ایستگاه اپیدمیولوژی/پژوهش/مقاله

✅️ ایستگاه دوم: بدون نرم‌افزار حرف نزنید تحلیل روندهای پژوهشی فقط با گوگل اسکالر شدنی نیست. چند ابزار رایگان و نیمه‌رایگان حرفه‌ای‌تر از ۹۰٪ محققان فکر می‌کنید: 📊 CiteSpace نرم‌افزاری که با تحلیل هم‌استنادی (Co-citation)، انفجار واژه‌ها (Burst Detection) و خوشه‌بندی موضوعی، نقاط داغ پژوهشی را نشان می‌دهد. کاری که این نرم‌افزار می‌کند این است: می‌گوید «در دو سال گذشته چه کلیدواژه‌هایی ناگهان حسابی محبوب شده‌اند؟» مثال فرضی: اگر کلماتی مثل «زوال عقل» و «مقاومت به انسولین» ناگهان رشد عجیبی در نمودار داشته باشند، یعنی سیستم فرصت را به شما نشان داده. 📊 Connected Papers / Litmaps / Research Rabbit این ابزارهای آنلاین رایگان برای شناسایی مقالات مرتبط و خوشه‌های داغ پژوهشی معجزه می‌کنند. چطور کار می‌کنند؟ شما یک مقاله پایه (مقاله خوب و شناخته‌شده در حوزه مورد نظرتان) به آنها می‌دهید، این ابزارها یک نقشه از مقالات مشابه، مقالات بعدی که به آن استناد کرده‌اند، و همکاران پرمحصول به شما تحویل می‌دهند. 📊 تجزیه و تحلیل هم‌وقوعی کلیدواژه (Keyword Co-occurrence Analysis) این روش به شما می‌گوید کدام کلمات کلیدی در مقالات مختلف با هم تکرار می‌شوند. اگر بارها ببینید «دیابت نوع دو»، «چاقی»، و «میکروبیوم روده» کنار هم ظاهر می‌شوند، یعنی یک فرصت جدید شما را صدا می‌زند. 🔷️ ایستگاه سوم: گزارش‌های جهانی را جدی بگیرید اگر فقط مقالات را بخوانید، در آسمان‌ها هستید اما خبر از زمین ندارید. یک محقق موفق هم مقالات می‌خواند، هم گزارش‌های جهانی را. Harvard Global Health Institute هر سال گزارش‌های استراتژیک منتشر می‌کند که شامل اولویت‌های سلامت جهانی و موضوعات رو به رشد است. این گزارش‌ها، نیازهای واقعی جامعه را به شما نشان می‌دهند. وقت خود را صرف یک موضوع کاملاً تئوریک نکنید که در عمل به دردی نمی‌خورد. 🔷️ ایستگاه چهارم: توییتر (X) و شبکه‌های اجتماعی علمی بگذارید رک و پوست‌کنده بگویم: اکثر موضوعات داغ مدیون یک بحث توییتری یا یک بحث داغ در کنفرانس هستند. اگر این شبکه‌ها را نداشته باشید، بسیاری از سرفصل‌های مهم را دیر متوجه می‌شوید. چند هشتگ پیشنهادی: #epitwitter، #EpiMethods، #MedEd، #GlobalHealth، #PublicHealth. اما یک نکته جدی: این فضا مملو از نظرهای شخصی است. هیچ‌وقت صرفاً به خاطر یک بحث توییتری، موضوع پایان‌نامه یا گرنتتان را عوض نکنید. اینجا فقط جای تشخیص سیگنال اولیه است، نه تأیید نهایی. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🔍 چطور موضوعات داغ پژوهشی را پیدا کنیم؟ شاید بپرسید: «آیا یک محقق واقعاً می‌تواند «داغ» بودن یک موضوع را زودتر از بقیه بفهمد؟» بله. با یک استراتژی مشخص. 🔷️ ایستگاه اول: همرنگ جماعت نشوید، دنبال سیگنال‌های اولیه بگردید خیلی از محققان تازه‌کار به جای اینکه الگوهای پژوهشی را درک کنند، صرفاً میروند سراغ پراستنادترین مقالات چند سال اخیر. این کار، درست مثل خرید سهم بعد از گران شدنش است. برای اینکه از جمعیت عقب نمانید و جلوتر از بقیه حرکت کنید، این چند سیگنال اولیه را دنبال کنید: 📌 *شاخص: Call for Papers مجلات معتبر* ▫️مجلات بزرگی مثل The Lancet، American Journal of Epidemiology و ... هر سال شماره‌های ویژه با موضوعات جذاب منتشر می‌کنند. اگر می‌بینید یک شماره ویژه با عنوان «هوش مصنوعی در مراقبت‌های بهداشتی» اعلام شده، یعنی آن حوزه به‌زودی داغ می‌شود، نه الان. ⚠️ این Call for Papers معمولاً ۶ تا ۱۲ ماه قبل از انتشار مقالات اصلی منتشر می‌شوند. فرصت طلایی همینجاست. 📌 شاخص: اولویت‌های پژوهشی WHO و CDC ▫️سازمان جهانی بهداشت هر سال فهرستی از پاتوژن‌های اولویت‌دار و بیماری‌های دارای شکاف تحقیقاتی منتشر می‌کند. مثلاً در سال ۲۰۲۵، نقشه‌راه تحقیق و توسعه برای ۱۰ خانواده ویروسی و یک گروه باکتریایی منتشر شد که اولویت‌های پژوهشی جهانی را نشان می‌دهد. سازمان جهانی بهداشت فهرست پاتوژن‌های اولویت‌دار (از کووید-۱۹ گرفته تا ابولا، ماربورگ، لاسا، مرس، سارس، نیپاه، زیکا و دیزاز ایکس) را برای راهنمایی سرمایه‌گذاری‌های تحقیقاتی منتشر می‌کند. 