Ebm_base
前往频道在 Telegram
Альтернативное, дополнительное, неэкологичное пространство для рассказов о доказательной медицине, статистике, эпидемиологии и прочим ужасам 👀 Клоун, автор и организатор журнального клуба @Nik_Burlov База: https://instagram.com/ebm_base
显示更多3 887
订阅者
+224 小时
-17 天
+430 天
数据加载中...
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
七月 '26
七月 '26
+44
在1个频道中
六月 '26
+112
在1个频道中
Get PRO
五月 '26
+52
在2个频道中
Get PRO
四月 '26
+44
在3个频道中
Get PRO
三月 '26
+51
在2个频道中
Get PRO
二月 '26
+178
在5个频道中
Get PRO
一月 '26
+204
在6个频道中
Get PRO
十二月 '25
+41
在2个频道中
Get PRO
十一月 '25
+107
在2个频道中
Get PRO
十月 '25
+94
在7个频道中
Get PRO
九月 '25
+101
在2个频道中
Get PRO
八月 '25
+117
在6个频道中
Get PRO
七月 '25
+80
在4个频道中
Get PRO
六月 '25
+139
在4个频道中
Get PRO
五月 '25
+110
在2个频道中
Get PRO
四月 '25
+304
在6个频道中
Get PRO
三月 '25
+121
在2个频道中
Get PRO
二月 '25
+1 002
在5个频道中
Get PRO
一月 '25
+181
在8个频道中
Get PRO
十二月 '24
+227
在6个频道中
Get PRO
十一月 '24
+110
在4个频道中
Get PRO
十月 '24
+132
在4个频道中
Get PRO
九月 '24
+210
在8个频道中
Get PRO
八月 '24
+269
在18个频道中
Get PRO
七月 '24
+104
在5个频道中
Get PRO
六月 '24
+42
在2个频道中
Get PRO
五月 '24
+55
在2个频道中
Get PRO
四月 '24
+57
在2个频道中
Get PRO
三月 '24
+154
在6个频道中
Get PRO
二月 '24
+135
在5个频道中
Get PRO
一月 '24
+143
在15个频道中
Get PRO
十二月 '23
+260
在3个频道中
Get PRO
十一月 '23
+23
在1个频道中
Get PRO
十月 '23
+56
在1个频道中
Get PRO
九月 '23
+66
在0个频道中
Get PRO
八月 '23
+91
在0个频道中
Get PRO
七月 '23
+60
在0个频道中
Get PRO
六月 '23
+66
在0个频道中
Get PRO
五月 '23
+13
在0个频道中
Get PRO
四月 '23
+33
在0个频道中
Get PRO
三月 '23
+32
在0个频道中
Get PRO
二月 '23
+43
在0个频道中
Get PRO
一月 '23
+18
在0个频道中
Get PRO
十二月 '22
+21
在0个频道中
Get PRO
十一月 '22
+31
在0个频道中
Get PRO
十月 '22
+28
在0个频道中
Get PRO
九月 '22
+11
在0个频道中
Get PRO
八月 '22
+50
在0个频道中
Get PRO
七月 '22
+66
在0个频道中
Get PRO
六月 '22
+19
在0个频道中
Get PRO
五月 '22
+9
在0个频道中
Get PRO
四月 '22
+75
在0个频道中
Get PRO
三月 '22
+232
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 28 七月 | +1 | |||
| 27 七月 | +3 | |||
| 26 七月 | +3 | |||
| 25 七月 | +2 | |||
| 24 七月 | 0 | |||
| 23 七月 | +2 | |||
| 22 七月 | 0 | |||
| 21 七月 | +3 | |||
| 20 七月 | 0 | |||
| 19 七月 | +3 | |||
| 18 七月 | +4 | |||
| 17 七月 | +3 | |||
| 16 七月 | 0 | |||
| 15 七月 | +1 | |||
| 14 七月 | +1 | |||
| 13 七月 | +2 | |||
| 12 七月 | 0 | |||
| 11 七月 | +1 | |||
| 10 七月 | +1 | |||
| 09 七月 | 0 | |||
| 08 七月 | +3 | |||
| 07 七月 | 0 | |||
| 06 七月 | +2 | |||
| 05 七月 | 0 | |||
| 04 七月 | +2 | |||
| 03 七月 | +5 | |||
| 02 七月 | 0 | |||
| 01 七月 | +2 |
频道帖子
| 2 | Заговор статистиков, решивших все усложнить для бедных врачей, которым всего лишь надо защититься😅 | 365 |
| 3 |  +1Не первый и не последний раз я снова в бане.
