🔰 کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل با همکاری کمیته‌های تحقیقات و فناوری دانشجویی دانشگاه‌های علوم پزشکی شهید بهشتی، تربیت مدرس، ایران، اهواز، دزفول، مراغه و مرکز رشد علوم پزشکی مراغه و کلان منطقه دو برگزار می‌کنند:

💡💥 مدرسه نوآوری با تلفیق هوش مصنوعی

5⃣ کارآفرینی در عصر هوش مصنوعی و فناوری‌های نوظهور

🔹 مدرس:
جناب آقای محمد سوری

🗓 یک‌شنبه، ۲۳ آذر ماه ۱۴۰۴، ساعت ۱۶ الی ۱۸

✨ همراه با ارائه گواهی معتبر انگلیسی

💻 به صورت مجازی در بستر اسکای روم

📌 لینک گروه تلگرام مدرسه

🌐 فرم ثبت‌نام

اردبیل | شهید بهشتی | تربیت مدرس | ایران | اهواز | دزفول | مراغه

#اطلاعیه

📣 کارگاه «کاربردهای هوش مصنوعی در پژوهش»، روز دوشنبه ۱۴۰۴/۰۹/۲۴، ساعت ۱۰ الی ۱۲، در سالن ولایت دانشکده پزشکی با حضور جناب آقای دکتر مسعود امن زاده، ویژه اعضای محترم هیئت علمی دانشگاه برگزار خواهد شد.
🙏🏻🌺


📍 روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
🆔 @arums_src

معنی‌داری در برابر اهمیت: چرا نتایج، از نظر بالینی مهم نیستند؟ 📉🏥

عدم اهمیت بالینی نتایج معمولاً به سه دلیل اصلی رخ می‌دهد:

۱. بزرگی اثر (Effect Size) ناچیز است 🤏
مهم‌ترین دلیل برای عدم اهمیت بالینی، کوچک بودن اندازه اثر است. اندازه اثر نشان می‌دهد که «شدت» یا «بزرگی» تفاوت یا ارتباط مشاهده‌شده چقدر است.
معنی آماری: فقط می‌گوید: تفاوت هست. (فرض H0 رد می‌شود.)
معنی بالینی: می‌گوید: این تفاوت چقدر بزرگ است و چقدر زندگی بیمار را تغییر می‌دهد؟
مثال: یک داروی جدید فشار خون را 1 میلی‌متر جیوه کاهش می‌دهد. از نظر آماری، اگر N شما بزرگ باشد، P بسیار کوچک می‌شود. اما از نظر بالینی، کاهش 1 میلی‌متر جیوه برای هیچ بیماری تفاوتی ایجاد نمی‌کند و پزشک ترجیح می‌دهد از داروهای قدیمی‌تر استفاده کند.

💡 راهکار: همیشه در کنار P-Value، اندازه اثر (Effect Size) را گزارش کنید (مثل کوهن d یا بتا استانداردشده) و نشان دهید که این مقدار، از نظر عملی در چه محدوده‌ای قرار می‌گیرد.

۲. محدودیت‌های نمونه‌گیری و روش‌شناسی 🔬
گاهی اوقات، اهمیت کم بالینی ناشی از نحوه طراحی مطالعه است، نه خود اثر:
جامعه هدف غیرواقعی: ممکن است مطالعه روی یک جامعه هدف بسیار خاص یا جوان انجام شده باشد، در حالی که در دنیای واقعی، دارو برای جمعیت مسن و دارای بیماری‌های زمینه‌ای تجویز می‌شود.
ابزار اندازه‌گیری: از ابزارهای اندازه‌گیری‌ای استفاده شده که نسبت به تغییرات کوچک بسیار حساس هستند، اما تغییرات کوچک در آن‌ها لزوماً به تغییرات بزرگ در سلامت واقعی بیمار تبدیل نمی‌شود (مثلاً اندازه‌گیری یک نشانگر زیستی بسیار جزئی به‌جای کیفیت زندگی کلی).

