Ebm_base

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

The Table 2 Fallacy

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

Ebm_base pinned «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…»

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

Рис. 1, 2, 3 и 4

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 Full text comment и протокол GRECCAR 17 в комментариях

Предлагаю всем дружно отметить день беззадачности ничегонеделанием

А Я НЕТ! ⠀ В ленте и сторис нередко вижу "учёных", "занимающихся наукой", "наставников", "менторов" и т.д. Хочу высказать несколько своих мыслей ⠀ Я НЕ считаю себя: ⠀ 📍ученым. У меня нет спец образования, я не делаю научных открытий, не разрабатываю новые…

Бывают в жизни падения и подъемы