ایستگاه اپیدمیولوژی/پژوهش/مقاله

📸 عکس فوری از سلامت جامعه؛ مطالعات مقطعی چطور به ما کمک می‌کنند؟ 🔸️فرض کن یک اپیدمیولوژیست وارد یک شهر می‌شود و می‌خواهد بداند: ▫️چند درصد مردم در حال حاضر فشار خون بالا دارند؟ ▫️آیا بین مصرف فست‌فود و چاقی رابطه وجود دارد؟ او نمی‌خواهد سال‌ها افراد را دنبال کند. فقط می‌خواهد یک عکس فوری از وضعیت سلامت در همین لحظه بگیرد. 🔷️ اینجاست که «مطالعه مقطعی» به کار می‌آید. در یک مطالعه مقطعی، مواجهه و پیامد را همزمان و در یک مقطع زمانی اندازه می‌گیریم. 📊 نوع اول: مقطعی توصیفی (Descriptive Cross-sectional) فقط شیوع را گزارش می‌دهد، بدون مقایسه. مثال: در یک روز مشخص، از ۱۰۰۰ نفر جمعیت، ۱۲۰ نفر فشار خون بالا دارند. ➜ شیوع (Prevalence) = ۱۲٪ ▫️این مطالعه به ما می‌گوید «چند نفر الان بیمارند»، اما نمی‌گوید چرا یا چه عاملی باعث شده. کاربرد: برآورد بار بیماری، برنامه‌ریزی سلامت، بودجه‌ریزی. 🔍 نوع دوم: مقطعی تحلیلی (Analytical Cross-sectional) هم شیوع را می‌دهد، هم رابطهٔ بین مواجهه و پیامد را بررسی می‌کند (در همان مقطع). مثال: از همان ۱۰۰۰ نفر می‌پرسیم «چند بار در هفته فست‌فود می‌خوری؟» و همزمان وزن و قدشان را اندازه می‌گیریم. سپس افراد را به دو گروه «فست‌فودخور زیاد» و «کم» تقسیم کرده و شیوع چاقی را مقایسه می‌کنیم. ➜ اگر شیوع چاقی در گروه فست‌فودخور بیشتر باشد، یک همبستگی (Association) پیدا کرده‌ایم. ⚠️ اما هشدار: مطالعه مقطعی تحلیلی نمی‌تواند بگوید فست‌فود باعث چاقی شده (علیت). فقط می‌گوید این دو با هم دیده می‌شوند. 🔹 مزایای مطالعات مقطعی: سریع و ارزان (بدون دنبال کردن طولانی) مناسب برای برآورد شیوع می‌توان چندین مواجهه و چندین پیامد را همزمان بررسی کرد ⚠️ معایب: نمی‌تواند توالی زمانی (علت قبل از معلول) را ثابت کند مستعد بایاس بقا (Survival bias) – افرادی که بر اثر بیماری مرده‌اند یا زود خوب شده‌اند، در عکس فوری دیده نمی‌شوند برای بیماری‌های نادر مناسب نیست (چون تعداد بیماران در نمونه کم می‌شود) 📌 جمع‌بندی با یک داستان کوتاه: اپیدمیولوژیست از یک شهر عکس فوری گرفت: ۱۵٪ مردم دیابت دارند (شیوع – مقطعی توصیفی) افرادی که روزانه بیش از ۲ ساعت تلویزیون می‌بینند، دیابت بیشتری دارند (مقطعی تحلیلی) اما این عکس فوری نمی‌گوید «تلویزیون باعث دیابت شده»؛ شاید این افراد کم‌تحرک‌ترند یا پرخوری می‌کنند (مخدوش‌گری). برای اثبات علیت، نیاز به کوهورت یا کارآزمایی است. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

