Ebm_base

Можно считать итогом вебинара)

Подключайтесь в 19:00

Коллеги, 27 ноября (чт) в 19:00 по Москве открытый стрим! Мы вместе с @ebm_base возвращаемся со стримом, который стал настолько культовым, что не хватило мест в первый раз (из-за лимита Zoom’а). На этот раз мы обещаем ещё больше уникальности, эксклюзивности и неповторимости (программа почти такая же). Гарантируем трансформацию взгляда на инфоцыганство в медицине, даже если вы уже её трансформировали в первый раз (минимум на 180°). А в финале появится секретный гость. Секретный настолько, что даже он сам узнает только на стриме, в чем именно он «топ-эксперт» и «проводник» в какое мышление. Ссылку для подключения пришлю сюда в канал накануне стрима. Секретный спикер появится только если пост наберет 1000 Майклов Скоттов

Зачем врачам ученая степень и как они списывают диссертации? Насколько глубоко гомеопатия проникла в российскую медицину? Подкаст 🎙 В гостях выпуска Михаил Гельфанд — доктор биологических наук, вице-президент Сколтеха по биомедицинским исследованиям, сооснователь сообщества «Диссернет». 📹 YouTube 💬 ВК Видео Особенно рекомендую посмотреть подкаст врачам, которые собираются пойти в аспирантуру или на соискательство, чтобы получить заветные «к.м.н.». Основные тезисы из выпуска:

🌟 Гомеопатия — это лженаука. Однозначно. В гомеопатических препаратах просто нет действующего вещества. Но это не помешало гомеопатии попасть в клинические рекомендации Минздрава, которые вроде как должны быть ориентиром в работе врачей. Среди таких гомеопатических препаратов — Анаферон, Эргоферон, Колофорт, Ренгалин. Это все продукты фармкомпании «Материа Медика». Вы наверняка о них слышали, но могли не знать, что это гомеопатия. 🌟 По гомеопатии в России можно защитить диссертацию и получить ученую степень. Например, 27 ноября должна была состояться защита диссертации по гомеопатии в Томском национальном исследовательском медицинском центре РАН. Но недавно работу сняли с защиты. Более того, основатель гомеопатической компании «Материа Медика» Олег Эпштейн — академик Российской академии наук (РАН). 🌟 Когда в РАН включили Российскую академию медицинских наук (РАМН), уровень науки упал. 🌟 Команда проекта «Диссернет» находит списанные диссертации и добивается отзыва ученых степеней. В том числе у врачей и медицинских чиновников. В подкасте Михаил упомянул нескольких известных людей из здравоохранения. А на сайте «Диссернета» можно увидеть много известных медиков, которые либо сами списали диссертации, либо были научными руководителями таких диссертаций. 🌟 Без ученой степени в некоторых клиниках нельзя стать заведующим, в некоторых ВУЗах — нельзя устроиться на кафедру даже ассистентом. При этом не совсем понятно, зачем врачам вообще нужна ученая степень в контексте клинической практики. Погоня за «к.м.н.» обесценивает саму степень и науку. Особенно если врачи делают плохую науку и плагиатят диссертации. 🌟 В конце немного поговорили о популяризации науки: зачем она нужна и в чем ее проблемы.

Полезные ссылки: – Телеграм-канал Михаила Гельфанда @mikhail_s_gelfand – Проект «Диссернет» www.dissernet.org – Комиссия по борьбе с лженаукой РАН www.klnran.ru

ЧТО ХУЖЕ? А помните время - трава была зеленее скачивали рефераты с интернета (все мы этим занимались, снимаем белое пальто, товарищи). Насколько эта практика работала с выпускными работами, дипломами и диссертациями, я не знаю, у меня в ВУЗе таких не было. Меня учили (как могли, да, плохо) писать статьи самому (и хорошо приучили это делать самому). Но оказывется есть (да и был) целый рынок писарей. Вам надо написать ВКР? Заплатите и не парьтесь. Вам надо написать диссертацию? Заплатите и не парьтесь. И т.п. И с приходом ИИ (точнее LLM) этот рынок только растет (по скриншоту нужно можно разинуть рот). А качество падает... Ведь не надо быть экспертом (зачем разбираться как работает научный метод, какие есть подходы), надо просто написать промт, потом ещё, ещё и отдать заказчику. Думаю уже кто-то встречал подобных персонажей) Но тут ❗ можно уйти в противоречие. Ведь есть специальность научный писатель (scientific writer)! Разве он не этим занимается? Давайте посмотрим в словарике (в целом все остальные источники пишут схожее): Следует различать Science Writing и Scientific Writing! 🔹 Scientific Writing - это написание научных статей, преимущественно для коллег (важный пункт). 🔹 Science Writing - это написание статей о науке для широкой аудитории (можно сказать научная журналистика) ❗Научный писатель (конкретно scientific writer) - это учёный/специалист (обычно часть научной команды),который обладает должным уровнем знаний (научных, специальности) и навыков (по изложению мысли, упрощению сложных деталей и других навыков письма) ❗ Т.е. они участвуют непосредственно в исследовании, его проработке/планировании, понимают как устроен научный подход, умеют интерпретировать результаты и т.д. К таким людям у меня нет вопросов, только уважение (я так не умею). Чаще всего они сильно вовлечены в ту область, о которой пишут (а иначе как это все понять/осознать). Теперь подумайте, подходят ли вышеупомянутые писари под эти термины? Скорее всего нет (хотя вы можете высказать иную точку зрения). Они лишь бездумно используют ящик Пандоры (под названием LLM, его использование это отдельная тема). Даже имея большой опыт (по их заявлениям), невозможно быть хорошим писателем в областях от истории до медицины (зачем мы вообще учимся на разные специальности?). Если бегло посмотреть статьи обсуждаемых, то можно заметить их методологическую слабость (про актуальность и результаты вообще молчу). А цены у них без стеснения. Прям вообще. И бонусом комментарий, где открыто заявляется на каком уровне этот рынок уже (п.10 ПП РФ от 24.09.2013г. №842 идёт лесом). Так что кто хуже? @Ebm_base

