но теперь я решил связать это с показателем p-value и случайными ошибками (также известными как ⍺ и β или ошибки I и II рода) 🤯

Большинство медицинских исследований делается в рамках проверки значимости нулевой гипотезы (Null Hypothesis Significance Testing, NHST). Принцип предполагает, что мы проверяем нулевую гипотезу (Н0), а затем принимаем решение отвергать ее или нет. Но часто в этой концепции неосознанно соединяют 2 метода: Фишера и Нейрона-Пирсона 🍸

1) Подход Фишера
Он позволяет рассчитать вероятность получить такой или более экстремальный результат в исследовании при условии, что Н0 верна. Что-то это напоминает...
Верно! Это и есть определение p-value 🔥 Мы проверяем насколько вероятно наши полученные данные соответствуют заранее сформулированной Н0. Если не соответствуют, то отвергаем Н0.

Т.е. мы просто оцениваем суммарную/кумулятивную вероятность в конкретном исследовании. Низкое значение p указывает только на несоответствие Н0 полученным данным, оно не может быть интерпретировано как доказательство в пользу конкретной альтернативной гипотезы (Н1) 🤔

"No isolated experiment, however significant in itself, can suffice for the experimental demonstration of any natural phenomenon"

2) Подход Неймана и Пирсона
Это "игра в долгую", когда на основе предполагаемой величины эффекта выдвигаются Н0 и Н1. При этом с определенной вероятностью можно получить разные варианты результатов, в т.ч. ошибки I рода (⍺; ложноположительный; отклонить Н0, когда она верна) и II рода (β; ложноотрицательный; не отклонить Н0, когда она неверна) 🤖

В этом методе мы лишь предполагаем вероятности (грубо, пытаемся их контролировать/предсказать), но допустили их в конкретном исследовании или нет, не знаем. Т.е. только при многократном тестировании гипотез мы увидим частоту ошибок и сможем принять решение 📊

Эти 2 подхода часто ошибочно смешивают для простоты принятия решений (отклонить Н0), но в своей сути они разные 🎭

📍Когда заранее планируется эксперимент, исследователи пытаются контролировать вероятность ошибок (долгосрочная вероятность), для этого рассчитывают размер выборки. А когда уже получены результаты, то можно лишь рассчитать текущую вероятность получить такие или более экстремальные результаты, если бы Н0 была верна, но при этом нельзя быть уверенным, что мы не допускаем ошибку I или II рода. Однако, когда есть несколько исследований, тестирующих одну Н0, то возможно получится увидеть в каком из них допущена случайная ошибка (опять долгосрочная вероятность).

Графически различия подходов можно увидеть на рис.1

При этом, мы не можем "доказать" гипотезу (ни нулевую, ни альтернативную), для этого нужно использовать другие методы (например, Байесовский подход) 🥵

Помните, не путайте и не давайте себя путать. Если хочется разбираться в статистике, читать "критически" статьи, то нужно учиться разбираться в основах (глупо читать книгу без знания алфавита, фонетики, грамматики, орфографии) 📖

А в статистике основ дох... много 😁

@ebm_base

#ebm_statisica #ebm_base #hypothesis

Рис.1

Почему я продолжаю вести журнальный клуб, хоть и знаю, что по исследованиям объективно никакого профита нет?

Наверно, потому, что мы (люди) иногда так себя ведём в некоторых ситуациях 🤷🏻‍♂️

Я вижу в этом пользу в том, что участники учатся общаться, дискутировать, задумываться о сложности и нюансах. Некоторые учатся учиться или выступать (вести дискуссии, объяснять). Некоторые находят интерес в смежных областях (методология клин исследований, статистика, организация и т.д.)🧑‍💻

Мне лишь остаётся верить, что участие в заседаниях им поможет выработать критику к себе, другим и к источникам, когда они будут принимать решения, когда они будут читать очередную "великую" статью, когда они будут учиться у других и т.д ⚖️

