Иногда мне кажется, что за мной следят 👀
А что вы ответили бы на такой вопрос в анкете?
😁13
Один блогер открывает глаза читателям на опасный контент (и вроде все ок)
Но этот (канал одного из читателей, который хотел объяснить, что такое опасный контент) контент, видимо опасным не считается по мнению блогера. Наверное проблем с гипердиагностикой [1, 2, 3, 4], эффективность и безопасностью лечения дефицитов [1, 2, 3, 4, 5, 6] нет... (Ну или я сам их выдумал)
Но этот (канал одного из читателей, который хотел объяснить, что такое опасный контент) контент, видимо опасным не считается по мнению блогера. Наверное проблем с гипердиагностикой [1, 2, 3, 4], эффективность и безопасностью лечения дефицитов [1, 2, 3, 4, 5, 6] нет... (Ну или я сам их выдумал)
💯15❤8👍4
Поздравляю с днем рождения Савелова Никиту Александровича! 🎉
Я очень рад знакомству с Вами! Очень интересно общаться и работать 🔥
Человек широких взглядов и мыслей. Рекомендую ознакомиться с его каналом, онкологам и патологам (ещё есть такие, кто о нем не слышал?) особенно!
И я очень рад принимать участие и помогать в его интересном и проекте, предварительные результаты (и идеи), которого им были представлены (надеемся и пытаемся сделать его нужным для практики)
На мой взгляд, Вы все делаете правильно! Не останавливайтесь! 🔥💪
Я очень рад знакомству с Вами! Очень интересно общаться и работать 🔥
Человек широких взглядов и мыслей. Рекомендую ознакомиться с его каналом, онкологам и патологам (ещё есть такие, кто о нем не слышал?) особенно!
И я очень рад принимать участие и помогать в его интересном и проекте, предварительные результаты (и идеи), которого им были представлены (надеемся и пытаемся сделать его нужным для практики)
На мой взгляд, Вы все делаете правильно! Не останавливайтесь! 🔥💪
Please open Telegram to view this post
VIEW IN TELEGRAM
❤23🔥10👍1
Оказывается врачи учатся долго (вот это новость), оказывает пациенты умирают или осложняются, оказывается с этим надо как-то жить.
Вот это откровения!
А ещё оказывается, что изучение SPSS позволяет консультировать в полном объеме медиков по статистике (зачем интересно мы размышляем о том, насколько глубоко ее надо знать/изучать, и обсуждаем, что даже в простых тема есть сложности)
А ещё оказывается нельзя на чужих данных по пациентам писать свои работы (спойлер, можно, просто это нужно грамотно указывать)
А ещё оказывается плохо дорисовывать данные (но темы про восстановление данных видимо в полный объем консультации не входят)
А у меня все остаются те же вопросы... Зачем писать научную работу (особенно квалификационную), если ты ничего не знаешь и не понимаешь...
Вот это откровения!
А ещё оказывается, что изучение SPSS позволяет консультировать в полном объеме медиков по статистике (зачем интересно мы размышляем о том, насколько глубоко ее надо знать/изучать, и обсуждаем, что даже в простых тема есть сложности)
А ещё оказывается нельзя на чужих данных по пациентам писать свои работы (спойлер, можно, просто это нужно грамотно указывать)
А ещё оказывается плохо дорисовывать данные (но темы про восстановление данных видимо в полный объем консультации не входят)
А у меня все остаются те же вопросы... Зачем писать научную работу (особенно квалификационную), если ты ничего не знаешь и не понимаешь...
🔥33❤12👍6💯3
Forwarded from Bioinformatics Institute
Институт биоинформатики запускает серию открытых лекций «Разрушители статистических мифов»!
Регистрация |12, 19 и 26 марта в 19:00 МСК, онлайн
Преподаватели трека по биостатистике Института биоинформатики подготовили для вас серию лекций, которые разрушат самые популярные статистические мифы!
Почему нельзя пользоваться простыми алгоритмами для выбора статистического теста? Что же такое p-value, и чем оно не является? Нужно ли проводить проверку на нормальность, или это ничего не изменит? Эти, а также другие вопросы, вызывающие бурные споры как у новичков, так и у мастодонтов, мы обсудим на лектории!
