Самара программа 24 апреля 2025.pdf
775.6 KB
Хотим анонсировать крупное мероприятие Академии, которое будет проведено совместно с Самарским Государственным Медицинским Университетом.
Онлайн-школа: «Доказательная медицина - тренд или необходимый инструмент в руках современного врача?»
📅 Когда: 24 апреля 2025 г., 14:00-16:50 (UTC +3)
🎥 Информация о трансляции будет анонсирована позже в нашем ТГ канале
💬О критической оценке научных публикаций (Марцевич С.Ю., Москва);
💬О когнитивных искажениях в принятии врачебных решений (Макарова Д.Д., Москва);
💬О чек-листе необходимых знаний в области биостатистики (Марапов Д.И., Казань);
💬О работе центра доказательной медицины и биостатистики СамГМУ (Рубаненко О.А., Самара);
💬О статистических ошибках в диссертационных работах (Перстнёва Н.П., Самара);
💬О том, почему надо исходить из гипотезы, а не выборочного распределения? (Бурлов Н.Н., Нижний Тагил);
💬О научном маркетинге (Майорова Е.М., Москва);
💬О плане научной работы и почему его важно публиковать до набора пациентов? (Мареев Ю.В., Москва);
💬О том, как создать электронные ИРК в исследовании (Суворов А.Ю., Москва);
💬О конечных точках в исследованиях (Навасардян А.Р., Москва).
✨ Дискуссия и ответы на ваши вопросы включены!
👨⚕️ Присоединяйтесь, если хотите стать профи в доказательной медицине и проводить собственные исследования!
Отдельное спасибо хотим сказать центру доказательной медицины и биостатистики СамГМУ в лице Олеси Анатольевны Рубаненко
ТГ канал | Чат | Сайт | Группа ВК | Ютуб | Контакты
Please open Telegram to view this post
VIEW IN TELEGRAM
Гендерные_особенности_предпочтений.pdf
352.6 KB
Ура! Готова первая статья от нашей Лаборатории «несерьезных» исследований!🎉
Напомню, что 10 марта мы запустили опрос на наших площадках в соцсетях, посвященный человеческим предпочтениям. Спасибо всем, кто принял в нем участие!🤗
Мы решили сравнить мужчин и женщин по предпочтениям в еде, культурных мероприятиях, видах спорта и т.д. Получились довольно-таки интересные результаты.
Но, мне кажется, самое важное, что полученные результаты мы смогли оформить в полноценную статью. Причем потратили на это всего пару часов! В этом нам помогли современные средства: электронные анкеты, статистические программы и, конечно, большие языковые модели (Large language models - LLM).
🔹Введение и обсуждение со списком источников были полностью сгенерированы искусственным интеллектом - LLMs Perplexity и STORM. Мы только убирали лишнее и слегка корректировали связки между предложениями. Перевод с английского на русский выполняли с помощью LLM DeepSeek.
🔹Название статьи, цель и описание материалов и методов - написаны человеком, то есть авторами статьи.
🔹Результаты анализа были почти полностью получены и описаны программой StatTech, диаграмму с ОШ построили в SPSS.
Теперь осталось самое главное: пристроить эту статью в максимально приличный журнал. Как вариант, разместим ее в базе пре-принтов.
❗️А всех, кто хочет научиться работать с LLM и другими полезными инструментами при написании текстовой части научных статей - ждем на мастер-классе по работе с литературой, который стартует уже 7 апреля!
Напомню, что 10 марта мы запустили опрос на наших площадках в соцсетях, посвященный человеческим предпочтениям. Спасибо всем, кто принял в нем участие!🤗
Мы решили сравнить мужчин и женщин по предпочтениям в еде, культурных мероприятиях, видах спорта и т.д. Получились довольно-таки интересные результаты.
Но, мне кажется, самое важное, что полученные результаты мы смогли оформить в полноценную статью. Причем потратили на это всего пару часов! В этом нам помогли современные средства: электронные анкеты, статистические программы и, конечно, большие языковые модели (Large language models - LLM).
🔹Введение и обсуждение со списком источников были полностью сгенерированы искусственным интеллектом - LLMs Perplexity и STORM. Мы только убирали лишнее и слегка корректировали связки между предложениями. Перевод с английского на русский выполняли с помощью LLM DeepSeek.
🔹Название статьи, цель и описание материалов и методов - написаны человеком, то есть авторами статьи.
🔹Результаты анализа были почти полностью получены и описаны программой StatTech, диаграмму с ОШ построили в SPSS.
Теперь осталось самое главное: пристроить эту статью в максимально приличный журнал. Как вариант, разместим ее в базе пре-принтов.
❗️А всех, кто хочет научиться работать с LLM и другими полезными инструментами при написании текстовой части научных статей - ждем на мастер-классе по работе с литературой, который стартует уже 7 апреля!
Как снизить вероятность ошибки первого рода при оценке доверительных интервалов для 3 групп и более?
При оценке различий 3+ групп с помощью p-значения одним из распространенных методов является поправка Бонферрони. В классическом варианте она заключается в уменьшении порога вероятности ошибки I рода α (альфа), с которым сопоставляется p, путем деления на число выполняемых сравнений между группами (обозначим его как k).
Например, у нас 3 группы исследуемых, и мы хотим сравнить их все попарно: 1 с 2, 1 с 3, 2 с 3. Получается, всего будет 3 попарных сравнения, k=3. Значит, если мы хотим оценивать различия групп с вероятностью ошибки I рода, не превышающей 5% (α=0.05), полученные p нужно будет сопоставлять не с 0.05, а с 0.05/3 = 0.017. Если p<0.017 - различия статистически значимы. Если p>0.017 - различия статистически незначимы.
А если мы оцениваем статистическую значимость различий не с помощью p, а с помощью доверительных интервалов (ДИ)? Нужно ли их корректировать?
Да! Причем для этого также подойдет поправка Бонферрони.