Если обсуждать статистические аспекты научных исследований не в статистическом чате, то где тогда?
К сожалению, не успел сделать скрин своих сообщений (теперь их там нет, их просто удалили). Но заметьте, что подобные авторы сами сначала упрекают в то, что обсуждения нет, а затем включают цензуру у себя
И да, ранее я уже попал в бан у них же в IG
Здесь пример разбора симуляций автора данного канала, про которые автор теперь молчит)
Ты слушаешь меня, Нео, или любуешься на женщину в красном платье? Оглянись.
В игру с хайпом можно играть вдвоем) | 423 |
| 4 | Недавно в одном канале была озвучена радикальная позициия "один тест для всего" при сравнении двух групп по количественной переменной. Автор даже показал результаты своих симуляций (правда изображения были сгенерированы ИИ).
Я попросил код, на что получил ответ "Ну так все входные параметры на слайдах - берите их и подставляйте в симуляцию".
Ну ладно. Я взял эти параметры и провел. Но в отличие от автора я сразу покажу с кодом и своими размышлениями.
Думаю это может быть полезно многим. Комментарии, замечания, мнения приветствуются
@Ebm_base | 637 |
| 5 | Кратко, в общем, про ИИ (точнее LLM)
Если вы не представляли как они работают, то это хорошее объяснение | 988 |
| 6 | Став папой, я понял, как тяжело мне без папы.. | 1 065 |
| 7 | ВСЕ СКАЗАЛИ!
Немного отвлечемся от инструментальных переменных)
Вчера я в двух каналах запустил опросы (Ebm_base и JC Ebm_base). По их результатам (56% и 47% соответственно) можно ли сделать вывод, что статистика - это интересно, но непонятно? Или что 7% людей она неинтересно и непонятна? Кажется, что я натягиваю сову на глобус? Так и есть!
Давайте разберемся, что произошло.
1. Selection bias (или конкретно survivorship bias) [1, 2].
Этот опрос проходили подписчики моего основного канала и канала журнального клуба. Это явно не все врачи, статистики, ученые, исследователи и т.п. Это целевая аудитория (ЦА), которая по каким-то причинам читает данные каналы (нравится подача, темы, личность и т.д.).
2. Sampling bias [3].
В моем канале почти 3900 подписчиков, опрос увидели 319 людей, ответили 100 (причины низких просмотров не обсуждаем). Но почему не каждый просмотревшие ответил? Потому что на опросы отвечают те, кому интересно/любит отвечать на них (или просто отвечает).
3. Non-response bias [4].
Из пунктов 2 и 3 вытекает 3. Люди, которые отвечают и не отвечают на опросы, различаются между собой. Как? Ну для этого надо было собрать хотя бы базовую информацию об этих категориях (пол, возраст, активность в соц сетях, профессия и прочее).
4. Social desirability bias и neutral bias [5, 6].
Люди чаще отвечают социально приемлемые ответы. Ответить, что "неинтересно и непонятно" кажется странным, если ты подписан на канал, подобный моему (можно же отписаться). Проще придерживаться нейтральных ответов.