۳. ملاحظات هزینه، ایمنی و قابلیت اجرا ⚖️
حتی اگر اثر نسبتاً خوبی وجود داشته باشد، ممکن است نتایج از نظر عملی به صرفه یا قابل استفاده نباشند:
نسبت هزینه-فایده: یک درمان جدید ممکن است اثری معادل یک درمان قدیمی‌تر داشته باشد، اما ۱۰ برابر گران‌تر باشد. در این حالت، از نظر بالینی، درمان جدید اهمیتی ندارد.
عوارض جانبی: یک درمان ممکن است کمی بهتر از داروی موجود عمل کند، اما دارای عوارض جانبی بسیار شدیدتر یا بیشتری باشد. در اینجا، توازن ریسک و فایده از دست می‌رود و درمان جدید کنار گذاشته می‌شود.
قابلیت اجرا: مداخله‌ای که اثربخش است اما به تجهیزات گران‌قیمت یا آموزش‌های پیچیده نیاز دارد، در یک محیط کلینیک معمولی قابل اجرا نیست و بنابراین، اهمیت عملی آن کاهش می‌یابد.

به همین دلیل است که پژوهشگران باید نه تنها به P-Value، بلکه به اندازه اثر، حاشیه اطمینان (Confidence Intervals) و تحلیل هزینه-فایده نیز توجه کنند تا اهمیت واقعی یافته‌ها را تعیین کنند.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

🔷 کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل برگزار می‌کند:

📣✨ جشنواره پژوهش و فناوری

به مناسبت هفته پژوهش و فناوری

🔸 تقدیر از دانشجویان پژوهشگر برتر
🔸 تقدیر از نفرات برتر سمینار APSS8
🔸 تقدیر از کمیته‌های برتر
🔸 مروری بر افتخارات و دستاوردهای کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
و...

🗓 دوشنبه، ۲۴ آذر ماه ۱۴۰۴، ساعت ۱۲
🏛 سالن ولایت دانشکده پزشکی

🔹 حضور برای عموم دانشجویان آزاد است.

"پژوهش، کاوش در بی‌کرانه دانش است."

📍کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل

تلگرام | اینستاگرام | وبسایت | لینکدین

پارادوکس تحلیل: چرا تحلیل زیاد، فهم را کاهش می‌دهد؟ 🤯📉

فلج تحلیلی، توانایی شما را برای تصمیم‌گیری و درک نتایج کلیدی به دلایل زیر کاهش می‌دهد:

۱. غرق‌شدگی در جزئیات 🌳
• کاهش دید کلان: هرچه بیشتر درگیر تحلیل‌های جزئی (مثلاً مدل‌های پیچیده، دسته‌بندی‌های فرعی زیاد، یا تحلیل‌های حساسیت متعدد) می‌شوید، ارتباط بین نتایج کوچک و سوال اصلی پژوهش را از دست می‌دهید.
• تشخیص صدای سیگنال از نویز: در حجم زیاد تحلیل‌ها، تشخیص اینکه کدام یافته‌ها سیگنال واقعی هستند (پاسخ به فرضیه شما) و کدام یک نویز (یافته‌های تصادفی یا مخدوش‌کننده) دشوار می‌شود.

۲. سوگیری تأیید و P-Hacking 🎣
• اثر P-Hacking: وقتی تحلیل را به دفعات زیاد و با مدل‌های متفاوت تکرار می‌کنید، احتمال اینکه به طور تصادفی یک P-Value معنی‌دار (زیر ۰.۰۵) پیدا کنید، افزایش می‌یابد. این کار اعتبار نتایج شما را به شدت کاهش می‌دهد.
• سوگیری تأیید: شما ناخودآگاه بیشتر به سراغ آن دسته از تحلیل‌ها می‌روید که فرضیه اولیه شما را تأیید می‌کنند و بقیه تحلیل‌ها را نادیده می‌گیرید. این باعث می‌شود دیدگاه شما نسبت به داده‌ها یک‌طرفه شود.