Например, мы рассчитываем для разности средних 95% ДИ, который соответствует α = 0.05, или 5%. Поправка Бонферрони применяется к α, которая также делится на k. Так, если мы выполняем 3 парных сравнения, 5%/3 = 1.7%. И для каждой разности средних нужно будет рассчитывать не 95% ДИ, а (100-1.7)% = 98.3% ДИ.
ДИ, скорректированные по Бонферрони, конечно, будут шире, чем исходные. Поэтому будет сложнее получить ситуацию, когда ДИ не пересечет границу нулевой значимости, и тем сложнее будет совершить ошибку I рода - ошибочно выявить различия, которых на самом деле нет. А значит, выводы станут более точными.
Есть ли примеры такой коррекции ДИ?
Сколько угодно! К этому посту подобрали 2 примера из научных статей:
1️⃣ В статье D.P.Bui et al. Veterans at High Risk for Post–COVID-19 Suicide Attempts or Other Self-Directed Violence (JAMA Netw Open. 2025;8(3):e250061. doi:10.1001/jamanetworkopen.2025.0061) авторы сопоставляли риски самоповреждающего поведения между 5 группами исследуемых. Все группы сравнивались попарно, поэтому k=10. Вместо 95% ДИ для отношения рисков рассчитывались (100-5/10) = 99.5% ДИ.
2️⃣ В статье R.Croop et al. Zavegepant nasal spray for the acute treatment of migraine… (Headache, 2022. 62(9):1153-1163. doi: 10.1111/head.14389) авторы сравнивали 3 экспериментальные группы пациентов, принимавших разные дозы препарата, с группой плацебо-контроля. Получилось всего 3 сравнения. Вместо 95% ДИ для частоты достижения конечных точек рассчитывались 98.3% ДИ.
Вначале кажется, что все правильно, однако на самом деле к этому примеру есть вопросы. Для оценки различий между группами здесь использовались p, а не ДИ. Зачем в таком случае корректировать ДИ - непонятно. Поправка применяется только для оценок значимости различий.
Например, в первом исследовании тоже рассчитывались частоты событий в каждой из групп, но при этом использовались обычные 95% ДИ.
Выводы:
🔹 При определении ДИ для оценок различий между 3 и более группами, сравниваемых попарно, применяем поправку Бонферрони: рассчитываем (100-α/k)% ДИ.
🔹 Поправку Бонферрони применяем к ДИ для оценок эффекта: относительного риска, отношений шансов, разницы средних, разницы рисков и т.д.
🔹 К ДИ для описательных данных: средних значений показателя, частот события в каждой группе - поправку не применяем.
При оценке различий 3+ групп с помощью p-значения одним из распространенных методов является поправка Бонферрони. В классическом варианте она заключается в уменьшении порога вероятности ошибки I рода α (альфа), с которым сопоставляется p, путем деления на число выполняемых сравнений между группами (обозначим его как k).
Например, у нас 3 группы исследуемых, и мы хотим сравнить их все попарно: 1 с 2, 1 с 3, 2 с 3. Получается, всего будет 3 попарных сравнения, k=3. Значит, если мы хотим оценивать различия групп с вероятностью ошибки I рода, не превышающей 5% (α=0.05), полученные p нужно будет сопоставлять не с 0.05, а с 0.05/3 = 0.017. Если p<0.017 - различия статистически значимы. Если p>0.017 - различия статистически незначимы.
А если мы оцениваем статистическую значимость различий не с помощью p, а с помощью доверительных интервалов (ДИ)? Нужно ли их корректировать?
Да! Причем для этого также подойдет поправка Бонферрони.
Например, мы рассчитываем для разности средних 95% ДИ, который соответствует α = 0.05, или 5%. Поправка Бонферрони применяется к α, которая также делится на k. Так, если мы выполняем 3 парных сравнения, 5%/3 = 1.7%. И для каждой разности средних нужно будет рассчитывать не 95% ДИ, а (100-1.7)% = 98.3% ДИ.
ДИ, скорректированные по Бонферрони, конечно, будут шире, чем исходные. Поэтому будет сложнее получить ситуацию, когда ДИ не пересечет границу нулевой значимости, и тем сложнее будет совершить ошибку I рода - ошибочно выявить различия, которых на самом деле нет. А значит, выводы станут более точными.
Есть ли примеры такой коррекции ДИ?
Сколько угодно! К этому посту подобрали 2 примера из научных статей:
1️⃣ В статье D.P.Bui et al. Veterans at High Risk for Post–COVID-19 Suicide Attempts or Other Self-Directed Violence (JAMA Netw Open. 2025;8(3):e250061. doi:10.1001/jamanetworkopen.2025.0061) авторы сопоставляли риски самоповреждающего поведения между 5 группами исследуемых. Все группы сравнивались попарно, поэтому k=10. Вместо 95% ДИ для отношения рисков рассчитывались (100-5/10) = 99.5% ДИ.
2️⃣ В статье R.Croop et al. Zavegepant nasal spray for the acute treatment of migraine… (Headache, 2022. 62(9):1153-1163. doi: 10.1111/head.14389) авторы сравнивали 3 экспериментальные группы пациентов, принимавших разные дозы препарата, с группой плацебо-контроля. Получилось всего 3 сравнения. Вместо 95% ДИ для частоты достижения конечных точек рассчитывались 98.3% ДИ.
Вначале кажется, что все правильно, однако на самом деле к этому примеру есть вопросы. Для оценки различий между группами здесь использовались p, а не ДИ. Зачем в таком случае корректировать ДИ - непонятно. Поправка применяется только для оценок значимости различий.
Например, в первом исследовании тоже рассчитывались частоты событий в каждой из групп, но при этом использовались обычные 95% ДИ.
Выводы:
🔹 При определении ДИ для оценок различий между 3 и более группами, сравниваемых попарно, применяем поправку Бонферрони: рассчитываем (100-α/k)% ДИ.
🔹 Поправку Бонферрони применяем к ДИ для оценок эффекта: относительного риска, отношений шансов, разницы средних, разницы рисков и т.д.
🔹 К ДИ для описательных данных: средних значений показателя, частот события в каждой группе - поправку не применяем.