🦖 12 марта, 19:00 МСК | Евгений Бакин
Миф №1: Статистика – наука точная, и в ней нет места мифам
🦖 19 марта, 19:00 МСК | Ольга Мироненко
Миф №2: Доверительные интервалы и р-значения – это то, чем они кажутся
🦖 26 марта, 19:00 МСК | Матвей Славенко
Миф №3: Ненормальное распределение требует ненормальных решений
Регистрация открыта до 26 марта 17:00 МСК: bioinf.me/stat_myths (если вы не получили письмо после регистрации – проверьте, пожалуйста, спам)
До встречи!
P.S.: Слушатели лектория больше никогда не будут ошибаться в вопросах статистики! Или будут. Всё как с динозаврами – 50/50!
#bioinf_education #bioinf_online @bioinformatics_institute
Регистрация |12, 19 и 26 марта в 19:00 МСК, онлайн
Преподаватели трека по биостатистике Института биоинформатики подготовили для вас серию лекций, которые разрушат самые популярные статистические мифы!
Почему нельзя пользоваться простыми алгоритмами для выбора статистического теста? Что же такое p-value, и чем оно не является? Нужно ли проводить проверку на нормальность, или это ничего не изменит? Эти, а также другие вопросы, вызывающие бурные споры как у новичков, так и у мастодонтов, мы обсудим на лектории!
Миф №1: Статистика – наука точная, и в ней нет места мифам
Миф №2: Доверительные интервалы и р-значения – это то, чем они кажутся
Миф №3: Ненормальное распределение требует ненормальных решений
Регистрация открыта до 26 марта 17:00 МСК: bioinf.me/stat_myths (если вы не получили письмо после регистрации – проверьте, пожалуйста, спам)
До встречи!
P.S.: Слушатели лектория больше никогда не будут ошибаться в вопросах статистики! Или будут. Всё как с динозаврами – 50/50!
#bioinf_education #bioinf_online @bioinformatics_institute
Please open Telegram to view this post
VIEW IN TELEGRAM
👍19🔥9❤2
Уважаемые коллеги, как и обещали, пост от Ника Бурлова.
💡 Всем привет! 6 декабря я читал лекцию про индекс Хирша, после которой мне было предложено для ННАДМ написать пост про его альтернативы
Время пришло...
Есть несколько известных альтернатив (а сколько ещё неизвестных 😱):
- i10-index
- g-index
- m-value
- average citation и прочие
i10-index
https://scholar.googleblog.com/2011/11/google-scholar-citations-open-to-all.html?m=1
Отражает количество публикаций, процитированных не менее 10 раз
Данный индекс создан и реализован в Google Scholar, очень простой в расчете. В этом же его плюс и минус.
Проблема в том, что в разных областях цитирование 10 раз неравномерно. Есть такие, где это делается несложно, есть где сложнее.
Также он будет равен 0 у авторов с низким цитированием (что почему-то их ровняет с авторами без цитирований).
g-index https://link.springer.com/article/10.1007/s11192-006-0144-7
Он чем-то похож на h-index (ранжирует по цитируемости статьи), но более интересный
Суть его такая:
1. Ранжируем статьи по цитированию
2. Суммируем количество цитирований первых n-статей
3. Сравниваем эту сумму с квадратом n
4. Если квадрат n превышает сумму, то останавливаемся на n-1
Пример, у автора 7 статей, каждая процитирована 15, 10, 10, 5, 4, 3, 2 (уже 1 шаг выполнили)
2. Сложим все 15+10+10+5+4+3+2=49
3. Сравниваем 49 с количеством статей в квадрате (7^2=49)
4. Равны, значит его g-index = 7 (h-index = 4)
Получается, что он учитывает вес статей (в контексте цитирований), что позволяет иметь высокий g-index даже при небольшом количестве статей (или если из всех одна процитирована много раз - "хитовая")
Но в то же время из-за таких аномально "хитовых" статей g-index может быть чрезмерно завышен (представим, что из 22 статей лишь одна имеет 500 цитирований, остальные - 0, g-index=22, h-index = 1)
m-value и другие модификации h-index'а (individual, Fractional, Normalized, e-index, o-index и прочее)
https://www.pnas.org/doi/full/10.1073/pnas.0507655102
Все они нацелены на коррекцию h-index'а (он везде внутри). Зачем? Что устранить его недостатки, о которых я рассказывал в лекции. На практике я их не встречал и думаю, что без целенаправленного поиска вы их тоже не встретите. Минусы? Те, которые не устраняются, остаются.
