Найти похожее

ТРЕТИЙ НЕ ЛИШНИЙ ⠀ Иногда некоторые врачи пытаются найти преимущества от лечения в подгруппах пациентах. И если оно выявляется в определенной популяции, то что это? Случайная ошибка? Конфаудинг? Множественные сравнения? Или эффект взаимодействия? 🤷🏻‍♂️ Познакомимся с последним поближе👇🏻 ⠀ ❗Эффект взаимодействия (interaction) возникает, когда эффект от лечения зависит от другого фактора❗ ⠀ Например, тестируется новый препарат Х 💊 против плацебо от артериальной гипертензии. В общей популяции Х снижает САД на 10 мм рт ст📉. А затем обнаружили, что у мужчин ♂️ он снижает на 18, а у женщин♀️ на 7 мм рт ст. (будем считать, что мощность КИ достаточная) Вроде все очевидно. Ведь так...? ⠀ В целом, по эффекту взаимодействия можно выделить 4 ситуации (рис. в карусели) 🔸1 - взаимодействия нет (САД снижается одинаково у М и Ж) 🔸2 и 3 - количественное взаимодействие, эффект лечения не меняет направление (2 - лучше снижает у М, 3 - у Ж) 🔸4 - качественное (перекрестное) взаимодействие (у Ж лучше плацебо, у М - лечение) ⠀ Итак, если мы предполагаем, что взаимодействие есть, то надо его оценить. Наиболее часто для этого используется регрессионный анализ. Если максимально просто (❗), то надо посмотреть как влияют факторы, когда они независимые (X - лечение, S - пол): ⠀ y = b0 + b1X + b2S ⠀ А затем, когда есть взаимодействие: ⠀ y = b0 + b1X + b2S + b3XS ⠀ Таким образом, мы сможем узнать степень влияния на результат без и с эффектом взаимодействия, а также значим ли он 🙀 ⠀ 🟢Это может быть полезно, когда выявляется гетерогенность в подгруппах или между центрами, также при исследовании некоторых механизмов действия ЛС и используется в факториальном дизайне. ⠀ 🔴Однако стоит помнить, что изучение эффекта взаимодействия проводится после сбора данных с использованием специальных статистических методов. А результаты следует трактовать с осторожностью и (желательно) в исследовательских целях⚠️ #ebm_нюансы

ПОПРАВЬТЕ ВАШ ФАКТОР ⠀ Всем страшен confounding. Положительные исследования превращает в негативные, негативные в положительные, скрывает правду, путает наблюдения - как бы проще без него жилось... 🤥 ⠀ Мы знаем, что есть методы позволяющие его избежать в начале КИ (рандомизация/стратификация). Но что делать, когда уже все собрано без них (post hoc)? 😱 ⠀ ❗Скорректированный (adjusted) анализ❗ Это включение в стат анализ факторов/характеристик/ковариант, которые могут влиять на исход➡️ ⠀ Мы как бы фиксируем (либо учитываем их влияние) коварианты, чтобы скорректировать оценку эффекта🦾 ⠀ ⚠️Например, мы пытаемся найти причину тяжелого заболевания ТВ. Находим, что фактор 70 подходит по параметрам, и в анализе получаем р=0,04 (погранично...). Но коллега подсказал, что надо проверить модель с учётом возраста. Ведь есть ассоциация его с ТВ. Мы корректируем анализ (учитываем возраст при влиянии фактора 70 на развитие заболевания ТВ) и получаем р=0,01. Видимо, чтобы более точно предсказать ТВ, надо смотреть на возраст и Ф70 вместе! Мы благодарим коллегу и идём описывать результат🙋🏻‍♂️📑 ⠀ Это может помочь более точно оценить влияние вмешательства на исход (не переоценить и недооценить), определить факторы прогнозирования, построить модель, фиксировать влияние дисбаланса⚖️ Также можно учитывать коварианты, которые являются конфаундерами! ⠀ Но для коррекции нужно обоснование: 🔸дисбаланс ковариантов 🔸рандомизация в небольших исследованиях 🔸коварианты-предикторы эффекта/исхода 🔸конфаундеры ⠀ К сожалению, выбор ковариантов часто субъективен, требует подумать, предположить (обоснованно) возможные взаимосвязи🙇🏻‍♂️ Также не всегда можно учесть все коварианты (не собраны, пропуски, не подумали о связи, не проверили и т.д.) ⠀ Основными методами коррекции являются различные виды регрессионного и ковариационный (ANCOVA) анализы📊 ⠀ Недавно пришлось самому попробовать это на практике. Рассказать здесь оказалось проще, чем разобраться в полученных результатах 😵‍💫 #ebm_нюансы