Думаю, что тут можно ещё найти несколько bias, но основной посыл в том, что опросы в тг-каналах нерепрезентативны совсем. Т.е. не надо экстраполировать результаты со своей ЦА на какую-то общую популяцию (все врачи, все статистики, все студенты, все учёные и т.д. и т.п.). Ваша аудитория подписана на вас, а это уже ее отличает от остальной популяции. | 1 579 |
| 8 | 没有文字... | 801 |
| 9 |  Завершился третий сезон открытого онлайн-лектория «Разрушители статистических мифов»!
bioinf.me/stat_myths
За прошедшие три сезона преподаватели трека по биостатистике Института биоинформатики разобрали девять мифов, которые могут увести исследователя совсем не туда!
1 сезон:
🦖 Миф №1: Статистика – наука точная, и в ней нет места мифам | Евгений Бакин
🦖 Миф №2: Доверительные интервалы и p-значения — это то, чем они кажутся | Ольга Мироненко и Максим Кузнецов
🦖 Миф №3: Ненормальное распределение требует ненормальных решений | Матвей Славенко
2 сезон:
🦖 Миф №4: Категорически категорично, или «просто разбей на группы» | Алексей Глазков
🦖 Миф №5: Рандомизация — смешать и не взбалтывать | Артемий Охотин
🦖 Миф №6: Визуализация — это просто красивые графики | Елена Убогоева
3 сезон:
🦖 Миф №7: Автоматизированный выбор многофакторной модели: кто ищет, тот всегда найдет | Евгений Бакин
🦖 Миф №8: Придай нормальности описательной статистике | Алексей Глазков
🦖 Миф №9: Расчёт мощности: лучше поздно, чем никогда | Матвей Славенко
Записи всех лекций доступны:
☁️ на сайте лектория
☁️ на YouTube-канале Института биоинформатики
Будем рады, если вы поделитесь своими впечатлениями в анонимной форме обратной связи. Благодарим вас за активное участие в лектории, до встречи! ❤️
P.S. Мы уже начали готовить кое-что интересное для вас!
✨ Мы в VK | Мы в почте | Мы в Telegram
#bioinf_online #bioinf_education
@bioinformatics_institute | 832 |
| 10 |  У МЕНЯ ЕСТЬ ИНСТРУМЕНТ
Давайте представим, что у вас получилось собрать данные реальной клинической практики - real-world data (RWD. Сами вели свою таблицу Excel, ведь они так собираются).
Вы планируете сравнить методы лечения (препарат А против В) по исходу (пациент выписался или умер). Но слышали/знаете, что есть такое явление, как confounding. Он может реализовываться через множество факторов. Но предположение о модели ведёт к тому, что факторов, которые надо включить, очень много (а мб каких-то нет в данных - скрытые). Что делать?
Можно присмотреться к методу из causal inference, который называется инструментальная переменная (instrumental variable, IV) [1, 2].
В чем суть?
Мы подбираем такую переменную/фактор (инструмент), которая:
- связана с назначением лечения (релевантность)
- не связана с исходом (кроме связи через назначение лечения)
- не связана с другими (особенно скрытыми) факторами, которые влияют на исход (экзогенность) [1, 2, 3]
Визуально это можно отобразить на DAG (рис)
Если эти предположения не нарушены (и основные для оценки ATE), то мы можем использовать выбранный показатель в качестве инструментальной переменной. А дальше с помощью двухэтапных методов (есть и другие подходы) это учитываем в окончательной модели [2].
Что нам это даёт?
Мы получаем оценку LATE-IV, т.е. локальный средний эффект лечения среди "послушных" (об этом разделении я расскажу в других постах) [4].
LATE-IV = 𝔼[Y|T = 1, U = c] - 𝔼[Y|T = 0, U = c]
где:
𝔼 - мат ожидание
Y - исход
T - лечение (1 - препарат А, 0 - препарат В)
U - фиктивная переменная "послушания" (c - "послушные")
К сожалению, если нам недоступна оценка ATE (а часто это так), то оценка LATE - это оправданный шаг (но это меняет эстиманд - мы оцениваем эффект у тех, кто следовал назначенному лечению). Может показаться, что это похоже на per protocol анализ (об этом и применение IV в РКИ я тоже расскажу в следующих постах) [4].