Average citation
Тут все просто, среднее цитирование всех работ. Просто, легко, удобно. Но искажается экстремальными результатами и большим количеством 0 (если они есть).
RG score
Методология расчета не раскрыта. Пам! Использовался в ресурсе ResearchGate. Был удален с июля 2022 года (продолжался 10 лет). What's next? Можно прочитать здесь https://www.researchgate.net/researchgate-updates/removing-the-rg-score
Думаете это все? https://en.m.wikipedia.org/wiki/Author-level_metrics
Каждый раз придумываются новые метрики, что померить вклад ученого в науку или его научную активность. Каждый раз находятся ограничения и проблемы метрик. Каждый раз находят возможности накручивать метрики. Но многие хотят простого решения - одну цифру.
💡 Но вспоминая Хирша, нужно помнить, что это лишь дополнительный инструмент, которым нужно учиться пользоваться аккуратно.
⚠️ Уважаемые коллеги, от имени Академии мы хотим поблагодарить Ника Бурлова и рекомендуем всех подписаться на его замечательный ресурс: ТГ канал EBM_base
👨🏫 Читайте. Думайте. Делитесь. Создавайте.
ТГ канал | Чат | Сайт | Группа ВК | Ютуб | Контакты
Время пришло...
Есть несколько известных альтернатив (а сколько ещё неизвестных 😱):
- i10-index
- g-index
- m-value
- average citation и прочие
i10-index
https://scholar.googleblog.com/2011/11/google-scholar-citations-open-to-all.html?m=1
Отражает количество публикаций, процитированных не менее 10 раз
Данный индекс создан и реализован в Google Scholar, очень простой в расчете. В этом же его плюс и минус.
Проблема в том, что в разных областях цитирование 10 раз неравномерно. Есть такие, где это делается несложно, есть где сложнее.
Также он будет равен 0 у авторов с низким цитированием (что почему-то их ровняет с авторами без цитирований).
g-index https://link.springer.com/article/10.1007/s11192-006-0144-7
Он чем-то похож на h-index (ранжирует по цитируемости статьи), но более интересный
Суть его такая:
1. Ранжируем статьи по цитированию
2. Суммируем количество цитирований первых n-статей
3. Сравниваем эту сумму с квадратом n
4. Если квадрат n превышает сумму, то останавливаемся на n-1
Пример, у автора 7 статей, каждая процитирована 15, 10, 10, 5, 4, 3, 2 (уже 1 шаг выполнили)
2. Сложим все 15+10+10+5+4+3+2=49
3. Сравниваем 49 с количеством статей в квадрате (7^2=49)
4. Равны, значит его g-index = 7 (h-index = 4)
Получается, что он учитывает вес статей (в контексте цитирований), что позволяет иметь высокий g-index даже при небольшом количестве статей (или если из всех одна процитирована много раз - "хитовая")
Но в то же время из-за таких аномально "хитовых" статей g-index может быть чрезмерно завышен (представим, что из 22 статей лишь одна имеет 500 цитирований, остальные - 0, g-index=22, h-index = 1)
m-value и другие модификации h-index'а (individual, Fractional, Normalized, e-index, o-index и прочее)
https://www.pnas.org/doi/full/10.1073/pnas.0507655102
Все они нацелены на коррекцию h-index'а (он везде внутри). Зачем? Что устранить его недостатки, о которых я рассказывал в лекции. На практике я их не встречал и думаю, что без целенаправленного поиска вы их тоже не встретите. Минусы? Те, которые не устраняются, остаются.
Average citation
Тут все просто, среднее цитирование всех работ. Просто, легко, удобно. Но искажается экстремальными результатами и большим количеством 0 (если они есть).
RG score
Методология расчета не раскрыта. Пам! Использовался в ресурсе ResearchGate. Был удален с июля 2022 года (продолжался 10 лет). What's next? Можно прочитать здесь https://www.researchgate.net/researchgate-updates/removing-the-rg-score
Думаете это все? https://en.m.wikipedia.org/wiki/Author-level_metrics
Каждый раз придумываются новые метрики, что померить вклад ученого в науку или его научную активность. Каждый раз находятся ограничения и проблемы метрик. Каждый раз находят возможности накручивать метрики. Но многие хотят простого решения - одну цифру.