📌 شاخص: مقالات مروری داغ ▫️مقالات مروری (به‌ویژه مرورهای نظام‌مند و نقشه‌های شواهد) نشان می‌دهند کدام حوزه‌ها دارند وارد بلوغ می‌شوند و کدام حوزه‌ها هنوز شکاف‌های تحقیقاتی (Research Gaps) دارند. هر پژوهشی با این سوال شروع می‌شود: «چه چیزی کم است؟» ❌ اشتباه رایج این است که پژوهشگران به دنبال «یافتن یک موضوع» هستند، نه «شناسایی یک شکاف تحقیقاتی واقعی». ادامه دارد همراه ما باشید ... 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📌دو ویژگی دیگر + اشتباهات رایج ادامه پست عنوان خوب؛نیمی از پذیرش مقاله 🔸️در پست قبل گفتیم عنوان خوب باید دقیق، مختصر و دارای کلمات کلیدی باشد. اما دو ویژگی دیگر هم هست که مقاله را خواندنی‌تر می‌کند. 🔷️ ویژگی چهارم: جذاب و خواندنی (Interesting but not sensational) عنوان نباید اغراق‌آمیز یا تبلیغاتی باشد، اما می‌تواند یک پرسش، یک نتیجهٔ مهم یا یک شگفتی را لو بدهد. ✅ مثال جذاب: «آیا قهوه واقعاً باعث سرطان می‌شود؟ تحلیل مجدد داده‌ها با کنترل مخدوش‌کنندگی» 🔷️ ویژگی پنجم: ساختار مناسب (Proper structure) معمولاً فرمت: «پیامد + مواجهه + جمعیت مطالعه + طرح مطالعه» یا فرمت دو قسمتی: «عبارت جذاب: توضیح دقیق» (خیلی محبوب در مجلات بالینی) ✅ مثال: «زنگ خطر قهوه؛ ارتباط مصرف قهوه با سرطان لوزالمعده در یک مطالعه مورد-شاهدی» ⚠️ *سه اشتباه رایج در عنوان:* ❌ عنوان خیلی کلی و مبهم (مثل «دیابت در ایران») ❌ عنوان خیلی تخصصی و پر از اصطلاحات غیرضروری (مثل «بررسی همبستگی‌های چندسطحی...») ❌ عنوان بلند و پیچیده (بیش از ۲۵ کلمه) 📌 *انواع رایج عنوان:* توصیفی (Descriptive): فقط بیانگر محتوا (شایع‌ترین) پرسشی (Question): جذاب برای خواننده (مثال: «آیا واکسن آنفلوآنزا از سکته قلبی جلوگیری می‌کند؟») دو قسمتی (Colon style): «عبارت جذاب: توضیح دقیق» 📌 *جمع‌بندی نهایی:* عنوان خوب، اولین و آخرین فرصت برای جذب خواننده است. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📌 عنوان خوب؛ نیمی از پذیرش مقاله 🔸️فرض کن ۲۰۰ مقاله در PubMed جستجو کرده‌ای. عنوان هر مقاله، اولین چیزی است که می‌بینی. اگر عنوان مبهم، طولانی یا کسل‌کننده باشد، حتی یک بار هم کلیک نمی‌کنی. ▫️پس عنوان خوب یعنی چه؟ 🔷️ *سه ویژگی اول یک عنوان قوی:* ۱. دقیق و گویا (Accurate) عنوان باید مشخص کند «چه چیزی اندازه گرفته شده، روی چه کسانی و با چه نتیجه‌ای». ❌ بد: «بررسی عوامل مرتبط با دیابت» ✅ خوب: «ارتباط مصرف نوشیدنی‌های شیرین با خطر دیابت نوع ۲ در بزرگسالان ایرانی» ۲. مختصر و جذاب (Concise) بین ۱۰ تا ۱۵ کلمه (حداکثر ۲۰). هر کلمه اضافه قدرت عنوان را کم می‌کند. ❌ بد: «بررسی و مطالعه و تحلیل ارتباط بین مصرف روزانه قهوه و بروز حملات قلبی در افراد بالای ۵۰ سال در شهر تهران» ✅ خوب: «مصرف قهوه و خطر حمله قلبی در بزرگسالان تهرانی» ۳. شامل کلمات کلیدی اصلی (Keyword-rich) کلماتی که دیگران برای جستجو استفاده می‌کنند باید در عنوان باشد. به فکر «پیداشدن» در گوگل اسکالر باشید. مثال: «COVID-19»، «Risk Factor»، «Cohort Study»، «Type 2 Diabetes» 📌 *جمع‌بندی :* عنوان خوب = دقیق + مختصر + غنی از کلیدواژه. اگر این سه نباشند، مقاله‌ات گم می‌شود. ‼️‼️‼️ ادامه مطالب در پست بعدی 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🕵️‍♂️ اپیدمیولوژی میدانی؛ کارآگاهان واقعی صحنهٔ طغیان 🔸️فرض کن یک شب، ۲۰ نفر با تب و اسهال شدید به بیمارستان مراجعه می‌کنند. همه در یک رستوران غذا خورده‌اند. چند نفر بستری می‌شوند و یکی می‌میرد. ▫️سؤال: منبع بیماری کجاست؟ چه غذایی؟ چگونه جلوی مرگ بقیه را بگیریم؟ اینجا پای اپیدمیولوژیست میدانی به میان می‌آید. کسی که از پشت میز و نرم‌افزار خارج می‌شود و می‌رود به صحنهٔ طغیان. 🔷️ *اپیدمیولوژی میدانی یعنی چه؟* کاربرد اصول و روش‌های اپیدمیولوژی در شرایط اضطراری و واقعی، با هدف شناسایی سریع منبع، راه‌های انتقال و کنترل فوری بیماری. فرقش با اپیدمیولوژی معمولی در سرعت عمل و اقدام در شرایط عدم قطعیت است. 📊 مراحل کار یک اپیدمیولوژیست میدانی (در ۵ گام): گام اول – تأیید طغیان (Outbreak verification): آیا واقعاً تعداد موارد بیش از حد انتظار است؟ یا فقط نوسان معمولی؟ نمونه‌گیری و بررسی اولیه. گام دوم – تعریف مورد (Case definition): تعریف ساده و عملی از بیماری: «هر کسی که از تاریخ X به بعد، تب و اسهال داشته باشد و در رستوران Y غذا خورده باشد.» گام سوم – جستجوی سیستماتیک (Systematic search): رفتن به خانه‌ها، بیمارستان‌ها، پرسشگری از مردم. پیدا کردن بیماران بیشتر، حتی آنهایی که به بیمارستان نرفته‌اند. گام چهارم – طرح مطالعه (Study design): معمولاً مطالعه مورد-شاهدی در همان محل (مقایسهٔ افراد بیمار و سالم از نظر غذاهایی که خورده‌اند) یا مطالعه کوهورت (اگر گروه مشخصی مثل مهمانی در دسترس باشد). گام پنجم – اقدام فوری (Immediate action): بستن رستوران، جمع‌آوری غذای آلوده، آموزش مردم، درمان پیشگیرانه. اپیدمیولوژیست میدانی تا وقتی اقدام عملی نکرده باشد، کارش تمام نشده. 🔹 *یک مثال واقعی از اپیدمیولوژی میدانی (کلاسیک):* شیوع بیماری لژیونر در فیلادلفیا ۱۹۷۶ (همان جایی که نام لژیونر از آن آمد). جمعی از سربازان بازنشسته در یک هتل دچار پنومونی مرموز شدند. اپیدمیولوژیست‌ها با بررسی سیستم تهویه و آب هتل، منبع را پیدا کردند: باکتری لژیونلا در برج‌های خنک‌کننده سیستم تهویه. این کشف منجر به تغییر استانداردهای تهویه در سراسر جهان شد. 📌 *جمع‌بندی داستانی:* وقتی طغیان رخ می‌دهد، دیگر زمان مدل‌های پیچیده و انتظار برای تأمین بودجه نیست. اپیدمیولوژیست میدانی چمدانش را برمی‌دارد و می‌رود به همان رستوران، همان خانه‌ها، همان بیمارستان. او با پرسشگری، نمونه‌گیری، جدول ۲×۲ سریع و قلم کاغذ (نه نرم‌افزار) منبع را پیدا می‌کند و جلوی مرگ بقیه را می‌گیرد. این همان اپیدمیولوژی در خط مقدم است. ⬅️ این یه مثال ساده از مجموعه فعالیت های اپیدمیولوژیست های میدانی که بهش پرداختیم حضور اونا توی بحران های سلامت مثل سیل ، زلزله ، جنگ و ... حافظ سلامت جامعه در برابر تهدید هاست. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🛡️ قانون سلامت جهانی؛ کشورها در برابر تهدیدهای خارجی چه وظیفه‌ای دارند؟ 🔸️تصور کن ویروس جدیدی در دورافتاده‌ترین نقطه جهان ظهور کرده. یک سوال مهم پیش می‌آید: کشورها و سازمان جهانی بهداشت (WHO) برای جلوگیری از تبدیل شدن آن به یک تهدید جهانی، دقیقاً چه مکانیسمی دارند؟ پاسخ در آیین‌نامه یا مقررات بهداشت بین‌المللی (International Health Regulations - IHR) پنهان است. 🔷️ IHR * دقیقاً چیست؟* IHR یک توافقنامه حقوقی الزام‌آور بین ۱۹۶ کشور جهان (۱۹۴ کشور عضو سازمان جهانی بهداشت به اضافه لیختن‌اشتاین و واتیکان) است که هدف آن جلوگیری از گسترش بین‌المللی بیماری‌هاست، بدون اینکه رفت‌وآمدها و تجارت جهانی را بی‌دلیل مختل کند. قوانین قدیمی قبلاً فقط شامل وبا، طاعون و تب زرد می‌شد، اما از سال ۲۰۰۵، دامنه آن به هر تهدیدی (حتی شیمیایی و هسته‌ای) که بتواند یک “وضعیت اضطراری بهداشت عمومی با نگرانی بین‌المللی” ایجاد کند، گسترش یافته است. 🔹 *نحوه عملکرد در ۳ گام کلیدی:* *گام اول:* تشخیص، ارزیابی و گزارش در مبدأ (Core Capacities). IHR از کشورها می‌خواهد یک «ظرفیت‌ هسته» داشته باشند، یعنی قابلیت‌هایی از جمله: داشتن قوانین و سیاست‌های لازم، هماهنگی بین‌بخشی (بهداشت، دامپزشکی، محیط زیست، گمرک و...)، آزمایشگاه‌های مجهز، نظام مراقبت حساس، واکنش سریع، ارتباطات خطر (ریسک) و نقاط ورود کنترل‌شده. به زبان ساده: یک حصار هوشمند و فعال برای مهار بیماری قبل از خروج از کشور. *گام دوم:* زنگ خطر همگانی (PHEIC). اگر رویدادی جدی، غیرعادی، غیرمنتظره باشد و خطر سرایت به کشورهای دیگر را داشته باشد و نیاز به واکنش فوری بین‌المللی داشته باشد، WHO آن را “وضعیت اضطراری بهداشت عمومی با نگرانی بین‌المللی” اعلام می‌کند . تاکنون ۱۰ اعلام PHEIC داشته‌ایم (آنفلوآنزای H1N1 ۲۰۰۹، فلج اطفال ۲۰۱۴، ابولا ۲۰۱۴، زیکا، ابولای Kivu، کووید-۱۹، دو اعلام جداگانه برای ام‌پاکس ۲۰۲۲ و ۲۰۲۴). این اعلامیه یک عمل سیاسی-حقوقی قدرتمند است که باعث بسیج منابع و اعمال «توصیه‌های موقت» توسط WHO می‌شود. این توصیه‌ها الزام‌آور نیستند، اما اگر کشوری از آن سرپیچی کند، باید دلیل علمی خود را به WHO اثبات کند. این مرحله زنگ درخواست کمک جهانی و هشدار به فرودگاه‌ها و مرزهای دنیاست. *گام سوم:* شفافیت در برابر خطاها. برای اطمینان از این که کشورها این کارها را درست انجام می‌دهند، همه موظفند سالانه یک گزارش خودارزیابی (SPAR) به WHO بدهند و هر ۴ تا ۵ سال یک بار پذیرای ارزیابی خارجی مشترک داوطلبانه داوران باشند تا نقاط ضعفشان پیدا شود. 