Как пример, можно ознакомиться с этой статьей. В ней оценивали назначение Варениклина на смертность от всех причин через 2 года после назначения терапии. В качестве инструмента использовали склонность врача назначать варениклин (количество рецептов на варениклин, выписанный 7 предыдущим пациентам). Итог: RD = 0.67% (95% CI –0.11; 1.46%) на 100 пролеченных пациентов. Клинически не выражен, статистически не значим.
Пока писал пост, понял, что нужно будет еще раскрыть некоторые особенности (кто такие "послушники" и "непослушники", IV в РКИ, методы, что-то еще). Поэтому буду пока это разбирать...
@Ebm_base | 756 |
| 11 | Что-то я здесь запутался с ссылками, когда писал пост. Исправил | 898 |
| 12 |  视频消息 | 926 |
| 13 | 🎤Продолжаем разговор о статистике в формате Живой студии.
В эфире Бурлов Никита Николаевич! | 957 |
| 14 | Интересно, можно ли меня считать нишевым биостатистиком? | 1 064 |
| 15 | У меня было несколько интересных выступлений, записи которых организаторы выложили
1. Рассказываю про дизайны квази-эксперимента (смотреть с 7:16:25, я потом понял, что допустил в нем ошибку при объяснении эффекта в DiD)
2. Показываю, что умеет ИИ в статистике "типичного" исследователя (смотреть с 3:16:32, но лучше ознакомьтесь со всей секцией, отдельная благодарность за интересные доклады остальным спикерам)
Буду рад дискуссии, если есть вопросы/комментарии! | 1 260 |
| 16 |  Тут можно далеко зайти. | 1 102 |
| 17 | Крайне интересные два поста и дискуссия к ним.
Мне кажется, что прежде чем обсуждать, что должно или не должно входить в курс по статистике и обсуждать качество курсов, нужно ответить на более фундаментальный вопрос: чему именно мы хотим научить врача?
Я вижу как минимум три разные аудитории.
1. Врач, который не занимается исследованиями, но регулярно читает статьи, клинические рекомендации и слушает лекции.
2. Врач-исследователь, который сам не проводит статистический анализ, но планирует исследование, набирает пациентов, обсуждает дизайн со статистиком и интерпретирует готовый отчет.
3. Врач-исследователь, который планирует самостоятельно анализировать данные.
Очевидно, что это три разные образовательные задачи.
Честно говоря, у меня нет готового ответа ни для первой, ни для второй группы, и тем более для третьей.
Но если говорить о первом уровне, то из опыта работы с ординаторами мне кажется важным понимание следующих вещей.
1. Что означает p-value и чего оно не означает. Почему в первую очередь мы смотрим на первичную конечную точку.
2. Почему статистическая значимость не равна клинической. Что такое Number Needed to Treat (NNT) и почему он тоже не является универсальным показателем.
3. Что множественные сравнения увеличивают вероятность ложноположительных результатов. Почему при большом числе вторичных конечных точек p = 0,05 уже нельзя интерпретировать так же, как при одном сравнении. Почему в описательной статистике p-значения в ряде журналах вообще не используют.
4. Зачем нужны поправки на множественные сравнения, иерархия конечных точек и почему в некоторых исследованиях используют win ratio.
5. Как на базовом уровне интерпретировать кривые Каплана-Мейера.
6. Для чего нужны регрессионные модели. Понимать, что авторы могли преследовать разные цели: оценить причинно-следственные связи, построить прогностическую модель или просто сделать модель ради модели [последнее разумеется то чего лучше не делать].