⚠️ Уважаемые коллеги, от имени Академии мы хотим поблагодарить Ника Бурлова и рекомендуем всех подписаться на его замечательный ресурс: ТГ канал EBM_base
ТГ канал | Чат | Сайт | Группа ВК | Ютуб | Контакты
Please open Telegram to view this post
VIEW IN TELEGRAM
Googleblog
Google Scholar Citations Open To All
A few months ago, we introduced a limited release of Google Scholar Citations , a simple way for authors to compute their citation metrics a...
5🔥15❤4👍4
Неплохой обзор от коллег. Если вы планируете зарегистрировать исследование, то думаю, материал может помочь
5❤4🔥3👍1
Методичка_Clinicaltrials.gov_ННАДМ.pdf
2.2 MB
Уважаемые коллеги, добрый день!
💡 От имени Академии мы хотим всех поздравить с наступлением весны и поделиться большой работой, которую мы делали последние пару месяцев.
💡 Материал посвящен регистрации проспективных исследований на сайте clinicaltrials.gov.
💡 Зачем нужно регистрировать исследование в открытой базе данных, вы можете узнать в самом документе.
✔️ Инициатором создания этого материала является наш эксперт - Мареев Юрий Вячеславович, , к.м.н. кардиолог, исследователь Робертсоновского центра биостатистики, университета Глазго. От имени Академии и всех подписчиков хотим выразить огромную благодарность.
✔️ Кроме того, хотим поблагодарить всех авторов документа: Мареева Юрия Вячеславовича, Лобастова Кирилла Викторовича, Макарову Дарью Дмитриевну, Марапова Дамира Ильдаровича и Навасардяна Артура Рубеновича
💡 Если после ознакомления нашего материала у Вас остались вопросы по регистрации и проведению исследования или появились предложения по улучшению данного документа, вы можете написать нам на адрес электронной почты [email protected]
С уважением, от имени экспертов ННАДМ
P.S. Мы просим вас поддержать наш канал своим голосом.
👨🏫 Читайте. Думайте. Делитесь. Создавайте.
ТГ канал | Чат | Сайт | Группа ВК | Ютуб | Контакты
С уважением, от имени экспертов ННАДМ
P.S. Мы просим вас поддержать наш канал своим голосом.
ТГ канал | Чат | Сайт | Группа ВК | Ютуб | Контакты
Please open Telegram to view this post
VIEW IN TELEGRAM
13🔥9👍7👏4❤1
Я тоже не знал про таблицы сопряженности, как и Лена (хотя нашел у себя в закромах статьи на эту тему) 🤦
Forwarded from Статистика и R в науке и аналитике
Первая лекция из цикла прошла, запись можно посмотреть здесь: https://kinescope.io/0ckxbiksewHbLoNp3JKCwQ
Получилось очень интересно, всем рекомендую к просмотру! Кто смотрел, пишите, что вы узнали нового, лично я не знала раньше про особенности в таблицах сопряженности для тестов хи-квадрата и Фишера
Получилось очень интересно, всем рекомендую к просмотру! Кто смотрел, пишите, что вы узнали нового, лично я не знала раньше про особенности в таблицах сопряженности для тестов хи-квадрата и Фишера
Kinescope
Евгений Бакин | Миф №1, 12.03.25
Watch “Евгений Бакин | Миф №1, 12.03.25” powered by Kinescope, the ecosystem of video solutions for business of any size.
👍18❤1
Ахахах довожу до депрессии недорого 😂
Это что-то новенькое
При этом оказывается странно, что я на созвоне вел себя нормально (видимо забыли, что я сам такое условие для себя же и поставил)
А потом оказывается я настойчиво прошу второй созвон (спойлер, Евгения предварительно дала на него согласие)
В общем, кринж)))
А вообще, публикация личных бесед на всеобщее обозрение без согласия второй стороны - это как минимум не этично)
Это что-то новенькое
При этом оказывается странно, что я на созвоне вел себя нормально (видимо забыли, что я сам такое условие для себя же и поставил)
А потом оказывается я настойчиво прошу второй созвон (спойлер, Евгения предварительно дала на него согласие)
В общем, кринж)))
А вообще, публикация личных бесед на всеобщее обозрение без согласия второй стороны - это как минимум не этично)
🔥20😁10👍7🤯4❤2
Если кто-то устал от моей духоты, шуток и скандалов здесь, то можете подписаться на группу журнального клуба ВК
Там мемы (в том числе про меня), тесты и посты с полезной информацией (преимущественно базовой)
Там мемы (в том числе про меня), тесты и посты с полезной информацией (преимущественно базовой)
5❤22🤣11
ЕЩЕ! ЕЩЕ! ЕЩЕ! ДОВОЛЬНО! ПОЩАДИ...
