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)

Рекомендую посмотреть👍

Ну наконец-то
Мы это ждали долго, Максим 😁
Если вы верите, что статистику можно выучить "за 5 шагов" или "2 семинара", то этот автор вас точно выведет из душевного равновесия (в хорошем смысле, хотя...)
И посильнее меня точно))

Он даже уже это начал делать 😁

А я очень благодарен, что Максим периодически отрезвляет меня)
Хотите узнать, что статистика это сложно? Велком)))

А этот пост мне особенно нравится 😁😁😁

Я считаю, что доступность знаний важна, поэтому хочу напомнить, что у меня с коллегами не один перевод)

EBM's six dangerous words: https://news.1rj.ru/str/ebm_base/93

Evidence-based medicine. A new approach to teaching the practice of medicine: https://news.1rj.ru/str/ebm_base/117

Seven myths of randomisation in clinical trials: https://news.1rj.ru/str/ebm_base/531

Последний день 2 этапа ЖК
Кто не сдал, тот не сдал

в тесте обнаружена ошибка перевода в одном из вопросов (только сейчас написал один из участников!!!) 🤦‍♂️
Соответственно балл по этому вопросу не будет учтен

Итоги 2 этапа ЖК ожидайте ориентировочно через неделю

Когда мне в следующий раз будут говорить, что я докапываюсь, я буду отвечать, что провожу фЭйсконтроль

Только я обрадовался, увидев нормальное определение p-value
Но тут!

🤩 МЫ ПОДГОТОВИЛИ ДЛЯ ВАС СПИСОК САМЫХ ПОЛЕЗНЫХ КАНАЛОВ ПО СТАТИСТИКЕ И ДОКАЗАТЕЛЬНОЙ МЕДИЦИНЕ

💜 BioStat <- R | Чат по статистике и R
Чат создан преподавателями и выпускниками Института биоинформатики (Санкт-Петербург). Основная направленность обсуждений - современные методы биостатистики и их реализация в среде программирования R.

💜 Data Medicine
Канал врача и исследователя Артемия Охотина о биостатистике, эпидемиологии и политике в медицине. «Listen to your data, it is telling you the diagnosis»(с) В канале разбираются хорошие и плохие исследования, откровенно обсуждаются вопросы интерпретации их результатов.

💜 Ebm_base
Канал, где описываются основы и нюансы доказательной медицины, статистики и эпидемиологии. Автор (к слову, хирург) старается сам разобраться в сложных вещах и рассказать о них. Иногда (несмешные) шутки над чем угодно. Осторожно, токсичный контент!

💜 «Lobastov’s Scientific Library»
Личный канал (с перчинкой) доктора медицинских наук, врача-флеболога Кирилла Викторовича Лобастова с свежими исследованиями, интересными клиническими случаями, критическим разбором статей и ссылками на полезные ресурсы из мира научной флебологии и не только.

💜 Канал medstatistic
Блог, где понятным языком рассказывается о статистическом анализе медицинских данных. Ведет блог доцент Казанской государственной медицинской академии и один из создателей программы StatTech Дамир Марапов.

💜 medstatistic ЧАТ
Один из старейших чатов для обсуждения вопросов статистического анализа медицинских данных. Здесь можно задать любой вопрос о своём исследовании и получить компетентный ответ от экспертов.

💜 Канал "НЕЗАВИСИМОЙ НАЦИОНАЛЬНОЙ АКАДЕМИИ ДОКАЗАТЕЛЬНОЙ МЕДИЦИНЫ"
На этой платформе вы найдете материалы в области доказательной медицины и критической оценки научных публикаций. Если захотите высказаться, то есть чат ННАДМ.

💜 Сообщество "ОСНОВАНИЕ"
Сообщество врачей Казани, разделяющих принципы доказательной медицины. В канале публикуются рекомендации, основанные на клинических исследованиях, мнение экспертов, материалы о принципах чтения научных статей.

💜 Статистика и R в науке и аналитике
Автор канала биоинформатик Елена Убогоева пишет о простых и сложных вещах в статистике, рассказывает про особенности языка программирования R, а также выкладывает материалы о продуктовой аналитике и смежных темах


Подборка подготовлена ННАДМ и Мараповым Дамиром.

Отправлены письма счастья и несчатья по 2 этапу 🫡
Ищите на своей почте!

Если вам не пришел ответ, то напишите мне, разберемся почему