ایستگاه اپیدمیولوژی/پژوهش/مقاله

❌️ فرصت ثبت نام کارگاه "صفر تا صد پروپوزال نویسی در علوم پزشکی" + کار عملی تا ساعت ۲۴ فردا شب جمعه ۱۶ مرداد ماه ۱۴۰۵ می باشد. ‼️ برای ثبت نام در بله یا تلگرام به آیدی زیر پیام دهید: ➡️ ‎@Sabtenam_Admin100

✅️ فرصت ثبت نام کارگاه‌ "صفر تا صد پروپورزال نویسی در علوم پزشکی" + کار عملی تا روز جمعه ۱۶ مرداد ماه ۱۴۰۵ می باشد. ⬅️ برای *ثبت نام* در بله یا تلگرام به آیدی زیر پیام دهید: 🆔️ @Sabtenam_Admin100 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

‼️‼️‼️ ادامه پست قبلی 📊 کاربردهای SEM در اپیدمیولوژی: ✅ بررسی مکانیسم‌های پیچیده بیماری (چندین مسیر علّی). ✅ تحلیل داده‌های پرسشنامه‌ای با سازه‌های چندبعدی (مثل کیفیت زندگی، استرس، حمایت اجتماعی). ✅ ارزیابی مدل‌های علّی در مطالعات کوهورت و مقطعی. ✅ تحلیل اثرات مستقیم و غیرمستقیم در مطالعات مداخله‌ای. ⚠️ چالش‌های استفاده از SEM: ❌ نیاز به حجم نمونه نسبتاً بزرگ (معمولاً حداقل ۲۰۰-۱۰۰ نفر). ❌ نیاز به دانش قبلی از روابط بین متغیرها (چون SEM یک مدل تأییدی است، نه اکتشافی). ❌ تفسیر پیچیده‌تر و نیاز به نرم‌افزارهای تخصصی (مثل AMOS، LISREL، Mplus، یا بسته lavaan در R). ❌ حساس به داده‌های پرت و مفقود (مثل سایر مدل‌های پارامتریک). 📌 یک مثال کامل اپیدمیولوژیک با SEM: می‌خواهی اثر فعالیت بدنی را روی بیماری قلبی-عروقی بررسی کنی، اما می‌دانی که این اثر از چند مسیر ممکن عبور کند: مسیر مستقیم: فعالیت بدنی → بیماری قلبی مسیر غیرمستقیم از طریق کاهش فشار خون مسیر غیرمستقیم از طریق کاهش کلسترول مسیر غیرمستقیم از طریق کاهش وزن ➜ SEM همزمان هر سه مسیر غیرمستقیم را بررسی می‌کند و به شما می‌گوید کدام مسیر سهم بیشتری در کاهش بیماری دارد. ➜ این به شما کمک می‌کند مداخله‌های بهداشتی را دقیق‌تر طراحی کنید (مثلاً روی کاهش فشار خون تمرکز کنید، نه صرفاً کاهش وزن). 📌 جمع‌بندی: تحلیل مسیر و SEM ابزارهایی برای بررسی روابط پیچیده و چندمتغیره در اپیدمیولوژی هستند. تحلیل مسیر به بررسی اثرات مستقیم و غیرمستقیم بین متغیرهای مشاهده‌شده می‌پردازد. SEM به مدل‌های تحلیل مسیر، امکان استفاده از متغیرهای پنهان را اضافه می‌کند. SEM به شما اجازه می‌دهد همزمان چندین معادله رگرسیونی را برآورد کنید و روابط بین متغیرهای مستقل را نیز مدل کنید. این روش‌ها به حجم نمونه بزرگ، دانش قبلی از روابط، و نرم‌افزارهای تخصصی نیاز دارند. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📊 تحلیل مسیر و مدل‌سازی معادلات ساختاری؛ از رگرسیون ساده تا روابط پیچیده 🔸️فرض کن در یک مطالعه اپیدمیولوژیک می‌خواهی بررسی کنی که چگونه عوامل مختلف بر یک بیماری تأثیر می‌گذارند. ▫️می‌دانی که چاقی (BMI) با دیابت ارتباط دارد، اما این ارتباط ممکن است از طریق عواملی مثل مقاومت به انسولین و التهاب نیز تحت تأثیر قرار گیرد. ▫️حالا سوال این است: آیا BMI مستقیماً روی دیابت اثر می‌گذارد، یا این اثر از طریق واسطه‌ها (مثلاً افزایش التهاب) اعمال می‌شود؟ ▫️در رگرسیون چندگانه معمولی، نمی‌توانی به راحتی یک مدل با چندین معادله و چندین متغیر وابسته را همزمان بررسی کنی. اینجاست که تحلیل مسیر (Path Analysis) و مدل‌سازی معادلات ساختاری (SEM) به کمک می‌آیند. 🔷️ تحلیل مسیر (Path Analysis) چیست؟ تحلیل مسیر، یک روش آماری است که به ما اجازه می‌دهد چندین رابطه علّی و غیرعلّی را بین متغیرها به صورت همزمان بررسی کنیم. در این روش، متغیرها می‌توانند هم نقش علت داشته باشند و هم نقش معلول. 📌 مثال ساده: می‌خواهی اثر BMI (متغیر مستقل) را روی دیابت (متغیر وابسته) بررسی کنی. اما می‌دانی که این رابطه ممکن است از طریق التهاب (به عنوان متغیر واسطه) نیز عبور کند. مسیر مستقیم: BMI → دیابت مسیر غیرمستقیم: BMI → التهاب → دیابت ➜ تحلیل مسیر هر دو مسیر را همزمان برآورد می‌کند و به ما می‌گوید سهم هر مسیر چقدر است (اثر مستقیم در مقابل اثر غیرمستقیم). 🔷️ مدل‌سازی معادلات ساختاری (SEM)؛ نسخه‌ی پیشرفته‌تر SEM نسخه‌ی توسعه‌یافته تحلیل مسیر است که علاوه بر مدل‌سازی روابط بین متغیرهای مشاهده‌شده، می‌تواند متغیرهای (Latent Variables) را نیز وارد مدل کند. متغیرهای پنهان، متغیرهایی هستند که مستقیماً اندازه‌گیری نمی‌شوند، اما از طریق چندین متغیر مشاهده‌شده (شاخص) برآورد می‌شوند. 📌 مثال: فرض کن می‌خواهی «وضعیت اجتماعی-اقتصادی» را اندازه‌گیری کنی. این متغیر را نمی‌توانی با یک سوال ساده اندازه‌گیری کنی، اما می‌توانی آن را با ترکیب سه شاخص برآورد کنی: سطح تحصیلات درآمد ماهانه شغل ➜ SEM این سه شاخص را با هم ترکیب می‌کند تا یک متغیر پنهان به نام «وضعیت اجتماعی-اقتصادی» بسازد و سپس اثر آن را روی پیامد مورد نظر (مثلاً فشار خون) بررسی کند. ⚠️ تفاوت SEM با رگرسیون چندگانه معمولی: رگرسیون چندگانه: فقط یک متغیر وابسته دارد. همه متغیرهای مستقل باید بدون خطا اندازه‌گیری شده باشند. نمی‌تواند روابط بین متغیرهای مستقل را مدل کند. SEM: می‌تواند چندین متغیر وابسته و مستقل را همزمان مدل کند. می‌تواند خطای اندازه‌گیری متغیرها را در نظر بگیرد. می‌تواند روابط غیرمستقیم و پیچیده را شناسایی کند. 📊 کاربردهای SEM در اپیدمیولوژی: ✅ بررسی مکانیسم‌های پیچیده بیماری (چندین مسیر علّی). ✅ تحلیل داده‌های پرسشنامه‌ای با سازه‌های چندبعدی (مثل کیفیت زندگی، استرس، حمایت اجتماعی). ✅ ارزیابی مدل‌های علّی در مطالعات کوهورت و مقطعی. ✅ تحلیل اثرات مستقیم و غیرمستقیم در مطالعات مداخله‌ای. ‼️‼️‼️ این پست ادامه دارد 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📊 تحلیل مسیر و مدل‌سازی معادلات ساختاری؛ از رگرسیون ساده تا روابط پیچیده 🔸️فرض کن در یک مطالعه اپیدمیولوژیک می‌خواهی بررسی کنی که چگونه عوامل مختلف بر یک بیماری تأثیر می‌گذارند. ▫️می‌دانی که چاقی (BMI) با دیابت ارتباط دارد، اما این ارتباط ممکن است از طریق عواملی مثل مقاومت به انسولین و التهاب نیز تحت تأثیر قرار گیرد. ▫️حالا سوال این است: آیا BMI مستقیماً روی دیابت اثر می‌گذارد، یا این اثر از طریق واسطه‌ها (مثلاً افزایش التهاب) اعمال می‌شود؟ ▫️در رگرسیون چندگانه معمولی، نمی‌توانی به راحتی یک مدل با چندین معادله و چندین متغیر وابسته را همزمان بررسی کنی. اینجاست که تحلیل مسیر (Path Analysis) و مدل‌سازی معادلات ساختاری (SEM) به کمک می‌آیند. 🔷️ تحلیل مسیر (Path Analysis) چیست؟ تحلیل مسیر، یک روش آماری است که به ما اجازه می‌دهد چندین رابطه علّی و غیرعلّی را بین متغیرها به صورت همزمان بررسی کنیم. در این روش، متغیرها می‌توانند هم نقش علت داشته باشند و هم نقش معلول. 📌 مثال ساده: می‌خواهی اثر BMI (متغیر مستقل) را روی دیابت (متغیر وابسته) بررسی کنی. اما می‌دانی که این رابطه ممکن است از طریق التهاب (به عنوان متغیر واسطه) نیز عبور کند. مسیر مستقیم: BMI → دیابت مسیر غیرمستقیم: BMI → التهاب → دیابت ➜ تحلیل مسیر هر دو مسیر را همزمان برآورد می‌کند و به ما می‌گوید سهم هر مسیر چقدر است (اثر مستقیم در مقابل اثر غیرمستقیم). 🔷️ مدل‌سازی معادلات ساختاری (SEM)؛ نسخه‌ی پیشرفته‌تر SEM نسخه‌ی توسعه‌یافته تحلیل مسیر است که علاوه بر مدل‌سازی روابط بین متغیرهای مشاهده‌شده، می‌تواند متغیرهای (Latent Variables) را نیز وارد مدل کند. متغیرهای پنهان، متغیرهایی هستند که مستقیماً اندازه‌گیری نمی‌شوند، اما از طریق چندین متغیر مشاهده‌شده (شاخص) برآورد می‌شوند. 📌 مثال: فرض کن می‌خواهی «وضعیت اجتماعی-اقتصادی» را اندازه‌گیری کنی. این متغیر را نمی‌توانی با یک سوال ساده اندازه‌گیری کنی، اما می‌توانی آن را با ترکیب سه شاخص برآورد کنی: سطح تحصیلات درآمد ماهانه شغل ➜ SEM این سه شاخص را با هم ترکیب می‌کند تا یک متغیر پنهان به نام «وضعیت اجتماعی-اقتصادی» بسازد و سپس اثر آن را روی پیامد مورد نظر (مثلاً فشار خون) بررسی کند. ⚠️ تفاوت SEM با رگرسیون چندگانه معمولی: رگرسیون چندگانه: فقط یک متغیر وابسته دارد. همه متغیرهای مستقل باید بدون خطا اندازه‌گیری شده باشند. نمی‌تواند روابط بین متغیرهای مستقل را مدل کند. SEM: می‌تواند چندین متغیر وابسته و مستقل را همزمان مدل کند. می‌تواند خطای اندازه‌گیری متغیرها را در نظر بگیرد. می‌تواند روابط غیرمستقیم و پیچیده را شناسایی کند. 📊 کاربردهای SEM در اپیدمیولوژی: ✅ بررسی مکانیسم‌های پیچیده بیماری (چندین مسیر علّی). ✅ تحلیل داده‌های پرسشنامه‌ای با سازه‌های چندبعدی (مثل کیفیت زندگی، استرس، حمایت اجتماعی). ✅ ارزیابی مدل‌های علّی در مطالعات کوهورت و مقطعی. ✅ تحلیل اثرات مستقیم و غیرمستقیم در مطالعات مداخله‌ای. ‼️‼️‼️ این پست ادامه دارد 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