📌 *جمع‌بندی داستانی این قانون:* هیچ کشوری در دنیای فوق‌جهانی امروز به تنهایی نمی‌تواند از خود دفاع کند. آیین‌نامه بهداشت بین‌المللی را می‌توان به «قانون راهنمای رانندگی برای بهداشت جهانی» تشبیه کرد. به هر کشوری می‌گوید ماشین ایمنی خود (ظرفیت‌های هسته) را آماده کند، هر کسی که ناگهان تصادف کرد (طغیان)، فریاد بزند و چراغ خطرش را روشن کند (اعلام PHEIC) و همه موظفند شفاف گزارش بدهند و در جاده کنار هم حرکت کنند تا از تصادف زنجیره‌ای جلوگیری شود. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

‼️‼️‼️ چرا کنگره ها و همایش ها مهم هستند؟! ⬅️ قرار نیست در کنگره‌ها فقط «حضور فیزیکی» داشته باشیم. 🤔 واقعیت اینه که ارزش واقعی کنگره‌ها، آدم‌هایی هستن که باهاشون حرف می‌زنیم، نه فقط سخنرانی‌هایی که گوش می‌دیم و یا اثری که می‌فرستیم یا ارائه میدیم. در کنگره، هوشمندانه ارتباطات مناسبی می‌سازیم👇 🧠 اساتید فعال پژوهشی: نه لزوماً مشهورترین‌ها؛ اون‌هایی که پروژه‌های در دست اجرا دارن و دانشجو می‌پذیرن. 👩‍🔬 دانشجویان هم‌سطح یا کمی جلوتر از ما: بهترین هم‌تیمی‌ها و شریک‌های آینده پژوهش همین‌ها هستن. 🧪 ارائه‌دهندگان پوستر و مقاله: شروع گفتگو با یک سؤال ساده درباره کارشون، می‌تونه به یک همکاری جدی ختم بشه. 🚀 مسئولان کمیته‌های علمی و تحقیقاتی: مسیرهای پنهانی فرصت‌ها معمولاً دست این افراد هست. 🔹️ نکته طلایی؟ 🎯 لازم نیست پرحرف باشیم؛ یک سؤال دقیق، علاقه واقعی و معرفی کوتاه کافیه تا در ذهن‌ها بمونیم. کنگره جای جمع کردن کارت ویزیت نیست؛ جای ساختن ارتباطیه که آینده پژوهشمون رو تغییر می‌ده. 🔬✨ 🔸️ قابل توجه: کنگره ها محل و فرصت خوبی برای تمرین فن بیان،مدیریت استرس،شبکه سازی و تمرین یادگرفته ها هستند. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🎲 نمونه‌گیری احتمالی؛ وقتی شانس، نجات‌بخش است 🔸️در پست قبلی گفتیم که نمونه‌گیری احتمالی یعنی هر فرد در جمعیت، شانس مشخص و غیرصفر برای انتخاب شدن دارد. ▫️این روش به ما اجازه می‌دهد خطای نمونه‌گیری را محاسبه کنیم و نتایج را با اطمینان به کل جمعیت تعمیم دهیم. 🔷️ چهار نوع اصلی نمونه‌گیری احتمالی: 📊 ۱. نمونه‌گیری تصادفی ساده (Simple Random Sampling) مثال: می‌خواهی از بین ۱۰۰۰ دانشجو، ۱۰۰ نفر را برای نظرخواهی انتخاب کنی. همه اسامی را در یک کلاه می‌ریزی و ۱۰۰ اسم را به تصادف بیرون می‌آوری (یا از نرم‌افزار استفاده می‌کنی). ✅ هر فرد دقیقاً شانس یکسانی برای انتخاب شدن دارد. ⚠️ اگر جمعیت خیلی پراکنده باشد، ممکن است نمونه به طور تصادفی در یک منطقه متمرکز شود. 📊 ۲. نمونه‌گیری سیستماتیک (Systematic Sampling) مثال: همان ۱۰۰۰ دانشجو را به ترتیب الفبا مرتب می‌کنی. فاصلهٔ نمونه‌گیری = ۱۰۰۰/۱۰۰ = ۱۰. یک شروع تصادفی بین ۱ تا ۱۰ انتخاب می‌کنی (مثلاً نفر شماره ۷)، سپس هر ۱۰ نفر بعدی را می‌گیری (۷، ۱۷، ۲۷، ...). ✅ ساده‌تر از تصادفی ساده، و معمولاً توزیع خوبی دارد. ⚠️ اگر در لیست نظم پنهانی وجود داشته باشد (مثلاً زنان و مردان منظم آمده باشند) ممکن است بایاس ایجاد شود. 📊 ۳. نمونه‌گیری طبقه‌بندی‌شده (Stratified Sampling) مثال: می‌دانی که جمعیت دانشجویان ۶۰٪ زن و ۴۰٪ مرد است. می‌خواهی نمونهٔ ۱۰۰ نفری ات دقیقاً همین نسبت را داشته باشد. ابتدا دانشجویان را به دو طبقهٔ زن و مرد تقسیم می‌کنی. سپس از طبقهٔ زن ۶۰ نفر و از طبقهٔ مرد ۴۰ نفر به صورت تصادفی ساده انتخاب می‌کنی. ✅ دقت بالاتر از تصادفی ساده، چون تنوع مهم را حفظ می‌کنی. ➜ در اپیدمیولوژی خیلی کاربرد دارد (مثلاً طبقه‌بندی بر اساس سن، جنس، منطقه). 📊 ۴. نمونه‌گیری خوشه‌ای (Cluster Sampling) مثال: می‌خواهی وضعیت سلامت دانشجویان یک دانشگاه بزرگ را بررسی کنی. به جای رفتن سراغ همهٔ دانشجوها، «کلاس‌ها» را به عنوان خوشه انتخاب می‌کنی. چند کلاس را تصادفی انتخاب می‌کنی و سپس همهٔ دانشجویان آن کلاس‌ها را وارد مطالعه می‌کنی. ✅ هزینه و زمان را خیلی کم می‌کند (مخصوصاً وقتی جمعیت پراکنده است). ⚠️ دقت معمولاً کمتر از طبقه‌بندی‌شده است (چون افراد هر خوشه شبیه هم هستند). 