Я бы тут еще a) про casual inference рассказал бы и привел пример парадокса ожирения. b) сказал бы что не все что называется прогностической моделью является адекватной прогностической моделью и про внешнюю валидизацию.
7. Что данные могут иметь разные распределения. Когда данные лучше описывать средним значением, а когда медианой и 25-м и 75-м процентилями.
8. Какие ограничения есть у подгрупповых анализов.
9. Что такое статистическая мощность исследования. Как, читая статью, можно прикинуть, было ли включено достаточно пациентов. Понятно, что здесь придется объяснять доверительные интервалы, еще раз говорить о клинической значимости, приводить примеры и честно сказать, что простого алгоритма здесь нет.
10. Как интерпретировать чувствительность и специфичность тестов и почему без учета распространенности заболевания они могут вводить в заблуждение.
11. Типы исследований. Что такое рандомизация и ослепление и зачем они нужны. Типы наблюдательных исследований. Что можно и чего нельзя узнать из последних.
12. Что такое разные виды bias с примерами. Что важно понимать какие пациенты попали в работу и и нет ли тут immortality bias и т.д.
13. Что такое мета-анализ и основы его интерпретации.
А что думаете вы? Что бы вы добавили в этот список? Что, наоборот, считаете лишним для врача, который не делает исследований и только читает статьи и слушает лекции | 1 072 |
| 18 |  И есть радостная новость!
Отбор в ЖК завершён, письма отправлены! Ждем новых участников в наш клуб! | 756 |
| 19 | В действительности обучение статистическому анализу - это сложно, долго и тяжело.
5. Ошибки. Мы хотим, чтобы наука в России стала великой, поднялась с колен, чтобы мы могли ею гордиться. По факту, за долгое время мало что меняется, кроме единичных случаев (там, где нас нет, тоже схожая ситуация). И это логично, потому что это зависит не только от авторов или статистиков. Это большая структура, где много участников. Но добавлять в это свои ошибочные и самоуверенные предположения, а потом жаловаться, что вот все плохо или мне мешают/критикуют - ту мач (можете иначе назвать).
Все, что выше, это мои размышления (некоторые я не знаю как структурировать лучше). Вы можете с ними быть согласны или нет, ваше право. Вы можете указать другие плюсы и/или минусы.
Однако я решил, что вешать на себя белое пальто - признак дурного тона, поэтому немного подумал, а что я делал или делаю сейчас...
Страдаю ли я излишней самоуверенностью? Да. Особенно, когда я занимаюсь любимым делом троллингом. Я могу прибегать к радикальным формулировкам, выражениям. В работе же я стараюсь искать подтверждения или опровержения своим идеям, знаниям. Находить обоснования того или иного метода.
Делал ли я ошибки? Да, уверен до сих пор! Особенно, когда на мою работу посмотрят более компетентные люди.
Горжусь этим? Нет. Зачем?
Выставляю все это на показ? Нечего выставлять. Мне важно работать с людьми, решать сложные и интересные задачи, а не демонстрировать отзывы или рассказывать о моем "величии".
Оправдываю свои ошибки? Не совсем. Часто на тот момент у меня не было достаточно знаний - это ок. Иногда приходят с запросом "давайте сделаем просто" - это тоже ок (с оговорками). Дальше я стараюсь не останавливаться, а изучать новое, выслушивать критику, больше узнавать и пробовать, не повторять своих же ошибок.
И в меру своих возможностей где-то об этом рассказывать. В первую очередь, что статистика - это интересная, но сложная и тяжёлая область. А дальше каждый делает выбор сам. | 809 |
| 20 | САМОУВЕРЕННОСТЬ В НАУКЕ О НЕОПРЕДЕЛЕННОСТИ
В последнее время мне попадается немало каналов, где "простым языком" для "обычных врачей" авторы хотят объяснить методы или логику статистики. Если намеренно поискать, то таких найдется ещё больше.
