Остался один день
Если вы ещё в раздумьях, то посмотрите наше видео-приглашение
Если вы хотите такой же шикарный опыт, то заполняйте заявку

Но готовьтесь, что отбор будет непростой! 😁

Upd. Не думайте, что мы берём только ультра-супер-мозги со списком 100500 публикаций в зарубежных журналах Q1, которые уже везде участвовали и умеет все на свете. У всех шансы равны. Даже я не знаю критерии отбора 😁

я очень плохо делаю дашборды, но мб кому-то тоже будет интересно посмотреть на простую сводную информацию по поданным заявкам

Полезны ли курсы по статистике? 

Я думаю, что часть аудитории знает о моем отношении к курсам, которые обещают из врача за 5 шагов сделать "статистика" или объяснить "просто о сложном". Но означает ли это, что они не нужны? Сложный вопрос, как и сама статистика.

Я думаю, что можно выделить некоторые положительные моменты из курсов:

1) Общее представление о статистике.
Возможно оно слишком оптимистичное и предвзятое (мол это точная наука), но и своим врачебным специальностям мы учились не сразу. Сначала получали общее видение, а затем уже углубление (ординатур, практика). После курсов уже что-то становится на слуху, что-то видел, что-то даже пытался интерпретировать, а значит можно пытаться углубляться и более подробно вчитываться.

2) Принципы создания базы данных.
Я даже посмею назвать это основой для Data management. Часто на первых занятиях рассказывают какие данные бывают, как их кодировать, какие знаки разделения использовать. Затем на примерах показывают, что кодировать данные удобно и нужно, чтобы уменьшить количество ошибок при анализе. Это очень хороший навык, который действительно облегчает дальнейший путь.

3) Знакомство с ПО.
Для анализа данных есть много разных программ. Хотите SPSS, хотите jamovi, хотите StatTech, хотите языки программирования, да даже в Excel можно сделать простые расчеты (если сильно захотеть!). Так что для дальнейшего изучения уже становится не настолько страшно, как в первый раз при их запуске.

4) Мотивация.
Этот пункт на мой взгляд кажется спорным, т.к. не все продолжают изучение. Но на курсах становится ясно, что статистику познать/познавать возможно! Даже врачу. А если сравнить со школьными учебниками по математике, то окажется, что основы мы все уже когда-то учили и проходили (вплоть до символов).

Но есть и несколько ограничений:

1) Целевая аудитория.
Часто такие курсы рекламируются для всех (у кого есть деньги), хотя изначально ясно, что это больше нужно тем, кто самостоятельно планирует и готов заниматься статистическим анализом (исследователи) и его интерпретацией (сотрудники фарм. компаний).

2) План изучения.
Стандартно начинают с изучения типов данных, мер описательной статистики, а дальше резко переходят к "простым" тестам. Но проблема в том, что "простые" тесты не такие простые. У них есть узкая зона применения. Не даются основы причинно-следственного вывода, смысл понятия estimate, мат основы и т.д. И проблема в том, что какой план сделать, чтобы все это дать эффективно, я не знаю (да и думаю мало кто знает). Я в своем курсе тоже так делал (сейчас уже нет), но мб когда-то сделаю иначе (пока идет проверка на ЖК).

3) Низкая мотивация.
Да, дается понимание, что это возможно. Но затем большинство не продолжает углубляться, т.к. им кажется либо уже достаточными полученные знания (хотя это не так, на мой взгляд), либо слишком сложным углубление (а это так). Прохождение курса не означает, что вы знаете статистику, а дальнейшее изучение гарантирует, что вы будете знать больше, но не все (все знать нельзя). Так же дальнейшее изучение позволит смелее и проще разбираться в сложных новых вещах.

Есть ли идеальный курс? Нет. Есть ли неплохие курсы? Да. Есть ли они в бесплатном доступе? Да. Стоит ли останавливаться на одном курсе? Точно нет, изучайте много, смотрите на разные точки зрения, объяснения и интерпретации.

Все, что написано выше - лишь мое мнение. Если у вас есть свое (комментарии, замечания), то буду рад его услышать в комментах.

@ebm_base

В ЖК тут кстати недавно новый мем со мной сделали 😂

Отправил письма с результатами 1 этапа!
Вам в любом случае должно прийти письмо (положительное или отрицательное)
Если нет во входящих, то ищите в папке «Спам». Если и там нет (или какие-то другие проблемы), то пишите лично мне @Nik_Burlov

Кстати, апдейт
Сером не было 😁
2 недели как пациент выписан и радуется жизни) наблюдаем, что будет дальше)

У нас освободилось несколько мест в ЖК
Шансы растут 😁

Что в вашем понятии "молодой учёный"? И кто должен обучать такого, какими компетенциями должен обладать преподаватель?

Из чата канала

Учёный - тот, кто работает в расширенной академии. Может прям науку двигать, может, как я, мелким научным ремесленничеством заниматься. Молодой - я скорее интерпретирую как начинающий. Тут сложно, я не хочу опираться на возраст или на степени. Есть магистры сорокалетние, которые зубастые по скиллам и с километровым хиршем. Есть чмони-кандидаты, которые вообще не очень понимают, что вообще происходит и кто все эти люди вокруг. Есть люди, которые отучились на религиоведов, потом пошли в мед, в 28 закончили его и в 33 начинают потихоньку выдавать свои первые статьи, которые сами придумали, без чьей-то наводки.