Хотите начать погружение в мир здравого смысла? Тогда надо учиться и сомневаться 😉 #ebm_нюансы

Это то, что я сейчас начал изучать Посмотрите на графики (точки и гистограммы), насколько они похожи А сверху схемы, где указаны различия в причинно-следственных связях #ebm_нюансы

Часто в исследованиях можно встретить такие понятия как риски или шансы. Как их интерпретировать? Какие в них нюансы? Все это описано в методичке, которую мне помогли составить ребята из ЖК. Она для бесплатного распространения, поэтому можете делиться со всеми знакомыми #ebm_нюансы #statistic

ПРОВЕРЯТЬ Я ЕЁ НЕ БУДУ ⠀ Во время дискуссии с Полиной понял, что эту тему я ещё не раскрывал. Загорелся идеей, задумано, сделано 🤝🏻 ⠀ Большинство исследований в медицине (почти все) строятся на формулировании и опровержении гипотез. Но откуда ноги? 👀 ⠀ В математической статистике есть метод "проверка статистических гипотез". Однако прежде узнаем, что такое "гипотеза"🤔 ⠀ ⚠️Предположение, которое требует доказательства⚠️ ⠀ Гипотеза отличается от теоремы (для нее существует доказательство) и теории (система положений) + см. рис. 1 ⠀ Важно знать, что в исследовании формулируется клиническая гипотеза, обычно по принципу PICO. Но чтобы ее проверить, нужно перейти к эквивалентной статистической гипотезе (оцениваемые показатели), после чего мы получим результат (конкретная оценка) 🤨 ⠀ Условно схематично можем показать это на рис. 2 👇🏻 ⠀ Но гипотезы бывают разные: ⠀ 📍Нулевая гипотеза (Н0) - это наше базовое/нынешнее знание. ⠀ Т.е. если мы не знаем какое ЛС лучше, то наше базовое знание, что одно не превосходит другое. Если мы предполагаем, что А чуть хуже Б, то нам надо уточнить насколько А хуже (на 5 или 15%). И все это верно, пока не доказано обратное❗ ⠀ 📍Альтернативная гипотеза (Н1 или На) - предположение при несостоятельности Н0 ⠀ Если окажется, что наша Н0 неверна, то у нас будет другая гипотеза, которая мб лучше подходит для описания наших результатов😶‍🌫️ ⠀ И тут самое интересное... ⠀ ❗Доказать гипотезу невозможно❗🙀🤯😵‍💫 ⠀ Т.к. для этого нам потребуется обследовать всех, везде и во все времена (а это нереально). Поэтому используется подход "от противного". Мы пытаемся обнаружить такие наблюдения, которые будут противоречить нулевой гипотезе. А если она не объясняет наши наблюдения, то скорее всего она неверна, и надо использовать Н1 😰 ⠀ Поэтому по нашим результатам мы можем либо ОПРОВЕРГНУТЬ, либо НЕ ОПРОВЕРГНУТЬ гипотезу 🫣 ⠀ To be continued... #ebm_нюансы#ebm_статистика#статистика

ИНТЕРЕСНО СЛОЖНО ДУМАТЬ ⠀ Регрессия - один из сложнейших и интереснейших методов в статистике 🤓 Из-за сложности формул, объяснений, количества получаемых данных некоторые так и не решаются разобраться с этим разделом. Но на самом деле вся сложность скрыта в понимании регрессионных моделей и применении их к реальным проблемам 🤖 ⠀ При этом в книгах и статьях по статистике встречается множество предположений для регрессии. И кажется, что если ваши данные не соответствуют им всем, то и не нужно применять этот метод 🙀😭 ⠀ Но это не так. Тут и скрывается понимание цели анализа, потому что она подскажет какие предположения для вас важны❗ ⠀ Рассмотрим некоторые варианты применения регрессии: ⠀ 📍 Прогнозирование. В данном случае мы хотим на основе уже известных нам данных попытаться предсказать какой-то исход📈 При этом здесь очень важна репрезентативность данных (на самом деле она необходима в любых исследованиях) ⠀ 📍 Изучение взаимосвязей. Здесь интересно узнать влияние разных факторов на исход, т.е. выявить значимые среди них 🎯 В такой ситуации, например, учитывается мультиколлинеарность факторов (связь факторов между собой вне исхода - например, на основе роста, веса и ИМТ оцениваем уровень общего белка) ⚧️ ⠀ 📍 Причинно-следственный вывод. В таком случае мы хотим узнать эффект от воздействия 🎁 И ключевой проблемой является схожесть групп или коррекция имеющихся различий. Что влечет за собой более строгое соблюдение предположений и учёт методологии исследования (контролируемость, сбор данных, их пропуски и т.д.)⛔ ⠀ Одним из важных пунктов при изучении регрессии - это применимость☝🏻 Нужно разобраться с целями исследования и анализа, понять методологию, источник и способ получения данных, определиться с исходом и т.д. 🤯 ⠀ В этом, на мой взгляд, и есть интерес (неординарность, пластичность). Но в этом и сложность (нужно думать, много думать). И это даже вдохновляет❗😎 #ebm_нюансы#статистика#statistics

