Forwarded from Терапия для грустных
А я, пожалуй, выложу перевод его статьи, который вам давно обещал. Пока переводил немного пожалел, что начал это делать, потому что он ссылается на кучу других англоязычных статей, которые я не перевожу. Но пусть будет)
Мне кажется, материал может полезен и для других специализаций, как некий каркас, на который можно приклеивать показатели своей специальности🤜
https://telegra.ph/Kak-chitat-i-interpretirovat-klinicheskie-issledovaniya-v-onkologii-06-02
Мне кажется, материал может полезен и для других специализаций, как некий каркас, на который можно приклеивать показатели своей специальности
https://telegra.ph/Kak-chitat-i-interpretirovat-klinicheskie-issledovaniya-v-onkologii-06-02
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegraph
Как читать и интерпретировать клинические исследования в онкологии
Перевод. Оригинальная статья Самый частый вопрос, который мне задают: "Как читать новые статьи?". Как вы знаете, я записал сотни подкастов и сделал десятки видео, разбирая ключевые исследования в онкологии. Здесь я дам вам пошаговое руководство. ШАГ 1: Есть…
❤14👍7
В трактир зашёл аббат.
Ну да и шут бы с ним!
Если б не странный факт -
То, что и шут был с ним.
И, оглядев людей,
Пищу сварили всем
Из шутовских затей
И Богословских тем
❤5❤🔥2💩2🤔1
Последний концерт (sound by Crab)
Ветер
Забавно. Эта песня в моем плейлисте ещё со школы
И каждый раз она заставляет задумываться...
И каждый раз она заставляет задумываться...
🤡2💩1
ВАЖНАЯ НОВОСТЬ!
В этом году мне удалось вместе с Екатериной Назаровой поучаствовать в организации сессии на X международном онкологическом форуме «Белые ночи 2024»
Наша секция называется «Вклад в настоящее для будушего молодого специалиста» (think about)
Мы планируем рассказать про дополнительные дисциплины/методы в обучении врачей (в т.ч. их преимущества и недостатки)
В лекторах у нас один из организаторов Ordinatura.org, руководитель учебной программы ВШО, руководитель программы PHS в ИТМО, резидент Школы Павленко, руководитель проекта «Онкология от А до Я»
Надеюсь будет интересно, приходите (особенно студенты, ординаторы и аспиранты)!
Форум пройдет с 3 по 7 июля 2024г. в гостинице "Прибалтийская" (Санкт-Петербург, ул.Кораблестроителей, д.14, метро "Приморская")
Наша секция будет 6 июля 2024г. (сб) с 16 до 18 часов в зале Blue5
ВАЖНО: посещение (офлайн и онлайн) бесплатное (для медицинского персонала и обучающихся в медицинских ВУЗах) по ссылке (до 14 и 20 июня соответсвенно, затем уже на стойке регистрации на самом форуме)
Сайт форума, программа
В этом году мне удалось вместе с Екатериной Назаровой поучаствовать в организации сессии на X международном онкологическом форуме «Белые ночи 2024»
Наша секция называется «Вклад в настоящее для будушего молодого специалиста» (think about)
Мы планируем рассказать про дополнительные дисциплины/методы в обучении врачей (в т.ч. их преимущества и недостатки)
В лекторах у нас один из организаторов Ordinatura.org, руководитель учебной программы ВШО, руководитель программы PHS в ИТМО, резидент Школы Павленко, руководитель проекта «Онкология от А до Я»
Надеюсь будет интересно, приходите (особенно студенты, ординаторы и аспиранты)!
Форум пройдет с 3 по 7 июля 2024г. в гостинице "Прибалтийская" (Санкт-Петербург, ул.Кораблестроителей, д.14, метро "Приморская")
Наша секция будет 6 июля 2024г. (сб) с 16 до 18 часов в зале Blue5
ВАЖНО: посещение (офлайн и онлайн) бесплатное (для медицинского персонала и обучающихся в медицинских ВУЗах) по ссылке (до 14 и 20 июня соответсвенно, затем уже на стойке регистрации на самом форуме)
Сайт форума, программа
❤10🔥5👍3
Forwarded from Наука и данные
Shiny apps for demystifying statistical models and methods 💡
Ben Prytherch преподает в Colorado State University, Department of Statistics. Бен реализовал несколько визуальных идей для преподавания статистики, например, как выглядит ANOVA со смешанными эффектами, логистическая регрессия и т.д.
Сюжеты в его Shiny-приложениях мотивированы картинками, которые он рисует, когда студенты задают вопросы, на которые трудно ответить словами. Цель этих приложений - продемонстрировать, как работают статистические методы и модели, используя визуализацию данных.
Ben Prytherch преподает в Colorado State University, Department of Statistics. Бен реализовал несколько визуальных идей для преподавания статистики, например, как выглядит ANOVA со смешанными эффектами, логистическая регрессия и т.д.
