Ebm_base

в тесте обнаружена ошибка перевода в одном из вопросов (только сейчас написал один из участников!!!) 🤦‍♂️ Соответственно балл по этому вопросу не будет учтен

Последний день 2 этапа ЖК Кто не сдал, тот не сдал

Я считаю, что доступность знаний важна, поэтому хочу напомнить, что у меня с коллегами не один перевод) EBM's six dangerous words: https://t.me/ebm_base/93 Evidence-based medicine. A new approach to teaching the practice of medicine: https://t.me/ebm_base/117 Seven myths of randomisation in clinical trials: https://t.me/ebm_base/531

А этот пост мне особенно нравится 😁😁😁

Ну наконец-то Мы это ждали долго, Максим 😁 Если вы верите, что статистику можно выучить "за 5 шагов" или "2 семинара", то этот автор вас точно выведет из душевного равновесия (в хорошем смысле, хотя...) И посильнее меня точно)) Он даже уже это начал делать😁 А я очень благодарен, что Максим периодически отрезвляет меня) Хотите узнать, что статистика это сложно? Велком)))

Подкаст о личном бренде, где мы больше говорим о доказательной медицине 🎙 Вместе с Дарьей Карташевой-Эберц, которую вы можете знать как @ImmunoBee и PetiteBete, поговорили о доказательной медицине, личном бренде и недобросовестных врачах. Про личный бренд и докмед есть десятки подкастов, но наш разговор получился другим. Надеюсь :) вы решите, насколько я прав. Вот несколько тезисов из нашего подкаста: 1️⃣ Большинство врачей неправильно понимает суть докмеда, поэтому они сами дискредитируют это понятие. 2️⃣ Личный бренд врача — хорошая почва для роста мракобесов и недобросовестных врачей. 3️⃣ Мракобесы и недобросовестные врачи находятся в выигрышной позиции. 📹Посмотреть видео-подкаст: – Ютуб – Дзен – Рутуб – ВК 🎧Послушать аудио-подкаст: – Mave – Yandex – ВК – Apple Если хотите узнать больше о докмеде и проблеме личного бренда — подкаст для вас. А если вы вот-вот хотите купить курс или наставничество по личному бренду — бегите смотреть прямо сейчас!!!

Рекомендую посмотреть👍

Напоминаю, что до окончания приема ответов на 2 этап в ЖК осталась неделя (23.09 - последний день)

Ebm_base pinned «КАКОЙ ШИКАРНЫЙ У ТЕБЯ POST HOC Насколько я знаю (но может знаю неправильно), в аналитике данных после А/В-тестов (по сути это РКИ) проводят сегментацию, что найти тех, на кого вмешательство было эффективно. У этой идеи есть здравое рассуждение - хочется получить…»

КАКОЙ ШИКАРНЫЙ У ТЕБЯ POST HOC Насколько я знаю (но может знаю неправильно), в аналитике данных после А/В-тестов (по сути это РКИ) проводят сегментацию, что найти тех, на кого вмешательство было эффективно. У этой идеи есть здравое рассуждение - хочется получить как можно больше информации из данных. Но здраво ли его используют и интерпретируют результаты в медицинских исследованиях? 🤔 Начнем с общих понятий. Когда планируется исследование, то многим (исследователям, спонсорам, пациентам) хочется знать как быстро его получится провести. Это зависит от многих факторов: количество центров, количество пациентов, длительность наблюдения, скорость достижения первичной конечной точки и т.п. И немало внимания концентрируется на количестве пациентов. И сейчас это показатель "Размер выборки" (Sample size) - количество участников в клиническом исследовании, которое обеспечивает надежный/достоверный ответ (об это сегодня не говорим) на поставленные вопросы [1]. 🤘 До ее расчета нужно определиться с гипотезами: нулевой и альтернативной (что это подробнее здесь и здесь и немного здесь). Представим, что мы это уже сделали (и даже согласны оценивать гипотезы 🫣). Так же важно понять какой минимальный размер эффекта (effect size/minimal detectable effect size) мы планируем обнаружить (представим, что уже определили на основе своих специальных знаний 👨‍🎓). ❗️И тут входит понятие "Мощность" (Power) - вероятность верно отклонить нулевую гипотезу, если альтернативная о размере эффекта верна (грубо).❗️ Чаще всего ее устанавливают на уровне 80-90% и получают в расчетах минимальный размер выборки (и набирают ее же + мб Dop out rate). Важно уточнение, что анализ мощности/расчет размера выборки имеет смысл только при планировании исследования, чтобы решить проблемы затрат (времени, финансов, участников) и контроля ошибок I и II рода (скорее быть уверенным в их уровне). 🫡 После получения данных мы не можем быть уверены в истинности результата, а значит и в истинности мощности теста (как я понял, это называют наблюдаемой мощностью (Observed power)) [2, 3]. А теперь загадка от Жака Фреско. Что будет, если выборку, набранную по определенному расчету мощности, разделить на подгруппы? 5, 4, 3, 2, 1… 🫥 Мощность снизится! А еще потеряется контроль за ошибками, ведь поменяется и размер эффекта. А это происходит постоянно в subgroup analysis и post hoc analysis. А самое забавное, что это представляют на конференциях, а затем все повторяют с фразами: "Важные данные", "Это успех", "Нашли наконец-то группу, кому поможет максимально" и т.д. 🤯 📍Важно, что для таких выводов сначала нужно прочитать полный текст (что было, что и почему сделано, почему и как сделали этот анализ, сколько пациентов осталось, насколько данные результаты совпадают с литературой и т.д.). 📍Еще нужно разобраться как был получен такой результат (взаимодействия, коррекции, гетерогенность, интерпретация forrest plot и другие сложные статистические штуки, которые врачи не могут или не хотят базово изучить), а то большинство исследований с проблемами [4]. 📍Не говоря уже о проблеме тестирования гипотез (как глобально, так и множественного). Что делать? 🔹Разбираться. Каждый subgroup или post hoc анализ - повод разобрать более внимательно: новое исследование, изучение имеющейся литературы, мета-анализ. 🔹Не делать громких выводов (как типичное СМИ), т.к. снижение мощности (а значит увеличение ошибок I и II рода) никуда не девается. 🔹Продумать и/или изучить критерии гетерогенности, чтобы давать более аккуратную интерпретацию. 🔹Подвергать критике исследования, про которые вам рассказывают. Мои слова тоже нужно подвергать критике 🤫 @ebm_base

Когда сказали, что р-value - это ошибка 1 рода