⬅️ خطای نوع اول و دوم؛ داستان یک دادگاه اشتباهی 🔸️در دادگاه، اصل بر «بی‌گناهی متهم» است تا خلاف آن ثابت شود. قاضی می‌گوید: «تا زمانی که دلیل محکم نداریم، متهم بی‌گناه است.» ▫️اما دو نوع اشتباه ممکن است رخ بدهد: 🔷️ خطای نوع اول (Type I Error) = محکوم کردن یک بی‌گناه یعنی گفتیم «متهم گناهکار است» در حالی که بی‌گناه بود. 👈 در آمار: رد کردن فرض صفر (H0) در حالی که درست است. 👈 همان p-value < 0.05 وقتی نباید رد می‌کردیم. 🔹️ خطای نوع دوم (Type II Error) = آزاد کردن یک مجرم یعنی گفتیم «متهم بی‌گناه است» در حالی که گناهکار بود. 👈 در آمار: نپذیرفتن فرض مخالف (H1) در حالی که درست است. 👈 همان گفتن یک درمان مؤثر نیست در حالی که واقعاً مؤثر است (مثل داستان واکسن دکتر الف در پست قبل). 📊 *حالا نگاهی بیندازیم به دنیای اپیدمیولوژی:* فرض کن داریم اثر یک داروی جدید را روی سرطان تست می‌کنیم. فرض صفر (H0): دارو بی‌اثر است. فرض مخالف (H1): دارو مؤثر است. ⚠️ خطای نوع اول (α): بگوییم دارو مؤثر است، اما در واقع بی‌اثر باشد ➜ یعنی داروی بی‌اثر را به خورد مردم بدهیم (هزینه، عوارض بی‌فایده). ⚠️ خطای نوع دوم (β): بگوییم دارو بی‌اثر است، اما در واقع مؤثر باشد ➜ یعنی داروی خوب را از مردم دریغ کنیم (مرگ و میر بیشتر). 🔹 تفاوت کلیدی بین این دو خطا: خطای نوع اول را خودمان انتخاب می‌کنیم (همان α یا سطح معنی‌داری، معمولاً ۰.۰۵). خطای نوع دوم به حجم نمونه و قدرت آماری بستگی دارد. هرچه نمونه بزرگ‌تر، خطای نوع دوم کمتر. قدرت آماری = ۱ – β (همان چیزی که در پست قبل گفتیم: توانایی مطالعه برای کشف اثر واقعی) 📌 جمع‌بندی داستانی: خطای نوع اول = قاضی اشتباه کرده و بی‌گناه را زندانی کرده خطای نوع دوم = قاضی اشتباه کرده و مجرم را آزاد کرده در پزشکی، هر دو خطرناکند، اما بسته به موقعیت یکی را بیشتر تحمل می‌کنیم. برای کاهش خطای نوع دوم، حجم نمونه را زیاد می‌کنیم. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📉 چرا مطالعه‌ی ما نتیجه‌ی معنی‌دار نگرفت؟ 🔸️دکتر الف یه مطالعه کرد روی ۵۰ نفر: ۲۵ نفر واکسن آنفلوآنزا گرفتند، ۲۵ نفر دارونما. بعد از یک سال، در گروه واکسن ۲ نفر بیمار شدند (۸٪)، در گروه دارونما ۵ نفر (۲۰٪). اختلاف به نظر می‌رسید، اما P-value = 0.20 شد (یعنی معنی‌دار نبود). دکتر الف ناامید شد: «واکسن من بی‌اثر است؟» 🔷️ دکتر ب همون واکسن رو روی ۵۰۰ نفر تست کرد: ۲۵۰ نفر واکسن، ۲۵۰ نفر دارونما. نتایج: ۲۰ نفر بیمار در گروه واکسن (۸٪)، ۵۰ نفر در گروه دارونما (۲۰٪). این بار P-value = 0.01 → معنی‌دار شد. ▫️*چرا؟ مگر واکسن فرق داشت؟* 🔹 اینجا مفهوم «قدرت آماری (Statistical Power)》 وارد می‌شود قدرت آماری یعنی توانایی یک مطالعه برای کشف یک تفاوت واقعی (اگر وجود داشته باشد). به عبارت دیگر: اگر واقعاً واکسن مؤثر باشد، احتمال اینکه مطالعه‌ی شما نتیجه‌ی معنی‌دار (P<0.05) پیدا کند، چقدر است؟ *عوامل مؤثر بر قدرت آماری:* 1️⃣ حجم نمونه (مهم‌ترین عامل) – نمونه بزرگتر = قدرت بیشتر 2️⃣ اندازه اثر (هرچه اثر واقعی بزرگتر باشد، راحت‌تر کشف می‌شود) 3️⃣ پراکندگی داده‌ها (هرچه داده‌ها پراکنده‌تر، قدرت کمتر) 4️⃣ سطح معنی‌داری (α) (معمولاً ۰.