🔹 نوع خاص: نمونه‌گیری چندمرحله‌ای (Multistage) – ترکیبی از خوشه‌ای و تصادفی. مثال: اول چند استان، سپس چند شهر، سپس چند محله، سپس چند خانه را تصادفی انتخاب می‌کنی. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🎯 نمونه‌گیری؛ چطور با مطالعهٔ چند نفر، دربارهٔ همهٔ مردم نظر بدهیم؟ 🔸️فرض کن می‌خواهی بدانی چند درصد مردم شهرت آنفلوآنزا گرفته‌اند. اما نمی‌توانی همهٔ ۱۰ میلیون نفر را چک کنی (هزینه، زمان، امکانات). ▫️*چاره چیست؟* یک نمونه (Sample) از مردم را انتخاب می‌کنی، آنها را بررسی می‌کنی، و نتیجه را به کل جمعیت تعمیم (Generalize) می‌دهی. 🔷️ نمونه‌گیری یعنی انتخاب گروهی از افراد از یک جمعیت بزرگتر، به گونه‌ای که نمایندهٔ آن جمعیت باشند. 📊 *دو دستهٔ اصلی نمونه‌گیری:* ۱. نمونه‌گیری احتمالی (Probability Sampling) – طلایی استاندارد هر فرد شانس مشخص و غیرصفر برای انتخاب شدن دارد. ➜ می‌توانی خطای نمونه‌گیری را محاسبه کنی و نتایج را تعمیم دهی. انواع: تصادفی ساده، سیستماتیک، طبقه‌بندی شده، خوشه‌ای. ۲. نمونه‌گیری غیراحتمالی (Non-probability Sampling) – وقتی چاره‌ای نیست افراد به روش غیرتصادفی انتخاب می‌شوند (مثل در دسترس بودن، داوطلبی). ➜ نمی‌توانی خطا را محاسبه کنی، تعمیم نتایج خطرناک است. انواع: در دسترس (آسان)، سهمیه‌ای، گلوله برفی، هدفمند. ⚠️ *نکتهٔ حیاتی:* حتی بهترین تحلیل آماری هم نمی‌تواند یک نمونهٔ بد (غیرنماینده) را نجات دهد. اگر نمونه‌ات معرف نباشد، نتیجه‌ات گمراه‌کننده خواهد بود (بایاس انتخابی که قبلاً گفتیم). 🔹 *مثال معروف اشتباه نمونه‌گیری*: نظرسنجی تلفنی در دهه ۱۹۳۰ (فقط خانه‌های دارای تلفن – که ثروتمندتر بودند) نتیجهٔ انتخابات ریاست‌جمهوری را کاملاً اشتباه پیش‌بینی کرد. 📌 *جمع‌بندی:* نمونه‌گیری = انتخاب بخشی از جمعیت برای مطالعه نمونهٔ خوب = تصادفی + به اندازه + معرف نمونهٔ بد = حتی با تحلیل عالی هم به درد نمی‌خورد همیشه بپرس: «آیا نمونه‌ام واقعاً شبیه جمعیت مورد نظرم است؟» 🔜 در پست بعدی: انواع نمونه‌گیری را با مثال توضیح می‌دهیم. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🔄 کارآزمایی متقاطع (Cross-Over Trial); هر بیمار هم دارو را می‌خورد هم دارونما 🔸️فرض کن می‌خواهی اثر یک مسکن جدید روی سردرد را آزمایش کنی. ▫️در یک کارآزمایی معمولی، یک گروه مسکن جدید می‌خورند و گروه دیگر دارونما. اما در طرح متقاطع، هر بیمار در دو دوره متوالی، هم دارو و هم دارونما را دریافت می‌کند (با فاصلهٔ زمانی و شستشوی دارو). 🔷️ مراحل: ۱. دوره اول: نیمی از بیماران مسکن جدید، نیمی دارونما → ثبت شدت سردرد. ۲. یک دوره بدون درمان (washout) تا اثر داروی قبلی از بین برود. ۳. دوره دوم: گروه‌ها عوض می‌شوند (کسانی که قبلاً دارو خوردند حالا دارونما می‌خورند و بالعکس). ۴. مقایسهٔ شدت سردرد در هر فرد در دو حالت (دارو در مقابل دارونما). ✅ مزیت: هر بیمار کنترل خودش است → حذف اثر تفاوت‌های فردی → قدرت آماری بالا با حجم نمونه کمتر. ❌ محدودیت: فقط برای بیماری‌های پایدار و برگشت‌پذیر (مثل سردرد، آسم خفیف، فشار خون خفیف). ⚠️ نکته: اگر بیماری قابل درمان قطعی باشد یا در دوره اول اثر ماندگار بگذارد، قابل استفاده نیست. 📌 مثال دیگر: اثر یک اسپری بینی روی گرفتگی بینی. هر فرد در یک هفته اسپری واقعی، هفته دیگر اسپری دارونما (بدون اینکه بداند کدام کدام است). بعد مقایسه می‌کند کدام هفته گرفتگی کمتری داشت. 🧪 کارآزمایی فاکتوریال (Factorial Trial); دو سؤال با یک مطالعه 🔸️فرض کن می‌خواهی هم اثر داروی A و هم اثر داروی B را روی فشار خون بررسی کنی. در طرح معمولی باید دو مطالعه جداگانه انجام دهی. اما در طرح فاکتوریال، هر دو را یکجا می‌آزمایی. 🔷️ طراحی: بیماران به ۴ گروه تقسیم می‌شوند: ۱. فقط داروی A ۲. فقط داروی B ۳. هر دو داروی A+B ۴. دارونما (نه A نه B) سپس مقایسه می‌کنی: اثر A = مقایسهٔ گروه‌های A و A+B در مقابل گروه‌های بدون A اثر B = مقایسهٔ گروه‌های B و A+B در مقابل گروه‌های بدون B همچنین می‌توانی اثر متقابل (interaction) را ببینی: آیا A و B همزمان بهتر از جمع اثرات جداگانه‌شان هستند؟ ✅ مزیت بزرگ: با یک مطالعه، هزینه و زمان دو مطالعه را صرفه‌جویی می‌کنی. ❌ محدودیت: اگر بین دو درمان اثر متقابل وجود داشته باشد (مثلاً یکدیگر را خنثی یا تقویت کنند)، تفسیر نتایج پیچیده می‌شود. ⚠️ شرط: هر دو درمان باید مکانیسم‌های متفاوتی داشته باشند و تداخل دارویی نداشته باشند. 📌 مثال معروف از اپیدمیولوژی: مطالعهٔ پزشکی physicians' health study (هم اثر آسپرین روی سکته قلبی و هم اثر بتاکاروتن روی سرطان) – هر دو سؤال در یک طراحی ۲×۲ فاکتوریال پاسخ داده شد. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

