ایستگاه اپیدمیولوژی/پژوهش/مقاله

📊 چرا همبستگی ≠ علیت؟ این‌که دو متغیر با هم تغییر کنند، فقط آغاز تحلیل است، نه نتیجه آن. در اپیدمیولوژی، چند توضیح کاملاً متفاوت می‌تواند پشت یک همبستگی باشد. 🔹* 1. مخدوش‌گری (Confounding)* مهم‌ترین دلیل خطای تفسیر همبستگی. یک متغیر سوم (C) هم روی مواجهه (X) اثر می‌گذارد و هم روی پیامد (Y). مثال کلاسیک‌تر و واقعی‌تر: در مطالعات مشاهده‌ای، رابطه‌ای بین مصرف الکل متوسط و برخی پیامدهای سلامت قلبی دیده شده بود. اما وقتی داده‌ها دقیق‌تر بررسی شدند: وضعیت اجتماعی-اقتصادی (SES) رژیم غذایی و سبک زندگی کلی نقش مهمی داشتند. افرادی با SES بالاتر هم الگوی مصرف متفاوتی داشتند و هم دسترسی بهتر به مراقبت سلامت. پس بخشی از اثر مشاهده‌شده، مربوط به خود الکل نبود، بلکه ناشی از ساختار جمعیت بود. 🔹 *2. علیت معکوس (Reverse Causation)* در مطالعات مقطعی یا حتی برخی cohortهای کوتاه‌مدت، جهت رابطه ممکن است اشتباه تفسیر شود. مثال: در برخی داده‌ها دیده می‌شود: افراد تحت درمان دارویی، بیشتر دچار بیماری‌های شدید هستند. اگر ساده نگاه کنیم ممکن است فکر کنیم دارو باعث بدتر شدن بیماری شده. اما واقعیت این است: شدت بیماری → افزایش مصرف دارو نه برعکس. این خطا مخصوصاً در داده‌های real-world بسیار شایع است. 🔹 3 *. همبستگی کاذب (Spurious / Non-causal association)* گاهی رابطه‌ای که دیده می‌شود فقط حاصل ساختار داده یا روندهای پنهان است. مثلاً: افزایش تعداد تست‌های تشخیصی باعث افزایش موارد گزارش‌شده بیماری می‌شود، در حالی که ممکن است شیوع واقعی تغییر نکرده باشد. یا: افزایش یک شاخص سلامت هم‌زمان با افزایش بیماری دیده شود فقط به این دلیل که سیستم ثبت داده بهتر شده است. 🔹* 4. خطای تصادفی (Random error)* گاهی هم اصلاً هیچ داستانی وجود ندارد. در تعداد زیادی آزمون آماری، برخی روابط فقط به‌صورت تصادفی “معنادار” می‌شوند (multiple comparisons problem). این همان جایی است که اپیدمیولوژیست‌ها معمولاً کمی بدبین‌تر از بقیه‌اند. 🔹 *پس چطور از همبستگی به علیت می‌رسیم؟* اپیدمیولوژی مدرن فقط به p-value نگاه نمی‌کند. برای بررسی علیت معمولاً چند محور هم‌زمان بررسی می‌شود: Temporality: مواجهه باید قبل از پیامد باشد Strength of association: قدرت رابطه Dose–response: افزایش مواجهه → افزایش خطر Consistency: تکرار در مطالعات مختلف Biological plausibility: سازگاری با مکانیسم زیستی Control of confounding: طراحی مطالعه یا تحلیل آماری مناسب این‌ها در چارچوب‌هایی مثل Bradford Hill criteria و مدل‌های جدیدتر causal inference (مثل کارهای Hernán & Robins) جمع‌بندی شده‌اند. 📌 جمع‌بندی: همبستگی فقط نشان می‌دهد داده‌ها چگونه با هم حرکت کرده‌اند. *اما اپیدمیولوژی سؤال اصلی را تازه شروع می‌کند:* آیا این رابطه واقعی است یا فقط سایه‌ای از confounding، خطا یا ساختار داده؟ 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📊 همبستگی یعنی ارتباط؟ نه دقیقاً 🔸️در آمار و اپیدمیولوژی، خیلی وقت‌ها با یک الگوی ساده روبه‌رو می‌شویم: دو متغیر در داده‌ها هم‌زمان تغییر می‌کنند. ▫️این وضعیت را همبستگی (Correlation) می‌نامیم. 