۰۵) ⚠️ *نکته طلایی:* مطالعه‌ای که قدرت پایینی دارد، حتی اگر اثر واقعی وجود داشته باشد، ممکن است به نتیجه‌ی «بی‌معنی» برسد (خطای نوع دوم – غلط منفی کاذب). دکتر الف مطالعه‌اش با ۵۰ نفر قدرت کافی نداشت؛ دکتر ب با ۵۰۰ نفر به قدرت مناسب رسید. 📌 *جمع‌بندی:* قدرت آماری = احتمال اینکه مطالعه تفاوت واقعی را کشف کند قدرت پایین → خطر نتیجه‌ی «منفی کاذب» بالا حجم نمونه کوچک شایع‌ترین دلیل قدرت پایین است قبل از شروع مطالعه، همیشه توان (power) را محاسبه کنید 🔜 *در پست بعدی که فردا شب منتشر خواهد شد: خطای نوع اول و دوم را با داستان دادگاه می‌گوییم.* 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🩺 آزمایش منفی شد؛ یعنی حتماً سالمم؟ 🔸️پریسا تب و سرفه داشت. آزمایش سریع آنفلوآنزا داد، جواب منفی شد. خوشحال شد که آنفلوآنزا ندارد. اما تب و سرفه اش قطع نشد. ▫️رفته بود پیش دکتر. دکتر گفت: «آزمایش منفی یعنی حتماً آنفلوآنزا نداری؟ نه لزوماً.» 🔷️ اینجا دو مفهوم کلیدی وارد می‌شود: حساسیت و ویژگی هر آزمایشی (مثل تست سریع آنفلوآنزا) می‌تواند خطا کند. ما با دو عدد آن را می‌سنجیم: 📊 *حساسیت (Sensitivity)* = چند درصد بیماران واقعی، آزمایششان مثبت می‌شود؟ ▫️آزمون با حساسیت بالا، بیماران را به ندرت از قلم می‌اندازد (منفی کاذب کم). 📊 *ویژگی (Specificity)* = چند درصد سالم‌های واقعی، آزمایششان منفی می‌شود؟ ▫️آزمون با ویژگی بالا، سالم‌ها را به ندرت بیمار نشان می‌دهد (مثبت کاذب کم). 🔹 مثال با اعداد (همان آزمایش سریع آنفلوآنزا): فرض کن روی ۱۰۰ نفر که واقعاً آنفلوآنزا دارند و ۱۰۰ نفر که سالم هستند، آزمایش را امتحان می‌کنیم: از ۱۰۰ بیمار واقعی، ۸۰ نفر مثبت می‌شوند (۲۰ نفر منفی کاذب) ➜ حساسیت = ۸۰٪ از ۱۰۰ سالم واقعی، ۹۰ نفر منفی می‌شوند (۱۰ نفر مثبت کاذب) ➜ ویژگی = ۹۰٪ ⚠️ *نکته مهم:* هیچ آزمایشی حساسیت و ویژگی ۱۰۰٪ ندارد. گاهی باید بین این دو یکی را انتخاب کنیم: اگر بیماری کشنده است اما درمان خوبی دارد → حساسیت بالا می‌خواهیم (نترسیم از منفی کاذب) اگر درمان عوارض سنگین دارد → ویژگی بالا می‌خواهیم (نترسیم از مثبت کاذب) 📌 *جمع‌بندی:* حساسیت = توانایی آزمایش در تشخیص بیماران (اگه بیمار باشی، چند درصد مثبت می‌شوی؟) ویژگی = توانایی آزمایش در تشخیص سالم‌ها (اگه سالم باشی، چند درصد منفی می‌شوی؟) حساسیت و ویژگی به شیوع بیماری وابسته نیستند (برخلاف PPV) آنها به خودِ آزمایش مربوطند، نه به جمعیت 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🩺 جواب آزمایش مثبت شد؛ یعنی حتماً بیمارم؟ 