📌 «سوگیری انتشار (Publication Bias)؛ چرا مقالات منفی کم تر دیده می‌شوند؟» 📚 سوگیری انتشار؛ قصهٔ دارویی که هیچ‌کس نمی‌خواست بداند مؤثر نیست 🔸️اوایل دههٔ ۲۰۰۰، تحقیقات نشان می‌دادند که داروهای ضدافسردگی جدید (مثل فلوکستین) در ۹۰٪ موارد مؤثرند. پزشکان با اطمینان نسخه می‌نوشتند. بیماران خوب می‌شدند. اما یک سؤال بزرگ بود: چرا گاهی همان داروها در عمل جواب نمی‌دادند؟ یک تیم تحقیقاتی تصمیم گرفت سراغ مقالات منتشرنشده برود. آنها از سازمان غذا و داروی آمریکا (FDA) خواستند تمام کارآزمایی‌های انجام‌شده (چه منتشر شده، چه منتشر نشده) را نشان دهد. ▫️نتیجه خیره‌کننده بود: از ۷۴ کارآزمایی که روی فلوکستین انجام شده بود، ۳۸ کارآزمایی مثبت (مؤثر) و ۳۶ کارآزمایی منفی (بی‌اثر یا مضر) وجود داشت. اما در مقالات منتشرشده، ۳۷ کارآزمایی از ۳۸ کارآزمایی مثبت منتشر شده بودند، و از ۳۶ کارآزمایی منفی فقط ۳ تا منتشر شده بودند! یعنی ۹۳٪ مقالات منتشرشده مثبت بودند، در حالی که واقعیت فقط ۵۰٪ بود. ⚠️ این همان «سوگیری انتشار» است. 🔷️ *سوگیری انتشار یعنی چه؟* یعنی تمایل محققان، مجلات و ناشران به منتشر کردن نتایج مثبت و معنی‌دار و کنار گذاشتن نتایج منفی یا بی‌معنی در کشوی میز . 🔹 *چرا این اتفاق می‌افتد؟* مجلات علاقه به مقالاتی دارند که p-value کوچک و یافته‌های چشمگیر دارند. محققان انگیزه‌ای برای نوشتن و ارسال مقالات منفی ندارند. شرکت‌های داروسازی دوست ندارند نتایج منفی محصول خود را منتشر کنند. 📊 *چرا این موضوع خطرناک است؟* باعث می‌شود متاآنالیزها و مرورهای سیستماتیک اغراق‌آمیز شوند (چون فقط مقالات مثبت وارد تحلیل می‌شوند). پزشکان درمان‌هایی را تجویز می‌کنند که شاید واقعاً مؤثر نباشند. منابع سیستم سلامت صرف داروهای کم‌اثر یا بی‌اثر می‌شود. بیماران عوارض می‌گیرند بدون اینکه سود واقعی ببرند. 📌 *مثال معروف دیگر:* داروهای X برای آنفلوآنزا. سال‌ها بر اساس مقالات منتشرشده (که فقط ۶۰٪ کارآزمایی‌های مثبت را نشان می‌دادند) تجویز می‌شد. وقتی تمام داده‌ها (شامل داده‌های منتشرنشده) بررسی شد، مشخص شد اثر داروی X بسیار کمتر از چیزی است که ادعا می‌شد. 🔹 *چطور سوگیری انتشار را شناسایی و کنترل کنیم؟* برای خواننده: قبل از اعتماد به یک نتیجه، ببینید آیا کارآزمایی در پایگاه‌های ثبت کارآزمایی پیش‌ثبت شده یا نه. به دنبال مرورهای سیستماتیک باشید که سعی کرده‌اند مقالات منتشرنشده را پیدا کنند. از روش‌های آماری مثل (Funnel plot) برای تشخیص سوگیری انتشار استفاده کنید (در متاآنالیزها). *برای پژوهشگر:* قبل از شروع مطالعه، پروتکل خود را در یک پایگاه ثبت کارآزمایی عمومی ثبت کنید. نتایج را چه مثبت و چه منفی منتشر کنید. مجلاتی را انتخاب کنید که از انتشار نتایج منفی استقبال می‌کنند. 📌 *جمع‌بندی داستانی* اگر فقط به مقالات منتشرشده نگاه کنیم، دنیای پژوهش همیشه گل و بلبله. اما پشت پرده، کشوی میزها پر از نتایج منفی است که هیچ‌کس ندیده. سوگیری انتشار یکی از بزرگ‌ترین تهدیدها برای شواهد علمی معتبر است. همیشه این سؤال را بپرسید: «آیا همه‌ی نتایج، چه مثبت و چه منفی، منتشر شده‌اند؟» 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🧩 چطور بدون خراب کردن بودجه، علت را پیدا کنیم؟ 🔸️فرض کن یک مطالعه کوهورت بزرگ روی ۲۰٬۰۰۰ نفر انجام داده‌ای و نمونه خون همه را گرفته‌ای. حالا می‌خواهی ببینید آیا سطح یک بیومارکر نادر (مثلاً پروتئین X) با سرطان ارتباط دارد یا نه. اما اندازه‌گیری این بیومارکر برای هر نفر ۵۰۰ دلار هزینه دارد. اندازه‌گیری برای همه ۲۰٬۰۰۰ نفر = ۱۰ میلیون دلار → غیرممکن است. ▫️*چاره چیست؟