🔷️اما نکته مهم این است که همبستگی فقط یک ویژگی ریاضی داده‌هاست، نه یک ادعای علمی درباره علت و معلول. 🔹 *همبستگی دقیقاً چه چیزی را اندازه می‌گیرد؟* همبستگی (مثلاً ضریب پیرسون) بررسی می‌کند که آیا بین دو متغیر یک رابطه خطی وجود دارد یا نه، و این رابطه در چه جهتی است (مثبت یا منفی) و با چه شدتی. یعنی فقط این را می‌سنجد: وقتی X تغییر می‌کند، Y به‌طور منظم چگونه تغییر می‌کند؟ اما هیچ اطلاعاتی درباره این موارد نمی‌دهد: آیا X باعث Y شده است آیا Y باعث X شده است یا اصلاً هیچ رابطه علّی وجود ندارد 🔹 یک مثال واقعی‌تر اپیدمیولوژیک در برخی داده‌های مشاهده‌ای، رابطه‌ای بین سطح کلسترول تام و مرگ‌ومیر کلی دیده می‌شود. اگر فقط همبستگی را نگاه کنیم، ممکن است نتیجه‌گیری اشتباه شکل بگیرد. اما در واقعیت: سن بیماری‌های زمینه‌ای وضعیت تغذیه و درمان‌های دارویی همگی می‌توانند هم روی کلسترول اثر بگذارند و هم روی مرگ‌ومیر. 🔘در نتیجه، این رابطه خام (crude association) الزاماً معنای علّی ندارد. 🔹 نکته کلیدی اپیدمیولوژی همبستگی معمولاً از داده‌های مشاهده‌ای (observational data) به دست می‌آید. و داده‌های مشاهده‌ای به‌شدت در معرض سوگیری (bias) و مخدوش‌گری (confounding) هستند. به همین دلیل در اپیدمیولوژی همیشه تأکید می‌شود: Association ≠ Causation 📌 جمع‌بندی: همبستگی یک توصیف آماری از داده‌هاست. نه درباره علت حرف می‌زند، نه درباره مکانیسم، نه درباره جهت رابطه. 🔴🔴🔴 این مبحث در پست بعدی ادامه دارد. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

در حال آپدیت کانال تلگرام هستیم ، لطفا به دوستان خودتون هم اطلاع بدید 🌺

📌 دو نوع مهم سوگیری در مطالعات اپیدمیولوژی 🧠 «جایی که علم از همون اول آروم آروم منحرف میشه» ⬅️ سوگیری همیشه موقع تحلیل داده‌ها به وجود نمی‌آید. گاهی مشکل از همان ابتداست؛ وقتی داریم انتخاب می‌کنیم چه کسی وارد مطالعه شود یا اصلاً چه داده‌ای ثبت شود. دو نوع خیلی مهم از سوگیری: 1️⃣ سوگیری انتخاب (Selection Bias) 📍 تعریف ساده: وقتی افرادی که وارد مطالعه می‌شوند، نماینده واقعی کل جامعه هدف نیستند. یعنی تو داری درباره “همه مردم” نتیجه می‌گیری، ولی فقط از یک “گروه خاص” داده جمع کرده‌ای. 📌 مثال خیلی ساده: فرض کن می‌خوای بفهمی یک بیماری چقدر در جامعه شایع است. ولی فقط میری: 🏥 بیمارستان طبیعتاً چی می‌بینی؟ • آدم‌های بیمارتر • موارد شدیدتر • افرادی که اصلاً حال‌شون خوب نیست 📍 نتیجه اشتباه: فکر می‌کنی بیماری خیلی خطرناک‌تر و شایع‌تر از واقعیت جامعه است. 📌 مثال روزمره‌تر: اگر بخوای نظر مردم درباره یک موضوع رو از شبکه‌های اجتماعی بگیری فقط نظر کسانی رو داری که: • اینترنت دارند • فعال‌اند • علاقه‌مند یا معترض‌اند ➡️ پس نتیجه، نظر “کل جامعه” نیست، فقط یک بخش خاصه 📌 جمع‌بندی این بخش: 👉 مشکل اینجاست که از اول، “چه کسی وارد مطالعه شده” درست انتخاب نشده و همین باعث می‌شود کل نتیجه کج باشد. 2️⃣ سوگیری اطلاعات (Information Bias) 📍 تعریف ساده: وقتی اطلاعاتی که درباره افراد جمع می‌کنی، دقیق، کامل یا یکسان نیست. یعنی مشکل این نیست که چه کسی وارد مطالعه شده، مشکل این است که “داده‌ای که از آن‌ها گرفتی” درست نیست. 