‼️‼️‼️ کامل ترین دوره نگارش پروپوزال ⚠️ ۵ جلسه آموزشی + کار عملی + تکلیف 💻 آنلاین و در بستر اسکای روم 💽 همراه با ضبط جلسات و دسترسی همیشگی 📜 ارائه گواهی معتبر

⬅️ آکادمی داناوین،گروه پژوهشگران علوم پزشکی،ایستگاه اپیدمیولوژی ،کمیته تحقیقات دانشجویی دانشگاه علوم پزشکی همدان، انجمن علمی دانشجویی بهداشت عمومی(HOPE) دانشگاه علوم پزشکی تهران برگزار می کند: 🔴 کارگاه "صفر تا صد پروپورزال نویسی در علوم پزشکی" + کار عملی ✅️ در واقع در انتهای دوره یک پروپوزال آماده خواهید داشت 👨‍🏫 مدرس: آقای محمد شاه منصوری دانشجوی کارشناسی ارشد اپیدمیولوژی دانشگاه علوم پزشکی جندی شاپور اهواز مدرس دوره های آموزشی و پژوهشی پژوهشگر حوزه سلامت 📜 همراه با ارائه گواهی معتبر 🗓️ تاریخ و ساعت برگزاری: ۵ جلسه آموزشی ۱۷ و ۲۰ و ۲۴ و ۲۷ و ۳۱ مرداد ماه ۱۴۰۵ ساعت ۱۷ تا ۱۹ 💵هزینه: فقط ۳۵۰ هزار تومان ❌️ ثبت نام زود هنگام تا ۳۱ تیر ماه ۳۰۰ هزار تومان ‼️ ثبت نام گروهی ۳ نفر و بیشتر ۲۵۰ هزار تومان ⬅️ مجازی و آنلاین در بستر اسکای روم 🎞️ همراه با ضبط جلسه و دسترسی همیشگی به آن ‼️ برای ثبت نام در بله یا تلگرام به آیدی زیر پیام دهید: ➡️ ‎@Sabtenam_Admin100 🔘 ارتباط با ما در بله و تلگرام: 🆔️ @srcnews 🆔️ @HOPE_TUMS 🆔️ @Danavin_Academy 🆔️ @Pazhuheshgaran_MS 🆔️ @Epidemiology_Station

⚠️⚠️‼️‼️⚠️⚠️ فرصت استفاده از تخفیف ثبت نام زود هنگام فقط تا ساعت ۲۴ امشب ( دوشنبه ۵ مرداد ماه )

📢📢📢 به دلیل درخواست های شما عزیزان تخفیف ثبت نام زود هنگام تا ۵ مرداد ماه ۱۴۰۵ تمدید شد ❌️❌️❌️❌️ تخفیف ثبت نام زود هنگام مدرسه جامع نگارش و تألیف کتاب در علوم پزشکی فقط تا ساعت ۲۴ *امشب* دوشنبه ۵ مرداد ماه ۱۴۰۵ هستش ⬅️ و اگر ۳ نفر یا بیشتر باشه گروه تون و با هم ثبت نام کنید میتونید از تخفیف ثبت نام گروهی استفاده کنید. ‼️ برای *ثبت نام* و اطلاعات بیشتر در مدرسه به آیدی زیر در بله یا تلگرام پیام دهید: ➡️ @Pparizad ✅️✅️✅️ این تاریخ دیگر تمدید نخواهد شد.

🔔🔔🔔 همراهان عزیز "ایستگاه اپیدمیولوژی" ‼️ کانال بله ما رو هم داشته باشین تا اگر باز مشکلی برای نت پیش اومد ارتباط مون قطع نشه🙏

«ایستگاه اپیدمیولوژی/پژوهش/مقاله» ⬅️ هر آنچه که مربوط به علم اپیدمیولوژی ، آمار زیستی و پژوهش است را اینجا خواهیم گفت آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی ▪️کانال تلگرامی: 🆔️ https://t.me/Epidemiology_Station ▫️کانال بله: 🆔️ https://ble.ir/Epidemiology_Station