К сожалению, эти моменты я не могу объективно оценить, не могу перевести их в цифры, не могу вывести график. Но я могу помочь учиться, ошибаться, исправляться, давать источники, которые изучаю сам 📑

Так сказать, пытаюсь стать другом, который даёт непрошеные и "прошеные" советы 😁

@ebm_base

Дошли руки, проверил результаты тестов. Всем отправил письма! Я буду очень благодарен, если вы поделитесь этим у себя в соцсетях (с отметкой моего блога) ☺️

Что ж… Остался 3 этап) Всем удачи 🔥

Уже настолько устал от разного рода "number need to...", что даже нет сил писать в комментах о практической бесполезности этого показателя
Читайте тут сами

Иногда кажется, что проще забить болт (и хочется), чем пытаться людям объяснить, что надо смотреть/копаться глубже и задавать вопросы, особенно, если вам что-то преподносят, как сногшибательный/особенный результат

Яркий пример наличия статистической, но отсутствия клинической значимости
Взято у Анастасии Даниловой

В субботу проводил занятие для Академии СНО СибГМУ (г. Томск)
Запись тут 😊

@ebm_base

27 #постметаирония

РИСКУЙ И/ИЛИ ПРОИГРАЕШЬ
⠀
У разных блогеров можно встретить термин "риск". Но верно ли его используют, или это лишь упрощенное/обобщенное слово... 🤷🏻‍♂️
⠀
Понятие риска очень тесно связано с математикой, а точнее с теорией вероятности. Поэтому обычно, риск - это вероятность наступления какого-то события 🐣 Но он бывает разный
⠀
В качестве примеров будем использовать таблицу 2х2 (рис.1)
⠀
Upd.📍Risk (r, риск) - вероятность наступления определенного события или отношение количества благоприятных исходов к количеству всех событий
⠀
Формула на рис.2
⠀
Так наиболее часто представляют риск (50% вероятность выпадения орла, 10% вероятность осложнений, 5% вероятность наступления инфаркта и т.д.)
⠀
Особенность в том, что мы оценивает риск в конкретной временной точке (часто в конце исследования). Т.е. пронаблюдали пациентов 1 год, в конце посчитали у какого количества пациентов произошло событие А, поделили его на общее количество пациентов в группе, получило риск события А через 1 год 📊
⠀
📍Odds (o, шансы) - вероятность наступления определенного события к "ненаступлению" данного события
⠀
Формула на рис.2
⠀
Так часто озвучивают риск в медиа (наши шансы на победу 1 к 14 млн, вероятность выпадения орла 1 к 1, риск побочных эффектов 1 к 10 и т.д.)
⠀
Upd. Здесь мы сталкиваемся с "неполным" пониманием, что здесь озвучивается не вероятность, а шансы (определение которых отличается от риска)
Однако этот показатель также измеряется в конкретный момент времени 📊
⠀
Обычно разницу можно продемонстрировать при помощи броска игральной кости 🎲:
- Риск выпадения 6 равен 17% (1/6)
- Шанс 20% (1/5)
⠀
📍Hazard (h(t), риски/угроза/опасность) - вероятность того, что интересующее событие произойдет в каком-то небольшом временном интервале, при условии, что оно не произошло до этого
⠀
Формула на рис.2
⠀
Тут все сложнее, т.к. это уже функция, которая зависит от времени (т.е. оцениваем риск не в конкретный момент времени, а в промежутке)
И получаем не просто вероятность через какое-то время (через 1 год), а ее изменение в течение этого времени (в течение 1-ого года) 📈
⠀
Это самые известные "риски", которые встречаются в мед. исследованиях. Однако вопрос, заданный в начале, остаётся открытым... 🙇🏻‍♂️

Upd. В комментариях верно заметили неточности и ошибки в моих определениях. Также подметили, что вероятность (risk, hazard) измеряется от 0 до 1, а шансы от 0 до бесконечности.

@ebm_base

#ebm_statistica