Какой сервис использовать для написания научного текста?
Современные ИИ-системы способны не просто извлекать данные, но и систематизировать их, проводить анализ и генерировать полноценный текст целых разделов научной работы.
Если успели познакомиться с нашей статьей по результатам исследования предпочтений мужчин и женщин, могли заметить среди используемых нами новый сервис - STORM (storm.genie.Stanford.edu). Он разработан Стэнфордским университетом и позволяет создавать детализированные, хорошо структурированные обзорные статьи.
Чем STORM отличается от других ИИ?
🔹 В отличие от универсальных ИИ (ChatGPT, Gemini) или поисковых систем (Elicit, Semantic Scholar), STORM специализируется на работе с обзорными статьями — от разработки плана и структуры до финального текста.
🔹 Автоматизирует поиск литературных источников, значительно экономя время исследователя. Важно, что STORM сканирует надежные научные источники (библиотечные базы, журналы, препринты), а не просто выдает список статей (как Consensus или Scite).
🔹 STORM самостоятельно разрабатывает план обзора, в котором выделены смысловые части, следующие друг за другом (в отличие от не связанных между собой ответов ChatGPT).
🔹 Сопоставляет разные мнения по одной и той же теме, выявляя их расхождение или согласие. Помогает связать новое исследование с ранее опубликованными работами.
🔹 Пишет качественный текст. Генерирует связные формулировки между предложениями, адаптируя стиль под академические стандарты.
🔹 Формирует ссылки на использованную литературу, учитывает стиль цитирования (APA, MLA и др.) и требования к формату, которые можно потом использовать при составлении списка литературы
Конечно, как и у любого ИИ, у STORM есть свои ограничения и риски:
🔺 Автоматически собранные данные требуют подтверждения — нейросеть может упустить нюансы запроса или включить устаревшую информацию.
🔺 Тексты «из-под пера» STORM нуждаются в доработке автором статьи, чтобы избежать шаблонных выражений, «галлюцинаций», а также и обеспечить авторский вклад в работу.
🔺 Язык интерфейса и запросов в STORM - английский
Итак, на сегодняшний день STORM — один из самых продвинутых инструментов для автоматического создания научных обзоров. Он сочетает глубокий анализ с четкой структурой. Для некоторых задач (поиск статей, проверка гипотез) могут быть полезны Elicit или Scite, но в своей нише STORM пока не имеет равных🏆
Более подробно о работе со STORM и другими не менее полезными нейросетями будем рассказывать на Мастер-классе по работе с литературой, который начинается 7 апреля.
Посмотреть подробную информацию и записаться на курс можно по ссылке: https://taplink.cc/medstatistic/p/397b8f/
Современные ИИ-системы способны не просто извлекать данные, но и систематизировать их, проводить анализ и генерировать полноценный текст целых разделов научной работы.
Если успели познакомиться с нашей статьей по результатам исследования предпочтений мужчин и женщин, могли заметить среди используемых нами новый сервис - STORM (storm.genie.Stanford.edu). Он разработан Стэнфордским университетом и позволяет создавать детализированные, хорошо структурированные обзорные статьи.
Чем STORM отличается от других ИИ?
🔹 В отличие от универсальных ИИ (ChatGPT, Gemini) или поисковых систем (Elicit, Semantic Scholar), STORM специализируется на работе с обзорными статьями — от разработки плана и структуры до финального текста.
🔹 Автоматизирует поиск литературных источников, значительно экономя время исследователя. Важно, что STORM сканирует надежные научные источники (библиотечные базы, журналы, препринты), а не просто выдает список статей (как Consensus или Scite).
🔹 STORM самостоятельно разрабатывает план обзора, в котором выделены смысловые части, следующие друг за другом (в отличие от не связанных между собой ответов ChatGPT).
🔹 Сопоставляет разные мнения по одной и той же теме, выявляя их расхождение или согласие. Помогает связать новое исследование с ранее опубликованными работами.
🔹 Пишет качественный текст. Генерирует связные формулировки между предложениями, адаптируя стиль под академические стандарты.
🔹 Формирует ссылки на использованную литературу, учитывает стиль цитирования (APA, MLA и др.) и требования к формату, которые можно потом использовать при составлении списка литературы
Конечно, как и у любого ИИ, у STORM есть свои ограничения и риски:
🔺 Автоматически собранные данные требуют подтверждения — нейросеть может упустить нюансы запроса или включить устаревшую информацию.
🔺 Тексты «из-под пера» STORM нуждаются в доработке автором статьи, чтобы избежать шаблонных выражений, «галлюцинаций», а также и обеспечить авторский вклад в работу.
🔺 Язык интерфейса и запросов в STORM - английский
Итак, на сегодняшний день STORM — один из самых продвинутых инструментов для автоматического создания научных обзоров. Он сочетает глубокий анализ с четкой структурой. Для некоторых задач (поиск статей, проверка гипотез) могут быть полезны Elicit или Scite, но в своей нише STORM пока не имеет равных🏆
Более подробно о работе со STORM и другими не менее полезными нейросетями будем рассказывать на Мастер-классе по работе с литературой, который начинается 7 апреля.
Посмотреть подробную информацию и записаться на курс можно по ссылке: https://taplink.cc/medstatistic/p/397b8f/
Влияет ли возраст (и кое-что ещё) на качество и длительность брака?
Новый опрос в Лаборатории «несерьезных» исследований!
Насколько крепким и счастливым может быть брак, если муж сильно старше жены? А если жена старше мужа? Есть ли «волшебная» возрастная разница, при которой вероятность счастливого брака будет максимальной? В каком возрасте лучше заключить брак? И главный вопрос: влияет ли «красивая» дата на качество брака?!
Попробуем ответить на эти вопросы с помощью Лаборатории «несерьезных» исследований!
Если Вы находитесь в браке или были когда-то, просим ответить на 12 вопросов нашей анонимной анкеты.
Если у Вас было несколько браков, можете ответить несколько раз по той же ссылке, для каждого из них.