📊 Attributable Risk؛ چه نسبتی از بیماری قابل پیشگیری است؟ 🔸️فرض کن می‌دانی سیگار باعث سرطان ریه می‌شود. اما سوال مهم‌تر این است: اگر همه سیگار را ترک کنند، چند درصد از موارد سرطان ریه حذف می‌شود؟ ▫️پاسخ این سوال را Attributable Risk (AR) یا خطر قابل انتساب می‌دهد. 🔷️ Attributable Risk یعنی چه؟ Attributable Risk (AR) = تفاوت خطر بین گروه مواجهه‌دیده و گروه مواجهه‌ندیده. به عبارت دیگر: «چقدر از بیماری در گروه مواجهه‌دیده، مستقیماً به خود مواجهه مربوط است؟» 📌 فرمول ساده: AR = Risk_exposed – Risk_unexposed ✅ مثال: خطر سرطان ریه در افراد سیگاری = ۲۰٪ خطر سرطان ریه در افراد غیرسیگاری = ۲٪ ➜ AR = ۲۰٪ - ۲٪ = ۱۸٪ 📌 تفسیر: از ۲۰٪ خطر سرطان در سیگاری‌ها، ۱۸٪ به خود سیگار مربوط است و اگر سیگار را ترک کنند، این ۱۸٪ حذف می‌شود. 🔹️ Attributable Risk درصدی (AR%): گاهی می‌خواهیم بدانیم چه نسبتی از بیماری در گروه مواجهه‌دیده به مواجهه مربوط است. AR% = (Risk_exposed – Risk_unexposed) / Risk_exposed × 100 ✅ مثال: AR% = (۲۰ - ۲) / ۲۰ × ۱۰۰ = ۹۰٪ ➜ یعنی ۹۰٪ از موارد سرطان ریه در افراد سیگاری، به خود سیگار مربوط است و با ترک آن قابل پیشگیری است. 🔷️ نوع دوم: Population Attributable Risk (PAR) Attributable Risk فقط برای افراد مواجهه‌دیده محاسبه می‌شود. اما گاهی می‌خواهیم بدانیم در کل جمعیت (چه مواجهه‌دیده و چه ندیده)، چه نسبتی از بیماری به مواجهه مربوط است. 📌 فرمول: PAR = Risk_total – Risk_unexposed ➜ یعنی اگر کل جمعیت را در نظر بگیریم (با همان شیوع مواجهه در جامعه)، چقدر از موارد بیماری قابل حذف است؟ ✅ مثال: اگر ۳۰٪ جامعه سیگاری باشند: خطر کل (Risk_total) = (۰.۳ × ۲۰٪) + (۰.۷ × ۲٪) = ۶٪ + ۱.۴٪ = ۷.۴٪ Risk_unexposed = ۲٪ ➜ PAR = ۷.۴٪ - ۲٪ = ۵.۴٪ 📌 تفسیر: در کل جمعیت، ۵.۴٪ از موارد سرطان ریه به سیگار مربوط است و با حذف سیگار قابل پیشگیری خواهد بود. ⚠️ تفاوت Attributable Risk با Relative Risk (RR): RR = نسبت خطر (چند برابر بیشتر؟). ✅ مثال: RR = ۲۰/۲ = ۱۰ (سیگاری‌ها ۱۰ برابر بیشتر در معرض خطرند). AR = تفاوت خطر (چقدر بیشتر؟ به تعداد). ✅ مثال: AR = ۲۰٪ - ۲٪ = ۱۸٪ (۱۸ نفر از هر ۱۰۰ سیگاری، به خاطر سیگار سرطان می‌گیرند). 📌 نکته: RR شدت ارتباط را می‌سنجد، اما AR تأثیر را از نظر سلامت عمومی نشان می‌دهد (چقدر بیماری قابل پیشگیری است؟). 📌 کاربردهای Attributable Risk: در سیاست‌گذاری سلامت عمومی: تصمیم‌گیری درباره هزینه‌کرد برای برنامه‌های پیشگیری. در اولویت‌بندی مداخلات: هرچه AR بزرگ‌تر، مداخله روی آن عامل مؤثرتر است. در ارتباط با پزشکان: به بیمار بگویی «اگر سیگار را ترک کنی، خطرت از ۲۰٪ به ۲٪ می‌رسد» (ملموس‌تر از گفتن RR=10). 📌 جمع‌بندی: Attributable Risk (AR) = تفاوت خطر بین مواجهه‌دیده و مواجهه‌ندیده (قابل پیشگیری). AR% = درصدی از موارد در گروه مواجهه‌دیده که به مواجهه مربوط است. PAR = درصدی از موارد در کل جمعیت که به مواجهه مربوط است. هرچه AR یا PAR بزرگ‌تر، اهمیت آن عامل در سلامت عمومی بیشتر است. RR می‌گوید «چقدر خطرناک است؟»؛ AR می‌گوید «چقدر قابل پیشگیری است؟» 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