Сюжеты в его Shiny-приложениях мотивированы картинками, которые он рисует, когда студенты задают вопросы, на которые трудно ответить словами. Цель этих приложений - продемонстрировать, как работают статистические методы и модели, используя визуализацию данных.
🔥5👍2❤1
Ebm_base
ВАЖНАЯ НОВОСТЬ! В этом году мне удалось вместе с Екатериной Назаровой поучаствовать в организации сессии на X международном онкологическом форуме «Белые ночи 2024» Наша секция называется «Вклад в настоящее для будушего молодого специалиста» (think about)…
Осталось 2 дня, чтобы успеть зарегистрироваться на очное посещение форума!
Иначе затем придется стоять в очереди (хотя для кого-то это может быть свои отдельным удовольствием) 😁
Иначе затем придется стоять в очереди (хотя для кого-то это может быть свои отдельным удовольствием) 😁
😁5
Пытался через нейросеть сделать образ ситха и джедая-отступника))
🔥10
ВАШИ АРГУМЕНТЫ НЕСОСТОЯТЕЛЬНЫ
⠀
В комментариях под постом про смещение оценки Матвей напомнил, что еще бывает её состоятельность ☝🏻
⠀
❗Состоятельность/согласованность оценщика (consistent of estimator) - свойство метода получения оценок, характеризующее, что при увеличении выборки вероятность оценки сходИтся к истинной равна 1❗
⠀
Запутанно? Будем разматывать🕵🏻♂️
⠀
Мы хотим измерить рост людей страны. Мы знаем, что нам удобно посчитать среднее арифметическое. И этот показатель (среднее арифметическое) - это оценщик (т.е. метод получения оценки, т.е. конкретного значения). При этом взять всю популяцию достаточно сложно (но нам бы очень хотелось). И мы знаем, что у популяции есть точечное значение (т.е. истинное среднее значение роста) 🙃
По своим возможностям мы собираем выборку из популяции (представим, что репрезентативную). Рассчитываем среднее значение роста в выборке (оно навряд ли будет такое же как в популяции из-за смещения, т.е. наша оценка смещенная). Но если мы будем увеличивать размер выборки (вдруг нам дадут на это ресурсы), то наша оценка будет постепенно становится все более похожей на истинное значение среднего роста в популяции. Т.е. вероятность получить разницу между истинной и нашей оценками равной 0 приближается к 1 😱
⠀
Постарался показать как это выглядит на графике (рис.1). Формулой это обозначается как на рис.2 🫠
⠀
Такой оценщик мы называет состоятельным (или согласованным, consistent estimator)💪🏻
⠀
Зачем это знать? Чтобы понимать, нужно ли нам стремиться к увеличению выборки, чтобы увеличить точность (грубо) своей оценки.
⠀
Характеристики (не/смещение и не/состоятельность) есть у каждого оценщика (среднее, доверительные интервалы и т.д.)
Он может быть смещенным, но состоятельным; а может наоборот😶🌫️
⠀
Я попытался найти примеры несостоятельных оценщиков в медицине, но кроме совпадения значения(-ий) одного (или группы) пациента(-ов) с истинной оценкой (E(x1) = µ), продолжительности заболевания и показателей опросников, ничего не нашел (возможно в комментариях помогут и смогут привести примеры таких оценщиков) 👋🏻
#ebm_statistica #consistent
@ebm_base
⠀
В комментариях под постом про смещение оценки Матвей напомнил, что еще бывает её состоятельность ☝🏻
⠀
❗Состоятельность/согласованность оценщика (consistent of estimator) - свойство метода получения оценок, характеризующее, что при увеличении выборки вероятность оценки сходИтся к истинной равна 1❗
⠀
Запутанно? Будем разматывать🕵🏻♂️
⠀
Мы хотим измерить рост людей страны. Мы знаем, что нам удобно посчитать среднее арифметическое. И этот показатель (среднее арифметическое) - это оценщик (т.е. метод получения оценки, т.е. конкретного значения). При этом взять всю популяцию достаточно сложно (но нам бы очень хотелось). И мы знаем, что у популяции есть точечное значение (т.е. истинное среднее значение роста) 🙃
По своим возможностям мы собираем выборку из популяции (представим, что репрезентативную). Рассчитываем среднее значение роста в выборке (оно навряд ли будет такое же как в популяции из-за смещения, т.е. наша оценка смещенная). Но если мы будем увеличивать размер выборки (вдруг нам дадут на это ресурсы), то наша оценка будет постепенно становится все более похожей на истинное значение среднего роста в популяции. Т.е. вероятность получить разницу между истинной и нашей оценками равной 0 приближается к 1 😱
⠀
Постарался показать как это выглядит на графике (рис.1). Формулой это обозначается как на рис.2 🫠
⠀
Такой оценщик мы называет состоятельным (или согласованным, consistent estimator)💪🏻
⠀
Зачем это знать? Чтобы понимать, нужно ли нам стремиться к увеличению выборки, чтобы увеличить точность (грубо) своей оценки.