۳. انتخاب‌های پیچیده، تفسیر دشوار 😵‍💫
• مدل‌های بیش از حد پیچیده: استفاده از پیچیده‌ترین مدل‌های ممکن (مثلاً شبکه‌های عصبی بسیار عمیق) در حالی که یک رگرسیون ساده هم کار را انجام می‌دهد، باعث می‌شود تفسیر نتایج برای شما، همکاران و داوران مجله عملاً غیرممکن شود.
• از ساده به پیچیده: همیشه با ساده‌ترین مدل شروع کنید و تنها زمانی به سراغ مدل‌های پیچیده‌تر بروید که مدل ساده نتواند به اندازه کافی پدیده را توضیح دهد.
• اختلال در ارتباط: پژوهش خوب، پژوهش واضح است. اگر شما نتوانید نتایج پیچیده خود را در چند جمله ساده به یک فرد غیرمتخصص توضیح دهید، به این معنی است که خودتان نیز هنوز فهم عمیقی از نتایج ندارید.

۴. خستگی تصمیم‌گیری 🤯
• کاهش منابع شناختی: مغز شما مانند یک باتری است. هر بار که باید بین ده‌ها نوع تحلیل یا زیرگروه مختلف تصمیم بگیرید، انرژی شناختی شما تحلیل می‌رود.
• تصمیم‌گیری ضعیف: وقتی خسته هستید، در انتخاب نهایی بهترین مدل یا نتیجه اصلی، تصمیمات ضعیف‌تری می‌گیرید و تمایل دارید که صرفاً به اولین نتیجه‌ای که به دست می‌آورید، بسنده کنید.

راهکار عملی: متوقف کردن تحلیل 🛑
پایان تحلیل زمانی است که به سوال پژوهشی پاسخ داده شده است.
• برنامه پیش از تحلیل: قبل از جمع‌آوری داده‌ها، مشخص کنید که دقیقاً کدام متغیرها را با کدام مدل‌های آماری برای پاسخ به فرضیه اصلی تحلیل خواهید کرد.
• اول اصلی، بعد فرعی: ابتدا تحلیل‌های اصلی که مستقیماً به H0 پاسخ می‌دهند را انجام دهید. فقط زمانی به تحلیل‌های فرعی (Secondary/Exploratory Analyses) بپردازید که مطمئن شده باشید تحلیل‌های اصلی محکم و غیرقابل خدشه هستند.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

تصمیم سرنوشت‌ساز: ۳ نشانه برای رها کردن یک پروژه پژوهشی 🛑💔

رها کردن یک پروژه به معنای شکست نیست، بلکه به معنای بهینه‌سازی منابع و مدیریت ریسک در مسیر شغلی است. برای شناسایی زمان مناسب، این سه نشانه حیاتی را بررسی کنید:

۱. نشانه عدم اعتبار و روش‌شناسی (اعتبار خارجی در خطر) 📉
اگر روایی (Validity) مطالعه شما دچار مشکل جدی و غیرقابل بازگشت شده باشد، باید پروژه را رها کنید.
• خطای غیرقابل کنترل در داده‌ها: اگر متوجه شدید که بخش بزرگی از داده‌ها به دلیل سوگیری سیستماتیک، خطای شدید ابزار، یا نقض غیرقابل ترمیم پروتکل (مثل عدم کالیبراسیون حیاتی دستگاه) جمع‌آوری شده‌اند، ادامه دادن بی‌فایده است.
• حجم نمونه ناکافی: اگر پس از جمع‌آوری، مشخص شود که به دلیل محدودیت‌های عملی (مثل کمبود بودجه یا دشواری نمونه‌گیری)، هرگز به حجم نمونه مورد نیاز برای توان آماری نخواهید رسید، نتایج شما به درد چاپ در مجلات معتبر نخواهند خورد.
• تکرارپذیری: اگر نتایج اولیه شما قابل تکرار نیستند و نمی‌توانید دلیل اختلاف را پیدا کنید، پروژه فاقد پایایی (Reliability) لازم است.