* 🔷️ دو طراحی کارآمد: «مورد-شاهدی تو در تو» و «کیس-کوهورت» هر دو در دل کوهورت انجام می‌شوند و هزینه را به شدت کاهش می‌دهند. 📊 نوع اول: مورد-شاهدی تو در تو (Nested Case-Control) مراحل: ۱. درون کوهورت، همه افرادی که به بیماری مورد نظر مبتلا شده‌اند را به عنوان مورد (Case) برمی‌داریم (مثلاً ۵۰۰ نفر). ۲. برای هر مورد، چند شاهد (Control) از میان افرادی که در همان زمان هنوز بیمار نشده‌اند و در معرض خطر هستند انتخاب می‌کنیم (مثلاً ۲ یا ۳ شاهد به ازای هر مورد). ۳. فقط برای این موارد و شاهدها، بیومارکر گران را اندازه می‌گیریم. 🔹 مثال: از کوهورت ۲۰٬۰۰۰ نفری، ۵۰۰ نفر سرطان گرفتند. برای هر کدام، ۲ شاهد سالم از همان سن و جنس و در همان زمان انتخاب می‌کنیم. ➜ تعداد نمونه = ۵۰۰ + (۵۰۰×۲) = ۱٬۵۰۰ نفر ➜ هزینه به جای ۱۰ میلیون، ۷۵۰٬۰۰۰ دلار (کاهش بیش از ۹۰٪). ✅ مزیت: شاهدها به‌درستی معرف افراد سالم کوهورت در همان زمان هستند، و توالی زمانی حفظ می‌شود. 📊 نوع دوم: کیس-کوهورت (Case-Cohort) مراحل: ۱. ابتدا یک زیرکوهورت (Subcohort) تصادفی از کل کوهورت انتخاب می‌کنیم (مثلاً ۱۰٪ یا ۲۰٪ از همه افراد، مستقل از بیمار شدنشان). ۲. سپس همه موارد (بیماران) را از کل کوهورت اضافه می‌کنیم (حتی آنهایی که در زیرکوهورت نبودند). ۳. بیومارکر را برای اعضای زیرکوهورت + موارد اضافی اندازه می‌گیریم. 🔹 مثال: از ۲۰٬۰۰۰ نفر، یک زیرکوهورت ۲٬۰۰۰ نفری تصادفی انتخاب می‌کنیم. سپس ۵۰۰ مورد (بیمار) را هم اضافه می‌کنیم (ممکن است برخی از این ۵۰۰ نفر قبلاً در زیرکوهورت باشند، پس تکراری را حذف می‌کنیم). ➜ تعداد نمونه حدود ۲٬۵۰۰ نفر. ➜ هزینه حدود ۱.۲۵ میلیون دلار. ✅ مزیت: زیرکوهورت می‌تواند برای بررسی چندین پیامد مختلف استفاده شود (چون زیرکوهورت ثابت است). ⚠️ *تفاوت اصلی این دو با مورد-شاهدی معمولی:* در مورد-شاهدی معمولی، شاهدها از جمعیت عمومی یا بیمارستان انتخاب می‌شوند (مستعد بایاس انتخاب). در نستد کیس کنترل و کیس کوهورت، شاهدها و زیرکوهورت از درون همان کوهورت و با قوانین دقیق زمانی انتخاب می‌شوند، بنابراین بایاس انتخاب به شدت کاهش می‌یابد. هر دو امکان محاسبه نسبت خطر (HR) یا نسبت نرخ بروز (IRR) را می‌دهند، نه فقط نسبت شانس (OR). 📌 *کدام یک را انتخاب کنیم؟* اگر فقط یک پیامد داری و می‌خواهی بیشترین کارایی را برای همان یک بیماری داشته باشی → نستد کیس کنترل (معمولاً نمونه کوچک‌تر). اگر چندین پیامد مختلف می‌خواهی بررسی کنی (مثلاً سرطان، دیابت، مرگ) → کیس کوهورت (زیرکوهورت ثابت می‌ماند و برای همه پیامدها قابل استفاده است). 📌 *جمع‌بندی داستانی:* داشتن یک کوهورت بزرگ مثل داشتن یک گنج است. اما اندازه‌گیری بیومارکر گران برای همه، بودجه را می‌سوزاند. با نستد کیس کنترل یا کیس کوهورت، فقط روی موارد و یک نمونه کوچک از افراد سالم هزینه می‌کنی و هنوز هم نتایج قابل اعتمادی می‌گیری. این طراحی‌ها، ترکیبی از قدرت کوهورت با صرفه‌جویی مورد-شاهدی هستند. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🔰 مطالعه کوهورت چطور علت را پیدا می‌کند؟ 🔸️فرض کن می‌خواهی بدانی: «آیا سیگار کشیدن باعث سرطان ریه می‌شود؟» ▫️یک راه این است که از بیماران بپرسی گذشته‌شان را به خاطر بیاورند (مطالعه مورد-شاهدی). اما خاطره‌ها همیشه درست نیستند. راه دیگر: یک گروه بزرگ سالم را برداری، ببینی چه کسانی سیگار می‌کشند و چه کسانی نه، و سال‌ها آنها را دنبال کنی تا ببینی چه کسی سرطان می‌گیرد. 🔷️ این یعنی «مطالعه کوهورت»: از علت به معلول، با دنبال کردن در طول زمان. 📊 *مطالعه کوهورت چطور کار می‌کند؟* ۱. یک گروه بزرگ از افراد سالم را انتخاب می‌کنی (مثلاً ۵۰٬۰۰۰ نفر). ۲. آنها را بر اساس مواجهه‌ات (مثلاً سیگار) به دو گروه تقسیم می‌کنی: 🅰️ مواجهه‌داشته (سیگاری) 🅱️ مواجهه‌نداشته (غیرسیگاری) ۳. هر دو گروه را برای سال‌ها دنبال می‌کنی و ثبت می‌کنی چه کسی به بیماری مورد نظر (سرطان ریه) مبتلا می‌شود. ۴. در پایان، خطر ابتلا را در دو گروه مقایسه می‌کنی. 🔹 خروجی اصلی: نسبت خطر (Risk Ratio - RR) مثال: در گروه سیگاری: ۲۰۰ نفر از ۱۰٬۰۰۰ نفر سرطان گرفتند → خطر = ۲٪ در گروه غیرسیگاری: ۵۰ نفر از ۱۰٬۰۰۰ نفر سرطان گرفتند → خطر = ۰.