Доброе утро 🦶

ЭСТИМАНДЬ МЕНЯ ПОЛНОСТЬЮ Выбор estimand'а кажется сложным (так и есть). И вот в статье I. Lundberg с соавторами конкретизируют один из вариантов. Во главе всего стоит цель/задача, которую мы пытаемся решить с помощью исследования и/или данных. Коллеги из Канала влияния хорошо подметили "чтобы найти эффект, нужно заранее понять, какой эффект мы ищем" Повторять базы "чтобы понимать, надо знать" не будем)) Давайте вспомним, что мы можем рассмотреть потенциальные исходы у конкретного пациента (Y(1) - исход при наличии вмешательства и Y(0) - исход при отсутствии вмешательства). Значит мы можем предположить, какое сравнение хотим оценить, и продемонстрировать в виду формулы. Например, нам интересно узнать на сколько изменится риск исхода (выздоровление) от вмешательства (лечить). Получается, что мы хотим посмотреть разницу рисков (или абсолютный риск): Y(1) - Y(0) Но насколько большая эта разница? Конечно, клинически мы это можем понять. Но можно ли это формализовать математически? Да, мы можем посчитать отношение рисков (относительный риск): Y(1)/Y(0) Таким же образом можем посмотреть отношение шансов или другие метрики. В публикации этот компонент называют unit-specific quantity (мне кажется, можно перевести как индивидуальная величина) Затем нам надо определить, на каких субъектах мы оцениваем ее. Это второй компонент теоретического эстиманда - target population (целевая популяция). В статье это показано как взвешенная сумма по субъектам. Мне кажется, как раз на этом уровне мы и определяемся с видом эффекта (ATE, ATT, LATE, CATE и др.). Если кто-то понял иначе, то поправьте меня. Здесь важно понять, что нам важно. Изучить эффект конкретно в этой выборке (демографические данные на уровне страны/региона и пр.) или на основе результата на ней сделать вывод о популяции (как в РКИ). Следующий шаг - переход к эмпирическому estimand'у. Это уже больше технический шаг (на мой взгляд в сравнении с предыдущим), где обсуждаются конкретно цель статистического анализа, выдвигаются предположения, строится DAG, определяется модель и т.д. Т.е. из теоретического эстиманда проводим идентификацию в эмпирический. Мне данная статья понравилась. Всем, кто пытается использовать подход causal inference, рекомендую ознакомиться.

Аж вспомнилось как в одном канале мне пытались доказать, что нельзя посчитать корреляцию между двумя бинарными переменными Ну ну. Сижу вот теперь изучаю матчасть

Либо p-value покажите, либо bias уберите

Что насчет клоунады во вторник?🤡 Чтобы знать докмед, нужно разобраться в базе докмеда Чтобы разобраться в базе докмеда, надо понимать bias Чтобы понимать bias, нужно знать нюансы Чтобы знать нюансы, надо знать анекдот про нюанс Подходит продавец курсов по докмеду к Никите Бурлову и спрашивает -Никит, а что такое нюанс? Никита и говорит: -Открой широко рот Продавец открыл.... Никита достает из широких штанин книжку Триши и сует продавцу в зубы Вот смотри, у тебя знания по докмеду в голове ..... и у меня они в голове. Но есть один нюанс! Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