«داناوین آکادمی/ Danavin Academy» 🔸️با داناوین دانایی در جریان است✌️ ⬅️ آموزش / پژوهش / کوچینگ / منتورینگ علوم پزشکی 🆔️ کانال تلگرامی مون: https://t.me/Danavin_Academy 🆔 کانال بله مون: https://ble.ir/Danavin_Academy

⚠️⚠️⚠️⚠️ فقط تا ساعت ۲۴ امشب

📣📣📣 تخفیف ثبت نام زود هنگام به دلیل درخواست های شما عزیزان تا ۲ مرداد ماه تمدید شد ❌️❌️❌️❌️ تخفیف ثبت نام زود هنگام دوره پروپوزال نویسی در علوم پزشکی فقط تا روز جمعه ۲ مرداد ماه ۱۴۰۵ ( امشب ساعت ۲۴ ) هستش ⬅️ و اگر ۳ نفر یا بیشتر باشه گروه تون و با هم ثبت نام کنید میتونید از تخفیف ثبت نام گروهی استفاده کنید. ‼️ برای *ثبت نام* در بله یا تلگرام به آیدی زیر پیام دهید: ➡️ ‎@Sabtenam_Admin100 ✅️ این تاریخ دیگر تمدید نخواهد شد.

📊 ارزیابی مدل‌های تشخیصی؛ حساسیت، ویژگی، و AUC 🔸️فرض کن دو پزشک با دو تست مختلف، یک بیماری را تشخیص می‌دهند. یکی تست سریع اما نه چندان دقیق، دیگری تست دقیق‌تر اما گران‌تر و زمان‌بر. چطور بفهمیم کدام تست بهتر است؟ ▫️در پزشکی و اپیدمیولوژی، برای ارزیابی یک آزمون تشخیصی از سه معیار کلیدی استفاده می‌کنیم: حساسیت، ویژگی، و AUC. 🔷️ حساسیت (Sensitivity)؛ توانایی تشخیص بیماران حساسیت یعنی از بین افرادی که واقعاً بیمار هستند، آزمایش چند درصد را مثبت نشان می‌دهد. ✅ مثال: یک آزمایش با حساسیت ۹۰٪ یعنی از ۱۰۰ بیمار واقعی، ۹۰ نفر را درست تشخیص می‌دهد و ۱۰ نفر را اشتباهاً سالم اعلام می‌کند (منفی کاذب). ➜ حساسیت بالا برای بیماری‌های خطرناک که نباید از قلم بیفتند حیاتی است (مثل سرطان). ⚠️ قانون طلایی: برای بیماری‌های کشنده با درمان خوب → حساسیت بالا اولویت دارد (نترس از منفی کاذب). 🔷️ ویژگی (Specificity)؛ توانایی تشخیص سالم‌ها ویژگی یعنی از بین افرادی که واقعاً سالم هستند، آزمایش چند درصد را منفی نشان می‌دهد. ✅ مثال: یک آزمایش با ویژگی ۹۰٪ یعنی از ۱۰۰ فرد سالم، ۹۰ نفر را درست سالم معرفی می‌کند و ۱۰ نفر را اشتباهاً بیمار اعلام می‌کند (مثبت کاذب). ➜ ویژگی بالا برای بیماری‌هایی که درمانشان عوارض سنگین دارد اهمیت دارد. ⚠️ قانون طلایی: اگر درمان عوارض جدی دارد → ویژگی بالا اولویت دارد (نترس از مثبت کاذب). 📌 یک مثال عینی: آزمایش سریع آنفلوآنزا با حساسیت ۸۰٪ و ویژگی ۹۰٪: از ۱۰۰ بیمار واقعی، ۸۰ نفر مثبت می‌شوند (۲۰ نفر منفی کاذب). از ۱۰۰ فرد سالم، ۹۰ نفر منفی می‌شوند (۱۰ نفر مثبت کاذب). ➜ این تست برای غربالگری در زمان همه‌گیری قابل قبول است، اما برای تشخیص قطعی کافی نیست. 🔷️ منحنی ROC و AUC؛ معیار کلی عملکرد منحنی ROC (Receiver Operating Characteristic) یک نمودار است که حساسیت را در مقابل ۱-ویژگی رسم می‌کند. این منحنی به ما نشان می‌دهد یک تست تشخیصی در تمام نقاط برش (cut-off) چطور عمل می‌کند. 