Мы будем благодарны, если Вы перешлете этот пост или ссылку для участия в опросе коллегам, родственникам или друзьям!
Чем больше ответов мы получим, тем надежнее будут результаты анализа.
Большое спасибо всем за участие! Ответы будут приниматься до 13 апреля.
А результаты исследования будут опубликованы в срок до 20 апреля в ТГ-канале @medstatistic_ru
Принять участие в опросе можно по этой ссылке
Новый опрос в Лаборатории «несерьезных» исследований!
Насколько крепким и счастливым может быть брак, если муж сильно старше жены? А если жена старше мужа? Есть ли «волшебная» возрастная разница, при которой вероятность счастливого брака будет максимальной? В каком возрасте лучше заключить брак? И главный вопрос: влияет ли «красивая» дата на качество брака?!
Попробуем ответить на эти вопросы с помощью Лаборатории «несерьезных» исследований!
Если Вы находитесь в браке или были когда-то, просим ответить на 12 вопросов нашей анонимной анкеты.
Если у Вас было несколько браков, можете ответить несколько раз по той же ссылке, для каждого из них.
Мы будем благодарны, если Вы перешлете этот пост или ссылку для участия в опросе коллегам, родственникам или друзьям!
Чем больше ответов мы получим, тем надежнее будут результаты анализа.
Большое спасибо всем за участие! Ответы будут приниматься до 13 апреля.
А результаты исследования будут опубликованы в срок до 20 апреля в ТГ-канале @medstatistic_ru
Принять участие в опросе можно по этой ссылке
В научных статьях часто встречается понятие взаимодействия факторов: interaction effects, p interaction. Тема очень интересная и важная.
Что такое взаимодействие факторов и чем оно отличается от собственно влияния факторов - постарался показать в новом посте. В конце вы сможете проверить свои знания на контрольном примере. Буду рад Вашим реакциям и комментариям!🤗
Читать пост
Что такое взаимодействие факторов и чем оно отличается от собственно влияния факторов - постарался показать в новом посте. В конце вы сможете проверить свои знания на контрольном примере. Буду рад Вашим реакциям и комментариям!🤗
Читать пост
Самара программа 24 апреля 2025.pdf
775.6 KB
Хотим анонсировать крупное мероприятие Академии, которое будет проведено совместно с Самарским Государственным Медицинским Университетом.
Онлайн-школа: «Доказательная медицина - тренд или необходимый инструмент в руках современного врача?»
📅 Когда: 24 апреля 2025 г., 14:00-16:50 (UTC +3)
🎥 Информация о трансляции будет анонсирована позже в нашем ТГ канале
💬О критической оценке научных публикаций (Марцевич С.Ю., Москва);
💬О когнитивных искажениях в принятии врачебных решений (Макарова Д.Д., Москва);
💬О чек-листе необходимых знаний в области биостатистики (Марапов Д.И., Казань);
💬О работе центра доказательной медицины и биостатистики СамГМУ (Рубаненко О.А., Самара);
💬О статистических ошибках в диссертационных работах (Перстнёва Н.П., Самара);
💬О том, почему надо исходить из гипотезы, а не выборочного распределения? (Бурлов Н.Н., Нижний Тагил);
💬О научном маркетинге (Майорова Е.М., Москва);
💬О плане научной работы и почему его важно публиковать до набора пациентов? (Мареев Ю.В., Москва);
💬О том, как создать электронные ИРК в исследовании (Суворов А.Ю., Москва);
💬О конечных точках в исследованиях (Навасардян А.Р., Москва).
✨ Дискуссия и ответы на ваши вопросы включены!
👨⚕️ Присоединяйтесь, если хотите стать профи в доказательной медицине и проводить собственные исследования!
Отдельное спасибо хотим сказать центру доказательной медицины и биостатистики СамГМУ в лице Олеси Анатольевны Рубаненко
ТГ канал | Чат | Сайт | Группа ВК | Ютуб | Контакты
Please open Telegram to view this post
VIEW IN TELEGRAM
Я знаю, вы скучали по нашему психоделическому комиксу про Шерлока Холмса. Ведь я и сам скучал по нему!☺️
Итак, очередное убийство на конференции. Среди подозреваемых - 4 врача разных специальностей. Убийца оставил важную улику - кровавую надпись на стене🩸
Кто же совершил это дерзкое преступление?
Ответы с номером предполагаемого убийцы шлите в комментариях к этому посту🕵️♂️
Итак, очередное убийство на конференции. Среди подозреваемых - 4 врача разных специальностей. Убийца оставил важную улику - кровавую надпись на стене🩸
Кто же совершил это дерзкое преступление?
Ответы с номером предполагаемого убийцы шлите в комментариях к этому посту🕵️♂️
Программа_Донецк_22_мая_80_лет_победе.pdf
509.7 KB
Приглашаем принять участие в научном симпозиуме ННАДМ, который пройдет в рамках 85 Всероссийского медицинского конгресса молодых ученых ДонГМУ.
📅 Когда: 22 мая 2025 г., 11:00-13:20 (UTC +3) по МСК
💬 «Publication bias» или тенденция публиковать исследования с положительными результатами в медицине: взгляд на проблему (Навасардян Артур Рубенович, Москва);
💬Когнитивные искажения в принятии врачебных решений. Или почему важно критическое мышление в работе врача? (Макарова Дарья Дмитриевна, Москва);
💬Фундаментальная проблема причинно-следственного вывода (Бурлов Никита Николаевич, Нижний Тагил);
💬Как понять результаты статистической обработки в научных медицинских статьях (Марапов Дамир Ильдарович, Казань);
💬Научный маркетинг, или самостоятельная жизнь Вашей статьи. (Майорова Елена Максимовна, Москва)
науке и инновационному развитию, заведующий кафедрой физиологии с лабораторией теоретической и прикладной нейрофизиологии им. академика В. Н. Казакова Донецкого государственного медицинского университета имени М. Горького, Донецк.
✨ Дискуссия и ответы на ваши вопросы включены!