⠀
Характеристики (не/смещение и не/состоятельность) есть у каждого оценщика (среднее, доверительные интервалы и т.д.)
Он может быть смещенным, но состоятельным; а может наоборот😶🌫️
⠀
Я попытался найти примеры несостоятельных оценщиков в медицине, но кроме совпадения значения(-ий) одного (или группы) пациента(-ов) с истинной оценкой (E(x1) = µ), продолжительности заболевания и показателей опросников, ничего не нашел (возможно в комментариях помогут и смогут привести примеры таких оценщиков) 👋🏻
#ebm_statistica #consistent
@ebm_base
🔥5🤯5👍2💩1
Forwarded from Matt
Второе. Состоятельностей вообще три главных: сильная (aka сходимость почти наверняка), слабая (сходимость в вероятности) и Lp (без комментариев). Но это все глубокая теория, на практике все довольствуются слабой состоятельностью.Это ключевое свойство, без него не о чем на практике говорить. Несостоятельная оценка для клинициста = просто шум и рандомное число. В медицинской литературе обычно именно несостоятельные оценки называют biased. С точки зрения труЪ матстата это некорректно, но этот поезд мы уже не развернем.
Зафиксируем: для клиницистов biased estimate = хреновая оценка, которое оценивает вообще не то, что надо, а что-то другое, поэтому их надо избегать.
Зафиксируем: для клиницистов biased estimate = хреновая оценка, которое оценивает вообще не то, что надо, а что-то другое, поэтому их надо избегать.
👍2🔥2🤔1
Forwarded from Matt
Как понять, что такое состоятельность, и зачем она вообще нужна?
Итак, у нас есть популяция, в этой популяции есть среднее -- например, средний рост. Померять всех людей мы не можем, поэтому мы берем выборку из популяции и на основании этой выборки пытаемся оценить среднее во всей популяции. Конкретный способ как из n измерений в выборке получаем одно число -- оценку параметра -- называется estimator или, как называет его Ник, оценщик. В случае со средним это обычно среднее арифметическое. Но могут быть и другие: например, trimmed среднее, когда вы удалили из выборки выбросы.
В чем проблема: поскольку измерения в выборке -- случайные величины, то и результат, который нам выдает оценщик -- собственно сама оценка -- тоже случайная величина. Внимание: случайная величина не значит "левая, рандомная хрень; шум". Это значит, что у нас есть некоторая "ошибка измерения". Среднее в выборке не будет равно среднему в популяции (я гарантирую это).
Все последующие танцы сводятся к тому, как ведет себя вот эта "ошибка измерения", разница между реальным значением в популяции и тем, что вам говорит ваш оценщик.
Итак, у нас есть популяция, в этой популяции есть среднее -- например, средний рост. Померять всех людей мы не можем, поэтому мы берем выборку из популяции и на основании этой выборки пытаемся оценить среднее во всей популяции. Конкретный способ как из n измерений в выборке получаем одно число -- оценку параметра -- называется estimator или, как называет его Ник, оценщик. В случае со средним это обычно среднее арифметическое. Но могут быть и другие: например, trimmed среднее, когда вы удалили из выборки выбросы.
В чем проблема: поскольку измерения в выборке -- случайные величины, то и результат, который нам выдает оценщик -- собственно сама оценка -- тоже случайная величина. Внимание: случайная величина не значит "левая, рандомная хрень; шум". Это значит, что у нас есть некоторая "ошибка измерения". Среднее в выборке не будет равно среднему в популяции (я гарантирую это).
Все последующие танцы сводятся к тому, как ведет себя вот эта "ошибка измерения", разница между реальным значением в популяции и тем, что вам говорит ваш оценщик.
👍3
Forwarded from Matt
Мы можем задаться вопросом: а как ведет себя ошибка измерения при увеличении размера выборки? С какой вероятностью она будет "большой"? Суть (слабой) состоятельности в том, что с увеличением объема выборки вероятность того, что ошибка будет "большой" сходится к нулю. То есть, на достаточно большой выборке вероятность того, что оценка достаточно близка к реальному значению, достаточно высока. Состоятельность важна потому, что для нас на практике это значит, что точечным оценкам можно верить; если оценщик состоятельный, то точечные оценки с большой вероятностью близки к правде -- ну или их можно туда затолкать, увеличив выборку.
Иными словами, состоятельность говорит о том, что между тем, что делает оценщик, и реальным параметром есть какая-то связь, что оценщик хотя бы пытается попасть в реальный параметр. Состоятельность -- это то, что делает оценку оценкой в клиническом смысле.
Иными словами, состоятельность говорит о том, что между тем, что делает оценщик, и реальным параметром есть какая-то связь, что оценщик хотя бы пытается попасть в реальный параметр. Состоятельность -- это то, что делает оценку оценкой в клиническом смысле.
👍3