🔸️سارا تب و گلودرد داشت. رفت آزمایشگاه، آزمایش سریع آنفلوآنزا داد. ▫️جواب: مثبت. سارا نگران شد: «یعنی حتماً آنفلوآنزا گرفتم؟» اما دکترش گفت: «بستگی دارد الان در شهر چقدر آنفلوآنزا شایع است.» 🔷️ اینجا بحث ارزش اخباری مثبت (PPV) و منفی (NPV) پیش می‌آید. هیچ آزمایشی صددرصد دقیق نیست. هر آزمایش دو ویژگی دارد: حساسیت (Sensitivity): چند درصد بیماران واقعی را مثبت می‌زند؟ ویژگی (Specificity): چند درصد سالم‌ها را منفی می‌زند؟ اما آنچه برای تو به عنوان یک فرد مهم است، این است: ✅ ارزش اخباری مثبت (PPV) = اگر جواب من مثبت شد، چند درصد احتمال دارد واقعاً بیمار باشم؟ ✅ ارزش اخباری منفی (NPV) = اگر جواب من منفی شد، چند درصد احتمال دارد واقعاً سالم باشم؟ 🔹 مثال با اعداد (آزمون سریع آنفلوآنزا): فرض کن حساسیت = ۸۰٪، ویژگی = ۹۰٪. 📊 حالت اول: آنفلوآنزا شایع است (شیوع ۳۰٪) PPV ≈ ۷۸٪ → اگر جوابت مثبت شد، ۷۸٪ احتمال آنفلوآنزا داری. 📊 حالت دوم: آنفلوآنزا نادر است (شیوع ۱٪) PPV ≈ ۷.۵٪ → اگر جوابت مثبت شد، فقط ۷.۵٪ احتمال آنفلوآنزا داری! یعنی از هر ۱۰ نفری که جواب مثبت دارند، بیش از ۹ نفر در واقع آنفلوآنزا ندارند (مثبت کاذب). ⚠️ *نکته طلایی:* ارزش اخباری مثبت به شیوع بیماری وابسته است. در جایی که بیماری نادر است، حتی آزمایش خوب هم کلی جواب مثبت کاذب می‌دهد. 📌 *جمع‌بندی:* PPV = اگر جوابت مثبت شد، چند درصد بیمار هستی؟ NPV = اگر جوابت منفی شد، چند درصد سالم هستی؟ PPV با بالا رفتن شیوع، افزایش می‌یابد. «آزمایش مثبت» همیشه مساوی بیماری نیست؛ به شیوع هم ربط دارد. 🔜 در پست بعدی: حساسیت و ویژگی را دقیق‌تر می‌گوییم. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

⬅️ «مخدوش‌کنندگی (Confounding)؛ دشمن نامرئی ارتباطات» ▪️قصهٔ قهوه و سرطان لوزالمعده؛ چرا محققان اشتباه کردند؟ 🔸️سال‌ها پیش، یک مطالعه نشان داد: افرادی که قهوه زیاد می‌خورند، بیشتر به سرطان لوزالمعده مبتلا می‌شوند. رسانه‌ها فریاد زدند: «قهوه سرطان‌زاست!» اما بعداً مشخص شد: ▫️کسانی که قهوه زیاد می‌خورند، بیشتر سیگار هم می‌کشیدند. و سیگار بود که سرطان می‌آورد، نه قهوه. 🔷️ اینجا سیگار شد «مخدوش‌کننده (Confounder)» 🔹 یک متغیر مخدوش‌گر سه شرط دارد: 1️⃣ با مواجهه (قهوه) ارتباط دارد. 2️⃣ با پیامد (سرطان لوزالمعده) ارتباط دارد. 3️⃣ در مسیر علّی بین مواجهه و پیامد نیست (یعنی قهوه به واسطهٔ سیگار سرطان نمی‌دهد). 📌 *چطور مخدوش‌گری را کنترل کنیم؟* در مرحلهٔ طراحی: همسان‌سازی (matching) تصادفی‌سازی (randomization) – بهترین روش در مرحلهٔ تحلیل: طبقه‌بندی (stratification) رگرسیون چندمتغیره (که قبلاً درباره‌اش صحبت کردیم). 📌 *جمع‌بندی داستانی: * قهوه باعث سرطان نشد؛ سیگار تقصیرکار بود. مخدوش‌گر یک متغیر مزاحم است که قضاوت ما را دربارهٔ رابطهٔ علّی به هم می‌زند. اگر مواظبش نباشیم، ممکن است چیزی را به پای یک عامل بنویسیم که اصلاً کاره‌ای نبوده. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🔄 بخش دوم داستان: حالا نوبت خانه است ⬅️ امیر به خانه برمی‌گردد. خانوادهٔ ۵ نفره شامل امیر (بیمار)، پدر، مادر، خواهر و برادر. پدر و مادر هر دو بیمار می‌شوند، اما خواهر و برادر نه. 📊 Secondary Attack Rate (نرخ حمله ثانویه) = ۲ بیمار جدید / ۴ نفر سالم در معرض خطر = ۵۰٪ ▫️یعنی از هر ۲ تماس خانگی یک نفر بعداً به آنفلوآنزا مبتلا می‌شود. 🔸️ این نرخ نشان می‌دهد که آنفلوآنزا چقدر در تماس‌های نزدیک خانگی سرایت می‌کند. 📌 *جمع‌بندی داستانی با آنفلوآنزا: * Attack Rate = ۶۰٪ (کلاس درس) Secondary Attack Rate = ۵۰٪ (خانواده) اینکه تو مریض نشدی (سعید) یعنی در گروه ۴۰٪ سالم‌مانده بودی. اپیدمیولوژی به ما می‌گوید: حتی در یک همه‌گیری آنفلوآنزا، همیشه عده‌ای ایمن یا خوش‌شانس هستند. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🦠 چرا من آنفلوآنزا گرفتم ولی دوستم نگرفت؟ 🔸️در یک کلاس ۳۰ نفره، یک دانش‌آموز به نام امیر با سرفه و تب به مدرسه می‌آید. طی ۳ روز، ۱۸ نفر دیگر از کلاس بیمار می‌شوند. اما دوست صمیمی امیر، سعید، با وجود اینکه کنارش نشسته بود، هیچ علامتی ندارد. ▫️سعید می‌پرسد: «*چرا من مریض نشدم؟ مگر من چه فرقی دارم؟»* 🔷️ *جواب اپیدمیولوژی*: حملهٔ آنفلوآنزا به کلاس ۶۰٪ بوده! 📊 Attack Rate (نرخ حمله) = ۱۸ بیمار جدید / ۳۰ نفر کل کلاس = ۶۰٪ یعنی از هر ۱۰ نفر در معرض، ۶ نفر بیمار شدند. سعید جزو آن ۴۰٪ خوش‌شانس بوده (شاید ایمنی قبلی، شاید رعایت فاصله، شاید فقط شانس). ⚠️ *نکته*: Attack Rate به ما می‌گوید در یک گروه مشخص و در یک بازه کوتاه (مثل یک کلاس، یک مهمانی، یک خوابگاه) چه نسبتی از افراد بیمار می‌شوند. هیچ‌وقت ۱۰۰٪ نیست؛ همیشه عده‌ای سالم می‌مانند. ‼️‼️‼️ ادامه این پست را در پیام بعدی مطالعه کنید 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📊 خطر (Risk)؛ احتمال ابتلا در یک جمعیت مشخص 🔸️فرض کن ۱۰۰ نفر سالم را ۵ سال دنبال می‌کنیم و می‌بینیم ۱۰ نفر از آن‌ها به دیابت مبتلا می‌شوند. ▫️*خطر ابتلا به دیابت در این جمعیت چقدر است؟* 🔷️ خطر (Risk) = تعداد موارد جدید بیماری در یک بازه زمانی / جمعیت اولیه سالم 🔹 در مثال بالا: خطر = ۱۰ / ۱۰۰ = ۰.۱۰ یا ۱۰٪ ▫️یعنی: از هر ۱۰۰ نفر، ۱۰ نفر در طول ۵ سال به دیابت مبتلا می‌شوند. 🔸️ *یک مثال دیگر:* در یک مطالعه، از ۱۰۰۰ نفر سالم بالای ۶۵ سال، ۵۰ نفر طی ۳ سال سکته می‌کنند. خطر سکته = ۵۰/۱۰۰۰ = ۰.۰۵ یا ۵٪ ⚠️ *چند نکته مهم:* خطر همیشه بین ۰ و ۱ (یا ۰٪ تا ۱۰۰٪) است. به آن بروز تجمعی (Cumulative Incidence) هم می‌گویند. فقط برای موارد جدید محاسبه می‌شود، نه موارد قبلی. برای مقایسه خطر بین دو گروه (مثل سیگاری و غیرسیگاری) بعداً از نسبت خطر (RR) استفاده می‌کنیم. 