🎥 Информация о трансляции будет анонсирована позже в нашем ТГ канале
Большую благодарность хотим выразить Стрельченко Юрию Игоревичу и коллегам из СНО им. Н.Д. Довгялло ДонГМУ
ТГ канал | Чат | Сайт | Группа ВК | Ютуб | Контакты
Please open Telegram to view this post
VIEW IN TELEGRAM
Поиск литературы_ННАДМ_май 2025.pdf
882.2 KB
Уважаемые коллеги, добрый день!
🌟 Спешим отчитаться о завершении большой работы. Вашему вниманию представлен документ: "Ресурсы для поиска научной и нормативно-правовой информации в области охраны здоровья".
Поиск информации - это первый шаг, с которого начинается наука и процесс врачевания.
🎁 Ранее мы уже публиковали первую версию документа, которую просмотрело более 23000 людей и поделилось более 420. Надеемся, что вторая версия документа окажется такой же популярной, а самое главное - поможет пользователям в работе.
Этот материал объединяет лучшие ресурсы для поиска научной и нормативно-правовой информации в области охраны здоровья.
🌟 Благодаря данному документу при поиске научной и нормативно-правовой информации Вы сможете быстро выбрать и перейти на необходимый ресурс. Очень надеемся, что этот инструмент поможет облегчить ваш научный труд.
🔎 Он включает в себя следующие разделы:
• Основные Российские ресурсы;
• Основные зарубежные ресурсы с открытым доступом;
• Основные зарубежные ресурсы с закрытым доступом;
• Нормативно-правовые документы, регулирующие сферу клинических исследований;
• Нормативные правовые документы, регламентирующие оборот наркотических средств и психотропных веществ;
•Ресурсы для поиска международных непатентованных наименований лекарственных средств.
🔗 К каждому ресурсу прикреплена ссылка.
Если у вас будут вопросы и предложения, пишите в наш чат.
Учитывая вторую версию документа, можно считать первым периодическим изданием Академии😋
🧠 От имени рабочей группы документа:
Бурлова Н.Н., Липатова В.А., Лобастова К.В., Ляпиной И.Н., Майоровой Е.М., Макаровой Д.Д., Марапова Д.И., Мареева Ю.В., Матвеева В.В., Микаеляна М.В., Навасардяна А.Р., Сафьянник Е.А., Суворова А.Ю., Счастливцева И.В., Сытькова В.В., Шадриной А.С.
👨🏫 Читайте. Думайте. Делитесь. Создавайте.
ТГ канал | Чат | Сайт | Группа ВК | Ютуб | Контакты
Поиск информации - это первый шаг, с которого начинается наука и процесс врачевания.
Этот материал объединяет лучшие ресурсы для поиска научной и нормативно-правовой информации в области охраны здоровья.
🔎 Он включает в себя следующие разделы:
• Основные Российские ресурсы;
• Основные зарубежные ресурсы с открытым доступом;
• Основные зарубежные ресурсы с закрытым доступом;
• Нормативно-правовые документы, регулирующие сферу клинических исследований;
• Нормативные правовые документы, регламентирующие оборот наркотических средств и психотропных веществ;
•Ресурсы для поиска международных непатентованных наименований лекарственных средств.
🔗 К каждому ресурсу прикреплена ссылка.
Если у вас будут вопросы и предложения, пишите в наш чат.
Учитывая вторую версию документа, можно считать первым периодическим изданием Академии😋
Бурлова Н.Н., Липатова В.А., Лобастова К.В., Ляпиной И.Н., Майоровой Е.М., Макаровой Д.Д., Марапова Д.И., Мареева Ю.В., Матвеева В.В., Микаеляна М.В., Навасардяна А.Р., Сафьянник Е.А., Суворова А.Ю., Счастливцева И.В., Сытькова В.В., Шадриной А.С.
ТГ канал | Чат | Сайт | Группа ВК | Ютуб | Контакты
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Damir Marapov
❗️2 июня стартует 43-й поток Курса по основам статистики!
Что ждёт наших курсантов, успешно завершивших 6 недель обучения?
1️⃣ Уверенные знания статистической терминологии, условий применения и интерпретации всех основных статистических методов. Вопросы рецензентов или членов диссовета «Почему использовали этот критерий?» или «О чем говорит коэффициент регрессии?» перестанут вызывать нервную дрожь. А статистика станет любимой наукой!
2️⃣ Умение самостоятельно анализировать данные в статистической программе. Подробно разберёмся, какие кнопки и в каком порядке нажимать, чтобы получить корректный результат.
3️⃣ Понимание того, как оформить полученные результаты для статьи или диссертации. Наш курс - прежде всего для тех, кто пишет научную работу. На занятиях мы используем специальные шаблоны оформления, а ещё отрабатываем этот навык при выполнении домашних заданий.
4️⃣ Неограниченный по времени доступ ко всем материалам Курса. Включая презентации и видеозаписи наших зум-вебинаров. Более того, окончив обучение, весь поток переходит в общий чат участников Курса по основам. В нем будет всегда доступна ссылка на материалы последнего потока! То есть неважно, какой поток Вы окончили, всегда можно будет посмотреть самые актуальные презентации, видеозаписи и шаблоны.
Занятия проводятся 3 раза в неделю, в вечернее время на платформе Zoom. Все вебинары записываются, поэтому если не успеваете присутствовать лично, можно смотреть их в записи. И обязательно выполнять домашние задания - в таком случае эффект будет максимальным!
Приглашаю всех, кто желает освоить основные статистические методы, которые позволят уверенно и самостоятельно проанализировать и описать данные для своей диссертации или статьи.
Посмотреть расписание и записаться на курс можно по этой ссылке.
Что ждёт наших курсантов, успешно завершивших 6 недель обучения?
1️⃣ Уверенные знания статистической терминологии, условий применения и интерпретации всех основных статистических методов. Вопросы рецензентов или членов диссовета «Почему использовали этот критерий?» или «О чем говорит коэффициент регрессии?» перестанут вызывать нервную дрожь. А статистика станет любимой наукой!