В эфире публикационные новости🔥 Пока на сайте (а скоро в газете) Российского общества клинической онкологии (RUSSCO) опубликован наш перевод первой статьи, где упоминается «Доказательная медицина» (Evidence-based medicine) 🎉🎉🎉 В этой статье были описаны основы по доказательной медицины, ее преимущества и недостатки, способы обучения, мифы и много многое! Если раньше вы могли отложить ее, потому что оригинал на английском, то теперь эта проблема решена. Вся статья в свободном доступе на русском языке! 🎉🎉🎉 Почитать можно и нужно тут! А еще можно скачать себе на память! И у меня есть огромная просьба, сделайте максимальный репост, рассылайте своим друзьям, показывайте и рассказывайте знакомым врачам, ординаторам, студентам. Давайте сделаем все возможное, чтобы о доказательной медицине узнавали из первоисточников! 🧐 #ebm_нюансы#ebm_мысли#ebm_основы

САМЫЙ ЖЕЛАННЫЙ Великий и могучий уровень значимости (или р, или р-value, или р-значение и т.д.). Как часто вы его встречаете в статьях, на конференциях? ИМХО, следование ему превращается порой в карго-культ 🧟‍♂ ⠀ ❗p-value - это вероятность получить такой или ещё более экстремальный (отличающийся) результат при условии, что верна нулевая гипотеза❗ ⠀ Сложно? Непонятно? Но это его единственное верное определение (если вы считаете иначе, то прочитайте список литературы, а потом можете подискутировать с авторами-статистиками) 🥸 ⠀ На рисунке ниже у нас есть (гипотетически) информация о характеристиках признака (рост, вес, длина ноги и пр.), и мы знаем ее среднее значение (М0). В ходе эксперимента мы получаем другое среднее (М1), которое явно не совпадает с М0. Если нулевая гипотеза (о значении М0) верна, то мы можем оценить с какой вероятностью мы могли получить М1. А если посчитает вероятность получить М1 или ещё больший (экстремальный) результат, то и получим заветное p-value (синяя область) 🫠 ⠀ И если р меньше 0,05, то мы отвергаем нулевую гипотезу и считаем, что наш результат может объяснить альтернативная гипотеза 🤔 ⠀ А почему 0,05❓ ⠀ Вот так сошлись звёзды в 20 веке, что был принят субъективный и произвольный порог в 5%. Считается, что это слишком низкая вероятность для верной нулевой гипотезы 😰 ⠀ Будем считать, мы согласились играть по таким правилам со значимым уровнем р<0,05, но у этого всего есть свои нюансы 🤬 ⠀ 1️⃣ Статистическая значимость ≠ клинической значимости. ⠀ Можно получить значимый результат, но различия будут очень малы и не иметь практического применения (нередко на больших выборках). Напротив, важный клинический результат может быть статистически незначимым (много причин), но в то же время это не доказывает, что эффекта нет 🤯 ⠀ 2️⃣ Разница между значимым и незначимым условна и формальна. ⠀ Сильно отличается 0,049 и 0,051? По этой проблеме ведутся дискуссии и споры 🗣️ ⠀ 3️⃣ p-хакинг. ⠀ Всем нужен значимый р, поэтому делают множественные сравнения ноздрей, ног, пальцев, миллион подгрупповых анализов, подбор статистических тестов, а иногда и неумышленно его находят 🤡 #ebm_нюансы#statistics#статистика#p_value