🔸️ خطر با شانس (Odds) فرق دارد: شانس = تعداد بیماران / تعداد سالم‌ها (ممکن است از ۱ هم بیشتر شود) مثال: اگر ۱۰ بیمار و ۹۰ سالم داشته باشیم، خطر = ۰.۱۰، اما شانس = ۱۰/۹۰ = ۰.۱۱ 📌 *جمع‌بندی:* خطر = احتمال ابتلای یک فرد سالم در یک بازه زمانی مشخص واحد: ۰ تا ۱ یا درصد فقط برای موارد جدید یکی از پایه‌های اصلی اپیدمیولوژی است 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

#‌FUN‌‌‌Epidemiology 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📊 آزمون کای دو؛ دو گروه با هم فرق دارند یا نه؟ 🔸️فرض کن در یک مطالعه، نسبتی از یک بیماری را در دو گروه مختلف مقایسه می‌کنی: مثلاً گروه A (دریافت‌کننده واکسن) و گروه B (بدون واکسن). ▫️سوال این است: *آیا اختلاف مشاهده‌شده بین دو گروه واقعی است یا فقط تصادفی؟* 🔷️اینجا آزمون کای دو به کار می‌آید. 🔹 *کای دو چه می‌کند؟* مقایسه می‌کند آنچه در واقعیت دیده‌ای را با آنچه اگر فقط شانس حاکم بود انتظار می‌رفت. 🔸️ *خروجی آن چیست؟* یک عدد P-value: P < 0.05 → اختلاف معنی‌دار است (شانسی نیست) P ≥ 0.05 → اختلاف معنی‌دار نیست 🔹 *یک مثال ساده* از ۱۰۰ نفر واکسینه‌شده، ۱۰ نفر بیمار شدند (۱۰٪). از ۱۰۰ نفر واکسینه‌نشده، ۳۰ نفر بیمار شدند (۳۰٪). آیا ۱۰٪ در مقابل ۳۰٪ واقعی است؟ آزمون کای دو → P = 0.001 ▫️یعنی اختلاف واقعی است و واکسن مؤثر بوده. ⚠️ *نکته مهم* کای دو فقط می‌گوید «اختلاف وجود دارد»، اما نمی‌گوید این اختلاف چقدر بزرگ یا مهم است. 📌 *جمع‌بندی* کای دو = آزمون مقایسه نسبتها در دو یا چند گروه خروجی = P-value (معنی‌داری آماری) مناسب برای جدول‌های ۲×۲ و بیشتر فقط «وجود اختلاف» را ثابت می‌کند، نه «اندازهٔ اختلاف» را 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📈 رگرسیون خطی؛ فراتر از همبستگی 🔸️در پست قبل گفتیم همبستگی فقط می‌گوید «آیا دو متغیر با هم تغییر می‌کنند؟» اما سوال مهم‌تر در اپیدمیولوژی این است: با تغییر یک واحد در X، چقدر Y تغییر می‌کند؟ ▫️اینجا پای رگرسیون خطی (Linear Regression) میاد وسط . 🔷️ *رگرسیون خطی چه کاری انجام میده؟* ساده بگم؛ رابطهٔ بین دو متغیر را با یک خط راست نشان می‌دهد: Y = a + bX + ε b = ضریب رگرسیون (میزان تغییر Y به ازای یک واحد تغییر در X) a = عرض از مبدأ (مقدار Y وقتی X=0 است) ε = خطای باقی‌مانده (چیزی که مدل توضیح نمی‌دهد) 🔹 *تفاوت کلیدی با همبستگی* همبستگی (r) فقط شدت و جهت رابطه خطی را می‌سنجد، اما رگرسیون یک پیش‌بینی عددی می‌دهد( یه ذره داریم به مدل سازی نزدیک میشیم). مثال: همبستگی می‌گوید «بین سن و فشار خون رابطه مثبت وجود دارد». رگرسیون می‌گوید «به ازای هر ۱ سال افزایش سن، فشار خون سیستولیک به طور متوسط ۰.۸ میلی‌متر جیوه بالا می‌رود». 