2️⃣ Умение самостоятельно анализировать данные в статистической программе. Подробно разберёмся, какие кнопки и в каком порядке нажимать, чтобы получить корректный результат.
3️⃣ Понимание того, как оформить полученные результаты для статьи или диссертации. Наш курс - прежде всего для тех, кто пишет научную работу. На занятиях мы используем специальные шаблоны оформления, а ещё отрабатываем этот навык при выполнении домашних заданий.
4️⃣ Неограниченный по времени доступ ко всем материалам Курса. Включая презентации и видеозаписи наших зум-вебинаров. Более того, окончив обучение, весь поток переходит в общий чат участников Курса по основам. В нем будет всегда доступна ссылка на материалы последнего потока! То есть неважно, какой поток Вы окончили, всегда можно будет посмотреть самые актуальные презентации, видеозаписи и шаблоны.
Занятия проводятся 3 раза в неделю, в вечернее время на платформе Zoom. Все вебинары записываются, поэтому если не успеваете присутствовать лично, можно смотреть их в записи. И обязательно выполнять домашние задания - в таком случае эффект будет максимальным!
Приглашаю всех, кто желает освоить основные статистические методы, которые позволят уверенно и самостоятельно проанализировать и описать данные для своей диссертации или статьи.
Посмотреть расписание и записаться на курс можно по этой ссылке.
Частый вопрос от исследователей: почему при сравнении групп у меня получилось такое p?
Например, пациентов набрано много, показатель заметно различается в группах, а p-значение вдруг оказывается выше 0,05.
Или наоборот: разница между показателями ничтожная, а p-значение говорит о том, что они статистически значимы.
И закрадываются сомнения: все ли сделано правильно?
Для того, чтобы объяснить величину p-значения, определим, как и от чего, в целом, она зависит:
1️⃣ Обратно - от величины эффекта, в качестве которого может выступать разность средних значений, разность процентных долей, отношение рисков и т.д.
Чем больше величина эффекта, тем ниже p.
2️⃣ Обратно - от числа исследуемых.
Чем больше наблюдений - тем ниже p.
3️⃣ Прямо - от вариабельности количественного показателя, которую, например, можно оценить по стандартному отклонению (SD), или от близости к 50% процентных долей.
Чем выше SD или чем ближе процентные доли к 50%, тем выше p.
Таким образом, условием статистической значимости эффекта являются:
🔸 большая величина эффекта,
🔸 большое число наблюдений,
🔸 низкая вариабельность признака или близость процентной доли к 0 или 100%.
Посмотрим, как работают эти правила на примере сравнения 2 групп по количественному признаку. Результаты сравнений в 4 случаях: А, В, С и D - представлены на диаграмме.
P-значение, определенное во всех случаях с помощью t Уэлча, оказалось ниже 0.05 (p=0.008) только в случае D, когда были выполнены все 3 условия:
✅ Разность средних достаточно высокая: 6.9-4.7=2.2.
✅ Число наблюдений достаточно большое - по 10 в каждой группе.
✅ Вариабельность признака достаточно низкая: SD1=1.5, SD2=1.8.
В случае A мы уменьшили величину эффекта, изменив среднее значение в первой группе на 5.7. Разность средних стала равна 1.2 вместо 2.2. И в ответ на это p-значение увеличилось до 0.122.
В случае B мы увеличили вариабельность признака в 1 группе, SD1 стало равно 4.1 вместо 1.5. Это привело к увеличению p-значения до 0.148.
В случае С мы уменьшили число исследуемых до 5 в каждой группе. В итоге р-значение составило 0.073.
Таким образом, невыполнение хотя бы одного условия статистической значимости при сравнении групп способно привести к p>0.05.
Например, пациентов набрано много, показатель заметно различается в группах, а p-значение вдруг оказывается выше 0,05.
Или наоборот: разница между показателями ничтожная, а p-значение говорит о том, что они статистически значимы.
И закрадываются сомнения: все ли сделано правильно?
Для того, чтобы объяснить величину p-значения, определим, как и от чего, в целом, она зависит:
1️⃣ Обратно - от величины эффекта, в качестве которого может выступать разность средних значений, разность процентных долей, отношение рисков и т.д.
Чем больше величина эффекта, тем ниже p.
2️⃣ Обратно - от числа исследуемых.
Чем больше наблюдений - тем ниже p.
3️⃣ Прямо - от вариабельности количественного показателя, которую, например, можно оценить по стандартному отклонению (SD), или от близости к 50% процентных долей.
Чем выше SD или чем ближе процентные доли к 50%, тем выше p.
Таким образом, условием статистической значимости эффекта являются:
🔸 большая величина эффекта,
🔸 большое число наблюдений,
🔸 низкая вариабельность признака или близость процентной доли к 0 или 100%.
Посмотрим, как работают эти правила на примере сравнения 2 групп по количественному признаку. Результаты сравнений в 4 случаях: А, В, С и D - представлены на диаграмме.
P-значение, определенное во всех случаях с помощью t Уэлча, оказалось ниже 0.05 (p=0.008) только в случае D, когда были выполнены все 3 условия:
✅ Разность средних достаточно высокая: 6.9-4.7=2.2.
✅ Число наблюдений достаточно большое - по 10 в каждой группе.
✅ Вариабельность признака достаточно низкая: SD1=1.5, SD2=1.8.
В случае A мы уменьшили величину эффекта, изменив среднее значение в первой группе на 5.7. Разность средних стала равна 1.2 вместо 2.2. И в ответ на это p-значение увеличилось до 0.122.
В случае B мы увеличили вариабельность признака в 1 группе, SD1 стало равно 4.1 вместо 1.5. Это привело к увеличению p-значения до 0.148.
В случае С мы уменьшили число исследуемых до 5 в каждой группе. В итоге р-значение составило 0.073.
Таким образом, невыполнение хотя бы одного условия статистической значимости при сравнении групп способно привести к p>0.05.