Конечно над этим забавно смеяться, их душнить, давать волю своей токсичной натуре. Но я задумался. А мб у подобной тактики есть преимущества? И какие проблемы, на мой взгляд, это создаёт?
Мои размышления о плюсах этих сообществ/каналов:
1. Они дают неплохой старт для дальнейшего погружения в статистику. Я сам начинал с подобных курсов (многие встречали - это "Основы статистики" от Анатолия Карпова). В начале кажется ничего непонятно, ты ещё не осознаешь глубину этого айсберга, не знаешь об ошибках в них. Затем кажется, что ты становишься почти гуру (добро пожаловать на пик глупости). А после небольшого погружения ("приключение на 20 минут") осознаешь как сильно ты ошибался. И продолжаешь это погружаться постепенно все глубже и глубже.
2. Потенциально снижают тревожность перед "страшным миром статистики". Область статистического анализа кажется страшной и суровой, пока не начинаешь осознавать логику. А когда находишь людей, которые готовы помогать в изучении (а сейчас их много, на разных уровнях), то становится уже спокойнее. Ведь ты знаешь, что всегда можно обратиться за помощью.
3. Знакомят с инструментами статистического анализа. Когда-то считали на бумаге, затем простые вычисления отдали компьютеру. Сейчас у нас уже достаточно мощный технологический потенциал, при котором очень многие расчёты выполняются только с помощью машин. А интерфейс делают более удобным для пользователя. Когда вам показывают, что нужно установить только 1-2 ПО, в нем внутри почти всё на кнопках (IDE для языков программирования не рассматриваем), то это вселяет уверенность, что с этим можно справиться.
4. Мотивация. Не скажу, что этот пункт мне нравится, но некоторые люди после подобных курсов хорошо заряжаются, чтобы продолжить обучение в сторону статистики.
Но о недостатках я думаю чаще (и скорее всего чаще говорю о них же):
1. Поверхностность. Это обратная сторона старта. Мы, конечно, проходили в школе математику с элементами мат. анализа (но кто это помнит сейчас?). У врачей нет времени на погружение. Материала действительно много, и он сложный. Поэтому приходится упрощать (даже на сложных курсах). Цена этому - искажение при передачи смысла. Я сам многие вещи знаю достаточно поверхностно, по своему мнению. У меня есть целые области с пробелами. Поэтому на начальном уровне останавливаться нельзя. Надо быть готовым при необходимости углубляться дальше в материал.
2. Упрощение и искажение. Как я уже написал выше, мы все делаем упрощения в той или иной степени. Чтобы понять самому, чтобы объяснить другому, чтобы интерпретировать. И здесь нужно стараться как в школе, чтобы упрощение минимально искажало смысл идеи. Иначе какой смысл в ее изучение. Наиболее яркий пример - определение p-value (чтобы не повторяться, прикреплю определения, которые нашел ИИ).
3. Увеличение числа "экспертов". Проблема из серии "я научу вас как зарабатывать миллионы - купите мой курс". Часто это следует из 1 и 2 пунктов недостатков. Авторы рассказываю как легко проводить статистический анализ, как несложно интерпретировать его результаты. Поэтому в отношении таких я использую хештег #СТАТИСТИКА_ПРОСТО, потому что когда-то от известных в онкологических кругах людей была реклама в духе "о сложном просто" (они так рекламировали курсы по статистике). Особенно сильно растет число "экспертов", которые все это делают с помощью LLM (или ИИ в быту), не осознавая как и почему он даёт ответы.
4. Заработок на доверчивых людях. Нет ничего плохого, чтобы получать деньги за работу (мы все так работаем, альтруизм уже давно не в почёте). Но должна быть качественная работа, а не фантики с воздухом. Люди приходят с проблемой, им обещают "сейчас мы вас научим статистике", "сделаем экспертами в клинических исследованиях", "проведем лучший стат. анализ". А на деле? Схема марафона желаний. | 717 |