۲. نشانه تغییر مسیر علمی و بازار (تقاضا صفر شده است) 📉
اگرچه نباید صرفاً به دنبال ترندها باشید، اما اگر بازار علمی دیگر به موضوع شما اهمیتی نمی‌دهد، باید منابع را به سمت دیگری هدایت کنید.
• یافتن نتیجه مشابه: اگر در حین کار متوجه شدید که یک یا چند تیم پژوهشی دیگر، همان سوال اصلی شما را با روشی بهتر و با نتایج قوی‌تر و زودتر از شما منتشر کرده‌اند، شانس شما برای چاپ در مجلات سطح بالا به شدت کاهش می‌یابد.
• تغییر جهت بودجه: اگر منابع مالی و گرنت‌های دولتی و سازمانی به طور کامل از حوزه پژوهشی شما خارج شده باشند، این پروژه دیگر یک سرمایه‌گذاری پربازده برای آینده شغلی شما نخواهد بود.

۳. نشانه هزینه فرصت و انرژی (خستگی شناختی) 🤯
هزینه فرصت مهم‌ترین عامل است. هر ساعتی که صرف یک پروژه شکست‌خورده می‌شود، فرصت کار روی یک پروژه موفق و جذاب را از بین می‌برد.
• ارزش افزوده نزدیک به صفر: بپرسید: «آیا ۶ ماه کار بیشتر، شانس من را برای انتشار یک مقاله Q1 به اندازه‌ای افزایش می‌دهد که ارزش از دست دادن زمان را داشته باشد؟» اگر پاسخ نه است، زمان آن رسیده که کار را متوقف کنید.
• فرسودگی روانی: اگر پروژه از نظر روانی شما را به شدت تخلیه کرده است و ترس از آن مانع شروع پروژه‌های جدید می‌شود، رها کردن آن برای سلامت شغلی شما ضروری است.

💡 تصمیم‌گیری شجاعانه: قبل از رها کردن، سعی کنید داده‌های موجود را به صورت مقاله متدولوژی (Methodology Paper) یا گزارش محدودیت (Limitation Report) در یک مجله رده پایین‌تر منتشر کنید. این کار باعث می‌شود زحمات شما کاملاً هدر نرود و سندی از تلاش شما باقی بماند.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

‼️‼️ آخرین مهلت ثبت نام


🩸💊 دوره جامع تفسیر آزمایشات و نسخه خوانی ( صفر تا صد هرچی که لازم داری! )


✅ ✅نسخه خوانی آزمایشگاه،تفسیر آزمایشات مختلف، بررسی برگه های آزمایش، شرایط آزمایش دادن، تشخیص بیماری های مختلف از روی آزمایشات، علل افزایش یا کاهش، کاربرد آزمایشات و ....

⭐⭐ در این دوره ی ویژه، بخش عملی نیز خواهیم داشت و به بررسی و تفسیر برگه های آزمایشات مختلف خواهیم پرداخت.


📝سرفصل های دوره در پوستر موجود است.


✅برگزار کننده: انجمن علوم آزمایشگاهی دانشگاه علوم پزشکی ایران


‼️ظرفیت باقی مانده محدود است.


📝اعطای گواهینامه معتبر از دانشگاه علوم پزشکی ایران


📆   ۷   لغایت  ۱۳  دی ماه

ساعت  ۱۸  الی  ۲۰


🔗دوره بصورت مجازی برگزار می شود.
( بعد از برگزاری هر جلسه آنلاین ، فیلم و جزوه جلسه نیز در اختیار افراد ثبت نامی قرار خواهد گرفت. )


🟠 شهریه دوره با ارسال کدتخفیف:
فقط ۳۹۸ تومان ( در صورت ثبت نام گروهی 
۳  نفره شهریه هر نفر فقط ۳۴۸ تومان و ثبت نام گروهی حداقل  ۶  نفره شهریه هر نفر فقط ۲۹۸ تومان )


🎁کدتخفیف:  k103


📎جهت ثبت نام دوره به آیدی زیر پیام دهید:

 @new_webinar 


#تفسیرآزمایش
#نسخه_خوانی