🔸️ *یک مثال اپیدمیولوژیک* فرض کن می‌خواهید اثر شاخص توده بدنی (BMI) را روی قند خون ناشتا بررسی کنی. رگرسیون خطی ساده: FBS = 70 + 1.2 × BMI ▫️تفسیر: با افزایش ۱ واحد BMI، قند خون ۱.۲ واحد بالا می‌رود (البته اگر مدل درست باشد). *⚠️ اما هشدار مهم* رگرسیون خطی ساده فقط یک متغیر مستقل دارد و نمی‌تواند مخدوش‌گری (confounding) را کنترل کند. برای آن نیاز به رگرسیون چندمتغیره داریم که در پست بعدی می‌گوییم. 📌 *جمع‌بندی این پست* رگرسیون خطی = پیش‌بینی مقدار Y از روی X خروجی اصلی = ضریب b (با واحد) همبستگی = بدون واحد، فقط جهت و شدت رگرسیون ساده ≠ رابطه علّی (هنوز هم نیاز به معیارهای برادفورد هیل دارد) 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📣📣📣 دروس و ضرایب آزمون دکتری تخصصی و پژوهشی (Ph.D) سال 1405 وزارت بهداشت اعلام شد. 🔸️داوطلبین رشته اپیدمیولوژی و آمار زیستی این پست را مطالعه کنند‼️ 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🧪 آیا تشخیص زودتر همیشه بهتر است؟ نگاهی به غربالگری در پزشکی ⬅️ در نگاه اول، به نظر می‌رسد هرچه یک بیماری زودتر تشخیص داده شود، نتیجه درمان بهتر خواهد بود. اما در اپیدمیولوژی، موضوع به این سادگی نیست. 🔹 *غربالگری (Screening) چیست؟* غربالگری یعنی بررسی افراد ظاهراً سالم برای شناسایی زودهنگام یک بیماری، قبل از اینکه علائم بالینی ظاهر شوند. 🔹 *چرا غربالگری همیشه مفید نیست؟* چند نکته مهم وجود دارد که می‌تواند تصویر را پیچیده کند: 1. *سوگیری زمان تشخیص (Lead-time bias)* تشخیص زودتر ممکن است فقط «زمان دانستن» بیماری را جلو بیندازد، بدون اینکه واقعاً طول عمر فرد افزایش یابد. یعنی: فرد زودتر می‌فهمد بیمار است، اما زمان مرگ تغییر نکرده است. 2 *. سوگیری طول مدت (Length bias)* برنامه‌های غربالگری بیشتر بیماری‌هایی را پیدا می‌کنند که کندتر پیشرفت می‌کنند. در نتیجه، به نظر می‌رسد بیماران شناسایی‌شده در غربالگری پیش‌آگهی بهتری دارند، در حالی که این فقط به ماهیت بیماری مربوط است، نه اثر واقعی مداخله. 3 *. بیش‌تشخیصی (Overdiagnosis)* گاهی بیماری‌هایی شناسایی می‌شوند که هرگز در طول عمر فرد مشکلی ایجاد نمی‌کردند. اما بعد از تشخیص: برچسب بیماری ایجاد می‌شود درمان‌های غیرضروری انجام می‌شود و حتی عوارض درمان به فرد تحمیل می‌شود 🔹 *پس چه زمانی غربالگری مفید است؟* غربالگری زمانی ارزشمند است که: بیماری مهم و قابل درمان باشد. مرحله بدون علامت قابل شناسایی داشته باشد. درمان در مراحل اولیه مؤثرتر باشد. و منافع آن از آسیب‌های احتمالی بیشتر باشد. 📌 *جمع‌بندی:* تشخیص زودتر همیشه به معنی نتیجه بهتر نیست. ‼️در اپیدمیولوژی، حتی «یافتن بیماری» هم باید با دقت و شواهد قوی توجیه شود. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station