۵٪ ➜ RR = ۲٪ / ۰.۵٪ = ۴ یعنی خطر سرطان در سیگاری‌ها ۴ برابر غیرسیگاری‌هاست. 🔹 مثال ملموس با آنفلوآنزا: می‌خواهیم ببینیم واکسن آنفلوآنزا مؤثر است یا نه. ۱۰٬۰۰۰ سالمند را انتخاب می‌کنیم: ۵٬۰۰۰ نفر واکسن می‌زنند ۵٬۰۰۰ نفر نمی‌زنند یک سال بعد: در گروه واکسن زده، ۲۰۰ نفر آنفلوآنزا گرفتند (۴٪). در گروه نزده، ۸۰۰ نفر گرفتند (۱۶٪). ➜ RR = ۴٪ / ۱۶٪ = ۰.۲۵ یعنی خطر آنفلوآنزا در گروه واکسن زده یک‌چهارم گروه نزده است (کاهش ۷۵٪). 📌 مزایا و معایب مطالعه کوهورت ✅ مزایا: توالی زمانی مشخص است (اول مواجهه، بعد بیماری) → قوی برای علیت می‌توانی چندین پیامد را همزمان بررسی کنی می‌توانی بروز و خطر را مستقیماً محاسبه کنی کمتر از مورد-شاهدی در معرض بایاس انتخاب و یادآوری است ❌ معایب: گران و زمان‌بر (گاهی دهه‌ها طول می‌کشد) ریزش نمونه (افراد از مطالعه خارج می‌شوند) برای بیماری‌های نادر مناسب نیست (به حجم نمونه خیلی بزرگ نیاز داری) اگر مواجهه نادر باشد، به سختی می‌توانی آن را مطالعه کنی ⚠️ *نکته مهم*: کوهورت آینده‌نگر (Prospective) در مقابل کوهورت گذشته‌نگر (Retrospective) آینده‌نگر: الان شروع می‌کنی و افراد را از امروز به بعد دنبال می‌کنی (دقیق‌تر، اما طولانی‌تر) گذشته‌نگر: از پرونده‌های پزشکی گذشته استفاده می‌کنی و می‌بینی چه کسانی چه مواجهه‌ای داشتند و بعداً چه بیماری گرفتند (سریع‌تر و ارزان‌تر، ولی به داده‌های خوب نیاز دارد) 📌 جمع‌بندی داستانی: اگر بخواهی با اطمینان بگویی «سیگار باعث سرطان می‌شود» یا «واکسن آنفلوآنزا مؤثر است»، بهترین شواهد را از مطالعه کوهورت (و بالاتر از آن کارآزمایی) می‌آوری. در کوهورت، از علت شروع می‌کنی، جمعیت سالم را سال‌ها دنبال می‌کنی و می‌بینی چه کسی بیمار می‌شود. خروجی آن یک عدد ساده و قابل فهم است: نسبت خطر (RR). 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station

🕵️‍♂️ قصهٔ یک بیماری نادر؛ چطور مظنون را پیدا کنیم؟ 🔸️یک روز در شهر، چند نفر به یک سرطان نادر و عجیب مبتلا می‌شوند. این سرطان سالانه فقط ۱ نفر در میلیون را گرفتار می‌کند. حالا ۱۰ بیمار جدید در یک ماه پیدا شده‌اند. ▫️محققان می‌خواهند بفهمند: چه عاملی باعث این سرطان شده است؟ اما دنبال کردن هزاران نفر سالم برای سال‌ها (مطالعه کوهورت) تقریباً غیرممکن است، چون بیماری خیلی نادر است. 🔷️ اینجا از «مطالعه مورد-شاهدی» استفاده می‌کنیم. 📊 *مطالعه مورد-شاهدی چطور کار می‌کند؟* برخلاف کوهورت، اینجا از معلول به علت می‌رویم. ۱. یک گروه مورد (Case) = بیماران مبتلا به آن سرطان نادر (مثلاً ۱۰ نفر) ۲. یک گروه شاهد (Control) = افراد سالمی که از نظر سن، جنس و... شبیه بیماران هستند (مثلاً ۴۰ نفر سالم) ۳. به گذشته برمی‌گردیم و می‌بینیم: در هر دو گروه، چه تعداد در معرض یک عامل مظنون (مثلاً مادهٔ شیمیایی X) بوده‌اند. ⚠️ *نکات کلیدی مطالعه مورد-شاهدی* ✅ *مزایا*: عالی برای بیماری‌های نادر سریع و ارزان (نیاز به پیگیری طولانی ندارد) حجم نمونه کمتری نیاز دارد ❌ *معایب*: مستعد بایاس انتخاب (انتخاب گروه شاهد مناسب خیلی سخت است) مستعد بایاس یادآوری (بیماران ممکن است مواجهه گذشته را بهتر یا بدتر به خاطر بیاورند) نمی‌تواند بروز یا خطر را مستقیماً محاسبه کند (فقط شانس می‌دهد) توالی زمانی گاهی مبهم است (آیا مواجهه قبل از بیماری بوده؟) 📌 مثال معروف: مطالعه مورد-شاهدی رابطهٔ سیگار و سرطان ریه (۱۹۵۰) داول و هیل ۶۴۹ بیمار سرطانی و ۶۴۹ فرد سالم را مقایسه کردند. نتیجه: ۶۴۷ بیمار سیگاری بودند، در مقابل ۶۲۲ فرد سالم. ➜ OR بزرگ → سیگار خطر را به شدت افزایش می‌دهد. این مطالعه در کمتر از یک سال انجام شد، در حالی که یک مطالعه کوهورت مشابه سال‌ها طول می‌کشید. 📌 *جمع‌بندی داستانی:* وقتی بیماری نادر است و نمی‌توانی هزاران نفر را سال‌ها دنبال کنی، می‌روی سراغ «مورد-شاهدی». از بیماران شروع می‌کنی، یک گروه شاهد سالم برمی‌گزینی، به گذشته نگاه می‌کنی و نسبت شانس (OR) را می‌آوری. اما حواس‌ت به بایاس باشد؛ انتخاب شاهد مناسب نصف کار است. 🔹 ایستگاه اپیدمیولوژی 🔹 ⬅️ کانال بله ایستگاه اپیدمیولوژی آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی 🆔 @Epidemiology_Station