Те, кто отвечают на вопросы в чатах по статистике, вы уже закатили глаза? Этот вопрос не редкость (чаще только вопросы про нормальность и пинки Матвея, кстати рекомендую подписаться на его канал)
Почему же такой "простой" вопрос вызывает так много трудностей?
Для ответа на него нужно много нюансов и предположений (формулу затем посчитать не сложно, в большинстве случаев). [1]
Разделим их на методологические, клинические и статистические (классификация имени клоуна Никиты, но мне кажется так удобнее объяснить или нет...)
Стоит признать, что большая часть исследований в медицине это тестирование гипотез, т.е. формулируются нулевая и альтернативные гипотезы, тестируется нулевая на основе данных (насколько они согласуются с ней), делается решение отклонить или не отклонить Н0, вывод.
Это ни хорошо, ни плохо. Скорее это подходит для узкого круга задач (но эти философские рассуждения оставим для комментаторов, в чате тут как раз можно прочитать).
Получается, что внутри методологии любого такого исследования должна стоять гипотеза. Формулируется она определенным образом на основе клинической и статистической составляющих (в зависимости от этого могут возникать разные альтернативы), и "простые" гипотезы преимущественно встречаются в РКИ (но не всегда). Мне кажется, одной только теме гипотез и их определению можно посвятить целые книги и уроки. [2, 3]
Клинически нам надо определить группы, вмешательства, срок и какой исход мы смотрим. Мы можем оценивать общую выживаемость, количество летальных исходов, интенсивность боли по ВАШ, АД и т.п. При этом необходимо предполагать/иметь какой-то базовый/референсный результат для контрольной группы, и какой клинический эффект (его размер) мы ожидаем увидеть (можно его предположить из пилотного исследования). [4, 5]
Затем нужно определить какая вероятность ошибок I и II рода для нас будет достаточной. [6] Согласны ли мы со стандартным уровнем ложно-положительного результата в 5%? Мб нам лучше меньше? Потом нужно не забыть, что % доверительного интервала станет больше (если выберем ошибку I рода меньше 5%), и порог для отклонения Н0 для p-value станет меньше. А если планируем эффект измерять в относительных величинах (RR, OR, HR), то верно определить его, перевести клиническую идею в статистический показатель (снижение относительного риска на 40% = RR 0,6). Затем разобраться как его будем получать (через таблицы 2х2 или вид модели). [7]
А в конце вмещается суровая реальность. Это наши ресурсы: сколько вообще возможно набрать пациентов за установленный срок, можем ли расширить срок набора, можно ли расширить количество центров, сколько необходимо финансовых затрат и т.п.
И начинаются коррекции... Мб попробуем найти более выраженный эффект? А мб мы смиримся с ошибкой I рода в 10%? И т.д. [8]
А если кто-то пропадет/исключится/потеряется из исследования? Надо заложить и под это ожидаемую потерю (drop out rate)... Чтобы был небольшой запас.
Почему же такой "простой" вопрос вызывает так много трудностей?
Оказыается, чтобы выбрать формулу и вставить в нее какие-то значения, необходимо знать нюансы и сделать достаточно предположений (иногда мне кажется, что нужно изучить всю статистику прежде, чем считать размер выборки)
При этом если у вас несколько первичных конечных точек, то желательно провести расчет на каждую и выбрать наибольшую...
Есть альтернативы?
- Можно попробовать сделать симуляцию механизма генерации данных и посмотреть на какой примерно уровне будет достигнута необходимая для нас мощность [9]
- Можно не считать, а исходить из того, что получится собрать (одобрят ли вам такой подход, особенно при финансировании?) [10]
- Можно попробовать байесовские подходы [11, 12]
@ebm_base
"А вот у меня n пациентов в группах, этого достаточно?"
Те, кто отвечают на вопросы в чатах по статистике, вы уже закатили глаза? Этот вопрос не редкость (чаще только вопросы про нормальность и пинки Матвея, кстати рекомендую подписаться на его канал)
Почему же такой "простой" вопрос вызывает так много трудностей?