Как уменьшить влияние человеческого фактора на результаты сравнения разных методов лечения? Использовать рандомизацию с ослеплением.
Рандомизация предполагает, что пациенты будут распределены по сравниваемым группам случайным образом. Но если после рандомизации все участники исследования будут знать, в какую группу попал конкретный пациент, то они смогут сознательно или неосознанно повлиять на результаты.
Например, пациент попал в основную группу, получает активное лечение новым препаратом. Как знание об этом может изменить результаты наблюдения?
🙎♂️ Пациент может внушить себе улучшение самочувствия, уменьшение боли и других субъективных симптомов. Может более ответственно соблюдать протокол лечения и рекомендации врача.
👨⚕️ Лечащий врач и другой медперсонал могут осуществлять более внимательный уход. А при появлении каких-нибудь нежелательных симптомов, могут скрывать информацию об этом.
👨🏻💻 Статистик, обрабатывающий результаты, может изменить подходы к анализу и интерпретации, сделав акцент на изменениях в одной из групп.
Получается, что в открытом исследовании мы не можем исключить такого влияния, и это снизит степень нашего доверия к полученным результатам. Вот почему так распространен слепой метод, который подразумевает надежное сокрытие информации о том, в какой группе находится конкретный пациент.
В серии постов мы обсудим основные особенности открытых и слепых исследований ⬇️
Рандомизация предполагает, что пациенты будут распределены по сравниваемым группам случайным образом. Но если после рандомизации все участники исследования будут знать, в какую группу попал конкретный пациент, то они смогут сознательно или неосознанно повлиять на результаты.
Например, пациент попал в основную группу, получает активное лечение новым препаратом. Как знание об этом может изменить результаты наблюдения?
🙎♂️ Пациент может внушить себе улучшение самочувствия, уменьшение боли и других субъективных симптомов. Может более ответственно соблюдать протокол лечения и рекомендации врача.
👨⚕️ Лечащий врач и другой медперсонал могут осуществлять более внимательный уход. А при появлении каких-нибудь нежелательных симптомов, могут скрывать информацию об этом.
👨🏻💻 Статистик, обрабатывающий результаты, может изменить подходы к анализу и интерпретации, сделав акцент на изменениях в одной из групп.
Получается, что в открытом исследовании мы не можем исключить такого влияния, и это снизит степень нашего доверия к полученным результатам. Вот почему так распространен слепой метод, который подразумевает надежное сокрытие информации о том, в какой группе находится конкретный пациент.
В серии постов мы обсудим основные особенности открытых и слепых исследований ⬇️
🔸 Открытое, или без ослепления (open-label) - проводится в тех случаях, когда «ослепление» пациентов или лечащего врача невозможно провести, например, если изучаются оперативные вмешательства, физиотерапевтические воздействия и т.д. Сложно представить ситуации, когда либо пациент, либо хирург не знают, какая операция будет выполнена. При этом исследователи могут заслепить этап оценки исходов или статистического анализа. В таком случае дизайн могут указать как prospective, randomized, open-label, blinded-endpoint (PROBE).
Например, в работе, посвященной эффективности введения тенектеплазы до тромбэктомии при ОНМК, пациенты и медперсонал были осведомлены о распределении по группам сравнения. А вот оценка исходов была выполнена вслепую.
Интересно, что попадаются исследования с ослеплением врача, оценивающего состояние больного, где дизайн обозначен как single blinded. То есть в этой части имеется некоторая неопределённость в терминологии.
Также открытый дизайн может быть у рандомизированных исследований лекарственных средств, вызывающих такие ощущения при приеме, что неизбежно происходит расслепление, т.е. участники начинают понимать, в какой группе они находятся. Такая ситуация характерна, например, для изучения психотропных препаратов, действие которых очень сложно сымитировать с помощью плацебо.
Например, в исследовании, посвященном сравнению эффективности препаратов лития и кветиапина при лечении депрессии, авторы отказались от ослепления и провели исследование open-label.
Открытый этап может проводиться после завершения двойного слепого исследования, когда пациенты обеих групп начинают получать изучаемый препарат. Такие исследования называют открытыми дополнительными / продолжениями, или open-label extension.
Подобный дизайн, например, отмечен в исследовании эффективности ритуксимаба для лечения системного склероза после завершения основного РКИ с двойным ослеплением, длящегося 24 недели. В работе были оценены результаты последующего приема препарата на протяжении такого же срока.
Наконец, существует интересный дизайн исследований, где оценивается плацебо-эффект, как самостоятельное явление. Участники знают о том, что они принимают плацебо (обычно сочетаемое со стандартным лечением), его называют «открытое плацебо» - open-label placebo (OLP). В другой группе пациенты получают лечение, как обычно, поэтому её называют treatment as usual (TAU). В таких исследованиях может использоваться «ослепление» медперсонала, участвующего в оценке результатов лечения, как и в PROBE.
Например, в РКИ влияния открытого плацебо на хроническую боль в спине инъекции плацебо, дополняющие стандартное лечение в группе OLP, сравнивались по эффективности с одним только стандартным лечением (группа TAU). Пациенты знали о том, что принимают плацебо, но о распределении участников по группам было неизвестно медперсоналу, оценивающему эффекты.
Подведем итоги этого раздела:
Формально открытые исследования необязательно полностью исключают ослепление, оно может выполняться на этапах оценки эффекта (дизайн PROBE).
Основные причины выбора дизайна open-label:
🔺 невозможность ослепления при проведении вмешательств,
🔺 препараты вызывают ощущения при приеме, ведущие к расслеплению участников,
🔺 исследования-продолжения после завершения слепых исследований,
🔺 исследования открытых плацебо.
Например, в работе, посвященной эффективности введения тенектеплазы до тромбэктомии при ОНМК, пациенты и медперсонал были осведомлены о распределении по группам сравнения. А вот оценка исходов была выполнена вслепую.