📌 مثال خیلی ساده: فرض کن دو گروه داری: • افراد بیمار • افراد سالم از هر دو می‌پرسی: “قبلاً سیگار می‌کشیدی یا نه؟” 📍 مشکل کجاست؟ 🧠 افراد بیمار: بیشتر سعی می‌کنند علت پیدا کنند → دقیق‌تر یا حتی بیش‌ازحد فکر می‌کنند 🧠 افراد سالم: ممکن است کمتر به گذشته فکر کنند یا دقیق یادشان نباشد 📍 نتیجه: تو داری داده‌هایی مقایسه می‌کنی که از نظر دقت یکسان نیستند و همین باعث می‌شود رابطه‌ها اشتباه دیده شوند 📌 مثال ساده‌تر: اگر فشار خون را در دو مرکز با دو دستگاه مختلف اندازه بگیری: • یکی دقیق و کالیبره • یکی قدیمی و خطادار ➡️ ممکن است فکر کنی یک گروه فشار خون بالاتری دارد در حالی که مشکل از “اندازه‌گیری” بوده، نه افراد 📌 مثال روزمره: مثل این است که: دو نفر را با دو دماسنج مختلف اندازه بگیری بعد نتیجه بگیری یکی واقعاً تب دارد و دیگری ندارد. در حالی که مشکل از ابزار است، نه آدم‌ها 🧠 جمع‌بندی نهایی: 📍 سوگیری انتخاب: 👈 مشکل در “چه کسی وارد مطالعه می‌شود” 📍 سوگیری اطلاعات: 👈 مشکل در “ داده‌ای که از افراد گرفته می‌شود” 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📌 سوگیری (Bias) یعنی چی؟ 🧠 «وقتی عددها راست می‌گن، ولی حقیقت رو کامل نمی‌گن» ⬅️ حتی بهترین مطالعات هم می‌تونن نتیجه اشتباه بدن… بدون اینکه کسی تقلب کرده باشه. 📍 سوگیری (Bias) یعنی: ⬅️ خطای سیستماتیک در طراحی یا اجرای مطالعه که باعث می‌شود نتیجه به یک سمت خاص منحرف شود. ⚠️ *تفاوت مهم:* • خطای تصادفی ❌ → با افزایش نمونه کمتر می‌شود • سوگیری ❌ → با افزایش نمونه هم از بین نمی‌رود 📌 مثال ساده: اگر فقط بیماران بستری در بیمارستان را بررسی کنیم، فکر می‌کنیم بیماری خیلی شدیدتر از واقعیت جامعه است. 🧾 جمع‌بندی: 👈 سوگیری یعنی “کج دیدن واقعیت”، نه اشتباه حساب کردن آن 📌 جمله طلایی: «قبل از باور عددها، باید پرسید این عددها از کجا آمده‌اند» ‼️‼️ موارد تکمیلی این پست در پست بعدی گفته خواهد شد‼️‼️‼️ 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

⬅️ انواع توزیع‌ها در داده‌های پزشکی (با نگاه تحلیلی) 🔸️در داده‌های زیستی، شکل توزیع فقط یک نمودار نیست؛ یک سرنخ درباره فرآیند زیستی پشت داده‌هاست. 🔹 1 . توزیع نرمال (Normal Distribution) مدل کلاسیک داده‌های زیستی در شرایط پایدار ویژگی‌ها: تقارن حول میانگین μ = Median = Mode توصیف کامل با μ و σ 📌 اهمیت اپیدمیولوژیک: پایه بسیاری از روش‌های استنباطی (t-test، ANOVA) 🔹 2. توزیع چوله مثبت (Positive Skewness) دم توزیع به سمت راست کشیده می‌شود. ویژگی: تمرکز داده‌ها در مقادیر پایین وجود مقادیر پرت بالا (Outliers) 📌 مثال اپیدمیولوژیک: هزینه درمان طول مدت بستری بار ویروسی در برخی بیماری‌ها 📌 نکته: در این حالت، میانگین > میانه 🔹 3. توزیع چوله منفی (Negative Skewness) برعکس حالت قبل تجمع داده‌ها در مقادیر بالا وجود چند مقدار بسیار پایین 📌 مثال: برخی نمره‌دهی‌های محدودشده 🔹 نکته کلیدی در تحلیل: در اپیدمیولوژی، شکل توزیع فقط “توصیف داده” نیست: 👈 تعیین می‌کند از چه آمار توصیفی و استنباطی استفاده کنیم. نرمال → میانگین و انحراف معیار غیرنرمال → میانه و IQR آزمون‌ها → پارامتریک یا ناپارامتریک 🔹 جمع‌بندی: شناخت توزیع یعنی قبل از هر تحلیل آماری بدانیم که داده واقعاً چه رفتاری دارد، نه اینکه دوست داریم چه رفتاری داشته باشد. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🧠 این شکل چی میگه؟ ⬅️ این منحنی نشون میده: نتایج یک مطالعه چطور می‌تونن پخش بشن وسط منحنی = محتمل‌ترین مقدار دو طرف = مقادیر کمتر محتمل 🔵 قسمت آبی وسط (95% Confidence Level) 👈 این بخش یعنی: ما ۹۵٪ اطمینان داریم که مقدار واقعی داخل این محدوده قرار داره 🔸️یعنی اگر این مطالعه رو بارها تکرار کنیم، بیشتر نتایج داخل همین ناحیه درمیاد ⚪ دو طرف خاکستری (هر کدوم 2.5%) 👈 این‌ها نواحی خیلی کم‌احتمالن 👈 مجموعاً میشن ۵٪ (همون خطای معروف) یعنی: این قسمت‌ها چیزایی هستن که کمتر انتظار داریم ببینیم ↔️ اون فلش پایین (Confidence Interval) 👉 این بازه بین دو خط عمودی همون فاصله اطمینانه یعنی: محدوده‌ای از اعداد که احتمالاً مقدار واقعی داخلشه 📌ترجمه ساده کل شکل: 👈 ما یه عدد دقیق نداریم 👈 یه «بازه» داریم که فکر می‌کنیم جواب واقعی توشه 🎯 نکته مهمی که باید بفهمن: هرچی این بازه باریک‌تر باشه 👈 یعنی دقت مطالعه بیشتره هرچی پهن‌تر باشه 👈 یعنی عدم قطعیت بیشتره 🧠 خلاصه خیلی خلاصه ،فاصله اطمینان میگه: «جواب دقیق رو نمی‌دونیم، ولی احتمالاً بین این دوتاست» 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📊 «فاصله اطمینان یعنی چی؟» تا حالا کنار p-value، عبارت Confidence Interval رو دیدی؟ 🔹 به زبان ساده: فاصله اطمینان یعنی: «حدسی که می‌زنیم، با چه بازه‌ای از اعداد سازگاره» 🧠 یه مثال: فرض کن یه مطالعه میگه: اثر یک دارو = ۲۰٪ کاهش بیماری اما در واقعیت میگه: 👈 بین ۱۰٪ تا ۳۰٪ کاهش این بازه ۱۰ تا ۳۰ درصد 👈 همون فاصله اطمینانه 📌 نکته مهم: هرچی این فاصله باریک‌تر باشه 👈 نتیجه دقیق‌تره هرچی گسترده‌تر باشه 👈 عدم قطعیت بیشتره 🧠 *چرا مهمه؟* p-value فقط میگه «نتیجه شانسی هست یا نه» اما فاصله اطمینان نشون میده 👈 اثر چقدر می‌تونه باشه 🧠 *خلاصه:* Confidence Interval = «بازه‌ای که احتمالاً جواب واقعی داخلشه» 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

⚠️ «۳ اشتباه رایج درباره p-value» 🔔🔔🔔 ( ۳ پست مرتبط ) خیلی وقتا p-value اشتباه تفسیر میشه 👇 ❌ اشتباه ۱: p-value میگه نتیجه قطعاً درسته ✅ واقعیت: p-value فقط میگه نتیجه چقدر می‌تونه شانسی باشه نه اینکه حتماً درسته ❌ اشتباه ۲: اگر p < 0.05 شد، یعنی خیلی مهمه ✅ واقعیت: این فقط نشون میده نتیجه آماری معناداره نه لزوماً از نظر بالینی مهم ❌ اشتباه ۳: اگر p بزرگ بود، یعنی هیچ رابطه‌ای وجود نداره ✅ واقعیت: شاید فقط داده کافی نداشتیم یا مطالعه قدرت کافی نداشته 🧠 خلاصه: p-value یه ابزار کمکیه نه حکم نهایی ⬅️ با دونستن این اشتباهات،کمتر فریب نتایج به‌ظاهر «علمی» رو می‌خوری 😉 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📊 «p-value رو با یه شکل بفهمیم به این تصویر نگاه کن 👆 ▪️اون منحنی زنگوله‌ای نشون میده: اگر *هیچ ارتباط واقعی وجود نداشته باشه*، نتایج معمولاً کجا قرار می‌گیرن 🔹 وسط منحنی: نتایج عادی و قابل انتظار (چیز خاصی نیست) 🔹 دو طرف منحنی: نتایج نادر و غیرعادی 🔴 اون نقطه قرمز چیه؟ 