Научить на таком уровне ничему нельзя, можно только научиться. Есть конечно хардскилы типа инглиша, академического письма, матстата и чего там ещё. Это на курсах можно взять или частично отдать на аутсорс. Их же можно подтянуть, доточить и закрепить, преподавая.
Есть административные штуки типа как писать гранты, отчёты, искать стипендии и прочая бытовуха. Этому учимся у коллег, в том числе старших.
Дальше есть tacit knowledge и всякое инсайдерство про устройство системы и входы-выходы, чего хотят рецензенты и вот это вот все. Этому учатся у наставников по методу "смотри на меня, делай, как я" и впитывает из среды.

Эти вещи в какой-то мере институализированы: есть научрук и консультанты в аспирантуре, там же есть возможность записывать себе курсы тематические, семинары и журнальные клубы тоже решают. Но в весомой степени это то, что называется "атмосфера / культура / традиция / школа" и либо оно в организации есть и тогда привьется воздушно-капельным путем, либо этого нет, и тогда все плохо.

Но в основе этого все равно то, что молодой учёный клювом цвакцвакен нихт, и очень шустро учится сам и подхватывает важные штуки с полуслова и улавливает из воздуха.

Когда сказали, что р-value - это ошибка 1 рода

КАКОЙ ШИКАРНЫЙ У ТЕБЯ POST HOC

Насколько я знаю (но может знаю неправильно), в аналитике данных после А/В-тестов (по сути это РКИ) проводят сегментацию, что найти тех, на кого вмешательство было эффективно. У этой идеи есть здравое рассуждение - хочется получить как можно больше информации из данных. Но здраво ли его используют и интерпретируют результаты в медицинских исследованиях? 🤔

Начнем с общих понятий.
Когда планируется исследование, то многим (исследователям, спонсорам, пациентам) хочется знать как быстро его получится провести. Это зависит от многих факторов: количество центров, количество пациентов, длительность наблюдения, скорость достижения первичной конечной точки и т.п. И немало внимания концентрируется на количестве пациентов.
И сейчас это показатель "Размер выборки" (Sample size) - количество участников в клиническом исследовании, которое обеспечивает надежный/достоверный ответ (об это сегодня не говорим) на поставленные вопросы [1]. 🤘

До ее расчета нужно определиться с гипотезами: нулевой и альтернативной (что это подробнее здесь и здесь и немного здесь). Представим, что мы это уже сделали (и даже согласны оценивать гипотезы 🫣).

Так же важно понять какой минимальный размер эффекта (effect size/minimal detectable effect size) мы планируем обнаружить (представим, что уже определили на основе своих специальных знаний 👨‍🎓).

❗️И тут входит понятие "Мощность" (Power) - вероятность верно отклонить нулевую гипотезу, если альтернативная о размере эффекта верна (грубо).❗️ Чаще всего ее устанавливают на уровне 80-90% и получают в расчетах минимальный размер выборки (и набирают ее же + мб Dop out rate).

Важно уточнение, что анализ мощности/расчет размера выборки имеет смысл только при планировании исследования, чтобы решить проблемы затрат (времени, финансов, участников) и контроля ошибок I и II рода (скорее быть уверенным в их уровне). 🫡
После получения данных мы не можем быть уверены в истинности результата, а значит и в истинности мощности теста (как я понял, это называют наблюдаемой мощностью (Observed power)) [2, 3].

А теперь загадка от Жака Фреско. Что будет, если выборку, набранную по определенному расчету мощности, разделить на подгруппы?

5, 4, 3, 2, 1… 🫥

Мощность снизится! А еще потеряется контроль за ошибками, ведь поменяется и размер эффекта.
А это происходит постоянно в subgroup analysis и post hoc analysis. А самое забавное, что это представляют на конференциях, а затем все повторяют с фразами: "Важные данные", "Это успех", "Нашли наконец-то группу, кому поможет максимально" и т.д. 🤯

📍Важно, что для таких выводов сначала нужно прочитать полный текст (что было, что и почему сделано, почему и как сделали этот анализ, сколько пациентов осталось, насколько данные результаты совпадают с литературой и т.д.). 
📍Еще нужно разобраться как был получен такой результат (взаимодействия, коррекции, гетерогенность, интерпретация forrest plot и другие сложные статистические штуки, которые врачи не могут или не хотят базово изучить), а то большинство исследований с проблемами [4]. 
📍Не говоря уже о проблеме тестирования гипотез (как глобально, так и множественного).

Что делать? 
🔹Разбираться. Каждый subgroup или post hoc анализ - повод разобрать более внимательно: новое исследование, изучение имеющейся литературы, мета-анализ.
🔹Не делать громких выводов (как типичное СМИ), т.к. снижение мощности (а значит увеличение ошибок I и II рода) никуда не девается.
🔹Продумать и/или изучить критерии гетерогенности, чтобы давать более аккуратную интерпретацию.
🔹Подвергать критике исследования, про которые вам рассказывают.

Мои слова тоже нужно подвергать критике 🤫

@ebm_base

Напоминаю, что до окончания приема ответов на 2 этап в ЖК осталась неделя (23.09 - последний день)