Также открытый дизайн может быть у рандомизированных исследований лекарственных средств, вызывающих такие ощущения при приеме, что неизбежно происходит расслепление, т.е. участники начинают понимать, в какой группе они находятся. Такая ситуация характерна, например, для изучения психотропных препаратов, действие которых очень сложно сымитировать с помощью плацебо.
Например, в исследовании, посвященном сравнению эффективности препаратов лития и кветиапина при лечении депрессии, авторы отказались от ослепления и провели исследование open-label.
Открытый этап может проводиться после завершения двойного слепого исследования, когда пациенты обеих групп начинают получать изучаемый препарат. Такие исследования называют открытыми дополнительными / продолжениями, или open-label extension.
Подобный дизайн, например, отмечен в исследовании эффективности ритуксимаба для лечения системного склероза после завершения основного РКИ с двойным ослеплением, длящегося 24 недели. В работе были оценены результаты последующего приема препарата на протяжении такого же срока.
Наконец, существует интересный дизайн исследований, где оценивается плацебо-эффект, как самостоятельное явление. Участники знают о том, что они принимают плацебо (обычно сочетаемое со стандартным лечением), его называют «открытое плацебо» - open-label placebo (OLP). В другой группе пациенты получают лечение, как обычно, поэтому её называют treatment as usual (TAU). В таких исследованиях может использоваться «ослепление» медперсонала, участвующего в оценке результатов лечения, как и в PROBE.
Например, в РКИ влияния открытого плацебо на хроническую боль в спине инъекции плацебо, дополняющие стандартное лечение в группе OLP, сравнивались по эффективности с одним только стандартным лечением (группа TAU). Пациенты знали о том, что принимают плацебо, но о распределении участников по группам было неизвестно медперсоналу, оценивающему эффекты.
Подведем итоги этого раздела:
Формально открытые исследования необязательно полностью исключают ослепление, оно может выполняться на этапах оценки эффекта (дизайн PROBE).
Основные причины выбора дизайна open-label:
🔺 невозможность ослепления при проведении вмешательств,
🔺 препараты вызывают ощущения при приеме, ведущие к расслеплению участников,
🔺 исследования-продолжения после завершения слепых исследований,
🔺 исследования открытых плацебо.
🔸 Одинарное, или простое слепое (single / simple blinded) - когда либо пациенты, либо исследователи не знают о распределении пациентов по группам.
Одинарный слепой дизайн с «ослеплением» пациентов используется, когда врач не может не знать, какое воздействие применяет к пациенту. Это характерно для работ, изучающих вмешательства, требующие активных действий врача: в области хирургии, анестезиологии, травматологии, физиотерапии и др.
Например, в работе, посвященной сравнению эффективности анальгезии при использовании специального монитора или стандартной методики, «ослепить» анестезиолога невозможно, так как его действия определяют сравниваемое воздействие. Поэтому только участники не знали, в какую группу попали.
Встречаются простые слепые исследования, в которых о распределении по группам не знал только врач, оценивающий состояние пациента. Этот вариант очень напоминает дизайн prospective, randomized, open-label, blinded-endpoint (PROBE), который формально относится к открытым исследованиям.
Предположу, что в PROBE роль врача сводится только к оценке состояния, и он не участвует в оказании ухода за больным. А в одинарных слепых исследованиях врач оценивает исходы лечения в дополнение к ведению пациента, более активно задействован в процессе лечения.
Тем не менее, грань между вариантами дизайна single blind и PROBE - весьма тонкая, и не всегда однозначно определенная.
Например, в одинарном слепом исследовании, посвященном влиянию консультаций по диетическому питанию, отказу от вредных привычек на тяжесть артрита, «ослепить» пациента невозможно. Ведь он знает, какие консультации получал. А вот врачу, оценивающему состояние суставов, было неизвестно о том, в какой группе был пациент.
Ещё один пример такого дизайна можно найти в работе, посвященной влиянию ранней физиотерапии на вторичную лимфедему у пациенток, прооперированных по поводу рака молочной железы. Здесь также был «ослеплен» врач, оценивающий состояние женщины после вмешательства.
Таким образом, простой слепой дизайн подразумевает ослепление:
🔺 либо только пациентов,
🔺 либо только врача (в таком случае дизайн следует дифференцировать с PROBE).
Одинарный слепой дизайн с «ослеплением» пациентов используется, когда врач не может не знать, какое воздействие применяет к пациенту. Это характерно для работ, изучающих вмешательства, требующие активных действий врача: в области хирургии, анестезиологии, травматологии, физиотерапии и др.
Например, в работе, посвященной сравнению эффективности анальгезии при использовании специального монитора или стандартной методики, «ослепить» анестезиолога невозможно, так как его действия определяют сравниваемое воздействие. Поэтому только участники не знали, в какую группу попали.
Встречаются простые слепые исследования, в которых о распределении по группам не знал только врач, оценивающий состояние пациента. Этот вариант очень напоминает дизайн prospective, randomized, open-label, blinded-endpoint (PROBE), который формально относится к открытым исследованиям.
Предположу, что в PROBE роль врача сводится только к оценке состояния, и он не участвует в оказании ухода за больным. А в одинарных слепых исследованиях врач оценивает исходы лечения в дополнение к ведению пациента, более активно задействован в процессе лечения.
Тем не менее, грань между вариантами дизайна single blind и PROBE - весьма тонкая, и не всегда однозначно определенная.
Например, в одинарном слепом исследовании, посвященном влиянию консультаций по диетическому питанию, отказу от вредных привычек на тяжесть артрита, «ослепить» пациента невозможно. Ведь он знает, какие консультации получал. А вот врачу, оценивающему состояние суставов, было неизвестно о том, в какой группе был пациент.
Ещё один пример такого дизайна можно найти в работе, посвященной влиянию ранней физиотерапии на вторичную лимфедему у пациенток, прооперированных по поводу рака молочной железы. Здесь также был «ослеплен» врач, оценивающий состояние женщины после вмешательства.
Таким образом, простой слепой дизайн подразумевает ослепление:
🔺 либо только пациентов,
🔺 либо только врача (в таком случае дизайн следует дифференцировать с PROBE).