📊 AUC (Area Under the Curve) = سطح زیر منحنی ROC AUC = ۱.۰ → تست عالی (تشخیص ۱۰۰٪). AUC = ۰.۹ تا ۰.۹۹ → عالی. AUC = ۰.۸ تا ۰.۹ → خوب. AUC = ۰.۷ تا ۰.۸ → قابل قبول. AUC = ۰.۵ → کاملاً تصادفی (بی‌فایده). ✅ مثال: اگر AUC یک تست تشخیصی برای سرطان پستان ۰.۸۵ باشد، یعنی این تست در ۸۵٪ مواقع بیمار را از سالم تشخیص می‌دهد (عملکرد خوب). ⚠️ سه اشتباه رایج درباره این معیارها: ❌ قاطی کردن حساسیت با ویژگی: حساسیت = تشخیص بیماران (بیماران واقعی را پیدا کن). ویژگی = تشخیص سالم‌ها (سالم‌ها را اشتباه نگیر). ❌ تکیه صرف به حساسیت و ویژگی بدون توجه به شیوع: حساسیت و ویژگی به شیوع بیماری وابسته نیستند، اما ارزش اخباری مثبت (PPV) به شدت به شیوع بستگی دارد (در پست‌های قبلی گفتیم). ❌ نادیده گرفتن AUC: یک تست ممکن است در یک نقطه برش خاص حساسیت و ویژگی خوبی داشته باشد، اما AUC به ما می‌گوید در تمام نقاط برش چطور عمل می‌کند. 📌 یک داستان کوتاه: دو تست برای تشخیص یک بیماری نادر طراحی شده‌اند. تست A: حساسیت ۹۵٪، ویژگی ۵۰٪ → بیماران را خوب پیدا می‌کند، اما کلی سالم را اشتباهی بیمار معرفی می‌کند. تست B: حساسیت ۷۰٪، ویژگی ۹۵٪ → سالم‌ها را خوب تشخیص می‌دهد، اما برخی بیماران را از قلم می‌اندازد. کدام بهتر است؟ بستگی به هدف دارد: ➜ برای غربالگری اولیه (جایی که نباید بیماری را از دست بدهی) → تست A بهتر است. ➜ برای تأیید تشخیص (جایی که نباید سالم را اشتباهی بیمار کنی) → تست B بهتر است. اما اگر بخواهیم یک عدد برای مقایسه کلی داشته باشیم، به AUC نگاه می‌کنیم. هرکدام AUC بالاتری داشته باشد، در مجموع عملکرد بهتری دارد. 📌 جمع‌بندی: حساسیت = چند درصد بیماران واقعی را پیدا می‌کنی؟ (منفی کاذب کم). ویژگی = چند درصد سالم‌ها را درست تشخیص می‌دهی؟ (مثبت کاذب کم). AUC = معیار کلی عملکرد تست (هرچه به ۱ نزدیک‌تر، بهتر). انتخاب بین حساسیت و ویژگی به هدف تست و عواقب خطا بستگی دارد. AUC یک عدد واحد برای مقایسه تست‌های مختلف به شما می‌دهد. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

⬅️ ایستگاه اپیدمیولوژی / پژوهش/ مقاله ‼️ عزیزان حتما کانال بله ما رو هم داشته باشین تا اگر باز نتونستیم به تلگرام دسترسی داشته باشیم ارتباط مون قطع نشه👇👇👇 ✅️ https://ble.ir/Epidemiology_Station آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

❌️❌️❌️❌️ تخفیف ثبت نام زود هنگام دوره پروپوزال نویسی در علوم پزشکی فقط تا ۳۱ تیر ماه ۱۴۰۵ هستش ⬅️ و اگر ۳ نفر یا بیشتر باشه گروه تون و با هم ثبت نام کنید میتونید از تخفیف ثبت نام گروهی استفاده کنید.