👈 نتیجه‌ایه که ما در مطالعه دیدیم می‌بینی که رفته سمت ناحیه‌های «غیرمعمول» 🟢 قسمت سبز (p-value): 👈 این بخش نشون میده: احتمال اینکه همچین نتیجه‌ای (یا حتی شدیدتر از این) فقط به‌خاطر شانس به‌دست اومده باشه 📌 نکته مهم: اگر این قسمت سبز کوچیک باشه (مثلاً < 0.05) 👈 یعنی نتیجه ما خیلی بعیده شانسی باشه 👈 پس احتمالاً یه رابطه واقعی وجود داره 🧠 خلاصه: p-value یعنی: «این نتیجه‌ای که دیدیم،چقدر می‌تونه فقط اتفاقی بوده باشه؟» ⬅️ با این نگاه، دیدن p-value دیگه فقط یه عدد نیست 😉 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📊 «بروز و شیوع چه فرقی دارن؟» این دو تا کلمه خیلی شبیه‌ان، ولی فرقشون مهمه 👇 🔹 بروز (Incidence) یعنی تعداد *موارد جدید* یک بیماری در یک بازه زمانی مثلاً: تو یک ماه، ۱۰ نفر از یه محله تازه به آنفلوآنزا مبتلا شدن 🔹 شیوع (Prevalence) یعنی *کل افرادی* که در یک زمان مشخص اون بیماری رو دارن (چه قدیمی، چه جدید) مثلاً: الان ۵۰ نفر از همون محله آنفلوآنزا دارن 📌 فرق اصلی: بروز = فقط جدیدها شیوع = همه‌ی مبتلایان 🧠 کاربردشون چیه؟ 🔸 وقتی می‌خوای بفهمی یه عامل خطر (مثلاً سیگار) باعث بیماری قلبی میشه یا نه 👈 بروز مهم‌تره 🔸 وقتی می‌خوای بدونی چقدر تخت بیمارستان، پزشک یا امکانات لازمه 👈 شیوع به کارت میاد 🧠 ساده‌ترش: بروز میگه «چند نفر *تازه* مریض شدن» شیوع میگه «الان *چند نفر مریض هستن*» با دونستن همین یه تفاوت ساده، خبرهای سلامت رو خیلی دقیق‌تر می‌فهمی 😉 🔹️ ایستگاه اپیدمیولوژی 🔹️ ⬅️ کانال بله آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔️ @Epidemiology_Station

🧠 «اپیدمیولوژی یعنی چی و چرا باید برام مهم باشه؟» ⁉️ شاید اسم اپیدمیولوژی رو زیاد شنیده باشی، مخصوصاً از زمان کرونا... 🔸️ولی واقعاً یعنی چی؟ به زبان خیلی ساده: اپیدمیولوژی یعنی بررسی اینکه بیماری‌ها 🔹 چرا به وجود میان 🔹 چطور پخش می‌شن 🔹 و چطور میشه جلوشون رو گرفت ▪️مثلاً: چرا بعضی‌ها زودتر مریض میشن؟ یا چرا یه بیماری تو یه شهر زیاد میشه ولی جای دیگه نه؟ 📌 خبر خوب: تو این کانال قراره این مفاهیم رو خیلی ساده، با مثال‌های واقعی یاد بگیری نه فرمول پیچیده، نه اصطلاحات گیج‌کننده فقط چیزایی که کمک می‌کنه سلامت خودت و اطرافیانت رو بهتر بفهمی 🫀 🔹️ ایستگاه اپیدمیولوژی 🔹️ ⬅️ کانال بله آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔️ @Epidemiology_Station

⬅️ ایستگاه اپیدمیولوژی /پژوهش/مقاله ▪️جایی برای فهم دقیق‌تر دنیای بیماری‌ها، انتقال، پیشگیری و آنچه پشت‌صحنه سلامت جامعه و علم اپیدمیولوژی/ پژوهش و مقابه می‌گذرد. 🔸️در اینجا تلاش می‌کنیم هر آنچه مربوط به علم اپیدمیولوژی و آمار زیستی است را به شکلی ساده، علمی و قابل استفاده برای دانشجویان، پژوهشگران و علاقه‌مندان سلامت ارائه کنیم؛ ▫️از مفاهیم پایه اپیدمیولوژی و آمار زیستی گرفته تا تحلیل رویدادهای روز، اپیدمی‌ها، شاخص‌های سلامت، روش‌های تحقیق و یافته‌های جدید علمی. 🔹 ایستگاه اپیدمیولوژی/پژوهش/مقاله 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station