Для ответа на него нужно много нюансов и предположений (формулу затем посчитать не сложно, в большинстве случаев). [1]
Разделим их на методологические, клинические и статистические (классификация имени клоуна Никиты, но мне кажется так удобнее объяснить или нет...)
Стоит признать, что большая часть исследований в медицине это тестирование гипотез, т.е. формулируются нулевая и альтернативные гипотезы, тестируется нулевая на основе данных (насколько они согласуются с ней), делается решение отклонить или не отклонить Н0, вывод.
Это ни хорошо, ни плохо. Скорее это подходит для узкого круга задач (но эти философские рассуждения оставим для комментаторов, в чате тут как раз можно прочитать).
Получается, что внутри методологии любого такого исследования должна стоять гипотеза. Формулируется она определенным образом на основе клинической и статистической составляющих (в зависимости от этого могут возникать разные альтернативы), и "простые" гипотезы преимущественно встречаются в РКИ (но не всегда). Мне кажется, одной только теме гипотез и их определению можно посвятить целые книги и уроки. [2, 3]
Клинически нам надо определить группы, вмешательства, срок и какой исход мы смотрим. Мы можем оценивать общую выживаемость, количество летальных исходов, интенсивность боли по ВАШ, АД и т.п. При этом необходимо предполагать/иметь какой-то базовый/референсный результат для контрольной группы, и какой клинический эффект (его размер) мы ожидаем увидеть (можно его предположить из пилотного исследования). [4, 5]
Затем нужно определить какая вероятность ошибок I и II рода для нас будет достаточной. [6] Согласны ли мы со стандартным уровнем ложно-положительного результата в 5%? Мб нам лучше меньше? Потом нужно не забыть, что % доверительного интервала станет больше (если выберем ошибку I рода меньше 5%), и порог для отклонения Н0 для p-value станет меньше. А если планируем эффект измерять в относительных величинах (RR, OR, HR), то верно определить его, перевести клиническую идею в статистический показатель (снижение относительного риска на 40% = RR 0,6). Затем разобраться как его будем получать (через таблицы 2х2 или вид модели). [7]
А в конце вмещается суровая реальность. Это наши ресурсы: сколько вообще возможно набрать пациентов за установленный срок, можем ли расширить срок набора, можно ли расширить количество центров, сколько необходимо финансовых затрат и т.п.
И начинаются коррекции... Мб попробуем найти более выраженный эффект? А мб мы смиримся с ошибкой I рода в 10%? И т.д. [8]
А если кто-то пропадет/исключится/потеряется из исследования? Надо заложить и под это ожидаемую потерю (drop out rate)... Чтобы был небольшой запас.
Почему же такой "простой" вопрос вызывает так много трудностей?
Оказыается, чтобы выбрать формулу и вставить в нее какие-то значения, необходимо знать нюансы и сделать достаточно предположений (иногда мне кажется, что нужно изучить всю статистику прежде, чем считать размер выборки)
При этом если у вас несколько первичных конечных точек, то желательно провести расчет на каждую и выбрать наибольшую...
Есть альтернативы?
- Можно попробовать сделать симуляцию механизма генерации данных и посмотреть на какой примерно уровне будет достигнута необходимая для нас мощность [9]
- Можно не считать, а исходить из того, что получится собрать (одобрят ли вам такой подход, особенно при финансировании?) [10]
- Можно попробовать байесовские подходы [11, 12]
@ebm_base
Telegram
душно про дату
Матстат и около него. В интернете кто-то не прав.
8👍16❤8🔥3😱1
Коллеги из фонда "Не напрасно" планируют улучшать оказание помощи в ЦАОПах в Санкт-Петербурге
Но прежде хотят провести небольшое исследование. Поэтому, если вы работаете в ЦАОП (не только СПб), то давайте поможем, пройдите опрос
Но прежде хотят провести небольшое исследование. Поэтому, если вы работаете в ЦАОП (не только СПб), то давайте поможем, пройдите опрос
Google Docs
Наблюдение после рака молочной железы: опрос среди онкологов и маммологов
Поделитесь, пожалуйста, своим опытом работы с пациентами после лечения РМЖ. Ваши ответы помогут разработать проект фонда «Не напрасно» по улучшению качества оказываемой медицинской помощи в Центрах амбулаторной онкологической помощи Санкт-Петербурга.
❤5🔥2🤔1