Потерялся где-то в МСК

Рис. 1, 2, 3 и 4

ОДИН В ПОЛЕ НЕ ВОИН Я уже писал про ATE (average treatment effect), но кроме него есть ещё другие альтернативы. А в этот раз вместе с авторами Канала Влияния решили объединиться и написать не один, а целых два (!) поста! Я расскажу про ATT с его двойником ATC, а у них вы можете прочитать в одном посте краткое резюме про эффекты в causal inference (очень рекомендую всем!). ATT (average treatment effect on the treated) - средний эффект воздействия среди тех, кому было оно назначено, по сравнению с контрфактуальной ситуацией, в которой его не было [1, 2]. ATT = 𝔼[Y(1) - Y(0)|T = 1] = 𝔼[Y(1)|T = 1] - 𝔼[Y(0)|T = 1] Представим на секунду, что у нас есть машина времени или способность заглянуть в контрфактуальный мир. Мы отбираем пациентов/людей/субъектов, которые подверглись какому-то вмешательству в нашем мире, фиксируем их исходы. Затем подсматриваем в прошлое/другой мир, где эти же субъекты уже не подвергались воздействию, и фиксируем их исходы. Находим разницу (ITE), считаем среднее [3, 4]. Ниже будет пример (рис. 1 и 2) как это выглядит в таблицах (по ссылке тоже есть). Если все было бы так просто, то наши таблицы выглядели бы так... Но это скорее теоретическое представление. На практике у нас нет подобных волшебных машин (у пациента можно зафиксировать только наблюдаемый исход). Что же делать? Мы же можем воспользоваться магией математики 😎 На самом деле в подходе causal inference есть решение этой проблемы, но у него есть свои ограничения и спорные моменты. Если коротко, то с помощью мэтчинга или взвешивания создаем псевдопопуляцию без воздействия (графически показал A.Heiss, рис. 3). А затем через parametric G-formula (мне нравится поясняющий короткий гайд) воссоздаем процесс получения контрфактуальных исходов и вычисляем ATT [3]. Представим, что каким-то чудом врач-исследователь (как сказали мои коллеги-блогеры, обычно (в 95%) такой не знает регрессию, проверяет нормальность и от иронии в блогах убегает) получил заветное значение ATT. Как ему его интерпретировать? На мой взгляд наиболее удобная и понятная: насколько изменился исход (его вероятность) у пациентов, прошедших лечение? Или Пациенты получили лечение, как это отразится на их исходе? Двойником (скорее братом) ATT является ATC/ATU/ATUT. ATC (average treatment effect on the control/untreated) - средний эффект отсутсвия воздействия среди тех, кому оно не было назначено, по сравнению с контрфактуальной ситуацией, в которой оно было [1, 2]. ATC = 𝔼[Y(1) - Y(0)|T = 0] = 𝔼[Y(1)|T = 0] - 𝔼[Y(0)|T = 0] Рассчитывается по аналогии с ATT (теоретически и практически, рис. 4). Он встречается реже, и его сложнее представить. Его интерпретация: какой эффект мы бы наблюдали у непролеченных пациентов, если бы они получили лечение? [5]. Интересно, что в ситуации с РКИ ATE, ATT и ATC будут примерно равны (при определенных условиях - большая выборка, случайный набор и т.п.). Острее эта проблема стоит там, где РКИ невозможно провести, т.к. люди в группы вмешательства и контроля попадают по разным причинам (например, в социальных науках или наблюдательных исследованиях в медицине), а значит и эффекты для них будут разные [1, 5]. На мой взгляд, самое интересное, что эти типы эффектов надо рассматривать с самого начала планирования исследования (в качестве estimand'а), чтобы понимать как продумать методологию и дальнейший анализ данных. @Ebm_base

Опубликован мой комментарий к протоколу GRECCAR 17 Возможно он не идеален, я мог допустить ошибки, но на мой взгляд в нынешнем виде протокол не отвечает на тот вопрос, на который нацелен и интересен для остальных хирургов (и без исследования понятно, что качество жизни у людей без стомы лучше, если все без осложнений). При этом много вопросов к шкале и к подгрупповым сравнениям Надеюсь авторы примут к сведению. Если у вас есть свое мнение, то готов к дискуссии

Предлагаю все дружно отметить день беззадачности ничегонеделанием

Вспомнил про этот пост и решил дополнить В блоге я такой какой в жизни. Здесь я не учу никого как жить, думать, мыслить, что читать, кого слушать, чем заниматься. Лишь пишу то, что интересно в первую очередь мне. Если я что-то делаю провокационное, странное, то обычно я после поясняю почему и зачем (да, я стараюсь быть честным, думаю так правильно). Самый простой способ - это воспринимать меня как странного знакомого, с которым можно поговорить за кружкой кофе про исследования, статистические модели (или о чем-то другом умном), и который в тот же момент будет смеяться над шуткой "судак-тудак" 😁

Бывают в жизни падения и подъемы

ответ на эту критику от этой группы тоже есть - https://doi.org/10.1080/19466315.2022.2103180, но я не нашла его полностью )) хотя очень любопытно было бы почитать его весь